Ακρίβεια με Τεχνητή Νοημοσύνη για τη Μεταμόρφωση της Λέιζερ-Βασισμένης 3Δ Μεταλλικής Εκτύπωσης

Στον κόσμο της 3Δ εκτύπωσης ή της προσθετικής κατασκευής, η επεξεργασία μετάλλων με λέιζερ είναι μια δημοφιλής τεχνική που επιτρέπει την αυτοματοποιημένη, ακριβή και γρήγορη παραγωγή πολύπλοκων εξαρτημάτων.

Η επεξεργασία μετάλλων με λέιζερ περιλαμβάνει τη χρήση ενός λέιζερ ως πηγή ενέργειας για τη διαχείριση του μετάλλου. Ένα λέιζερ είναι μια ενισχυμένη δέσμη φωτός ή ηλεκτρομαγνητικής ακτινοβολίας που μπορεί να διαδίδεται σε ευθεία γραμμή με μικρή απόκλιση. 

Αυτό καθιστά τα λέιζερ ιδιαίτερα χρήσιμα στην επεξεργασία υλικών, όπου χρησιμοποιούνται για μηχανική επεξεργασία, συγκόλληση και επιφανειακή μηχανική. Στην προσθετική κατασκευή, τα λέιζερ χρησιμοποιούνται για τη τήξη των υλικών και την κατασκευή εξαρτημάτων στρώμα προς στρώμα.

Η προσθετική κατασκευή είναι απλώς η δημιουργία ενός προϊόντος στρώμα-με-στρώμα. Ξεκίνησε με τη χρήση πλαστικών ως υλικού, χάρη στην ευκολία επεξεργασίας τους. Ωστόσο, πλέον περιλαμβάνει όλα τα είδη υλικών, συμπεριλαμβανομένων των μεταλλικών υλικών.

Τα μεταλλικά υλικά είναι γνωστά για τις ελκυστικές ιδιότητές τους, όπως η εξαιρετική ηλεκτρική αγωγιμότητα, η υψηλή αντοχή, η πλαστικότητα και το υψηλό σημείο τήξης, καθιστώντας τα ιδιαίτερα χρήσιμα σε βιοϊατρικές, ενεργειακές, αρχιτεκτονικές και στρατιωτικές εφαρμογές. 

Η επεξεργασία μετάλλων με λέιζερ προσφέρει μοναδικά οφέλη υψηλής ενεργειακής πυκνότητας, στενού ζώνης θερμικής επηρεασιμότητας και ελάχιστης μόλυνσης. Γι’ αυτό οι διαδικασίες με λέιζερ χρησιμοποιούνται σε πολλούς τομείς, ιδιαίτερα όπου απαιτείται μέγιστη ακρίβεια και υψηλή προσαρμοστικότητα. Ωστόσο, παρουσιάζει τις δικές της επιπλοκές και τεχνικές προκλήσεις. 

«Για να διασφαλίσουμε ότι οι διαδικασίες με βάση το λέιζερ μπορούν να χρησιμοποιηθούν ευέλικτα και να επιτύχουν συνεπή αποτελέσματα, εργαζόμαστε για καλύτερη κατανόηση, παρακολούθηση και έλεγχο αυτών των διαδικασιών.»

– Ελία Ισέλι, επικεφαλής ερευνητικής ομάδας στο εργαστήριο Προχωρημένης Επεξεργασίας Υλικών της Empa

Με αυτόν τον στόχο, οι ερευνητές Giulio Masinelli και Chang Rajani από την Empa στο Thun καθιστούν τις τεχνικές κατασκευής με λέιζερ πιο προσιτές, οικονομικές και αποδοτικές, χρησιμοποιώντας μηχανική μάθηση.

