KI-gesteuerte Präzision zur Transformation der laserbasierten 3D‑Metall‑Additivfertigung

In der Welt des 3D‑Drucks oder der additiven Fertigung ist die laserbasierte Metallbearbeitung eine beliebte Technik, die eine automatisierte, präzise und schnelle Herstellung komplexer Bauteile ermöglicht.

Die laserbasierte Verarbeitung von Metallen nutzt einen Laser als Energiequelle, um das Metall zu manipulieren. Ein Laser ist ein verstärkter Licht‑ oder elektromagnetischer Strahl, der sich geradlinig mit geringer Divergenz ausbreiten kann.

Damit sind Laser in der Materialbearbeitung äußerst nützlich, wo sie zum Schneiden, Schweißen und zur Oberflächenbearbeitung eingesetzt werden. In der additiven Fertigung werden Laser verwendet, um Materialien zu schmelzen und Bauteile schichtweise zu fertigen.

Additive Fertigung bedeutet einfach die schichtweise Herstellung eines Produkts. Sie begann mit Kunststoffen als Material, dank ihrer einfachen Verarbeitbarkeit. Heute umfasst sie jedoch alle Materialarten, einschließlich Metall.

Metallische Werkstoffe zeichnen sich durch attraktive Eigenschaften aus, wie hervorragende elektrische Leitfähigkeit, hohe Festigkeit, Duktilität und Schmelzpunkt, was sie für biomedizinische, Energie‑, Architektur‑ und Militäranwendungen besonders nützlich macht.

Die Laserbearbeitung von Metallen bietet gleichzeitig einzigartige Vorteile wie hohe Energiedichte, einen schmalen wärmebeeinflussten Bereich und geringe Kontamination. Deshalb werden Laserprozesse in zahlreichen Sektoren eingesetzt, insbesondere dort, wo maximale Präzision und hohe Individualisierung gefordert sind. Doch sie bringen eigene Komplikationen und technische Herausforderungen mit sich.

„Um sicherzustellen, dass laserbasierte Prozesse flexibel eingesetzt werden können und konsistente Ergebnisse liefern, arbeiten wir an einem besseren Verständnis, einer besseren Überwachung und Kontrolle dieser Prozesse.“

– Elia Iseli, Leiter der Forschungsgruppe im Advanced Materials Processing Labor von Empa

Mit diesem Ziel machen die Forscher Giulio Masinelli und Chang Rajani von Empa in Thun laserbasierte Fertigungstechniken dank maschinellen Lernens zugänglicher, erschwinglicher und effizienter.

Verständnis der Vorteile und Herausforderungen der Laser‑Pulverbett‑Fusion (PBF‑LB)

Im breiteren Feld der laserbasierten Metallbearbeitung ist die Pulverbett‑Fusion eine beliebte Methode, bei der ein Laser dünne Schichten von Metallpulver an genauen Stellen schmilzt und sie zu einem Endbauteil verschweißt.

Die Pulverbett‑Fusion mit Laserstrahl (PBF‑LB) ist hingegen eine spezialisierte Technik, die in den letzten Jahren viel Aufmerksamkeit erlangt hat. In dieser bedeutenden additiven Fertigungstechnologie werden Laser mit sehr hoher Leistung eingesetzt, um Metallpulver schichtweise zu schmelzen und anschließend zu maßgeschneiderten, hochpräzisen Bauteilen zu verarbeiten.

Diese Technik ermöglicht die Herstellung komplexer Geometrien, bietet Anpassungsmöglichkeiten und gewährleistet Materialeffizienz.

Diese Eigenschaften machen PBF‑LB besonders vorteilhaft für Branchen wie die Automobil-, Medizin-, Luft‑ und Raumfahrt sowie Konsumgüter, in denen leichte und komplexe Bauteile, individuelle Designs, Präzision, Gewichtsreduktion und schnelle Prototypen benötigt werden.

Obwohl vielseitig und effizient, steht die Technik vor mehreren Hindernissen, um eine breitere Akzeptanz und Optimierung zu erreichen.

Dazu gehört die Schwierigkeit, das ideale Verarbeitungsframework für das verwendete Metallpulver zu identifizieren.

