Vorhersage der Porosität in 3D-gedruckten Teilen mit maschinellem Lernen

In den letzten Jahren hat die additive Fertigung (AM) viel Aufmerksamkeit als neue Methode zur Herstellung von Teilen gewonnen. Diese Methode, auch bekannt als 3D-Druck, baut Objekte Schicht für Schicht auf. Obwohl sie viele Vorteile bietet, wie Materialeinsparungen und die Möglichkeit komplexer Designs, bringt sie auch Herausforderungen mit sich, insbesondere in Bezug auf die Qualität der fertigen Teile. Ein häufiges Problem ist Porosität, bei der winzige Löcher im Material entstehen. Diese Forschung konzentriert sich darauf, wie man Porosität in Teilen, die mit Laser-Pulverbett-Fusion hergestellt werden, vorhersagen und lokalisieren kann, indem man Wärmebilder und Maschinelles Lernen nutzt.

#Das Problem mit Porosität

Porosität in 3D-gedruckten Teilen kann zu schwächeren Strukturen führen und deren Leistung beeinträchtigen. Sie kann durch verschiedene Faktoren während des Druckprozesses verursacht werden. Wenn zum Beispiel die Laserleistung oder -geschwindigkeit nicht richtig eingestellt ist, können im Material Poren entstehen. Die Überprüfung auf Porosität erfordert normalerweise, dass das fertige Teil in ein Labor gebracht wird, was zeitaufwändig und teuer ist. Deshalb könnte es einen grossen Unterschied machen, einen Weg zu finden, Porosität während des Druckprozesses zu erkennen, was Abfall und Kosten erheblich reduzieren könnte.

#Die Lösung: Verwendung von Wärmebildern

Die Wärmebildtechnik ist eine Methode, die die Temperatur der Oberfläche erfasst, die gerade gedruckt wird. Indem wir die Wärme überwachen, können wir wertvolle Informationen darüber sammeln, wie das Material während des Aufbaus schmilzt und sich verfestigt. Diese Daten helfen zu verstehen, wo Porosität auftreten könnte. Die Idee ist, maschinelles Lernen, eine Art künstlicher Intelligenz, zu nutzen, um diese Wärmebilder zu analysieren und die Anzahl und den Standort von Poren vorherzusagen, bevor das Teil fertig ist.

#Maschinelles Lernen in der Fertigung

Maschinelles Lernen basiert auf Algorithmen, die aus Daten lernen. In diesem Fall haben wir ein Convolutional Neural Network (CNN) verwendet, um Sequenzen von Wärmebildern zu analysieren. Das CNN wurde darauf trainiert, Muster in den Bildern zu identifizieren, die mit der Anwesenheit von Poren korrelieren. Wir haben auch ein Video Vision Transformer (ViViT) Modell verwendet, um zu bestimmen, wo diese Poren wahrscheinlich zu finden sind. Beide Modelle haben zusammengearbeitet, um Einblicke zu geben, die helfen können, die Druckparameter spontan anzupassen.

#Aufbau der Modelle

Das CNN-Modell wurde so gestaltet, dass es Wärmebilder aufnimmt und die Anzahl der Poren in einer bestimmten Aufbau-Schicht vorhersagt. Es hat aus vorherigen Daten gelernt, bei denen die tatsächliche Anzahl der Poren bekannt war. Die Leistung des Modells wurde mit Metriken gemessen, die zeigten, wie genau seine Vorhersagen im Vergleich zu den tatsächlichen Ergebnissen aus Labortests waren.

Für die Lokalisierungsaufgabe wurde das ViViT-Modell trainiert, um Bereiche innerhalb der Bilder zu identifizieren, die wahrscheinlich Poren enthalten. Dabei wurden die Bilder in kleinere Abschnitte zerlegt und auf Anzeichen von Porosität analysiert. Die Ergebnisse beider Modelle bieten uns ein klareres Bild von der Qualität des Teils während seiner Herstellung.

#Datensammlung

Um diese Modelle zu trainieren, haben wir Daten von zwei Probenmengen gesammelt, die durch Laser-Pulverbett-Fusion hergestellt wurden. Eine Menge hatte unterschiedliche Hatch-Abstände, das bezieht sich auf den Abstand zwischen den Wegen, die der Laser nimmt, während die andere Menge die Scan-Geschwindigkeit variierte, also wie schnell der Laser über die Oberfläche bewegte. Jede Probe bestand aus AISI 316L-Edelstahl und hatte konsistente Laserleistungs-Einstellungen.