Κατανόηση των Πλεονεκτημάτων και των Προκλήσεων της Συγχώνευσης Σκόνης με Λέιζερ (PBF-LB)

Στον ευρύτερο τομέα της επεξεργασίας μετάλλων με λέιζερ, η Συγχώνευση Σκόνης είναι μια δημοφιλής μέθοδος, η οποία περιλαμβάνει τη χρήση ενός λέιζερ για τη τήξη λεπτών στρωμάτων μεταλλικής σκόνης στα ακριβή σημεία και τη συγκόλλησή τους για την παραγωγή του τελικού εξαρτήματος.

Η Συγχώνευση Σκόνης με Δέσμη Λέιζερ (PBF-LB), ωστόσο, είναι μια εξειδικευμένη τεχνική που έχει κερδίσει πολύ προσοχή τα τελευταία χρόνια. Σε αυτήν την εξέχουσα τεχνολογία προσθετικής κατασκευής, χρησιμοποιούνται λέιζερ υψηλής ισχύος για την τήξη μεταλλικών σκόνων στρώμα-με-στρώμα πριν τη δημιουργία προσαρμοσμένων και εξαιρετικά ακριβών εξαρτημάτων. 

Αυτή η τεχνική επιτρέπει την παραγωγή σύνθετων γεωμετριών, προσφέροντας δυνατότητες προσαρμογής και εξασφαλίζοντας αποδοτικότητα υλικού. 

Αυτά τα χαρακτηριστικά καθιστούν το PBF-LB ιδιαίτερα ωφέλιμο για βιομηχανίες όπως η αυτοκινητοβιομηχανία, η ιατρική, η αεροδιαστημική και τα καταναλωτικά προϊόντα, όπου απαιτούνται ελαφριά και σύνθετα εξαρτήματα, εξατομικευμένα σχέδια, ακρίβεια, μείωση βάρους και γρήγορη δημιουργία πρωτοτύπων. 

Παρά την ευελιξία και την αποδοτικότητά της, η τεχνική αντιμετωπίζει αρκετά εμπόδια στην ευρύτερη υιοθέτησή της και στην επίτευξη βελτιστοποίησης.

Αυτό περιλαμβάνει δυσκολίες στον εντοπισμό του ιδανικού πλαισίου επεξεργασίας για τη μεταλλική σκόνη που χρησιμοποιείται.

«Ακόμη και ένα νέο παρτίδα της ίδιας αρχικής σκόνης μπορεί να απαιτεί εντελώς διαφορετικές ρυθμίσεις.»

– Masinelli

Η υψηλή ενέργεια που απαιτείται για τη τήξη του μετάλλου σε αυτήν την τεχνική δημιουργεί στην πραγματικότητα σύνθετους φυσικούς μηχανισμούς που επηρεάζουν αρνητικά την ποιότητα των εξαρτημάτων. Αυτοί οι μηχανισμοί περιλαμβάνουν ασυνέπειες στις ιδιότητες του υλικού, την επίδραση των ατμοσφαιρικών αερίων και την αλληλεπίδραση του λέιζερ με το ατμοσφαιρικό σύννεφο. Όλα αυτά τα φαινόμενα δημιουργούν προβλήματα στον εντοπισμό των παραμέτρων.

Αυτό οφείλεται κυρίως στις δύο λειτουργίες. Η μία είναι η λειτουργία αγωγής, στην οποία το μέταλλο μόνο λιώνει, και είναι ιδανική για λεπτά και ακριβή εξαρτήματα. Η άλλη επιλογή είναι η λειτουργία keyhole, στην οποία το μέταλλο μπορεί να εξατμιστεί σε ορισμένες περιπτώσεις. Είναι ταχύτερη αλλά και λιγότερο ακριβής, καθιστώντας την κατάλληλη για παχύτερα εξαρτήματα.

Το όριο μεταξύ αυτών των λειτουργιών, ωστόσο, εξαρτάται από διαφορετικές παραμέτρους, και η επίτευξη της καλύτερης ποιότητας στα τελικά προϊόντα απαιτεί τις σωστές ρυθμίσεις, οι οποίες διαφέρουν ανάλογα με το υλικό που επεξεργάζεται. 