„Selbst eine neue Charge desselben Ausgangspulvers kann völlig andere Einstellungen erfordern.“

– Masinelli

Der für das Schmelzen von Metall in dieser Technik erforderliche hohe Energieinput erzeugt tatsächlich komplexe physikalische Mechanismen, die die Qualität der Bauteile negativ beeinflussen. Diese Mechanismen umfassen Inkonsistenzen in den Materialeigenschaften, den Einfluss von Umgebungs­gasen und die Wechselwirkung des Lasers mit dem Dampfplasma. All diese Phänomene führen zu Problemen bei der Identifizierung von Parametern.

Dies liegt hauptsächlich an den beiden Modi. Der eine ist der Leitungsmodus, bei dem das Metall lediglich geschmolzen wird und der sich ideal für dünne und präzise Bauteile eignet. Die andere Option ist der Schlüssellochmodus, bei dem das Metall in manchen Fällen verdampft werden kann. Er ist schneller, aber auch weniger präzise und eignet sich für dickere Bauteile.

Die Grenze zwischen diesen Modi hängt jedoch von verschiedenen Parametern ab, und um die beste Qualität der Endprodukte zu erreichen, sind die richtigen Einstellungen erforderlich, die je nach verarbeitetem Material variieren.

Die komplexen Wechselwirkungen zwischen Material und Laser machen den Prozess zudem empfindlich gegenüber sehr kleinen Schwankungen, die zu Produktionsproblemen führen können, wodurch die Technik zeit- und ressourcenintensiv wird. Infolgedessen erfordert PBF‑LB eine mühsame Feinabstimmung der Parameter, um konsistente Ergebnisse zu erzielen.

Doch damit endet es nicht. Die in diesem Stadium hergestellten Proben werden anschließend mit verschiedenen Techniken wie mikrostruktureller Analyse, Dichtemessungen und Röntgen‑Computertomographie (CT) untersucht.

Diese Methoden liefern detaillierte Informationen über innere Strukturen und erkennen Defekte, die für die Bewertung der Qualität und Leistung von PBF‑LB‑Teilen entscheidend sind, erfordern jedoch wiederum spezialisierte Ausrüstung und Expertenwissen und sind zudem teuer und zeitaufwendig.

„Deshalb können sich viele Unternehmen PBF zunächst nicht leisten.“

– Masinelli

Um all diese Probleme zu lösen, nutzten Forscher von Empa maschinelles Lernen, um Laserprozesse effizienter, kostengünstiger und präziser zu gestalten.

Klicken Sie hier, um zu erfahren, wie die additive Fertigung Branchen neu gestaltet.

Einsatz von KI für die Echtzeitsteuerung im 3D‑Metall‑Druck

Für die Probenanalyse haben Forscher Echtzeit‑Überwachungsmethoden mit Sensoren wie Akustische Emission (AE), Hochgeschwindigkeits‑Thermografie und optischen Sensoren eingesetzt.

Echtzeit‑Monitoring wurde aufgrund seiner Fähigkeit gewählt, unerwünschte Ereignisse während des Fertigungsprozesses zu erkennen. Dies ermöglicht sofortige Anpassungen und spart Ressourcen, indem Defekte entfernt und erneut geschmolzen werden.

Diese Echtzeit‑Überwachungstechniken basieren in der Regel auf Algorithmen des maschinellen Lernens (ML).

Ein Teilgebiet der künstlichen Intelligenz, das maschinelle Lernen, befasst sich mit der Entwicklung statistischer Algorithmen, die aus Daten lernen. Diese Algorithmen extrahieren bedeutungsvolle Muster aus hochdimensionalen Daten und treffen dann Vorhersagen – im Falle der Metallbearbeitung über die Teilqualität – ohne dass komplexe physikalische Modelle explizit programmiert werden müssen.

Diese KI‑Ansätze sind jedoch nicht ohne Einschränkungen. Die Herausforderungen bestehen darin, dass das Modell lernt, Änderungen der Prozessparameter statt des Prozessregimes und der Defektbildung zu erkennen.

Der natürliche Drift von Maschinenparametern im Laufe der Zeit stellt ebenfalls eine Barriere für die Generalisierbarkeit dieser Modelle dar und begrenzt die praktische Anwendbarkeit von KI‑Modellen in realen Fertigungsumgebungen. Zudem gibt es Automatisierungsprobleme, die spezialisierte Ausrüstung erfordern und durch die Vielzahl an Parametern, deren Erkundung ebenfalls herausfordernd und ressourcenintensiv ist, verkompliziert werden.

Es besteht ein klarer Bedarf an Algorithmen, die den PBF‑Parameterraum autonom navigieren können, mehrere Prozessvariablen berücksichtigen, optimale Bedingungen identifizieren und die zugrunde liegenden Schmelzregime verstehen.

