AI-drevet præcision skal transformere laserbaseret 3D-metalprintning

I 3D-printningens eller additive fremstillingens verden er laserbaseret metalbearbejdning en populær teknik, der muliggør automatiseret, præcis og hurtig produktion af komplicerede komponenter.

Laserbaseret bearbejdning af metaller involverer brugen af ​​en laser som energikilde til at manipulere metallet. En laser er en forstærket lysstråle eller elektromagnetisk stråling, der kan udbrede sig i en lige linje med lille divergens. 

Dette gør lasere yderst nyttige i materialeforarbejdning, hvor de bruges til bearbejdning, sammenføjning og overfladebehandling. I additiv fremstilling bruges lasere til at smelte materialer og fremstille komponenter lagvis.

Additiv fremstilling er simpelthen at skabe et produkt lag for lag. Det startede med at bruge plastik som materiale takket være den lette forarbejdningsevne. Men det er nu vokset til at omfatte alle typer materialer, inklusive metalliske materialer.

Metalliske materialer er kendt for deres attraktive egenskaber, såsom fremragende elektrisk ledningsevne og høj styrke, duktilitet og smeltepunkt, hvilket gør dem yderst nyttige inden for biomedicin, energi, arkitektur og militære anvendelser. 

Laserbearbejdning af metaller tilbyder samtidig unikke fordele som høj energitæthed, en smal varmepåvirket zone og lav kontaminering. Derfor anvendes laserprocesser i adskillige sektorer, især hvor maksimal præcision og høj tilpasningsevne er påkrævet. Men det har sine egne komplikationer og tekniske udfordringer. 

"For at sikre, at laserbaserede processer kan bruges fleksibelt og opnå ensartede resultater, arbejder vi på bedre forståelse, overvågning og kontrol af disse processer."

– Elia Iseli, leder af forskningsgruppen i Empas laboratorium for avanceret materialebehandling

Med dette mål gør forskerne Giulio Masinelli og Chang Rajani fra Empa i Thun laserbaserede fremstillingsteknikker mere tilgængelige, overkommelige og effektive ved hjælp af maskinlæring.

Forståelse af fordele og udfordringer ved laserpulverlejefusion (PBF-LB)

Inden for det bredere felt af laserbaseret metalbearbejdning er Powder Bed Fusion en populær metode, der involverer brug af en laser til at smelte tynde lag af metalpulver på de præcise steder og svejse dem alle sammen for at producere den endelige komponent.

Pulverlejefusion med laserstråle (PBF-LB) er derimod en specialiseret teknik, der har fået stor opmærksomhed i de senere år. I denne fremtrædende additive fremstillingsteknologi bruges lasere, der udsender meget høje effekter, til specifikt at smelte metalliske pulvere lagvis, før de blandes til tilpassede og meget præcise komponenter. 

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

Disse egenskaber gør PBF-LB særligt gavnlig for industrier som bilindustrien, medicinalindustrien, luftfartsindustrien og forbrugerprodukter, hvor vi har brug for henholdsvis lette og komplekse dele, personlige designs, præcision, vægtreduktion og hurtig prototyping. 

Selvom teknikken er alsidig og effektiv, står den over for adskillige forhindringer i forhold til at nå en bredere anvendelse og opnå optimering.

Dette inkluderer vanskeligheder med at identificere den ideelle forarbejdningsramme for det anvendte metalpulver.

"Selv en ny portion af det samme startpulver kan kræve helt andre indstillinger."

– Masinelli

Den høje energitilførsel, der kræves til metalsmeltning i denne teknik, skaber faktisk komplekse fysiske mekanismer, der påvirker delenes kvalitet negativt. Disse mekanismer omfatter uoverensstemmelser i materialeegenskaber, påvirkningen af ​​atmosfæriske gasser og laserens interaktion med damprønen. Alle disse fænomener medfører problemer med at identificere parametre.

Dette skyldes primært de to tilstande. Den ene er ledningstilstanden, hvor metallet bare smeltes, og den er ideel til tynde og præcise komponenter. Den anden mulighed er nøglehulstilstanden, hvor metallet i nogle tilfælde kan fordampes. Den er hurtigere, men også mindre præcis, hvilket gør den velegnet til tykkere komponenter.

Grænsen mellem disse tilstande afhænger dog af forskellige parametre, og at opnå den bedste kvalitet i slutprodukterne kræver de rigtige indstillinger, som varierer afhængigt af det materiale, der forarbejdes. 

