AI-drivet precision för att transformera laserbaserad 3D-metallutskrift

I världen av 3D-utskrift eller additiv tillverkning är laserbaserad metallbearbetning en populär teknik som möjliggör automatiserad, exakt och snabb produktion av komplexa komponenter.

Laserbaserad bearbetning av metaller innebär att en laser används som energikälla för att manipulera metallen. En laser är en förstärkt ljusstråle eller elektromagnetisk strålning som kan färdas i en rak linje med liten spridning.

Detta gör laser mycket användbara inom materialbearbetning, där de används för bearbetning, förening och ytteknik. Inom additiv tillverkning används laser för att smälta material och tillverka komponenter lager för lager.

Additiv tillverkning är helt enkelt att skapa en produkt lager för lager. Det började med att använda plast som material, tack vare den enkla bearbetbarheten. Men det har nu utvecklats till att omfatta alla typer av material, inklusive metalliska material.

Metalliska material är kända för sina attraktiva egenskaper, såsom utmärkt elektrisk ledningsförmåga och hög styrka, duktilitet och smältpunkt, vilket gör dem mycket användbara inom biomedicinska, energirelaterade, arkitektoniska och militära tillämpningar.

Laserbearbetning av metaller erbjuder samtidigt unika fördelar med hög energitäthet, en smal värmepåverkad zon och liten kontaminering. Därför används laserprocesser i många sektorer, särskilt där maximal precision och hög anpassning krävs. Men den har också sina egna komplikationer och tekniska utmaningar.

“För att säkerställa att laserbaserade processer kan användas flexibelt och uppnå konsekventa resultat arbetar vi med att förbättra förståelsen, övervakningen och kontrollen av dessa processer.”

– Elia Iseli, forskargruppsledare i Empas laboratorium för avancerad materialbearbetning

Med detta mål gör forskarna Giulio Masinelli och Chang Rajani från Empa i Thun laserbaserade tillverkningstekniker mer tillgängliga, prisvärda och effektiva, med hjälp av maskininlärning.

Förstå fördelarna och utmaningarna med laserpulvsbäddsammansmältning (PBF-LB)

Inom det bredare området av laserbaserad metallbearbetning är pulvsbäddsammansmältning en populär metod, som innebär att en laser smälter tunna lager av metallpulver på exakt rätt ställen och svetsar dem samman för att producera den slutliga komponenten.

Pulvsbäddsammansmältning med laserstråle (PBF-LB) är däremot en specialiserad teknik som har fått mycket uppmärksamhet under de senaste åren. I denna framstående additiva tillverkningsteknik används laser med mycket hög effekt för att specifikt smälta metallpulver lager för lager innan de kombineras till anpassade och mycket precisa komponenter.

Denna teknik möjliggör produktion av komplexa geometrier samtidigt som den erbjuder anpassningsmöjligheter och säkerställer materialeffektivitet.

Dessa egenskaper gör PBF-LB särskilt fördelaktig för industrier som bilindustrin, medicin, flyg- och rymd samt konsumentprodukter, där man behöver lätta och komplexa delar, personliga designer, precision, viktminskning och snabb prototypframtagning.

Trots sin mångsidighet och effektivitet möter tekniken flera hinder för att nå bredare antagande och uppnå optimering.

Detta inkluderar svårigheter att identifiera det ideala bearbetningsramverket för det använda metallpulvret.

“Även en ny batch av samma startpulver kan kräva helt olika inställningar.”

– Masinelli

Den höga energiinmatning som krävs för metallsmältning i denna teknik skapar faktiskt komplexa fysiska mekanismer som negativt påverkar delarnas kvalitet. Dessa mekanismer inkluderar inkonsekvenser i materialegenskaper, påverkan av atmosfäriska gaser och interaktionen mellan lasern och ångplumen. Alla dessa fenomen medför problem med att identifiera parametrar.

Det beror främst på de två lägena. Det ena är ledningsläget där metallen bara smälts, vilket är idealiskt för tunna och precisa komponenter. Det andra alternativet är nyckelhålsläget, där metallen i vissa fall kan förångas. Det är snabbare men också mindre exakt, vilket gör det lämpligt för tjockare komponenter.

Gränsen mellan dessa lägen beror dock på olika parametrar, och för att uppnå bästa kvalitet i de slutliga produkterna krävs rätt inställningar, som varierar beroende på vilket material som bearbetas.

