KI beschleunigt die Prozessentwicklung für den 3D-Druck von Metalllegierungen

Um ein Metallteil erfolgreich nach den anspruchsvollen Spezifikationen zu drucken, die viele in der Industrie fordern, müssen die Prozessparameter – einschließlich Druckgeschwindigkeit, Laserleistung und Schichtdicke des aufgebrachten Materials – optimiert werden. Hier könnte KI die Prozessentwicklung beschleunigen.

David Guirguis, Jack Beuth und Conrad Tucker vom Fachbereich Maschinenbau der Carnegie Mellon University (CMU) haben ein System entwickelt, das nicht nur die Prozessparameter optimiert, sondern auch auf verschiedene Metalllegierungen anwendbar ist. Ihre Forschungsergebnisse wurden im renommierten Journal Nature Communications veröffentlicht.

“Wir mussten den Prozess automatisieren, aber das geht nicht mit Computerprogrammierung allein”, erklärt Guirguis, ein Postdoktorand im Bereich Maschinenbau. “Um die Muster zu erfassen, müssen wir maschinelles Lernen anwenden.”

Vision-Transformatoren nutzen neuronale Netzwerkarchitekturen, die ursprünglich für Aufgaben der natürlichen Sprachverarbeitung entwickelt wurden, um komplexe Muster und Abhängigkeiten in Videodaten zu lernen. Dies ermöglicht es dem von Guirguis entwickelten Modell, die Bedeutung verschiedener Teile der Eingabesequenz zu bewerten und Vorhersagen über das Auftreten von Defekten zu treffen.

Die Forschung adressiert die Herausforderung, dass beim 3D-Druckprozess, insbesondere bei der Laser-Pulverbettfusion (LPBF), die physikalischen Merkmale des geschmolzenen Metalls nicht sichtbar sind, was die Identifikation potenzieller Defekte erschwert. Guirguis entwickelte eine hochgeschwindigkeits Bildgebungseinrichtung, die klare Merkmale des Schmelzbades erfassen kann, und ein maschinelles Lernmodell, das Muster erkennt, die mit den zu detektierenden Defekten verbunden sind.

“Wir freuen uns, dass wir eine KI-Methode entwickelt haben, die zeitliche Merkmale in AM-Bilddaten nutzt, um verschiedene Arten von Defekten zu erkennen. Der Nachweis der Verallgemeinerbarkeit der KI-Methode unter Verwendung verschiedener AM-Metalle ist bahnbrechend und zeigt, dass dasselbe trainierte KI-Modell ohne kostspieliges Neutraining mit zusätzlichen Daten eingesetzt werden kann”, bemerkte Tucker, Professor für Maschinenbau.

Durch den Einsatz von Vision-Transformatoren zur Klassifizierung verschiedener Defekttypen konnte Guirguis die Genauigkeit der Algorithmen auf über 90% steigern, abhängig vom Material. Das Verfahren ermöglicht eine schnelle und effiziente Optimierung der Prozessfenster für die additive Fertigung neuer Legierungen, was einen erheblichen Fortschritt darstellt.

Die Forscher entwickelten eine Off-Axial-Bildgebungseinrichtung, die hochfrequente Oszillationen in der Form des Schmelzbades mit extrem hoher zeitlicher Auflösung von über 50.000 Bildern pro Sekunde erfassen kann. Die Videos wurden dann in vier Kategorien klassifiziert, die jeweils wünschenswerte Druckregime und die drei verschiedenen Arten von Defekten (Keyholing, Balling und mangelnde Fusion) darstellen.

“Bei der additiven Fertigung einer neuen Legierung besteht das erste Ziel darin, ein ‘Fenster’ von Prozessvariablen zu finden, das fehlerfreie Teile ergibt”, erklärte Beuth, Professor für Maschinenbau. “Daves Einsatz von Vision-Transformatoren, um die Variabilität in Hochgeschwindigkeits-Schmelzbadbildern mit der Fehlerbildung in Beziehung zu setzen, kann die Zeit, die zum Auffinden dieses Fensters benötigt wird, erheblich reduzieren. Das ist ein großer Schritt nach vorn.”

Die Ergebnisse zeigen, dass Vision-Transformatoren mit temporaler Einbettung die In-situ-Erkennung von Schmelzpooldefekten ermöglichen und Prozesskarten generieren können, die die Qualifizierung der Druckbarkeit und die Prozessentwicklung für neu entwickelte 3D-gedruckte Legierungen beschleunigen könnten.

Diese bahnbrechende Arbeit der CMU-Forscher stellt einen signifikanten Fortschritt in der additiven Fertigung dar und bietet die Möglichkeit, die Produktion von Metallteilen durch 3D-Druck weiter zu optimieren und zu verbessern.