AI-drevet præcision til at transformere laserbaseret 3D metalprintning

I verden af 3D-print eller additiv fremstilling er laserbaseret metalbearbejdning en populær teknik, der muliggør automatiseret, præcis og hurtig produktion af indviklede 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 bevæge sig i en lige linje med lille spredning.

Dette gør lasere yderst nyttige i materialebearbejdning, hvor de anvendes til maskinering, samling og overfladebehandling. I additiv fremstilling bruges lasere til at smelte materialer og fremstille komponenter lag for lag.

Additiv fremstilling er simpelthen at skabe et produkt lag for lag. Det startede med brug af plast som materiale på grund af den lette bearbejdelighed. Men det er nu vokset til at omfatte alle typer materialer, inklusive metalmaterialer.

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

Laserbearbejdning af metaller tilbyder derimod unikke fordele som høj energitæthed, en smal varmepåvirket zone og minimal forurening. Derfor anvendes laserprocesser i talrige sektorer, især hvor maksimal præcision og høj tilpasning er påkrævet. Men den har også sine egne komplikationer og tekniske udfordringer.

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

– Elia Iseli, forskningsgruppeleder i Empas Advanced Materials Processing laboratorium

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.

Forstå fordelene og udfordringerne ved Laser Pulverbed Fusion (PBF-LB)

I det bredere felt af laserbaseret metalbearbejdning er Pulverbed Fusion en populær metode, som indebærer brug af en laser til at smelte tynde lag af metalpulver på præcise steder og svejse dem sammen for at producere den endelige komponent.

Pulverbed Fusion med Laserstråle (PBF-LB) er derimod en specialiseret teknik, der har fået stor opmærksomhed i de senere år. I denne fremtrædende additive fremstillingsteknologi anvendes lasere med meget høje effekter til specifikt at smelte metalliske pulvere lag for lag, før de blandes til tilpassede og yderst præcise komponenter.

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

Disse egenskaber gør PBF-LB specielt fordelagtig for industrier som bil, medicin, luftfart og forbrugerprodukter, hvor der er behov for lette og komplekse dele, personlige designs, præcision, vægtreduktion og hurtig prototyping.

Selvom teknikken er alsidig og effektiv, står den over for flere forhindringer i forhold til bredere adoption og optimering.

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

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

– Masinelli

Den høje energitilførsel, der kræves for at smelte metal i denne teknik, skaber faktisk komplekse fysiske mekanismer, som negativt påvirker delernes kvalitet. Disse mekanismer omfatter uregelmæssigheder i materialegenskaber, påvirkning fra atmosfæriske gasser og interaktionen mellem laser og dampplume. Alle disse fænomener medfører problemer med at identificere parametre.

Dette skyldes primært de to tilstande. Den ene er ledningstilstand, hvor metallet blot smeltes, og den er ideel til tynde og præcise komponenter. Den anden mulighed er nøglehulstilstand, hvor metallet i visse tilfælde kan fordampe. Den er hurtigere, men også mindre præcis, hvilket gør den egnet til tykkere komponenter.

Grænsen mellem disse tilstande afhænger dog af forskellige parametre, og for at opnå den bedste kvalitet i de endelige produkter kræves de rette indstillinger, som varierer afhængigt af det bearbejdede materiale.

De komplekse interaktioner mellem materialet og laser gør også processen følsom over for meget små variationer, hvilket kan føre til produktionsproblemer, og dette gør teknikken tids- og ressourcekrævende. Som følge heraf kræver PBF-LB en omstændelig finjustering af parametre for at opnå konsistente resultater.

Det stopper ikke her. De prøver, der produceres i denne fase, analyseres derefter ved hjælp af forskellige teknikker såsom mikrostrukturanalyse, densitetsmålinger og røntgencomputertomografi (CT).

Disse metoder giver detaljeret information om interne strukturer og finder fejl, hvilket er kritisk for at vurdere kvaliteten og ydeevnen af PBF-LB-dele, men igen kræver de specialudstyr 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 har forskere fra Empa anvendt maskinlæring for at gøre laserprocesser mere effektive, omkostningseffektive og præcise.

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

Udnyttelse af AI til realtidskontrol i metal 3D-print

For prøveanalyse har forskerne vendt sig mod realtidsmonitoreringsmetoder ved brug af sensorer såsom akustisk emission (AE), højhastigheds termisk billeddannelse og optiske sensorer.

