In-Process Porositätserkennung für den PBF-LB/M-Prozess

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, da dieser Defekt einen wesentlichen Einfluss auf die mechanischen Kennwerte eines Bauteils hat. Dies kann in der Folge ein Versagen des Bau-teils unter Last zur Folge haben. Aus diesem Grund ist für solche hochbelasteten Bauteile die Qualitätssicherung unerlässlich. ... mehrDie 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 Bauteilgröße 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.
Bestehende Forschungsansätze zur in-process Porositätserkennung weisen vor allem Defizite im Bereich der industriellen Anwendbarkeit und in der quantitativen Defektcharakterisierung auf. Im Rahmen der vorliegenden Arbeit wird mithilfe von Methoden der datengetriebenen Modellbildung eine Prozessüberwachung auf Basis optischer Sensoren und akustischer Körperschallmesstechnik entwickelt, welche die Porositätsverteilung innerhalb eines Bauteils während des Fertigungsprozesses vorher-sagen kann. Dazu werden 104 Probekörper additiv gefertigt und die Sensordaten auf-gezeichnet. 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. 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 werden im Rahmen des Promotionsverfahrens ebenfalls veröffentlicht, um weiterführende Forschungsarbeiten zu ermöglichen.

The manufacturing process of selective laser melting with metals (PBF-LB/M) is increasingly used for the production of highly stressable components in a series production. The lack of reproducibility of process results and the stochastic occurrence of the defect porosity pose a particular challenge, as this defect has a significant influence on the mechanical properties of a component. This can result in failure of the component under load. For this reason, quality assurance is essential for such highly stressed components. In an industrial context, non-destructive testing for porosity is often performed using X-ray computed tomography (CT). ... mehrDue to long measuring times, high costs are incurred by quality assurance, which limit the economic viability of the PBF-LB/M manufacturing process. Depending on the material and component size used, porosity analysis by CT is also not technically feasible. For these reasons, alternative in-process monitoring may provide an advantage for the industrial use of the PBF-LB/M manufacturing process.
Existing research approaches for in-process porosity detection mainly show deficits in industrial applicability and in quantitative defect characterization. Within the scope of the present work, a process monitoring system based on optical sensors and acoustic structure-borne sound measurement technology is developed using methods of data-driven modeling, which can predict the porosity distribution within a component during the manufacturing process. For this purpose, 104 test specimens are additively manufactured and the sensor data are recorded. The test specimens are then examined for porosity using computed tomography. This information is used as a la-bel for training within the framework of data-driven model building using artificial neural networks. The trained models can classify components spatially resolved with re-spect to their porosity. Variable threshold values can be used as class boundaries. Quantitative prediction of numerical porosity by regression as well as single-cell defect detection requires further research. Data fusion of optical and acoustical sensors did not yield better model predictions than models based on the individual sensors. The raw data of the work will also be published as part of the doctoral process to en-able further research work.