AI‑tehostettu tarkkuus muuttaa laserpohjaista 3D‑metallitulostusta

3D‑tulostuksen tai lisävalmistuksen maailmassa laserpohjainen metalliprosessointi on suosittu tekniikka, joka mahdollistaa automatisoidun, tarkan ja nopean monimutkaisten komponenttien tuotannon.

Laserpohjainen metallin käsittely tarkoittaa laserin käyttöä energialähteenä metallin muokkaamiseen. Laser on vahvistettu valon tai sähkömagneettisen säteilyn säde, joka voi kulkea suoraviivaisesti vähäisellä hajaantumisella.

Tämä tekee laseista erittäin hyödyllisiä materiaalinkäsittelyssä, jossa niitä käytetään koneistukseen, hitsaukseen ja pintatekniikkaan. Lisävalmistuksessa laseja käytetään materiaalien sulattamiseen ja komponenttien valmistamiseen kerros kerrokselta.

Lisävalmistus on yksinkertaisesti tuotteen luomista kerros kerrokselta. Se alkoi muovien käytöstä prosessoinnin helppouden vuoksi, mutta on sittemmin laajentunut kaikkiin materiaaleihin, myös metallisiin.

Metallimateriaalit tunnetaan houkuttelevista ominaisuuksistaan, kuten erinomaisesta sähkönjohtavuudesta, korkeasta lujuudesta, muovautuvuudesta ja sulamispisteestä, mikä tekee niistä erittäin käyttökelpoisia biolääketieteessä, energiassa, arkkitehtuurissa ja sotilassovelluksissa.

Laseriprosessointi metallien kanssa tarjoaa puolestaan ainutlaatuisia etuja, kuten korkean energian tiheyden, kapean lämpövaikutusalueen ja vähäisen kontaminaation. Siksi laseriprosesseja käytetään monilla aloilla, erityisesti siellä, missä vaaditaan maksimaalista tarkkuutta ja korkeaa räätälöitävyyttä. Niihin liittyy kuitenkin omat haasteensa ja tekniset vaikeudet.

“Jotta laserpohjaisia prosesseja voitaisiin käyttää joustavasti ja saavuttaa johdonmukaisia tuloksia, meidän on parannettava näiden prosessien ymmärtämistä, seurantaa ja ohjausta.”

– Empan Advanced Materials Processing -laboratorion tutkimusryhmän johtaja Elia Iseli

Tämän tavoitteen kanssa Empan Thunin tutkijat Giulio Masinelli ja Chang Rajani tekevät laserpohjaisista valmistustekniikoista saavutettavampia, edullisempia ja tehokkaampia koneoppimisen avulla.

Laserjauhevuoteen sulautumisen (PBF-LB) etujen ja haasteiden ymmärtäminen

Laserpohjaisessa metalliprosessoinnin laajemmassa kentässä jauhevuoteen sulautuminen on suosittu menetelmä, jossa laseria käytetään sulattamaan ohuita metallijauhekerroksia tarkasti halutuissa pisteissä ja hitsaamaan ne yhteen lopullisen komponentin muodostamiseksi.

Laser-pohjainen jauhevuoteen sulautuminen (PBF-LB) on erikoistunut tekniikka, joka on saanut viime vuosina paljon huomiota. Tässä merkittävässä lisävalmistusteknologiassa käytetään erittäin suuritehoisia laseja metallijauheiden kerroskerroksittain sulattamiseen ennen niiden muuntamista räätälöidyiksi ja tarkkoiksi komponenteiksi.

Tämä tekniikka mahdollistaa monimutkaisten geometrioiden valmistuksen, tarjoaa räätälöintimahdollisuuksia ja varmistaa materiaalitehokkuuden.

Nämä ominaisuudet tekevät PBF-LB:stä erityisen hyödyllisen auto-, lääke-, ilmailu- ja kuluttajatuotteiden aloilla, joissa tarvitaan kevyitä ja monimutkaisia osia, räätälöityjä suunnitelmia, tarkkuutta, painon vähennystä ja nopeaa prototypointia.

Vaikka tekniikka on monipuolinen ja tehokas, se kohtaa useita esteitä laajemman käyttöönoton ja optimoinnin saavuttamisessa.

Tähän sisältyy vaikeus löytää ihanteellinen prosessikehys käytettävälle metallijauheelle.

“Jopa saman alkujauheen uusi erä voi vaatia täysin erilaisia asetuksia.”

