Porosity Prediction in Aluminum Wire Arc Additive Manufacturing Using Two-Stage Machine Learning Cascade and Computed Tomography

Stellen Sie sich vor, Sie bauen eine massive Metallstruktur, indem Sie einen Draht schmelzen und ihn Schicht für Schicht ablegen, wie ein sehr schneller, sehr präziser 3D-Drucker. Dieser Prozess, bekannt als Drahtlichtbogen-Additive-Fertigung (Wire Arc Additive Manufacturing), verändert die Art und Weise, wie wir große Metallteile für Industrien wie die Luft- und Raumfahrt herstellen. Er ist effizient und nutzt Materialien gut, hat aber einen hartnäckigen Makel: winzige Lufteinschlüsse oder Poren können beim Abkühlen im Metall eingeschlossen werden. Diese unsichtbaren Löcher schwächen die Struktur, ähnlich wie ein Riss in einem Damm, und können dazu führen, dass das Teil später versagt. Jahrzehntelang mussten Ingenieure warten, bis ein Teil fertiggestellt war, um diese Fehler zu überprüfen, oft unter Einsatz schwerer Röntgengeräte, um in das Innere zu blicken. Wenn ein Defekt gefunden wurde, musste das gesamte teure Teil oft verschrottet werden. Das Ziel der modernen Fertigung ist es, diese Probleme zu erkennen, während das Teil noch hergestellt wird, um den Prozess in Echtzeit anzupassen und so die Löcher von vornherein zu verhindern.

Ein Forschungsteam bei Roketsan in der Türkei hat einen bedeutenden Schritt in Richtung dieses Ziels unternommen, indem es einem Computer beigebracht hat, vorherzusagen, wann diese Poren auftreten werden. Sie konzentrierten sich auf eine spezifische Aluminiumlegierung, Al-2319, die wegen ihrer Festigkeit geschätzt wird und häufig in Raketen und Flugzeugen verwendet wird. Um das Problem zu verstehen, bauten sie mehrere hohe Wände aus diesem Metall mit einem Roboterarm und einem spezialisierten Schweißsystem auf, das den Draht und den Lichtbogen mit extremer Präzision bewegt. Während der Roboter arbeitete, zeichnete er jede winzige Veränderung des Schweißprozesses auf, wie etwa die Geschwindigkeit, mit der der Draht zugeführt wurde, die Spannung des Lichtbogens und die Temperatur, wobei die Daten alle Zehntelsekunden erfasst wurden. Sobald die Wände fertig waren, betrachteten die Forscher nicht nur die Außenseite; sie scannten das gesamte Innere jeder Wand mittels industrieller Computertomographie. Dies ist eine leistungsstarke Form der 3D-Röntgenbildgebung, die eine detaillierte Karte jeder einzelnen Pore im Inneren des Metalls erstellt und zeigt, wo sie sich befinden, wie groß sie sind und welche Form sie annehmen.

Die eigentliche Herausforderung bestand darin, die Verbindung zwischen den Sekundenbruchteilen der Änderungen in der Schweißmaschine und den permanenten Löchern herzustellen, die im Inneren des Metalls entstanden sind. Die Forscher mussten zwei sehr unterschiedliche Datensätze miteinander in Einklang bringen: den kontinuierlichen Strom der Schweißdaten und die statische 3D-Karte der Poren. Sie entwickelten ein System, das den Ort jeder Pore exakt mit dem genauen Zeitpunkt der Aufzeichnung der Schweißparameter an dieser Stelle abglich. Dies ermöglichte es ihnen zu sehen, was die Maschine tat, kurz bevor eine Pore entstand. Durch die Untersuchung dieser Daten entdeckten sie, dass die Entstehung dieser Defekte nicht zufällig war. Stattdessen gingen spezifische Muster im Schweißprozess der Entstehung eines Lochs voraus. Beispielsweise fanden sie heraus, dass die Wahrscheinlichkeit der Bildung einer Pore stieg, wenn die Drahtvorschubgeschwindigkeit leicht zunahm oder die Spannung einen Sprung machte. Interessanterweise spielten auch die Temperatur des Metalls und der Fluss des Schutzgases eine Rolle, aber die aussagekräftigsten Anzeichen waren die subtilen, schnellen Schwankungen in der Art und Weise, wie der Draht zugeführt wurde und die elektrische Leistung abgegeben wurde.

Um diese Beobachtungen in ein praktisches Werkzeug zu verwandeln, entwickelte das Team ein zweistufiges Computersystem, das wie ein Sicherheitsnetz fungieren soll. Die erste Stufe, die sie „Sentinel“ nennen, ist ein einfaches, aber sensibles Modell, das die Schweißdaten überwacht und alles markiert, was verdächtig aussieht. Seine einzige Aufgabe ist es, so viele potenzielle Probleme wie möglich zu erfassen, selbst wenn dies einige Fehlalarme auslöst. Die zweite Stufe, der „Confirmer“, nimmt nur diese markierten Momente und untersucht sie unter Verwendung eines komplexeren Modells genauer. Dieses zweite Modell ist strenger; es versucht zu verifizieren, ob der Alarm echt ist, und filtert die falsch-positiven Ergebnisse heraus. Die Forscher testeten dieses System an neuen Wänden, die der Computer zuvor noch nie gesehen hatte. Obwohl das System nicht jeden einzelnen Defekt erfassen konnte, identifizierte es erfolgreich eine signifikante Anzahl von ihnen und lieferte einen stabilen Strom von Warnungen, die in einer realen Fabrikumgebung genutzt werden könnten. Sie fanden auch heraus, dass das Glätten der Warnungen über einige Sekunden half, zu verhindern, dass das System zu schnell Alarme auslöste, was für einen menschlichen Bedienerer ablenkend wirken würde.

Die Studie legt nahe, dass Hersteller durch die genaue Überwachung des Schweißprozesses und die Verwendung dieser zweistufigen Computerprüfung von der bloßen Inspektion der Teile nach deren Bau wegkommen können. Stattdessen können sie potenziell die Maschine während des Betriebs anpassen, um Defekte zu verhindern, bevor sie entstehen. Die Forscher merkten an, dass dieser Ansatz auf Daten basiert, die bereits von Standard-Schweißmaschinen verfügbar sind, was bedeutet, dass keine teuren neuen Sensoren wie Hochgeschwindigkeitskameras oder Akustikmikrofone erforderlich sind. Obwohl das System nicht perfekt ist und immer noch einige Defekte übersieht, bietet es eine skalierbare und verständliche Möglichkeit, die Qualitätskontrolle zu verbessern. Die Ergebnisse deuten darauf hin, dass der Schlüssel zur Vermeidung dieser unsichtbaren Löcher im Management der Stabilität des Drahtvorschubs und des Lichtbogens liegt, was einen klaren Weg für die Herstellung stärkerer, zuverlässigerer Metallteile in der Zukunft ebnet.