KI-gestützte Präzision revolutioniert den laserbasierten 3D-Metalldruck

In der Welt des 3D-Drucks bzw. der additiven Fertigung ist die laserbasierte Metallverarbeitung eine beliebte Technik, die eine automatisierte, präzise und schnelle Herstellung komplexer Komponenten ermöglicht.

Bei der laserbasierten Metallbearbeitung wird ein Laser als Energiequelle zur Metallbearbeitung eingesetzt. Ein Laser ist ein verstärkter Lichtstrahl oder elektromagnetische Strahlung, der sich geradlinig und mit geringer Divergenz ausbreiten kann. 

Dies macht Laser besonders in der Materialbearbeitung nützlich, wo sie zur Zerspanung, zum Fügen und zur Oberflächenbearbeitung eingesetzt werden. In der additiven Fertigung werden Laser zum Aufschmelzen von Materialien und zur schichtweisen Herstellung von Bauteilen eingesetzt.

Additive Fertigung bedeutet, ein Produkt Schicht für Schicht zu fertigen. Angefangen hat es mit Kunststoffen, da diese sich leicht verarbeiten ließen. Mittlerweile umfasst die additive Fertigung alle möglichen Materialien, auch metallische.

Metallische Werkstoffe sind für ihre attraktiven Eigenschaften bekannt, wie beispielsweise eine hervorragende elektrische Leitfähigkeit sowie hohe Festigkeit, Duktilität und einen niedrigen Schmelzpunkt, was sie für Anwendungen in den Bereichen Biomedizin, Energie, Architektur und Militär äußerst nützlich macht. 

Die Laserbearbeitung von Metallen bietet einzigartige Vorteile wie hohe Energiedichte, schmale Wärmeeinflusszone und geringe Kontamination. Deshalb werden Laserprozesse in zahlreichen Branchen eingesetzt, insbesondere dort, wo höchste Präzision und hohe Individualisierung gefragt sind. Allerdings bringt sie auch ihre eigenen Komplikationen und technischen Herausforderungen mit sich. 

„Um sicherzustellen, dass laserbasierte Verfahren flexibel eingesetzt werden können und konsistente Ergebnisse erzielen, arbeiten wir daran, diese Prozesse besser zu verstehen, zu überwachen und zu steuern.“

– Elia Iseli, Forschungsgruppenleiter im Advanced Materials Processing-Labor der Empa

Mit diesem Ziel machen die Forscher Giulio Masinelli und Chang Rajani von der Empa in Thun laserbasierte Fertigungstechniken mithilfe von maschinellem Lernen zugänglicher, erschwinglicher und effizienter.

Vorteile und Herausforderungen des Laser Powder Bed Fusion (PBF-LB) verstehen

Im weiteren Bereich der laserbasierten Metallverarbeitung ist das Pulverbettfusionsverfahren (Powder Bed Fusion) eine beliebte Methode. Dabei werden mithilfe eines Lasers dünne Schichten Metallpulver an den exakt richtigen Stellen geschmolzen und anschließend miteinander verschweißt, um das endgültige Bauteil herzustellen.

Das Pulverbettschmelzen mit Laserstrahl (PBF-LB) ist eine Spezialtechnik, die in den letzten Jahren stark an Bedeutung gewonnen hat. Bei dieser bekannten additiven Fertigungstechnologie werden Laser mit sehr hoher Leistung eingesetzt, um Metallpulver schichtweise zu schmelzen und anschließend zu maßgeschneiderten und hochpräzisen Bauteilen zu verschmelzen. 

Diese Technik ermöglicht die Herstellung komplexer Geometrien und bietet gleichzeitig Anpassungsmöglichkeiten und gewährleistet Materialeffizienz. 

Diese Eigenschaften machen PBF-LB besonders nützlich für Branchen wie die Automobilindustrie, Medizin, Luft- und Raumfahrt und Konsumgüterindustrie, in denen wir leichte und komplexe Teile, personalisierte Designs, Präzision, Gewichtsreduzierung und schnelles Prototyping benötigen. 

Obwohl die Technik vielseitig und effizient ist, stehen ihr auf dem Weg zu einer breiteren Akzeptanz und Optimierung mehrere Hindernisse im Weg.

Hierzu gehört die Schwierigkeit, die optimalen Verarbeitungsbedingungen für das verwendete Metallpulver zu finden.

