机器学习简化工业激光流程

然而，尽管激光工艺效率高，但其技术挑战性大。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其敏感——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误差。

"为了确保激光工艺能灵活应用并取得稳定结果，我们致力于更好地理解、监控和控制这些工艺，"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长Elia Iseli表示。遵循这些原则，其团队的两名研究员Giulio Masinelli和Chang Rajani希望通过机器学习技术，使基于激光的制造技术更经济、更高效、更易于普及。

汽化还是熔化？

首先，两位研究人员聚焦于增材制造领域，即利用激光进行金属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。激光在精确位置熔化薄层金属粉末，最终部件由此逐渐"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，几乎总需进行复杂的系列预试验。这是因为金属激光加工（包括PBF）存在两种基本模式：传导模式下金属仅被熔化；小孔模式下部分金属甚至会被汽化。速度较慢的传导模式适合制造薄壁精密部件；小孔模式精度稍低，但速度快得多，适用于较厚工件。

这两种模式的确切分界取决于多种参数。为获得最优最终产品质量，需要精准的参数设置——这些设置随加工材料的变化差异巨大。"即使是同一批次的新原料粉末，也可能需要完全不同的参数设置，"Masinelli解释道。

更少实验，更优品质

通常每批生产前都需进行系列实验，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）。这既耗费大量材料，又需专家全程监督。"这正是许多企业难以负担PBF技术的主要原因，"Masinelli指出。

Masinelli与Rajani利用机器学习和激光设备内置光学传感器数据优化了这些实验。研究人员通过光学数据"教会"算法在测试运行中"识别"当前激光所处的焊接模式。基于此，算法自动确定下次实验参数设置。该方法将所需预实验数量减少约三分之二，同时保持产品质量。

"我们希望算法能使非专业人士也能操作PBF设备，"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至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。在另一项目中，Rajani和Masinelli聚焦激光焊接领域并取得突破：不仅优化预实验环节，更实现了焊接过程本身的优化。即使在理想参数设置下，激光焊接仍可能因激光束击中金属表面微小缺陷等状况而难以预测。

"目前尚无法实时调控焊接过程，"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，即便对计算机也是挑战。为此，Rajani和Masinelli采用特殊类型计算机芯片——现场可编程门阵列（FPGA）。"FPGA能精确预知指令执行时间及耗时——传统PC无法做到这点，"Masinelli解释。

尽管如此，他们系统中的FPGA仍与PC相连作为"备用大脑"。当专用芯片忙于监控激光参数时，PC端算法同步从数据中学习。"当算法在PC虚拟环境中表现达标后，可将其'迁移'至FPGA，使芯片一次性获得智能升级，"Masinelli阐明。

两位Empa研究员确信，机器学习和人工智能在金属激光加工领域大有可为。为此他们持续开发算法模型，拓展应用场景——正与科研及工业伙伴携手推进。