Fortschritte bei der Porenerkennung in der additiven Fertigung

Produkte ohne Mängel mit Laser-Pulverbett-Schmelzen (LPBF) herzustellen, ist eine ziemliche Herausforderung. Ein häufiges Problem sind Löcher, die als Poren bekannt sind und die Produkte schwächen können. Diese Poren rechtzeitig zu erkennen, ist entscheidend für die Qualität, erfordert aber normalerweise komplexe und zeitaufwendige Methoden wie Computertomographie-Scans.

Bestehende Methoden, die Daten aus der Echtzeitüberwachung nutzen, können erkennen, wann Poren in einer Schicht vorhanden sind, haben jedoch Schwierigkeiten, ihre genauen Positionen zu bestimmen. Dieser Artikel behandelt eine neue Methode zur Bestimmung, wo Poren in einer einzigen Schicht vorkommen, die als Gaussian-Kernel-Dichteschätzung bekannt ist. Diese Methode hilft Computern, den Zusammenhang zwischen Überwachungsdaten und den wahrscheinlichsten Orten der Poren zu lernen.

#Wichtigkeit der Porenerkennung

In der additiven Fertigung, besonders bei Metallen, sind Poren ein häufiges Manko. Sie entstehen oft aufgrund falscher Lasereinstellungen und können die Festigkeit und Haltbarkeit des Endprodukts erheblich beeinträchtigen. Daher ist es wichtig, zu wissen, wo diese Poren entstehen, und sie frühzeitig zu erkennen, um die Qualität zu sichern.

Viele Forscher konzentrieren sich darauf, Echtzeitüberwachungsmethoden zu nutzen, um Mängel zu erkennen, während sie auftreten. Neueste Fortschritte in der Technik, wie Künstliche Intelligenz, helfen, diese Erkennungssysteme zu verbessern, mit dem Ziel, fehlerfreie Produkte herzustellen.

#Herausforderungen bei der Porenerkennung

Ein grosses Problem ist, dass viele Studien die Porenerkennung vereinfachen. Anstatt jede Pore genau zu lokalisieren, verwenden sie oft einen Durchschnittswert oder zeigen nur an, ob es in einem bestimmten Bereich Poren gibt. Das bedeutet, dass sie die genauen Positionen der Poren in einer Schicht übersehen, was für die Qualitätssicherung entscheidend ist.

Während einige Studien versucht haben, Poren mit fortschrittlichen Techniken zu lokalisieren, verlassen sie sich oft auf Offline-Methoden wie CT-Scans, die die Geschwindigkeit und die Grösse der Teile einschränken. Andere verwenden nur Daten von Sensoren, die den Prozess überwachen, aber nicht genau die Pore-Positionen bestimmen.

Darüber hinaus beinhalten einige Methoden, absichtlich Mängel zu erzeugen, um Modelle zu trainieren. Das ist nicht realistisch, da es die tatsächlichen Produktionsszenarien nicht widerspiegelt. Daher sind diese Erkenntnisse möglicherweise nicht gut auf die tatsächlichen Herstellungsprozesse übertragbar.

#Unser Ansatz

Wir schlagen eine neue Methode vor, die das Problem der Porenerkennung umformuliert und die Wahrscheinlichkeit schätzt, wo Poren in einer einzelnen Schicht auftreten könnten. Anstatt zu versuchen, die genaue Position jeder Pore zu bestimmen, schlagen wir vor, die Wahrscheinlichkeit von Poren an bestimmten Pixelpositionen vorherzusagen.

Anstatt uns ausschliesslich auf traditionelle Überwachungstechniken zu verlassen, nutzen wir eine Kombination verschiedener Bildquellen, was es uns ermöglicht, ein klareres Bild der potenziellen Porenverteilung zu erstellen. Mit einer Gaussian-Methode zur Schätzung der Wahrscheinlichkeiten können wir ein Graustufenbild erzeugen, das darstellt, wo wahrscheinlich Poren entstehen.

#Experimentelles Design

Um unsere Methode zu validieren, haben wir zwei verschiedene Teststücke mit unterschiedlichen Formen und Komplexitäten entworfen. Das Ziel war es, zu beurteilen, wie unser Ansatz unter verschiedenen Fertigungsbedingungen funktioniert und die Effektivität verschiedener Überwachungssensoren während des Prozesses zu beobachten.

Wir haben Produktionsdaten schichtweise aufgezeichnet und Röntgenscans durchgeführt, um Poren nach der Fertigung zu finden. Durch das Abgleichen dieser Daten haben wir einen umfassenden Datensatz erstellt, der hilft, den Zusammenhang zwischen den Überwachungsdaten und der Wahrscheinlichkeit des Auftretens von Poren zu verstehen.