Realtidsmonitorering er blevet valgt på grund af dens evne til at opdage uønskede hændelser under fremstillingsprocessen. Dette muliggør øjeblikkelige justeringer, som igen sparer ressourcer ved at fjerne og gen-smelte fejl.

Disse realtidsmonitoreringsteknikker 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 høj-dimensionelle data og foretager derefter forudsigelser – i tilfælde af metalbearbejdning på delens kvalitet – uden at skulle programmere komplekse fysiske modeller eksplicit.

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

Den naturlige drift i maskinparametre over tid udgør også en barriere for generalisering af disse modeller, hvilket begrænser den praktiske anvendelighed af AI-modeller i virkelige fremstillingsmiljøer. Derudover er der problemer med automatisering, som kræver specialudstyr 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, tage højde for flere procesvariabler, for at identificere optimale betingelser og forstå de underliggende smelte-regimer.

Dette behov adresseres nu af forskere fra Empa, som har foreslået en ny metode, der anvender usuperviseret indsamling af optiske data med fokus på identifikation af smelte-regime uden behov for mærkede data eller omfattende efterbehandlingsanalyse.

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

Den nye usuperviserede teknik udviklet af Empa-forskere fokuserer på to hovedparametre: laserkraft og scanningshastighed, som er identificeret som de mest indflydelsesrige på smelte-regimet.

Mens fokus i undersøgelsen¹ var på disse to parametre, kan teknikken også anvendes på yderligere procesparametre. I fremtiden vil forskerne inkorporere gasstrømningshastighed, hatch-afstand og lagtykkelse i deres algoritme for at muliggøre en mere omfattende udforskning af PBF-LB-parameterrummet.

For nu påpeger den foreslåede metode præcist overgangen mellem ledningstilstand og nøglehulstilstand.

Den usuperviserede tilgang giver også grundlag for udtræk af bearbejdningskort uden afhængighed af mærkede data, hvilket giver en betydelig fordel i PBF-LB, hvor indsamling af mærkede data både er kostbart og udfordrende.

Undersøgelsen bygger faktisk på dette grundlag og introducerer en original metode, der kombinerer dele af aktiv læring (udvælgelse af de mest informative datapunkter) og Bayesisk optimering (iterativ prøvetagningsstrategi, der benytter en probabilistisk model) for effektivt at udlede bearbejdningskort.

Det, der gør tilgangen anderledes, er, at den starter uden data og derefter gradvist bygger datasættet ved at beslutte, hvor hver ny eksperiment skal udføres, hvilket tillader den eksperimentelle proces at optimere.

Bemærkelsesværdigt, på trods af at den anvender en iterativ tilgang til forfinelse, forbliver modellen usuperviseret gennem hele processen, da den ikke kræver mærkede data. For at identificere smelte-regimerne baserer algoritmen sig på funktioner udtrukket fra de optiske data, og resultaterne anvendes derefter til at træne en Gaussian Process Classifier (GPC) for at give en probabilistisk estimering af kortet.

Med hensyn til den iterative del vælger algoritmen nye prøveindstillinger baseret på de felter, der har høj usikkerhed i forudsigelserne, hvilket forbedrer estimeringen af bearbejdningskortet.

Grundlæggende bliver algoritmen lært at opdage, hvilken svejsetilstand laseren befinder sig i under en testkørsel, ved brug af data fra optiske sensorer, der allerede er indbygget i lasermaskinerne. Baseret på dette sætter 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 firmwaren på laser‑svejsemaskinerne af producenterne.

Evaluering af AI-modellens effektivitet i PBF-LB‑applikationer

Den nye algoritme, som forskerne introducerede for at fjerne behovet for omfattende parameterjustering, som begrænser PBF‑LB’s bredere adoption, identificerer uafhængigt smelte‑regimerne ved brug af data fra fotodioder.

Og da den blev testet i laboratoriet, fandt holdet metoden yderst præcis, med 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, en af de mest anvendte (alfa‑beta) titaniumlegeringer, som har fremragende korrosionsbestandighed og høj specifik styrke. Den anden var 316L rustfrit stål, en lav‑kulstofversion af 316 rustfrit stål, som almindeligvis anvendes i fødevareforarbejdning, farmaceutisk udstyr, medicinsk udstyr, smykker, luksusure, spildevandsbehandling og i den kemiske industri.

Specifikt gennemførte holdet inspektioner af smeltebassinet for at verificere algoritmens forudsigelser.

