Multi-scale closed-loop melt pool control for LPBF via policy optimization

Stellen Sie sich eine Fabrik vor, in der Roboter komplexe Metallobjekte nicht aus einem Block herausschneiden, sondern sie mit einem superheißen Laser „bemalen“, indem sie Schicht für Schicht ein mikroskopisch kleines Pulver auftragen. Dieser Prozess, bekannt als Laser Powder Bed Fusion (LPBF), ist wie eine hochtechnologische Version des 3D-Drucks, bei dem jedoch statt Kunststoff geschmolzener Stahl oder Titan verwendet wird. Die Magie geschieht, wenn ein Laserstrahl einen winzigen Punkt aus Pulver schmilzt und ihn mit der darunter liegenden Schicht verschmilzt. Wenn der Laser zu schwach ist, verbindet sich das Metall nicht richtig (ein Defekt namens „Lack of Fusion“). Ist er zu stark, kocht das Metall auf, was winzige Blasen oder sogar Risse im Bauteil verursacht (ein Defekt namens „Keyholing“).

Das Problem ist, dass dieser Prozess unglaublich empfindlich ist. Während der Roboter druckt, wird das Metall immer heißer, wie eine Pfanne auf einem Herd, die niemals abkühlt. Wenn der Roboter die Hitze nicht sofort anpasst, verzieht sich das Teil, reißt oder verwandelt sich in einen unbrauchbaren Klumpen. Traditionell müssen Ingenieure die Einstellungen des Roboters manuell abstimmen, wobei sie auf das richtige Gleichgewicht zwischen Leistung und Geschwindigkeit raten. Dies ist ein langsames, teures Spiel aus Versuch und Irrtum, besonders bei komplexen Formen. Diese Arbeit geht diesem Problem entgegen, indem sie den Roboter lehrt, die Hitze zu „fühlen“ und sich selbst in Echtzeit anzupassen, indem sie ein intelligentes, zweiteiliges Steuerungssystem nutzt, das aus Fehlern lernt und sich an das Chaos anpasst.

Die Zwei-Gehirne-Lösung für das Schmelzen von Metall

Die Forscher der ETH Zürich und der inspire AG haben eine clevere neue Methode entwickelt, um diesen Schmelzprozess zu steuern, die wie ein Dual-Brain-System (Zwei-Gehirne-System) für den 3D-Drucker wirkt. Anstatt nur auf die Hitze zu reagieren, während sie entsteht, verfügt ihr System über zwei unterschiedliche „Gehirne“, die zusammenarbeiten: eines, das schnell denkt (In-Layer-Steuerung), und eines, das strategisch denkt (Layer-to-Layer-Steuerung).

Das schnelle Gehirn: Reagieren im Moment
Stellen Sie sich vor, Sie fahren ein Auto auf einer holprigen Straße. Ihre Reflexe sind das „schnelle Gehirn“. Wenn Sie in ein Schlagloch geraten, lenken oder bremsen Sie sofort, um das Auto stabil zu halten. Im Drucker ist dies der In-Layer-Regler. Während der Laser über eine einzelne Pulverschicht scannt, misst ein Hochgeschwindigkeitssensor (ein Pyrometer) tausende Male pro Sekunde die Temperatur. Wenn das Metall zu heiß wird, regelt dieser Regler die Laserleistung sofort herunter; wenn es zu kalt ist, dreht er sie hoch.

Das Einstellen dieser Reflexe ist jedoch schwierig. Wenn man sie zu sensibel einstellt, könnte der Laser wild zappeln; stellt man sie zu langsam ein, verbrennt das Bauteil. Die Autoren verwendeten eine Methode namens Policy Optimization (eine Form des KI-Trainings), um die perfekten „Reflexe“ zu finden. Sie haben nicht einfach geraten; sie führten tausende Simulationen am Computer durch und fügten zufällige Fehler und Rauschen hinzu, um zu sehen, was am besten funktioniert. Sie fanden eine Reihe von Regeln, die es dem Drucker ermöglichen, stabil zu bleiben, selbst wenn die reale Welt nicht perfekt mit dem Computermodell übereinstimmt.

Das strategische Gehirn: Lernen aus vergangenen Schichten
Stellen Sie sich nun vor, Sie fahren dasselbe Auto, haben aber auch eine Karte der Straße vor sich. Sie wissen, dass ein steiler Hügel kommt, also werden Sie langsamer, bevor Sie ihn erreichen. Dies ist der Layer-to-Layer-Controller. Beim 3D-Druck wartet der Roboter, sobald eine Schicht abgeschlossen ist, bis eine neue Pulverschicht aufgetragen wurde. Diese Pause gibt dem „strategischen Gehirn“ Zeit zum Nachdenken. Es prüft, wie die vorherige Schicht verlaufen ist. Wurde es zu heiß? Ist das Metall aufgequollen? Dann berechnet es einen neuen „Plan“ für die nächste Schicht und passt die Basis-Laserleistung an, um die aufgestaute Hitze zu kompensieren.

Dieser Teil des Systems nutzt eine Technik namens Iterative Learning Control (ILC). Es ist wie ein Schüler, der eine Prüfung schreibt, eine Note erhält und dann aus seinen Fehlern lernt, um beim nächsten Mal besser zu werden. Durch die Kombination dieser langfristigen Planung mit den schnellen Reflexen des ersten Gehirns schafft das System einen „Closed-Loop“ (geschlossenen Regelkreis), der unglaublich robust ist.