De komplexa interaktionerna mellan materialet och lasern gör också processen känslig för mycket små variationer, vilket kan leda till problem i produktionen, och detta gör tekniken tids- och resurskrävande. Som ett resultat kräver PBF-LB den mödosamma finjusteringen av parametrar för att uppnå konsekventa resultat.

Det slutar inte bara här heller. De prover som produceras i detta skede analyseras sedan med olika tekniker såsom mikrostrukturanalys, densitetsmätningar och röntgenberäknad tomografi (CT).

Dessa metoder ger detaljerad information om interna strukturer och upptäcker defekter, vilket är kritiskt för att utvärdera kvaliteten och prestandan hos PBF-LB-delar, men återigen kräver de specialiserad utrustning och expertkunskap samt är dyra och tidskrävande.

“Det är därför många företag inte har råd med PBF från början.”

– Masinelli

För att lösa alla dessa problem använde forskare från Empa maskininlärning för att göra laserprocesser mer effektiva, kostnadseffektiva och precisa.

Klicka här för att lära dig hur additiv tillverkning omformar industrier.

Utnyttja AI för realtidskontroll i metall-3D-utskrift

För provanalys har forskare vänt sig till realtidsövervakningsmetoder med sensorer såsom akustisk emission (AE), högfrekvent termisk avbildning och optiska sensorer.

Realtidsövervakning har valts på grund av dess förmåga att upptäcka oönskade händelser under tillverkningsprocessen. Detta möjliggör omedelbara justeringar, vilket i sin tur sparar resurser genom att avlägsna och åter smälta defekter.

Dessa realtidsövervakningstekniker är vanligtvis baserade på maskininlärningsalgoritmer (ML).

Ett forskningsområde inom artificiell intelligens, maskininlärning, handlar om utveckling av statistiska algoritmer som lär sig från data. Dessa algoritmer extraherar meningsfulla mönster från högdimensionell data och gör sedan förutsägelser, i fallet med metallbearbetning, om delens kvalitet, utan att behöva programmera komplexa fysiska modeller explicit.

Dessa AI-ansatser är dock inte utan begränsningar. Utmaningarna inkluderar att modellen lär sig att upptäcka förändringar i processparametrar istället för processregimen och defekttbildning.

Den naturliga drift i maskinparametrar över tid utgör också ett hinder för generalisering av dessa modeller, vilket begränsar den praktiska tillämpningen av AI-modeller i verkliga tillverkningsmiljöer. Dessutom finns det problem med automatisering, som kräver specialiserad utrustning och blir komplicerade av flera parametrar, vars utforskning också är utmanande och resurskrävande.

Det finns ett tydligt behov av algoritmer som autonomt kan navigera i PBF:s parameterutrymme, med hänsyn till flera processvariabler, för att identifiera optimala förhållanden och förstå de underliggande smältregimerna.

Detta behov adresseras nu av forskare från Empa, som har föreslagit en ny metod som använder osuperviserad insamling av optisk data med fokus på identifiering av smältregimer utan att kräva märkta data eller omfattande efterbearbetningsanalys.

Implementering av osupervised lärande för att optimera PBF-LB-parametrar

Den nya osuperviserade tekniken som utvecklats av Empas forskare fokuserar på två huvudparametrar: laserkraft och skanningshastighet, vilka identifieras som de mest betydande för smältregimen.

Medan fokus för studie¹ låg på dessa två parametrar, kan tekniken också användas för ytterligare processparametrar. I framtiden kommer forskarna att införliva gasflödeshastighet, avstånd mellan spår och lagertjocklek i sin algoritm för att möjliggöra en mer omfattande utforskning av PBF-LB:s parameterutrymme.

För närvarande pekar den föreslagna metoden exakt på övergången mellan ledningsläge och nyckelhålsläge.

Den osuperviserade metoden ger också en grund för att extrahera bearbetningskartor utan att förlita sig på märkta data, vilket ger en betydande fördel i PBF-LB, där erhållande av märkta data är både kostsamt och utmanande.

Studien bygger faktiskt på denna grund och introducerar en originalmetod som kombinerar delar av aktiv inlärning (urval av de mest informativa datapunkterna) och Bayesiansk optimering (iterativ provtagningsstrategi som utnyttjar en probabilistisk modell) för att effektivt härleda bearbetningskartor.

Det som gör tillvägagångssättet annorlunda är att det börjar utan data och sedan successivt bygger upp datasetet genom att bestämma var varje nytt experiment ska utföras, vilket möjliggör att den experimentella processen optimeras.