Evalueringen viste, at tilgangen reducerede behovet for eksperimentelle forsøg med 67 % i begge metaller, mens den opretholdt robust ydeevne. Dette kan betydeligt sænke omkostningerne ved parameterudforskning. Samtidig var der kun et maksimalt fald på 8,88 % i F1‑score sammenlignet med et traditionelt fuldt faktorielt eksperimentdesign.

The study stated:

“Disse resultater understreger effektiviteten af vores metode i konteksten af autonom udledning af bearbejdningskort for avancerede fremstillingsprocesser.”

Den metode, der introduceres her, mener forskerne, kan “i høj grad forbedre” både effektiviteten og pålideligheden af PBF‑LB, hvilket kan føre til bredere adoption ved at øge den samlede effektivitet på tværs af forskellige sektorer. Ifølge undersøgelsen:

“Vores resultater demonstrerer potentialet i denne metode til at strømline PBF‑LB‑optimering, gøre den mere gennemførlig for industrielle anvendelser og bane vejen for bredere adoption.”

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

Udover at optimere indledende eksperimenter har forskerne også forbedret svejseprocessen i et andet projekt.

Når det gælder lasersvejsning, kan processen selv med ideelle indstillinger stadig give uforudsigelige afvigelser, 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 ligger uden for menneskelige eksperters kapacitet.”

– Forsker Rajani

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

Denne chip kaldes en field‑programmable gate array (FPGA), som er designet til højtydende beregning (HPC) og prototyping. Chippen kan programmeres efter frigivelse fra producenten og tilpasses forskellige anvendelsestilfælde uden at skulle ændre hardware fysisk. Deres alsidighed kombineret med høj ydeevne gør dem yderst værdifulde i luftfarts‑, bil‑ og telekommunikationsindustrier.

Masinelli noted:

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

Forskerne koblede FPGA’en til en PC for at fungere som en “backup‑hjerne”. Efterhånden som 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 væsentligt til laserbaseret metalbearbejdning. Derfor vil de fortsætte med at udvikle deres algoritmer og modeller samt udvide deres anvendelsesområde i samarbejde med andre forskningsgrupper og industri‑partnere.

Udforskning af investeringsmuligheder inden for 3D‑print‑teknologier

Nu er en nøglespiller inden for metal‑additiv design og fremstilling Colibrium Additive. 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 pensioneret.

“Selvom vi skifter navn, bevarer vi vores urokkelige fokus på kunder, kvalitet og pålidelighed. Vi vil fortsat lede additive fremstillingsindustrien fra fronten og positivt forstyrre den.”

– CEO Alexander Schmitz

General Electric (GE )

Når det gælder de 3D‑printere, som Colibrium Additive tilbyder, inkluderer 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 virkelig trivet de seneste år.

Med en markedsværdi på over 260 mia. $, handles GE‑aktier i øjeblikket omkring 244 $, en betydelig stigning på 46 % i år. Aktiens kurs nærmer sig hurtigt sit top‑niveau på omkring 290 $, som blev nået i 2000. EPS (TTM) er 6,35, og P/E (TTM) er 38,46, mens udbytteafkastet til aktionærer er 0,59 %.

Samtidig viser virksomhedens regnskaber en stærk Q1 2025, hvor GE registrerede en samlet omsætning på 9,9 mia. $, en stigning på 11 % mens samlede ordrer steg med 12 % til 12,3 mia. $.

Denne stærke start på 2025 blev drevet af kommercielle tjenester, udtalte CEO H. Lawrence Culp, Jr., mens han bemærkede de makroøkonomiske dynamikker, der kræver, at virksomheden træffer strategiske handlinger, såsom omkostningskontrol og udnyttelse af tilgængelige handelsprogrammer.

Driftsresultatet steg med 38 % i 1Q25 til 2,1 mia. $, mens justeret EPS steg med 60 % til 1,49 $. I denne periode rapporterede GE også rapporteret 1,5 mia. $ i kontant fra driftsaktiviteter (GAAP), mens fri cash‑flow steg med 14 % til 1,4 mia. $. Virksomheden rapporterede også en kommerciel tjenestebacklog på over 140 mia. $.

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

I sin årsrapport i år udtalte GE “nedgange i additive fremstillingsindustrien på grund af langsommere adoption af teknologi”, men på samme tid 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 General Electric (GE) aktienyheder og udviklinger

Konklusion

Efterhånden som AI fortsætter med at udvikle sig og transformere industrier, hjælper den også med at redefinere, hvad der er muligt i moderne fremstilling ved at accelerere procesoptimering og muliggøre realtids‑tilpasning.

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

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

Studier refereret:

^{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}