Maschinelles Lernen revolutioniert die laserbasierte Metallverarbeitung

LONDON (IT BOLTWISE) – Die Integration von maschinellem Lernen in die laserbasierte Metallverarbeitung verspricht eine erhebliche Effizienzsteigerung und könnte den Zugang zu diesen Technologien für Unternehmen erleichtern.

Die Anwendung von maschinellem Lernen in der laserbasierten Metallverarbeitung hat das Potenzial, die Effizienz dieser Verfahren erheblich zu steigern. Forscher der Empa haben gezeigt, dass durch den Einsatz von Algorithmen die Anzahl der erforderlichen Vorversuche um zwei Drittel reduziert werden kann, ohne die Qualität des Endprodukts zu beeinträchtigen. Diese Entwicklung könnte insbesondere für Unternehmen von Vorteil sein, die bisher aufgrund der hohen Kosten und der Komplexität der Vorversuche von der Nutzung solcher Technologien abgehalten wurden.

Laserbasierte Verfahren sind in der Industrie aufgrund ihrer Vielseitigkeit und Präzision weit verbreitet. Sie finden Anwendung in verschiedenen Branchen, darunter die Automobil- und Luftfahrtindustrie sowie die Medizintechnik. Trotz ihrer Vorteile sind diese Verfahren technisch anspruchsvoll, da kleinste Abweichungen in der Materialbeschaffenheit oder den Laserparametern zu Produktionsfehlern führen können. Hier setzt das maschinelle Lernen an, indem es die Echtzeitkontrolle während des Schweißprozesses verbessert und so konsistente Ergebnisse ermöglicht.

Ein besonderer Fokus der Empa-Forscher liegt auf der additiven Fertigung, insbesondere dem 3D-Druck von Metallen mittels Laser, bekannt als Powder Bed Fusion (PBF). Dieses Verfahren ermöglicht die Herstellung komplexer Geometrien, die mit herkömmlichen Methoden kaum realisierbar sind. Die Wahl des richtigen Schweißmodus, sei es der Conduction Mode oder der Keyhole Mode, ist entscheidend für die Qualität des Endprodukts und hängt von zahlreichen Parametern ab.

Durch den Einsatz von maschinellem Lernen können die Forscher die optimalen Einstellungen für den Schweißprozess schneller und effizienter ermitteln. Der Algorithmus nutzt Daten aus optischen Sensoren, um den aktuellen Schweißmodus zu erkennen und die Einstellungen für den nächsten Versuch anzupassen. Dies reduziert nicht nur den Materialverbrauch, sondern macht die Technologie auch für Unternehmen zugänglicher, die bisher nicht über das notwendige Fachwissen verfügten.

Ein weiterer bedeutender Fortschritt ist die Optimierung des Schweißvorgangs selbst. Selbst mit optimalen Einstellungen kann es zu unvorhersehbaren Fehlern kommen, wenn etwa winzige Defekte auf der Metalloberfläche den Laserstrahl beeinflussen. Hier kommt ein spezieller Computerchip, ein Field-Programmable Gate Array (FPGA), zum Einsatz, der in Echtzeit die Laserparameter überwacht und steuert. Diese Technologie ermöglicht eine schnellere und präzisere Anpassung des Schweißprozesses als herkömmliche Computer.

Die Forscher sind überzeugt, dass maschinelles Lernen und künstliche Intelligenz noch viele weitere Anwendungen in der Metallverarbeitung finden werden. Sie arbeiten daran, ihre Algorithmen weiterzuentwickeln und deren Einsatzbereich in Zusammenarbeit mit Partnern aus der Forschung und der Industrie zu erweitern. Diese Fortschritte könnten die Art und Weise, wie Metalle verarbeitet werden, grundlegend verändern und neue Möglichkeiten für Innovationen in der Industrie schaffen.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!