AI-drevet presisjon for å transformere laserbasert 3D metallutskrift

I verden av 3D‑utskrift eller additiv produksjon er laserbasert metallbehandling en populær teknikk som gjør det mulig å automatisere, presist og raskt produsere intrikate komponenter.

Laserbasert bearbeiding av metaller innebærer å bruke en laser som energikilde for å manipulere metallet. En laser er en forsterket lysstråle eller elektromagnetisk stråling som kan bevege seg i en rett linje med liten spredning. 

Dette gjør lasere svært nyttige i materialbearbeiding, hvor de brukes til maskinering, sammenføyning og overflatebehandling. I additiv produksjon brukes lasere til å smelte materialer og fremstille komponenter lag for lag.

Additiv produksjon er enkelt sagt å lage et produkt lag for lag. Det startet med bruk av plast som materiale, takket være enkel bearbeidbarhet. Men det har nå vokst til å omfatte alle typer materialer, inkludert metalliske materialer.

Metalliske materialer er kjent for sine attraktive egenskaper, som utmerket elektrisk ledningsevne og høy styrke, duktilitet og smeltepunkt, noe som gjør dem svært nyttige i biomedisinske, energimessige, arkitektoniske og militære anvendelser. 

Laserbearbeiding av metaller gir imidlertid unike fordeler som høy energitetthet, en smal varmepåvirket sone og lite forurensning. Derfor brukes laserprosesser i mange sektorer, spesielt der maksimal presisjon og høy tilpasning kreves. Men den har også sine komplikasjoner og tekniske utfordringer. 

«For å sikre at laserbaserte prosesser kan brukes fleksibelt og oppnå konsistente resultater, jobber vi med bedre forståelse, overvåking og kontroll av disse prosessene.»

– Elia Iseli, leder for forskningsgruppen i Empas laboratorium for avansert materialbearbeiding

Med dette målet gjør forskerne Giulio Masinelli og Chang Rajani fra Empa i Thun laserbaserte produksjonsteknikker mer tilgjengelige, rimelige og effektive ved hjelp av maskinlæring.

Forstå fordelene og utfordringene med Laser Powder Bed Fusion (PBF‑LB)

Innenfor det bredere feltet av laserbasert metallbearbeiding er Powder Bed Fusion en populær metode, som innebærer å bruke en laser til å smelte tynne lag med metallpulver på nøyaktige steder og sveise dem sammen for å produsere den endelige komponenten.

Powder Bed Fusion med Laserstråle (PBF‑LB) er derimot en spesialisert teknikk som har fått mye oppmerksomhet de siste årene. I denne fremtredende additiv produksjonsteknologien brukes lasere med svært høy effekt til å smelte metallpulver lag for lag før de kombineres til tilpassede og svært presise komponenter. 

Denne teknikken gjør det mulig å produsere komplekse geometriske former samtidig som den gir tilpasningsmuligheter og sikrer materialeffektivitet.

Disse egenskapene gjør PBF‑LB spesielt gunstig for industrier som bil, medisin, luftfart og forbrukerprodukter, hvor det er behov for lette og komplekse deler, personlig design, presisjon, vektreduksjon og rask prototyping.

Selv om teknikken er allsidig og effektiv, møter den flere hindringer for å oppnå bredere adopsjon og optimalisering.

Dette inkluderer vanskeligheter med å identifisere det ideelle prosesseringsrammeverket for det metallpulveret som brukes.

«Selv en ny batch av samme startpulver kan kreve helt andre innstillinger.»

– Masinelli

Den høye energiinntaket som kreves for å smelte metall i denne teknikken skaper faktisk komplekse fysiske mekanismer som negativt påvirker delens kvalitet. Disse mekanismene inkluderer inkonsistens i materialegenskaper, påvirkning fra atmosfæriske gasser og interaksjon mellom laser og dampplume. Alle disse fenomenene skaper problemer med å identifisere parametere.

Dette skyldes hovedsakelig de to modusene. Den ene er ledningsmodus hvor metallet bare smeltes, og den er ideell for tynne og presise komponenter. Den andre er nøkkelhullmodus, hvor metallet i noen tilfeller kan fordampe. Den er raskere, men også mindre presis, og egner seg for tykkere komponenter.

Grensen mellom disse modusene avhenger imidlertid av ulike parametere, og for å oppnå best mulig kvalitet i sluttproduktene kreves riktige innstillinger, som varierer avhengig av materialet som bearbeides.

De komplekse interaksjonene mellom materialet og laser gjør også prosessen sensitiv for svært små variasjoner, noe som kan føre til produksjonsproblemer, og dette gjør teknikken tid- og ressurskrevende. Som et resultat krever PBF‑LB en arbeidskrevende finjustering av parametere for å oppnå konsistente resultater.

