AI-virtaus tarkkuuden kehittyminen laserin avulla tehtävään 3D-metallipainantaan

3D-tulostuksen tai lisäyksen valmistuksen maailmassa laserin avulla tehtävä metallin prosessointi on suosittu tekniikka, joka mahdollistaa automaattisen, tarkan ja nopean monimutkaisten komponenttien tuotannon.

Laserin avulla tehtävä metallin prosessointi käyttää laseria energianlähteenä metallin muokkaamiseen. Laser on voimistettu valon tai sähkömagneettisen säteilyn säde, joka voi eteneminen suorassa linjassa vähäisellä hajoamisella.

Tämä tekee lasereista erittäin hyödyllisiä materiaalien prosessoinnissa, jossa niitä käytetään koneiden, liittämisen ja pinnan insinöörityön tekemiseen. Lisäyksen valmistuksessa lasereita käytetään materiaalien sulattamiseen ja komponenttien valmistamiseen kerros kerrokselta.

Lisäyksen valmistus on yksinkertaisesti tuotteen luominen kerros kerrokselta. Se alkoi muovien käytöstä materiaalina kiitoksena prosessin helppoutta. Mutta nyt se on laajentunut käsittämään kaikki materiaalit, myös metalliset materiaalit.

Metalliset materiaalit ovat tunnettuja mielenkiintoisista ominaisuuksistaan, kuten erinomaisesta sähkönjohtavuudesta ja korkeasta lujuudesta, taipumattomuudesta ja sulamispisteestä, mikä tekee niistä erittäin hyödyllisiä biolääketieteellisissä, energian, arkkitehtuurin ja sotilassovelluksissa.

Laserin avulla tehtävä metallin prosessointi tarjoaa yksilöllisiä etuja korkeasta energiatiheydestä, kapeasta lämpövaikutusalueesta ja vähäisestä saastumisesta. Siksi laseriprosessit käytetään useissa sektoreissa, erityisesti siellä, missä tarvitaan enimmän tarkkuutta ja korkeaa mukautuvuutta. Mutta sillä on omat monimutkaisuutensa ja tekniset haasteensa.

“Jotta laseripohjaiset prosessit voidaan käyttää joustavasti ja saavuttaa johdonmukaisia tuloksia, työskentelemme paremman ymmärryksen, valvonnan ja ohjauksen kehittämiseksi näissä prosesseissa.”

– Elia Iseli, tutkimusryhmän johtaja Empa’s Advanced Materials Processing -laboratoriossa

Tämän tavoitteen saavuttamiseksi Empa-tutkijat Giulio Masinelli ja Chang Rajani kehittävät laseripohjaisia valmistustekniikoita helpommin saataville, edullisemmiksi ja tehokkaammiksi koneoppimisen avulla.

Ymmärtäminen laserin avulla tehtävän jauheen muodostamisen (PBF-LB) edut ja haasteet

Laserin avulla tehtävän metallin prosessoinnin laajemmassa kentässä jauheen muodostaminen on suosittu, jossa laseria käytetään ohuen metallijauhekerroksen sulattamiseen tarkasti määrätyissä kohdissa ja hitsaamiseen yhteen lopullisen komponentin valmistamiseksi.

Laserin avulla tehtävä jauheen muodostaminen (PBF-LB) on erikoistunut tekniikka, joka on saavuttanut paljon huomiota viime vuosina. Tässä merkittävässä lisäyksen valmistusteknologiassa käytetään lasereita, jotka lähettävät erittäin korkeita tehokkuuksia, sulattaen tarkasti metallijauheita kerros kerrokselta ennen sekoittamista mukautettuihin ja erittäin tarkoihin komponentteihin.

Tämä tekniikka mahdollistaa monimutkaisten geometrioiden tuotannon tarjoten mukautuvuusominaisuuksia ja varmistaa materiaalin tehokkuuden. Nämä ominaisuudet tekevät PBF-LB:sta erityisesti hyödyllisen teollisuusaloille, kuten autoteollisuudelle, lääketeollisuudelle, ilmailuteollisuudelle ja kuluttajatuotteille, joissa tarvitaan kevyitä ja monimutkaisia osia, henkilökohtaisia suunnitelmia, tarkkuutta, painon vähentämistä ja nopeaa prototyyppien valmistusta.

Vaikka PBF-LB on monipuolinen ja tehokas, tekniikka kohtaa useita esteitä laajemman hyväksynnän saavuttamisessa ja optimoinnissa.

