Verhoogde kwaliteitszekerheid via in-situ monitoring van selectief lasersmelten

Kwaliteitszekerheid en procesbetrouwbaarheid blijven de grote uitdaging op SLM-machines. In een door Sirris gevoerde studie heeft men gebruik gemaakt van machine learning-algoritmen die men toepaste op de smeltkroeskenmerken en gegevens van lagencontrolesystemen om door monitoring zowel de smeltkroes en het lagencontrolesysteem te verbeteren.

Ondanks de grote technologische vooruitgang bij selectieve lasersmeltmachines (SLM-machines) vormen de kwaliteitszekerheid en procesbetrouwbaarheid een grote uitdaging. Om deze uitdaging te overwinnen zijn commerciële SLM-systemen uitgerust met in-situ sensormodules die op doeltreffende wijze het productieproces bewaken op verschillende niveaus zoals poederbedspreiding , bewakingssystemen voor de smeltkroes en het laservermogen. Maar het gebrek aan gegevensverwerking en het niet koppelen van bewaakte proceskenmerken zorgen ervoor dat men de volledige capaciteit van deze systemen niet kan gebruiken. Omdat de oorsprong van de tekortkoming in het uiteindelijke product niet gelinkt is aan een onafhankelijk proceskenmerk maar interafhankelijk is van andere proceskenmerken.

Om dit te illustreren nemen we aan dat er in een welbepaalde laag een slechte poederspreiding is door het verspringen van een onderdeel. Dit fenomeen zal ook het smeltkroeskenmerk sterk beïnvloeden. Bijgevolg zal men via monitoring van het onafhankelijk proceskenmerk niet in staat kunnen zijn om de uiteindelijke kwaliteit van het geprinte product te voorspellen. Daarom is het onderling linken van proceskenmerken een onvermijdelijke noodzaak van de tijd. In onze studie passen we het machine learning-algoritme toe op de smeltkroeskenmerken en gegevens van de lagencontrolesystemen om zo de procesbetrouwbaarheid en kwaliteitszekerheid te verbeteren.

Melt Pool Monitoring

De Melt Pool Monitoring (MPM; Smeltkroesbewaking) suite geïnstalleerd op in-house beschikbare, commerciële SLM280HL-machines werd gebruikt om de MPM-kenmerken vast te leggen en de gevoeligheidsanalyse van de uitgeruste apparatuur werd uitgevoerd. De enorme hoeveelheid data die vastgelegd werd tijdens het proces vormde een grote uitdaging. Om die te overwinnen lieten we het Support Vector Machine (SVM) algoritme los op de uit de MPM-dataset geëxtraheerde kenmerken. SVM werd ‘getraind’ aan de hand van de gebalanceerde dataset en getest op kunstmatig nagebootste tekortkomingen. De afbeelding hieronder toont bijvoorbeeld de plaats waar een te geringe smeltbinding aanwezig is in het product.


(a) Voorspelde lagen voor de ondermaatse smeltbinding, (b) optische micrograaf van de fout

Layer Control System

Op vergelijkbare wijze gebruikten we het lagencontrolesysteem geïnstalleerd op de SLM280HL om de poederbedspreiding te controleren. De beelden vastgelegd na elke fase van poederspreiding werden verwerkt met Convolutional Neural Network (CNN) voor het opsporen van de verschillende tekortkomingen op het vlak van poederspreiding zoals het verspringen van onderdelen, schade aan de recoater, niet-uniforme spreiding, enz. Met behulp van het CNN-algoritme demonstreren we met succes het falen van het overhangend gedeelte zoals getoond in onderstaande figuur a (falen van onderdeel na laagnummer 300). In diezelfde figuur tonen we ook de link tussen het uitspreiden van het poederbed en het MPM-proceskenmerk om de fout in het overhangend gedeelte te voorspellen.


(a) Fout bij poederbedspreiding voorspeld door CNN, (b) Fout in smeltkroes voorspeld door SVM