IHR WARENKORB IST AKTUELL LEER.

Haben Sie noch nichts passendes gefunden? Stöbern Sie durch unser komplettes Sortiment.

Oder melden Sie sich an bzw. registrieren Sie sich.

Ihre Vorteile

Kostenlose Lieferung
Kauf auf Rechnung
Ex Libris Tiefpreis
Filiallieferung und 650+ Abholorte
Rabatt-Bons als Club-Mitglied

Entwicklung einer akustischen Prozessüberwachung zur Porenbestimmung im Laserstrahlschmelzen

Von:

Jan Niclas Eschner

Beschreibung

Format auswählen

Kartonierter EinbandCHF 54.10

Kartonierter Einband

CHF54.10

TIEFPREIS

CHF54.10

Auslieferung erfolgt in der Regel innert 1 bis 2 Wochen.

Kostenlose Lieferung

Kein Rückgaberecht

Beschreibung

Gegenstand der vorliegenden Arbeit ist die Entwicklung einer prozessintegrierten Messtechnik für das Laserstrahlschmelzen (L-PBF). Prozessintegrierte Messtechnik kann einen wesentlichen Beitrag zur Steigerung der Wirtschaftlichkeit und damit der Verbreitung der industriellen Anwendung des L-PBF leisten. Bisherige Ansätze weisen Defizite bei der Erkennung von prozesstypischen Defekten auf. Diese Ansätze konzentrieren sich dabei auf die Verwendung optischer Sensorprinzipien und vernachlässigen andere Sensorprinzipien wie z. B. akustische Sensoren. Vorarbeiten aus ähnlichen Prozessen wie dem Laserschweißen zeigen vielversprechende Ergebnisse für akustische Sensorprinzipien zur Erkennung von prozesstypischen Fehlern. Bestehende Ansätze zur Verwendung akustischer Sensorprinzipien in L-PBF existieren, beschränken sich aber auf luftgebundene akustische Emissionen. Sensorprinzipien zum Aufzeichnen von strukturgebundenen akustischen Emissionen versprechen demgegenüber prinzipbedingte Vorteile bei der Detektion von inneren Defekten wie Poren. Gegenstand dieser Arbeit ist die Entwicklung eines Ansatzes, der das Erfassen und Auswerten von strukturgebundenen akustischen Signalen im L-PBF Prozess erlaubt, um prozesstypische Porendefekte zu erkennen. Hierfür wird eine datengetriebene Modellbildung mit Methoden des maschinellen Lernens verfolgt. Um die entsprechenden Modelle zu trainieren werden entsprechende Datensätze generiert, geeignete Merkmalsextraktionen für die Verarbeitung der akustischen Daten definiert und Methoden des maschinellen Lernens ausgewählt. Mit den gefundenen und trainierten Modellen ist es möglich, die Porosität anhand des akustischen Signals des Prozesses vorherzusagen.