AI-drivna precisionslösningar för att omvandla laserbaserad 3D-metalltryckning

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

Laserbaserad bearbetning av metaller innebär att man använder en laser som energikälla för att manipulera metallen. En laser är en förstärkt stråle av ljus eller elektromagnetisk strålning som kan propagera i en rak linje med liten divergens. 

Detta gör lasrar mycket användbara vid materialbearbetning, där de används för maskinbearbetning, sammanfogning och ytingenjörskonst. Vid additiv tillverkning används lasrar för att smälta material och tillverka komponenter skiktvis.

Additiv tillverkning är enkelt uttryckt skapandet av en produkt skikt för skikt. Det började med att använda plaster som material, tack vare enkel processbarhet. Men det har nu växt 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 biomedicin, energi, arkitektur och militära tillämpningar. 

Laserbearbetning av metaller erbjuder samtidigt unika fördelar som hög energidensitet, en smal värmezon och liten förorening. Därför används laserprocesser i många sektorer, särskilt där maximal precision och hög anpassning krävs. Men det har också sina egna komplicerade tekniska utmaningar. 

“För att säkerställa att laserbaserade processer kan användas flexibelt och uppnå konsekventa resultat, arbetar vi med att bättre förstå, övervaka och kontrollera dessa processer.”

– Elia Iseli, Forskningsgruppsledare i Empas avancerade materialbearbetningslaboratorium

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

Att förstå fördelarna och utmaningarna med Laser Powder Bed Fusion (PBF-LB)

Inom det bredare området laserbaserad metallbearbetning är Powder Bed Fusion en populär teknik som innebär att en laser används för att smälta tunna lager av metallpulver på exakta punkter och svetsa dem samman för att producera den färdiga komponenten.

Powder Bed Fusion med Laserstråle (PBF-LB) är en specialiserad teknik som har fått mycket uppmärksamhet på senare tid. I denna framträdande additiva tillverkningsteknik används lasrar som emitterar mycket höga effekter för att specifikt smälta metallpulver skiktvis innan de blandas till anpassade och mycket exakta komponenter. 

Denna teknik möjliggör produktion av komplexa geometrier samtidigt som den erbjuder anpassningsförmåga och säkerställer materiaaleffektivitet. 

Dessa egenskaper gör PBF-LB särskilt fördelaktig för industrier som fordon, medicin, rymd och konsumentvaror, där vi behöver lätta och komplexa delar, personliga design, precision, viktreduktion och snabb prototypning, i tur och ordning. 

Medan tekniken är mångsidig och effektiv, möter den flera hinder för att uppnå bredare antagande och optimisering.

Detta inkluderar svårigheter att identifiera den idealiska processramen för det metallpulver som används.

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

– Masinelli

Den höga energiinmatningen som krävs för metallsmältning i denna teknik skapar faktiskt komplexa fysikaliska mekanismer som negativt påverkar delarnas kvalitet. Dessa mekanismer inkluderar inkonsekvenser i materialegenskaper, påverkan av atmosfäriska gaser och interaktionen mellan laser och ångpluma. Alla dessa fenomen medför problem vid identifiering av parametrar.

Detta beror främst på de två lägena. Det ena är ledningsläge, där metallen bara smälts, och det är idealt för tunna och exakta komponenter. Det andra alternativet är keyhole-läge, där metallen kan ångas i vissa fall. 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 den bästa kvaliteten på de färdiga produkterna krävs rätt inställningar, som varierar beroende på det 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 behöver PBF-LB den mödosamma finjusteringen av parametrar för att uppnå konsekventa resultat.

Det slutar inte där heller. Proverna som produceras vid detta stadium analyseras sedan med olika tekniker som mikrostrukturanalys, densitetsmätningar och datortomografi med röntgenstrålar (CT). 

Dessa metoder ger detaljerad information om interna strukturer och upptäcker defekter, vilka är avgörande för att utvärdera kvaliteten och prestandan hos PBF-LB-delar, men de kräver också specialutrustning och expertkunskap, samt är dyra och tidskrävande.

“Det är därför att många företag inte kan bekosta PBF från början.”

– Masinelli

För att åtgärda alla dessa problem har forskare från Empa använt maskinlärning för att göra laserprocesser mer effektiva, kostnadseffektiva och exakta.

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

Att utnyttja AI för realtidskontroll i metall-3D-utskrifter

För provanalys har forskare vänt sig till realtidsövervakningsmetoder med hjälp av sensorer som akustisk emission (AE), höghastighetstermisk 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 ta bort och smälta defekter. 

Dessa realtidsövervakningstekniker baseras vanligtvis på maskinlärningsalgoritmer (ML).

Ett studieområde inom artificiell intelligens, ML, är inriktat på utvecklingen av statistiska algoritmer som lär av data. Dessa algoritmer extraherar meningsfulla mönster från högdimensionella data och gör sedan förutsägelser, i fallet med metallbearbetning, det handlar om delkvalitet, utan att behöva uttryckligen programmera komplexa fysikaliska modeller.

