机器学习简化工业激光加工流程

然而，尽管激光工艺效率高，但在技术上仍具有挑战性。激光与材料之间复杂的相互作用使得该过程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。即使轻微的波动也可能导致生产中的错误。

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小组负责人Elia Iseli表示：“为确保基于激光的工艺能够灵活应用并获得一致的结果，我们致力于更好地理解、监控和控制这些过程。”遵循这些原则，他团队中的两位研究员Giulio Masinelli和Chang Rajani希望利用机器学习，使基于激光的制造技术更具成本效益、更高效且更易于普及。

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的位置熔化，从而逐步“焊接”出最终部件。

PBF技术能够创建其他工艺几乎无法实现的复杂几何结构。然而，在生产开始前，几乎总是需要进行一系列复杂的初步测试。这是因为金属的激光加工（包括PBF）基本存在两种模式：在传导模式下，金属仅被熔化；而在锁孔模式下，某些情况下甚至会汽化。速度较慢的传导模式适用于薄壁且精度要求极高的部件。锁孔模式精度略低，但速度快得多，适用于较厚的工件。

这两种模式之间的确切界限取决于多种参数。最佳产品质量需要正确的参数设置——而这些设置因被加工材料的不同而差异显著。“即使是同一批次的新初始粉末也可能需要完全不同的参数设置，”Masinelli解释道。

更少的实验，更高的质量

通常，每批次生产前必须进行一系列实验，以确定特定部件（如扫描速度和激光功率）的最佳参数设置。这既耗费大量材料，也需专家监督。“这正是许多公司最初无法负担PBF的原因，”Masinelli指出。

Masinelli和Rajani现已利用机器学习及激光设备内置光学传感器的数据优化了这些实验。研究人员通过光学数据“训练”算法，使其能在测试运行中“识别”激光当前所处的焊接模式。基于此，算法确定下一次测试的设置参数。这将所需初步实验数量减少了约三分之二，同时保证了产品质量。

“我们希望该算法能使非专业人士操作PBF设备成为可能，”Masinelli总结道。该算法在工业领域应用仅需设备制造商将其集成到激光焊接机的固件中。

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——并更进一步。他们不仅优化了前期实验，还优化了焊接过程本身。即使采用理想设置，激光焊接仍可能出现不可预测情况，例如激光束击中金属表面的微小缺陷。

“目前尚无法实时干预焊接过程，”Chang Rajani表示，“这超出了人类专家的能力范围。”即使对计算机而言，实时评估数据并做出决策的速度也是一项挑战。为此，Rajani和Masinelli采用了一种特殊类型的计算机芯片——现场可编程门阵列（FPGA）。“我们可精确掌握FPGA执行命令的时机与耗时——这是传统PC无法实现的，”Masinelli解释道。

尽管如此，他们系统中的FPGA仍与PC相连，后者充当“备用大脑”。当专用芯片忙于监控和调整激光参数时，PC上的算法同时从这些数据中学习。“若对算法在PC虚拟环境中的性能满意，我们可将其‘迁移’到FPGA上，一次性提升芯片的智能化水平，”Masinelli阐述道。

两位Empa研究员坚信，在金属激光加工领域，机器学习和人工智能能贡献更大价值。因此，他们正持续开发算法和模型，并与科研及工业伙伴合作拓展应用范围。