Was sie herausgefunden haben: Glattere Schmelzen und weniger Fehler

Das Team testete seine Idee auf zwei Arten: erstens in einer detaillierten Computersimulation und zweitens an einem echten Metall-3D-Drucker im Labor.

In der Simulation:
Sie simulierten das Drucken von sechs Metallschichten mit einem „Square-Spiral“-Pfad, der als besonders schwierig gilt, da der Laser an den Ecken abrupt stoppen und abbiegen muss, was dazu führt, dass sich die Hitze staut. Sie testeten ihr Dual-Brain-System gegen zwei andere Methoden: eine, die nur das schnelle Gehirn hatte (nur In-Layer), und eine, die nur das strategische Gehirn hatte (nur Layer-to-Layer).
Die Ergebnisse waren eindeutig. Die Systeme mit nur einem Gehirn hatten Schwierigkeiten. Das „schnelle Gehirn“ allein konnte die Hitzestauung über mehrere Schichten hinweg nicht verhindern, und das „strategische Gehirn“ allein war zu langsam, um plötzliche Temperaturspitzen zu korrigieren. Aber der Dual-Loop-Controller hielt die Temperatur stabil und bewegte sich innerhalb von etwa 20 Kelvin um die Zieltemperatur, selbst als sie signifikante Fehler in die Simulation einführten, um die Unordnung der realen Welt nachzubilden.

In der realen Welt:
Beim Übergang zur physischen Maschine mussten die Forscher ihr System vereinfachen, da die tatsächliche Hardware des Druckers die Einstellungen nicht so schnell ändern konnte wie die Computersimulation. Sie passten das System an, indem sie einen Standard-„PI-Regler“ (einen gängigen industriellen Regler) mit einem festen „Feedforward“-Plan verwendeten. Sie stimmten diese vereinfachte Version mit ihrer KI-Methode ab, nutzten dafür jedoch nur Daten aus einem einzigen, unkontrollierten Testdruck.

Als sie tatsächliche Metallkeile druckten (eine Form, die darauf ausgelegt ist, sehr heiß zu werden), waren die Ergebnisse beeindruckend:

• Bessere Genauigkeit: Ihre Methode reduzierte den durchschnittlichen Tracking-Fehler (wie weit die Temperatur vom Zielwert abwich) im Vergleich zu einer hochmodernen Methode namens Bayesian Optimization (BO) um 3,4 %.
• Weniger gefährliche Spitzen: Vor allem aber reduzierten sie die durchschnittliche „Input-Constraint-Violation“ (Verletzung der Eingabegrenzen) um 47,5 %. Das bedeutet, dass die Laserleistung viel näher im Sicherheitsbereich blieb. Bei der BO-Methode sprang die Laserleistung häufig zu hoch (Risiko von Keyholing) oder zu niedrig (Risiko von Lack of Fusion). Ihr Controller hielt den Laser viel öfter in der „Goldilocks-Zone“ (dem idealen Bereich).
• Glattere Oberflächen: Als sie das gedruckte Metall unter einem Mikroskop untersuchten, sahen sie etwas Faszinierendes. Die unkontrollierten Drucke und die BO-Drucke zeigten ein „Vector Head Swelling“ – eine Ausbuchtung am Anfang jeder Laserlinie, wo sich das Metall aufhäuft. Ihr Controller eliminierte dieses Aufquellen fast vollständig, was zu Teilen führte, die dem ursprünglichen digitalen Design viel näher kamen.

Eine überraschende Entdeckung: Die Kraft des „Jitters“

Einer der spielerischsten und unerwartetsten Funde kam, als sie eine Version ihres Controllers testeten, die schnelle Änderungen der Laserleistung nicht bestrafte. Dies verursachte, dass der Laser mit einer sehr hohen Frequenz zwischen 2 und 4 kHz oszillierte (jitterte).

Normalerweise versuchen Ingenieure, die Laserleistung glatt und konstant zu halten. Aber hier reduzierte der „jitternde“ Laser das Aufquellen am Anfang der Linien sogar noch effektiver als die glatte Version. Die Autoren vermuten, dass diese schnellen Fluktuationen die Fluiddynamik des geschmolzenen Metalls beeinflussen könnten, um zu verhindern, dass es am Anfang des Scans aufhäuft. Obwohl sie die Physik dahinter noch nicht vollständig verstehen, öffnet dies eine neue Tür: Vielleicht ist ein wenig kontrolliertes Chaos genau das, was ein schmelzendes Metallbad braucht, um ruhig zu bleiben.

Das Fazit

Diese Arbeit zeigt, dass man keine riesigen Mengen an realen Daten benötigt, um einem Metalldrucker beizubringen, wie er sich zu verhalten hat. Durch den Einsatz einer intelligenten Simulation zum Training des Controllers und den anschließenden Transfer dieses Wissens auf die echte Maschine erreichten die Forscher Ergebnisse, die den besten bestehenden Methoden ebenbürtig sind oder diese sogar übertreffen. Sie haben bewiesen, dass die Kombination aus einem schnell reagierenden Reflex und einer langsam denkenden Strategie ein System schafft, das nicht nur präzise, sondern auch robust gegenüber der chaotischen, unvorhersehbaren Natur des schmelzenden Metalls ist.

Während der Effekt des „jitternden“ Lasers noch ein Rätsel bleibt, ist die Hauptbotschaft klar: Ein Dual-Brain-Ansatz zur Steuerung der Hitze kann gedruckte Metallteile stärker, präziser und weniger fehleranfällig machen. Es ist ein Schritt hin zu Druckern, die nicht nur Anweisungen befolgen, sondern die Physik des Materials, mit dem sie bauen, tatsächlich „verstehen“.