Tähän kuuluu metallijauheen sopivan prosessirunko-asettelun tunnistamisen vaikeus.

“Jopa uusi erä samaa alkuperäistä jauhetta voi vaatia täysin erilaisia asetuksia.”

– Masinelli

Korkean energiansyötteen tarve metallin sulattamiseen tässä tekniikassa luo monimutkaisia fysikaalisia mekanismeja, jotka vaikuttavat osien laatuun. Nämä mekanismit sisältävät epäjohdonmukaisuuksia materiaalin ominaisuuksissa, ilmakehän kaasujen vaikutus ja laserin vuorovaikutus höyrypilven kanssa. Kaikki nämä ilmiöt aiheuttavat ongelmia parametrejä määritettäessä.

Tämä johtuu kahdesta tilasta. Ensimmäinen on johtumistila, jossa metalli vain sulatetaan, ja se on ihanteellinen ohuiden ja tarkkojen komponenttien valmistamiseen. Toinen vaihtoehto on avainreikätila, jossa metalli voidaan jopa höyrystää joissakin tapauksissa. Se on nopeampi, mutta myös vähemmän tarkka, mikä tekee siitä sopivan paksujen komponenttien valmistamiseen.

Näiden tilojen raja kuitenkin riippuu eri parametreista, ja lopputuotteiden laadun saavuttamiseen vaaditaan oikeat asetukset, jotka vaihtelevat prosessoitavan materiaalin mukaan.

Materiaalin ja laserin välinen monimutkainen vuorovaikutus tekee prosessin herkkäksi pienille muutoksille, mikä voi johtaa tuotannon ongelmiin, ja tämä tekee tekniikasta aikaa ja resursseja vaativan. Seurausena PBF-LB vaatii työllistävän hienosäätöä parametrejä koskien, jotta voidaan saavuttaa johdonmukaisia tuloksia.

Se ei lopu siihen. Tässä vaiheessa tuotetut näytteet analyysoidaan eri menetelmillä, kuten mikrorakenteen analyysillä, tiheysmittauksilla ja röntgenkomputertomografialla (CT).

Nämä menetelmät tarjoavat yksityiskohtaisia tietoja sisäisistä rakenteista ja löytävät virheitä, jotka ovat kriittisiä PBF-LB-osien laadun ja suorituskyvyn arvioimiseksi, mutta ne vaativat erikoislaitteita ja asiantuntijatietämystä, ja ne ovat kalliita ja aikaa vieviä.

“Siksi monet yritykset eivät voi edes maksaa PBF:ää aluksi.”

– Masinelli

Näiden ongelmien ratkaisemiseksi Empa-tutkijat käyttivät koneoppimista tehdäkseen laseriprosesseista tehokkaampia, kustannustehokkaampia ja tarkempia.

Klikkaa tästä, niin saat tietää, miten lisäyksen valmistus muuttaa teollisuutta.

Hyödyntäminen AI:ta reaaliaikaisen ohjauksen toteuttamiseksi metallin 3D-tulostuksessa

Näytteiden analyysia varten tutkijat ovat kääntyneet reaaliaikaisiin seurantamenetelmiin, jotka käyttävät antureita, kuten akustista emissiota (AE), korkean nopeuden termoimagingia ja optisia antureita.

Reaaliaikainen seuranta on valittu sen kyvyn vuoksi havaita ei-toivottuja tapahtumia valmistusprosessin aikana. Tämä mahdollistaa välittömät säätötoimet, jolloin resursseja säästetään poistamalla ja uudelleensulatamalla virheitä.

Nämä reaaliaikaiset seurantamenetelmät perustuvat yleensä koneoppimiseen (ML) perustuviin algoritmeihin.

Koneoppiminen on tekoälyyn liittyvä tutkimuksen ala, joka koskee tilastollisten algoritmien kehittämistä, jotka oppivat datasta. Nämä algoritmit poistavat merkityksellisiä malleja korkean ulottuvuuden datasta ja tekevät sitten ennusteita, metallin prosessoinnissa, siis osien laadun, ilman että niitä tarvitsee ohjelmoida nimenomaisesti monimutkaisiin fysikaalisiin malleihin.

Nämä tekoälylähestymistavat eivät kuitenkaan ole rajoittamattomia. Haasteisiin kuuluvat mallin oppiminen prosessiparametrien muutosten havaitsemiseen prosessiregimin ja virhelöytöön.

