Seit den Anfängen der additiven Fertigung ist die Computertomografie das Mittel der Wahl für die Qualitätssicherung. Jetzt zeigt CT seine Stärken auch als Informationsinstrument in F&E.
Additive Fertigung: neue Möglichkeiten, neue Herausforderungen.
Da sie völlig neue geometrische Möglichkeiten bietet, hat die additive Fertigung (AM) die Art verändert, wie Ingenieure über Produktdesign denken. Doch je komplexer die Entwürfe werden, desto schwieriger wird es, die Bauteile auf Fehler und Unregelmäßigkeiten zu prüfen. Weil die additive Fertigung und die Computertomografie beide 3D-Technologien sind, haben sie schon immer auf natürliche Weise zusammengearbeitet. Als zerstörungsfreie Prüftechnik (NDT) eliminiert die Computertomografie praktisch jeden Bewertungsfehler und vermittelt ein genaues visuelles Bild der inneren räumlichen Strukturen, Dichten und Wandstärken.
Computertomografie: mehr als nur ein Tool zur Qualitätssicherung.
In der Qualitätssicherung und -kontrolle hat die Computertomografie längt und zu Recht ihren Platz als leistungsstarke Technologie der zerstörungsfreien Prüfung (ZfP) eingenommen. Zunehmend entdecken Hersteller nun auch ihre Fähigkeiten als Werkzeug zur Prozessverbesserung. In der Forschung und Entwicklung ermöglicht die Computertomografie den Ingenieuren, wertvolle Informationen über die Qualität von 3D-gedruckten Produkten zu sammeln und diese Informationen in den Produktionskreislauf zurückzuspeisen, um die AM-Prozesse kontinuierlich zu verbessern und so Kosten, Risiken und Vorlaufzeiten 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. Da Muster, Objekte und Anomalien in großen Bildmengen genau und effizient erkannt werden können, sparen Forscher Zeit und Aufwand. Darüber hinaus trägt die smarte Technologie dazu bei, die Reproduzierbarkeit und Zuverlässigkeit der Bildanalyse zu verbessern, indem sie jegliches menschliche Bias durch den Anwender reduziert – mit erheblichen Auswirkungen auf Produktqualität und -sicherheit.
Dragonfly hilft Ihnen, alle Möglichkeiten von Deep Learning auszuschöpfen und mehr aus Ihren Bildern herauszuholen. Die Software bietet eine breite Palette von Werkzeugen für alle Anforderungen der Bildanalyse, einschließlich eines vortrainierten Deep-Learning-Modells zur Segmentierung von Poren in additiv gefertigten Teilen. Dieses Modell können Sie mithilfe von Wizards selbst weitertrainieren und an Ihre spezifischen Defekttypen anpassen.
Typische Fehler bei der additiven Fertigung.
- Soll-Ist-Abweichungen
- Porosität
- Pulverrückstände
- Bindefehler
- Balling
- Poren, Risse, Einschlüsse
- Übermäßige Oberflächenrauheit
- Mikrostrukturelle Probleme
Welche AM-Anwendungen gibt es für die industrielle Computertomografie?
Pulver-Analyse
Das industrielle CT kann in der Regel etwa 50.000 Partikel in einer einzigen Sequenz scannen und ihre Sphärizität, Größenverteilung und das Vorhandensein offener oder geschlossener Poren im einzelnen Korn bestimmen. Diese Daten können anschließend aufgezeichnet und quantitativ ausgewertet werden.
Analysen von Wanddicke und Oberflächenrauheit
Eine der wichtigsten Analysen ist die der Wanddicke. Mithilfe fortschrittlicher Analysesoftware erstellen CT-Prüfsysteme Bilder, auf denen die verschiedenen Dicken und ihre Verteilung innerhalb des Bauteils in Farbcodes dargestellt sind. Hochauflösende Scans erlauben 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 inneren und äußeren Strukturen des Untersuchungsgegenstandes. So kann die tatsächliche Geometrie eines Teils leicht mit einer CAD-Datei abgeglichen werden, wobei geometrische Abweichungen in einem farbcodierten Modell dargestellt werden. Auch die geometrische Bemaßung und Toleranz (GD&T) kann anhand der realen Bauteildaten geprüft werden.
Dimensionales Messen
Neben dem Soll-Ist-Vergleich zwischen Scandaten und CAD-Datei misst CT auch interne und externe Merkmale in drei Dimensionen. Alle messbaren Merkmale mit ihren jeweiligen Toleranzen können anhand des CAD-Modells definiert werden, um eine Messvorlage zu erstellen, die per Knopfdruck auf den aktuellen Datensatz angewendet werden kann.
Porositäts- und Defektanalyse
Da die Computertomografie Röntgenstrahlen zur Prüfung des Teils verwendet, können Delaminationen, Poren, loses Pulver, Risse und viele andere internen Defekte visualisiert und analysiert werden. Die entsprechende Software zeigt die Poren in einem Farbcode an, während die Porengrößen-Verteilung in einem Histogramm oder Streudiagramm dargestellt werden kann.
Mechanische Simulation (mit "echten" Daten)
Für eine erste Bewertung der strukturellen Integrität eines bestimmten Teils können Spannungssimulationen mit finiten Elementen (FE) direkt auf CT-Scandaten durchgeführt werden. Dieses Verfahren eignet sich besonders für hochkomplexe Strukturen wie Schäume, Gitterstrukturen oder Bauteile mit Mikroporosität.
Faseranalyse
CT-Daten ermöglichen die Berechnung lokaler und globaler Faserstatistiken in Form von Faserorientierungstensoren oder -histogrammen, welche Ergebnisse der Porositätsanalyse für die Bestimmung der Porosität des Matrixmaterials enthalten. Darüber hinaus kann auch die Hauptorientierung von Geweben oder Verbundmaterialien bestimmt werden.
Geminy
Eine Benutzeroberfläche für alle Aufgaben.
Erfahren Sie mehrLife Cycle Service
Bereit, wann und wo Sie uns brauchen.
Erfahren Sie mehr