Dieser Bedarf wird nun von Forschern von Empa adressiert, die eine neue Methode vorgeschlagen haben, die eine unüberwachte Erfassung optischer Daten nutzt, um das Schmelzregime zu identifizieren, ohne gelabelte Daten oder umfangreiche Nachbearbeitungsanalysen zu benötigen.

Implementierung unüberwachten Lernens zur Optimierung der PBF‑LB‑Parameter

Die neuartige unüberwachte Technik, die von Empa‑Forschern entwickelt wurde, konzentriert sich auf zwei Hauptparameter: Laserleistung und Scan‑Geschwindigkeit, die den größten Einfluss auf das Schmelzregime haben.

Während der Fokus der Studie¹ auf diesen beiden Parametern lag, kann die Technik auch für weitere Prozessparameter verwendet werden. In Zukunft werden die Forscher die Gasdurchflussrate, den Schichtrasterabstand und die Schichtdicke in ihren Algorithmus integrieren, um eine umfassendere Erkundung des PBF‑LB‑Parameterraums zu ermöglichen.

Vorerst weist die vorgeschlagene Methode den Übergang zwischen Leitungsmodus und Schlüssellochmodus präzise nach.

Der unüberwachte Ansatz bietet zudem eine Grundlage für die Extraktion von Verarbeitungs‑Maps, ohne auf gelabelte Daten angewiesen zu sein, was in PBF‑LB einen erheblichen Vorteil darstellt, da das Erhalten gelabelter Daten sowohl kostspielig als auch schwierig ist.

Die Studie baut tatsächlich auf dieser Grundlage auf und führt eine originelle Methode ein, die Teile des aktiven Lernens (Auswahl der informativsten Datenpunkte) und der Bayesschen Optimierung (iterative Stichprobenstrategie unter Nutzung eines probabilistischen Modells) kombiniert, um Verarbeitungs‑Maps effizient abzuleiten.

Was den Ansatz unterscheidet, ist, dass er ohne Daten beginnt und den Datensatz schrittweise aufbaut, indem er entscheidet, wo jedes neue Experiment durchgeführt werden soll, wodurch der experimentelle Prozess optimiert wird.

Bemerkenswerterweise bleibt das Modell trotz des iterativen Verfeinerungsansatzes während des gesamten Prozesses unüberwacht, da es keine gelabelten Daten benötigt. Zur Identifizierung der Schmelzregime stützt sich der Algorithmus auf aus den optischen Daten extrahierte Merkmale, und die Ergebnisse werden anschließend verwendet, um einen Gaussian Process Classifier (GPC) zu trainieren, der eine probabilistische Schätzung der Map liefert.

Bezüglich des iterativen Aspekts wählt der Algorithmus neue Versuchseinstellungen basierend auf den Bereichen aus, die in den Vorhersagen hohe Unsicherheit aufweisen, was die Schätzung der Verarbeitungs‑Map verbessert.

Im Wesentlichen wird der Algorithmus darauf trainiert, während eines Testlaufs zu erkennen, in welchem Schweißmodus der Laser sich befindet, indem er Daten von bereits in den Lasermaschinen integrierten optischen Sensoren nutzt. Auf dieser Grundlage legt der Algorithmus die Parameter für den nächsten Test fest.

„Wir hoffen, dass unser Algorithmus Nicht‑Experten die Nutzung von PBF‑Geräten ermöglicht“, sagte Masinelli. Er muss lediglich von den Herstellern in die Firmware der Laserschweißmaschinen integriert werden.

Bewertung der Wirksamkeit des KI‑Modells in PBF‑LB‑Anwendungen

Der von den Forschern vorgestellte neue Algorithmus, der den Bedarf an umfangreicher Parameterabstimmung, die die breitere Akzeptanz von PBF‑LB einschränkt, eliminiert, identifiziert eigenständig die Schmelzregime anhand von Daten von Fotodioden.

Und bei Laborversuchen stellte das Team fest, dass die Methode hochgenau ist und eine F1‑Score von 89,2 % für beide Materialien erreichte. Zur Bewertung der Leistung druckten die Forscher mehrere Teile aus zwei Materialien. 