Det är anmärkningsvärt att trots att en iterativ metod används för förfining, förblir modellen osupervised under hela processen, eftersom den inte kräver märkta data. För att identifiera smältregimerna förlitar sig algoritmen på funktioner extraherade från den optiska datan, och resultaten används sedan för att träna en Gaussian Process Classifier (GPC) för att ge en probabilistisk uppskattning av kartan.

När det gäller den iterativa delen väljer algoritmen nya testinställningar baserat på de fält som har hög osäkerhet i förutsägelserna, vilket förbättrar uppskattningen av bearbetningskartan.

I grund och botten lärs algoritmen att upptäcka vilket svetsläge lasern befinner sig i under ett testförlopp, med hjälp av data från optiska sensorer som redan är integrerade i lasermaskinerna. Baserat på detta sätter algoritmen parametrarna för nästa test.

“Vi hoppas att vår algoritm kommer att möjliggöra för icke-experter att använda PBF-enheter,” sade Masinelli. Den behöver bara integreras i firmware för lasersvetsmaskinerna av tillverkarna.

Utvärdera effektiviteten av AI-modellen i PBF-LB-tillämpningar

Den nya algoritmen som forskarna introducerade för att eliminera behovet av omfattande parametertuning, vilket begränsar PBF-LB:s bredare antagande, identifierar självständigt smältregimerna med data från fotodioder.

Och när den testades i laboratoriet fann teamet metoden mycket exakt, med en F1-poäng på 89,2 % för två material. För att utvärdera prestandan skrev forskarna ut flera delar i två material.

Den första var Ti-6Al-4V, en av de mest använda (alfa-beta) titanlegeringarna, med utmärkt korrosionsbeständighet och hög specifik styrka. Den andra var 316L rostfritt stål, en lågkolversion av 316 rostfritt stål, som vanligtvis används inom livsmedelsbearbetning, farmaceutisk utrustning, medicintekniska produkter, smycken, lyxklockor, avloppsrening och i den kemiska industrin.

Specifikt genomförde teamet inspektioner av smältbassänger för att verifiera algoritmens förutsägelser.

Utvärderingen visade att metoden minskade behovet av experimentella försök med 67 % för båda metallerna samtidigt som den bibehöll robust prestanda. Detta kan avsevärt sänka kostnaden för parameterutforskning. Samtidigt var minskningen i F1-poängen högst 8,88 % jämfört med en traditionell fullfaktoriell experimentdesign.

“Dessa resultat understryker effektiviteten i vår metod i sammanhanget av autonom derivation av bearbetningskartor för avancerade tillverkningsprocesser.”

Metoden som introduceras här, tror forskarna, kan “avsevärt förbättra” både effektiviteten och pålitligheten hos PBF-LB, vilket kan leda till bredare antagande genom att förbättra dess övergripande effektivitet över olika sektorer. Enligt studien:

“Våra resultat visar potentialen i denna metod att förenkla optimeringen av PBF-LB, göra den mer genomförbar för industriella tillämpningar och bana väg för dess bredare antagande.”

Förbättra lasersvetsprocesser genom AI- och FPGA-integration

Förutom att optimera preliminära experiment förbättrade forskarna också svetsprocessen i ett annat projekt.

När det gäller lasersvetsning kan processen, även med ideala inställningar, fortfarande ge oförutsägbara avvikelser, och även en liten avvikelse kan leda till allvarliga defekter i produkten.

“Det är för närvarande inte möjligt att påverka svetsprocessen i realtid,” sade forskare Rajani. “Det ligger bortom människliga experters förmåga.”

– Forskare Rajani

Faktum är att även datorer har svårt med den hastighet som data måste granskas och beslut måste fattas. Forskarna använde en specialiserad typ av datorkrets här.

Denna krets kallas en field-programmable gate array (FPGA), som är designad för högpresterande beräkning (HPC) och prototypframtagning. Kretsen kan programmeras efter att den har levererats av tillverkaren och anpassas för olika användningsområden utan att behöva fysiskt ändra hårdvaran. Dess mångsidighet, kombinerat med hög prestanda, gör den mycket värdefull inom flyg- och rymd, bilindustrin och telekommunikationssektorn.

“Med FPGA:er vet vi exakt när de kommer att utföra ett kommando och hur lång tid exekveringen tar – vilket inte är fallet med en konventionell PC.”