Det stopper ikke her. Prøvene som produseres på dette stadiet analyseres deretter ved hjelp av ulike teknikker som mikrostruktur‑analyse, tetthetsmålinger og røntgen‑computertomografi (CT). 

Disse metodene gir detaljert informasjon om interne strukturer og oppdager feil, noe som er kritisk for å evaluere kvaliteten og ytelsen til PBF‑LB‑deler, men igjen krever de spesialisert utstyr og ekspertkunnskap i tillegg til å være kostbare og tidkrevende.

«Det er derfor mange selskaper ikke har råd til PBF i utgangspunktet.»

– Masinelli

For å løse alle disse problemene har forskere fra Empa brukt maskinlæring for å gjøre laserprosesser mer effektive, kostnadseffektive og presise.

Klikk her for å lære hvordan additiv produksjon omformer industrier.

Utnytte AI for sanntidskontroll i metall‑3D‑utskrift

For prøveanalyse har forskerne vendt seg til sanntidsovervåkingsmetoder ved bruk av sensorer som akustisk emisjon (AE), høyhastighets termisk avbildning og optiske sensorer.

Sanntidsovervåkning er valgt på grunn av evnen til å oppdage uønskede hendelser under produksjonsprosessen. Dette gjør det mulig med umiddelbare justeringer, som igjen sparer ressurser ved å fjerne og remelte defekter. 

Disse sanntidsovervåkningsteknikkene er vanligvis basert på maskinlærings‑algoritmer (ML).

Et fagområde innen kunstig intelligens, maskinlæring, handler om utvikling av statistiske algoritmer som lærer fra data. Disse algoritmene trekker meningsfulle mønstre fra høy‑dimensjonale data og gjør deretter prediksjoner, i tilfelle av metallbearbeiding på delens kvalitet, uten å måtte programmere komplekse fysiske modeller eksplisitt.

Disse AI‑tilnærmingene er imidlertid ikke uten begrensninger. Utfordringene inkluderer at modellen lærer å oppdage endringer i prosessparametere i stedet for prosessregimet og feilforming.

Den naturlige driften i maskinparametere over tid utgjør også en barriere for generalisering av disse modellene, noe som begrenser den praktiske anvendeligheten av AI‑modeller i virkelige produksjonsmiljøer. I tillegg er det problemer med automatisering, som krever spesialisert utstyr og blir komplisert av flere parametere, noe som også er utfordrende og ressurskrevende å utforske.

Det er et klart behov for algoritmer som autonomt kan navigere i PBF‑parameterrommet, med hensyn til flere prosessvariabler, for å identifisere optimale forhold og forstå de underliggende smelte­regimene.

Dette behovet adresseres nå av forskere fra Empa, som har foreslått en ny metode som bruker usupervisert innsamling av optisk data med fokus på identifisering av smelte­regime uten behov for merkede data eller omfattende etterbehandlingsanalyse.

Implementering av usupervisert læring for å optimalisere PBF‑LB‑parametere

Den nye usuperviserte teknikken utviklet av Empa‑forskerne fokuserer på to hovedparametere: laserkraft og skanningshastighet, som er identifisert som de med størst innvirkning på smelte­regimet.

Mens fokuset i studien¹ var på disse to parameterne, kan teknikken også brukes for ytterligere prosessparametere. I fremtiden vil forskerne innlemme gassstrømningshastighet, radavstand og lagtykkelse i algoritmen for å muliggjøre en mer omfattende utforskning av PBF‑LB‑parameterrommet.

For nå peker den foreslåtte metoden nøyaktig på overgangen mellom ledningsmodus og nøkkelhullmodus.

Den usuperviserte tilnærmingen gir også et grunnlag for å trekke ut prosesskart uten å være avhengig av merkede data, noe som gir en betydelig fordel i PBF‑LB, hvor innhenting av merkede data er både kostbart og utfordrende.

Studien bygger faktisk på dette grunnlaget og introduserer en original metode som kombinerer deler av aktiv læring (valg av de mest informative datapunktene) og Bayesisk optimalisering (iterativ prøvetakingsstrategi som bruker en probabilistisk modell) for effektivt å avlede prosesskart.

Det som gjør tilnærmingen annerledes er at den starter uten data og deretter gradvis bygger datasettet ved å bestemme hvor hvert nytt eksperiment skal utføres, slik at den eksperimentelle prosessen kan optimaliseres.

