Deep Learning überwacht Schmelzprozess beim 3D-Metalldruck
Forscher der Carnegie Mellon University haben eine neuartige KI-Methode entwickelt, die die Überwachung des 3D-Druckprozesses für Metallbauteile vereinfacht. Statt teurer Hochgeschwindigkeitskameras nutzt der Ansatz kostengünstige Sensoren für Schall und Wärmeemissionen, um kritische Parameter in Echtzeit zu rekonstruieren.
“Unser System erfasst mithilfe von Deep Learning die physikalischen Vorgänge der Prozesskenngrößen”, erklärt Haolin Liu, Doktorand in der Arbeitsgruppe. Ein Vorteil ist die frühzeitige Erkennung von Fehlstellen durch unzureichendes Aufschmelzen des Pulvers. Diese kritischen Defekte schwächen die mechanischen Eigenschaften des Bauteils erheblich. Die KI-gestützte Überwachung des selektiven Laserschmelzens von Titan-Legierungen zeigte vielversprechende Ergebnisse bei der Detektion derartiger Fehlstellen.
“Unsere Methode ermöglicht eine kostengünstige Prozessüberwachung für jeden 3D-Metalldrucker durch den Einsatz einfacher Sensoren”, betont Professor Jack Beuth. Die Rekonstruktion von Melt Pool Videos aus Akustik- und Wärmedaten sei in der additiven Fertigung einzigartig.
Das Forscherteam will die neuen Erkenntnisse über die Zusammenhänge der verschiedenen Signale weiter vertiefen. “Obwohl die Wechselwirkungen zwischen Schall, Wärme und Schmelzlache bekannt sind, verstehen wir ihre genauen Beziehungen noch nicht vollständig”, sagt Professor Levent Burak Kara. Das Deep-Learning-Modell verknüpft diese Phänomene bereits auf datenbasierte, aber physikalisch sinnvolle Art und Weise.
Laut Professor Anthony Rollett liefern akustische Verhaltensweisen entscheidende Einblicke in die Laser-Material-Wechselwirkungen, die weitaus aufschlussreicher sind als bisher angenommen. “Perspektivisch wollen wir die Zusammenhänge von Schall, Wärme und Prozessschwankungen besser verstehen”, so Haolin Liu. “Unser Ziel sind fortschrittliche Ersatzmodelle und digitale Zwillinge für die additive Fertigung.”
Weitere Details zu der Arbeit findet man in dem Paper “Inference of highly time-resolved melt pool visual characteristics and spatially-dependent lack-of-fusion defects in laser powder bed fusion using acoustic and thermal emission data“.