Ergebnisse aus der Lasertechnik / Ortsaufgelöste Prozessüberwachung für die Additive Fertigung mittels laserbasierter Directed Energy Deposition

Das laserbasierte Directed Energy Deposition (DED, dt. Laserauftragschweißen) zählt aufgrund seiner vielseitigen Anwendbarkeit zu den wichtigsten Additive Manufacturing (AM)-Verfahren. Zu den größten Herausforderungen von AM gehört die Erkennung lokaler Prozessabweichungen mittels Prozessüberwachung. Die Überwachung der thermischen Schmelzbadstrahlung gilt dabei als eine der wichtigsten Werkzeuge. Trotz vieler Vorarbeiten wird das Potential der Prozessüberwachung für das DED nicht vollständig abgerufen, da diese bisher ausschließlich zeitaufgelöst erfolgt. Aufgrund fehlender zeitlicher Synchronisation mit Ortsinformationen können detektierte Effekte nur ungenügend lokal in Bauteilen zugeordnet werden. In dieser Arbeit wird eine Methodik zur zeit- und ortsaufgelösten Prozessüberwachung entwickelt. Die Überwachung des Schmelzbades erfolgt mittels eines Pyrometers und einer CMOS-Kamera, die koaxial in den Bearbeitungskopf integriert werden. Zur Ortsauflösung werden die Sensordaten während des Prozesses mit Koordinaten der Werkzeugbahnen synchronisiert. Diese werden prozessbegleitend mittels der Steuerungsschnittstelle OPC Unified Architecture erfasst. So wird die kombinierte Untersuchung der Einflüsse der Prozessparameter, Bauteilgeometrie und Prozessstrategie ermöglicht. Darauf aufbauend werden zuerst mittels eines statistischen Versuchsplans die Sensitivitäten der beiden verwendeten Sensoren gegenüber systematischen Prozessabweichungen verglichen. Dabei wird gezeigt, dass Änderungen von Prozessparametern und der Prozessführung in CMOS-Aufnahmen sensitiver erfasst werden als mittels Pyrometrie. Um die technologischen Grenzen zur Detektion von Prozessabweichungen zu untersuchen, werden neuartige Datenanalysemethoden untersucht. Dazu werden Modelle des maschinellen Lernens zur Evaluierung der Potenziale bei deren Anwendung auf CMOS-Aufnahmen implementiert. Mithilfe eines dimensionalitätsreduzierenden Autoencoders werden die den Aufnahmen zugrundeliegenden Muster