KI-basierte Bewertung von Monitoring-Daten zur Qualitätssicherung im LBPF(Laser Powder Bed Fusion)-Prozess

Das Projekt KIMoniQ untersucht das additive Fertigungsverfahren PBF-LB/M (Laser Powder Bed Fusion / Laserstrahlschmelzen) durch eine umfassende Analyse von Überwachungsdaten. In-situ-Messungen, die mithilfe installierter Sensoren durchgeführt werden, erfassen die physikalischen Bedingungen innerhalb der Wirkzone des Lasers, um die Prozessstabilität und die Produktqualität während der Produktion zu überwachen. Ziel der Forschung ist die Entwicklung einer industrietauglichen, maschinenunabhängigen KI-Methodik zur Erkennung und räumlichen Lokalisierung von Poren auf der Grundlage homogenisierter Überwachungsdaten. Das Projekt befasst sich mit der beschleunigten und zuverlässigen In-situ-Qualitätsbewertung im PBF-LB/M-Verfahren. Ziel ist es, den Aufwand für nachgelagerte Inspektionen zu reduzieren, die Prozesszuverlässigkeit zu erhöhen und die Qualitätsdokumentation zu verbessern.

Die Arbeitshypothese besagt, dass hochfrequente Überwachungsdaten des Schmelzbads charakteristische Frequenzsignaturen enthalten, darunter Keyhole-Instabilitäten oberhalb von 40 kHz, die nach der Standardisierung heterogener Daten innerhalb eines einheitlichen Informationsmodells eine zuverlässige Vorhersage der räumlichen Porenverteilung ermöglichen. Diese Signaturen werden mittels der kontinuierlichen Wavelet-Transformation in Zeit-Frequenz-Darstellungen umgewandelt und durch kompakte »Convolutional Neural Network (CNN)«- oder »Vision Transformer (ViT)-Modelle« als kontinuierliche Porenwahrscheinlichkeiten ausgewertet. Bei erfolgreicher Datenhomogenisierung lässt sich das Modell auf verschiedene Maschinen, Sensoren, Materialien und Prozessparameter übertragen und ermöglicht so eine robuste, räumlich aufgelöste Qualitätsbewertung.