De komplekse interaktioner mellem materialet og laseren gør også processen følsom over for meget små variationer, hvilket derefter kan føre til problemer i produktionen, og dette gør teknikken tids- og ressourcekrævende. Som følge heraf kræver PBF-LB besværlig finjustering af parametre for at opnå ensartede resultater.

Det stopper heller ikke bare her. De prøver, der produceres på dette stadie, analyseres derefter ved hjælp af forskellige teknikker såsom mikrostrukturanalyse, densitetsmålinger og røntgencomputertomografi (CT). 

Disse metoder giver detaljerede oplysninger om interne strukturer og finder defekter, hvilket er afgørende for at evaluere kvaliteten og ydeevnen af ​​PBF-LB-dele, men igen kræver de specialiseret udstyr og ekspertviden ud over at være dyre og tidskrævende.

"Derfor har mange virksomheder ikke råd til PBF i første omgang."

– Masinelli

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

Klik her for at lære, hvordan additiv fremstilling omformer industrier.

Udnyttelse af AI til realtidskontrol i 3D-printning af metal

Til prøveanalyse har forskere vendt sig mod realtidsovervågningsmetoder, der bruger sensorer som akustisk emission (AE), højhastigheds-termografi og optiske sensorer.

Realtidsovervågning er blevet valgt på grund af dens evne til at opdage uønskede hændelser under fremstillingsprocessen. Dette muliggør øjeblikkelige justeringer, hvilket sparer ressourcer ved at fjerne og gensmelte defekter. 

Disse overvågningsteknikker i realtid er normalt baseret på maskinlæringsalgoritmer (ML).

ML er et studieområde inden for kunstig intelligens, der beskæftiger sig med udviklingen af ​​statistiske algoritmer, der lærer af data. Disse algoritmer udtrækker meningsfulde mønstre fra højdimensionelle data og laver derefter forudsigelser, i tilfælde af metalbearbejdning, der er af emnekvalitet, uden at det er nødvendigt eksplicit at programmere komplekse fysiske modeller.

Disse AI-tilgange er dog ikke uden begrænsninger. Udfordringerne omfatter modellæring for at detektere ændringer i procesparametre i stedet for procesregimet og defektdannelse.

Den naturlige forskydning i maskinparametre over tid udgør også en barriere for generaliseringen af ​​disse modeller, hvilket begrænser den praktiske anvendelighed af AI-modeller i virkelige produktionsmiljøer. Derudover er der problemer med automatisering, som kræver specialiseret udstyr og kompliceres af flere parametre, hvilket også er udfordrende og ressourcekrævende at udforske.

Der er et klart behov for algoritmer, der autonomt kan navigere i PBF-parameterrummet, idet der tages højde for flere procesvariabler, for at identificere optimale forhold og forstå de underliggende smelteregimer.

Dette behov bliver nu imødekommet af forskere fra Empa, som har foreslået en ny metode, der anvender uovervåget indsamling af optiske data med fokus på identifikation af smelteregimer uden at kræve mærkede data eller omfattende efterbehandlingsanalyse.

Implementering af uovervåget læring for at optimere PBF-LB-parametre

Den nye, uovervågede teknik, der er udviklet af Empa-forskere, fokuserer på to hovedparametre: lasereffekt og scanningshastighed, som er identificeret som havende den største indflydelse på smelteregimet.

Mens fokus for studere¹ var på disse to parametre, kan teknikken også bruges til yderligere procesparametre. I fremtiden vil forskerne inkorporere gasstrømningshastighed, lugeafstand og lagtykkelse i deres algoritme for at muliggøre en mere omfattende udforskning af PBF-LB-parameterrummet.

For nuværende peger den foreslåede metode nøjagtigt på overgangen mellem ledningstilstand og nøglehulstilstand.

Den uovervågede tilgang giver også et grundlag for at udtrække behandlingskort uden at være afhængig af mærkede data, hvilket giver en betydelig fordel i PBF-LB, hvor det er både dyrt og udfordrende at få mærkede data.

Undersøgelsen bygger faktisk videre på dette fundament og introducerer en original metode, der kombinerer dele af aktiv læring (udvælgelse af de mest informative datapunkter) og Bayesiansk optimering (iterativ samplingstrategi, der bruger en probabilistisk model) for effektivt at udlede behandlingskort.

Det, der gør tilgangen anderledes, er, at den starter uden data og derefter gradvist opbygger datasættet ved at beslutte, hvor hvert nyt eksperiment skal udføres, hvilket giver mulighed for at optimere den eksperimentelle proces.

