Im Forschungsprojekt AM Analytics wurde ein Ansatz zur automatisierten In-situ-Defekterkennung für laserpulverbettbasierte additive Fertigung. Ziel war es, Prozesssignale während des Drucks mit realen Defekten im Bauteil zu korrelieren und damit die Grundlage für eine datenbasierte Qualitätsüberwachung zu schaffen.
Versuchsaufbau der Aconity LPBFM-Anlage mit in-situ-Prozessüberwachung zur Erfassung von Prozessdaten während der additiven Fertigung.
Ziel des Projekts
Additive Fertigungsverfahren wie Laser Powder Bed Fusion ermöglichen komplexe metallische Bauteile, stellen die Qualitätssicherung jedoch vor große Herausforderungen. Defekte wie Lack-of-Fusion-Poren entstehen bereits während des Bauprozesses und werden bislang häufig erst nachgelagert erkannt. AM Analytics verfolgte deshalb das Ziel, kritische Defekte bereits während der Fertigung sichtbar zu machen.
Vorgehen
Im Projekt wurden unterschiedliche Sensorsysteme zur Prozessüberwachung untersucht und mit hochauflösenden CT-Daten der gefertigten Proben verknüpft. Im Mittelpunkt standen das Melt Pool Monitoring (MPM) und die optisch abgeleitete Temperaturmessung (ODT). Ergänzend wurden Methoden der Bildverarbeitung, Datenregistrierung und des maschinellen Lernens entwickelt, um Prozessdaten räumlich mit später nachgewiesenen Defekten zu korrelieren.
Thermische Prozessaufnahme einer belichteten Schicht als Grundlage der Defektanalytik im Vergleich zum Baujob.
Zentrale Ergebnisse
Die Untersuchungen zeigen, dass insbesondere die ODT-Daten eine belastbare Grundlage für die Defekterkennung liefern. Während MPM in den durchgeführten Versuchen keine ausreichend eindeutige Korrelation zu den provozierten Defekten zeigte, konnten thermische Bilddaten mit Hilfe eines neuronalen Netzes erfolgreich zur Unterscheidung zwischen defektbehafteten und fehlerfreien Bereichen genutzt werden.
Damit wurde gezeigt, dass eine KI-gestützte Auswertung von In-situ-Prozessdaten grundsätzlich geeignet ist, Lack-of-Fusion-Defekte im L-PBF-Prozess zu identifizieren. Eine wesentliche Herausforderung bleibt die präzise räumliche Registrierung zwischen Prozessdaten und CT-basierter Referenz.
CT-basierte Referenzdaten ermöglichten die Validierung der in-situ erfassten Prozesssignale.
Bedeutung für Forschung und Industrie
Die Projektergebnisse leisten einen wichtigen Beitrag zur datenbasierten Qualitätssicherung in der additiven Fertigung. Perspektivisch können solche Ansätze helfen, Ausschuss zu reduzieren, Prozesse robuster auszulegen und langfristig eine adaptive Prozessregelung zu ermöglichen. Besonders für industrielle Anwendungen mit hohen Qualitätsanforderungen ist dies ein wesentlicher Schritt in Richtung zuverlässiger und wirtschaftlicher AM-Prozesse.
Das Projekt wurde im Rahmen der Industriellen Gemeinschaftsforschung (IGF) durchgeführt und in Kooperation zwischen dem Fraunhofer IAPT und dem Laboratorium Fertigungstechnik der Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg bearbeitet.