Pemrosesan logam berbasis laser memungkinkan produksi komponen kompleks yang otomatis dan tepat, baik untuk industri otomotif atau untuk obat-obatan. Namun, metode konvensional membutuhkan persiapan yang memakan sumber daya. Para peneliti di EMPA di Thun menggunakan pembelajaran mesin untuk membuat proses laser lebih tepat, lebih hemat biaya dan lebih efisien.
Proses berbasis laser untuk logam dianggap sangat fleksibel dalam industri. Laser dapat digunakan, misalnya, untuk komponen -komponen presisi -keluh bersama atau menghasilkan bagian yang lebih kompleks menggunakan pencetakan 3D – dengan cepat, tepat dan otomatis. Inilah sebabnya mengapa proses laser digunakan di berbagai sektor, seperti industri otomotif dan penerbangan, di mana presisi maksimum diperlukan, atau dalam teknologi medis, misalnya untuk produksi implan titanium yang disesuaikan.
Namun, terlepas dari efisiensinya, proses laser secara teknis menantang. Interaksi kompleks antara laser dan material membuat proses peka terhadap penyimpangan terkecil – baik dalam sifat material atau dalam pengaturan parameter laser. Bahkan fluktuasi kecil dapat menyebabkan kesalahan dalam produksi.
“Untuk memastikan bahwa proses berbasis laser dapat digunakan secara fleksibel dan mencapai hasil yang konsisten, kami bekerja pada pemahaman, pemantauan, dan kontrol yang lebih baik dari proses ini,” kata Elia Iseli, pemimpin kelompok penelitian di Laboratorium Pemrosesan Bahan Tingkat Lanjut EMPA di THUN. Sejalan dengan prinsip -prinsip ini, Giulio Masinelli dan Chang Rajani, dua peneliti dari timnya, ingin membuat teknik manufaktur berbasis laser lebih terjangkau, lebih efisien dan lebih mudah diakses – menggunakan pembelajaran mesin.
Pertama, kedua peneliti fokus pada manufaktur aditif, yaitu pencetakan logam 3D menggunakan laser. Proses ini, yang dikenal sebagai bubuk bed fusion (PBF), bekerja sedikit berbeda untuk pencetakan 3D konvensional. Lapisan tipis bubuk logam dilelehkan oleh laser di tempat yang tepat sehingga komponen akhir secara bertahap “dilas” dari mereka.
PBF memungkinkan penciptaan geometri kompleks yang hampir tidak mungkin dilakukan dengan proses lain. Namun, sebelum produksi dapat dimulai, serangkaian tes pendahuluan yang kompleks hampir selalu diperlukan. Ini karena pada dasarnya ada dua mode untuk pemrosesan laser logam, termasuk PBF: dalam mode konduksi, logam cukup meleleh. Dalam mode lubang kunci, bahkan diuapkan dalam beberapa kasus. Mode konduksi yang lebih lambat sangat ideal untuk komponen yang tipis dan sangat tepat. Mode lubang kunci sedikit kurang tepat, tetapi jauh lebih cepat dan cocok untuk benda kerja yang lebih tebal.
Di mana tepatnya batas antara kedua mode ini terletak tergantung pada berbagai parameter. Pengaturan yang tepat diperlukan untuk kualitas terbaik dari produk akhir – dan ini sangat bervariasi tergantung pada bahan yang sedang diproses. “Bahkan batch baru bubuk awal yang sama dapat membutuhkan pengaturan yang sama sekali berbeda,” kata Masinelli.
Biasanya, serangkaian percobaan harus dilakukan sebelum setiap batch untuk menentukan pengaturan optimal untuk parameter seperti kecepatan pemindaian dan daya laser untuk masing -masing komponen. Ini membutuhkan banyak materi dan harus diawasi oleh seorang ahli. “Itulah sebabnya banyak perusahaan tidak mampu membeli PBF di tempat pertama,” kata Masinelli.
Masinelli dan Rajani sekarang telah mengoptimalkan eksperimen ini menggunakan pembelajaran mesin dan data dari sensor optik yang sudah dimasukkan dalam mesin laser. Para peneliti “mengajar” algoritma mereka untuk “melihat” mode pengelasan laser mana saat ini selama uji coba menggunakan data optik ini. Berdasarkan ini, algoritma menentukan pengaturan untuk tes berikutnya. Ini mengurangi jumlah percobaan awal yang dibutuhkan oleh sekitar dua pertiga – sambil mempertahankan kualitas produk.
“Kami berharap algoritma kami akan memungkinkan non-ahli untuk menggunakan perangkat PBF,” merangkum Masinelli. Semua yang diperlukan untuk algoritma untuk digunakan dalam industri adalah integrasi ke dalam firmware mesin laser laser oleh produsen perangkat.
PBF bukan satu -satunya proses laser yang dapat dioptimalkan menggunakan pembelajaran mesin. Dalam proyek lain, Rajani dan Masinelli fokus pada pengelasan laser – tetapi melangkah lebih jauh. Mereka tidak hanya mengoptimalkan percobaan awal, tetapi juga proses pengelasan itu sendiri. Bahkan dengan pengaturan yang ideal, pengelasan laser tidak dapat diprediksi, misalnya jika sinar laser mencapai cacat kecil pada permukaan logam.
“Saat ini tidak mungkin mempengaruhi proses pengelasan secara real time,” kata Chang Rajani. “Ini di luar kemampuan pakar manusia.” Kecepatan di mana data harus dievaluasi dan keputusan yang harus dibuat adalah tantangan bahkan untuk komputer. Inilah sebabnya mengapa Rajani dan Masinelli menggunakan jenis chip komputer khusus untuk tugas ini, yang disebut array gerbang yang dapat diprogram bidang (FPGA). “Dengan FPGA, kita tahu persis kapan mereka akan menjalankan perintah dan berapa lama eksekusi – yang tidak terjadi dengan PC konvensional,” jelas Masinelli.
Namun demikian, FPGA dalam sistem mereka juga terkait dengan PC, yang berfungsi sebagai semacam “otak cadangan”. Sementara chip khusus sibuk mengamati dan mengendalikan parameter laser, algoritma pada PC belajar dari data ini. “Jika kita puas dengan kinerja algoritma di lingkungan virtual di PC, kita dapat 'mentransfer' ke FPGA dan membuat chip lebih cerdas sekali,” jelas Masinelli.
Kedua peneliti yakin bahwa pembelajaran mesin dan kecerdasan buatan dapat berkontribusi lebih banyak di bidang pemrosesan logam laser. Itulah sebabnya mereka terus mengembangkan algoritma dan model mereka dan memperluas bidang aplikasi mereka – bekerja sama dengan mitra dari penelitian dan industri.