Det er værd at bemærke, at på trods af at der anvendes en iterativ tilgang til forfining, forbliver modellen uovervåget gennem hele processen, da den ikke kræver mærkede data. For at identificere smelteregimerne er algoritmen afhængig af funktioner udtrukket fra de optiske data, og resultaterne bruges derefter til at træne en Gaussisk Process Classifier (GPC) for at give en probabilistisk estimering af kortet. 

Hvad angår den iterative facet, vælger algoritmen nye forsøgsindstillinger baseret på de felter, der har høj usikkerhed i forudsigelserne, hvilket forbedrer estimeringen af ​​​​behandlingskortet.

Grundlæggende set er algoritmen indlært til at registrere, hvilken svejsetilstand laseren er i under en testkørsel, ved hjælp af data fra optiske sensorer, der allerede er indbygget i lasermaskinerne. Baseret på dette indstiller algoritmen parametrene for den næste test.

"Vi håber, at vores algoritme vil gøre det muligt for ikke-eksperter at bruge PBF-enheder," sagde Masinelli. Den skal blot integreres i lasersvejsemaskinernes firmware af producenterne.

Evaluering af effektiviteten af ​​AI-modellen i PBF-LB-applikationer

Den nye algoritme, som forskere har introduceret for at eliminere behovet for omfattende parameterjustering, hvilket begrænser PBF-LB's bredere anvendelse, identificerer uafhængigt smelteregimerne ved hjælp af data fra fotodioder.

Og da metoden blev testet i laboratoriet, fandt teamet ud af, at den var yderst nøjagtig og opnåede en F1-score på 89.2% på tværs af to materialer. For at evaluere ydeevnen printede forskerne flere dele i to materialer. 

Den første var Ti-6Al-4V, som er en af ​​de mest almindeligt anvendte (alfa-beta) titanlegeringer med fremragende korrosionsbestandighed og en høj specifik styrke. Den anden var 316L rustfrit stål, en lavkulstofversion af 316 rustfrit stål, som almindeligvis anvendes i fødevareforarbejdning, farmaceutisk udstyr, medicinsk udstyr, smykker, luksusure, spildevandsrensning og i den kemiske industri.

Især udførte teamet inspektioner af smeltebassiner for at verificere algoritmens forudsigelser. 

Evalueringen viste, at tilgangen reducerede behovet for eksperimentelle forsøg med 67% i begge metaller, samtidig med at robust ydeevne blev opretholdt. Dette kan sænke omkostningerne ved parameterudforskning betydeligt. Samtidig var der kun et maksimalt fald på 8.88% i F1-scoren sammenlignet med et traditionelt fuldt faktorielt eksperimentdesign.

Undersøgelsen udtalte:

"Disse resultater understreger effektiviteten af ​​vores metode i forbindelse med autonom afledning af proceskort til avancerede fremstillingsprocesser." 

Forskerne mener, at den metode, der introduceres her, kan "forbedre" både effektiviteten og pålideligheden af ​​PBF-LB betydeligt, hvilket kan føre til en bredere anvendelse ved at forbedre dens samlede effektivitet på tværs af forskellige sektorer. Ifølge undersøgelsen:

"Vores resultater demonstrerer potentialet i denne metode til at strømline PBF-LB-optimering, hvilket gør den mere anvendelig til industrielle anvendelser og baner vejen for dens bredere anvendelse." 

Forbedring af lasersvejseprocesser gennem AI- og FPGA-integration

Udover at optimere de indledende eksperimenter forbedrede forskerne også svejseprocessen i et andet projekt. 

Når det kommer til lasersvejsning, kan processen, selv med ideelle indstillinger, stadig give uforudsigelige afvigelser, og selv en mindre afvigelse kan føre til alvorlige defekter i produktet.

"Det er i øjeblikket ikke muligt at påvirke svejseprocessen i realtid," sagde forsker Rajani. "Dette er uden for menneskelige eksperters muligheder."

– Forsker Rajani

Faktisk kæmper selv computere med den hastighed, hvormed data skal undersøges, og beslutninger skal træffes. Forskerne brugte her en specialiseret type computerchip.

Denne chip kaldes en field-programmable gate array (FPGA), som er designet til højtydende databehandling (HPC) og prototyping. Chippen kan programmeres efter frigivelse fra producenten og tilpasses til forskellige anvendelsesscenarier uden at det er nødvendigt at ændre hardwaren fysisk. Deres alsidighed kombineret med høj ydeevne gør dem yderst værdifulde inden for luftfarts-, bil- og telekommunikationsindustrien.

