Zusammenfassung
Das selektive Laserstrahlschmelzen (LBM) steht aktuell an der Schwelle zum Einsatz für Kleinserien. Ein wesentlicher Nachteil des Verfahrens ist aktuell noch die geringe Reproduzierbarkeit der Prozessqualität. Einige aktuelle Forschungsarbeiten konzentrieren sich deshalb auf die Integration optischer Messtechnik zur Prozessüberwachung. Neben den optischen Verfahren zeigen erste Untersuchungen, dass auch akustische Sensoren zur Prozessüberwachung ein vielversprechender Ansatz sind. Eine große Herausforderung bei den akustischen Daten stellt die Datenverarbeitung dar, da das akustische Rohsignal nur schwer zu interpretieren ist. In dieser Arbeit wird ein neues Konzept für ein akustisches Prozessüberwachungssystem vorgestellt und in eine Versuchsumgebung integriert.
Zum Aufzeichnen akustischer Signale werden in einem Design of Experiments Prozessparameter gezielt variiert und Testkörper verschiedener Bauteilqualität aufgebaut. Für einen ersten Nachweis der Eignung des Messsystems zur Überwachung des Prozesses wird ein künstliches neuronales Netz trainiert, um die verwendeten Prozessparameter (drei Laserleistungen) zu bewerten. Damit kann gezeigt werden, dass diese Messtechnik das Potential hat, den Prozess zu überwachen.
Abstract
Selective laser beam melting (LBM) is currently on the verge of being used for small series production. A major disadvantage of the process is currently the low reproducibility of the process quality. Some current research work therefore concentrates on the integration of optical measurement technology for process monitoring. In addition to optical methods, initial investigations show that acoustic sensors for process monitoring are also a promising approach. Data processing poses a great challenge for acoustic data, as the raw acoustic signal is difficult to interpret. In this paper a new concept for an acoustic process monitoring is presented and integrated into a test environment.
In order to record acoustic signals, process parameters are varied in a Design of Experiments and test objects of different quality are built up. An artificial neural network is trained to evaluate the used process parameters (three laser powers) for a first proof of the concept of the measuring system for the monitoring of the process. This work shows that this measuring technique has the potential to monitor the process.
Funding source: Bundesministerium für Bildung und Forschung
Award Identifier / Grant number: 02P15B017/02P15B015
Funding statement: Das Forschungsprojekt „KitkAdd – Kombination und Integration etablierter Technologien mit additiven Fertigungsverfahren in einer Prozesskette“ wird vom Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Programms „Innovation für die Produktion, Dienstleistung und Arbeit von morgen“ (02P15B017/02P15B015) gefördert und vom Projektträger Karlsruhe (PTKA) unterstützt.
About the authors
2010–2016 Studium des Maschinenbaus an der Universität Darmstadt. Seit 2016 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT).
2012–2018 Studium des Maschinenbaus (M.Sc.) am Karlsruher Institut für Technologie (KIT). Seit 2018 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT).
2006–2011 Studium des Wirtschaftsingenieurwesens (Dipl.-Wi.-Ing.) am Karlsruher Institut für Technologie (KIT) und Studium des Maschinenbaus (M.Sc.) am Georgia Institute of Technology in Atlanta, Georgia in den USA. 2012–2015 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT). Seit 2016 Oberingenieur Globale Produktionsstrategien und Qualitätssicherung am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT). Seit 2017 Promotion (Dr.-Ing.) an der Fakultät Maschinenbau des Karlsruher Instituts für Technologie (KIT).
1993–1999 Studium des Wirtschaftsingenieurwesens, Fachrichtung Unternehmensplanung an der Universität Karlsruhe (TH). 2000–2003 Wissenschaftliche Mitarbeiterin am Institut für Produktionstechnik (wbk) in der Arbeitsgruppe Produktionsinformatik und Qualitätsmanagement der Universität Karlsruhe (TH). 2003–2008 Leiterin des Bereichs Produktionssysteme am Institut für Produktionstechnik (wbk), Universität Karlsruhe (TH). 2008–2012 Inhaberin der ersten Shared Professorship ”Global Production Engineering and Quality”des Karlsruher Instituts für Technologie (KIT) in Kooperation mit der Daimler AG (Strategieabteilung). Seit 2012 Inhaberin des Lehrstuhls für Produktionssysteme und Qualitätsmanagement des Karlsruher Instituts für Technologie (KIT) und Institutsleiterin am Institut für Produktionstechnik.