Οι σύνθετες αλληλεπιδράσεις μεταξύ του υλικού και του λέιζερ καθιστούν επίσης τη διαδικασία ευαίσθητη σε πολύ μικρές διακυμάνσεις, που μπορούν να οδηγήσουν σε προβλήματα στην παραγωγή, καθιστώντας τη τεχνική χρονοβόρα και απαιτητική σε πόρους. Ως αποτέλεσμα, το PBF-LB απαιτεί επίπονη λεπτομερή ρύθμιση των παραμέτρων για την επίτευξη συνεπών αποτελεσμάτων.

Δεν τελειώνει μόνο εδώ. Τα δείγματα που παράγονται σε αυτό το στάδιο αναλύονται με διάφορες τεχνικές όπως η μικροδομική ανάλυση, οι μετρήσεις πυκνότητας και η ακτινογραφική τομογραφία (CT). 

Αυτές οι μέθοδοι παρέχουν λεπτομερείς πληροφορίες για τις εσωτερικές δομές και εντοπίζουν ελαττώματα, που είναι κρίσιμα για την αξιολόγηση της ποιότητας και της απόδοσης των εξαρτημάτων PBF-LB, αλλά απαιτούν εξειδικευμένο εξοπλισμό και εξειδικευμένη γνώση, επιπλέον του ότι είναι ακριβές και χρονοβόρο.

«Γι’ αυτό πολλές εταιρείες δεν μπορούν να αντέξουν οικονομικά το PBF από την αρχή.»

– Masinelli

Για την αντιμετώπιση όλων αυτών των προβλημάτων, ερευνητές από την Empa χρησιμοποίησαν μηχανική μάθηση για να κάνουν τις διαδικασίες με λέιζερ πιο αποδοτικές, οικονομικές και ακριβείς.

Κάντε κλικ εδώ για να μάθετε πώς η προσθετική κατασκευή μετασχηματίζει τις βιομηχανίες.

Εκμετάλλευση της Τεχνητής Νοημοσύνης για Έλεγχο σε Πραγματικό Χρόνο στην Μεταλλική 3Δ Εκτύπωση

Για την ανάλυση δειγμάτων, οι ερευνητές έχουν στραφεί σε μεθόδους παρακολούθησης σε πραγματικό χρόνο χρησιμοποιώντας αισθητήρες όπως η ακουστική εκπομπή (AE), η υψηλής ταχύτητας θερμική απεικόνιση και οι οπτικοί αισθητήρες.

Η παρακολούθηση σε πραγματικό χρόνο επιλέχθηκε λόγω της ικανότητάς της να ανιχνεύει ανεπιθύμητα γεγονότα κατά τη διάρκεια της διαδικασίας κατασκευής. Αυτό επιτρέπει άμεσες προσαρμογές, εξοικονομώντας πόρους με την αφαίρεση και επαντμήση ελαττωμάτων. 

Αυτές οι τεχνικές παρακολούθησης σε πραγματικό χρόνο βασίζονται συνήθως σε αλγορίθμους μηχανικής μάθησης (ML).

Ένας τομέας μελέτης στην τεχνητή νοημοσύνη, η μηχανική μάθηση ασχολείται με την ανάπτυξη στατιστικών αλγορίθμων που μαθαίνουν από δεδομένα. Αυτοί οι αλγόριθμοι εξάγουν ουσιαστικά μοτίβα από δεδομένα υψηλής διάστασης και στη συνέχεια κάνουν προβλέψεις, στην περίπτωση της επεξεργασίας μετάλλων, για την ποιότητα των εξαρτημάτων, χωρίς την ανάγκη ρητής προγραμματισμού σύνθετων φυσικών μοντέλων.

Ωστόσο, αυτές οι προσεγγίσεις AI δεν είναι χωρίς περιορισμούς. Οι προκλήσεις περιλαμβάνουν το γεγονός ότι το μοντέλο μαθαίνει να εντοπίζει αλλαγές στις παραμέτρους της διαδικασίας αντί για το καθεστώς της διαδικασίας και τη δημιουργία ελαττωμάτων.

