机器学习简化工业激光加工

然而，尽管激光工艺高效，但在技术上具有挑战性。激光与材料之间复杂的相互作用使得该工艺对最微小的偏差极为敏感——无论是材料特性还是激光参数设置。即使是轻微的波动也可能导致生产误差。

瑞士联邦材料科学与技术研究所（Empa）图恩先进材料加工实验室的研究组长Elia Iseli表示："为确保基于激光的工艺能灵活应用并实现稳定结果，我们正致力于更好地理解、监测和控制这些工艺。"遵循这一原则，其团队的两名研究人员Giulio Masinelli和Chang Rajani希望利用机器学习技术，使基于激光的制造技术更经济、更高效、更易普及。

汽化还是熔化？

首先，两位研究人员聚焦于增材制造领域，即使用激光进行金属3D打印。这种被称为粉末床熔融（PBF）的工艺与传统3D打印略有不同：金属粉末薄层在激光精确照射下熔化，最终部件由此逐层"焊接"成型。

PBF可制造其他工艺几乎无法实现的复杂几何结构。但在生产启动前，通常需要进行复杂的系列预实验。这源于金属激光加工（包括PBF）存在两种基本模式：传导模式下金属仅被熔化；匙孔模式下部分金属甚至会被汽化。速度较慢的传导模式适用于精细薄壁部件，匙孔模式精度稍低但速度更快，适合较厚工件。

两种模式的确切边界取决于多种参数。要获得最佳成品质量需精确设置参数——这些设置因加工材料差异极大。Masinelli指出："即使是同一批新原料粉末，也可能需要完全不同的参数设置。"

更少实验，更高品质

通常每批生产前都需进行系列实验，以确定扫描速度、激光功率等参数的最佳组合。这不仅耗费大量材料，还需专家全程监控。Masinelli坦言："这正是许多企业无法承担PBF技术成本的首要原因。"

Masinelli和Rajani现已通过机器学习及激光设备内置光学传感器数据进行实验优化。研究人员利用光学数据"训练"算法，使其在测试中能"识别"当前激光所处的焊接模式。基于此，算法自主确定后续实验参数，将预实验数量减少约三分之二，同时保持产品质量。

"我们希望该算法能让非专家也能操作PBF设备，"Masinelli总结道。只需设备制造商将算法集成到激光焊接机的固件中，即可实现工业应用。

实时优化突破

PBF并非唯一可通过机器学习优化的激光工艺。在另一项目中，Rajani和Masinelli聚焦激光焊接领域并取得更深突破：不仅优化预实验环节，更实现了焊接过程的实时优化。即便参数设置理想，激光焊接仍存在不可预测性，例如激光束照射金属表面微小缺陷时。

"目前尚无法实时干预焊接过程，"Chang Rajani表示，"这已超出人类专家的能力范围。"数据评估与决策制定的速度要求，即使对计算机也是挑战。为此，两位研究者采用特殊计算芯片——现场可编程门阵列（FPGA）。Masinelli解释："FPGA能精确控制指令执行时序，而传统PC无法实现这一点。"

该系统中FPGA仍与PC端联动，后者充当"备用大脑"。当专用芯片忙于监控激光参数时，PC端算法同步学习这些数据。Masinelli说明："当算法在PC虚拟环境表现达标后，可将其整体'迁移'至FPGA，实现芯片智能的即时升级。"

两位Empa研究者确信，机器学习与人工智能在金属激光加工领域潜力巨大。为此他们正持续开发算法模型，拓展应用场景——携手科研界与工业界合作伙伴共同推进。