Danksagung
Für den Inhalt dieser Publikation sind die Autoren verantwortlich. Unser Dank gilt dem BMBF für die Förderung dieses Forschungsprojektes und allen Teilnehmern von „KitkAdd“ für die Zusammenarbeit und Unterstützung.
Literatur
1. Bastuck, M. (2016) In-Situ-Überwachung von Laserschweißprozessen mittels höherfrequenter Schallemissionen. Dissertation. Saarländische Universitäts- und Landesbibliothek, Saarbrücken. Online verfügbar unter http://scidok.sulb.uni-saarland.de/volltexte/2016/6589.Search in Google Scholar
2. Berumen, S.; Bechmann, F.; Lindner, S.; Kruth, J.-P.; Craeghs, T. (2010): Quality control of laser- and powder bed-based Additive Manufacturing (AM) technologies. In: Physics Procedia 5, S. 617–622. DOI: 10.1016/j.phpro.2010.08.089.Search in Google Scholar
3. Cherry, J. A.; Davies, H. M.; Mehmood, S.; Lavery, N. P.; Brown, S. G. R.; Sienz, J. (2015): Investigation into the effect of process parameters on microstructural and physical properties of 316L stainless steel parts by selective laser melting. In: Int J Adv Manuf Technol 76 (5-8), S. 869–879. DOI: 10.1007/s00170-014-6297-2.Search in Google Scholar
4. Clijsters, S.; Craeghs, T.; Buls, S.; Kempen, K.; Kruth, J.-P. (2014): In situ quality control of the selective laser melting process using a high-speed, real-time melt pool monitoring system. In: The International Journal of Advanced Manufacturing Technology 75 (5), S. 1089–1101. DOI: 10.1007/s00170-014-6214-8.Search in Google Scholar
5. Doubenskaia, M.; Pavlov, M.; Chivel, Y. (2010): Optical System for On-Line Monitoring and Temperature Control in Selective Laser Melting Technology. In: KEM 437, S. 458–461. DOI: 10.4028/www.scientific.net/KEM.437.458.Search in Google Scholar
6. Eschner, N.; Lingenhöhl, J.; Öppling, S.; Lanza, G. (2017): Prozessüberwachung beim Laser-Strahlschmelzen mit akustischen Signalen. In: wt-online (11/12), S. 818–823.10.37544/1436-4980-2017-11-12-42Search in Google Scholar
7. Everton, S. K.; Hirsch, M.; Stravroulakis, P.; Leach, R. K.; Clare, A. T. (2016): Review of in-situ process monitoring and in-situ metrology for metal additive manufacturing. In: Materials & Design 95, S. 431–445. DOI: 10.1016/j.matdes.2016.01.099.Search in Google Scholar
8. Furumoto, T.; Ueda, T.; Alkahari, M. R.; Hosokawa, A. (2013): Investigation of laser consolidation process for metal powder by two-color pyrometer and high-speed video camera. In: CIRP Annals 62 (1), S. 223–226. DOI: 10.1016/j.cirp.2013.03.032.Search in Google Scholar
9. García-Martín, J.; Gómez-Gil, J.; Vázquez-Sánchez, E. (2011): Non-destructive techniques based on eddy current testing. In: Sensors (Basel, Switzerland) 11 (3), S. 2525–2565. DOI: 10.3390/s110302525.Search in Google Scholar PubMed PubMed Central
10. Gebhardt, Andreas (2016): Additive Fertigungsverfahren. Additive Manufacturing und 3D-Drucken für Prototyping – Tooling – Produktion. 5., neu bearbeitete und erweiterte Auflage. München: Hanser.10.3139/9783446445390Search in Google Scholar
11. Gong, H.; Rafi, K.; Gu, H.; Starr, T.; Stucker, B. (2014): Analysis of defect generation in Ti–6Al–4V parts made using powder bed fusion additive manufacturing processes. Additive Manufacturing 1–4, S. 87–98. DOI: 10.1016/j.addma.2014.08.002.Search in Google Scholar
12. Grasso, M.; Colosimo, B. M. (2017): Process defects and in situ monitoring methods in metal powder bed fusion: a review. In: Measurement Science and Technology 28 (4), S. 44005.10.1088/1361-6501/aa5c4fSearch in Google Scholar
13. Haeckel, F. (2017): Technologische Herausforderungen für die automobile Serienfertigung im Laserstrahlschmelzen. In: Michael Kynast, Michael Eichmann und Gerd Witt (Hg.): Rapid. Tech – International Trade Show et Conference for Additive Manufacturing. Proceedings of the 14th Rapid.Tech Conference Erfurt, Germany, 20–22 June 2017. München: Hanser, S. 433–446.10.3139/9783446454606.031Search in Google Scholar