Das erste war Ti‑6Al‑4V, eine der am häufigsten verwendeten (Alpha‑Beta‑)Titanlegierungen, die über hervorragende Korrosionsbeständigkeit und eine hohe spezifische Festigkeit verfügt. Das zweite war 316L‑Edelstahl, eine kohlenstoffarme Variante von 316‑Edelstahl, die häufig in der Lebensmittelverarbeitung, pharmazeutischen Ausrüstung, Medizingeräten, Schmuck, Luxusuhren, Abwasserbehandlung und in der chemischen Industrie eingesetzt wird.

Insbesondere führte das Team Schmelzbad‑Inspektionen durch, um die Vorhersagen des Algorithmus zu überprüfen.

Die Bewertung zeigte, dass der Ansatz den Bedarf an experimentellen Versuchen in beiden Metallen um 67 % reduzierte, bei gleichzeitig robuster Leistung. Dies kann die Kosten der Parameterexploration erheblich senken. Gleichzeitig gab es im Vergleich zu einem traditionellen Vollfaktoriellen Versuchsplan maximal einen Rückgang des F1‑Scores um 8,88 %.

Die Studie stellte fest:

„Diese Ergebnisse unterstreichen die Effizienz unserer Methode im Kontext der autonomen Ableitung von Verarbeitungs‑Maps für fortschrittliche Fertigungsprozesse.“

Die hier vorgestellte Methode, so die Forscher, kann die Effizienz und Zuverlässigkeit von PBF‑LB „deutlich verbessern“, was zu einer breiteren Akzeptanz führen könnte, indem sie die Gesamteffektivität in verschiedenen Sektoren steigert. Laut der Studie:

„Unsere Ergebnisse zeigen das Potenzial dieser Methode, die PBF‑LB‑Optimierung zu vereinfachen, sie für industrielle Anwendungen praktikabler zu machen und den Weg für eine breitere Akzeptanz zu ebnen.“

Verbesserung von Laser‑Schweißprozessen durch KI‑ und FPGA‑Integration

Neben der Optimierung der Vorversuche verbesserten die Forscher in einem weiteren Projekt auch den Schweißprozess.

Beim Laserschweißen kann selbst bei idealen Einstellungen der Prozess unvorhersehbare Abweichungen erzeugen, und bereits eine kleine Abweichung kann zu gravierenden Defekten im Produkt führen.

„Es ist derzeit nicht möglich, den Schweißprozess in Echtzeit zu beeinflussen“, sagte Forscher Rajani. „Das liegt jenseits der Fähigkeiten menschlicher Experten.“

– Forscher Rajani

Tatsächlich haben selbst Computer Schwierigkeiten mit der Geschwindigkeit, mit der Daten geprüft und Entscheidungen getroffen werden müssen. Die Forscher setzten hier einen spezialisierten Computerschip ein.

Dieser Chip heißt Field‑Programmable Gate Array (FPGA) und ist für Hochleistungs‑Computing (HPC) und Prototyping konzipiert. Der Chip kann nach der Auslieferung vom Hersteller programmiert und für verschiedene Anwendungsfälle angepasst werden, ohne die Hardware physisch zu verändern. Seine Vielseitigkeit in Kombination mit hoher Leistung macht ihn in der Luft‑ und Raumfahrt, Automobilindustrie und Telekommunikation sehr wertvoll.

Masinelli bemerkte:

„Mit FPGAs wissen wir genau, wann sie einen Befehl ausführen und wie lange die Ausführung dauert – das ist bei einem herkömmlichen PC nicht der Fall.“

Die Forscher verbanden das FPGA mit einem PC, um ihn als „Backup‑Gehirn“ zu nutzen. Während der Chip die Laserparameter beobachtet und steuert, werden diese Daten vom Algorithmus auf dem PC zum Lernen verwendet.

„Wenn wir mit der Leistung des Algorithmus in der virtuellen Umgebung auf dem PC zufrieden sind, können wir ihn auf das FPGA ‘übertragen’ und den Chip auf einmal intelligenter machen.“

– Masinelli

Die Forscher sind der Ansicht, dass ML und KI ein erhebliches Potenzial haben, zur laserbasierten Metallbearbeitung beizutragen. Daher werden sie ihre Algorithmen und Modelle weiterentwickeln und ihr Anwendungsgebiet in Zusammenarbeit mit anderen Forschungsgruppen und Industriepartnern ausbauen.

Erkundung von Investitionsmöglichkeiten in 3D‑Drucktechnologien

Jetzt ist ein wichtiger Akteur im Bereich des metallbasierten Additivdesigns und der Fertigung Colibrium Additive. Es ist Teil von General Electric Company (GE.TO ) (GE ), das jetzt unter dem Namen GE Aerospace tätig ist.

