Additive Fertigungsfehler in Echtzeit erkennen

Unter perfekten Bedingungen ist das Schmelzbad flach und halbkreisförmig. Während des eigentlichen Druckvorgangs kann der Hochleistungslaser die Form des Schmelzbades jedoch verändern. Bei niedriger Geschwindigkeit wird dann eine Laserleistungsdichte erreicht, die zu einer schnellen Metallverdampfung führt. Diese drückt die umgebende geschmolzene Flüssigkeit nach unten. Es kommt zur Bildung von schlüssellochförmigen Löchern. 

Die Bildung und Größe des Schlüssellochs ist eine Funktion der Laserleistung und der Scangeschwindigkeit sowie der Fähigkeit der Materialien, Laserenergie zu absorbieren. 

Ein Forschungsteam unter der Leitung von Tao Sun, außerordentlicher Professor für Materialwissenschaften und -technik an der University of Virginia, hat sich mit dem Problem des Nachweises dieser Schlüssellochporenbildung befasst. Zum Team von Sun gehören Anthony Rollett, Professor für Materialwissenschaften und Ingenieurwesen an der Carnegie Mellon University, und Lianyi Chen, Professorin für Maschinenbau an der University of Wisconsin-Madison.

Sun und sein Team entwickelten einen Ansatz, der neuronale Netze und Deep-Learning-Techniken einsetzt, um während des Druckprozesses den genauen Zeitpunkt zu erkennen, in dem sich eine Schlüssellochpore bildet. Gleichzeitig entwickelten die Forscher auch die Einsatzmöglichkeiten der Synchrotron-Röntgenbildgebung weiter und entdeckten zwei Arten von Schlüsselloch-Oszillation.

“Durch die Integration von Operando-Synchrotron-Röntgenbildgebung, Nahinfrarotbildgebung und maschinellem Lernen können wir die einzigartige thermische Signatur, die mit der Bildung von Schlüssellochporen verbunden ist, mit einer zeitlichen Auflösung von weniger als einer Millisekunde und einer Vorhersagerate von 100 % erfassen”, so Sun.

Die Ergebnisse bedeuten nicht nur einen Fortschritt im Bereich der additiven Fertigung, sondern erweitern auch die kommerzielle Nutzung von LPBF für die Herstellung von Metallteilen.

“Die Porosität in Metallteilen ist nach wie vor eine große Hürde für die breitere Anwendung der LPBF-Technik in einigen Branchen. Porosität in Schlüssellöchern ist der schwierigste Defekttyp, wenn es um die Echtzeit-Erkennung mit Sensoren im Labormaßstab geht, da sie stochastisch unter der Oberfläche auftritt”, sagte Sun. “Unser Ansatz bietet eine praktikable Lösung für die hochauflösende Erkennung der Entstehung von Schlüssellochporen, die in vielen Szenarien der additiven Fertigung problemlos eingesetzt werden kann.

Die Arbeit wurde am 6. Januar 2023 in Science veröffentlicht.