– Masinelli

Metallin sulatukseen tarvittava korkea energiamäärä luo monimutkaisia fysikaalisia mekanismeja, jotka heikentävät osien laatua. Näihin mekanismeihin kuuluvat materiaalin ominaisuuksien epäyhtenäisyydet, ilmakehän kaasujen vaikutus sekä laserin vuorovaikutus höyrypilven kanssa. Kaikki nämä ilmiöt aiheuttavat ongelmia parametrien tunnistamisessa.

Tämä johtuu pääosin kahdesta tilasta. Yksi on johtavuustila, jossa metalli vain sulaa, ja se soveltuu ohuisiin ja tarkkoihin komponentteihin. Toinen vaihtoehto on avokytkentätila (keyhole), jossa metalli voi joissain tapauksissa höyrystyä. Se on nopeampi, mutta myös vähemmän tarkka, mikä tekee siitä sopivan paksumpiin komponentteihin.

Näiden tilojen välinen raja riippuu eri parametreista, ja parhaan laadun saavuttaminen lopputuotteissa edellyttää oikeita asetuksia, jotka vaihtelevat käsiteltävän materiaalin mukaan.

Materiaalin ja laserin monimutkainen vuorovaikutus tekee prosessista herkkää erittäin pienille vaihteluille, mikä voi johtaa tuotanto-ongelmiin ja tekee tekniikasta aika- ja resurssitehokkaan. Tämän seurauksena PBF-LB vaatii työlästä parametrien hienosäätöä johdonmukaisten tulosten saavuttamiseksi.

Se ei kuitenkaan pääty tähän. Tässä vaiheessa tuotetut näytteet analysoidaan eri tekniikoilla, kuten mikrorakenteellisella analyysillä, tiheysmittauksilla ja röntgen‑tietokonetomografialla (CT).

Nämä menetelmät tarjoavat yksityiskohtaista tietoa sisäisistä rakenteista ja havaitsevat viat, mikä on kriittistä PBF-LB‑osien laadun ja suorituskyvyn arvioinnissa, mutta ne vaativat myös erikoislaitteita, asiantuntijatietoa sekä ovat kalliita ja aikaa vieviä.

“Siksi monet yritykset eivät pysty edes hankkimaan PBF‑tekniikkaa alun perin.”

– Masinelli

Kaikkien näiden ongelmien ratkaisemiseksi Empan tutkijat hyödynsivät koneoppimista tehdäkseen laserprosesseista tehokkaampia, kustannustehokkaampia ja tarkempia.

Klikkaa tästä oppiaksesi, miten lisävalmistus muokkaa teollisuuksia.

Tekoälyn hyödyntäminen reaaliaikaisessa ohjauksessa metallin 3D‑tulostuksessa

Analyysinäytteiden tarkasteluun tutkijat ovat kääntyneet reaaliaikaisten seurantamenetelmien puoleen käyttäen antureita, kuten akustista emisioita (AE), nopeaa lämpökuvausta ja optisia antureita.

Reaaliaikainen seuranta on valittu sen kyvyn vuoksi havaita ei-toivottuja tapahtumia valmistusprosessin aikana. Tämä mahdollistaa välittömät säädöt, mikä puolestaan säästää resursseja poistamalla ja sulattamalla virheet uudelleen.

Nämä reaaliaikaiset seurantatekniikat perustuvat yleensä koneoppimisalgoritmeihin (ML).

Koneoppiminen, tekoälyn osa‑alue, keskittyy tilastollisten algoritmien kehittämiseen, jotka oppivat datasta. Nämä algoritmit poimivat merkityksellisiä kuvioita korkeanulotteisesta datasta ja tekevät ennusteita, tässä tapauksessa metalliprosessoinnin osien laadusta, ilman että monimutkaisia fysikaalisia malleja täytyy ohjelmoida erikseen.

Nämä AI‑lähestymistavat eivät kuitenkaan ole ilman rajoituksia. Haasteita ovat mm. mallin oppiminen havaitsemaan prosessiparametrien muutoksia prosessiregimeistä ja vikojen muodostumisesta.

Koneiden parametrien luonnollinen poikkeama ajan myötä muodostaa myös esteen näiden mallien yleistettävyydelle, rajoittaen AI‑mallien käytännön soveltuvuutta todellisissa valmistusympäristöissä. Lisäksi automaatiokysymykset vaativat erikoislaitteita ja monien parametrien tutkiminen on haastavaa ja resurssia kuluttavaa.