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

Den naturliga driften i maskinparametrar över tiden utgör också ett hinder för generaliseringen av dessa modeller, vilket begränsar den praktiska tillämpbarheten av AI-modeller i verkliga tillverkningsmiljöer. Sedan finns det problem med automatisering, som kräver specialutrustning och kompliceras av flera parametrar, vilket är svårt och resurskrävande att utforska.

Det finns ett tydligt behov av algoritmer som kan navigera i PBF-parametrarummet på ett autonomt sätt, med hänsyn till flera processvariabler, för att identifiera optimala förhållanden och förstå de underliggande smältningsregimerna.

Detta behov hanteras nu av forskare från Empa, som har föreslagit en ny metod som använder ostrukturerad insamling av optisk data med fokus på identifiering av smältningsregim utan att kräva märkt data eller omfattande postprocessanalys.

Att implementera ostrukturerad inlärning för att optimera PBF-LB-parametrar

Den nya ostrukturerade tekniken som utvecklats av Empa-forskare fokuserar på två huvudparametrar: lasereffekt och skanningshastighet, som identifierats som de som har den mest betydande påverkan på smältningsregimen.

Medan fokus för studien¹ var på dessa två parametrar, kan tekniken också användas för ytterligare processparametrar. I framtiden kommer forskarna att inkorporera gasflödeshastighet, hakutrymme och skikttjocklek i sin algoritm för att möjliggöra en mer omfattande utforskning av PBF-LB-parametrarummet.

För närvarande pekar den föreslagna metoden med stor noggrannhet ut övergången mellan ledningsläge och keyhole-läge.

Den ostrukturerade ansatsen erbjuder också en grund för att extrahera processkartor utan att bero på märkt data, vilket ger en betydande fördel i PBF-LB, där det är dyrt och utmanande att få märkt data.

Studien bygger på denna grund och introducerar en ursprunglig metod som kombinerar delar av aktiv inlärning (val av de mest informativa datapunkterna) och Bayesisk optimering (iterativ urvalsstrategi med hjälp av en sannolikhetsmodell) för att härleda processkartor effektivt.

Det som gör ansatsen annorlunda är att den börjar med ingen data och sedan successivt bygger upp datamängden genom att bestämma var varje nytt experiment ska utföras, vilket möjliggör att den experimentella processen optimeras.

Noterbart är att, trots att den iterativa ansatsen används för förfining, modellen förblir ostrukturerad under hela processen, eftersom den inte kräver märkt data. För att identifiera smältningsregimerna förlitar sig algoritmen på funktioner som extraheras från den optiska datan, och resultaten används sedan för att träna en Gaussian Process-klassificerare (GPC) för att ge en sannolikhetsbaserad uppskattning av kartan. 

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

I princip lär sig algoritmen att upptäcka vilket svetsläge lasern är i under ett testkörning, med hjälp av data från optiska sensorer som redan är integrerade i lasermaskinerna. Baserat på detta ställer algoritmen in parametrarna för nästa test.
“Vi hoppas att vår algoritm kommer att möjliggöra för icke-experter att använda PBF-enheter”, sa Masinelli. Den behöver bara integreras i laservägsmaskinernas firmware av tillverkare.

Att utvärdera AI-modellens effektivitet i PBF-LB-tillämpningar

Den nya algoritmen som introducerats av forskare för att eliminera behovet av omfattande parameterjustering, som begränsar PBF-LB:s bredare antagande, identifierar smältningsregimerna oberoende med hjälp av data från fotodioder.

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

Det första var Ti-6Al-4V, som är en av de mest använda (alfa-beta) titanlegeringarna, med utmärkt korrosionsbeständighet och hög specifik styrka. Det andra var 316L rostfritt stål, en lågkolhaltig version av 316 rostfritt stål, som ofta används i livsmedelsbearbetning, farmaceutisk utrustning, medicinska enheter, smycken, lyxklockor, avloppsrening och inom kemisk industri.

I synnerhet genomförde teamet smältpoolinspektioner för att verifiera algoritmens förutsägelser. 

Utvärderingen visade att ansatsen minskade behovet av experimentella försök med 67 % i båda materialen samtidigt som den upprätthöll robust prestanda. Detta kan avsevärt sänka kostnaden för parameterutforskning. Samtidigt var det endast en maximal minskning på 8,88 % i F1-poängen i jämförelse med en traditionell fullständig faktoriell experimentdesign.

Studien angav:

“Dessa resultat understryker effektiviteten i vår metod i sammanhanget med autonom processkartering för avancerad tillverkning.” 

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

“Våra resultat visar potentialen för denna metod att strömlinjeforma PBF-LB-optimering, vilket gör den mer möjlig för industriella tillämpningar och banar väg för dess bredare antagande.” 