Η φυσική μεταβολή των παραμέτρων του μηχανήματος με την πάροδο του χρόνου αποτελεί επίσης εμπόδιο στην γενίκευση αυτών των μοντέλων, περιορίζοντας την πρακτική εφαρμοσιμότητα των μοντέλων AI σε πραγματικά περιβάλλοντα κατασκευής. Επιπλέον, υπάρχουν ζητήματα αυτοματοποίησης, που απαιτούν εξειδικευμένο εξοπλισμό και γίνονται περίπλοκα λόγω πολλαπλών παραμέτρων, την εξερεύνηση των οποίων είναι επίσης προκλητική και απαιτεί πόρους.

Υπάρχει σαφής ανάγκη για αλγορίθμους που μπορούν να περιηγηθούν αυτόνομα στον χώρο παραμέτρων του PBF, λαμβάνοντας υπόψη πολλαπλές μεταβλητές της διαδικασίας, ώστε να εντοπίζουν τις βέλτιστες συνθήκες και να κατανοούν τα υποκείμενα καθεστώτα τήξης.

Αυτή η ανάγκη αντιμετωπίζεται τώρα από ερευνητές της Empa, οι οποίοι πρότειναν μια νέα μέθοδο που χρησιμοποιεί μη επιβλεπόμενη συλλογή οπτικών δεδομένων με έμφαση στην ταυτοποίηση του καθεστώτος τήξης, χωρίς την ανάγκη δεδομένων με ετικέτες ή εκτεταμένη ανάλυση μετα-επεξεργασίας.

Εφαρμογή Μη Επιβλεπόμενης Μάθησης για τη Βελτιστοποίηση των Παραμέτρων PBF-LB

Η νέα μη επιβλεπόμενη τεχνική που ανέπτυξαν οι ερευνητές της Empa εστιάζει σε δύο κύριες παραμέτρους: την ισχύ του λέιζερ και την ταχύτητα σάρωσης, οι οποίες θεωρούνται ότι έχουν τη μεγαλύτερη επίδραση στο καθεστώς τήξης.

Ενώ η εστίαση της μελέτης¹ ήταν σε αυτές τις δύο παραμέτρους, η τεχνική μπορεί επίσης να χρησιμοποιηθεί για πρόσθετες παραμέτρους της διαδικασίας. Στο μέλλον, οι ερευνητές θα ενσωματώσουν τη ροή αερίου, το διάστημα των γραμμών και το πάχος στρώματος στον αλγόριθμο τους για να επιτρέψουν μια πιο ολοκληρωμένη εξερεύνηση του χώρου παραμέτρων PBF-LB.

Προς το παρόν, η προτεινόμενη μέθοδος εντοπίζει με ακρίβεια τη μετάβαση μεταξύ της λειτουργίας αγωγής και της λειτουργίας keyhole.

Η μη επιβλεπόμενη προσέγγιση παρέχει επίσης μια βάση για την εξαγωγή χαρτών επεξεργασίας χωρίς εξάρτηση από δεδομένα με ετικέτες, κάτι που προσφέρει σημαντικό πλεονέκτημα στο PBF-LB, όπου η λήψη δεδομένων με ετικέτες είναι τόσο δαπανηρή όσο και δύσκολη.

Η μελέτη στην πραγματικότητα βασίζεται σε αυτό το θεμέλιο και εισάγει μια πρωτότυπη μέθοδο που συνδυάζει στοιχεία ενεργής μάθησης (επιλογή των πιο ενημερωτικών σημείων δεδομένων) και βεϋσιανής βελτιστοποίησης (διαδοχική στρατηγική δειγματοληψίας που χρησιμοποιεί ένα πιθανοτικό μοντέλο) για την αποδοτική παραγωγή χαρτών επεξεργασίας.

