摘要：基于激光的金属加工可以使复杂组件的自动化和精确生产，无论是用于汽车行业还是医学。但是，常规方法需要时间和资源消耗的准备。现在，研究人员正在使用机器学习来使激光过程更加精确，更具成本效益和更有效。...

基于激光的金属工艺被认为在行业中特别用途广泛。可以使用激光器将激光器用于精确焊接组件，或使用3D打印（快速，精确和自动）生成更复杂的零件。这就是为什么需要在需要最高精度或医疗技术（例如生产自定义的钛植入物）中，例如汽车和航空行业等众多领域使用激光过程的原因。

但是，尽管它们的效率在技术上都具有挑战性。激光与材料之间的复杂相互作用使过程对最小偏差的过程敏感 - 无论是在材料属性还是在激光参数的设置中。即使是微小的波动也会导致生产错误。

EMPA在Thun的Empa高级材料处理实验室的研究小组负责人Elia Iseli说：“为确保可以灵活地使用基于激光的过程并取得一致的结果，我们正在努力更好地理解，监视和控制这些过程。”根据这些原则，他的团队的两位研究人员Giulio Masinelli和Chang Rajani希望使用机器学习使基于激光的制造技术更实惠，更高效，更容易获得。

蒸发还是融化？

首先，两位研究人员专注于增材制造，即使用激光器对金属的3D打印。这个被称为粉末床融合（PBF）的过程与常规3D打印的作用略有不同。薄金属粉末被激光融化在恰好正确的斑点中，以便将最终组件逐渐“焊接”到它们中。

PBF允许创建其他过程几乎不可能的复杂几何形状。但是，在生产开始之前，几乎总是需要一系列复杂的初步测试。这是因为基本上有两种模式用于金属的激光处理，包括PBF：在传导模式下，金属被简单地融化。在钥匙孔模式下，它在某些情况下甚至会蒸发。较慢的传导模式非常适合薄且非常精确的组件。钥匙孔模式的精确效果略低，但更快，适合较厚的工件。

这两种模式之间的边界完全取决于各种参数。最终产品的最佳质量需要正确的设置 - 根据所处理的材料，这些设置差异很大。 Masinelli说：“即使是一批新的相同起始粉末也可能需要完全不同的设置。”

通过更少的实验质量更好

通常，必须在每批之前进行一系列实验，以确定各个组件的扫描速度和激光功率等参数的最佳设置。这需要大量材料，必须由专家监督。 Masinelli说：“这就是为什么许多公司首先负担不起PBF的原因。”

Masinelli和Rajani现在使用已经合并到激光器中的光学传感器的机器学习和数据来优化了这些实验。研究人员“教”其算法“查看”使用这些光学数据的测试运行期间，激光器目前正在使用哪种焊接模式。基于此，该算法确定了下一个测试的设置。这减少了大约三分之二的初步实验数量，同时保持产品质量。

Masinelli总结说：“我们希望我们的算法能够使用PBF设备。”该算法用于行业所需的只是设备制造商集成到激光焊接机的固件中。

实时优化

PBF不是唯一可以使用机器学习优化的激光过程。在另一个项目中，拉贾尼（Rajani）和马西内利（Masinelli）专注于激光焊接 - 但进一步迈出了一步。他们不仅优化了初步实验，还优化了焊接过程本身。即使使用理想的设置，激光焊接也可能是不可预测的，例如，如果激光束在金属表面上碰到微小的缺陷。

Chang Rajani说：“目前不可能实时影响焊接过程。” “这超出了人类专家的能力。”即使对于计算机，必须评估数据的速度并做出决策是一个挑战。这就是为什么Rajani和Masinelli使用特殊类型的计算机芯片来完成此任务的原因，即所谓的现场可编程门阵列（FPGA）。 Masinelli解释说：“有了FPGA，我们确切地知道他们何时执行命令以及执行时间将需要多长时间 - 常规PC并非如此。”

然而，他们系统中的FPGA也与PC相关联，该PC是一种“备用大脑”。当专业芯片忙于观察和控制激光参数时，PC上的算法从这些数据中学习。 Masinelli解释说：“如果我们对PC上虚拟环境中该算法的性能感到满意，我们可以将其转移到FPGA，并使芯片立即使芯片更加聪明。”

两位EMPA研究人员坚信机器学习和人工智能可以在金属的激光加工领域做出更多贡献。这就是为什么他们继续开发算法和模型，并与研究和行业的合作伙伴合作，扩大了应用领域的发展。