Merkbart, til tross for at den bruker en iterativ tilnærming for raffinering, forblir modellen usupervisert gjennom hele prosessen, da den ikke krever merkede data. For å identifisere smelte­regimene, baserer algoritmen seg på funksjoner hentet fra de optiske dataene, og resultatene brukes deretter til å trene en Gaussian Process Classifier (GPC) for å gi en probabilistisk estimering av kartet. 

Når det gjelder den iterative delen, velger algoritmen nye prøveinnstillinger basert på de feltene som har høy usikkerhet i prediksjonene, noe som forbedrer estimeringen av prosesskartet.

I hovedsak blir algoritmen lært opp til å oppdage hvilken sveise‑modus laseren er i under en testkjøring, ved bruk av data fra optiske sensorer som allerede er integrert i laser‑maskinene. Basert på dette setter algoritmen parametrene for neste test.

«Vi håper at algoritmen vår vil gjøre det mulig for ikke‑eksperter å bruke PBF‑enheter», sa Masinelli. Den trenger bare å integreres i fastvaren til laser‑sveise­maskinene av produsentene.

Evaluering av effektiviteten til AI‑modellen i PBF‑LB‑applikasjoner

Den nye algoritmen som forskerne introduserte for å eliminere behovet for omfattende parameterjustering, som begrenser PBF‑LBs bredere adopsjon, identifiserer autonomt smelte­regimene ved hjelp av data fra fotodioder.

Og da den ble testet i laboratoriet, fant teamet metoden svært nøyaktig, med en F1‑score på 89,2 % på tvers av to materialer. For å evaluere ytelsen, skrev forskerne ut flere deler i to materialer. 

Den første var Ti‑6Al‑4V, en av de mest brukte (alfa‑beta) titanlegeringene, med utmerket korrosjonsbestandighet og høy spesifikk styrke. Den andre var 316L rustfritt stål, en lav‑karbonversjon av 316 rustfritt stål, som vanligvis brukes i matproduksjon, farmasøytisk utstyr, medisinsk utstyr, smykker, luksusklokker, avløpsvannbehandling og i den kjemiske industrien.

Spesielt gjennomførte teamet inspeksjoner av smeltebassenger for å verifisere algoritmens prediksjoner. 

Evalueringen viste at tilnærmingen reduserte behovet for eksperimentelle forsøk med 67 % i begge metaller samtidig som den opprettholdt robust ytelse. Dette kan betydelig senke kostnadene ved parameterutforskning. Samtidig var det kun en maksimal nedgang på 8,88 % i F1‑score sammenlignet med et tradisjonelt full‑faktorielt eksperimentdesign.

The study stated:

«Disse resultatene understreker effektiviteten til metoden vår i konteksten av autonom avledning av prosesskart for avanserte produksjonsprosesser.» 

Metoden som introduseres her, mener forskerne, kan «sterkt forbedre» både effektiviteten og påliteligheten til PBF‑LB, noe som kan føre til bredere adopsjon ved å øke den samlede effektiviteten på tvers av ulike sektorer. Ifølge studien:

«Våre resultater demonstrerer potensialet til denne metoden for å strømlinjeforme optimalisering av PBF‑LB, gjøre den mer gjennomførbar for industrielle anvendelser og bane vei for bredere adopsjon.» 

Forbedring av laser‑sveiseprosesser gjennom AI‑ og FPGA‑integrasjon

I tillegg til å optimalisere innledende eksperimenter forbedret forskerne sveiseprosessen i et annet prosjekt. 

Når det gjelder laser‑sveising, kan prosessen selv med ideelle innstillinger fortsatt gi uforutsigbare avvik, og selv et lite avvik kan føre til alvorlige defekter i produktet.

«Det er for øyeblikket ikke mulig å påvirke sveiseprosessen i sanntid», sa forsker Rajani. «Dette ligger utenfor menneskelige eksperters evner.»

– Forsker Rajani

Faktisk sliter selv datamaskiner med hastigheten som kreves for å undersøke data og ta beslutninger. Forskerne brukte en spesialisert type databrikke her.

Denne brikken kalles en field‑programmable gate array (FPGA), som er designet for høyytelses‑databehandling (HPC) og prototyping. Brikken kan programmeres etter at den er levert fra produsenten og tilpasses ulike bruksområder uten å måtte endre maskinvaren fysisk. Deres allsidighet, kombinert med høy ytelse, gjør dem svært verdifulle i luftfarts‑, bil‑ og telekommunikasjonsindustriene.

Masinelli noted:

«Med FPGA‑er vet vi nøyaktig når de vil utføre en kommando og hvor lang tid utførelsen vil ta – noe som ikke er tilfelle med en konvensjonell PC.» 

