Maschinelles Lernen vereinfacht industrielle Laserprozesse
Die Forschenden der Empa in Thun nutzen maschinelles Lernen, um Laserverfahren präziser, günstiger und effizienter zu machen.
Laserbasierte Verfahren zur Verarbeitung von Metallen gelten in der Industrie als besonders vielseitig einsetzbar, aber auch technisch anspruchsvoll. Giulio Masinelli und Chang Rajani, zwei Forschende der Empa-Abteilung «Advanced Materials Procesing» in Thun, wollen laut einer Mitteilung vom Dienstag laserbasierte Produktionsverfahren mittels maschinellem Lernen günstiger, effizienter und zugänglicher machen.
Als Erstes haben sich die Forschenden die additive Fertigung vorgenommen, also das 3D-Drucken von Metallen mittels Laser. Das Verfahren Powder Bed Fusion (PBF) funktioniert etwas anders als herkömmlicher 3D-Druck. Dünne Schichten aus Metallpulver werden mit dem Laser an genau den richtigen Stellen geschmolzen, sodass daraus nach und nach das fertige Bauteil «herausgeschweisst» wird.
Mit PBF sind komplexe Geometrien möglich, die sich mit anderen Verfahren kaum realisieren lassen. Zuvor braucht es aber in der Regel aufwändige Vorversuche. Zudem muss normalerweise vor jeder Charge eine Versuchsreihe erfolgen, um die optimalen Einstellungen von Scan-Geschwindigkeit und Leistung des Lasers für das jeweilige Bauteil zu eruieren. Das verbraucht viel Material und muss von einer Fachperson begleitet werden. «Viele Unternehmen können sich PBF deshalb gar nicht erst leisten», so Masinelli.
Diese Versuchsreihe haben Masinelli und Rajani nun mittels maschinellen Lernens optimiert. Dafür nutzen sie Daten aus optischen Sensoren, die in den Lasermaschinen bereits vorhanden sind. Die Forschenden haben ihrem Algorithmus beigebracht, während eines Versuchs anhand dieser optischen Daten zu sehen, in welchem Schweissmodus sich der Laser gerade befindet.
Schweissvorgang kann nicht in Echtzeit beeinflusst werden
Basierend darauf legt der Algorithmus die Einstellungen für den nächsten Versuch fest. So lässt sich die Anzahl der benötigten Vorversuche um rund zwei Drittel senken – bei gleichbleibender Qualität des Endprodukts.
«Wir hoffen, dass mit unserem Algorithmus auch Nicht-Experten PBF-Geräte verwenden können», lässt sich Masinelli zitieren. Damit der Algorithmus in der Industrie zum Einsatz kommen kann, müsste er lediglich von den Geräteherstellern in die Firmware der Laserschweissmaschinen integriert werden.
In einem weiteren Projekt optimierten Rajani und Masinelli nicht nur die Vorversuche, sondern auch den Schweissvorgang selbst. Den Schweissvorgang in Echtzeit zu beeinflussen, sei zurzeit nicht möglich, stellte Chang Rajani fest. Das übersteige die Fähigkeiten von menschlichen Experten.
Die Geschwindigkeit, mit der die Daten ausgewertet und Entscheidungen getroffen werden müssten, sei sogar für Computer eine Herausforderung. Deshalb nutzten Rajani und Masinelli für diese Aufgabe eine besondere Art von Computerchip, einen sogenannten Field-Programmable Gate Array (FPGA).
