Seit den Anfängen der additiven Fertigung ist die Computertomographie das Mittel der Wahl für die Qualitätssicherung. Jetzt zeigt CT seine Stärken auch als Informationsinstrument in F&E.
Additive Fertigung: Neue Möglichkeiten, neue Herausforderungen
Mit ihrer enormen geometrischen Flexibilität hat die additive Fertigung (AM) die Art und Weise, wie Ingenieure über Produktdesign denken, grundlegend verändert. Je komplexer die Designs jedoch werden, desto anspruchsvoller ist es, die Bauteile auf Fehler und Unregelmäßigkeiten zu prüfen. Da additive Fertigung und Computertomographie beides 3D-Technologien sind, greifen sie seit jeher ganz natürlich ineinander. Als Verfahren der zerstörungsfreien Prüfung (ZfP) schließt die Computertomographie Auswertefehler nahezu aus und liefert ein präzises visuelles Verständnis innerer räumlicher Strukturen, Dichten und Wandstärken.
Computertomografie: mehr als nur ein Tool zur Qualitätssicherung
Die Computertomographie hat sich als leistungsstarke Technologie der zerstörungsfreien Prüfung in der Qualitätssicherung und -kontrolle etabliert. Darüber hinaus erkennen Hersteller zunehmend ihr Potenzial als Instrument zur Prozessoptimierung. In Forschung und Entwicklung können Ingenieure mithilfe der Computertomographie wertvolle Erkenntnisse über die Qualität 3D-gedruckter Produkte gewinnen und diese direkt in den Produktionskreislauf zurückführen, um AM-Prozesse kontinuierlich zu verbessern – und so Kosten, Risiken und Durchlaufzeiten zu reduzieren.
Dragonfly Deep Learning für schnellere und zuverlässigere Segmentierung
KI- und Deep-Learning-Modelle bieten zahlreiche Vorteile für die Segmentierung und CT-Bildanalyse in der additiven Fertigung. Durch das präzise und effiziente Erkennen von Mustern, Objekten und Anomalien in großen Bildmengen sparen Forscher Zeit und Aufwand. Zudem trägt die intelligente Technologie dazu bei, die Reproduzierbarkeit und Zuverlässigkeit der Bildanalyse zu verbessern, indem anwenderbedingte Abweichungen reduziert werden – mit erheblichen Auswirkungen auf Produktqualität und -sicherheit.
Dragonfly hilft Ihnen dabei, das Potenzial des Deep Learning auszuschöpfen und mehr Nutzen aus Ihren Bildern zu ziehen. Es bietet eine breite Palette an Werkzeugen für alle Anforderungen der Bildanalyse, darunter ein vortrainiertes Deep-Learning-Modell zur Segmentierung von Poren in additiv gefertigten Bauteilen. Dieses Modell lässt sich mithilfe eines assistentengestützten Trainings anpassen und verfeinern, um es optimal auf Ihre spezifischen Fehlerarten abzustimmen.
Typische Fehler in der additiven Fertigung
- Soll-Ist-Abweichungen
- Porosität
- Restpulver
- Bindefehler
- Balling-Effekte
- Gasporen, Risse, Einschlüsse
- Übermäßige Oberflächenrauheit
- Mikrostrukturelle Mängel
Welche AM-Anwendungen gibt es für die industrielle Computertomografie?
Pulveranalyse
Die industrielle CT kann typischerweise rund 50.000 Partikel in einem einzigen Durchgang scannen und deren Sphärizität, Grössenverteilung sowie das Vorhandensein von offenen oder geschlossenen Poren im einzelnen Korn bestimmen. Diese Daten können anschliessend grafisch dargestellt und quantitativ analysiert werden.
Wandstärke- und Oberflächenrauheitsanalysen
Eine der wertvollsten Analysen ist die Wandstärkenanalyse. Mithilfe fortschrittlicher Analysesoftware erzeugen CT-Prüfsysteme Bilder, die unterschiedliche Wandstärken und deren Verteilung im Bauteil farbcodiert darstellen. Hochauflösende Scans ermöglichen sogar Aussagen über die Oberflächenrauheit von AM-Bauteilen, die eine wesentliche Rolle für deren Ermüdungsverhalten spielt.
Soll-Ist-Vergleich und GD&T
Ein CT-Datensatz enthält alle geometrischen Daten der Innen- und Aussenstrukturen einer Probe. So lässt sich die tatsächliche Geometrie eines Bauteils problemlos mit einer CAD-Datei vergleichen, wodurch ein farbcodiertes Modell der geometrischen Abweichungen bereitgestellt wird. Darüber hinaus können GD&T-Prüfungen (Geometric Dimensioning and Tolerancing) an den realen Bauteildaten durchgeführt werden.
Dimensionsmessung
Zusätzlich zum Soll-Ist-Vergleich zwischen Scandaten und CAD-Datei misst die CT auch innere und äussere Merkmale dreidimensional. Alle messbaren Merkmale samt ihrer jeweiligen Toleranzierung lassen sich anhand des CAD-Modells definieren, um eine Messvorlage zu erstellen, die per Mausklick auf den tatsächlichen Datensatz angewendet werden kann.
Porositäts- und Defektanalyse
Da die Computertomographie Röntgenstrahlung zur Bauteilprüfung nutzt, lassen sich Delaminationen, Poren, loses Pulver, Risse und viele weitere interne Fehler visualisieren und analysieren. Die entsprechende Software stellt Poren farbcodiert dar, während sich die Porengrössenverteilung in einem Histogramm oder Streudiagramm abbilden lässt.
Mechanische Simulation (mit „echten“ Daten)
Für eine erste Einschätzung der strukturellen Integrität eines bestimmten Bauteils können FEM-Spannungssimulationen (Finite-Elemente-Simulationen) direkt auf Basis von CT-Scandaten durchgeführt werden. Dieses Verfahren eignet sich besonders für hochkomplexe Strukturen wie Schäume, Gitterstrukturen oder Komponenten mit Mikroporosität.
Faseranalyse
CT-Daten ermöglichen die Berechnung lokaler und globaler Faserstatistiken in Form von Faserorientierungstensoren oder Histogrammen, die auch die Ergebnisse der Porositätsanalyse zur Bestimmung der Matrixmaterialporosität einbeziehen. Darüber hinaus lässt sich die Hauptorientierung von Geweben oder Schichtwerkstoffen bestimmen.
Software Suite
Unsere vielseitige Software-Suite kombiniert leistungsstarke Softwarepakete, Tools und Funktionen mit einer reibungslosen, intuitiven Benutzererfahrung.
Mehr erfahrenLife Cycle Service
Bereit, wann und wo Sie uns brauchen
Mehr erfahren