Koneen luonnollinen ajoittainen muutos esittää esteen näiden mallien yleistettävyydelle, rajoittaen tekoälymallien käytännön soveltamista todellisissa valmistusympäristöissä. Sitten on ongelmia automaation kanssa, joka vaatii erikoislaitteita ja monimutkaistuu useiden parametrejen kanssa, ja niiden tutkiminen on haastavaa ja resursseja vaativaa.

On selvä tarve algoritmeille, jotka voivat toimia itsenäisesti PBF-parametrien avaruuden navigoinnissa, ottaen huomioon useita prosessimuuttujia, tunnistamaan optimaaliset olosuhteet ja ymmärtämään perustuvat sulamisregiimit.

Tämä tarve on nyt osoitettu Empa-tutkijoille, jotka ovat ehdottaneet uutta menetelmää, joka käyttää valvomaton optisen datan kerääminen keskittyen sulamisregiimin tunnistamiseen ilman tarvetta merkittyyn dataan tai laajaan jälkikäteen analyysiin.

Valvomattoman oppimisen toteuttaminen PBF-LB-parametrien optimoimiseksi

Empa-tutkijoiden kehittämä uusi valvomaton tekniikka keskittyy kahteen tärkeimpään parametriin: laserin tehoon ja skannausnopeuteen, jotka on tunnistettu vaikuttaviksi merkittävästi sulamisregiimiin.

Vaikka tutkimuksen keskittyi näihin kahteen parametriin, tekniikkaa voidaan käyttää myös muihin prosessiparametreihin. Tulevaisuudessa tutkijat sisällyttävät algoritmiinsa myös kaasuvirtaustehon, pinorajan ja kerrosten paksuuden, jotta voidaan tehdä kattavampi PBF-LB-parametrien avaruuden tutkiminen.

Toistaiseksi ehdotettu menetelmä osoittaa tarkan siirtymän johtumistilan ja avainreikätilan välillä.

Valvomaton lähestymistapa tarjoaa myös perustan prosessikarttojen poistamiseen riippumatta merkityistä datasta, mikä tarjoaa merkittävän edun PBF-LB:ssä, jossa merkittyjen datan saaminen on sekä kallista että haastavaa.

Tutkimus rakentuu tämän perustan varaan ja esittää alkuperäisen menetelmän, joka yhdistää osia aktiivisesta oppimisesta (valitseminen tietoisista datakohdista) ja Bayes-optimoinnista (iteratiivinen näytestrategia, joka käyttää todennäköisyysmallia) johdonmukaisesti prosessikarttojen saamiseksi.

Mikä tekee lähestymistavan erilaiseksi, on se, että se alkaa ilman dataa ja rakentaa tietokannan edelleen päättämällä, missä kussakin uudessa kokeessa suoritetaan, mikä mahdollistaa kokeellisen prosessin optimoinnin.

Huomattavaa on, että vaikka menetelmässä käytetään iteratiivista lähestymistapaa hienosäätöön, malli pysyy valvomattomana koko prosessin ajan, koska se ei vaadi merkittyjä dataa. Sulamisregiimien tunnistamiseksi algoritmi riippuu optisesta datasta, ja tulokset käytetään kouluttamaan Gaussian Process Classifier (GPC) antamaan todennäköisyysarvio kartasta.

Iteratiivisessa osassa algoritmi valitsee uudet kokeelliset asetukset perustuen niiden alueisiin, joissa on suuri epävarmuus ennusteissa, mikä parantaa prosessikartan arviointia.

Periaatteessa algoritmi on opetettu havaitsemaan, mihin hitsaustila laser on kokeellisessa suorituksessa, käyttäen dataa optisista antureista, jotka on jo sisällytetty laserlaitteisiin. Tämän perusteella algoritmi asettaa parametrejä seuraavalle kokeelle.

“Toivomme, että algoritmiamme mahdollistaa ei-asiantuntijoiden PBF-laitteiden käytön”, sanoi Masinelli. Se vaatii vain integroimisen laserhitsauskoneiden ohjelmistoon valmistajien toimesta.

Arviointi AI-mallin tehokkuudesta PBF-LB-sovelluksissa

Uusi algoritmi, jonka tutkijat esittivät poistamaan tarpeen laajalle parametrin säätölle, joka rajoittaa PBF-LB:n laajempaa hyväksyntää, tunnistaa itsenäisesti sulamisregiimit optisista dataa käyttäen.

Kun se testattiin laboratoriossa, tiimi totesi menetelmän olevan erittäin tarkan, saavuttaen F1-lukeman 89,2 %:n kahdessa materiaalissa. Suorituskyvyn arvioimiseksi tutkijat tulostivat useita osia kahdessa materiaalissa.

