Off-Axis Monitoring of the Laser Beam Directed Energy Deposition Process of Metals (DED-LB/M)

Additive Manufacturing (AM) has revolutionized the design and production of complex metal components, offering unparalleled flexibility and customization. Among the various AM processes, the Laser Beam Directed Energy Deposition (DED-LB) process excels in the construction, repair, and enhancement of metal parts, particularly benefiting high-performance industries such as aerospace. However, its complexity and variability often result in defects that compromise the quality of the final parts, underscoring the need for advanced monitoring and control strategies. This thesis investigates off-axis monitoring techniques for DED-LB/M, focusing on improving defect detection and optimizing process efficiency and reliability through new solutions. Off-axis monitoring has the significant advantage of capturing spatial data related to the melt pool and deposition dynamics, which are often not visible from on-axis perspectives, and is also relatively easier to implement. The research explores thermal and optical monitoring methods, along with artificial intelligence (AI) driven approaches, to develop a comprehensive in-process monitoring framework for DED-LB/M. The study examines the evolution, benefits, and applications of AM across various industries, with a specific focus on DED-LB/M. Key process components, such as the laser system, powder feeding mechanism, and control systems, are analyzed, highlighting applications like the production of complex 3D parts and the repair of mechanical components using materials crucial in the aerospace sector, such as steels, nickel-based superalloys, and titanium alloys. Existing state-of-the-art monitoring technologies are reviewed, followed by the presentation of several case studies on thermal and optical monitoring using CCD/CMOS cameras. These systems analyze the evolution of the melt pool, allowing for in-process detection of geometric distortions and anomalies such as laser shutdowns and powder flow interruptions. A multi-view monitoring system is also introduced, offering flexible solutions suitable for various DED-LB/M configurations, capable of more accurately capturing the spatial evolution of the melt pool. A comparative study between new laser scanning monitoring methods and those based on high-resolution CMOS cameras is presented, highlighting their respective strengths and suggesting optimal applications. Key performance indicators (KPIs) for detecting geometric and subsurface defects were developed through custom image processing algorithms, validated against metallographic analyses. An innovative approach for in-process evaluation of deposition efficiency is proposed, utilizing prototype laser scanner data to identify deviations in the deposited track volume. AI techniques have been applied for the first time in the scientific literature to monitor standoff distance and detect potential nozzle clogging. Specifically, a custom-trained object detection model enhances process safety and control by alerting users to critical conditions such as nozzle clogging or reduced standoff distance. On the other hand, a machine learning (ML) model lays the groundwork for predicting optimal adjustments to key process parameters, such as standoff distance or laser power, to improve the dimensional accuracy of the products through a feed forward approach. Through these case studies, this thesis provides valuable insights into off-axis monitoring techniques, contributing to new quality control solutions in metal additive manufacturing and advancing the DED LB/M process.

La Fabbricazione Additiva (AM) ha rivoluzionato la progettazione e la produzione di componenti metallici complessi, offrendo flessibilità e personalizzazione senza pari. Tra i vari processi di AM, il processo di Deposizione Diretta di Metalli mediante Fascio Laser (DED-LB) eccelle nella costruzione, riparazione e miglioramento di parti metalliche, apportando vantaggi in particolare ai settori ad alte prestazioni come quello aerospaziale. Tuttavia, la sua complessità e variabilità portano spesso a difetti che compromettono la qualità finale delle parti, sottolineando la necessità di strategie avanzate di monitoraggio e controllo. Questa tesi indaga le tecniche di monitoraggio fuori-asse per il processo DED-LB/M focalizzandosi sul miglioramento della rilevazione dei difetti e sull'ottimizzazione della qualità, efficienza e affidabilità del processo attraverso nuove soluzioni. Il monitoraggio off-axis ha il vantaggio significativo di catturare dati spaziali relativi al bagno di fusione e alla dinamica della deposizione che spesso non sono visibili dalle prospettive dei dispositivi in asse, ed è anche relativamente più facile da implementare. La ricerca esplora metodi di monitoraggio termico e ottico, insieme ad approcci guidati dall'intelligenza artificiale (IA), per sviluppare un quadro completo di monitoraggio in-process per il processo DED-LB/M. Lo studio esamina l'evoluzione, i vantaggi e le applicazioni della AM in vari settori, con un focus specifico sul DED-LB/M. Vengono analizzati i componenti chiave del processo, come il sistema laser, il meccanismo di alimentazione della polvere e i sistemi di controllo, evidenziandone le applicazioni, come la produzione di parti 3D complesse e la riparazione di componenti meccanici, mediante l’uso di materiali comuni nel settore aerospaziale, come acciai, superleghe a base di nichel e leghe di titanio. Vengono esaminate le tecnologie di monitoraggio all'avanguardia esistenti, seguite dalla presentazione di diversi casi studio sul monitoraggio termico e ottico utilizzando telecamere CCD/CMOS. Questi sistemi analizzano l'evoluzione della pozza fusa, consentendo di rilevare, durante il processo di deposizione, distorsioni geometriche e anomalie come spegnimenti del laser e interruzioni del flusso di polvere. Viene inoltre introdotto un sistema di monitoraggio multi-vista, che offre soluzioni flessibili adatte a varie configurazioni di DED-LB/M, in grado di catturare con maggior accuratezza l'evoluzione spaziale della pozza fusa. Viene presentato uno studio comparativo tra nuovi metodi di monitoraggio mediante scansione laser e quelli basati sull’uso di telecamere CMOS ad alta risoluzione che mette in evidenza i rispettivi punti di forza e ne suggerisce le relative applicazioni ottimali. Sono stati sviluppati indicatori chiave di prestazione (KPIs) per la rilevazione di difetti geometrici e sub-superficiali attraverso algoritmi personalizzati di elaborazione delle immagini, validati da analisi metallografiche. Viene proposto un approccio innovativo per la valutazione in-process dell'efficienza di deposizione, utilizzando i dati di uno scanner laser prototipale per identificare deviazioni del volume delle tracce depositate rispetto a quello previsto. Sono state applicate tecniche di IA, per la prima volta nella letteratura scientifica, per monitorare in modo innovativo la distanza di standoff e rilevare l'eventuale otturazione dell'ugello. In particolare, un modello di rilevamento degli oggetti, appositamente addestrato, migliora la sicurezza e il controllo del processo avvisando gli utenti su condizioni critiche come l'otturazione dell'ugello o la diminuzione della distanza di standoff. D’altro canto, un modello di machine learning (ML) getta le basi per poter prevedere le modifiche ottimali da apportare a parametri di processo chiave, come la distanza di standoff o la potenza laser, per migliorare la precisione dimensionale dei prodotti attraverso un approccio “feed forward”. Attraverso questi casi studio, questa tesi fornisce preziose informazioni sulle tecniche di monitoraggio fuori-asse, contribuendo a nuove soluzioni di controllo qualità nella fabbricazione additiva dei metalli e al progresso del processo DED-LB/M.