„Selbst eine neue Charge des gleichen Ausgangspulvers kann völlig andere Einstellungen erfordern.“

– Masinelli

Der hohe Energieeinsatz, der bei diesem Verfahren zum Metallschmelzen benötigt wird, erzeugt komplexe physikalische Mechanismen, die sich negativ auf die Qualität der Teile auswirken. Zu diesen Mechanismen gehören inkonsistente Materialeigenschaften, der Einfluss atmosphärischer Gase und die Wechselwirkung des Lasers mit der Dampfwolke. All diese Phänomene führen zu Problemen bei der Parameterbestimmung.

Dies liegt vor allem an den beiden Modi. Zum einen der Konduktionsmodus, bei dem das Metall lediglich geschmolzen wird und sich ideal für dünne und präzise Bauteile eignet. Zum anderen der Schlüssellochmodus, bei dem das Metall in manchen Fällen verdampft werden kann. Dieser ist zwar schneller, aber auch weniger präzise und eignet sich daher für dickere Bauteile.

Die Grenze zwischen diesen Modi hängt jedoch von verschiedenen Parametern ab und um die beste Qualität der Endprodukte zu erreichen, sind die richtigen Einstellungen erforderlich, die je nach verarbeitetem Material variieren. 

Die komplexen Wechselwirkungen zwischen Material und Laser machen den Prozess zudem empfindlich gegenüber kleinsten Abweichungen, die zu Problemen in der Produktion führen können. Dies macht das Verfahren zeit- und ressourcenintensiv. Daher erfordert PBF-LB eine aufwendige Feinabstimmung der Parameter, um konsistente Ergebnisse zu erzielen.

Doch damit ist es noch nicht getan. Die in dieser Phase gewonnenen Proben werden anschließend mit verschiedenen Techniken wie Mikrostrukturanalyse, Dichtemessung und Röntgen-Computertomographie (CT) analysiert. 

Diese Methoden liefern detaillierte Informationen zu internen Strukturen und decken Defekte auf, die für die Bewertung der Qualität und Leistung von PBF-LB-Teilen von entscheidender Bedeutung sind. Allerdings sind auch hier Spezialgeräte und Expertenwissen erforderlich und sie sind zudem teuer und zeitaufwändig.

„Aus diesem Grund können sich viele Unternehmen PBF gar nicht leisten.“

– Masinelli

Um all diese Probleme zu lösen, nutzten Forscher der Empa maschinelles Lernen, um Laserprozesse effizienter, kostengünstiger und präziser zu gestalten.

Klicken Sie hier, um zu erfahren, wie die additive Fertigung Branchen umgestaltet.

Nutzung von KI zur Echtzeitsteuerung im Metall-3D-Druck

Zur Probenanalyse greifen die Forscher auf Echtzeit-Überwachungsmethoden zurück, bei denen Sensoren wie Schallemissionssensoren (AE), Hochgeschwindigkeits-Wärmebildgebung und optische Sensoren zum Einsatz kommen.

Die Wahl fiel auf die Echtzeitüberwachung, da sie unerwünschte Ereignisse während des Herstellungsprozesses erkennen kann. Dies ermöglicht sofortige Anpassungen und spart Ressourcen durch das Entfernen und erneute Einschmelzen von Defekten. 

Diese Echtzeit-Überwachungstechniken basieren normalerweise auf Algorithmen des maschinellen Lernens (ML).

ML ist ein Forschungsgebiet der künstlichen Intelligenz und beschäftigt sich mit der Entwicklung statistischer Algorithmen, die aus Daten lernen. Diese Algorithmen extrahieren aussagekräftige Muster aus hochdimensionalen Daten und treffen dann Vorhersagen, beispielsweise zur Teilequalität in der Metallverarbeitung, ohne dass komplexe physikalische Modelle explizit programmiert werden müssen.

Diese KI-Ansätze sind jedoch nicht ohne Einschränkungen. Zu den Herausforderungen gehört, dass das Modell lernt, Änderungen der Prozessparameter statt des Prozessregimes und der Fehlerbildung zu erkennen.

Die natürliche Abweichung der Maschinenparameter im Laufe der Zeit stellt ebenfalls ein Hindernis für die Verallgemeinerung dieser Modelle dar und schränkt die praktische Anwendbarkeit von KI-Modellen in realen Fertigungsumgebungen ein. Hinzu kommen Probleme bei der Automatisierung, die spezielle Ausrüstung erfordern und durch die Vielzahl der Parameter erschwert werden, deren Erforschung ebenfalls anspruchsvoll und ressourcenintensiv ist.

Es besteht ein klarer Bedarf an Algorithmen, die den PBF-Parameterraum unter Berücksichtigung mehrerer Prozessvariablen autonom navigieren können, um optimale Bedingungen zu ermitteln und die zugrunde liegenden Schmelzregime zu verstehen.