Zuvor als GE Additive bekannt, wurde es letzten Sommer als Colibrium Additive neu gestartet, und im Rahmen des Rebrandings wurden Concept Laser und Arcam EBM eingestellt.

„Während wir unseren Namen ändern, behalten wir unseren unerschütterlichen Fokus auf Kunden, Qualität und Zuverlässigkeit bei. Wir werden die Additive‑Manufacturing‑Branche weiterhin von vorne führen und sie positiv verändern.“

– CEO Alexander Schmitz

General Electric (GE )

Bei den von Colibrium Additive angebotenen 3D‑Druckern handelt es sich um Electron‑Beam‑Pulverbett‑Fusion (EB‑PBF)‑Drucker, Laser‑Pulverbett‑Fusion (L‑PBF)‑Drucker und Binder‑Jet‑Drucker.

Was die Marktperformance des Unternehmens angeht, hat sie in den letzten Jahren stark zugelegt.

Mit einer Marktkapitalisierung von über 260 Milliarden $, notieren die GE‑Aktien derzeit bei rund 244 $, ein deutlicher Anstieg von 46 % in diesem Jahr. Die Aktie des Unternehmens nähert sich schnell ihrem Höchststand von rund 290 $, der im Jahr 2000 erreicht wurde. Das EPS (TTM) beträgt 6,35, das KGV (TTM) liegt bei 38,46, während die Dividendenrendite für Aktionäre 0,59 % beträgt.

Unterdessen zeigen die Finanzzahlen des Unternehmens ein starkes Q1 2025, in dem GE einen Gesamtumsatz von 9,9 Milliarden $ verzeichnete, ein Wachstum von 11 % bei gleichzeitiger Steigerung der Aufträge um 12 % auf 12,3 Milliarden $.

Dieser starke Start ins Jahr 2025 wurde von den Commercial Services angetrieben, erklärte CEO H. Lawrence Culp, Jr., und verwies dabei auf makroökonomische Dynamiken, die das Unternehmen zu strategischen Maßnahmen zwingen, wie Kostenkontrolle und Nutzung verfügbarer Handelsprogramme.

Der operative Gewinn stieg im 1Q25 um 38 % auf 2,1 Milliarden $, während das bereinigte EPS um 60 % auf 1,49 $ zunahm. In diesem Zeitraum meldete GE außerdem meldete 1,5 Milliarden $ an Cash aus operativen Aktivitäten (GAAP), während der freie Cashflow um 14 % auf 1,4 Milliarden $ stieg. Das Unternehmen meldete zudem einen Backlog im Bereich Commercial Services von über 140 Milliarden $.

Trotz alledem wuchs Propulsion & Additive Technologies nur um 1 %, wobei das Unternehmen feststellte, dass Preise und Volumen niedrigere Lieferungen aufgrund eines geplanten sanften Starts im Geräteverkauf ausgleichen.

Im Jahresbericht dieses Jahres erklärte GE: „Rückgänge in der Additive‑Manufacturing‑Branche aufgrund langsamerer Technologiedurchdringung“, bemerkte jedoch gleichzeitig, dass Colibrium Additive ein „kritisches Geschäft für aktuelle und zukünftige Technologien bei GE Aerospace ist, da wir weiterhin darauf fokussieren, wo es den größten Mehrwert schaffen kann.“

Neueste Nachrichten und Entwicklungen zu General Electric (GE) Aktien

Fazit

Während KI weiter voranschreitet und Industrien transformiert, hilft sie auch dabei, das Mögliche in der modernen Fertigung neu zu definieren, indem sie die Prozessoptimierung beschleunigt und Echtzeit‑Anpassungsfähigkeit ermöglicht.

Durch die signifikante Reduzierung von Zeit und Kosten, die mit der Parameterabstimmung und Defekterkennung in PBF verbunden sind, und durch die Realisierung einer Echtzeit‑Steuerung beim Laserschweißen ist die laserbasierte additive Fertigung bereit für eine breitere Akzeptanz und ebnet den Weg für eine neue Ära effizienter, zugänglicher und kundenspezifischer Produktion.

Klicken Sie hier für eine Liste der Top‑3D‑Druck‑Aktien.

Studienreferenzen:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonome Erkundung des PBF‑LB‑Parameterraums: Ein Unsicherheits‑gesteuerter Algorithmus zur automatisierten Generierung von Verarbeitungs‑Maps. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}