Von Simon Oster

Dresdner Beiträge zur Sensorik; 97

TUDpress 2025. Kartoniert,  188 S.

Das pulverbettbasierte Schmelzen von Metall mittels Laserstrahl (PBF-LB/M) ist ein industriell verbreitetes additives Fertigungsverfahren zur Herstellung von Bauteilen mit hoher Ortsgenauigkeit unmittelbar aus einem digitalen Volumenmodell. Trotz der großen Vorteile, die das PBF-LB/M-Verfahren im Vergleich zu tradionellen, subtraktiven Verfahren (bspw. Drehen, Fräsen) in Bezug auf die Fertigung komplexer Geometrien und den ressourcenschonenden Materialeinsatz bietet, stellt das Auftreten bauteilinterner Fehlstellen eine kritische Herausforderung dar. Da insbesondere die Bildung lokaler Porosität zu einer Schwächung der mechanischen Bauteileigenschaften führen kann, ist es oftmals notwendig, Bauteile im Anschluss an die Fertigung unter hohem Zeit- und Kostenaufwand zu prüfen. Aufgrund seiner additiven Fertigungsweise ist das PBF-LB/M-Verfahren für die Überwachung mittels optischer in-situ-Sensoren prädestiniert, da sich die thermische Historie des gesamten Bauteilvolumens ermitteln lässt. In diesem Kontext weisen thermografische Kameras im kurzwelligen Infrarotbereich (SWIR) ein großes Potenzial auf, da sie einen weiten Temperaturbereich abdecken und hohe Bildraten realisieren können. 
Bisher wurde dieser Kameratyp jedoch im Kontext der Fehlstellenerkennung nur wenig untersucht. Weiterhin werden in aktuellen Forschungsarbeiten zunehmend Methoden des maschinellen Lernens für die Analyse komplexer thermografischer Daten genutzt, die sich im Feld der Bilderkennung als vielversprechend erwiesen haben. Nach Kenntnis des Autors konnte bisher jedoch kein ausreichender Nachweis für die Vorhersage lokaler Porosität durch den Einsatz dieser Methoden in Kombination mit
optischen Sensoren erbracht werden.
Der Beitrag der vorliegenden Dissertation besteht in der Untersuchung der Eignung thermografischer SWIR-Kameras für die Vorhersage lokaler, bauteilinterner Porosität anhand von Methoden des maschinellen Lernens. Dazu wurde ein neuartiges Vorgehen entwickelt, welches die Extraktion physikalisch interpretierbarer Merkmale aus den Rohdaten, eine Strategie zur Datenregistrierung, die Vorbereitung von Modellierungsproben unter Berücksichtigung der Fehlstellenbildung und die Entwicklung eines der Datenstruktur angepassten Modells umfasst. Das Vorgehen wurde an einem ersten Bauteil mit forcierter Porosität erprobt. In einem zweiten Schritt wurde das Vorgehen auf einen weiteren Datensatz mit komplexerer Porositätsverteilung angewendet, wobei die notwendige Modellkapazität und die Merkmalssignifikanz untersucht wurden. Weiterhin wurde ein neuartiger Ansatz zur rohdatengetriebenen Modellierung entwickelt und mit klassischen Algorithmen des Maschinellen und Tiefen Lernens verglichen. Die Ergebnisse zeigen, dass die erzeugten Modelle sensitiv für lokale Porositätsunterschiede innerhalb von Bauteilbereichen mit forcierter Porositätsbildung sind und Änderungen der mittleren Schichtporosität mit hoher Genauigkeit vorhersagen können. Weiterhin wurde auch zufällig entstandene Porosität mit hoher örtlicher Genauigkeit identifiziert, was das Potenzial der Kombination aus SWIR-Kamera und gewählter Modellierung eindrucksvoll demonstriert. Fortführend wurden anhand der ermittelten Merkmalssignifikanz Empfehlungen für die weitere Entwicklung von SWIR-basierten Prozessüberwachungssystemen gegeben. Damit leistet diese Arbeit einen wichtigen Beitrag für eine prozessbegleitende Qualitätssicherung auf Basis von thermografischer in-situ-Sensorik.

ISBN 978-3-95908-829-9

Leseprobe