Bis zu 50 % günstiger als neu 3 Jahre rebuy Garantie Professionelles Refurbishment

Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Eignung thermografischer in-situ- Prozessbeobachtung zur Vorhersage lokaler Porosität mittels maschinellen Lernens im pulverbettbasierten Schmelzen von Metall

Simon Oster, Gerald Gerlach (Broschiert, Deutsch)

Keine Bewertungen vorhanden

Optischer Zustand

Beschreibung

Das pulverbettbasierte Schmelzen von Metall mittels Laserstrahl (PBF-LB/M) ist ein industriell verbreitetes additives Fertigungsverfahren zur Herstellung von Bauteilen mit hoher Ortsgenauigkeit unmittelbar aus einem digitalen Volumenmodell. Trotz der großen Vorteile, die das PBF-LB/M-Verfahren im Vergleich zu tradionellen, subtraktiven Verfahren (bspw. Drehen, Fräsen) in Bezug auf die Fertigung komplexer Geometrien und den ressourcenschonenden Materialeinsatz bietet, stellt das Auftreten bauteilinterner Fehlstellen eine kritische Herausforderung dar. Da insbesondere die Bildung lokaler Porosität zu einer Schwächung der mechanischen Bauteileigenschaften führen kann, ist es oftmals notwendig, Bauteile im Anschluss an die Fertigung unter hohem Zeit- und Kostenaufwand zu prüfen. Aufgrund seiner additiven Fertigungsweise ist das PBF-LB/M-Verfahren für die Überwachung mittels optischer in-situ-Sensoren prädestiniert, da sich die thermische Historie des gesamten Bauteilvolumens ermitteln lässt. In diesem Kontext weisen thermografische Kameras im kurzwelligen Infrarotbereich (SWIR) ein großes Potenzial auf, da sie einen weiten Temperaturbereich abdecken und hohe Bildraten realisieren können. Bisher wurde dieser Kameratyp jedoch im Kontext der Fehlstellenerkennung nur wenig untersucht. Weiterhin werden in aktuellen Forschungsarbeiten zunehmend Methoden des maschinellen Lernens für die Analyse komplexer thermografischer Daten genutzt, die sich im Feld der Bilderkennung als vielversprechend erwiesen haben. Nach Kenntnis des Autors konnte bisher jedoch kein ausreichender Nachweis für die Vorhersage lokaler Porosität durch den Einsatz dieser Methoden in Kombination mit optischen Sensoren erbracht werden. Der Beitrag der vorliegenden Dissertation besteht in der Untersuchung der Eignung thermografischer SWIR-Kameras für die Vorhersage lokaler, bauteilinterner Porosität anhand von Methoden des maschinellen Lernens. Dazu wurde ein neuartiges Vorgehen entwickelt, welches die Extraktion physikalisch interpretierbarer Merkmale aus den Rohdaten, eine Strategie zur Datenregistrierung, die Vorbereitung von Modellierungsproben unter Berücksichtigung der Fehlstellenbildung und die Entwicklung eines der Datenstruktur angepassten Modells umfasst. Das Vorgehen wurde an einem ersten Bauteil mit forcierter Porosität erprobt. In einem zweiten Schritt wurde das Vorgehen auf einen weiteren Datensatz mit komplexerer Porositätsverteilung angewendet, wobei die notwendige Modellkapazität und die Merkmalssignifikanz untersucht wurden. Weiterhin wurde ein neuartiger Ansatz zur rohdatengetriebenen Modellierung entwickelt und mit klassischen Algorithmen des Maschinellen und Tiefen Lernens verglichen. Die Ergebnisse zeigen, dass die erzeugten Modelle sensitiv für lokale Porositätsunterschiede innerhalb von Bauteilbereichen mit forcierter Porositätsbildung sind und Änderungen der mittleren Schichtporosität mit hoher Genauigkeit vorhersagen können. Weiterhin wurde auch zufällig entstandene Porosität mit hoher örtlicher Genauigkeit identifiziert, was das Potenzial der Kombination aus SWIR-Kamera und gewählter Modellierung eindrucksvoll demonstriert. Fortführend wurden anhand der ermittelten Merkmalssignifikanz Empfehlungen für die weitere Entwicklung von SWIR-basierten Prozessüberwachungssystemen gegeben. Damit leistet diese Arbeit einen wichtigen Beitrag für eine prozessbegleitende Qualitätssicherung auf Basis von thermografischer in-situ-Sensorik. Weniger zeigen

Dieses Produkt haben wir gerade leider nicht auf Lager.

ab 21,79 €

Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Produktinformationen

Technische Daten

Erscheinungsdatum

24.11.2025

Sprache

Deutsch

EAN

9783959088299

Herausgeber

TUDpress

Serien- oder Bandtitel

Dresdner Beiträge zur Sensorik

Sonderedition

Nein

Autor

Simon Oster, Gerald Gerlach

Seitenanzahl

188

Einbandart

Broschiert

Bandzählung

Schlagwörter

Thermografie, Maschinelles Lernen, Metall, Sensorik, Algorithmus, Messung, Methodik, Temperatur, Wärme, Elektrotechnik

Thema-Inhalt

PSAN4 - Sensorik und Motorik THR - Elektrotechnik UYQM - Maschinelles Lernen TGMB - Technische Thermodynamik PHH - Thermodynamik und Wärme TTBL - Lasertechnik und Holographie UNC - Datenerfassung und -analyse UTFB - Datensicherung und Datenrettung TDPM - Metallverarbeitung, Metallurgie (Hüttenwesen)

Höhe

225 mm

Breite

15.8 cm

Warnhinweise und Sicherheitsinformationen

Informationen nach EU Data Act

Bewertungen

-.-

Leider noch keine Bewertungen

Sicher bei rebuy kaufen

Sehr Gut, 4.52/5.00

Aus 200.000+ Bewertungen

Schreib die erste Bewertung für dieses Produkt!

Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!