TY - JOUR A1 - Neumann, Benedikt A1 - Biegler, Max A1 - Goecke, Sven-Frithjof A1 - Rethmeier, Michael T1 - Detektion von Bindefehlern beim DED-Arc T1 - Detection of Lack of Fusion during DED-Arc N2 - Based on artificial intelligence (AI) developed for monitoring arc welding, this article presents a deep neural network for monitoring lack of fusion defects in wire arc additive manufacturing of aluminium. The aim is to detect defects in built-up volumes on the basis of weld source data. These can be successfully processed by the algorithm presented and a trained AI. The achieved accuracy of the network is 90 percent. N2 - In dem Beitrag wird aufbauend auf Machine-Learning-Modellen, welche bereits zum Überwachen des Schutzgasschweißen erforscht wurden, ein tiefes neuronales Netz (DNN) zum Monitoring beim DED-Arc von Aluminium vorgestellt. Ziel ist die Detektion von Bindefehlern in den aufgebauten Volumina auf Grundlage von in Echtzeit gemessenen Schweißstromquellensignalen. Es werden Merkmalsvariablen durch Vorverarbeitung extrahiert sowie die Korrelation zwischen den Merkmalsvariablen und den Defekten analysiert. Durch den vorgestellten Algorithmus werden diese automatisiert als Input an ein DNN übergeben. Das entwickelte und trainierte neuronale Netz erkennt anhand signifikanter Merkmale aus den Strom- und Spannungsdaten Bindefehler mit einer Genauigkeit von ca. 90 Prozent. KW - DED-Arc KW - Aluminiumschweißen KW - Bindefehler KW - Prozessüberwachung KW - Maschinelles Lernen KW - Deep Neural Network PY - 2024 DO - https://doi.org/10.1515/zwf-2024-1107 VL - 8 SP - 577 EP - 583 PB - Walter de Gruyter GmbH AN - OPUS4-61630 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -