Estimating Pore Location of PBF-LB/M Processes with Segmentation Models

要約

欠陥のない製品を確実に製造することは、レーザー粉末床融合プロセスにとって依然として未解決の課題です。
特に、頻繁に発生する気孔は疲労性能などの機械的特性に悪影響を及ぼします。
したがって、品質保証には細孔の正確な位置特定が必須ですが、コンピューター断層撮影スキャンなどの時間のかかる後処理ステップが必要になります。
現場モニタリングデータを使用する既存のソリューションは層内での細孔の発生を検出できますが、位置特定の精度には限界があります。
したがって、ガウスカーネル密度推定を使用して単一層内の細孔の位置を推定する細孔位置特定アプローチを提案します。
これにより、セグメンテーション モデルは、現場モニタリング データと導出された細孔発生確率分布との間の相関関係を学習できるようになります。
私たちの実験では、マシンのパラメーター構成とジオメトリの特徴に応じて、さまざまなセグメンテーション モデルの予測パフォーマンスを比較しました。
私たちの結果から、私たちのアプローチにより、最小限のデータ前処理を必要とする毛穴の正確な位置特定が可能になると結論付けました。
私たちの研究は、より正確な毛穴検出システムの基礎を提供することで文献を拡張します。

要約(オリジナル)

Reliably manufacturing defect free products is still an open challenge for Laser Powder Bed Fusion processes. Particularly, pores that occur frequently have a negative impact on mechanical properties like fatigue performance. Therefore, an accurate localisation of pores is mandatory for quality assurance, but requires time-consuming post-processing steps like computer tomography scans. Although existing solutions using in-situ monitoring data can detect pore occurrence within a layer, they are limited in their localisation precision. Therefore, we propose a pore localisation approach that estimates their position within a single layer using a Gaussian kernel density estimation. This allows segmentation models to learn the correlation between in-situ monitoring data and the derived probability distribution of pore occurrence. Within our experiments, we compare the prediction performance of different segmentation models depending on machine parameter configuration and geometry features. From our results, we conclude that our approach allows a precise localisation of pores that requires minimal data preprocessing. Our research extends the literature by providing a foundation for more precise pore detection systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google