Masinelli bemærkede:

"Med FPGA'er ved vi præcis, hvornår de udfører en kommando, og hvor lang tid udførelsen vil tage – hvilket ikke er tilfældet med en konventionel pc." 

Forskerne forbandt FPGA'en til en pc, så den fungerede som en "backuphjerne". Når chippen observerer og styrer laserparametrene, bruges disse data også af algoritmen på pc'en til læring.

"Hvis vi er tilfredse med algoritmens ydeevne i det virtuelle miljø på pc'en, kan vi 'overføre' den til FPGA'en og gøre chippen mere intelligent på én gang."

– Masinelli

Forskerne mener, at ML og AI har potentiale til at bidrage betydeligt til laserbaseret metalbearbejdning. Som sådan vil de fortsætte med at udvikle deres algoritmer og modeller, samt udvide deres anvendelsesområde, i samarbejde med andre forskningsgrupper og industripartnere.

Udforskning af investeringsmuligheder i 3D-printteknologier

Nu er Colibrium Additive en nøgleaktør inden for design og fremstilling af metaladditiver. Det er en del af General Electric Company (GE ), som nu driver forretning som GE Aerospace. 

Tidligere kendt som GE Additive, blev det relanceret som Colibrium Additive sidste sommer, og som en del af rebrandingen blev Concept Laser og Arcam EBM udfaset.

"Selvom vi skifter navn, fastholder vi vores urokkelige fokus på vores kunder, kvalitet og pålidelighed. Vi vil fortsat føre an i den additive fremstillingsindustri og positivt forandre den."

– administrerende direktør Alexander Schmitz

General Electric (GE )

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

Hvad angår virksomhedens markedspræstation, har den haft en rigtig god udvikling de seneste par år. 

Med en markedsværdi på over 260 milliarder dollars handles GE-aktier i øjeblikket til omkring 244 dollars, en stigning på betydelige 46% i år. Virksomhedens aktie nærmer sig hurtigt sit højdepunkt på omkring 290 dollars, som blev nået i 2000. Dens EPS (TTM) er 6.35, og P/E (TTM) er 38.46, mens udbyttet til aktionærerne er 0.59%.

I mellemtiden viser virksomhedens regnskaber et stærkt 1. kvartal 2025, hvor GE registrerede en samlet omsætning på 9.9 milliarder dollars, en stigning på 11 %, mens de samlede ordrer steg med 12 % til 12.3 milliarder dollars.

"Denne stærke start på 2025 var drevet af kommercielle tjenester," udtalte administrerende direktør H. Lawrence Culp, Jr., samtidig med at han bemærkede den makroøkonomiske dynamik, der kræver, at virksomheden tager strategiske handlinger, såsom at kontrollere omkostninger og udnytte tilgængelige handelsprogrammer.

Driftsresultatet steg med 38 % i 1. kvartal 25 til 2.1 milliarder dollars, mens det justerede resultat pr. aktie steg med 60 % til 1.49 dollars. I denne periode steg GE også rapporteret 1.5 milliarder dollars i kontanter fra driftsaktiviteter (GAAP), mens frie pengestrømme steg med 14 % til 1.4 milliarder dollars. Virksomheden rapporterede også en efterslæb inden for kommercielle tjenester på over 140 milliarder dollars.

Midt i alt dette voksede Propulsion & Additive Technologies kun med 1%, og virksomheden bemærkede, at priser og volumen opvejede lavere leverancer som følge af en planlagt blød start i udstyrssalget.

I sin årsrapport i år udtalte GE "tilbagegang i den additive fremstillingsindustri på grund af langsommere implementering af teknologi", men samtidig bemærkede de, at Colibrium Additive er "en kritisk forretning for nuværende og fremtidig teknologi hos GE Aerospace, da vi fortsat fokuserer på, hvor den kan skabe mest værdi."

Seneste nyheder og udviklinger om General Electric (GE) aktier

Konklusion

I takt med at AI fortsætter med at udvikle og transformere industrier, hjælper den også med at omdefinere, hvad der er muligt i moderne produktion ved at accelerere procesoptimering og muliggøre tilpasningsevne i realtid. 

Ved at reducere den tid og de omkostninger, der er forbundet med parameterjustering og defektdetektion i PBF, betydeligt og opnå realtidskontrol i lasersvejsning, er laserbaseret additiv fremstilling klar til bredere anvendelse og baner vejen for en ny æra af effektiv, tilgængelig og tilpasset produktion.

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

Referencer til undersøgelser:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonom udforskning af PBF-LB parameterrummet: En usikkerhedsdrevet algoritme til automatiseret generering af proceskort. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}