Selbstlernendes Bildverarbeitungssystem zur Ermittlung von Qualitätskennzahlen bei der additiven Materialextrusion

Die fortschreitende Industrialisierung der additiven Fertigung im Bereich der Materialextrusion erfordert Werkzeuge zur Erfassung von Zustandsdaten sowie zur formalisierten Bewertung von Prozessqualitäten. Jedoch sind aktuelle Ansätze zur Prozessüberwachung im Hinblick auf die erforderliche Flexibilität und die Fähigkeiten zur Interpretation von Prozessdaten nicht aus-reichend. Daher wird in der vorliegenden Arbeit untersucht, inwieweit auf der Basis von selbst-lernenden Bildverarbeitungsverfahren zur schichtweisen Anomalieerkennung sowie einer Aus-wertung der digitalen Bauteilinformationen Qualitätskennzahlen für die Materialextrusion abgeleitet werden können.
Hierzu werden die optischen Eigenschaften von Schichtoberflächen analysiert und darauf auf-bauend ein Bildverarbeitungssystem entwickelt. Um digitale Bauteilinformationen in die Bild-verarbeitung einzubeziehen, wird das NC-Programm zur Anlagensteuerung ausgewertet. Des Weiteren werden verschiedene Schichtbereiche in Segmentierungsschritten erkannt, kenn-zeichnende Merkmalsvektoren für Schichtoberflächen abgeleitet und unüberwachte maschi-nelle Lernverfahren zur Detektion von Unvollkommenheiten eingesetzt. Darauf aufbauend werden Qualitätskennzahlen für die Fläche und die Anzahl von Schichtunvollkommenheiten ermittelt. Die Evaluation des Bildverarbeitungssystems anhand eines praxisnahen Daten-satzes zeigt, dass Beleuchtungseinflüsse signifikant sind und zum Teil in einem Modell abge-bildet werden können. Zudem werden in der Fertigungspraxis auftretende Unsicherheiten von digitalen Bauteilinformationen quantifiziert. Anhand einer empirischen Feldstudie wird darüber hinaus ein Vorschlag für Güteklassen abgeleitet.