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

Stel je voor dat je een enorme metalen structuur bouwt door een draad te smelten en deze laag voor laag neer te leggen, als een zeer snelle, zeer nauwkeurige 3D-printer. Dit proces, bekend als wire arc additive manufacturing, verandert de manier waarop we grote metalen onderdelen maken voor industrieën zoals de luchtvaart. Het is efficiënt en gebruikt materialen goed, maar het heeft een hardnekkig gebrek: minuscule luchtzakjes, of poriën, kunnen tijdens het afkoelen van het metaal in het materiaal gevangen raken. Deze onzichtbare gaatjes verzwakken de structuur, vergelijkbaar met een barst in een dam, en kunnen ertoe leiden dat het onderdeel later faalt. Decennialang moesten ingenieurs wachten tot een onderdeel voltooid was om op deze gebreken te controleren, vaak met behulp van zware röntgenmachines om in het binnenste te kijken. Als er een defect werd gevonden, moest het hele dure onderdeel vaak worden weggegooid. Het doel voor moderne productie is om deze problemen te detecteren terwijl het onderdeel nog wordt gemaakt, door het proces in realtime aan te passen om de gaatjes in de eerste plaats te voorkomen.

Een team van onderzoekers bij Roketsan in Turkije heeft een belangrijke stap richting dit doel gezet door een computer te leren voorspellen wanneer deze poriën zullen verschijnen. Ze richtten zich op een specifiek aluminiumlegering, Al-2319, die geprezen wordt om zijn sterkte en veel wordt gebruikt in raketten en vliegtuigen. Om het probleem te begrijpen, bouwden ze verschillende hoge muren van dit metaal met behulp van een robotarm en een gespecialiseerd lasmechanisme dat de draad en de elektrische boog met extreme precisie beweegt. Terwijl de robot werkte, registreerde het elke kleine verandering in het lasproces, zoals hoe snel de draad werd gevoed, de spanning van de elektrische boog en de temperatuur, waarbij de gegevens elke tiende van een seconde werden vastgelegd. Zodra de muren klaar waren, keken de onderzoekers niet alleen naar de buitenkant; ze scanten de volledige binnenkant van elke muur met behulp van industriële computertomografie. Dit is een krachtige vorm van 3D-röntgenbeeldvorming die een gedetailleerde kaart van elke afzonderlijke porie in het metaal maakt, waarbij precies wordt getoond waar ze zijn, hoe groot ze zijn en welke vorm ze aannemen.

De echte uitdaging was het leggen van de verbinding tussen de splitseconde-veranderingen in de lasmachine en de permanente gaatjes die in het metaal verschenen. De onderzoekers moesten twee zeer verschillende sets informatie met elkaar afstemmen: de continue stroom van lasgegevens en de statische 3D-kaart van de poriën. Ze bouwden een systeem dat de locatie van elke porie koppelde aan het exacte moment in de tijd waarop de lasparameters op die plek werden geregistreerd. Dit stelde hen in staat om te zien wat de machine deed vlak voordat een porie ontstond. Door deze gegevens te bestuderen, ontdekten ze dat de vorming van deze defecten niet willekeurig was. In plaats daarvan vertoonden specifieke patronen in het lasproces vaak een voorbode van het verschijnen van een gat. Zo ontdekten ze bijvoorbeeld dat wanneer de draadvoedsnelheid licht toenam of wanneer de spanning piekte, de kans op het ontstaan van een porie toenam. Interessant genoeg speelden de temperatuur van het metaal en de stroom van het beschermgas ook een rol, maar de meest veelzeggende tekenen waren de subtiele, snelle schommelingen in hoe de draad werd gevoed en de elektrische energie werd geleverd.

Om deze observaties om te zetten in een praktisch hulpmiddel, ontwikkelde het team een tweestaps computersysteem dat ontworpen is om te fungeren als een vangnet. De eerste fase, die ze de "sentinel" (wachtpost) noemen, is een eenvoudig maar gevoelig model dat de lasgegevens in de gaten houdt en alles signaleert dat er verdacht uitziet. De enige taak is om zoveel mogelijk potentiële problemen te vangen, zelfs als dat een paar valse alarmen oplevert. De tweede fase, de "confirmer" (bevestiger), neemt alleen die gemarkeerde momenten en onderzoekt ze nauwkeuriger met behulp van een complexer model. Dit tweede model is strenger; het probeert te verifiëren of het alarm echt is, waardoor valse meldingen worden weggefilterd. De onderzoekers testten dit systeem op nieuwe muren die de computer nog nooit eerder had gezien. Hoewel het systeem niet elk enkel defect kon vangen, identificeerde het een aanzienlijk aantal van hen succesvol en leverde het een stabiele stroom van waarschuwingen die in een echte fabrieksetting gebruikt kunnen worden. Ze ontdekten ook dat het afvlakken van de waarschuwingen over een paar seconden hielp om te voorkomen dat het systeem te snel alarmen gaf, wat een menselijke operator zou afleiden.

De studie suggereert dat door het lasproces nauwlettend in de gaten te houden en een tweestaps computercontrole te gebruiken, fabrikanten kunnen overstappen van het louter inspecteren van onderdelen nadat ze zijn gebouwd. In plaats daarvan kunnen ze potentieel de machine aanpassen terwijl deze werkt om de vorming van defecten te voorkomen. De onderzoekers merkten op dat deze aanpak steunt op gegevens die al beschikbaar zijn van standaard lasmachines, wat betekent dat er geen dure nieuwe sensoren zoals hogesnelheidscamera's of akoestische microfoons nodig zijn. Hoewel het systeem niet perfect is en nog steeds enkele defecten mist, biedt het een schaalbare en begrijpelijke manier om de kwaliteitscontrole te verbeteren. De bevindingen wijzen erop dat de sleutel tot het stoppen van deze onzichtbare gaatjes ligt in het beheren van de stabiliteit van de draadviding en de elektrische boog, wat een duidelijk pad biedt voor het maken van sterkere, betrouwbaardere metalen onderdelen in de toekomst.