Att förbättra laser-svetsningsprocesser genom AI- och FPGA-integrering

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

När det gäller laser-svetsning kan processen fortfarande ge oönskade avvikelser, även med idealiska inställningar, och även en liten avvikelse kan leda till allvarliga defekter i produkten.

“Det är för närvarande inte möjligt att påverka svetsprocessen i realtid,” sa forskare Rajani. “Detta ligger bortom möjligheterna för mänskliga experter.”

– Forskare Rajani

I själva verket har även datorer svårt att hantera den hastighet med vilken data måste undersökas och beslut måste fattas. Forskarna använde en specialiserad typ av datorchip här.

Denna chip kallas en fältprogrammerbar grindmatris (FPGA), som är utformad för högpresterande datorberäkningar (HPC) och prototyper. Chippet kan programmeras efter att den släppts från tillverkaren och anpassas för olika användningsfall utan att behöva fysiskt ändra maskinvaran. Deras flexibilitet, kombinerad med hög prestanda, gör dem mycket värdefulla inom rymd-, fordon- och telekommunikationsindustrierna.

Masinelli noterade:

“Med FPGAs vet vi exakt när de kommer att utföra ett kommando och hur lång tid utförandet kommer att ta – vilket inte är fallet med en konventionell PC.” 

Forskarna kopplade FPGA till en PC för att fungera som en “backup-hjärna”. Medan chippet observerar och kontrollerar laserparametrarna används dessa data också av algoritmen på PC för inlärning.

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

– Masinelli

Forskarna tror att ML och AI har potentialen att bidra betydligt till laserbaserad metallbearbetning. Som sådan kommer de att fortsätta utveckla sina algoritmer och modeller, samt expandera sitt tillämpningsområde, i samarbete med andra forskargrupper och industripartner.

Att utforska investeringsmöjligheter i 3D-utskriftstekniker

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

Tidigare känd som GE Additive, lanserades det om som Colibrium Additive i somras, och som en del av omvarumärkningen pensionerades Concept Laser och Arcam EBM.

“Medan vi ändrar vårt namn, upprätthåller vi vår oföränderliga fokus på våra kunder, kvalitet och tillförlitlighet. Vi kommer att fortsätta att leda den additiva tillverkningsindustrin från fronten och positivt störa 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 marknadsprestation har det verkligen frodats under de senaste åren. 

Med en marknads kapitalisering på över 260 miljarder dollar, handlas GE-aktier för närvarande runt 244 dollar, upp en betydande 46 % i år. Företagets aktie är snabbt nära sin topp på runt 290 dollar, som nåddes 2000. Dess EPS (TTM) är 6,35, och P/E (TTM) är 38,46, medan utdelningsutdelningen som är tillgänglig för aktieägare är 0,59 %.

Samtidigt visar företagets finansiella rapporter en stark Q1 2025, där GE rapporterade en total omsättning på 9,9 miljarder dollar, en ökning med 11 %, medan totala beställningar ökade med 12 % till 12,3 miljarder dollar.

Denna starka start på 2025 drevs av kommersiella tjänster, enligt VD H. Lawrence Culp, Jr., som noterade de makroekonomiska dynamikerna som kräver att företaget vidtar strategiska åtgärder, såsom att kontrollera kostnader och utnyttja tillgängliga handelsprogram.

Driftsöverskottet ökade med 38 % i Q1 25 till 2,1 miljarder dollar, medan den justerade EPS ökade med 60 % till 1,49 dollar. Under denna period rapporterade GE också 1,5 miljarder dollar i kontanta medel från verksamheten (GAAP) medan den fria kassaflödet ökade med 14 % till 1,4 miljarder dollar. Företaget rapporterade också en kommersiell tjänsteorderstock på över 140 miljarder dollar.

I detta sammanhang ökade Propulsion & Additive Technologies endast med 1 %, med företaget noterande att priser och volym kompenserade för lägre leveranser till följd av en planerad mjuk start i utrustningsförsäljning.

I sin årsrapport i år uppgav GE “minskningar i den additiva tillverkningsindustrin på grund av långsammare antagande av teknologi”, men samtidigt noterade det Colibrium Additive som “en kritisk verksamhet för nuvarande och framtida teknik inom GE Aerospace, eftersom vi fortsätter att fokusera på var den kan skapa mest värde”.

Senaste General Electric (GE) aktie nyheter och utvecklingar

Slutsats

Medan AI fortsätter att utvecklas och förändra industrier, hjälper det också till att omdefiniera vad som är möjligt inom modern tillverkning genom att accelerera processoptimering och möjliggöra realtidsanpassning. 

Genom att avsevärt minska den tid och kostnad som är förknippad med parameterjustering och defektupptäckt i PBF, och uppnå realtidskontroll i laser-svetsning, 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 till:

^{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}