Loading…
Qualitätssicherung beim L-DED-P-Prozess durch Anwendung von künstlichen neuronalen Netzen
Marko, Angelina Jacqueline
Die Additive Fertigung hat in den letzten Jahren aufgrund ihrer Fähigkeit zur Schaffung funktional optimierter Strukturen, Leichtbaukonstruktionen und personalisierter Produkte in Verbindung mit kürzeren Produktlebenszyklen zunehmend an Bedeutung gewonnen. Dies hat zur verstärkten Anwendung additiver Verfahren wie dem Directed Energy Deposition (DED) in industriellen Anwendungen geführt. Der DED-Prozess umfasst Aufgaben von der Reparatur, Beschichtung und Modifizierung bestehender Strukturen bis hin zur additiven Herstellung kompletter Bauteile. Um die Kosteneffizienz dieses Prozesses zu steigern, ist es entscheidend, teure Qualitätsprüfungen nach dem Prozess zu reduzieren. Die datengetriebene Qualitätssicherung zeigt sich hier als mögliche Lösung.
Die vorliegende Dissertation behandelt die Qualitätssicherung in der additiven Fertigung unter Verwendung optischer Sensoren in Kombination mit Künstlichen Neuronalen Netzen (KNN) im Kontext des DED-Prozesses. Während bisherige KNN-Anwendungen meist auf Prognosen von Schweißspuren beschränkt waren, erweitert diese Arbeit den Anwendungsbereich auf komplexe Geometrien und additiv hergestellte Bauteile. Die Integration verschiedener Messdaten erweitert die Grundlage für KNN-Modelle. Die Dissertation erarbeitet zudem eine geeignete Methode zur effizienten Datenaufbereitung und verdeutlicht den Mehrwert der Integration von Prozessdaten für die Modellgenauigkeit, insbesondere im Umgang mit der Komplexität additiver Bauteile. Durch die entwickelte Methodik wird eine umfassende Qualitätsbewertung ermöglicht, um eine Kategorisierung der Schweißergebnisse sowie die Qualitätseigenschaften Dichte und Härte zu prognostizieren.
Additive manufacturing has become increasingly important in recent years due to its ability to create functionally optimized structures, lightweight designs and personalized products in conjunction with shorter product life cycles. As a result, this has led to the wider use of additive processes such as Directed Energy Deposition (DED) in industrial applications. The DED process encompasses tasks from repair, coating and modification of existing structures to additive manufacturing of complete components. To improve the cost efficiency of this process, it is critical to reduce expensive post-process quality inspections. Data-driven quality assurance can be a potential solution.
This dissertation addresses quality assurance in additive manufacturing using optical sensors in combination with artificial neural networks (ANN) in the DED process. Previous ANN applications were mostly limited to predictions of weld tracks, this work extends the scope to complex geometries and additive manufactured parts. Integration of various measurement data expands the basis for the ANN models. The thesis also elaborates a suitable method for efficient data preparation and illustrates the added value of integrating process data for model accuracy, especially when dealing with the complexity of additive components. The developed methodology provides a comprehensive quality assessment to predict a categorization of the welding results as well as the quality properties density and hardness.
