wbk Jahresbericht 2024 final inkl Inhaltslink - Flipbook - Seite 52
INSTITUT
FORSCHUNG
K O O P E R AT I O N E N
Dissertationen
In-Process Porositätserkennung
für den PBF-LB/M-Prozess
Ziel des Vorhabens
Autor:
Dr.-Ing. Lukas Weiser
Das Fertigungsverfahren des selektiven Laserschmelzens mit Metallen (PBF-LB/M) wird zunehmend auch für die Herstellung von hochbelastbaren Bauteilen in einer Serienfertigung eingesetzt.
Die fehlende Reproduzierbarkeit von Prozessergebnissen und das stochastische Auftreten des
Defektes Porosität stellen dabei eine besondere
Herausforderung dar. Denn dieser Defekt hat einen wesentlichen Einfluss auf die mechanischen
Kennwerte eines Bauteils. Dies kann in der Folge
ein Versagen des Bauteils unter Last zur Folge haben. Aus diesem Grund ist für solche hochbelasteten Bauteile die Qualitätssicherung unerlässlich.
Die zerstörungsfreie Prüfung auf Porosität erfolgt
im industriellen Kontext oftmals durch die Röntgen-Computertomografie (CT). Aufgrund langer
Messzeiten entstehen hohe Kosten durch die Qualitätssicherung, welche die Wirtschaftlichkeit des
PBF-LB/M-Fertigungsverfahrens einschränken. Je
nach verwendetem Material und Bauteil-größe ist
eine Porositätsanalyse mittels CT auch technisch
nicht möglich. Aus diesen Gründen können alternative in-process Prozessüberwachungen für die
industrielle Nutzung des PBF-LB/M-Fertigungsverfahrens einen Vorteil bringen.
Vorgehensweise
quantitativen Defektcharakterisierung auf. Im Rahmen der vorliegenden Arbeit wird mit Hilfe von Methoden der datengetriebenen Modellbildung eine
Prozessüberwachung auf Basis optischer Sensoren
und akustischer Körperschallmesstechnik entwickelt, welche die Porositätsverteilung innerhalb
eines Bauteils während des Fertigungsprozesses
vorhersagen kann. Dazu werden 104 Probekörper
additiv gefertigt und die Sensordaten aufgezeichnet. Die Probekörper werden nachfolgend mittels
Computertomographie auf Porosität untersucht.
Diese Informationen werden im Rahmen der datengetriebenen Modellbildung mittels künstlicher
neuronaler Netze als Label für das Training genutzt.
Ergebnisse
Die trainierten Modelle sind in der Lage, Bauteile
räumlich aufgelöst hinsichtlich ihrer Porosität zu
klassifizieren. Dabei können variable Schwellwerte
als Klassengrenze genutzt werden. Die quantitative Vorhersage der numerischen Porosität durch
Regression sowie die Einzeldefekterkennung bedarf weiterführender Forschungsarbeit. Die Datenfusion von optischer und akustischer Sensorik
wurde im Rahmen der Arbeit betrachtet, konnte
aber keine besseren Ergebnisse als die separate
Betrachtung der Sensoren erzielen. Die Rohdaten
der Arbeit sind veröffentlicht, um weiterführende
Forschungsarbeiten zu ermöglichen.
■
Bestehende Forschungsansätze zur in-process Porositätserkennung weisen vor allem Defizite im Bereich der industriellen Anwendbarkeit und in der
PBF-LB/M Prozess (links), verwendete Körperschallsensorik unter der Bauplattform (mitte) und Porositätsanalyse durch CT-Scans (rechts) (Abbildung: wbk)
52
Institut für Produktionstechnik Jahresbericht 2023
