Verbundvorhaben: ML-S-LeAF - Entwicklung von Machine Learning-Algorithmen auf Basis virtueller Schalldaten für den Leichtbau zur Qualitätssicherung in der Additiven Fertigung

Abstract

Das Projekt "Entwicklung von Machine Learning-Algorithmen auf Basis virtueller Schalldaten für den Leichtbau zur Qualitätssicherung in der Additiven Fertigung" (ML-S-LeAF) verfolgt das Ziel, die Qualität der additiven Fertigung mittels innovativer Machine-Learning-Methoden zu verbessern. Die Grundlage des Projekts ist das Verfahren Powder Bed Fusion with a Laser Beam on Metal (PBF), das durch eine intelligente, automatisierte Geräuschüberwachung unterstützt wird. Im Zentrum steht die Entwicklung einer Künstlichen Intelligenz (KI), die in der Lage ist, systematische Abweichungen im Klangprofil während des PBF-Prozesses zu erkennen. Diese KI analysiert kontinuierlich die Schallinformationen, die sowohl Körperschall als auch Luftschall umfassen, und erfasst dadurch Unregelmäßigkeiten, die auf potenzielle Qualitätsprobleme hinweisen könnten. Das Training der KI erfolgt auf Basis realer, gemessener Schalldaten sowie ergänzend durch virtuelle, simulierte Daten. Durch den Einsatz dieser virtuellen Daten wird das Volumen der Trainingsdaten maßgeblich erhöht, was die Genauigkeit und Effizienz der Algorithmen weiter optimieren soll. Damit schafft das Projekt die Grundlage für eine digitale, KI-basierte Qualitätssicherung, die speziell für den Einsatz in der Leichtbaufertigung entwickelt wird. Der erste reale Einsatz dieses Systems ist an einem Prototyp vorgesehen, was einen wesentlichen Schritt in Richtung der vollständigen Digitalisierung der Qualitätsüberwachung in der additiven Fertigung darstellt.