The thesis tackles the challenge of reliably detecting defects in additive manufacturing, a bottleneck in its industrialization. The solution proposed in this thesis uses machine learning, specifically convolutional neural networks (CNNs), to correlate online monitoring data with post-process computed tomography data. By correlating both data sets, the impact of monitored anomalies on the finished sample is evaluated. Specifically, the CNNs are trained to detect defects based on the meltpool radiation measured during the printing process. The approach shows great potential for detecting pores in laser powder bed fusion parts and is adaptable to other sensor setups and defect types.     «

The thesis tackles the challenge of reliably detecting defects in additive manufacturing, a bottleneck in its industrialization. The solution proposed in this thesis uses machine learning, specifically convolutional neural networks (CNNs), to correlate online monitoring data with post-process computed tomography data. By correlating both data sets, the impact of monitored anomalies on the finished sample is evaluated. Specifically, the CNNs are trained to detect defects based on the meltpool rad...     »

Im Rahmen der vorgestellten Arbeit wird eine der aktuellen Herausforderungen der Industrialisierung der additiven Fertigung bearbeitet, die zuverlässige Detektion von Fehlern während des Druckprozesses. Der vorgeschlagene Lösungsansatz korreliert Prozessüberwachungsdaten und post-prozess Computertomographiedaten mit Hilfe von Machine Learning im speziellen Convolutional Neural Networks (CNNs). Diese Korrelation erlaubt die Analyse des Einflusses von aufgezeichneten Prozessanomalien auf das endgültige Bauteil. Konkret werden CNNs trainiert Defekte im Bauteil auf Grundlage der Schmelzbadstrahlung während des Druckprozesses zu detektieren. Der Ansatz zeigt großes Potential für die Erkennung von Poren in pulverbettbasiertem Laserstrahlschmelzen und ist auf andere Sensoriken und Defekttypen übertragbar.     «

Im Rahmen der vorgestellten Arbeit wird eine der aktuellen Herausforderungen der Industrialisierung der additiven Fertigung bearbeitet, die zuverlässige Detektion von Fehlern während des Druckprozesses. Der vorgeschlagene Lösungsansatz korreliert Prozessüberwachungsdaten und post-prozess Computertomographiedaten mit Hilfe von Machine Learning im speziellen Convolutional Neural Networks (CNNs). Diese Korrelation erlaubt die Analyse des Einflusses von aufgezeichneten Prozessanomalien auf das endgü...     »