Lazer bazlı metallerin işlenmesi ile, otomotiv endüstrisi veya ilaç gibi endüstriler için karmaşık bileşenler hassasiyetle ve otomatik olarak üretilebilir. Şimdiye kadar, geleneksel yöntemler zaman tüketen ön testler gerektirir. Thun'daki Federal Malzeme Sınavı ve Araştırma Enstitüsü'nün (EMPA) bir araştırma ekibi, lazer yöntemlerini daha verimli, daha uygun ve daha hassas hale getirmek ve bu tekniklere erişimi kolaylaştırmak için yeni otomatik öğrenme yöntemlerini kullanır.
“Lazer bazlı süreçlerin esnek ve tutarlı bir şekilde kullanılabilmesi için, Lazer bazlı süreçlerin daha iyi anlaşılması, izlenmesi ve kontrolü üzerinde çalışıyoruz”, THUN'daki EMPA'daki “Malzemelerin İleri İşleme”, Bilim Bilgi Hizmeti (IDW) araştırma grubunun başkanı Elia Iseli. Giulio Masinelli ve Chang Rajani liderliğindeki ekip, daha ucuz, daha verimli ve erişilebilir otomatik öğrenme ile lazer bazlı üretim süreçleri oluşturmak istiyor.
Üretimde yatak tozunun füzyonu
Her şeyden önce, iki araştırmacı katkı üretimi veya lazerli metallerin 3D baskılarına odaklandı. “Yatak tozunun füzyonu” (PBF) olarak bilinen bu prosedür geleneksel 3D baskıdan farklıdır. Bir lazer, hassasiyetle tanımlanan alanlarda ince metal toz katmanlarını çözer, bu da yavaş yavaş bileşeni oluşturur. PBF, diğer teknikleri zorlukla uygulayabilen karmaşık geometrilere izin verir.
Bununla birlikte, üretim genellikle kapsamlı ön testler gerektirir. PBF de dahil olmak üzere metal lazer işleme ile temel olarak iki mod vardır: termal boruların Alman kaynağında “iletim modunda”, metal sadece birleştirilir. “Kilitin deliğinin modası” veya derin kaynakta, bazı yerlerde buharlaştı. En yavaş iletken modası ince ve yüksek hassasiyetli bileşenler için uygundur, ancak daha hızlı derin kaynak daha kalın parçalar için uygundur, ancak biraz daha az hassasiyet sunar. İki mod arasındaki kenar çok sayıda parametreye bağlıdır. Nihai ürünün maksimum kalitesini elde etmek için, malzemeye bağlı olarak önemli ölçüde değişen hassas ayarlara ihtiyaç vardır. Masinelli, “Aynı başlangıç tozunun yeni bir kısmı bile tamamen farklı ayarları gerekli kılabilir” diyor.
Daha az girişim ve daha iyi kalite
Her yeni partiden önce, uzmanlar genellikle ilgili bileşen için tarama hızı ve lazer gücü gibi parametreler için en uygun ayarları belirlemek için bir dizi test gerçekleştirir. Bu süreç çok fazla malzeme tüketir ve bir uzman tarafından eşlik gerektirir. Masinelli, “Birçok şirket PBF'yi bile karşılayamıyor” diyor. Bu çabayı azaltmak için Masinelli ve Rajani, otomatik öğrenme ile test serisini optimize eder. Zaten lazer makinelerine entegre edilmiş optik sensör verilerini kullanırlar. Araştırmacılar, mevcut lazer kaynak modunu tanımak için bu sensör verilerine dayanarak algoritmalarını oluşturdular. Bu tabanda, algoritma bir sonraki denemenin ayarlarını düzenler. Bu, yaklaşık üçte ikisinin gerektirdiği ön testlerin sayısını azaltırken, nihai ürünün kalitesi aynı kalır.
Masinelli, “Algoritmamızın ekspert olmayan PBF cihazlarını da kullanacağını umuyoruz.” Cihazlar üreticileri algoritmayı yalnızca sektörde kullanmak için lazer kaynak makinelerinin ürün yazılımına entegre etmelidir. PBF'ye ek olarak, Rajani ve Masinelli de otomatik öğrenme ile diğer lazer yöntemlerini optimize eder. Başka bir projede, lazer kaynağına odaklandılar ve ileri bir adım daha attılar: sadece ön testleri değil, aynı zamanda kaynak işleminin kendisini de geliştirdiler. Optimal ayarlarla bile, lazer kaynağı öngörülemez kalır, örneğin metal yüzeydeki küçük kusurlar lazer ışınının altında olduğunda.
Kaynak işlemlerini gerçek zamanlı olarak düzenler
Chang Rajani, “Ter sürecini gerçek zamanlı olarak etkilemek şu anda mümkün değil” diyor. “Bu, insan uzmanlarının yeteneklerini aşıyor.” Verilerin analiz edilme hızı ve kararların da zorlukları bilgisayarlara sahiptir. Rajani ve Masinelli'nin sahada (FPGA) özel bir bilgisayar çipi, SO -Called Programlanabilir Kapı Ankası kullanmasının nedeni budur. Masinelli, “FPGA'da, bir komutu ne zaman gerçekleştirdiğinizi ve yürütmeyi ne kadar süreceğini tam olarak biliyoruz, bu geleneksel bir PC'de durum böyle değil.”
Bilim adamları FPGA'yı “yedek beyin” olarak hareket eden bir PC ile eşleştiriyorlar. Özel çip lazer parametrelerini izler ve kontrol ederken, algoritma PC'deki bu verilerden öğrenir. Masinelli, “PC'deki sanal ortamdaki algoritmanın performansından memnun kalırsak, FPGA'yı” geçebilir “ve çipi tek bir düşüşle daha akıllı hale getirebiliriz.”
İki EMPA araştırmacısı ikna olmuştur: Otomatik öğrenme ve yapay zeka, metallerin lazer detaylandırılması ve 3D PBF baskı süreçleri için büyük bir potansiyel sunar. Bu nedenle, algoritmalarını ve modellerini geliştirirler ve araştırma ve endüstri ortaklarıyla işbirliği içinde uygulama alanlarını genişletirler.
(USZ)
Bir yanıt yazın