机器学习简化工业激光加工过程

然而，尽管激光工艺效率很高，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工艺对最微小的偏差都极为敏感——无论是材料属性还是激光参数设置。即使是微小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研究小组负责人Elia Iseli表示：“为确保基于激光的工艺能灵活应用并获得一致结果，我们正致力于更好地理解、监测和控制这些工艺。”遵循这些原则，其团队的两名研究人员Giulio Masinelli和Chang Rajani希望借助机器学习，使基于激光的制造技术更经济、更高效、更易普及。

蒸发还是熔化？

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，从而逐步“焊接”出最终部件。

PBF可制造其他工艺几乎无法实现的复杂几何形状。然而，生产开始前几乎总是需要进行一系列复杂的初步测试。这是因为金属激光加工（包括PBF）基本存在两种模式：传导模式下仅熔化金属；锁孔模式下甚至会在某些情况下使金属蒸发。速度较慢的传导模式适用于薄壁高精度部件。锁孔模式精度稍低，但速度快得多，适用于较厚工件。

这两种模式的确切界限取决于多种参数。需要正确的设置才能获得最佳质量的最终产品——而这些设置根据被加工材料的不同差异巨大。Masinelli表示：“即使是同一批新原料粉末也可能需要完全不同的设置。”

更少实验，更优质量

通常，每批次生产前必须进行一系列实验，以确定特定部件的最佳参数设置（如扫描速度和激光功率）。这需要大量材料且必须由专家监督。Masinelli说：“这就是为什么许多公司首先就负担不起PBF。”

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“教会”算法在试运行中“识别”激光当前处于哪种焊接模式。基于此，算法确定下一次测试的设置。这将在保持产品质量的同时，将所需初步实验数量减少约三分之二。

Masinelli总结道：“我们希望我们的算法能让非专家也能使用PBF设备。”该算法在工业中应用只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并非唯一可用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。他们不仅优化了初步实验，还优化了焊接过程本身。即使采用理想设置，激光焊接也可能不可预测，例如当激光束击中金属表面微小缺陷时。

Chang Rajani表示：“目前无法实时影响焊接过程。这超出了人类专家的能力范围。”数据处理和决策的速度即使对计算机也是挑战。因此Rajani和Masinelli为此任务采用了一种特殊计算机芯片——现场可编程门阵列（FPGA）。Masinelli解释道：“使用FPGA时，我们能精确掌握命令执行时间和执行时长——而传统PC则无法做到。”

尽管如此，他们系统中的FPGA仍与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上的算法从这些数据中学习。Masinelli说明：“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，一次性提升芯片智能。”

两位Empa研究人员确信，机器学习和人工智能可在金属激光加工领域发挥更大作用。因此他们正持续开发算法和模型，并与研究及工业伙伴合作，拓展其应用领域。