AI-drevet præcision til at transformere laserbaseret 3D metaltrykning

I verden af 3D-trykning eller additiv fremstilling er laserbaseret metalbehandling en populær teknik, der tillader automatiseret, præcis og hurtig produktion af komplekse komponenter.

Laserbaseret bearbejdning af metaller indebærer brug af en laser som energikilde til at manipulere metallet. En laser er en forstærket stråle af lys eller elektromagnetisk stråling, der kan propagere i en ret linje med lidt divergens.

Dette gør lasere meget nyttige i materialebehandling, hvor det bruges til maskining, samling og overfladeingeniørvidenskab. I additiv fremstilling bruges lasere til at smelte materialer og fabrikere komponenter lagvis.

Additiv fremstilling er blot at skabe et produkt lag-for-lag. Det startede med at bruge plastik som materiale, takket være let procesføring. Men det har nu udvidet sig til at omfatte alle typer materialer, herunder metalmaterialer.

Metalmaterialer er kendt for deres attraktive egenskaber, såsom fremragende elektrisk ledningsevne og høj styrke, duktilitet og smeltepunkt, hvilket gør dem meget nyttige i biomedicinske, energi-, arkitektur- og militærtilbud.

Laserbehandling af metaller tilbyder imidlertid unikke fordele som høj energitæthed, en smal varmeberørt zone og lidt forurening. Det er derfor, laserprocesser bruges i mange sektorer, især hvor maksimal præcision og høj tilpasning er nødvendig. Men det har sine egne komplikationer og tekniske udfordringer.

“For at sikre, at laserbaserede processer kan bruges fleksibelt og opnå konsistente resultater, arbejder vi på at forbedre forståelse, overvågning og kontrol af disse processer.”

– Elia Iseli, leder af forskningsgruppen i Empa’s Advanced Materials Processing laboratory

Med dette mål er forskerne Giulio Masinelli og Chang Rajani fra Empa i Thun ved at gøre laserbaserede fremstillingsmetoder mere tilgængelige, billige og effektive ved hjælp af maskinlæring.

Forståelse af fordelene og udfordringerne ved laser-pulverbænk-fusion (PBF-LB)

I det bredere felt af laserbaseret metalbehandling er Pulverbænk-fusion en populær teknik, der indebærer brug af en laser til at smelte tynde lag af metalpulver på de præcise steder og sammenlægge dem for at producere den endelige komponent.

Pulverbænk-fusion med laserstråle (PBF-LB) er imidlertid en specialiseret teknik, der har fået megen opmærksomhed i de seneste år. I denne fremtrædende additiv fremstillings-teknologi bruges lasere, der udsender meget høj effekt, til at smelte metalpulver lagvis, før de bliver blandet til tilpassede og meget præcise komponenter.

Denne teknik tillader produktion af komplekse geometrier, samtidig med at den tilbyder tilpasningsmuligheder og sikrer materialeeffektivitet.

Disse egenskaber gør PBF-LB specifikt nyttig for brancher som bilindustrien, medicin, luftfart og forbrugsvarer, hvor vi har brug for lette og komplekse dele, personlige designs, præcision, vægtreduktion og hurtig prototypering.

Selvom teknikken er fleksibel og effektiv, står den over for flere hindringer for at nå bredere accept og opnå optimering.

Dette inkluderer vanskeligheder ved at identificere det ideelle procesramme for det metalpulver, der bruges.

“Selv en ny batch af det samme startpulver kan kræve helt andre indstillinger.”

– Masinelli

Den høje energiindgang, der er nødvendig for metal-smelting i denne teknik, skaber komplekse fysiske mekanismer, der negativt påvirker kvaliteten af komponenterne. Disse mekanismer inkluderer inkonsistenser i materialeegenskaber, påvirkningen af atmosfæriske gasser og interaktionen mellem laseren og dampfanen. Alle disse fænomener medfører problemer ved at identificere parametre.

Dette skyldes primært de to tilstande. Den ene er ledningsmodus, hvor metallet blot smeltes, og det er ideelt for tynde og præcise komponenter. Den anden mulighed er nøglehulsmodus, hvor metallet kan fordampes i visse tilfælde. Det er hurtigere, men også mindre præcist, hvilket gør det egnet for tykkere komponenter.

Grænsen mellem disse modi afhænger imidlertid af forskellige parametre, og opnåelse af den bedste kvalitet i de færdige produkter kræver de rigtige indstillinger, der varierer afhængigt af det materiale, der bearbejdes.

