Eignung thermografischer in-situ- Prozessbeobachtung zur Vorhersage lokaler Porosität mittels maschinellen Lernens im pulverbettbasierten Schmelzen von Metall

Das pulverbettbasierte Schmelzen von Metall mittels Laserstrahl (PBF-LB/M) ist ein industriell verbreitetes
additives Fertigungsverfahren zur Herstellung von Bauteilen mit hoher Ortsgenauigkeit unmittelbar
aus einem digitalen Volumenmodell. Trotz der großen Vorteile, die das PBF-LB/M-Verfahren im Vergleich
zu tradionellen, subtraktiven Verfahren (bspw. Drehen, Fräsen) in Bezug auf die Fertigung komplexer
Geometrien und den ressourcenschonenden Materialeinsatz bietet, stellt das Auftreten bauteilinterner
Fehlstellen eine kritische Herausforderung dar. Da insbesondere die Bildung lokaler Porosität zu
einer Schwächung der mechanischen Bauteileigenschaften führen kann, ist es oftmals notwendig, Bauteile
im Anschluss an die Fertigung unter hohem Zeit- und Kostenaufwand zu prüfen. Aufgrund seiner
additiven Fertigungsweise ist das PBF-LB/M-Verfahren für die Überwachung mittels optischer in-situ-
Sensoren prädestiniert, da sich die thermische Historie des gesamten Bauteilvolumens ermitteln lässt.
In diesem Kontext weisen thermografische Kameras im kurzwelligen Infrarotbereich (SWIR) ein großes
Potenzial auf, da sie einen weiten Temperaturbereich abdecken und hohe Bildraten realisieren können.
Bisher wurde dieser Kameratyp jedoch im Kontext der Fehlstellenerkennung nur wenig untersucht.
Weiterhin werden in aktuellen Forschungsarbeiten zunehmend Methoden des maschinellen Lernens
für die Analyse komplexer thermografischer Daten genutzt, die sich im Feld der Bilderkennung als
vielversprechend erwiesen haben. Nach Kenntnis des Autors konnte bisher jedoch kein ausreichender
Nachweis für die Vorhersage lokaler Porosität durch den Einsatz dieser Methoden in Kombination mit
optischen Sensoren erbracht werden.
Der Beitrag der vorliegenden Dissertation besteht in der Untersuchung der Eignung thermografischer
SWIR-Kameras für die Vorhersage lokaler, bauteilinterner Porosität anhand von Methoden des maschinellen
Lernens. Dazu wurde ein neuartiges Vorgehen entwickelt, welches die Extraktion physikalisch
interpretierbarer Merkmale aus den Rohdaten, eine Strategie zur Datenregistrierung, die Vorbereitung
von Modellierungsproben unter Berücksichtigung der Fehlstellenbildung und die Entwicklung eines der
Datenstruktur angepassten Modells umfasst. Das Vorgehen wurde an einem ersten Bauteil mit forcierter
Porosität erprobt. In einem zweiten Schritt wurde das Vorgehen auf einen weiteren Datensatz mit komplexerer
Porositätsverteilung angewendet, wobei die notwendige Modellkapazität und die Merkmalssignifikanz
untersucht wurden. Weiterhin wurde ein neuartiger Ansatz zur rohdatengetriebenen Modellierung
entwickelt und mit klassischen Algorithmen des Maschinellen und Tiefen Lernens verglichen.
Die Ergebnisse zeigen, dass die erzeugten Modelle sensitiv für lokale Porositätsunterschiede innerhalb
von Bauteilbereichen mit forcierter Porositätsbildung sind und Änderungen der mittleren Schichtporosität
mit hoher Genauigkeit vorhersagen können. Weiterhin wurde auch zufällig entstandene Porosität
mit hoher örtlicher Genauigkeit identifiziert, was das Potenzial der Kombination aus SWIR-Kamera und
gewählter Modellierung eindrucksvoll demonstriert. Fortführend wurden anhand der ermittelten Merkmalssignifikanz
Empfehlungen für die weitere Entwicklung von SWIR-basierten Prozessüberwachungssystemen
gegeben. Damit leistet diese Arbeit einen wichtigen Beitrag für eine prozessbegleitende Qualitätssicherung
auf Basis von thermografischer in-situ-Sensorik.