Maschinelles Lernen revolutioniert die Metallverarbeitung

THUN / LONDON (IT BOLTWISE) – Die Anwendung von maschinellem Lernen in der Metallverarbeitung eröffnet neue Möglichkeiten für die Industrie. Forscher der Eidgenössischen Materialprüfungs- und Forschungsanstalt (EMPA) in Thun haben innovative Methoden entwickelt, um die Effizienz und Präzision von laserbasierten Fertigungsverfahren zu steigern.

Die Integration von maschinellem Lernen in die Metallverarbeitung könnte die Art und Weise, wie komplexe Bauteile hergestellt werden, grundlegend verändern. Forscher der Eidgenössischen Materialprüfungs- und Forschungsanstalt (EMPA) in Thun haben neue Ansätze entwickelt, um die Effizienz und Präzision von laserbasierten Fertigungsverfahren zu verbessern. Diese Entwicklungen könnten insbesondere für Branchen wie die Automobilindustrie und die Medizintechnik von Bedeutung sein, die auf präzise und automatisierte Fertigungsprozesse angewiesen sind.

Traditionell erfordert die laserbasierte Metallverarbeitung umfangreiche Vorversuche, um die optimalen Einstellungen für verschiedene Materialien zu bestimmen. Dies ist nicht nur zeitaufwendig, sondern auch kostspielig. Das Team um Elia Iseli, Leiter der Forschungsgruppe „Advanced Materials Processing“ bei EMPA, hat maschinelles Lernen eingesetzt, um diesen Prozess zu optimieren. Durch die Analyse von Sensordaten aus den Lasermaschinen kann der Algorithmus den aktuellen Schweißmodus erkennen und die Einstellungen für den nächsten Versuch anpassen. Dies reduziert die Anzahl der erforderlichen Vorversuche erheblich und senkt die Kosten.

Ein besonderer Fokus liegt auf dem Verfahren der Pulverbettschmelze (PBF), das sich durch die Fähigkeit auszeichnet, komplexe Geometrien zu erzeugen, die mit anderen Techniken schwer umsetzbar sind. Bei der PBF-Technik wird ein Laser verwendet, um dünne Schichten von Metallpulver an präzise definierten Stellen zu schmelzen. Dies ermöglicht die schrittweise Herstellung des Bauteils. Die Herausforderung besteht darin, die Grenze zwischen den beiden Schweißmodi, dem Wärmeleitungsschweißen und dem Tiefschweißen, zu bestimmen, da diese von zahlreichen Parametern abhängt.

Masinelli und Rajani, die an diesem Projekt arbeiten, haben einen Algorithmus entwickelt, der die Anzahl der Vorversuche um etwa zwei Drittel reduziert, ohne die Qualität des Endprodukts zu beeinträchtigen. Dies könnte es auch Unternehmen ermöglichen, die bisher aufgrund der hohen Kosten von der Nutzung der PBF-Technologie ausgeschlossen waren, diese Technik zu nutzen. Der Algorithmus könnte einfach in die Firmware der Laserschweißmaschinen integriert werden, was die Zugänglichkeit weiter erhöht.

Ein weiterer Fortschritt in diesem Bereich ist die Echtzeit-Anpassung der Schweißvorgänge. Bisher war es nicht möglich, den Schweißprozess in Echtzeit zu beeinflussen, da die Geschwindigkeit der Datenanalyse und Entscheidungsfindung selbst für Computer eine Herausforderung darstellt. Durch den Einsatz eines speziellen Computerchips, eines sogenannten Field-Programmable Gate Array (FPGA), konnten die Forscher jedoch eine Lösung finden. Der FPGA überwacht und steuert die Laserparameter, während ein PC als Backup-Gehirn dient und aus den Daten lernt.

Die Forscher sind überzeugt, dass maschinelles Lernen und künstliche Intelligenz ein großes Potenzial für die Laserverarbeitung von Metallen und 3D-PBF-Druckverfahren bieten. Sie arbeiten weiterhin an der Weiterentwicklung ihrer Algorithmen und Modelle, um deren Anwendungsbereiche in Zusammenarbeit mit Partnern aus Forschung und Industrie zu erweitern.

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