#Teilekonstruktion

Wir haben zwei verschiedene Geometrien für die Tests ausgewählt. Eine ist komplex mit unterschiedlichen Formen, die andere ein einfacher Würfel. Die kompliziertere Form ermöglichte es uns zu sehen, wie Mängel aufgrund der Komplexität ungleichmässig auftreten können. Die einfachere Form diente als Basislinie, um zu verstehen, wie verschiedene Maschineneinstellungen die Mängelbildung beeinflussen.

Beide Teile wurden in der gleichen Produktionscharge erstellt, um sicherzustellen, dass sie unter denselben Bedingungen gefertigt wurden, damit die Vergleiche genau sind.

#In-situ-Überwachungssetup

Die Maschine, die für die Tests verwendet wurde, war mit zwei Sensoren ausgestattet. Ein Sensor nimmt thermische Bilder im nahen Infrarotspektrum auf, während der andere hochauflösende Bilder im sichtbaren Licht erfasst. Dieses Setup ermöglicht es uns, detaillierte schichtweise Daten für die Analyse zu sammeln.

Indem wir diese Bilder mit dem Beginn und Ende der Produktion jeder Schicht synchronisieren, können wir genau verfolgen, unter welchen Bedingungen Poren entstehen.

#Probenherstellung

Wir haben mehrere Proben unter verschiedenen Einstellungen und Parametern hergestellt. Jede Probe wurde unter kontrollierten Bedingungen gefertigt, um sicherzustellen, dass unsere Beobachtungen konsistent waren. Verschiedene Laserleistungen, Scan-Geschwindigkeiten und Hatch-Abstände wurden zwischen den Proben variiert, um zu sehen, wie diese Faktoren die Porenbildung beeinflussten.

Durch die gründliche Dokumentation dieser Einstellungen haben wir eine klare Korrelation zwischen den Maschinenparametern und der Porenbildung hergestellt.

#Datenverarbeitung und -kennzeichnung

Nachdem wir die Daten aus unserem Überwachungssystem erfasst hatten, begannen wir mit deren Verarbeitung für die Analyse. Dies beinhaltete das Zuschnittern der Bilder, um sich auf relevante Bereiche zu konzentrieren, und das Organisieren in einen Datensatz, der die Überwachungsbilder mit der Porenwahrscheinlichkeitsverteilung verknüpft.

Wir haben auch die CT-Daten mit den Überwachungsinformationen abgeglichen, um sicherzustellen, dass unsere Forschung die Pore-Standorte in den hergestellten Teilen genau widerspiegelt.

#Vorhersage der Porenwahrscheinlichkeiten mit Segmentierungsmodellen

Mit den verarbeiteten Daten konzentrierten wir uns auf das Training von Modellen, die vorhersagen können, wo Poren auftreten könnten. Anstatt Pixel in feste Kategorien zu klassifizieren, haben wir die Modelle trainiert, um die Wahrscheinlichkeit des Auftretens von Poren an jedem Pixel zu schätzen.

Dies wurde mit mehreren gängigen Deep-Learning-Modellen erreicht, die für die Bildsegmentierung entwickelt wurden, was eine detailreiche Vorhersage der Porenverteilung in den Bildern ermöglicht.

#Ergebnisse und Diskussion

Die Experimente zeigten, dass verschiedene Modelle ähnlich bei der Schätzung der Pore-Standorte abschnitten. Es wurde jedoch klar, dass die Maschinenparameter einen grösseren Einfluss auf die Leistung des Modells hatten als die Formen der Teile.

Wir fanden heraus, dass die Anpassung der Maschinenparameter zu bemerkenswerten Veränderungen führte, wie effektiv die Modelle die Porenverteilung vorhersagen konnten. Einige Einstellungen funktionierten besser als andere, was darauf hinweist, dass die Beibehaltung spezifischer Parameterbereiche entscheidend für zuverlässige Ergebnisse ist.

Visuelle Bewertungen der vorhergesagten Porenwahrscheinlichkeitsverteilungen bestätigten, dass die meisten Modelle eine angemessene Genauigkeit lieferten, obwohl einige Fälle erhebliche Fehlanpassungen zeigten.

#Fazit

Wir haben eine neue Methode zur Schätzung der Porenstandorte in Schichten von Teilen, die durch Additive Fertigung erstellt wurden, demonstriert. Durch den Wechsel von direkter Segmentierung zur Wahrscheinlichkeitsabschätzung können wir effektiv Modelle trainieren, die Daten aus der Echtzeitüberwachung nutzen, um die Porenerkennung zu verbessern.

Unsere Ergebnisse heben hervor, dass, während verschiedene Modelle das Auftreten von Poren vorhersagen können, die Maschinenparameter eine entscheidende Rolle für die Verbesserung der Genauigkeit spielen.

Zukünftige Forschungen sollten sich darauf konzentrieren, die Identifizierung von Pore-Standorten zu verfeinern und die Gesamtqualität der Daten zu verbessern, die für das Modelltraining verwendet werden. Durch die Weiterentwicklung dieser Methoden können wir dem Ziel einer konsistenten, fehlerfreien Produktion in der additiven Fertigung näher kommen.