Qualitätssicherung in der additiven Metallfertigung durch hyperspektrale Bildgebung und maschinelles Lernen

Abstract

Die additive Metallfertigung ist durch Vorteile wie Geometriefreiheit, werkzeuglose Fertigung ”on-demand“ sowie hohen Bauteilfestigkeiten eine Schlüsseltechnologie zur dezentralen, digitalisierten Fertigung. Eine breite industrielle Nutzung dieser Technologie wird bislang aber durch mangelnde Zuverlässigkeit und Reproduzierbarkeit eingeschränkt. In dieser Arbeit wird deshalb der Einsatz einer Flächen-Hyperspektralkamera zur Prozessüberwachung beim laserbasierten Pulverbettverfahren untersucht. Dazu wird die Funktionsweise der hyperspektralen Bildgebung analysiert und die spektrale Auflösungsfähigkeit der Sensorik charakterisiert. Die Kamera wird in die Fertigungsanlage integriert, sodass Prozessaufnahmen bei der Verarbeitung der Magnesium-Legierung WE43 erhoben werden können. Zur Auswertung der Daten werden Methoden des maschinellen Lernens, insbesondere Convolutional Neural Networks, verwendet, die mit den Prozessaufnahmen trainiert werden. So kann die Oberflächenrauheit Rz, die im Probensatz mit einer mittleren absoluten Abweichung von 14,3 μm schwankt, mit einem mittleren absoluten Fehler von 4,1 μm vorhergesagt werden. Durch die Entwicklung eines Akquise-Systems können Prozessaufnahmen mit der Position des Laserspots im Pulverbett sowie weiteren Maschinendaten verknüpft werden. Dadurch können durch Eisenspäne künstlich erzeugte Prozessfehler mit einem F-Maß von 91% erkannt werden.