Analytische Chemie
Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (2)
- Vortrag (2)
- Zeitschriftenartikel (1)
Schlagworte
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
Die zerstörungsfreie Prüfung von metallischen Bauteilen hergestellt mit additiver Fertigung (Additive Manufacturing - AM) gewinnt zunehmend an industrieller Bedeutung. Grund dafür ist die Feststellung von Qualität, Reproduzierbarkeit und damit auch Sicherheit für Bauteile, die mittels AM gefertigt wurden. Jedoch wird noch immer ex-situ geprüft, wobei Defekte (z.B. Poren, Risse etc.) erst nach Prozessabschluss entdeckt werden. Übersteigen Anzahl und/oder Abmessung die vorgegebenen Grenzwerte für diese Defekte, so kommt es zu Ausschuss, was angesichts sehr langer Bauprozessdauern äußerst unrentabel ist. Eine Schwierigkeit ist dabei, dass manche Defekte sich erst zeitverzögert zum eigentlichen Materialauftrag bilden, z.B. durch thermische Spannungen oder Schmelzbadaktivitäten. Dementsprechend sind reine Monitoringansätze zur Detektion ggf. nicht ausreichend.
Daher wird in dieser Arbeit ein Verfahren zur aktiven Thermografie an dem AM-Prozess Laser Powder Bed Fusion (L-PBF) untersucht. Das Bauteil wird mit Hilfe des defokussierten Prozesslasers bei geringer Laserleistung zwischen den einzelnen gefertigten Lagen unabhängig vom eigentlichen Bauprozess erwärmt. Die entstehende Wärmesignatur wird ort- und zeitaufgelöst durch eine Infrarotkamera erfasst. Durch diese der Lagenfertigung nachgelagerte Prüfung werden auch zum Bauprozess zeitversetzte Defektbildungen nachweisbar.
In dieser Arbeit finden die Untersuchungen als Proof-of-Concept, losgelöst vom AM-Prozess, an einem typischen metallischen Testkörper statt. Dieser besitzt eine Nut als oberflächlichen Defekt. Die durchgeführten Messungen finden an einer eigens entwickelten L-PBF-Forschungsanlage innerhalb der Prozesskammer statt. Damit wird ein neuartiger Ansatz zur aktiven Thermografie für L-PBF erforscht, der eine größere Bandbreite an Defektarten auffindbar macht. Der Ansatz wird validiert und Genauigkeit sowie Auflösungsvermögen geprüft. Eine Anwendung am AM-Prozess wird damit direkt forciert und die dafür benötigten Zusammenhänge werden präsentiert.
Die zerstörungsfreie Prüfung von metallischen Bauteilen hergestellt mit additiver Fertigung (Additive Manufacturing - AM) gewinnt zunehmend an industrieller Bedeutung. Grund dafür ist die Feststellung von Qualität, Reproduzierbarkeit und damit auch Sicherheit für Bauteile, die mittels AM gefertigt wurden. Jedoch wird noch immer ex-situ geprüft, wobei Defekte (z.B. Poren, Risse etc.) erst nach Prozessabschluss entdeckt werden. Übersteigen Anzahl und/oder Abmessung die vorgegebenen Grenzwerte für diese Defekte, so kommt es zu Ausschuss, was angesichts sehr langer Bauprozessdauern äußerst unrentabel ist. Eine Schwierigkeit ist dabei, dass manche Defekte sich erst zeitverzögert zum eigentlichen Materialauftrag bilden, z.B. durch thermische Spannungen oder Schmelzbadaktivitäten. Dementsprechend sind reine Monitoringansätze zur Detektion ggf. nicht ausreichend.
Daher wird in dieser Arbeit ein Verfahren zur aktiven Thermografie an dem AM-Prozess Laser Powder Bed Fusion (L-PBF) untersucht. Das Bauteil wird mit Hilfe des defokussierten Prozesslasers bei geringer Laserleistung zwischen den einzelnen gefertigten Lagen unabhängig vom eigentlichen Bauprozess erwärmt. Die entstehende Wärmesignatur wird ort- und zeitaufgelöst durch eine Infrarotkamera erfasst. Durch diese der Lagenfertigung nachgelagerte Prüfung werden auch zum Bauprozess zeitversetzte Defektbildungen nachweisbar.
In dieser Arbeit finden die Untersuchungen als Proof-of-Concept, losgelöst vom AM-Prozess, an einem typischen metallischen Testkörper statt. Dieser besitzt eine Nut als oberflächlichen Defekt. Die durchgeführten Messungen finden an einer eigens entwickelten L-PBF-Forschungsanlage innerhalb der Prozesskammer statt. Damit wird ein neuartiger Ansatz zur aktiven Thermografie für L-PBF erforscht, der eine größere Bandbreite an Defektarten auffindbar macht. Der Ansatz wird validiert und Genauigkeit sowie Auflösungsvermögen geprüft. Eine Anwendung am AM-Prozess wird damit direkt forciert und die dafür benötigten Zusammenhänge werden präsentiert.
The prediction of porosity is a crucial task for metal based additive manufacturing techniques such as laser powder bed fusion. Short wave infrared thermography as an in-situ monitoring tool enables the measurement of the surface radiosity during the laser exposure. Based on the thermogram data, the thermal history of the component can be reconstructed which is closely related to the resulting mechanical properties and to the formation of porosity in the part. In this study, we present a novel framework for the local prediction of porosity based on extracted features from thermogram data. The framework consists of a data pre-processing workflow and a supervised deep learning classifier architecture. The data pre-processing
workflow generates samples from thermogram feature data by including feature information from multiple subsequent layers.
Thereby, the prediction of the occurrence of complex process phenomena such as keyhole pores is enabled. A custom convolutional neural network model is used for classification. Themodel is trained and tested on a dataset from thermographic in-situ monitoring of the manufacturing of an AISI 316L stainless steel test component. The impact of the pre-processing parameters and the local void distribution on the classification performance is studied in detail. The presented model achieves an accuracy of 0.96 and an f1-Score of 0.86 for predicting keyhole porosity in small sub-volumes with a dimension of (700 × 700 × 50) μm3. Furthermore, we show that pre-processing parameters such as the porosity threshold for sample
labeling and the number of included subsequent layers are influential for the model performance. Moreover, the model prediction is shown to be sensitive to local porosity changes although it is trained on binary labeled data that disregards the actual sample porosity.
In this study, we present an enhanced deep learning framework for the prediction of porosity based on thermographic in-situ monitoring data of laser powder bed fusion processes. The manufacturing of two cuboid specimens from Haynes 282 (Ni-based alloy) powder was monitored by a short-wave infrared camera. We use thermogram feature data and x-ray computed tomography data to train a convolutional neural network classifier. The classifier is used to perform a multi-class prediction of the spatially resolved porosity level in small sub-volumes of the specimen bulk.
Defects are still common in metal components built with Additive Manufacturing (AM). Process monitoring methods for laser powder bed fusion (PBF-LB/M) are used in industry, but relationships between monitoring data and defect formation are not fully understood yet. Additionally, defects and deformations may develop with a time delay to the laser energy input. Thus, currently, the component quality is only determinable after the finished process.
Here, active laser thermography, a non-destructive testing method, is adapted to PBF-LB/M, using the defocused process laser as heat source. The testing can be performed layer by layer throughout the manufacturing process. The results of the defect detection using infrared cameras are presented for a custom research PBF-LB/M machine. Our work enables a shift from post-process testing of components towards in-situ testing during the AM process. The actual component quality is evaluated in the process chamber and defects can be detected between layers.