On selkeä tarve algoritmeille, jotka voivat itsenäisesti navigoida PBF‑parametriavaruudessa, huomioiden useita prosessimuuttujia, optimoiden olosuhteet ja ymmärtäen taustalla olevat sulatusregimit.

Tätä tarvetta vastaavat Empan tutkijat, jotka ovat ehdottaneet uutta menetelmää, jossa hyödynnetään valvontaa optisella datalla keskittyen sulatusregimien tunnistamiseen ilman merkattua dataa tai laajaa jälkikäsittelyanalyysiä.

Ohjaamatonta oppimista hyödyntävä PBF-LB‑parametrien optimointi

Empan tutkijoiden kehittämä uusi ohjaamaton tekniikka keskittyy kahteen pääparametriin: laseritehoon ja skannausnopeuteen, jotka on tunnistettu vaikuttavimmiksi sulatusregimiin.

Vaikka tutkimus¹ keskittyi näihin kahteen parametriin, tekniikkaa voidaan käyttää myös muiden prosessiparametrien osalta. Tulevaisuudessa tutkijat aikovat sisällyttää algoritmiinsa kaasun virtauksen, ristikkoetäisyyden ja kerrospaksuuden, jotta PBF‑LB‑parametriavaruuden tutkimus olisi kattavampaa.

Toistaiseksi ehdotettu menetelmä osoittaa tarkasti siirtymän johtavuustilan ja avokytkentätilan välillä.

Ohjaamaton lähestymistapa tarjoaa myös perustan prosessikarttojen poimimiselle ilman merkattua dataa, mikä on merkittävä etu PBF‑LB‑ympäristössä, jossa merkattujen tietojen hankinta on sekä kallista että haastavaa.

Tutkimus rakentuu tämän perustan päälle ja esittelee alkuperäisen menetelmän, joka yhdistää aktiivisen oppimisen (valitsemalla informatiivisimmat datapisteet) ja Bayesilaisen optimoinnin (iteratiivinen näytteenottostrategia, jossa hyödynnetään todennäköisyysmallia) prosessikarttojen tehokkaaseen johdannoon.

Mitä tekee lähestymistavasta erilaisen, on se, että se aloittaa ilman dataa ja rakentaa tietojoukon vähitellen päättämällä, missä jokainen uusi koe suoritetaan, jolloin kokeellinen prosessi itse optimoituu.

Huomionarvoista on, että vaikka mallia tarkennetaan iteratiivisesti, se pysyy ohjaamattomana koko prosessin ajan, koska se ei vaadi merkattua dataa. Sulatusregimien tunnistamiseksi algoritmi hyödyntää optisesta datasta poimittuja ominaisuuksia, ja tuloksia käytetään kouluttamaan Gaussian Process Classifier (GPC) –mallia, joka antaa todennäköisyyspohjaisen arvion kartasta.

Iteratiivisessa vaiheessa algoritmi valitsee uudet kokeiluasetukset niiltä alueilta, joilla ennusteissa on suurin epävarmuus, mikä parantaa prosessikartan arviointia.

Periaatteessa algoritmia opetetaan havaitsemaan, missä hitsaustilassa laser on testiajon aikana, käyttäen optisten antureiden dataa, joka on jo integroitu laserlaitteisiin. Tämän perusteella algoritmi asettaa seuraavan testin parametrit.

“Toivomme, että algoritmimme mahdollistaa PBF‑laitteiden käytön myös ei‑asiantuntijoille,” Masinelli sanoi. “Se tarvitsee vain integroida laserhitsauslaitteiden laiteohjelmistoon valmistajien toimesta.”

AI‑mallin tehokkuuden arviointi PBF‑LB‑sovelluksissa

Tutkijoiden esittelemä uusi algoritmi, jonka tavoitteena on poistaa laaja parametrien hienosäätö, joka rajoittaa PBF‑LB:n laajempaa käyttöönottoa, tunnistaa itsenäisesti sulatusregimit valonmittareiden datasta.

Laboratoriokokeissa menetelmä osoittautui erittäin tarkaksi, saavuttaen 89,2 % F1‑pisteen kahdessa materiaalissa. Suorituskyvyn arvioimiseksi tutkijat tulostivat useita osia kahdessa materiaalissa.

