top of page

Quick Tech News

QuickTechnics

von A. Fäh

3D Druck, 3D Drucken, 3D Drucker, Additive Fertigung, Fachzeitschrift für additive Fertigung, Technologien der additiven Fertigung, Additive Fertigung auf Deutsch, Additive Fertigung von Metallen, Metall additive Fertigung, Additive Fertigung Siemens, Additive Fertigung Design, Additive Fertigung Prozess, Additive Fertigung 3D, Fortschritte in der additiven Fertigung, Additive Fertigung SLM (selektives Laser-Schmelzen), Additive Laserverarbeitung, Additive Fertigung Laser, Keramik-Spritzguss, 2K-Spritzguss, 3D Druck und additive Fertigung, Additive Fertigungslayer, Additive Fertigungsindustrie, Sla additive Fertigung, Additive Fertigung Elsevier, Additive Fertigungsunternehmen in Deutschland, Ultraschall additive Fertigung, SLS additive Fertigung, Additive Fertigung SLS, Additive Fertigungsmaterialien, Additive Fertigungssoftware, Additive Fertigungsnachrichten, Additive Fertigung Berlin, Nachhaltigkeit der additiven Fertigung, Additive Fertigung Forum, Oerlikon additive Fertigung,

Quick Tech News

QuickTechnics

von Alexander Fäh

Newsletter abonnieren

Niemehr das Aktuellste aus der Tech-Industrie verpassen, indem Sie unseren Newsletter abonnieren.

  • Bestes Angebot

    Plus

    8CHF
    jeden Monat
     
    • Exclusive Content with industry experts
    • Ad-free browsing experience without interruptions

Neue Methode zur Fehlererkennung in der Additiven Fertigung entwickelt


 
  • Forscher entwickelten eine Methode zur Fehlererkennung in 3D-gedruckten Bauteilen durch tiefes maschinelles Lernen.

  • Das Modell wurde durch Computersimulationen mit synthetischen Fehlern trainiert.

  • Tests an physischen Bauteilen zeigten eine hohe Genauigkeit bei der Fehlererkennung.

 

Additive Fertigung: Neue Technologie zur Fehlererkennung durch maschinelles Lernen.

Forscher der University of Illinois Urbana-Champaign nutzen maschinelles Lernen zur Fehlererkennung in 3D-gedruckten Bauteilen. © University of Illinois Urbana-Champaign
Forscher der University of Illinois Urbana-Champaign nutzen maschinelles Lernen zur Fehlererkennung in 3D-gedruckten Bauteilen. © University of Illinois Urbana-Champaign

Forscher an der University of Illinois Urbana-Champaign haben eine neue Methode zur Erkennung von Fehlern in additiv gefertigten Bauteilen entwickelt. In der Fertigung ist es entscheidend, sicherzustellen, dass ein hergestelltes Bauteil fehlerfrei ist. Dies stellt in der additiven Fertigung (3D-Druck) eine besondere Herausforderung dar, da die hergestellten Komponenten oft komplexe dreidimensionale Formen und wichtige interne Merkmale aufweisen, die schwer zu beobachten sind.


Die neuartige Technologie nutzt tiefes maschinelles Lernen, um die Identifizierung von Fehlern in additiv gefertigten Bauteilen erheblich zu erleichtern. Um ihr Modell zu erstellen, nutzten die Forscher Computersimulationen, um Zehntausende synthetische Fehler zu erzeugen, die nur im Computer existieren. Jeder computererzeugte Fehler hatte unterschiedliche Grössen, Formen und Positionen, wodurch das Modell des maschinellen Lernens auf eine Vielzahl möglicher Fehler trainiert werden konnte und in der Lage war, zwischen fehlerhaften und fehlerfreien Komponenten zu unterscheiden.


Das Algorithmus wurde anschliessend an physischen Teilen getestet, von denen einige fehlerhaft und einige fehlerfrei waren. Der Algorithmus konnte Hunderte von Fehlern in realen physischen Teilen korrekt identifizieren, die zuvor nicht vom Modell des maschinellen Lernens gesehen worden waren.


"Diese Technologie adressiert eine der grössten Herausforderungen in der additiven Fertigung," sagte William King, Professor für Maschinenbau an der University of Illinois und Projektleiter. "Durch die Nutzung von Computersimulationen können wir sehr schnell ein Modell des maschinellen Lernens erstellen, das Fehler mit hoher Genauigkeit identifiziert. Deep Learning ermöglicht es uns, Fehler genau zu erkennen, die der Computer zuvor noch nie gesehen hat."


Die Forschung, veröffentlicht im Journal of Intelligent Manufacturing in einem Artikel mit dem Titel "Detecting and classifying hidden defects in additively manufactured parts using deep learning and X-ray computed tomography," nutzte Röntgen-Computertomographie, um das Innere von 3D-Komponenten zu inspizieren, die interne Merkmale und Fehler aufweisen, die nicht sichtbar sind. Dreidimensionale Komponenten können mit der additiven Fertigung leicht hergestellt, aber schwer inspiziert werden, wenn wichtige Merkmale nicht sichtbar sind.

Comments


Newsletter​
Die neuesten Nachrichten von QuickTechnics in Ihrem Posteingang.

Vielen Dank!

bottom of page