机器学习助力工业激光加工提质增效

无论是汽车工业还是医疗领域，激光金属加工技术都能实现复杂零部件的自动化精密制造。然而，传统方法往往需要耗费大量时间和资源进行前期调试。位于瑞士图恩的瑞士联邦材料科学与技术研究所（EMPA）的科研团队运用机器学习技术，使激光加工过程变得更精准、更经济、更高效。

激光金属加工技术，因其卓越的适应性备受工业界青睐。该技术既能实现精密部件焊接，又能通过3D打印快速、精准、自动化地制造复杂构件，因而被广泛应用于汽车制造、航空航天等对精度要求严苛的领域，在医疗技术领域（如定制化钛合金植入体生产）同样大显身手。

当激光学会思考，机器学习实现激光焊接工艺的实时优化

尽管优势显著，但激光加工仍存在技术挑战。激光与材料间复杂的相互作用，使得加工过程对细微变化极为敏感——无论是材料特性还是激光参数设置的微小偏差，都可能导致生产瑕疵。

“为了确保激光加工技术兼具灵活性与稳定性，我们致力于深化对加工过程的理解、监测与控制，”EMPA先进材料加工实验室课题组组长Elia Iseli表示。基于这一理念，其团队成员Giulio Masinelli与Chang Rajani两位研究员正运用机器学习技术，着力提升激光制造技术的经济性、效率与普适性。

汽化还是熔化？

研究人员首先聚焦金属激光增材制造（即3D打印）技术。这种被称为粉末床熔融（PBF）的工艺与传统3D打印有所不同：激光束精准熔融金属粉末薄层的特定区域，逐层焊接成型最终构件。

粉末床熔融技术可制造其他工艺难以实现的复杂几何结构。但在生产前，往往需要进行一系列复杂的参数测试。这源于金属激光加工（包括PBF）存在两种基本模式：传导模式下金属仅发生熔化；而小孔模式下局部甚至会汽化。速度较慢的传导模式适合薄壁精密部件，小孔模式精度稍逊但效率更高，适用于厚壁工件。

两种模式的临界阈值取决于多重参数。为获得最佳成品质量，需要根据加工材料调整参数设置。“即使是同一型号的新批次原料粉末，也可能需要完全不同的参数组合。”Masinelli解释道。

更少实验，更优品质

Masinelli指出，传统模式下每批生产前都需进行系列实验，以确定扫描速度、激光功率等参数的最佳组合。这不仅耗费大量材料，还需专家全程监督。这正是许多企业难以承担PBF技术成本的主因。

Masinelli与Rajani通过机器学习技术优化了这一流程。他们利用激光设备内置光学传感器的数据，“训练”算法通过光学特征实时识别加工模式（传导/小孔）。基于实时反馈，算法自主优化后续实验参数，在保证产品质量的同时，将前期实验次数减少约三分之二。

实时优化新突破

粉末床熔融（PBF）并非唯一可通过机器学习优化的激光工艺。在另一项研究中，Rajani与Masinelli将目光投向激光焊接领域，并实现了技术升级——他们不仅优化了前期实验环节，更实现了焊接过程的实时调控。即便参数设置理想，激光焊接仍存在不确定性，例如当激光束照射到金属表面微缺陷时。

“目前行业专家尚无法实现焊接过程的实时干预，”Chang Rajani表示，“这已超出人工调控的能力极限。”即便对计算机而言，实时评估数据并做出决策的速度要求也构成巨大挑战。为此，研究团队采用了现场可编程门阵列（FPGA）这一特殊芯片。FPGA能精确控制指令执行时序，其运算耗时具有确定性——这是传统计算机无法实现的。

“我们的算法有望降低PBF设备的使用门槛。”Masinelli总结道。该技术只需设备制造商将其集成至激光焊接设备的固件中，即可实现工业化应用。

然而，该系统中的FPGA仍与PC端相连，后者充当着“备用大脑”的角色。当专用芯片专注于激光参数的监测调控时，PC端算法同步从数据中学习。当虚拟环境中的算法表现达到预期，研究人员就能将其移植到FPGA芯片，实现芯片智能的即时升级。

两位Empa研究员坚信，机器学习和人工智能在金属激光加工领域潜力巨大。目前他们正与产学研合作伙伴共同推进算法模型的迭代研发，持续拓展技术应用疆界。

作者：Anna Ettlin（瑞士联邦材料科学与技术研究所）

来源：荣格-《国际工业激光商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。