Scholarlink

Beim Wire Arc Additive Manufacturing (WAAM) handelt es sich um ein drahtbasiertes additives Fertigungsverfahren aus dem Bereich der Metallverarbeitung mit Metallschutzgas-Schweißprozessen. Bislang erfolgt die Charakterisierung der Oberflächentopografie WAAM-gefertigter Bauteile durch die Berechnung von Ra, Rz oder ihrer flächenhaften Äquivalente Sa und Sz nach DIN EN ISO 21920-2 und 25178-2. Daraus lassen sich nur wenige Aussagen zum Fertigungsprozess ableiten. Hierfür bietet sich die Charakterisierung von typischen Strukturen (Merkmale) an, welche bei Verwendung dieses Fertigungsverfahrens entstehen. Fertigungsbedingt resultiert als Oberflächenerscheinung eine charakteristische Schichtstruktur bestehend aus kontinuierlich aufgeschichteten Schweißnähten. Daraus ergibt sich die Anforderung, diese Schweißnähte zu identifizieren und über dimensionale Größen zu beschreiben. In dieser Arbeit wird die merkmalsbasierte Auswertemethode zur quantitativen Beschreibung der Oberflächentopografie vorgestellt, welche bislang vorwiegend bei pulverbasierten additiven Verfahren, wie dem Laser Powder Bed Fusion (LPBF), angewandt wird. Eine Voruntersuchung basierend auf einem manuellen Ansatz zeigte, dass die merkmalsbasierte Auswertung beruhend auf unterschiedlichen Segmentierungsverfahren eine geeignete Methode zur geometrischen Beschreibung von individuellen Strukturen auf WAAM-Oberflächen ist. Die zugehörige Auswertestrategie ist allerdings aufwendig und zeitintensiv. Weiterhin erfordert dieses Vorgehen die Eingabe von subjektiven Auswerteparametern und erfahrungsabhängiges Wissen zum Fertigungsprozess. Im Fokus dieses Beitrages liegt daher ein skaleninvarianter, KI-basierter Ansatz zur Segmentierung durch die Adaption von zero-shot Bildsegmentierungsmodellen. Dies ermöglicht eine robuste, wiederholbare Segmentierung, unabhängig von Prozessparametern und ohne die Notwendigkeit einer manuellen Anpassung der Auswertestrategie. Es wird weiterhin die Ermittlung der geometrischen Parameter aufgezeigt und ein Ausblick auf deren Verwertung gegeben.

错误：搜索内容不能为空，请输入英文关键词
错误：关键词超出字数限制，请精简
高级检索

Anwendung von KI zur automatischen Segmentierung von Schweissnähten im Wire Arc Additive Manufacturing

  • 会议论文

  • 发表日期：

    2025年

查看全文
  • Minh Thanh Vu,
  • Frank Segel,
  • Sophie Gröger

摘要

Beim Wire Arc Additive Manufacturing (WAAM) handelt es sich um ein drahtbasiertes additives Fertigungsverfahren aus dem Bereich der Metallverarbeitung mit Metallschutzgas-Schweißprozessen. Bislang erfolgt die Charakterisierung der Oberflächentopografie WAAM-gefertigter Bauteile durch die Berechnung von Ra, Rz oder ihrer flächenhaften Äquivalente Sa und Sz nach DIN EN ISO 21920-2 und 25178-2. Daraus lassen sich nur wenige Aussagen zum Fertigungsprozess ableiten. Hierfür bietet sich die Charakterisierung von typischen Strukturen (Merkmale) an, welche bei Verwendung dieses Fertigungsverfahrens entstehen. Fertigungsbedingt resultiert als Oberflächenerscheinung eine charakteristische Schichtstruktur bestehend aus kontinuierlich aufgeschichteten Schweißnähten. Daraus ergibt sich die Anforderung, diese Schweißnähte zu identifizieren und über dimensionale Größen zu beschreiben. In dieser Arbeit wird die merkmalsbasierte Auswertemethode zur quantitativen Beschreibung der Oberflächentopografie vorgestellt, welche bislang vorwiegend bei pulverbasierten additiven Verfahren, wie dem Laser Powder Bed Fusion (LPBF), angewandt wird. Eine Voruntersuchung basierend auf einem manuellen Ansatz zeigte, dass die merkmalsbasierte Auswertung beruhend auf unterschiedlichen Segmentierungsverfahren eine geeignete Methode zur geometrischen Beschreibung von individuellen Strukturen auf WAAM-Oberflächen ist. Die zugehörige Auswertestrategie ist allerdings aufwendig und zeitintensiv. Weiterhin erfordert dieses Vorgehen die Eingabe von subjektiven Auswerteparametern und erfahrungsabhängiges Wissen zum Fertigungsprozess. Im Fokus dieses Beitrages liegt daher ein skaleninvarianter, KI-basierter Ansatz zur Segmentierung durch die Adaption von zero-shot Bildsegmentierungsmodellen. Dies ermöglicht eine robuste, wiederholbare Segmentierung, unabhängig von Prozessparametern und ohne die Notwendigkeit einer manuellen Anpassung der Auswertestrategie. Es wird weiterhin die Ermittlung der geometrischen Parameter aufgezeigt und ein Ausblick auf deren Verwertung gegeben.