De komplekse interaktioner mellem materialet og laseren gør processen følsom over for meget små variationer, hvilket kan føre til problemer i produktionen, og dette gør teknikken tids- og ressourcekrævende. Som resultat kræver PBF-LB den omstændelige finjustering af parametre for at opnå konsistente resultater.

Det stopper ikke her. De prøver, der produceres på dette stadium, analyseres derefter ved hjælp af forskellige metoder, såsom mikrostruktur-analyse, tætheds-målinger og røntgen-computer-tomografi (CT).

Disse metoder giver detaljeret information om interne strukturer og finder fejl, som er kritiske for at evaluere kvaliteten og ydeevnen af PBF-LB-komponenter, men igen kræver de specialudstyr og ekspertviden samt er dyre og tidskrævende.

“Det er derfor, mange virksomheder ikke kan betale PBF fra starten.”

– Masinelli

For at løse alle disse problemer brugte forskere fra Empa maskinlæring til at gøre laserprocesser mere effektive, omkostnings-effektive og præcise.

Klik her for at lære, hvordan additiv fremstilling former brancher.

Udnyttelse af AI til realtids-kontrol i metal 3D-trykning

Til prøveanalyse har forskerne vendt sig til realtids-overvågningsmetoder med sensorer som akustisk emission (AE), højhastigheds-termisk billedgivning og optiske sensorer.

Realtids-overvågning er valgt på grund af dets evne til at registrere uønskede begivenheder under fremstillingsprocessen. Dette tillader øjeblikkelige justeringer, hvilket sparer ressourcer ved at fjerne og gensmelte fejl.

Disse realtids-overvågningsmetoder er normalt baseret på maskinlæringsalgoritmer (ML).

Et studieområde inden for kunstig intelligens, ML, beskæftiger sig med udviklingen af statistiske algoritmer, der lærer af data. Disse algoritmer udtrækker meningsfulde mønstre fra højdimensionelle data og laver derefter forudsigelser, i tilfældet af metalbehandling, om komponentkvalitet, uden at skulle udtænke komplekse fysiske modeller.

Disse AI-tilgange er ikke uden begrænsninger, dog. Udfordringerne inkluderer, at modellen lærer at registrere ændringer i procesparametre i stedet for procesregimet og fejlformation.

Den naturlige drift i maskineparametre over tid præsenterer også en barriere for generaliseringen af disse modeller, hvilket begrænser den praktiske anvendelighed af AI-modeller i virkelige fremstillingsmiljøer. Så er der problemer med automation, der kræver specialudstyr og kompliceres af multiple parametre, hvilket også er udfordrende og ressourcekrævende at udforske.

Der er et tydeligt behov for algoritmer, der kan navigere autonomt i PBF-parameter-rummet, med hensyn til multiple procesvariable, for at identificere optimale betingelser og forstå de underliggende smelteregimer.

Dette behov håndteres nu af forskere fra Empa, der har foreslået en ny metode, der anvender usuperviseret indsamling af optisk data med fokus på smelteregime-identifikation uden at kræve labeled data eller omfattende post-processing-analyse.

Implementering af usuperviseret læring til at optimere PBF-LB-parametre

Den nye usuperviserede teknik, der er udviklet af Empa-forskere, fokuserer på to hovedparametre: laser-effekt og scanning-hastighed, der er identificeret som havende den største indvirkning på smelteregimet.

Selvom fokus i studiet¹ var på disse to parametre, kan teknikken også anvendes på yderligere procesparametre. I fremtiden vil forskerne inkorporere gasflow-rate, hatch-afstand og lagtykkelse i deres algoritme for at muliggøre en mere omfattende udforskning af PBF-LB-parameter-rummet.

For nuværende tidspunkt peger den foreslåede metode nøjagtigt ud overgangen mellem ledningsmodus og nøglehulsmodus.

Den usuperviserede tilgang giver også en basis for at udtrække proceskort uden at afhænge af labeled data, hvilket tilbyder en betydelig fordel i PBF-LB, hvor det at få labeled data er både dyrt og udfordrende.

Studiet bygger faktisk videre på denne grundlag og introducerer en original metode, der kombinerer dele af aktiv læring (valg af de mest informative datapunkter) og Bayesian-optimering (iterativ sampling-strategi, der anvender en sandsynlighedsmodel) for at aflede proceskort effektivt.

Hvad der gør tilgangen anderledes, er, at den starter med ingen data og derefter progressivt bygger datasettet ved at beslutte, hvor hver ny eksperiment skal udføres, hvilket tillader den eksperimentelle proces at optimere.

