El proceso basado en láser para metales se considera particularmente versátil en la industria. Los láseres se pueden usar, por ejemplo, los ingredientes de soldadura de precisión se combinan juntos o el uso de la impresión 3D más compleja, exactamente y automáticamente. Esta es la razón por la cual el proceso láser se usa en múltiples sectores, como las industrias automotriz y de aviación, donde la máxima precisión es esencial o en tecnología médica, por ejemplo, para la fabricación de aplicaciones de titanio personalizadas.
Sin embargo, a pesar de su rendimiento, los procesos láser son técnicamente difíciles. La interacción compleja entre el láser y el material hace que el proceso sea sensible a la desviación más pequeña, ya sea en propiedades del material o en la configuración de los parámetros láser. Incluso las fluctuaciones modestas pueden conducir a errores en la producción.
“Para garantizar que el proceso basado en el láser pueda usarse de manera flexible y lograr resultados permanentes, estamos trabajando en una mejor comprensión, monitoreo y control sobre estos procesos”, dijo los materiales avanzados de Empa en el laboratorio de procesamiento. Según estos principios, Jewelio Messnelli y Chang Rajani, dos investigadores de su equipo, quieren hacer que la técnica de fabricación basada en láser sea más asequible, más eficiente y más accesible utilizando el aprendizaje automático.
Fiebre o fusión?
Primero, ambos investigadores se centraron en la fabricación adicional, a saber, la impresión 3D de metales con láseres. Este proceso, conocido como fusión de lecho de polvo (PBF), funciona ligeramente diferente para la impresión 3D tradicional. Las capas delgadas de polvo de metal se derriten en los lugares correctos por láser para que el componente final se “solucione” gradualmente de ellas.
PBF permite la creación de geometría compleja que rara vez son posibles con otros procesos. Sin embargo, antes de que la producción pueda comenzar, una serie compleja de pruebas iniciales es casi siempre necesaria. La razón de esto es que básicamente hay dos formas para el procesamiento del láser de metal, incluido el PBF: en modo de entrega, el metal se derrite fácilmente. De alguna forma, también sufre algunos ejemplos. Poco a poco, el método de entrega es ideal para ingredientes delgados y extremadamente exactos. El estado de ánimo es un poco menos preciso, pero el trabajo más rápido y grueso es adecuado.
Donde los límites entre estos dos métodos dependen de diferentes parámetros. La mejor calidad del producto final requiere la configuración correcta. “Incluso un nuevo lote del mismo polvo de inicio puede requerir configuraciones completamente diferentes”, dice Masnely.
Mejor calidad con bajas experiencias
En general, se debe comenzar a determinar una serie de experimentos frente a cada lote para determinar la configuración máxima de los parámetros, como la velocidad de escaneo y la potencia láser para el componente relevante. Requiere mucho contenido y debe ser monitoreado por un experto. “Es por eso que muchas compañías no pueden tolerar PBF en primer lugar”, dice Messelle.
Masniley y Rajani ahora han mejorado estos experimentos utilizando datos de aprendizaje automático y sensores ópticos que ya están en máquinas láser. Los investigadores “enseñaron” su algoritmo a “ver”, en el que Láser se encuentra actualmente en el láser durante la ejecución de la prueba utilizando estos datos ópticos. Según esto, el algoritmo determina la siguiente configuración de prueba. Esto reduce el número de experimentos iniciales mientras se mantiene la calidad del producto.
“Esperamos que nuestro algoritmo permita que los no expertos usen dispositivos PBF”, se describe el resumen de Masineli. El uso de algoritmos en la industria toma la mera integración del firmware de las máquinas de soldadura por láser por los fabricantes.
Corrección de tiempo real
PBF no es el único proceso láser que se puede mejorar con el aprendizaje automático. En otro proyecto, Rajani y Masineli se centraron en la soldadura por láser, pero fueron un paso más allá. No solo mejoraron las experiencias tempranas, sino que también mejoraron el proceso de soldadura. Incluso a pesar de la configuración ideal, la soldadura por láser puede ser inesperada, por ejemplo, si el haz láser choca con pequeños defectos en la superficie del metal.
“No es posible afectar el proceso de soldadura en tiempo real”, dice Chang Rajani. “Esto está más allá de las capacidades de los expertos humanos”. La velocidad a la que se deben revisar los datos y también un desafío para que la computadora tome decisiones. Cuando implementen el comando y cuánto tiempo llevará implementarlo, lo que no es una materia de PC tradicional “, explicó Masineli.
Sin embargo, el FPGA en su sistema también está conectado a una PC, que actúa como un “cerebro de respaldo”. Aunque el chip especial está observando y controlando los parámetros del láser, el algoritmo en la PC aprende de estos datos. “Si estamos satisfechos con el rendimiento del algoritmo en el entorno virtual en la PC en la PC, podemos ‘moverlo’ al FPGA y hacer que el chip sea más inteligente”, dijo Messenger.
Ambos investigadores de Empa están convencidos de que el aprendizaje automático y la inteligencia artificial pueden contribuir al campo del procesamiento láser de metales. Es por eso que continúan desarrollando sus algoritmos y modelos y aumentan su área de aplicación en asociación con la investigación y los socios de la industria.
