Fabrication forecasting of laser powder bed fusion processes with deep learning models

Zhou, Hans Aoyang; Schmitt, Robert H.; Schleifenbaum, Johannes Henrich

doi:44817

Fabrication forecasting of laser powder bed fusion processes with deep learning models = Vorhersage von Fabrikationsprozessen des Laserstrahlschmelzens mittels Deep Learning Modellen

Zhou, Hans Aoyang^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Hans Aoyang Zhou

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University. - Vorlageform des Übersetzungstitels: Vorhersage von Fabrikationsprozesse des Laserstrahlschmelzens mittels Deep Learning Modelle

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schmitt, Robert H. (Thesis advisor)^RWTH* ; Schleifenbaum, Johannes Henrich (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-07-11

Online
DOI: 10.18154/RWTH-2025-09906
URL: https://publications.rwth-aachen.de/record/1022129/files/1022129.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
deep learning (frei) ; fabrication forecasting (frei) ; image inpainting (frei) ; laser powder bed fusion (frei) ; pore localization (frei) ; quality assurance (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Additive Fertigung ist eine transformative Technologie mit dem Potenzial, das Design und die Produktion hochoptimierter Produkte zu revolutionieren. Der schichtweise Fertigungsansatz ermöglicht agile Entwicklungszyklen und ermöglicht zeitgleich nahezu unbegrenzte geometrische Komplexitäten, um den steigenden Bedarf an Individualisierung gerecht zu werden. Derzeit finden kommerziell nutzbare metallbasierte additive Fertigungsverfahren, wie das Laserstrahlschmelzen, vorwiegend in hochspezialisierten Branchen aus der Luft- und Raumfahrt oder der Biomedizin Anwendung. Ein zentrales Hindernis für eine breitere Nutzung ist die geringe Reproduzierbarkeit fehlerfreier Produkte. Fortschritte in Kommunikations- und Sensortechnologien, angetrieben durch die vierte industrielle Revolution, haben zu einem Datenüberschuss geführt, die neue Ansätze zur Verbesserung der Prozesszuverlässigkeit ermöglichen. Diese Arbeit leistet einen Beitrag zur Verwirklichung dieses Potenzials, indem sie Überwachungsdaten nutzt, um den Laserstrahlschmelzprozess zu modellieren und die Eigenschaften zukünftiger Schichten vorherzusagen. Bestehende datengetriebene Ansätze zur Vorhersage der Fertigungsergebnisse sind begrenzt, Defekte in zukünftigen Schichten zu lokalisieren. Dieses Vorhersageproblem wird in dieser Arbeit in drei Teilprobleme unterteilt und tiefe neuronale Lernmodelle zur Vorhersage von Fertigungsergebnissen genutzt. Das erste Teilproblem formuliert das Vorhersageproblem als ein Bild Inpainting Problem um. Dafür wird eine wärmesignaturspezifische Verlustfunktion eingeführt und verschiedene generative Modelle mithilfe dieser trainiert und evaluiert. Das zweite Teilproblem verfolgt die Lokalisierung von Defekten, wo Poren innerhalb der vorliegenden Überwachungsdaten identifiziert werden. Zur Abschätzung der Porenpositionen wird die Methode der Kerndichteschätzung eingesetzt. Diese ermöglicht das Trainieren von Segmentierungsmodelle, um die Beziehung zwischen Überwachungsdaten und Porenauftrittswahrscheinlichkeiten zu erlernen. Das dritte Teilproblem konzentriert sich auf die Vorhersage der Porenpositionen in zukünftigen Schichten basierend auf Überwachungsdaten vorheriger Schichten. Raum-zeitliche Vorhersagemodelle werden untersucht, um die Entwicklung der Porenauftrittswahrscheinlichkeitsverteilung über mehrere Schichten hinweg zu erfassen, wodurch die Vorhersage von Porenpositionen in nachfolgenden Schichten ermöglicht wird. Zur Bewertung der vorgeschlagenen Ansätze wurde eine Laserstrahlschmelzanlage mit einem optischen Tomographie- und Hochgenauigkeitskameraüberwachungssystem ausgestattet. Über die Anlagen wurden zwei verschiedene Geometrien unter variierenden Maschinenparameterkonfigurationen gefertigt. Die Proben wurden anschließend mit einem Computertomographen auf Poren vermessen. Überwachungsdaten und Porenpositionen wurden schichtweise abgeglichen, um einen Datensatz für die Entwicklung und Validierung der Lernmodelle zu erstellen. Die Ergebnisse zeigen, dass die vorgeschlagenen Ansätze entweder den aktuellen Stand der Technik übertreffen oder erste Ansätze für bisher übersehene Problemstellungen darstellen. Obwohl eine Echtzeitlösung zur Fertigungsvorhersage nicht erreicht werden konnte, stellen die vorgestellten Forschungsergebnisse signifikante Fortschritte in Richtung eines fehlerfreien Laserstrahlschmelzprozesses dar.

Additive manufacturing is a transformative technology with the potential to revolutionize the design and production of highly optimized products. Its layer-by-layer manufacturing approach support agile development cycles and enables nearly limitless geometric complexities, addressing the growing demand for customization. Currently, commercially viable metal-based additive manufacturing processes, such as laser powder bed fusion, are primarily restricted to niche applications in industries like aerospace and biomedicine. A key obstacle to broader adoption is the low reproducibility of defect-free products. Advancements in communication and sensor technologies, driven by the Fourth Industrial Revolution, have resulted in an abundance of data, offering new opportunities to enhance process reliability. This study contributes to realizing this potential by utilizing in-situ monitoring data to model the laser powder bed fusion fabrication process and predict the characteristics of future layers during production. Existing data-driven approaches for fabrication forecasting are limited in their ability to localize defects in future layers. In contrast, this work addresses these challenges by decomposing the fabrication forecasting problem into three subproblems and proposing deep learning models to forecast fabrication outcomes. The first subproblem reframes the fabrication forecasting challenge as an image inpainting problem. Multiple generative inpainting models are benchmarked, incorporating a heat-signature-specific loss function to improve inpainting performance. The second subproblem targets defect localization by identifying pores within in-situ monitoring data for individual layers. Kernel density estimation is employed to derive an estimate of pore positions. By aligning the in-situ monitoring data with the layerwise pore probability distribution, segmentation models are evaluated to learn the relationship between monitoring data and pore occurrence probabilities. The third subproblem focuses on forecasting pore locations in future layers using in-situ monitoring data from preceding layers. Patio-temporal predictive learning models are proposed to capture the evolution of pore probability distributions across layers, enabling the prediction of pore locations in subsequent layers. To evaluate the proposed approaches, a laser powder bed fusion machine equipped with an integrated optical tomography and high-resolution camera monitoring system was employed to manufacture two distinct geometries under varying machine parameter configurations. These specimens were subsequently scanned using a computer tomography system to identify and localize pores. Monitoring data and pore locations were layerwise aligned to build a dataset for the development and validation of the proposed deep learning models. The results demonstrate that, for each subproblem, the proposed approaches either outperform current state-of-the-art methods or provide promising initial solutions to challenges that have been previously overlooked. The results confirm that deep learning methods are effective in forecasting fabrication outcomes using in-situ monitoring data. Although an online solution to fabrication forecasting has not yet been achieved, these initial efforts represent significant progress toward the goal of realizing a consistent, defect-free manufacturing process.

OpenAccess:
PDF
(zusätzliche Dateien)