Αυτό που διαφοροποιεί την προσέγγιση είναι ότι ξεκινά χωρίς δεδομένα και στη συνέχεια δημιουργεί σταδιακά το σύνολο δεδομένων αποφασίζοντας πού θα πραγματοποιηθεί κάθε νέο πείραμα, επιτρέποντας έτσι στη διαδικασία πειραματισμού να βελτιστοποιηθεί.

Αξιοσημείωτο, παρά τη χρήση μιας επαναληπτικής προσέγγισης για τη βελτίωση, το μοντέλο παραμένει μη επιβλεπόμενο καθ’ όλη τη διάρκεια της διαδικασίας, καθώς δεν απαιτεί δεδομένα με ετικέτες. Για την ταυτοποίηση των καθεστώτων τήξης, ο αλγόριθμος βασίζεται σε χαρακτηριστικά που εξάγονται από τα οπτικά δεδομένα, και τα αποτελέσματα χρησιμοποιούνται στη συνέχεια για την εκπαίδευση ενός Gaussian Process Classifier (GPC) ώστε να παρέχει μια πιθανοτική εκτίμηση του χάρτη.

Όσον αφορά το επαναληπτικό στοιχείο, ο αλγόριθμος επιλέγει νέες ρυθμίσεις δοκιμής βάσει των πεδίων που έχουν υψηλή αβεβαιότητα στις προβλέψεις, βελτιώνοντας έτσι την εκτίμηση του χάρτη επεξεργασίας.

Βασικά, ο αλγόριθμος διδάσκεται να εντοπίζει σε ποια λειτουργία συγκόλλησης βρίσκεται το λέιζερ κατά τη διάρκεια μιας δοκιμαστικής εκτέλεσης, χρησιμοποιώντας δεδομένα από οπτικούς αισθητήρες που είναι ήδη ενσωματωμένοι στις λέιζερ μηχανές. Με βάση αυτό, ο αλγόριθμος ορίζει τις παραμέτρους για την επόμενη δοκιμή.

«Ελπίζουμε ότι ο αλγόριθμός μας θα επιτρέψει σε μη ειδικούς να χρησιμοποιούν συσκευές PBF», δήλωσε ο Masinelli. Απαιτεί μόνο την ενσωμάτωση στο λογισμικό υλικού των λέιζερ μηχανών συγκόλλησης από τους κατασκευαστές.

Αξιολόγηση της Αποτελεσματικότητας του Μοντέλου AI σε Εφαρμογές PBF-LB

Ο νέος αλγόριθμος που εισήγαγαν οι ερευνητές για την εξάλειψη της ανάγκης εκτενούς ρύθμισης παραμέτρων, η οποία περιορίζει την ευρύτερη υιοθέτηση του PBF-LB, εντοπίζει αυτόνομα τα καθεστώτα τήξης χρησιμοποιώντας δεδομένα από φωτοδιόδους.

Και όταν δοκιμάστηκε στο εργαστήριο, η ομάδα διαπίστωσε ότι η μέθοδος είναι εξαιρετικά ακριβής, επιτυγχάνοντας F1-score 89,2% σε δύο υλικά. Για την αξιολόγηση της απόδοσης, οι ερευνητές εκτύπωσαν πολλαπλά εξαρτήματα σε δύο υλικά. 

Το πρώτο ήταν Ti-6Al-4V, ένα από τα πιο συχνά χρησιμοποιούμενα (άλφα-βήτα) κράματα τιτανίου, με εξαιρετική αντοχή στη διάβρωση και υψηλή ειδική αντοχή. Το δεύτερο ήταν ανοξείδωτος χάλυβας 316L, μια χαμηλού άνθρακα έκδοση του 316 ανοξείδωτου χάλυβα, που χρησιμοποιείται συνήθως στην επεξεργασία τροφίμων, στον εξοπλισμό φαρμακευτικής βιομηχανίας, σε ιατρικές συσκευές, κοσμήματα, πολυτελή ρολόγια, επεξεργασία λυμάτων και στη χημική βιομηχανία.