14. Hinton, G. E.; Salakhutdinov, R. R. (2006): Reducing the Dimensionality of Data with Neural Networks. In: Science 313 (5786), S. 504–507. DOI: 10.1126/science.1127647.Search in Google Scholar PubMed
15. Islam, M.; Purtonen, T.; Piili, H.; Salminen, A.; Nyrhilä, O. (2013): Temperature Profile and Imaging Analysis of Laser Additive Manufacturing of Stainless Steel. In: Physics Procedia 41, S. 835–842. DOI: 10.1016/j.phpro.2013.03.156.Search in Google Scholar
16. Kanko, J. A.; Sibley, A. P.; Fraser, J. M. (2016): In situ morphology-based defect detection of selective laser melting through inline coherent imaging. In: Journal of Materials Processing Technology 231, S. 488–500. DOI: 10.1016/j.jmatprotec.2015.12.024.Search in Google Scholar
17. Khairallah, S. A.; Anderson, A. T.; Rubenchik, A.; King, W. E. (2016): Laser powder-bed fusion additive manufacturing: Physics of complex melt flow and formation mechanisms of pores, spatter, and denudation zones. In: Acta Materialia 108, S. 36–45. DOI: 10.1016/j.actamat.2016.02.014.Search in Google Scholar
18. Kief, Hans B.; Roschiwal, Helmut A.; Schwarz, Karsten (2015): CNC-Handbuch 2015/2016. CNC, DNC, CAD, CAM, FFS, SPS, RPD, LAN, CNC-Maschinen, CNC-Roboter, Antriebe, Energieeffizienz, Werkzeuge, Industrie 4.0, Fertigungstechnik, Richtlinien, Normen, Simulation, Fachwortverzeichnis. 1. Aufl. München: Hanser.10.3139/9783446443563Search in Google Scholar
19. Kiefel, D.; Scius-Bertrand, M.; Stößel, R. (2018): Computed Tomography of Additive Manufactured Components in Aeronautic Industry. In: 8th Conference on Industrial Computed Tomography 2018.Search in Google Scholar
20. Krauss, H. (2016): Qualitätssicherung beim Laserstrahlschmelzen durch schichtweise thermografische In-Process-Überwachung. Dissertation. Herbert Utz Verlag GmbH.Search in Google Scholar
21. Krauss, H.; Eschey, C.; Zaeh, M. F. (2012): Thermography for monitoring the selective laser melting process. In: Proceedings of the Solid Freeform Fabrication Symposium 2012, S. 999–1014.Search in Google Scholar
22. Lanza, G.; Kopf, R.; Zaiß, M.; Stricker, N.; Eschner, N.; Jacob, A. et al.(2017): Laser-Strahlschmelzen – Technologie mit Zukunftspotenzial. Ein Handlungsleitfaden. Erste Ausgabe; Stand: Juni 2017. Karlsruhe: KIT – Karlsruhe Institut für Technologie, wbk Institut für Produktionstechnik.Search in Google Scholar
23. Le Roux, N.; Bengio, Y. (2008): Representational power of restricted boltzmann machines and deep belief networks. In: Neural computation 20 (6), S. 1631–1649. DOI: 10.1162/neco.2008.04-07-510.Search in Google Scholar PubMed
24. Leuders, S.; Thöne, M.; Riemer, A.; Niendorf, T.; Tröster, T.; Richard, H. A.; Maier, H. J. (2013): On the mechanical behaviour of titanium alloy TiAl6V4 manufactured by selective laser melting: Fatigue resistance and crack growth performance. In: International Journal of Fatigue 48, S. 300–307. DOI: 10.1016/j.ijfatigue.2012.11.011.Search in Google Scholar
25. Ly, S.; Rubenchik, A. M.; Khairallah, S. A.; Guss, G.; Matthews, M. J. (2017): Metal vapor micro-jet controls material redistribution in laser powder bed fusion additive manufacturing. In: Sci Rep 7 (1), S. 127. DOI: 10.1038/s41598-017-04237-z.Search in Google Scholar PubMed PubMed Central
26. Neef, A.; Seyda, V.; Herzog, D.; Emmelmann, C.; Schönleber, M.; Kogel-Hollacher, M. (2014): Low Coherence Interferometry in Selective Laser Melting. In: Physics Procedia 56, S. 82–89. DOI: 10.1016/j.phpro.2014.08.100.Search in Google Scholar