Ensimmäinen oli Ti-6Al-4V, joka on yksi eniten käytetyistä (alfa-beeta) titaaniseoksista, jolla on erinomainen korroosionkestävyys ja korkea ominaispaino. Toinen oli 316L ruostumaton teräs, alhaisen hiilipitoisuuden versio 316 ruostumattomasta teräksestä, jota käytetään yleisesti elintarvikekäsittelyssä, lääketeollisuuden laitteissa, lääkevälineissä, koruissa, luksusajoissa, jäteveden käsittelyssä ja kemikaaliteollisuudessa.

Erityisesti tiimi suoritti sulatusaltaan tarkastukset vahvistamaan algoritmin ennusteita.

Arvio osoitti, että lähestymistapa vähensi 67 %:lla kokeellisten koekokeiden tarvetta molemmissa materiaaleissa säilyttäen samalla vankkaa suorituskykyä. Tämä voi merkittävästi laskea parametrin etsintään liittyvät kustannukset. Samalla oli enimmillään 8,88 %:n lasku F1-lukemassa verrattuna perinteiseen täydelliseen faktoriaaliseen koejärjestelyyn.

Tutkimus totesi:

“Nämä tulokset korostavat menetelmämme tehokkuutta edistyneiden valmistusprosessien autonomisen prosessikartan johdonmukaiseen johdattamiseen.”

Tutkijat uskovat, että tämä menetelmä “voi parantaa merkittävästi” sekä PBF-LB:n tehokkuutta että luotettavuutta, mikä voi johtaa sen laajempaan soveltamiseen useissa aloissa parantamalla sen kokonaisvaikuttavuutta.

“Tuloksemme osoittavat tämän menetelmän potentiaalin PBF-LB:n optimoinnin sujuvoittamiseen, mikä tekee siitä käytännöllisemmän teollisen soveltamiseen ja avaavan tien sen laajempaan hyväksyntään.”

Laserhitsauksen prosessien parantaminen AI:n ja FPGA:n integroimalla

Lisäksi tutkijat paransivat hitsausta prosessia toisessa tutkimuksessa.

Kun on kyse laserhitsauksesta, jopa ihanteellisilla asetuksilla prosessi voi silti tuottaa odottamattomia poikkeamia, ja vaikka se on pieni, se voi johtaa vakaviin virheisiin lopputuotteessa.

“Tällä hetkellä ei ole mahdollista vaikuttaa hitsausprosessiin reaaliajassa,” sanoi tutkija Rajani. “Tämä on ihmisten asiantuntijoiden kykyjen ulottumattomissa.”

– Tutkija Rajani

Itse asiassa tietokoneetkin kamppailevat nopeuden kanssa, jolla dataa on tarkasteltava ja päätöksiä on tehtävä. Tutkijat käyttivät tähän erityistä tietokonepiiriä.

Tämä piiri on nimeltään ohjelmoitava porttipiiri (FPGA), joka on suunniteltu korkean suorituskyvyn laskentaan (HPC) ja prototyyppien kehittämiseen. Piiri voidaan ohjelmoida valmistajan julkaisun jälkeen ja sovittaa eri käyttötarkoituksiin ilman tarvetta muuttaa laitteistoa. Niiden joustavuus yhdistettynä suorituskykyyn tekee niistä erittäin arvokkaita ilmailu-, auto- ja tietoliikennealalla.

Masinelli huomautti:

“FPGA:lla tiedämme tarkalleen, milloin se suorittaa käskyn ja kuinka kauan suorittaminen kestää – mikä ei ole tapauksessa perinteisellä PC:llä.”

Tutkijat liittivät FPGA:n PC:hen toimimaan “varavertaisena aivona”. Koska piiri havaitsee ja ohjaa laserin parametreja, tietoja käytetään myös algoritmin oppimiseen PC:llä.

“Jos olemme tyytyväisiä algoritmin suorituskykyyn virtuaalisessa ympäristössä PC:llä, voimme ‘siirtää’ sen FPGA:lle ja tehdä piiristä älykkämmän kerran.”

– Masinelli

Tutkijat uskovat, että koneoppiminen ja tekoäly voivat vaikuttaa merkittävästi laserin avulla tehtävään metallin prosessointiin. Siksi he jatkavat algoritmien ja mallien kehittämistä sekä laajentavat soveltamisaluettaan yhteistyössä muiden tutkimusryhmien ja teollisuuskumppaneiden kanssa.

