Process Quality Improvement of Selective Laser Sintering with Unsupervised Machine Learning Algorithms

Das selektive Lasersintern nimmt seit den 1980er Jahren eine große Rolle als additiver Fertigungsprozess an. Das Verfahren ist ein beliebter 3D-Pulverdrucker, der beliebige dreidimensionale komplexe Geometrien aus einem speziellen Pulvermaterial aufbaut. Der SLS-Bauprozess wird schichtweise mithilfe von einem präzisen und hochenergetischen Co2-Laser umgesetzt. Die inkorrekte Einstellung der Prozessparameter, wie beispielsweise die inkorrekte Bauraumtemperatur oder die Schichtenabkühlzeit, wird meistens zu geringerer Qualität im Endprodukt führen, das als Anomalie im Bauprozess betrachtet wird. In dieser Arbeit geht es um die Verwendung verschiedener Algorithmen des maschinellen Lernens, die hauptsächlich auf unüberwachtem Lernen basieren, um die Qualität des selektiven Lasersinterns (SLS) dadurch zu verbessern, die Anomalie zu feststellen. Durch die Erkennung der Anomalie kann der SLS-Prozess zeitgerecht gestoppt oder eine Aktion getätigt werden. Der Vorteil des unüberwachten Algorithmus ist, dass die Anomalie entdeckt werden kann, ohne den Bedarf zu einer vorigen manuellen Kennzeichnung der Trainierdaten. Das Curling ist einer der am häufigsten vorkommenden Defekte im SLS-Prozess und wird in dieser Arbeit als Anomalie im Bauprozess betrachtet. Um diese zu entdecken werden verschiedene Algorithmen verwendet. Vor allem werden unüberwachte AnomalieEntdeckung (Clustering) dafür herangezogen, der eine Genauigkeit von 97% auf einem Datensatz erzielte. Mit der semi-überwachten Anomalie-Entdeckung (Clustering und Deep Klassifizierung) konnte die Genauigkeit auf 99.7% gehoben werden. Des Weiteren wird auch Deep unüberwachte Anomalie-Entdeckung (AE und GAN) verwendet, die eine Genauigkeit von 87% erreichte. Zur Vorverarbeitung der Datensätze kommen Deep Netzwerke zum Einsatz. Ziel ist es, die Anomalie Entdeckung durch unüberwachtes ML zu untersuchen und die Genauigkeit der Algorithmen zu ermitteln. Als Analysemethode wird der Vergleich der Performanzen der verwendeten Algorithmen herangezogen. Damit kann gezeigt werden, wie verlässlich das maschinelle Lernen das Curling unüberwacht entdecken kann. The selective laser sintering (SLS) has played a major role as an additive manufacturing process since the 1980s. The process is a popular 3D powder printer that builds threedimensional complex geometries from a special powder material. The construction process is implemented in layers using a precise and high-energy Co2 laser. The incorrect setting of the build process parameters, such as the incorrect build temperature or the layer cooling time, will mostly lead to lower quality in the end product, which will be considered as anomaly in the build process. This work is about using different machine learning algorithms, mainly based on unsupervised learning, to detect the anomaly and therefore improve the process quality of SLS. By anomaly recognition the SLS process can be timely stopped or an action can be taken. The advantage of the unsupervised algorithm is that the anomalies are detected without the need for prior manual labeling of the training data. Curling is one of the most common defects in the SLS process and it will be considered in this work as an anomaly in the build process. Various algorithms are used to detect it. Primarily unsupervised anomaly detection (clustering) is used, which achieved an accuracy of 97% on a data set. With the semi-supervised anomaly detection (clustering and deep classification), the accuracy could be raised to 99.7%. Furthermore, deep unsupervised anomaly detection (AE and GAN) is also used, which achieved an accuracy of 87%. Deep networks are used to preprocess the data sets. The aim is to investigate the anomaly detection by unsupervised ML and to determine the accuracy of the algorithms. The performance comparison of the algorithms is used as the analysis method. This shows how reliably machine learning can discover curling unsupervised. Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers Masterarbeit Wien, FH Campus Wien 2022