机器学习简化工业激光工艺

然而，尽管激光工艺效率高，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——无论是材料特性的偏差还是激光参数设置的偏差。即使是微小的波动也可能导致生产错误。

"为了确保基于激光的工艺能够灵活运用并获得一致的结果，我们正致力于更好地理解、监测和控制这些工艺，"图恩瑞士联邦材料科学与技术研究所（Empa）先进材料加工实验室研究组组长Elia Iseli说道。秉承这些原则，他团队中的两名研究人员Giulio Masinelli和Chang Rajani希望利用机器学习，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，两位研究人员专注于增材制造，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。金属粉末的薄层在激光精确照射下熔化，最终部件由此逐步"焊接"成型。

PBF能够制造其他工艺几乎无法实现的复杂几何结构。然而，生产开始前通常需要进行一系列复杂的预备测试。这是因为金属激光加工（包括PBF）基本存在两种模式：在传导模式中，金属仅被熔化；在锁孔模式中，金属在某些情况下甚至会被汽化。较慢的传导模式适合制造薄壁且精度要求高的部件。锁孔模式精度稍低，但速度快得多，适用于较厚的工件。

这两种模式的确切界限取决于多种参数。要获得最终产品的最佳质量需要正确的设置——而这些设置会根据被加工材料的不同而有很大差异。"即使是同一批次的新原料粉末也可能需要完全不同的设置，"Masinelli解释道。

更少的实验，更好的质量

通常，每批生产前都必须进行一系列实验，以确定针对特定部件的最佳参数设置，如扫描速度和激光功率。这不仅需要大量材料，还必须由专家监督。"这正是许多公司最初负担不起PBF的原因，"Masinelli指出。

Masinelli和Rajani现已利用机器学习以及激光设备内置光学传感器的数据优化了这些实验。研究人员"教会"他们的算法通过光学数据"识别"测试过程中激光当前所处的焊接模式。基于此，算法会确定下一次测试的设置。这将所需预备实验的数量减少了约三分之二——同时保持产品质量不变。

"我们希望我们的算法能让非专业人士也能操作PBF设备，"Masinelli总结道。该算法要在工业界应用，只需设备制造商将其集成到激光焊接机的固件中即可。

实时优化

PBF并非唯一可通过机器学习优化的激光工艺。在另一个项目中，Rajani和Masinelli专注于激光焊接——但更进一步。他们不仅优化了预备实验，还优化了焊接过程本身。即使在理想设置下，激光焊接仍可能存在不可预测性，例如当激光束击中金属表面的微小缺陷时。

"目前尚无法实时影响焊接过程，"Chang Rajani表示，"这超出了人类专家的能力范围。"数据评估和决策制定的速度要求即使对计算机也是挑战。因此，Rajani和Masinelli为此任务使用了一种特殊类型的计算机芯片，即现场可编程门阵列（FPGA）。"使用FPGA时，我们能精确知晓命令的执行时间及执行时长——这在传统PC上是无法实现的，"Masinelli解释道。

尽管如此，他们系统中的FPGA仍与一台PC相连，后者充当某种"备用大脑"。当专用芯片忙于观测和控制激光参数时，PC上的算法则从这些数据中学习。"如果我们对算法在PC虚拟环境中的性能满意，便可将其'迁移'到FPGA中，一次性提升芯片的智能化程度，"Masinelli详述道。

这两位Empa研究人员深信，机器学习和人工智能在金属激光加工领域大有可为。因此，他们正与研究及工业领域的合作伙伴共同持续开发算法和模型，并拓展其应用范围。