3D-tulostusteknologioiden sijoitusmahdollisuuksien tutkiminen

Nyt yksi tärkeä osa metallisen lisäyksen suunnittelussa ja valmistuksessa on Colibrium Additive. Se on osa General Electric Company (GE ), joka tekee nykyään liiketoimintaa nimellä GE Aerospace.

Aikaisemmin tunnettu nimellä GE Additive, se uudelleenbrändättiin Colibrium Additiveksi viime kesänä, ja uudelleenbrändäyksen yhteydessä Concept Laser ja Arcam EBM lopetettiin.

“Vaikka muutamme nimeämme, säilytämme keskittymisen asiakkaiden, laadun ja luotettavuuden parissa. Jatkamme johtamista lisäyksen valmistuksen alalla ja pyrkimme positiivisesti häiritsemään sitä.”

– Toimitusjohtaja Alexander Schmitz

General Electric (GE )

Kun on kyse Colibrium Additive -yhtiön tarjoamista 3D-tulostimista, ne sisältävät sähköpurkausjauheen sulatusuunit (EB-PBF), laserin avulla tehtävän jauheen sulatusuunit (L-PBF) ja sidonta.

Yhtiön markkinasuoritus on ollut erittäin vahvaa viime vuosina.

Markkina-arvolla yli 260 miljardia dollaria GE:n osakkeet kaupataan tällä hetkellä noin 244 dollarin hinnalla, mikä on nousua 46 % tämän vuoden aikana. Yhtiön osake on nopeasti lähestymässä huippuaan noin 290 dollarissa, johon se ylsi vuonna 2000. Yhtiön EPS (TTM) on 6,35, ja P/E (TTM) on 38,46, kun taas osinkotuotto on 0,59 % osakkeenomistajille.

Yhtiön taloudelliset tiedot osoittavat vahvan Q1 2025, jolloin GE kirjasi 9,9 miljardin dollarin liikevaihdon, joka oli 11 %:n kasvu, kun taas tilaukset kasvoivat 12 %:iin 12,3 miljardiin dollariin.

Tämä vahva aloitus vuodelle 2025 johtui kaupallisten palvelujen kasvusta, totesi toimitusjohtaja H. Lawrence Culp, Jr., huomauttaen samalla makrotaloudellisista dynamiikasta, jotka edellyttävät yhtiöltä strategisia toimia, kuten kustannusten hallintaa ja käytettävissä olevien kaupan ohjelmien hyödyntämistä.

Liikevoitto kasvoi 38 %:iin 1. kuukauden aikana 2,1 miljardiin dollariin, kun taas mukautettu EPS kasvoi 60 %:iin 1,49 dollariin. Tänä aikana GE raportoi myös 1,5 miljardin dollarin käyttöomaisuuden rahavirtoja (GAAP) ja 1,4 miljardin dollarin vapaan rahan virran. Yhtiö ilmoitti myös 140 miljardin dollarin kaupallisen palvelun tilauskirjan.

Senaatissa Propulsion & Additive Technologies kasvoi vain 1 %:lla, ja yhtiö totesi, että “lisäyksen valmistuksen teollisuudessa hidastunut teknologian omaksuminen” vaikuttaa.

Vuoden 2025 vuosiraportissaan GE totesi “lisäyksen valmistuksen teollisuuden laskun hitaamman teknologian omaksumisen vuoksi”, mutta samalla se mainitsi Colibrium Additive -yhtiön “kriittisen liiketoiminnan nykyisille ja tuleville teknologioille GE Aerospace -yhtiössä ja jatkaa fokusta siellä, missä se voi luoda eniten arvoa”.

Uusimmat General Electric (GE) -osakeuutiset ja kehitykset

Johtopäätös

Kun tekoäly jatkaa kehittymistään ja muuttaa teollisuutta, se auttaa myös määrittelemään, mitä on mahdollista modernissa valmistuksessa, kiihdyttäen prosessin optimointia ja mahdollistaen reaaliaikaisen mukautuvuuden.

Vähentämällä merkittävästi aikaa ja kustannuksia, jotka liittyvät parametrin säätöön ja virheiden havaitsemiseen PBF:ssä ja saavuttamalla reaaliaikaisen ohjauksen laserhitsauksessa, laseripohjainen lisäysvalmistus on valmis laajempaan soveltamiseen, avaen tien uudelle aikakaudelle tehokkaalle, saatavalle ja mukautuvalle tuotannolle.

Klikkaa tästä 3D-tulostuksen johtavien osakkeiden luetteloon.

Tutkimukset:

^{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}