Key points are not available for this paper at this time.
Die additive Fertigung (AM) gilt als Revolution in der Fertigung. Allerdings stehen die hohen Erwartungen technischen Schwierigkeiten gegenüber, die eine weitere Durchdringung breiterer Branchen verhindern. Der Hauptgrund ist das Fehlen von Prozessreproduzierbarkeit und der Mangel an einer zuverlässigen und kosteneffizienten Prozessüberwachung. Dieses Papier ist eine Ergänzung zu bestehenden Studien auf diesem Gebiet und schlägt eine einzigartige Kombination aus hochsensiblen akustischen Sensoren und maschinellem Lernen für die Prozessüberwachung vor. Die akustischen Signale aus einem realen Pulverbett-Schmelz-AM-Prozess wurden mit einem Faser-Bragg-Gitter erfasst. Die Prozessparameter werden absichtlich angepasst, um drei Qualitätskategorien zu erreichen, die mit den Porositätsinhalten im Werkstück in Beziehung stehen. Die Qualitätskategorien werden als hoch, mittel und schlecht definiert, wobei die entsprechenden Porositätsinhalte 0,07 %, 0,30 % und 1,42 % betragen. Wavelet-Spektrogramme der Signale und ihre kodierten Label-Darstellungen, die aus der spektralen Clusterung erhalten wurden, dienen als Merkmale. Ein tiefes konvolutionales neuronales Netzwerk wird verwendet, um die Merkmale aus jeder Kategorie zu klassifizieren, und die Klassifikationsgenauigkeit liegt zwischen 78 % und 91 %. Daher hat die vorgeschlagene Methode bedeutende industrielle Potenziale für die In-Situ- und Echtzeitqualitätsüberwachung von AM-Prozessen, da sie minimale Modifikationen an kommerziell verfügbaren Industrieanlagen erfordert.
Shevchik et al. (Sun,) haben diese Frage untersucht.