30 Juli Maschinelles Lernen vereinfacht industrielle Laserprozesse
in Forschungsteam der Eidgenössischen Materialprüfungs- und Forschungsanstalt (Empa) in Thun/Schweiz entwickelt Methoden des maschinellen Lernens (ML), damit laserbasierte Fertigungsverfahren wie Powder Bed Fusion (PBF) effizienter, zuverlässiger und kostengünstiger werden. Ziel ist es, Additive Fertigung auch kleineren Unternehmen zugänglich zu machen – bei hoher Bauteilqualität.
Den korrekten Modus wählen
Die additive Fertigung metallischer Bauteile mittels PBF erfordert eine präzise Steuerung der Prozessparameter. Im PBF-Verfahren schmilzt ein fokussierter Laserstrahl eine dünne Metallschicht selektiv auf. Je nach Leistung und Belichtungsdauer kann das Metall entweder geschmolzen (Conduction Mode) oder lokal verdampft (Keyhole Mode, Tiefschweißen) werden. Die Wahl des geeigneten Modus hängt von der Bauteilgeometrie, der Schichtdicke, der gewünschten Oberflächenqualität und vom Material ab.
Für dünne und sehr präzise Bauteile eignet sich der langsamere Conduction Mode; das Tiefschweißen ist etwas weniger genau, dafür aber viel schneller und auch für dickere Werkstücke geeignet. Die Übergangsbereiche zwischen den beiden Modi sind jedoch nicht konstant – selbst Chargenunterschiede im Metallpulver beeinflussen das Schmelzverhalten. Herkömmlich erfordern derartige Prozesse viele Vorversuche mit anschließender Analyse der Nahtqualität. Diese Testläufe verursachen Materialkosten, beanspruchen Maschinenzeit und erhöhen den Personalaufwand. Viele Unternehmen verzichten daher auf PBF, weil die Parametrierung für sie wirtschaftlich nicht tragbar ist.
Erkennen und adaptieren in Echtzeit
Die Empa-Forscher Giulio Masinelli und Chang Rajani haben ein ML-basiertes Verfahren entwickelt, das auf optische Rohdaten aus dem Prozess zurückgreift – etwa Emissionsbilder, Rückreflexionen oder Kamerasignale aus dem Schmelzbad. Der Algorithmus erkennt anhand der Bilddaten den aktuellen Schweißmodus in Echtzeit und passt die Parameter für den Folgeprozess an. Er optimiert die Versuchsreihe adaptiv und reduziert deren Umfang um rund zwei Drittel. Das Verfahren bleibt dabei robust gegenüber Schwankungen im Ausgangsmaterial.
Die Integration des Algorithmus in bestehende Laserschweißanlagen ist nach Ansicht von Masinelli technisch wenig aufwendig. Der Code ließe sich direkt in die Steuerungssoftware der Gerätehersteller einbinden und über die vorhandenen Sensoren speisen. Das Verfahren könnte perspektivisch auch auf andere Laserprozesse übertragen werden, etwa das Laserauftragschweißen oder das Laserschneiden.
Vorher-nachher: Oben eine Laserschweißnaht vor dem Lernen, unten eine Schweißnaht aus dem mittels Algorithmus optimierten Vorgang. Bild: Empa
Den Schweißvorgang selbst optimieren
PBF ist nicht das einzige Laserverfahren, das mittels maschinellen Lernens optimiert werden kann. In einem weiteren Projekt legten Rajani und Masinelli den Fokus auf das Laserschweißen und optimierten neben den Vorversuchen auch den Schweißvorgang selbst. Denn selbst mit den optimalen Einstellungen kann Laserschweissen unvorhersehbar sein, wenn etwa winzige Defekte auf der Metalloberfläche unter den Laserstrahl geraten.
„Den Schweissvorgang in Echtzeit zu beeinflussen ist zurzeit nicht möglich“, sagt Chang Rajani. „Das übersteigt die Fähigkeiten von menschlichen Experten.“ Rajani und Masinelli nutzen daher für diese Aufgabe einen programmierbaren Computerchip, einen sogenannten Field-Programmable Gate Array (FPGA). Der ML-Algorithmus – auf einem angeschlossenen PC – lernt aus dessen Daten. Ist die Leistung des Algorithmus in der virtuellen Umgebung auf dem PC zufriedenstellend, wird er auf den FPGA übertragen.
Originalveröffentlichungen
[G. Masinelli et al.: Autonomous Exploration of the PBF-LB Parameter Space: an Uncertainty-Driven Algorithm for Automated Processing Map Generation; Additive Manufacturing (2025), DOI 10.1016/j.addma.2025.104677]
[G. Masinelli, C. Rajani et al.: Reinforcement Learning on Reconfigurable Hardware: Overcoming Material Variability in Laser Material Processing; IEEE International Conference on Robotics and Automation (ICRA), 2025, DOI 10.48550/arXiv.2501.19102]
Quelle und Bild: www.empa.ch