Mit maschinellem Lernen 3D-Druckfehler schnell erkennen

Schon länger setzen Ingenieure und Wissenschaftler des Lawrence Livermore National Laboratory LLNL auf Sensoren und bildgebende Verfahren, um Physik und Prozesse im 3D-Druck zu studieren.  Sie wollen damit die Qualität der Metallbauteile verbessern, und zwar gleich im ersten Versuch.

Die Entwickler erkunden Verfahren des maschinellen Lernens, um die während des 3D-Drucks gewonnenen Daten in Echtzeit zu verarbeiten und dabei in Millisekunden herauszufinden, ob der Aufbau in zufriedenstellender Qualität erfolgt.  In einem Paper, das im Journal Advanced Materials Technologies erschienen ist, berichten die Wissenschaftler über die Entwicklung eines konvolutionellen neuronalen Netzwerks (CNN), eines in der Bild- und Videoverarbeitung recht verbreiteten Berechnungsverfahrens, mit dem sich allein auf der Basis eines kurzen 10-Millisekunden-Videos die Bauteilgüte vorhersagen lässt.

Der Vorteil sei, so Brian Giera vom LLNL, dass man Videomaterial bereits während des Drucks sammeln könne und Entscheidungen treffen können. Viele Anwender könnten die Daten zwar sammeln, aber sie wüssten nicht, was sie damit im Prozess anfangen sollen, und diese Arbeit sei ein Schritt in die Richtung.  

Die sensorische Analyse nach dem Druck sei teuer, und die Bauteilqualität werde erst lange danach ersichtlich. Bei Teilen, die Tage oder Wochen für den Druck benötigen, können sich die neuronalen Netze als wertvoll erweisen, wenn es darum gehe, den Druckprozess zu verstehen, die Bauteilqualität früher einschätzen zu können und den Aufbau in Echtzeit zu korrigieren oder anzupassen.

Die LLNL-Forscher entwickelten neuronale Netzwerke mit rund 2‘000 Videoclips von Zyklen des pulverbettbasierten Laserstrahlschmelzens (LPBF) unter variierenden Bedingungen wie Geschwindigkeit oder Leistung. Sie scannten die Oberflächen der Teile mit einem Tool, das 3D-Höhenkarten erstellte. Diese Informationen wurden genutzt, um die Algorithmen dahin gehend zu trainieren, dass sie Bereiche der Videoframes (jeder Bereich entspricht einer Konvolution) analysieren. Für Menschen wäre das zu schwierig und zu zeitraubend, merkt Giera an.

Bodi Yuan von der University of California, Berkeley und LLNL-Wissenschaftler, Hauptautor des Papers, hat den Algorithmus entwickelt, der automatisch die Höhenkarten eines jeden Aufbaus auszeichnen kann, und verwendete dasselbe Modell, um die jeweilige Schichtdicke und die Standardabweichung der Dicke vorzusagen.

Mit diesen Algorithmen ließen sich Videos während des Aufbaus aufnehmen, und man konnte feststellen, ob die Bauteile eine akzeptable Qualität erreichten. Die neuronalen Netzwerke erkannten einen stetigen Aufbau in 93 Prozent der Fälle.

Das im Paper beschriebene neuronale Netz könnte sich auch für andere 3D-Drucksystems anwenden lassen, so Giera. Es sei jedoch noch einiges zu tun, um Hohlräume in den Teilen zu erkennen, was eine Höhenkarte nicht leisten könne, wohl aber Ex-Situ-Radiographie. Darüber hinaus sollen erweitere Algorithmen sensorische Quellen mit einbeziehen.

Das Projekt wurde unterstützt vom Laboratory Directed Research and Development program. Zu den Co-Autoren des Papers gehören Gabe Guss, Aaron Wilson, Stefan Hau-Riege, Phillip DePond and Sara McMains.

Bild: Die Entwickler am LLNL erkunden Verfahren des maschinellen Lernens, um die während des 3D-Drucks gewonnenen Daten in Echtzeit zu verarbeiten und dabei in Millisekunden herauszufinden, ob der Aufbau in zufriedenstellender Qualität erfolgt. Bild: Jeannette Yusko and Ryan Chen/LLNL.

Weitere Informationen: https://onlinelibrary.wiley.com/doi/abs/10.1002/admt.201800136