Ensimmäinen materiaali oli Ti‑6Al‑4V, yksi yleisimmin käytetyistä (alfa‑beeta) titaaniseoksista, jolla on erinomainen korroosionkestävyys ja korkea spesifinen lujuus. Toinen materiaali oli 316L‑ruostumaton teräs, vähähiilinen versio 316‑teräksestä, jota käytetään laajasti elintarviketeollisuudessa, lääketeollisuudessa, lääketieteellisissä laitteissa, koruissa, luksuskelloissa, jäteveden käsittelyssä ja kemianteollisuudessa.

Erityisesti tiimi suoritti sulatusaltaan tarkastuksia varmistaakseen algoritmin ennusteet.

Arviointi osoitti, että lähestymistapa vähensi kokeellisten kokeiden tarvetta 67 % molemmissa metalleissa säilyttäen vahvan suorituskyvyn. Tämä voi merkittävästi alentaa parametrien tutkimisen kustannuksia. Samalla F1‑pisteen heikkeneminen oli enintään 8,88 % verrattuna perinteiseen täysfaktoriaaliseen kokeilusuunnitelmaan.

The study stated:

“Nämä tulokset korostavat menetelmämme tehokkuutta autonomisessa prosessikarttojen johdannossa edistyneille valmistusprosesseille.”

Tutkijat uskovat, että tässä esitelty menetelmä voi “merkittävästi parantaa” sekä PBF‑LB:n tehokkuutta että luotettavuutta, mikä voisi johtaa laajempaan käyttöönottoon parantamalla sen kokonaistehokkuutta eri sektoreilla. Tutkimuksen mukaan:

“Tuloksemme osoittavat, että tämä menetelmä voi virtaviivaistaa PBF‑LB‑optimointia, tehdä siitä teollisissa sovelluksissa toteuttamiskelpoisemman ja avata tietä sen laajemmalle käyttöönotolle.”

Laserhitsausprosessien parantaminen AI:n ja FPGA‑integraation avulla

Parametrien alkukokeiden optimoinnin lisäksi tutkijat paransivat myös hitsausprosessia toisessa projektissa.

Laserhitsauksessa, vaikka asetukset olisivatkin ihanteelliset, prosessi voi silti tuottaa ennalta arvaamattomia poikkeamia, ja pienikin poikkeama voi johtaa vakaviin virheisiin tuotteessa.

“Tällä hetkellä ei ole mahdollista vaikuttaa hitsausprosessiin reaaliajassa,” tutkija Rajani sanoi. “Tämä ylittää ihmisen asiantuntijoiden kyvyt.”

– Tutkija Rajani

Itse asiassa tietokoneetkin kamppailevat sen nopeuden kanssa, jolla dataa täytyy tarkastella ja päätöksiä tehdä. Tutkijat käyttivät tässä erityistä tietokonepiirisarjaa.

Tätä piirisarjaa kutsutaan kenttäohjelmoitavaksi porttialgoritmiksi (FPGA), joka on suunniteltu korkean suorituskyvyn laskentaan (HPC) ja prototyyppien toteuttamiseen. Piiri voidaan ohjelmoida valmistajan vapauttamisen jälkeen ja mukauttaa erilaisiin käyttötapauksiin ilman fyysistä laitteiston muutosta. Sen monipuolisuus yhdistettynä korkeaan suorituskykyyn tekee siitä erittäin arvokkaan ilmailu-, auto‑ ja telekommunikaatioaloilla.

Masinelli totesi:

“FPGA‑piirien kanssa tiedämme tarkalleen, milloin ne suorittavat komennon ja kuinka kauan suoritus kestää – mikä ei pidä paikkaansa perinteisen PC:n kanssa.”

Tutkijat liittivät FPGA:n PC:hen toimimaan “varmuuskopiona”. Kun piiri tarkkailee ja ohjaa laserparametreja, nämä tiedot hyödynnetään myös PC:n algoritmissa oppimista varten.

“Jos olemme tyytyväisiä algoritmin suorituskykyyn virtuaaliympäristössä PC:ssä, voimme siirtää sen FPGA:lle ja tehdä piirin älykkäämmäksi kerralla.”

– Masinelli

Tutkijat uskovat, että ML ja AI voivat merkittävästi edistää laserpohjaista metalliprosessointia. He jatkavat algoritmien ja mallien kehittämistä sekä sovellusalueiden laajentamista yhteistyössä muiden tutkimusryhmien ja teollisuuden kumppaneiden kanssa.

Sijoitusmahdollisuuksien tutkiminen 3D‑tulostusteknologioissa

Nyt merkittävä toimija metallisen lisävalmistuksen suunnittelussa ja valmistuksessa on Colibrium Additive. Se on osa General Electric Company (GE.TO ) (GE ), joka toimii nykyään nimellä GE Aerospace.