Diesem Bedarf gehen nun Forscher der Empa nach und haben eine neue Methode vorgeschlagen, die auf der unbeaufsichtigten Erfassung optischer Daten basiert und sich dabei auf die Identifizierung des Schmelzregimes konzentriert, ohne dass dafür gekennzeichnete Daten oder umfangreiche Nachbearbeitungsanalysen erforderlich sind.

Implementierung unüberwachten Lernens zur Optimierung der PBF-LB-Parameter

Die von Empa-Forschern entwickelte neuartige unbeaufsichtigte Technik konzentriert sich auf zwei Hauptparameter: Laserleistung und Scangeschwindigkeit, die den größten Einfluss auf das Schmelzregime haben.

Während der Fokus der Studie¹ Obwohl sich die Methode auf diese beiden Parameter konzentrierte, kann sie auch für weitere Prozessparameter eingesetzt werden. Zukünftig werden die Forscher Gasflussrate, Schraffurabstand und Schichtdicke in ihren Algorithmus integrieren, um eine umfassendere Untersuchung des PBF-LB-Parameterraums zu ermöglichen.

Derzeit zeigt die vorgeschlagene Methode den Übergang zwischen Leitungsmodus und Schlüssellochmodus genau an.

Der unüberwachte Ansatz bietet außerdem eine Grundlage für die Extraktion von Verarbeitungskarten ohne Abhängigkeit von beschrifteten Daten, was einen erheblichen Vorteil bei PBF-LB bietet, wo die Beschaffung beschrifteter Daten sowohl kostspielig als auch schwierig ist.

Die Studie baut tatsächlich auf dieser Grundlage auf und führt eine originelle Methode ein, die Teile des aktiven Lernens (Auswahl der aussagekräftigsten Datenpunkte) und der Bayes'schen Optimierung (iterative Stichprobenstrategie unter Verwendung eines Wahrscheinlichkeitsmodells) kombiniert, um Verarbeitungskarten effizient abzuleiten.

Das Besondere an diesem Ansatz ist, dass er ohne Daten beginnt und dann schrittweise den Datensatz aufbaut, indem entschieden wird, wo jedes neue Experiment durchgeführt werden soll. Auf diese Weise kann der experimentelle Prozess optimiert werden.

Bemerkenswert ist, dass das Modell trotz iterativer Verfeinerung während des gesamten Prozesses unbeaufsichtigt bleibt, da es keine gekennzeichneten Daten benötigt. Zur Identifizierung der Schmelzbereiche nutzt der Algorithmus aus den optischen Daten extrahierte Merkmale. Die Ergebnisse werden dann verwendet, um einen Gaussian Process Classifier (GPC) zu trainieren, der eine probabilistische Schätzung der Karte liefert. 

Was die iterative Facette betrifft, wählt der Algorithmus neue Versuchseinstellungen basierend auf den Feldern aus, bei denen die Vorhersagen mit hoher Unsicherheit behaftet sind, was die Schätzung der Verarbeitungskarte verbessert.

Im Wesentlichen lernt der Algorithmus, während eines Testlaufs zu erkennen, in welchem ​​Schweißmodus sich der Laser befindet. Dabei werden Daten von optischen Sensoren verwendet, die bereits in den Lasermaschinen integriert sind. Auf dieser Grundlage legt der Algorithmus die Parameter für den nächsten Test fest.

„Wir hoffen, dass unser Algorithmus auch Laien die Nutzung von PBF-Geräten ermöglicht“, so Masinelli. Er müsse lediglich von den Herstellern in die Firmware der Laserschweißgeräte integriert werden.

Bewertung der Wirksamkeit des KI-Modells in PBF-LB-Anwendungen

Der neue Algorithmus, den die Forscher eingeführt haben, um die Notwendigkeit einer umfangreichen Parameterabstimmung zu beseitigen, die die breitere Anwendung von PBF-LB einschränkt, identifiziert die Schmelzregime selbstständig anhand von Daten von Fotodioden.

Und bei Tests im Labor stellte das Team fest, dass die Methode äußerst genau ist und bei zwei Materialien einen F1-Score von 89.2 % erreichte. Um die Leistung zu bewerten, druckten die Forscher mehrere Teile aus zwei Materialien. 

