Der hochkomplexe und nur innerhalb schmaler Prozessfenster stabil ablaufende Laser Powder Bed Fusion (L-PBF) Prozess weist aktuell unzureichend sensorisch erfasste Instabilit\u00e4ten auf. Diese Instabilit\u00e4ten sind f\u00fcr die Bildung von Bauteildefekten urs\u00e4chlich und bestimmen ma\u00dfgeblich die resultierende Bauteilqualit\u00e4t.<\/p>\n\n\n\n
Die Bauteilqualit\u00e4t kann bislang nur nachgelagert zum L-PBF Prozess destruktiv an Begleitproben zur Ermittlung der mechanischen Eigenschaften oder nicht-destruktiv per \u03bcCT-Scans als hochaufl\u00f6sende M\u00f6glichkeit zur dreidimensionalen Integrit\u00e4tspr\u00fcfung der Bauteile realisiert werden. Beide Verfahren sind mit einem zus\u00e4tzlichen Schritt in der Prozesskette verbunden, sind limitiert in ihrer Aussagkraft (z.B.<\/abbr> \u03bcCT-Scans nicht anwendbar f\u00fcr hochfeste Legierungen) und verursachen verfahrensbedingt erhebliche Kosten bei gleichzeitig hohem Zeitaufwand. Ein fr\u00fchzeitiges In-situ-Defektdetektionsverfahren kann die nachgelagerte Qualit\u00e4tssicherung effizienter gestalten und somit die Kosten reduzieren. Eine solche zuverl\u00e4ssige In-situ-Prozess\u00fcberwachung und Qualit\u00e4tssicherung existiert heute noch nicht und soll daher in diesem Projekt entwickelt werden. Folgende wissenschaftliche Problemstellungen m\u00fcssen f\u00fcr solch eine L\u00f6sung noch bearbeitet werden:<\/p>\n\n\n\n Herausforderung I: In-Situ-Sensorik Herausforderung II: Datenanalyse Projektlaufzeit: 10.2021 \u2013 08.2023<\/p>\n\n\n\n F\u00f6rderprogramm: IGF<\/p>\n","protected":false},"excerpt":{"rendered":" AM Analytics: Automatisierte In-situ-Defekterkennung in der pulverbettbasierten Additiven Fertigung Der hochkomplexe und nur innerhalb schmaler Prozessfenster stabil ablaufende Laser Powder Bed Fusion (L-PBF) Prozess weist aktuell unzureichend sensorisch erfasste Instabilit\u00e4ten […]<\/p>\n","protected":false},"author":2355,"featured_media":0,"parent":240,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-1423","page","type-page","status-publish","hentry","category-forschung"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/1423","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/users\/2355"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/comments?post=1423"}],"version-history":[{"count":1,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/1423\/revisions"}],"predecessor-version":[{"id":1424,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/1423\/revisions\/1424"}],"up":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/240"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/media?parent=1423"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/categories?post=1423"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/tags?post=1423"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Aktuell fehlt ein geeignetes In-situ-Sensorikkonzept, welches alle typischen Bauteildefekte erkennt. Wenngleich es viele verschiedene In-situ-Messverfahren, wie beispielsweise die Schmelzbad\u00fcberwachung (Meltpool monitoring, MPM), optische Tomographie (OT) und optische Schicht\u00fcberwachung (Powder bed monitoring, PBM) der L-PBF-Anlagenhersteller gibt, mangelt es an zuverl\u00e4ssigen Messdaten sowie Analyseverfahren. Damit ist eine fundierte Aussage \u00fcber die erreichte Prozess- und Bauteilqualit\u00e4t nicht m\u00f6glich. Unter anderem eignet sich die derzeit verf\u00fcgbare Sensorik nicht zur Erfassung der H\u00f6he (Topografie) von Pulverschichten. Gerade im Schichtaufbau ist eine lokale oder globale H\u00f6henabweichung jedoch qualit\u00e4tskritisch und m\u00fcsste daher mit geeigneter Sensorik erfasst werden.<\/p>\n\n\n\n
Trotz vieler Entwicklungen und Innovationen im Bereich des maschinellen Lernens existiert heute keine Theorie, die eine korrekte Wahl und Konfiguration eines Lernverfahrens f\u00fcr die gegebene Problemstellung erlaubt. So einfach es oft ist, erste schnelle Resultate bei der Datenanalyse zu erzielen, so schwer ist es, angelernte Modelle in der f\u00fcr ingenieurswissenschaftlichen Anwendungen notwendigen Qualit\u00e4t zu generieren. Existierende Datenanalyseverfahren erlauben daher heute noch keine Klassifikation der Sensordaten bzgl. Produktqualit\u00e4t im Bereich AM. Neben der oben angesprochenen fehlenden Sensorik gibt es dabei Herausforderungen im Bereich der maschinellen Lernverfahren: 1) Integration von dom\u00e4nespezifischem A-Priori-Wissen: Zur Absicherung der Lernergebnisse und zur Reduktion der n\u00f6tigen Datenmengen muss A-Priori-Wissen, wie materialwissenschaftliches und physikalisches Wissen sowie Prozesswissen in die Lernverfahren integriert werden. Obwohl es hier Vorarbeiten gibt, existieren bislang keine Ans\u00e4tze f\u00fcr die AM-Technologie.
2) Erkl\u00e4rbarkeit der Lernergebnisse: Lernergebnisse, wie z.B.<\/abbr> neuronale Netze sind f\u00fcr Menschen schwer nachvollziehbar. Es bedarf einer Erkl\u00e4rungskomponente, welche die Modelle f\u00fcr den Menschen interpretierbar machen und so eine Benutzerakzeptanz erreichen. Auch hier existieren L\u00f6sungsans\u00e4tze, die f\u00fcr diesen Bereich weiterentwickelt werden m\u00fcssen.
3) Netzarchitektur: Zur Datenanalyse sollen neuronale Netze verwendet werden. Hierzu muss eine zur Sensorik und zur Aufgabe passende Architektur basierend auf CNNs oder Gated Neural Networks, wie z.B.<\/abbr> GRU und basierend auf generativen Netzen wie z.B.<\/abbr> VAE entwickelt werden.<\/p>\n\n\n\n