Suchen

Forschung Qualitätskontrolle für SLM-Anlagen

| Autor / Redakteur: Anzhelika Gordei / Simone Käfer

Fraunhofer-Forscher arbeiten im Bereich Additiver Fertigung an einer Qualitätskontrolle im Bauraum von Pulverbettanlagen (SLM bzw. LPBFM). Und schaffen damit eine Grundlage für die Serienfertigung.

Firmen zum Thema

Eine In-situ-Qualitätssicherung gehört zu den Grundlagen für eine Serienfertigung mit Addtiver Fertigung.
Eine In-situ-Qualitätssicherung gehört zu den Grundlagen für eine Serienfertigung mit Addtiver Fertigung.
(Bild: ©nikkytok - stock.adobe.com)

Das SLM-Verfahren (selektive Laserschmelzen oder Laser Powder Bed Fusion, LPBF) ist zurzeit das am weitesten verbreitete additive Fertigungsverfahren für metallische Werkstoffe – aber für die Serienfertigung noch nicht ausgereift. Dies erfordert eine detaillierte Dokumentation des Prozesses einschließlich einer automatisierten Qualitätsprüfung im Prozess. Insofern ist die Prozessrobustheit von SLM ein limitierender Faktor. Insbesondere die Stabilität des während des Prozesses entstehenden Schmelzbades hat einen erheblichen Einfluss auf die Material- und Bauteileigenschaften.

Bildergalerie

Die beim SLM-Verfahren ausgebildeten Schmelzbahnen erzeugen eine Wolke bestehend aus Schweißrauch und -spritzern. Einerseits absorbiert diese Wolke unerwünscht Laserenergie, wodurch der Laser defokussiert und weniger tief in die Pulverschicht reicht, aber breiter auftrifft. Andererseits korreliert die Ausprägung der Wolke unmittelbar mit der Qualität des Schweißergebnisses und somit mit der Prozessqualität. Die prozessparameterspezifische Abhängigkeit der Bauteilqualität von der Rauchkonzentration und der Quantität an Schweißspritzern kann gezielt im Rahmen der Qualitätskontrolle genutzt werden. Modulare Anlagenkomponenten, welche die gefertigte Schmelzbahn in-situ vermessen und somit eine qualitätsrelevante Kenngröße direkt ermittelten können, sind vor diesem Hintergrund die bestmögliche Lösung.

Messaufbau in einer SLM-Anlage

Ausgehend von bereits in der Schweißtechnik erprobten Überwachungskonzepten in Form von Lichtschranken, wird als Basis für das SLM-Monitoring ein gleichartiges Messprinzip übernommen. Mit einem Phototransistors und einem Laser als Lichtquelle wird eine Lichtschranke aufgespannt. Kreuzen Rauchpartikel sowie Schweißspritzer diese Schranke, reduziert sich die Intensität des Laserlichts. Dieser Abfall der Lichtstärke induziert eine Erhöhung des elektrischen Widerstands am Phototransistor, wodurch sich Schlussfolgerungen auf die quantitative Ausprägung des Rauchs ableiten lassen. Ein Oszilloskop mit einer Samplefrequenz von 100 Hz vermisst und dokumentiert die über dem Phototransistor abfallende Spannung. Die Forscher vom Fraunhofer-IPK testen den Aufbau in einer konventionelle SLM-Anlage von SLM Solutions. Für die Versuche wird der Messeaufbau im Bauraum unmittelbar vor der Saugseite der Lüftung positioniert, sodass der Rauch die Lichtschranke zwangsläufig passiert.

Beim entwickelten Qualitäts-Monitoringsystem handelt es sich um eine pragmatische und kosteneffiziente Lösung, um die Bauteilqualität durch optimal eingestellte Prozessparameter zu verbessern. Aus praktischer Erfahrung ist bekannt, dass die Rauchkonzentration direkt von den Prozessparametern abhängig ist. Bei optimalen beziehungsweise günstigen Prozessparametern entsteht eine minimale Menge von Rauch und Spritzern. Die während des Fertigungsverfahrens gemessene Rauchkonzentration wird in Form der Signalkurven mittels der Software Matlab aus den Oszilloskop-Messsignalen umgewandelt. Je intensiver der Rauch, desto höher ist der ermittelten Signalwert. Um die Signalkurven zu bewerten und die optimalen Prozessparameter abzuleiten, entwickeln die Forscher ein Machine-Learning-Algorithmus, der auf dem Entscheidungsbaumalgorithmus des Typs „Bagged Trees“ basiert.

Machine Learning für die richtigen Parameter

Ausgangspunkt für das Anlernen von solchen supervised Machine-Learning-Algorithmen sind aussagekräftige Messdaten. Im Fall des Monitoringsystems werden einmalig Versuche in einer konventionellen SLM-Anlage durchgeführt, indem Platten sowohl unter günstigen als auch ungünstigen Prozessparametern gedruckt werden. Zur Unterscheidung in günstige und ungünstige Parameter verlassen sich die Forscher auf Kennwerte aus entsprechender Literatur zu den Werkstoffen. Hierdurch erfolgt auch das für Machine Learning notwendige Labeln der Messdaten in die Klassen „günstig“ sowie „ungünstig“. Die gezielte Variation der Prozessparameter während der Anlernversuche hat somit direkte Auswirkungen auf die Daten der gemessenen Rauchintensität. Durch den auf Basis der Versuchsdaten generierten Machine-Learning-Algorithmus wurde eine Konfusionsmatrix erstellt, welche die quantitative Klassifikation der unbekannten SLM-Prozessparameter erlaubt. Nach weiteren Versuchen mit unbekannten Parametern konnten die Fraunhofer-Forscher feststellen, dass die Klassen „günstige Parameter“ und „ungünstige Parameter“ mathematisch mit einer durchschnittlichen Klassifikationsrate von 87,36 % unterscheidbar sind.

In Zukunft ist die Entwicklung eines Monitoringsystems mit mehreren Lichtschranken geplant, sodass der Fertigungsprozess genauer überwacht werden kann. Daraus ergeben sich neue Herausforderungen, wie die mathematische Verknüpfung der Messsignale aller Lichtschranken und eine anwendungsgerechte Auslegung des Oszilloskops.

  • Schweißrauch und -spritzer beeinflussen die Qualität.
  • Mit Lichtschranken und Oszilloskop die Ausprägung des Rauchs messen.
  • Ein Machine-Learning-Algorithmus unterstützt die Auswertung.

Dieser Artikel wurde ursprünglich von unserem Partnerportal MM Maschinenmarkt veröffentlicht.

* Anzhelika Gordei ist Wissenschaftliche Mitarbeiterin im Bereich Fertigungstechnologien am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) in 10587 Berlin, Tel. (0 30) 3 90 06-1 47

(ID:46320427)