Bemærkelsesværdigt er, at selvom tilgangen anvender en iterativ tilgang til forbedring, forbliver modellen usuperviseret under hele processen, da den ikke kræver labeled data. For at identificere smelteregimerne afhænger algoritmen af funktioner, der er udtrukket fra de optiske data, og resultaterne anvendes derefter til at træne en Gaussian Process Classifier (GPC) for at give en sandsynligheds-vurdering af kortet.

Med hensyn til den iterative aspekt vælger algoritmen nye forsøgsindstillinger baseret på de felter, der har høj usikkerhed i forudsigelserne, hvilket forbedrer proceskortets estimering.

I bund og grund lærer algoritmen at registrere, hvilken svejsemodus laseren er i under en testkørsel, ved hjælp af data fra optiske sensorer, der allerede er integreret i laser-maskinerne. Baseret herpå indstiller algoritmen parametrene for den næste test.

“Vi håber, at vores algoritme vil enable non-eksperter til at bruge PBF-enheder,” sagde Masinelli. Det kræver kun, at det integreres i firmware af laser-svejsningsmaskinerne af fabrikanterne.

Evaluering af AI-modellens effektivitet i PBF-LB-anvendelser

Den nye algoritme, der er introduceret af forskere for at eliminere behovet for omfattende parameter-justering, der begrænser PBF-LB’s bredere accept, identificerer smelteregimerne uafhængigt ved hjælp af data fra fotodioder.

Og da den blev testet i laboratoriet, fandt holdet, at metoden var meget nøjagtig, med en F1-score på 89,2% på tværs af to materialer.

For at evaluere ydeevnen trykte forskerne flere komponenter i to materialer.

Den første var Ti-6Al-4V, der er et af de mest almindeligt brugte (alpha-beta) titan-legeringer, med fremragende korrosionsbestandighed og høj specifik styrke. Den anden var 316L rustfrit stål, en lav-kulforsyning af 316 rustfrit stål, der ofte bruges i fødevarebehandling, farmaceutisk udstyr, medicinske apparater, smykker, luksur-ure, spildevandsbehandling og i den kemiske industri.

Specielt udførte holdet smelte-pøl-inspektioner for at verificere algoritmens forudsigelser.

Evalueringen viste, at tilgangen reducerede behovet for eksperimentelle forsøg med 67% i begge materialer, samtidig med at den opretholdt en robust ydeevne. Dette kan betydeligt reducere omkostningerne ved parameter-udforskning. Samtidig var der kun en maksimal reduktion på 8,88% i F1-scoren i sammenligning med en traditionel fuld faktorielle eksperiment-design.

Studiet erklærede:

“Disse resultater understreger effektiviteten af vores metode i sammenhæng med autonom proceskort-afledning for avancerede fremstillingsprocesser.”

Forskere mener, at metoden, der er introduceret her, kan ”storligt forbedre” både effektiviteten og pålideligheden af PBF-LB, hvilket kan føre til en bredere accept og forbedre den samlede effektivitet på tværs af forskellige sektorer.

“Vore resultater demonstrerer potentialet for denne metode til at strømlinje PBF-LB-optimering, hvilket gør det mere muligt for industrielle anvendelser og baner vejen for en bredere accept.”

Forbedring af laser-svejseprocesser gennem AI- og FPGA-integration

Ud over at optimere forhånds-eksperimenter forbedrede forskerne også svejseprocessen i et andet projekt.

Når det kommer til laser-svejsning kan processen stadig resultere i uforudsigelige afvigelser, selv med ideelle indstillinger, og selv en mindre afvigelse kan føre til alvorlige fejl i produktet.

“Det er i øjeblikket ikke muligt at påvirke svejseprocessen i realtid,” sagde forsker Rajani. “Dette er beyond menneskelige eksperter.”

– Forsker Rajani

Faktisk kæmper selv computere med den hastighed, hvormed data skal undersøges og beslutninger skal træffes. Forskerne anvendte en specialiseret type computer-chip her.

Denne chip kaldes en field-programmable gate array (FPGA), der er designet til formålet med høj-ydelses-computing (HPC) og prototypering. Chippen kan programmeres efter frigivelse fra fabrikanten og tilpasses til forskellige brugsområder uden at kræve fysisk ændring af hardwaren. Deres fleksibilitet kombineret med høj ydelse gør dem meget værdifulde i aerospace, bilindustrien og telekommunikationsindustrien.

Masinelli bemærkede:

“Med FPGAs ved vi nøjagtigt, hvornår de vil udføre en kommando og hvor lang tid udførelsen vil tage – hvilket ikke er tilfældet med en konventionel PC.”