Während des Herstellungsprozesses haben wir Tausende von Wärmebildern aufgenommen, die die Temperatur des Materials in jedem Schritt zeigten. Diese Bilder lieferten eine Menge Daten für das Training unserer Modelle. Nach dem Drucken haben wir auch Mikro-Computertomografie (CT) verwendet, um die Proben zu analysieren, was uns präzise Informationen über die Porengrösse und -lage durch detaillierte Bilder lieferte.

#Datenanalyse

Der Trainingsprozess umfasste die Bereinigung und Vorbereitung der Daten von sowohl Wärmebildern als auch CT-Scans. Jedes Wärmebild wurde zugeschnitten und in der Grösse verändert, um den Eingabebedürfnissen des Modells zu entsprechen. Die entsprechenden CT-Daten wurden dann verarbeitet, um den Abmessungen der Wärmebilder zu entsprechen.

Wir haben uns auf grössere Poren für unsere Vorhersagen konzentriert, da diese zuverlässiger aus Wärmebildern erkannt wurden. Kleinere Hohlräume, obwohl auch wichtig, waren schwieriger genau zu identifizieren. Durch das Festlegen eines Schwellenwerts basierend auf der Grösse der Poren wurden die Modelle optimiert, um die Präzision ihrer Vorhersagen zu verbessern.

#Ergebnisse der Modelle

Nach dem Training der Modelle haben wir deren Leistung in zwei Hauptbereichen bewertet: die Anzahl der vorhandenen Poren und deren Standorte. Das CNN-Modell hat gut bei der Schätzung der Porenzahl abgeschnitten und eine Punktzahl erreicht, die zeigte, wie gut es die Anzahl der Poren basierend auf den Eingabedaten vorhersagen konnte. Das Modell, das die Daten aus unterschiedlichen Hatch-Abständen verwendete, schnitt am besten ab.

Für die Lokalisierungsaufgabe zeigte das ViViT-Modell ebenfalls vielversprechende Ergebnisse. Es konnte genau anzeigen, welche Bereiche einer bestimmten Aufbau-Schicht wahrscheinlich Poren enthalten würden. Diese Fähigkeit ist entscheidend, denn wenn man weiss, wo Fehler wahrscheinlich auftreten werden, können während des Druckprozesses Anpassungen vorgenommen werden.

#Bedeutung der Echtzeitüberwachung

Die Fähigkeit, Porosität in Echtzeit zu überwachen und vorherzusagen, bedeutet, dass Hersteller schnell auf potenzielle Probleme während des Herstellungsprozesses reagieren können. Wenn die Modelle eine hohe Wahrscheinlichkeit für Mängel anzeigen, können die Bediener die Maschineneinstellungen sofort anpassen, was Materialverschwendung reduziert und Zeit spart. Dieser proaktive Ansatz ist eine bedeutende Verbesserung gegenüber traditionellen Methoden, die Fehler nur nach der Herstellung der Teile identifizieren.

#Zukünftige Richtungen

Die Forschung zeigt das Potenzial auf, maschinelles Lernen mit in-situ Wärmeüberwachung zu kombinieren, um den Prozess der additiven Fertigung zu verbessern. Es gibt jedoch noch viel zu erkunden. Zukünftige Arbeiten könnten darauf abzielen, die Modelle für noch grössere Genauigkeit zu verfeinern, die Arten von überwachten Defekten zu erweitern und diese Systeme in Standardherstellungspraktiken zu integrieren.

Ein weiteres Verbesserungsfeld ist die Schaffung eines robusteren digitalen Zwillings für den Herstellungsprozess, was bedeuten würde, ein virtuelles Modell kontinuierlich mit Echtzeitdaten aus der Produktionsumgebung zu aktualisieren. Dies würde helfen, Fehler weiter zu minimieren und die Gesamtqualität der Teile zu verbessern.

#Fazit

Zusammenfassend lässt sich sagen, dass die Integration von Wärmebildtechnik und maschinellem Lernen einen vielversprechenden Weg zur Verbesserung der Qualitätskontrolle in der additiven Fertigung bietet. Indem wir Porosität während des Druckprozesses vorhersagen und lokalisieren, können wir die Effizienz steigern, Kosten senken und sicherstellen, dass die Teile eine bessere Qualität haben. Da sich die Technologie weiterentwickelt, gibt es grosses Potenzial, diese Fortschritte zu einer gängigen Praxis in der Branche zu machen, von der sowohl Hersteller als auch Kunden profitieren können.