Συγκεκριμένα, η ομάδα πραγματοποίησε επιθεωρήσεις της λεκάνης τήξης για να επαληθεύσει τις προβλέψεις του αλγορίθμου. 

Η αξιολόγηση έδειξε ότι η προσέγγιση μείωσε την ανάγκη για πειραματικές δοκιμές κατά 67% και στα δύο μέταλλα, διατηρώντας ισχυρή απόδοση. Αυτό μπορεί να μειώσει σημαντικά το κόστος της εξερεύνησης παραμέτρων. Παράλληλα, υπήρξε μόνο μέγιστη μείωση 8,88% στο F1-score σε σύγκριση με ένα παραδοσιακό πλήρες παραγοντικό πειραματικό σχέδιο.

«Αυτά τα αποτελέσματα υπογραμμίζουν την αποδοτικότητα της μεθόδου μας στο πλαίσιο της αυτόνομης παραγωγής χαρτών επεξεργασίας για προηγμένες διαδικασίες κατασκευής.»

Η μέθοδος που παρουσιάζεται εδώ, πιστεύουν οι ερευνητές, μπορεί να «βελτιώσει σημαντικά» τόσο την αποδοτικότητα όσο και την αξιοπιστία του PBF-LB, κάτι που θα μπορούσε να οδηγήσει σε ευρύτερη υιοθέτηση του, βελτιώνοντας τη συνολική του αποτελεσματικότητα σε διάφορους τομείς. Σύμφωνα με τη μελέτη:

«Τα αποτελέσματά μας δείχνουν τη δυνατότητα αυτής της μεθόδου να απλοποιήσει τη βελτιστοποίηση του PBF-LB, καθιστώντας την πιο εφικτή για βιομηχανικές εφαρμογές και ανοίγοντας το δρόμο για την ευρύτερη υιοθέτησή της.»

Βελτίωση των Διαδικασιών Λέιζερ Συγκόλλησης μέσω Ενσωμάτωσης AI και FPGA

Εκτός από τη βελτιστοποίηση των προκαταρκτικών πειραμάτων, οι ερευνητές βελτίωσαν επίσης τη διαδικασία συγκόλλησης σε ένα άλλο έργο. 

Όσον αφορά τη λέιζερ συγκόλληση, ακόμη και με ιδανικές ρυθμίσεις, η διαδικασία μπορεί να παρουσιάσει απρόβλεπτες αποκλίσεις, και ακόμη και μια μικρή μπορεί να οδηγήσει σε σοβαρά ελαττώματα του προϊόντος.

«Προς το παρόν δεν είναι δυνατόν να επηρεάσουμε τη διαδικασία συγκόλλησης σε πραγματικό χρόνο», δήλωσε η ερευνήτρια Rajani. «Αυτό υπερβαίνει τις δυνατότητες των ανθρώπινων εμπειρογνωμόνων.»

– Researcher Rajani

Στην πραγματικότητα, ακόμη και οι υπολογιστές δυσκολεύονται με την ταχύτητα με την οποία πρέπει να εξετάζονται τα δεδομένα και να λαμβάνονται αποφάσεις. Οι ερευνητές χρησιμοποίησαν εδώ έναν εξειδικευμένο τύπο μικροεπεξεργαστή.

Αυτό το τσιπ ονομάζεται field-programmable gate array (FPGA), το οποίο σχεδιάστηκε για σκοπούς υψηλής απόδοσης υπολογισμού (HPC) και πρωτοτυποποίησης. Το τσιπ μπορεί να προγραμματιστεί μετά την αποδέσμευσή του από τον κατασκευαστή και να προσαρμοστεί για διαφορετικές περιπτώσεις χρήσης χωρίς την ανάγκη φυσικής τροποποίησης του υλικού. Η ευελιξία του, σε συνδυασμό με την υψηλή απόδοση, το καθιστά ιδιαίτερα πολύτιμο στις βιομηχανίες αεροδιαστημικής, αυτοκινητοβιομηχανίας και τηλεπικοινωνιών.