Forskerne koblinger FPGA’en til en PC for at fungere som en ”reserve-hjerne”. Da chippen observerer og kontrollerer laser-parametrene, anvendes disse data også af algoritmen på PC’en til læring.

“Hvis vi er tilfredse med algoritmens ydeevne i den virtuelle miljø på PC’en, kan vi ’overføre’ den til FPGA’en og gøre chippen mere intelligent på én gang.”

– Masinelli

Forskerne mener, at maskinlæring og AI har potentialet til at bidrage betydeligt til laserbaseret metalbehandling. Som sådan vil de fortsætte med at udvikle deres algoritmer og modeller samt udvide deres anvendelsesområde i samarbejde med andre forskningsgrupper og industrielle partnere.

Udforskning af investeringsmuligheder i 3D-trykteknologier

Nu er en nøgle-spiller i metal-additiv design og fremstilling Colibrium Additive. Det er en del af General Electric Company (GE ), der nu driver virksomhed som GE Aerospace.

Tidligere kendt som GE Additive, blev det genlanceret som Colibrium Additive sidste sommer, og som en del af genlanceringen blev Concept Laser og Arcam EBM pensioneret.

“Selvom vi ændrer vores navn, opretholder vi vores urokkelige fokus på vores kunder, kvalitet og pålidelighed. Vi vil fortsætte med at lede den additiv fremstillings-industri fra fronten og positivt forstyrre den.”

– CEO Alexander Schmitz

General Electric (GE )

Når det kommer til 3D-printere tilbudt af Colibrium Additive, inkluderer de Electron Beam Powder Bed Fusion (EB-PBF)-printere, Laser Powder Bed Fusion (L-PBF)-printere og Binder Jet.

Med hensyn til virksomhedens markedssituation har det været rigtig vellykket i de seneste år.

Med en markedsværdi på over 260 milliarder dollars handler GE-aktier i øjeblikket til omkring 244 dollars, en stigning på 46% i år. Selskabets aktie er hurtigt nærmer sig sin top på omkring 290 dollars, som blev nået i 2000. Dets EPS (TTM) er 6,35, og P/E (TTM) er 38,46, mens den dividend, der er tilgængelig for aktionærer, er 0,59%.

Imens viser selskabets finansielle rapporter en stærk Q1 2025, hvor GE optegnede en samlet omsætning på 9,9 milliarder dollars, en stigning på 11%, mens samlede ordrer steg med 12% til 12,3 milliarder dollars.

Denne stærke start på 2025 blev drevet af kommercielle services, erklærede CEO H. Lawrence Culp, Jr., mens han bemærkede de makroøkonomiske dynamikker, der kræver, at selskabet tager strategiske handlinger, såsom at kontrollere omkostninger og udnytte tilgængelige handelsprogrammer.

Driftsoverskuddet steg med 38% i 1. kvartal 2025 til 2,1 milliarder dollars, mens justeret EPS havde en stigning på 60% til 1,49 dollars. Under denne periode rapporterede GE også 1,5 milliarder dollars i kontant fra driftsaktiviteter (GAAP), mens fri kontantflow steg med 14% til 1,4 milliarder dollars. Selskabet rapporterede også en kommerciel services-ordrebeholdning på over 140 milliarder dollars.

Imens voksede Propulsion & Additive Technologies kun 1%, og selskabet bemærkede, at priser og volumen kompenserer for lavere leverancer som følge af en planlagt soft start i udstyrs-salget.

I deres årsrapport i år erklærede GE, at ”nedgang i den additiv fremstillings-industri på grund af langsommere adoption af teknologi”, men samtidig bemærkede det, at Colibrium Additive er ”en kritisk forretning for nuværende og fremtidig teknologi hos GE Aerospace, da vi fortsætter med at fokusere på, hvor det kan skabe mest værdi”.

Seneste General Electric (GE) aktie-nyheder og udviklinger

Konklusion

Da AI fortsætter med at avancere og transformere brancher, hjælper det også med at definere, hvad der er muligt i moderne fremstilling ved at accelerere procesoptimering og enable realtids-tilpasning.

Ved betydeligt at reducere tiden og omkostningerne forbundet med parameter-justering og fejldetektion i PBF og opnå realtids-kontrol i laser-svejsning er laserbaseret additiv fremstilling parat til en bredere accept, og baner vejen for en ny æra med effektiv, tilgængelig og tilpasset produktion.

Klik her for en liste over de bedste 3D-print-aktier.

Studier refereret til:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonomous exploration of the PBF-LB parameter space: An uncertainty-driven algorithm for automated processing map generation. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}