Forskerne koblet FPGA‑en til en PC for å fungere som en «reserve‑hjerne». Etter hvert som brikken observerer og kontrollerer laserparametrene, brukes disse dataene også av algoritmen på PC‑en for læring.

«Hvis vi er fornøyde med ytelsen til algoritmen i det virtuelle miljøet på PC‑en, kan vi ‘overføre’ den til FPGA‑en og gjøre brikken mer intelligent på én gang.»

– Masinelli

Forskerne mener at ML og AI har potensial til å bidra betydelig til laserbasert metallbearbeiding. Derfor vil de fortsette å utvikle sine algoritmer og modeller, samt utvide deres anvendelsesområde, i samarbeid med andre forskningsgrupper og industripartnere.

Utforske investeringsmuligheter i 3D‑utskrifts‑teknologier

Nå er en sentral aktør innen metall‑additiv design og produksjon Colibrium Additive. Det er en del av General Electric Company (GE.TO ) (GE ), som nå driver virksomheten som GE Aerospace. 

Tidligere kjent som GE Additive, ble den relansert som Colibrium Additive i fjor sommer, og som en del av omprofileringen ble Concept Laser og Arcam EBM pensjonert.

«Selv om vi endrer navnet vårt, opprettholder vi vårt urokkelige fokus på kundene, kvaliteten og påliteligheten. Vi vil fortsette å lede additiv produksjonsindustri fra fronten og positivt forstyrre den.»

– CEO Alexander Schmitz

General Electric (GE )

Når det gjelder 3D‑printerne som tilbys av Colibrium Additive, inkluderer de Electron Beam Powder Bed Fusion (EB‑PBF)‑printere, Laser Powder Bed Fusion (L‑PBF)‑printere og Binder Jet. 

Når det gjelder selskapets markedsytelse, har den virkelig blomstret de siste årene. 

Med en markedsverdi på over 260 milliarder dollar, handles GE‑aksjene for øyeblikket rundt 244 $, en betydelig økning på 46 % i år. Selskapets aksje nærmer seg raskt sin topp på rundt 290 $, som ble nådd i 2000. EPS (TTM) er 6,35, og P/E (TTM) er 38,46, mens utbytteavkastningen tilgjengelig for aksjonærene er 0,59 %.

Samtidig viser selskapets økonomi en sterk Q1 2025 hvor GE registrerte en total omsetning på 9,9 milliarder dollar, en økning på 11 % mens totale ordre steg med 12 % til 12,3 milliarder dollar.

Denne sterke starten på 2025 ble drevet av kommersielle tjenester, uttalte CEO H. Lawrence Culp, Jr., samtidig som han påpekte makroøkonomiske dynamikker som krever at selskapet tar strategiske tiltak, som kostnadskontroll og utnyttelse av tilgjengelige handelsprogrammer.

Driftsresultatet steg med 38 % i 1Q25 til 2,1 milliarder dollar mens justert EPS økte med 60 % til 1,49. I løpet av denne perioden rapporterte GE også rapporterte 1,5 milliarder dollar i kontanter fra driftsaktiviteter (GAAP) mens fri kontantstrøm økte med 14 % til 1,4 milliarder dollar. Selskapet rapporterte også en kommersiell tjenestebaklog på over 140 milliarder dollar.

Midt i alt dette vokste Propulsion & Additive Technologies kun 1 %, med selskapet som bemerker at prisene og volumet oppveide lavere leveranser som følge av en planlagt myk start i salg av utstyr.

I sin årsrapport i år uttalte GE «nedgang i additiv produksjonsindustri på grunn av langsommere adopsjon av teknologi», men på samme tid bemerket de at Colibrium Additive er «en kritisk virksomhet for nåværende og fremtidig teknologi hos GE Aerospace ettersom vi fortsetter å fokusere på hvor den kan skape mest verdi.»

Siste nyheter og utviklinger om General Electric (GE)‑aksjen

Konklusjon

Etter hvert som AI fortsetter å utvikle seg og transformere industrier, hjelper den også med å redefinere hva som er mulig i moderne produksjon ved å akselerere prosessoptimalisering og muliggjøre sanntids‑tilpasning. 

Ved å redusere tiden og kostnadene knyttet til parameterjustering og feiloppdagelse i PBF betydelig, og oppnå sanntidskontroll i lasersveising, er laserbasert additiv produksjon klar for bredere adopsjon, og baner vei for en ny æra med effektiv, tilgjengelig og tilpasset produksjon.

Klikk her for en liste over de beste 3D‑utskriftsaksjene.

Studier referert:

^{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}