«Με τα FPGA, γνωρίζουμε ακριβώς πότε θα εκτελεστεί μια εντολή και πόσο χρόνο θα διαρκέσει η εκτέλεση – κάτι που δεν ισχύει με έναν συμβατικό υπολογιστή.»

Οι ερευνητές συνέδεσαν το FPGA με έναν υπολογιστή για να λειτουργεί ως «εφεδρικός εγκέφαλος». Καθώς το τσιπ παρακολουθεί και ελέγχει τις παραμέτρους του λέιζερ, αυτά τα δεδομένα χρησιμοποιούνται επίσης από τον αλγόριθμο στον υπολογιστή για εκμάθηση.

«Εάν είμαστε ικανοποιημένοι με την απόδοση του αλγορίθμου στο εικονικό περιβάλλον στον υπολογιστή, μπορούμε να το «μεταφέρουμε» στο FPGA και να κάνουμε το τσιπ πιο έξυπνο ταυτόχρονα.»

– Masinelli

Οι ερευνητές πιστεύουν ότι η μηχανική μάθηση και η τεχνητή νοημοσύνη έχουν τη δυνατότητα να συμβάλουν σημαντικά στην επεξεργασία μετάλλων με λέιζερ. Ως εκ τούτου, θα συνεχίσουν να αναπτύσσουν τους αλγορίθμους και τα μοντέλα τους, καθώς και να επεκτείνουν τον τομέα εφαρμογής τους, σε συνεργασία με άλλες ερευνητικές ομάδες και βιομηχανικούς εταίρους.

Εξερεύνηση Ευκαιριών Επένδυσης στις Τεχνολογίες 3Δ Εκτύπωσης

Τώρα, ένας κύριος παίκτης στον σχεδιασμό και την κατασκευή μεταλλικής προσθετικής είναι η Colibrium Additive. Είναι μέρος της General Electric Company (GE.TO ) (GE ), η οποία λειτουργεί πλέον ως GE Aerospace. 

Προηγουμένως γνωστή ως GE Additive, επανεκκινήθηκε ως Colibrium Additive το περασμένο καλοκαίρι, και στο πλαίσιο του επαναπροσανατολισμού, τα Concept Laser και Arcam EBM αποσύρθηκαν.

«Καθώς αλλάζουμε το όνομά μας, διατηρούμε την αμετάβλητη εστίασή μας στους πελάτες, την ποιότητα και την αξιοπιστία. Θα συνεχίσουμε να ηγούμε στη βιομηχανία προσθετικής κατασκευής από την πρώτη γραμμή και να την διαταράξουμε θετικά.»

– CEO Alexander Schmitz

General Electric (GE )

Όσον αφορά τις 3Δ εκτυπώσεις που προσφέρει η Colibrium Additive, περιλαμβάνουν εκτυπωτές Electron Beam Powder Bed Fusion (EB-PBF), Laser Powder Bed Fusion (L-PBF) και Binder Jet. 

Όσον αφορά την απόδοση της εταιρείας στην αγορά, έχει πραγματικά ανθίσει τα τελευταία χρόνια. 

Με κεφαλαιοποίηση αγοράς πάνω από 260 δισεκατομμύρια δολάρια, οι μετοχές της GE διαπραγματεύονται αυτή τη στιγμή γύρω στα 244 δολάρια, με άνοδο 46% φέτος. Η μετοχή της εταιρείας πλησιάζει γρήγορα το ανώτατο επίπεδο των περίπου 290 δολαρίων, που επιτεύχθηκε το 2000. Το EPS (TTM) είναι 6,35 και το P/E (TTM) είναι 38,46, ενώ η απόδοση μερισμάτων για τους μετόχους είναι 0,59%.

