L'apprentissage automatique simplifie les processus laser industriels pour les métaux
Les processus basés sur le laser pour les métaux sont considérés comme particulièrement polyvalents dans l'industrie. Les lasers peuvent être utilisés, par exemple, à des composants soudés de précision ensemble ou produire des pièces plus complexes en utilisant l'impression 3D – rapidement, avec précision et automatiquement. C'est pourquoi les processus laser sont utilisés dans de nombreux secteurs, tels que les industries de l'automobile et de l'aviation, où une précision maximale est nécessaire, ou dans la technologie médicale, par exemple pour la production d'implants en titane personnalisés.
Cependant, malgré leur efficacité, les processus laser sont techniquement difficiles. Les interactions complexes entre le laser et le matériau rendent le processus sensible au plus petit des écarts, que ce soit dans les propriétés du matériau ou dans les paramètres des paramètres laser. Même les fluctuations mineures peuvent entraîner des erreurs de production.
« Pour s'assurer que les processus au laser peuvent être utilisés de manière flexible et obtenir des résultats cohérents, nous travaillons sur une meilleure compréhension, surveillance et contrôle de ces processus, » dit Elia Iseli, chef de groupe de recherche dans le laboratoire avancé de traitement des matériaux d'EMPA à Thun.
Conformément à ces principes, Giulio Masinelli et Chang Rajani, deux chercheurs de son équipe, veulent rendre les techniques de fabrication au laser plus abordables, plus efficaces et plus accessibles, en utilisant l'apprentissage automatique.
Vaporiser ou fondre?
Tout d'abord, les deux chercheurs se sont concentrés sur la fabrication additive, c'est-à-dire l'impression 3D des métaux à l'aide de lasers. Ce processus, connu sous le nom de fusion de lit de poudre (PBF), fonctionne légèrement différemment de l'impression 3D conventionnelle. De fines couches de poudre métal « soudé » hors d'eux.
Le PBF permet la création de géométries complexes qui sont à peine possibles avec d'autres processus. Avant que la production ne puisse commencer, cependant, une série complexe de tests préliminaires est presque toujours nécessaire. En effet, il existe essentiellement deux modes pour le traitement au laser du métal, y compris le PBF.
En mode conduction, le métal est simplement fondu. En mode trou de serrure, il est même vaporisé dans certains cas. Le mode de conduction plus lent est idéal pour les composants minces et très précis. Le mode trou de serrure est légèrement moins précis, mais beaucoup plus rapide et adapté aux pièces plus épaisses.
Où exactement la frontière entre ces deux modes se trouve dépend d'une variété de paramètres. Les bons paramètres sont nécessaires pour la meilleure qualité du produit final – et ceux-ci varient considérablement en fonction du matériau traité. « Même un nouveau lot de la même poudre de départ peut nécessiter des paramètres complètement différents, » dit Masinelli.
Meilleure qualité avec moins d'expériences
Normalement, une série d'expériences doit être effectuée avant chaque lot pour déterminer les paramètres optimaux pour les paramètres tels que la vitesse de balayage et la puissance du laser pour le composant respectif. Cela nécessite beaucoup de matériel et doit être supervisé par un expert. « C'est pourquoi de nombreuses entreprises ne peuvent pas se permettre le PBF en premier lieu, » dit Masinelli.
Masinelli et Rajani ont maintenant optimisé ces expériences en utilisant l'apprentissage automatique et les données des capteurs optiques qui sont déjà incorporés dans les machines laser. Les chercheurs « enseigné » leur algorithme à « voir » Dans quel mode de soudage dans lequel le laser est actuellement lors d'un essai exécuté en utilisant ces données optiques.
Sur cette base, l'algorithme détermine les paramètres du test suivant. Cela réduit le nombre d'expériences préliminaires requises par environ les deux tiers, tout en maintenant la qualité du produit.
« Nous espérons que notre algorithme permettra aux non-experts d'utiliser les appareils PBF, » résume Masinelli. Tout ce qu'il faudrait pour que l'algorithme soit utilisé dans l'industrie, c'est l'intégration dans le firmware des machines de soudage laser par les fabricants d'appareils. La recherche est publiée dans la revue Fabrication additive.
Optimisation en temps réel
Le PBF n'est pas le seul processus laser qui peut être optimisé à l'aide de l'apprentissage automatique. Dans un autre projet, Rajani et Masinelli se sont concentrés sur le soudage au laser, mais sont allés plus loin. Ils ont non seulement optimisé les expériences préliminaires, mais aussi le processus de soudage lui-même. Même avec les paramètres idéaux, le soudage au laser peut être imprévisible, par exemple si le faisceau laser atteint de minuscules défauts à la surface du métal.
« Il n'est actuellement pas possible d'influencer le processus de soudage en temps réel, » dit Rajani. « Cela dépasse les capacités des experts humains. » La vitesse à laquelle les données doivent être évaluées et les décisions à prendre sont un défi même pour les ordinateurs. C'est pourquoi Rajani et Masinelli ont utilisé un type spécial de puce d'ordinateur pour cette tâche, un dite réseau de portes programmables sur le terrain (FPGA).
« Avec les FPGA, nous savons exactement quand ils exécuteront une commande et combien de temps l'exécution prendra – ce qui n'est pas le cas avec un PC conventionnel, » explique Masinelli.
Néanmoins, le FPGA de leur système est également lié à un PC, qui sert de sorte de « cerveau de sauvegarde. » Alors que la puce spécialisée est occupée à observer et à contrôler les paramètres laser, l'algorithme sur le PC apprend de ces données.
« Si nous sommes satisfaits des performances de l'algorithme dans l'environnement virtuel sur le PC, nous pouvons le «transférer» au FPGA et rendre la puce plus intelligente en une seule fois, » explique Masinelli.
Les deux chercheurs de l'EMPA sont convaincus que l'apprentissage automatique et l'intelligence artificielle peuvent contribuer beaucoup plus dans le domaine du traitement au laser des métaux. C'est pourquoi ils continuent de développer leurs algorithmes et modèles et élargissent leur domaine d'application – en collaboration avec des partenaires de la recherche et de l'industrie.