Das erste Material war Ti-6Al-4V, eine der am häufigsten verwendeten (Alpha-Beta-)Titanlegierungen mit hervorragender Korrosionsbeständigkeit und hoher spezifischer Festigkeit. Das andere Material war Edelstahl 316L, eine kohlenstoffarme Version von Edelstahl 316, die häufig in der Lebensmittelverarbeitung, pharmazeutischen Anlagen, medizinischen Geräten, Schmuck, Luxusuhren, der Abwasserbehandlung und in der chemischen Industrie verwendet wird.

Insbesondere führte das Team Schmelzbaduntersuchungen durch, um die Vorhersagen des Algorithmus zu überprüfen. 

Die Auswertung zeigte, dass der Ansatz den Bedarf an experimentellen Versuchen bei beiden Metallen um 67 % reduzierte und gleichzeitig die robuste Leistung beibehielt. Dies kann die Kosten der Parameteruntersuchung deutlich senken. Gleichzeitig sank der F8.88-Score im Vergleich zu einem herkömmlichen vollfaktoriellen Versuchsdesign nur um maximal 1 %.

In der Studie heißt es:

„Diese Ergebnisse unterstreichen die Effizienz unserer Methode im Kontext der autonomen Prozesskartenableitung für fortschrittliche Fertigungsprozesse.“ 

Die hier vorgestellte Methode, so die Forscher, könne sowohl die Effizienz als auch die Zuverlässigkeit von PBF-LB deutlich verbessern. Dies könnte zu einer breiteren Akzeptanz führen, da die Gesamteffektivität in verschiedenen Sektoren gesteigert wird. Laut der Studie:

„Unsere Ergebnisse zeigen das Potenzial dieser Methode, die PBF-LB-Optimierung zu rationalisieren, sie für industrielle Anwendungen praktikabler zu machen und den Weg für ihre breitere Einführung zu ebnen.“ 

Verbesserung von Laserschweißprozessen durch KI- und FPGA-Integration

Neben der Optimierung von Vorversuchen verbesserten die Forscher in einem weiteren Projekt auch den Schweißprozess. 

Beim Laserschweißen kann es selbst bei optimalen Einstellungen zu unvorhersehbaren Prozessabweichungen kommen, und selbst kleine Abweichungen können zu schwerwiegenden Defekten am Produkt führen.

„Derzeit ist es nicht möglich, den Schweißprozess in Echtzeit zu beeinflussen“, sagte Forscher Rajani. „Das übersteigt die Fähigkeiten menschlicher Experten.“

– Forscher Rajani

Tatsächlich haben selbst Computer mit der Geschwindigkeit zu kämpfen, mit der Daten untersucht und Entscheidungen getroffen werden müssen. Die Forscher verwendeten hierfür einen speziellen Computerchiptyp.

Dieser Chip wird als Field Programmable Gate Array (FPGA) bezeichnet und ist für Hochleistungsrechnen (HPC) und Prototyping konzipiert. Der Chip kann nach der Freigabe durch den Hersteller programmiert und für verschiedene Anwendungsfälle angepasst werden, ohne dass die Hardware physisch verändert werden muss. Ihre Vielseitigkeit, kombiniert mit hoher Leistung, macht sie in der Luft- und Raumfahrt, der Automobilindustrie und der Telekommunikationsbranche äußerst wertvoll.

Masinelli bemerkte:

„Bei FPGAs wissen wir genau, wann sie einen Befehl ausführen und wie lange die Ausführung dauert – was bei einem herkömmlichen PC nicht der Fall ist.“ 

Die Forscher verbanden den FPGA mit einem PC, der als „Backup-Gehirn“ diente. Während der Chip die Laserparameter beobachtet und steuert, nutzt der Algorithmus auf dem PC diese Daten auch zum Lernen.

„Wenn wir mit der Leistung des Algorithmus in der virtuellen Umgebung auf dem PC zufrieden sind, können wir ihn auf das FPGA ‚übertragen‘ und den Chip so gleichzeitig intelligenter machen.“

– Masinelli

Die Forscher sind überzeugt, dass ML und KI das Potenzial haben, einen wesentlichen Beitrag zur laserbasierten Metallbearbeitung zu leisten. Daher werden sie ihre Algorithmen und Modelle weiterentwickeln und deren Anwendungsbereich in Zusammenarbeit mit anderen Forschungsgruppen und Industriepartnern erweitern.

Erkundung von Investitionsmöglichkeiten in 3D-Drucktechnologien

Colibrium Additive ist heute ein wichtiger Akteur im Bereich der additiven Metallkonstruktion und -fertigung. Es ist Teil von Allgemeine Elektricitäts-Gesellschaft (GE ), das jetzt als GE Aerospace firmiert. 