Παράλληλα, τα οικονομικά της εταιρείας δείχνουν ένα ισχυρό πρώτο τρίμηνο 2025, στο οποίο η GE κατέγραψε συνολικά έσοδα 9,9 δισεκατομμυρίων δολαρίων, αύξηση 11%, ενώ οι συνολικές παραγγελίες αυξήθηκαν κατά 12% στα 12,3 δισεκατομμύρια δολάρια.

Αυτή η ισχυρή αρχή του 2025 οφείλεται στις εμπορικές υπηρεσίες, δήλωσε ο Διευθύνων Σύμβουλος H. Lawrence Culp, Jr., επισημαίνοντας τις μακροοικονομικές δυναμικές που απαιτούν από την εταιρεία να λάβει στρατηγικές ενέργειες, όπως ο έλεγχος του κόστους και η αξιοποίηση των διαθέσιμων προγραμμάτων εμπορίου.

Το λειτουργικό κέρδος αυξήθηκε κατά 38% στο 1Q25 στα 2,1 δισεκατομμύρια δολάρια, ενώ το προσαρμοσμένο EPS σημείωσε αύξηση 60% στα 1,49 δολάρια. Κατά τη διάρκεια αυτής της περιόδου, η GE επίσης ανακοίνωσε 1,5 δισεκατομμύρια δολάρια σε μετρητά από λειτουργικές δραστηριότητες (GAAP), ενώ η ελεύθερη ταμειακή ροή αυξήθηκε κατά 14% στα 1,4 δισεκατομμύρια δολάρια. Η εταιρεία ανακοίνωσε επίσης ένα οφειλόμενο ποσό εμπορικών υπηρεσιών άνω των 140 δισεκατομμυρίων δολαρίων.

Παρά τούτο, η Propulsion & Additive Technologies αυξήθηκε μόνο κατά 1%, με την εταιρεία να σημειώνει ότι οι τιμές και ο όγκος αντισταθμίζουν τις μειωμένες αποστολές που προκύπτουν από μια προγραμματισμένη ήπια έναρξη των πωλήσεων εξοπλισμού.

Στην ετήσια έκθεσή της φέτος, η GE δήλωσε «πτώσεις στη βιομηχανία προσθετικής κατασκευής λόγω πιο αργής υιοθέτησης της τεχνολογίας», αλλά ταυτόχρονα σημείωσε ότι η Colibrium Additive είναι «μια κρίσιμη επιχείρηση για την τρέχουσα και μελλοντική τεχνολογία στη GE Aerospace καθώς συνεχίζουμε να εστιάζουμε στο πού μπορεί να δημιουργήσει τη μεγαλύτερη αξία.»

Τελευταία Νέα και Εξελίξεις για τις Μετοχές της General Electric (GE)

Συμπέρασμα

Καθώς η AI συνεχίζει να προοδεύει και να μετασχηματίζει τις βιομηχανίες, βοηθά επίσης στον επαναπροσδιορισμό του τι είναι δυνατό στη σύγχρονη κατασκευή, επιταχύνοντας τη βελτιστοποίηση των διαδικασιών και επιτρέποντας την προσαρμοστικότητα σε πραγματικό χρόνο. 

Μειώνοντας σημαντικά το χρόνο και το κόστος που σχετίζονται με τη ρύθμιση παραμέτρων και την ανίχνευση ελαττωμάτων στο PBF και επιτυγχάνοντας έλεγχο σε πραγματικό χρόνο στη λέιζερ συγκόλληση, η προσθετική κατασκευή με βάση το λέιζερ είναι έτοιμη για ευρύτερη υιοθέτηση, ανοίγοντας το δρόμο για μια νέα εποχή αποδοτικής, προσιτής και προσαρμοσμένης παραγωγής.

Κάντε κλικ εδώ για μια λίστα με τις κορυφαίες μετοχές 3Δ εκτύπωσης.

Μελέτες που Αναφέρονται:

^{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}