In dieser Promotion sollen verschiedene Ansätze verfolgt werden, um ein datengestütztes Prozessmonitoring fur den SLM-Prozess zu generieren, welches langfristig zu neuen Möglichkeiten fur eine verbesserte, vollautomatisierte Prozesskontrolle führen soll. Es werden hierbei Verfahren des maschinellen Lernens und hybride Modelle genutzt, um Anomalien und Prozessinstabilitäten in multimodalen Bild- und Sensordaten zu detektieren. Die genutzten Datensatze stammen aus Experimenten einer vor Ort tätigen Forschungsgruppe, damit eine möglichst realitätsnahe Analyse gewährleistet ist. Das Ziel der Forschungsarbeit ist es, Anomalien wahrend des Prozesses frühzeitig zu erkennen und eine Prädiktion der daraus folgenden Auswirkungen auf Werkstoff und Bauprozess zu treffen. Als zu untersuchende Fragestellung leitet sich hieraus zunächst ab, welche Methoden des maschinellen Lernens geeignet sind, um komplexe Datenstrukturen hinsichtlich eines Prozessmonitorings fur das SLM-Verfahren zu analysieren. Dabei werden zunächst etablierte Verfahren der Komplexitatsreduktion sowie der Anomaliedetektion auf die vorliegenden Daten angewendet und verglichen.
Für eine vertiefte Analyse werden bestimmte, häufig auftretende und für eine weitere Untersuchung geeignete Prozessabweichungen des SLM-Verfahrens ausgewählt. Hierbei wird untersucht, ob Korrelationen zwischen spezifischen Fehlersignaturen und entstehenden metallurgischen Defekten im Werkstoff existieren.
Ziel ist es zum einen, moglichst frühzeitig Signaturen sich entwickelnder Fehler zu detektieren. Zum anderen soil der Einfluss detektierter Anomalien auf Zielgrößen ermlttelt werden, um so die Ergebnisse des Prozessmonitorings zur Grundlage eines Qualitätsreports machen zu können. Besonders hilfreich wäre es, wenn bereits bei der Detektion von Anomalien eine prädiktive Aussage über die Prozessstabilität und die Qualität der Bauteile getroffen werden könnte.