27. Purtonen, T.; Kalliosaari, A.; Salminen, A. (2014): Monitoring and Adaptive Control of Laser Processes. In: Physics Procedia 56, S. 1218–1231. DOI: 10.1016/j.phpro.2014.08.038.Search in Google Scholar
28. Rehse, C.; Schmicker, D.; Maaß, A.; Bähr, R. (2013): Ein Bewertungskonzept für computertomographisch ermittelte Porositäten in Gussteilen hinsichtlich ihrer Auswirkung auf die lokale Beanspruchbarkeit des Bauteils. In: Giesserei-Rundschau 60, S. 106–110.Search in Google Scholar
29. Reschetnik, W. (2017): Lebensdauerorientierte Eigenschaftsänderungen von additiv gefertigten Bauteilen und Strukturen. Dissertation. Universität Paderborn, Paderborn.Search in Google Scholar
30. Rieder, H.; Spies, M.; Bamberg, J.; Henkel, B. (2016): On- and offline ultrasonic characterization of components built by SLM additive manufacturing. In: 442nd Annual Review of Progress in Quantitative Nondestructive Evaluation: Incorporating the 6th European-American Workshop on Reliability of NDE. Minneapolis, Minnesota, 26–31 July 2015: AIP Publishing LLC (AIP Conference Proceedings), S. 130002.10.1063/1.4940605Search in Google Scholar
31. Shedlock, D.; Edwards, T.; Toh, C. (2011): X-ray backscatter imaging for aerospace applications. In: AIP Conference Proceedings, Bd. 1335. 1. Aufl.: AIP, S. 509–516.10.1063/1.3591894Search in Google Scholar
32. Smith, R. J.; Hirsch, M.; Patel, R.; Li, W.; Clare, A. T.; Sharples, S. D. (2016): Spatially resolved acoustic spectroscopy for selective laser melting. In: Journal of Materials Processing Technology 236, S. 93–102. DOI: 10.1016/j.jmatprotec.2016.05.005.Search in Google Scholar
33. Spears, T. G.; Gold, S. A. (2016): In-process sensing in selective laser melting (SLM) additive manufacturing. In: Integr Mater Manuf Innov 5 (1), S. 683. DOI: 10.1186/s40192-016-0045-4.Search in Google Scholar
34. Thijs, L.; Verhaeghe, F.; Craeghs, T.; van Humbeeck, J.; Kruth, J.-P. (2010): A study of the microstructural evolution during selective laser melting of Ti–6Al–4V. In: Acta Materialia 58 (9), S. 3303–3312. DOI: 10.1016/j.actamat.2010.02.004.Search in Google Scholar
35. Toeppel, T.; Schumann, P.; Ebert, M.-C.; Bokkes, T.; Funke, K.; Werner, M. et al.(2016): 3D analysis in laser beam melting based on real-time process monitoring. In: Mater Sci Technol Conf.Search in Google Scholar
36. van Elsen, M. (2007) Complexity of Selective Laser Melting: a new optimisation approach. Dissertation. KU Leuven. Leuven. Faculteit Ingenieurswetenschappen.Search in Google Scholar
37. Wasmer, K.; Kenel, C.; Leinenbach, C.; Shevchik, S. A. (2017): Acoustic emission for in situ quality monitoring in additive manufacturing using spectral convolutional neural networks. In: Additive Manufacturing (21), S. 598–604.10.1016/j.addma.2017.11.012Search in Google Scholar
38. Yadollahi, A.; Shamsaei, N. (2017): Additive manufacturing of fatigue resistant materials. Challenges and opportunities. In: International Journal of Fatigue 98, S. 14–31. DOI: 10.1016/j.ijfatigue.2017.01.001.Search in Google Scholar
39. Ye, D.; Hong, G. S.; Zhang, Y.; Zhu, K.; Fuh, J. Y. H. (2018): Defect detection in selective laser melting technology by acoustic signals with deep belief networks. In: Int J Adv Manuf Technol 96 (5–8), S. 2791–2801. DOI: 10.1007/s00170-018-1728-0.Search in Google Scholar
40. Zenzinger, G.; Bamberg, J.; Henkel, B.; Hess, T.; Ladewig, A. (2014): Online-Prozesskontrolle bei der additiven Fertigung mittels Laserstrahlschmelzen. In: DGZfP Zeitung (140), S. 51–54.Search in Google Scholar
41. Zur Jacobsmühlen, J.; Kleszczynski, S.; Witt, G.; Merhof, D. (2015): Elevated region area measurement for quantitative analysis of laser beam melting process stability. In: 26th International Solid Freeform Fabrication Symposium; Austin, TX, S. 549–559.Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