Forskarna kopplade FPGA:n till en PC för att fungera som en “backup-hjärna”. När kretsen observerar och styr laserparametrarna används dessa data också av algoritmen på PC:n för inlärning.

“Om vi är nöjda med algoritmens prestanda i den virtuella miljön på PC:n kan vi ‘överföra’ den till FPGA:n och göra kretsen mer intelligent på en gång.”

– Masinelli

Forskarna tror att ML och AI har potential att bidra betydligt till laserbaserad metallbearbetning. Därför kommer de att fortsätta utveckla sina algoritmer och modeller samt utöka sina tillämpningsområden i samarbete med andra forskargrupper och industripartners.

Utforska investeringsmöjligheter inom 3D-utskriftstekniker

Nu är en nyckelspelare inom metalladditiv design och tillverkning Colibrium Additive. Det är en del av General Electric Company (GE ), som nu bedriver verksamhet under namnet GE Aerospace.

Tidigare känt som GE Additive, återlanserades det som Colibrium Additive förra sommaren, och som en del av omprofileringen lades Concept Laser och Arcam EBM ner.

“Medan vi byter namn behåller vi vårt orubbliga fokus på våra kunder, kvalitet och pålitlighet. Vi kommer fortsätta leda additiv tillverkningsindustrin från fronten och positivt förändra den.”

– VD Alexander Schmitz

General Electric (GE )

När det gäller de 3D-skrivare som erbjuds av Colibrium Additive, inkluderar de Electron Beam Powder Bed Fusion (EB-PBF)-skrivare, Laser Powder Bed Fusion (L-PBF)-skrivare och Binder Jet.

När det gäller företagets marknadsresultat har det verkligen blomstrat under de senaste åren.

Med en börsvärde på över 260 miljarder dollar handlas GE-aktier för närvarande till cirka 244 $, upp med betydande 46 % i år. Företagets aktie närmar sig snabbt sin topp på cirka 290 $, som nåddes år 2000. Dess EPS (TTM) är 6,35 och P/E (TTM) är 38,46, medan utdelningsavkastningen för aktieägarna är 0,59 %.

Samtidigt visar företagets finanser en stark Q1 2025 där GE registrerade en total omsättning på 9,9 miljarder dollar, en ökning med 11 % medan totala order ökade med 12 % till 12,3 miljarder dollar.

Denna starka start på 2025 drevs av kommersiella tjänster, enligt VD H. Lawrence Culp, Jr., samtidigt som han påpekade de makroekonomiska dynamiker som kräver att företaget vidtar strategiska åtgärder, såsom kostnadskontroll och utnyttjande av tillgängliga handelsprogram.

Operating profit surged 38% in 1Q25 to $2.1 billion while adjusted EPS had a 60% increase to $1.49. During this period, GE also rapporterade 1,5 miljarder dollar i kontanter från operativa aktiviteter (GAAP) medan fritt kassaflöde ökade med 14 % till 1,4 miljarder dollar. Företaget rapporterade också en backlog av kommersiella tjänster på över 140 miljarder dollar.

Mitt i allt detta växte Propulsion & Additive Technologies endast med 1 %, med företaget som noterar att priser och volym kompenserade lägre leveranser till följd av en planerad mjuk start i utrustningsförsäljningen.

I sin årsrapport i år skrev GE att “nedgångar i additiv tillverkningsindustri på grund av långsammare antagande av teknik”, men samtidigt noterade de att Colibrium Additive är “en kritisk verksamhet för nuvarande och framtida teknik på GE Aerospace när vi fortsätter att fokusera på var den kan skapa mest värde.”

Senaste nyheter och utvecklingar för General Electric (GE)-aktien

Slutsats

När AI fortsätter att utvecklas och omvandla industrier hjälper den också till att omdefiniera vad som är möjligt inom modern tillverkning genom att påskynda processoptimering och möjliggöra realtidsanpassning.

Genom att avsevärt minska tid och kostnad som är förknippade med parametertuning och defektdetektion i PBF samt uppnå realtidskontroll i lasersvetsning, är laserbaserad additiv tillverkning redo för bredare antagande, vilket banar väg för en ny era av effektiv, tillgänglig och anpassad produktion.

Klicka här för en lista över de bästa 3D-utskriftsaktierna.

Studier som refereras:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonom utforskning av PBF-LB:s parameterutrymme: En osäkerhetsdriven algoritm för automatisk generering av bearbetningskartor. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}