Aikaisemmin tunnettu nimellä GE Additive, se lanseerattiin uudelleen nimellä Colibrium Additive viime kesänä, ja brändiuudistuksen yhteydessä Concept Laser ja Arcam EBM poistettiin käytöstä.

“Vaikka muutamme nimeämme, säilytämme horjumattoman keskittymisen asiakkaisiimme, laatuun ja luotettavuuteen. Jatkamme johtavina toimijoina lisävalmistuksen alalla ja häiritsemme sitä positiivisesti.”

– Toimitusjohtaja Alexander Schmitz

General Electric (GE )

Colibrium Additiven tarjoamiin 3D‑tulostimiin kuuluvat elektronisuihku‑jauhevuoteen sulautumisen (EB‑PBF) -tulostimet, laser‑jauhevuoteen sulautumisen (L‑PBF) -tulostimet ja sidontasuihku.

Yrityksen markkinasuoritus on ollut viime vuosina todella vahvaa.

Yli 260 miljardia dollarin markkina-arvolla GE‑osakkeet käyvät tällä hetkellä noin 244 dollaria, mikä on 46 % nousu tänä vuonna. Osake lähestyy huippuaan, joka oli noin 290 dollaria vuonna 2000. Sen EPS (TTM) on 6,35 ja P/E (TTM) 38,46, ja osakkeenomistajille tarjottu osinkotuotto on 0,59 %.

Samaan aikaan yrityksen talousluvut osoittavat vahvaa 1 Q 2025:ssä, jolloin GE:n kokonaisliikevaihto oli 9,9 miljardia dollaria, 11 % kasvu, ja kokonaistilaukset nousivat 12 % 12,3 miljardiin dollariin.

Tämän vahvan vuoden 2025 alun taustalla olivat kaupalliset palvelut, kertoi toimitusjohtaja H. Lawrence Culp, Jr., samalla kun hän huomautti makrotaloudellisista dynamiikoista, jotka vaativat yritystä toteuttamaan strategisia toimia, kuten kustannusten hallintaa ja käytettävissä olevien kauppaprogrammien hyödyntämistä.

Liiketoiminnan tulos nousi 38 % 1Q25:ssä 2,1 miljardiin dollariin, kun säädetty EPS kasvoi 60 % 1,49 dollariin. Tänä aikana GE myös raportoi 1,5 miljardia dollaria käteisvaroja operatiivisesta toiminnasta (GAAP), kun vapaa kassavirta nousi 14 % 1,4 miljardiin dollariin. Yritys ilmoitti myös kaupallisten palveluiden takaisinkertymän, joka ylittää 140 miljardia dollaria.

Kaiken tämän keskellä Propulsion & Additive Technologies kasvoi vain 1 %, kun yritys totesi, että hinnat ja volyymit kompensoivat alhaisemmat lähetykset, jotka johtuvat suunnitellusta pehmeästä aloituksesta laitteiden myynnissä.

Vuoden vuosikertomuksessaan GE totesi “lisävalmistusteollisuuden laskun hitaamman teknologian omaksumisen vuoksi”, mutta samalla korosti, että Colibrium Additive on “kriittinen liiketoiminta GE Aerospace:n nykyiselle ja tulevalle teknologiatasolle, kun keskitymme siihen, missä se voi luoda eniten arvoa.”

Viimeisimmät General Electric (GE) -osaketuotteiden uutiset ja kehitykset

Johtopäätös

Kun AI kehittyy ja muuttaa teollisuuksia, se auttaa myös määrittelemään uudelleen, mitä nykyaikainen valmistus voi saavuttaa nopeuttamalla prosessien optimointia ja mahdollistamalla reaaliaikaisen mukautuvuuden.

Vähentämällä merkittävästi parametrien säätämiseen ja vikojen havaitsemiseen kuluvaa aikaa ja kustannuksia PBF‑prosesseissa sekä saavuttamalla reaaliaikainen ohjaus laserhitsauksessa, laserpohjainen lisävalmistus on valmis laajempaan käyttöönottoon, avaten uuden aikakauden tehokkaalle, saavutettavalle ja räätälöidylle tuotannolle.

Klikkaa tästä saadaksesi listan parhaista 3D‑tulostusosakkeista.

Viitteet:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonominen tutkimus PBF‑LB‑parametriavaruudesta: epävarmuusohjattu algoritmi automatisoitua prosessikarttojen luontia varten. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}