産業レーザプロセスを簡素化するマシンラーニング

August, 1, 2025, Thun--レーザーベースの金属加工により、自動車産業でも医療でも、複雑なコンポーネントの自動かつ正確な製造が可能になる。しかし、従来の方法では、時間とリソースを要する準備が必要。Thunにある Empa の研究者は、機械学習を使用して、レーザ プロセスをより正確、よりコスト効率が高く、より効率的にしている。

金属のレーザベースのプロセスは、産業界で特に多用途であると考えられている。レーザは、たとえば、コンポーネントを精密に溶接したり、3Dプリンティングを使用してより複雑な部品を迅速、正確、自動で製造したりするために使用できる。このため、レーザプロセスは、最高の精度が要求される自動車産業や航空産業、またはカスタマイズされたチタンインプラントの製造などの医療技術など、多くの分野で使用されている。

ただし、その効率にもかかわらず、レーザプロセスは技術的に難しい。レーザと材料の間の複雑な相互作用により、プロセスは材料特性やレーザパラメータの設定など、最小の偏差に敏感になる。わずかな変動でも生産エラーにつながる可能性がある。

「レーザベースのプロセスを柔軟に使用し、一貫した結果を達成できるようにするために、われわれはこれらのプロセスの理解、監視、制御の改善に取り組んでいる」と、Empaの先端材料加工研究所の研究グループリーダーElia Iseliは話している。これらの原則に沿って、同氏チームの2人の研究者Giulio MasinelliとChang Rajaniは、機械学習を使用して、レーザベースの製造技術をより手頃な価格で、より効率的で、よりアクセスしやすくしたいと考えている。

気化か溶かすか?
まず、2人の研究者は積層造形(AM)、つまりレーザを使用した金属3Dプリンティングに焦点を当てた。粉末床溶融 (PBF) として知られるこのプロセスは、従来の 3D プリンティングとは少し異なる働きをする。金属粉末の薄層は、レーザによって正確に適切な場所で溶融され、最終コンポーネントが徐々に「溶接」される。

PBFは、他のプロセスではほとんど不可能な複雑な形状の作成を可能にする。ただし、生産を開始する前に、ほとんどの場合、一連の複雑な予備テストが必要となる。これは、金属のレーザ加工には基本的にPBFを含む2つのモードがあるためである。伝導モードでは、金属は単純に溶かされる。キーホールモードでは、場合によっては気化することさえある。低速伝道モードは、薄くて非常に精密な部品に最適である。キーホールモードは精度が若干劣るが、はるかに高速で、厚いワークピースに適している。

これら 2 つのモードの境界が正確にどこにあるかは、様々なパラメータによって異なる。最終製品の最高の品質を得るには適切な設定が必要であり、これらは処理される材料によって大きく異なる。「同じ出発粉末の新しいバッチであっても、まったく異なる設定が必要になる場合がある」(Masinelli)。

より少ない実験で品質を向上
通常、各バッチの前に一連の実験を実施して、各コンポーネントのスキャン速度やレーザ出力などのパラメータの最適な設定を決定する必要がある。これには多くのマテリアルが必要であり、専門家の監督が必要である。「そのため、多くの企業はPBFを買う余裕がないのである」(Masinelli)。

MasinelliとRajaniは現在、機械学習と、レーザ加工機にすでに組み込まれている光学センサからのデータを使用して、これらの実験を最適化している。研究チームは、この光学データを使用して、テスト実行中にレーザが現在どの溶接モードにあるかを「見る」ようにアルゴリズムに「教え」た。これに基づいて、アルゴリズムは次のテストの設定を決定す。これにより、製品の品質を維持しながら、必要な予備実験の数が約3分の2に減少する。

「われわれちのアルゴリズムにより、専門家でなくても PBF デバイスを使用できるようになることを願っている」と Masinelli はまとめている。アルゴリズムが産業で使用されるために必要なのは、デバイスメーカーがレーザ溶接機のファームウェアに統合することだけである。

リアルタイム最適化
機械学習(ML)を使用して最適化できるレーザプロセスはPBFだけではない。別のプロジェクトでは、RajaniとMasinelliはレーザ溶接に焦点を当てたが、さらに歩を進めた。チームは予備実験だけでなく、溶接プロセス自体も最適化した。理想的な設定であっても、レーザビームが金属表面の小さな欠陥に当たった場合など、レーザ溶接は予測できない場合がある。

「現在、溶接プロセスにリアルタイムで影響を与えることはできない。これは人間の専門家の能力を超えている」(Chang Rajani)。
データを評価し、意思決定を行う速度は、コンピュータにとっても課題である。これが、チームがこのタスクに特殊なタイプのコンピュータチップ、いわゆるフィールドプログラマブルゲートアレイ(FPGA)を使用した理由である。「FPGAでは、コマンドがいつ実行され、実行にかかる時間が正確にわかるが、従来のPCには当てはまらない」(Masinelli)。

とは言え、チームのシステム内の FPGA は、一種の「バックアップ ブレイン」として機能する PC にもリンクされている。専用チップがレーザパラメータの観察と制御に忙しい間、PC上のアルゴリズムはこのデータから学習する。「PC 上の仮想環境でのアルゴリズムのパフォーマンスに満足したら、それを FPGA に『転送』して、チップを一度にインテリジェントにすることができる」と Masinelliは説明している。

Empa の 2 人の研究者は、機械学習と人工知能が金属のレーザ加工の分野でさらに大きく貢献できると確信している。そのため、チームはアルゴリズムとモデルの開発を続け、研究や産業界のパートナーと協力して応用分野を拡大している。