Durchbruch in der Defekterkennung: Universitäten und Argonne National Laboratory optimieren die Laser-Pulverbett-Schmelztechnik

Universitäten kooperieren mit dem Argonne National Laboratory zur Verbesserung der Laser-Pulverbettfusion

In einer bahnbrechenden Zusammenarbeit haben Ingenieure von Northwestern University, der University of Virginia, Carnegie Mellon und dem Argonne National Laboratory wesentliche Fortschritte in der Defekterkennung bei der Laser-Pulverbettfusion (LPBF) erzielt. Diese innovative Forschung könnte die Zukunft der metallischen additiven Fertigung maßgeblich beeinflussen.

Präzise Defekterkennung in der additiven Fertigung

Mit Hilfe von allgemein verfügbaren Sensoren und modernen Machine-Learning-Techniken hat das Team eine beeindruckende Genauigkeit von über 90 % bei der Erkennung von Schlüsselporen (keyhole pores) erreicht. Diese mikroskopisch kleinen Defekte entstehen durch eingeschlossene Gase im Schmelzbad und können die Lebensdauer von metallischen AM-Teilen erheblich reduzieren. Die temporale Auflösung von 0,1 Millisekunden ermöglicht eine nahezu Echtzeitüberwachung des Fertigungsprozesses.

Die Herausforderung bei der LPBF-Technologie liegt in der Geschwindigkeit und Komplexität des Verfahrens, was eine präzise und zeitnahe Erkennung dieser Defekte bislang erschwerte. Doch die neue Methode zeigt vielversprechende Ansätze, um echte geschlossene Regelungssysteme für LPBF-Maschinen zu entwickeln sowie die Qualifikations- und Zertifizierungsprozesse für gedruckte Teile zu beschleunigen und zuverlässiger zu gestalten.

Bild: Zhongshu Ren, Jiayun Shao, Tao Sun von der Northwestern University.

Innovative Technologien zur Überwachung des LPBF-Prozesses

Das Forschungsteam nutzte eine Kombination aus Mikrofonen und Photodioden, um den LPBF-Prozess zu überwachen. Mit Hilfe von Machine Learning wurden die Bedingungen identifiziert, unter denen Schlüsselporen entstehen. Der Schlüssel zu diesem Ansatz liegt in der Messung der Oszillationen des Schlüsselhohlraums – einer Dampfvertiefung, die während des Druckprozesses im Schmelzbad entsteht.

Durch hochauflösende Synchrotron-Röntgenbildgebung wurde ein präzises "Ground Truth" etabliert, um ein Machine-Learning-Modell zu trainieren, das die Entstehung von Poren erkennt. Angesichts der relativen Kosteneffizienz und der weitverbreiteten Verfügbarkeit der eingesetzten Technologie hat diese Forschung das Potenzial, die additive Fertigung nachhaltig zu revolutionieren.

Ausblick auf künftige Entwicklungen

Für die Zukunft planen die Forscher, die Genauigkeit der Methode weiter zu verbessern, indem sie zusätzliche Sensoren integrieren. Während in dieser Studie bereits hohe Genauigkeiten bei Einzelspur-Laserschmelzexperimenten erreicht wurden, liegt eine der nächsten Herausforderungen darin, diesen Ansatz auf gesamte additiv gefertigte Teile zu erweitern. Dazu gehört auch die Analyse der Porenbewegungen im Schmelzbad sowie die Bewertung der Porenentfernung während wiederholter Schmelzzyklen.

Die Ergebnisse dieser wichtigen Forschung wurden im Fachjournal Materials Futures veröffentlicht und bieten eine spannende Perspektive für die nächsten Schritte in der metallischen additiven Fertigung.

Fazit

Die Kooperation zwischen führenden Universitäten und dem Argonne National Laboratory könnte wegweisend für die zukünftige Effizienz und Qualität der additiven Fertigung sein. Mit verbesserten Defekterkennungstechnologien wird es möglich, die Leistungsfähigkeit und Lebensdauer additiv gefertigter Bauteile entscheidend zu erhöhen. Dies öffnet neue Türen für innovative Anwendungen in verschiedenen Industriezweigen.

Bleiben Sie dran, um mehr über die Entwicklungen in diesem dynamischen Feld der Technologie zu erfahren!