Gefertigtes Bauteil aus Haynes282-Pulver. b) Visualisierung des Bauteilvolumens. Die farbigen Sektionen verdeutlichen eine Variation der Fertigungsparameter in diesem Bereich. c) Visualisierung der thermischen Historie des Bauteils anhand des Merkmals der Schmelzbadfläche.
Quelle: BAM
Das Laser-Pulverbettschweißen gilt als eine der vielversprechendsten Methoden in der additiven Fertigung für die Herstellung komplex geformter Metallkomponenten. Innerhalb dieses Kontexts stellt die Entstehung von Defekten wie Porosität im Bauteilvolumen ein erhebliches Risiko für die Lebensdauer der gedruckten Teile dar. Die Anwendung einer in-situ Prozessüberwachung eröffnet die Möglichkeit, Porosität bereits während der Herstellung zu erkennen. Diese ermöglicht eine Regelung des Prozesses sowie auch eine manuelle Prozessunterbrechung zur Minimierung finanzieller Verluste.
Durch den Einsatz von Thermografie im kurzwelligen Infrarotbereich kann die thermische Historie der gefertigten Bauteile überwacht werden, welche eng mit der Wahrscheinlichkeit der Porositätsbildung verknüpft ist. Immer häufiger kommen Methoden der künstlichen Intelligenz zum Einsatz, um auf Grundlage der umfangreichen Überwachungsdaten präzise Porositätsvorhersagen zu treffen. Diese Studie zielt darauf ab, das Potenzial und die damit verbundenen Herausforderungen von Deep-Learning-gestützten Methoden zur Porositätsvorhersage anhand von Daten der thermografischen Prozessüberwachung zu identifizieren.
Hierzu wird die Aufgabe der Porositätsvorhersage (siehe Ablauf in Abb. 2) anhand eines detaillierten Datensatzes während der Herstellung von zwei quaderförmigen Haynes282-Bauteilen untersucht. Das eingesetzte Modell, ein eindimensionales Convolutional Neural Network, demonstriert eine vielversprechende Leistungsfähigkeit mit einem R2-Score von 0.90 für die Vorhersage der lokalen Porosität in diskreten Teilvolumina von (700 x 700 x 40) μm³. Es wird gezeigt, dass das Regressionsmodell die schichtweise Änderung von Porosität präzise vorhersagt, jedoch möglicherweise limitiert ist in seiner Fähigkeit, Unterschiede in der lokalen Porosität vorherzusagen.
Arbeitsablauf der Deep-Learning-gestützten Porositätsvorhersage in PBF-LB/M unter Verwendung von in-situ Thermografiedaten. Quelle: BAM
Weiterhin beleuchtet die Arbeit die Bedeutung der verwendeten Thermogramm-Merkmale im Kontext der Modellierung. Durch die Identifikation von signifikanten Merkmalen besteht das Potential, die Modellkomplexität zu reduzieren und das Messequipment zu optimieren. Zusätzlich werden verschiedene Quellen der Unsicherheit in den verwendeten Daten identifiziert, die aus dem Messaufbau, der Registrierung mit den Referenzdaten (Röntgen-Computertomografie) und der Datenvorverarbeitung resultieren können und möglicherweise die Leistung des Modells beeinträchtigen.
Chancen & Herausforderungen von KI-gestützter Defektvorhersage unter Nutzung von Thermografie in PBF-LB/M
Simon Oster, Nils Scheuschner, Keerthana Chand, Simon J. Altenburg, G. Gerlach
Erschienen in Technisches Messen, Band 90, Seiten 85-96.
BAM Zerstörungsfreie Prüfung
BAM Sensorik, Mess- und Prüftechnische Verfahren
BAM Thermografische Verfahren