Das zuvor als GE Additive bekannte Produkt wurde letzten Sommer als Colibrium Additive neu auf den Markt gebracht und im Zuge der Umbenennung wurden Concept Laser und Arcam EBM ausgemustert.

„Auch wenn wir unseren Namen ändern, konzentrieren wir uns weiterhin voll und ganz auf unsere Kunden, Qualität und Zuverlässigkeit. Wir werden die Branche der additiven Fertigung weiterhin anführen und positiv verändern.“

– CEO Alexander Schmitz

General Electric (GE )

Zu den von Colibrium Additive angebotenen 3D-Druckern gehören Electron Beam Powder Bed Fusion (EB-PBF)-Drucker, Laser Powder Bed Fusion (L-PBF)-Drucker und Binder Jet. 

Was die Marktleistung des Unternehmens betrifft, so hat es in den letzten Jahren einen echten Aufschwung erlebt. 

Bei einer Marktkapitalisierung von über 260 Milliarden US-Dollar notieren die GE-Aktien derzeit bei rund 244 US-Dollar, ein beachtlicher Anstieg von 46 % in diesem Jahr. Die Aktie nähert sich rasch ihrem Höchststand von rund 290 US-Dollar aus dem Jahr 2000. Der Gewinn pro Aktie (TTM) liegt bei 6.35 und das KGV (TTM) bei 38.46, während die den Aktionären zur Verfügung stehende Dividendenrendite 0.59 % beträgt.

Unterdessen zeigen die Finanzzahlen des Unternehmens ein starkes erstes Quartal 1, in dem GE einen Gesamtumsatz von 2025 Milliarden US-Dollar verzeichnete, was einem Anstieg von 9.9 % entspricht, während die Gesamtaufträge um 11 % auf 12 Milliarden US-Dollar stiegen.

Dieser starke Start ins Jahr 2025 sei den kommerziellen Dienstleistungen zu verdanken, erklärte CEO H. Lawrence Culp, Jr., und verwies gleichzeitig auf die makroökonomische Dynamik, die strategische Maßnahmen des Unternehmens erfordere, etwa die Kontrolle der Kosten und die Nutzung verfügbarer Handelsprogramme.

Der Betriebsgewinn stieg im ersten Quartal 38 um 1 % auf 25 Milliarden US-Dollar, während der bereinigte Gewinn pro Aktie um 2.1 % auf 60 US-Dollar stieg. In diesem Zeitraum erzielte GE auch berichtet Der Cashflow aus operativer Tätigkeit (GAAP) belief sich auf 1.5 Milliarden US-Dollar, während der freie Cashflow um 14 % auf 1.4 Milliarden US-Dollar stieg. Das Unternehmen meldete zudem einen Auftragsbestand im Bereich kommerzielle Dienstleistungen von über 140 Milliarden US-Dollar.

Vor diesem Hintergrund wuchs Propulsion & Additive Technologies lediglich um 1 %, wobei das Unternehmen darauf hinwies, dass Preise und Volumen die geringeren Liefermengen ausglichen, die auf einen geplanten schwachen Start der Geräteverkäufe zurückzuführen waren.

In seinem diesjährigen Jahresbericht konstatierte GE „Rückgänge in der Additiven Fertigung aufgrund einer langsameren Einführung der Technologie“, stellte jedoch gleichzeitig fest, dass Colibrium Additive „ein entscheidendes Geschäftsfeld für aktuelle und zukünftige Technologien bei GE Aerospace ist, da wir uns weiterhin darauf konzentrieren, wo es den größten Wert schaffen kann.“

Aktuelle Nachrichten und Entwicklungen zur Aktie General Electric (GE)

Fazit

Während KI weiterhin Branchen vorantreibt und verändert, trägt sie auch dazu bei, die Möglichkeiten der modernen Fertigung neu zu definieren, indem sie die Prozessoptimierung beschleunigt und Anpassungsfähigkeit in Echtzeit ermöglicht. 

Durch die erhebliche Reduzierung des Zeit- und Kostenaufwands für die Parameterabstimmung und Fehlererkennung beim PBF sowie die Erzielung einer Echtzeitsteuerung beim Laserschweißen steht die laserbasierte additive Fertigung vor einer breiteren Verbreitung und ebnet den Weg für eine neue Ära effizienter, zugänglicher und kundenspezifischer Produktion.

Klicken Sie hier, um eine Liste der Top-Aktien für den 3D-Druck anzuzeigen.

Zitierte Studien:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonome Exploration des PBF-LB-Parameterraums: Ein unsicherheitsgetriebener Algorithmus zur automatisierten Generierung von Prozesskarten. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}