Однако, несмотря на свою эффективность, лазерные процессы являются технически сложными. Сложные взаимодействия между лазером и материалом делают процесс чувствительным к малейшим отклонениям - будь то в свойствах материала или в настройках параметров лазера. Даже незначительные колебания могут привести к ошибкам в производстве.

"Чтобы гарантировать гибкое использование лазерных процессов и достижение стабильных результатов, мы работаем над лучшим пониманием, мониторингом и контролем этих процессов", - говорит Элия Исели, руководитель исследовательской группы в лаборатории передовой обработки материалов Empa в Туне. В соответствии с этими принципами Джулио Масинелли и Чанг Раджани, два исследователя из его команды, хотят сделать технологии производства на основе лазера более доступными, более эффективными и понятными - с помощью машинного обучения.

Испариться или расплавиться?

Сначала оба исследователя сосредоточились на аддитивном производстве, то есть на 3D-печати металлов с использованием лазеров. Этот процесс, известный как сплавление в порошковом слое (PBF), работает несколько иначе, чем при обычной 3D-печати. Тонкие слои металлического порошка расплавляются лазером точно в нужных местах, так что из них постепенно "сваривается" конечный компонент.

PBF позволяет создавать сложные геометрические формы, которые вряд ли возможны при использовании других процессов. Однако, прежде чем начать производство, почти всегда требуется сложная серия предварительных испытаний. Это связано с тем, что существует в основном два режима лазерной обработки металла, включая PBF: в режиме проводимости металл просто расплавляется. В режиме замочной скважины в некоторых случаях он даже испаряется. Режим замедленной проводимости идеально подходит для тонких и очень точных компонентов. Режим "Замочная скважина" немного менее точен, но намного быстрее и подходит для более толстых заготовок.

Где именно проходит граница между этими двумя режимами, зависит от множества параметров. Для достижения наилучшего качества конечного продукта необходимы правильные настройки, которые сильно варьируются в зависимости от обрабатываемого материала. "Даже для новой партии того же исходного порошка могут потребоваться совершенно другие настройки", - говорит Масинелли.

Лучшее качество при меньшем количестве экспериментов

Обычно перед каждой партией необходимо провести серию экспериментов, чтобы определить оптимальные настройки таких параметров, как скорость сканирования и мощность лазера для соответствующего компонента. Это требует большого количества материала и должно выполняться под наблюдением эксперта. "Вот почему многие компании в первую очередь не могут позволить себе PBF", - говорит Масинелли.

Масинелли и Раджани теперь оптимизировали эти эксперименты, используя машинное обучение и данные с оптических датчиков, которые уже встроены в лазерные станки. Исследователи "научили" свой алгоритм "видеть", в каком режиме сварки в данный момент находится лазер, во время тестового запуска, используя эти оптические данные. Основываясь на этом, алгоритм определяет настройки для следующего теста. Это сокращает количество необходимых предварительных экспериментов примерно на две трети при сохранении качества продукта.

"Мы надеемся, что наш алгоритм позволит неспециалистам использовать устройства PBF", - резюмирует Масинелли. Все, что требуется для использования алгоритма в промышленности, - это интеграция производителями устройств во встроенное ПО лазерных сварочных аппаратов.

Оптимизация в реальном времени

PBF - не единственный лазерный процесс, который можно оптимизировать с помощью машинного обучения. В другом проекте Раджани и Масинелли сосредоточились на лазерной сварке, но пошли еще на один шаг дальше. Они оптимизировали не только предварительные эксперименты, но и сам процесс сварки. Даже при идеальных настройках лазерная сварка может быть непредсказуемой, например, если лазерный луч попадает на крошечные дефекты на поверхности металла.

"В настоящее время невозможно влиять на процесс сварки в режиме реального времени", - говорит Чанг Раджани. "Это выходит за рамки возможностей человеческих экспертов". Скорость, с которой необходимо оценивать данные и принимать решения, является сложной задачей даже для компьютеров. Вот почему Раджани и Масинелли использовали для этой задачи специальный тип компьютерного чипа, так называемую программируемую в полевых условиях вентильную матрицу (FPGA). "С помощью ПЛИС мы точно знаем, когда они выполнят команду и сколько времени займет выполнение, чего нельзя сказать об обычном ПК", - объясняет Масинелли.

Тем не менее, ПЛИС в их системе также подключена к ПК, который служит своего рода "резервным мозгом". В то время как специализированный чип занят наблюдением и управлением параметрами лазера, алгоритм на ПК учится на основе этих данных. "Если мы удовлетворены производительностью алгоритма в виртуальной среде на ПК, мы можем "перенести" его на ПЛИС и сразу сделать чип более интеллектуальным", - объясняет Масинелли.

Оба исследователя Empa убеждены, что машинное обучение и искусственный интеллект могут внести гораздо больший вклад в область лазерной обработки металлов. Именно поэтому они продолжают разрабатывать свои алгоритмы и модели и расширяют область их применения - в сотрудничестве с партнерами из научных кругов и промышленности.