Gegenstand der vorliegenden Arbeit ist die Entwicklung einer prozessintegrierten Messtechnik für das Laserstrahlschmelzen (L-PBF). Prozessintegrierte Messtechnik kann einen wesentlichen Beitrag zur Steigerung der Wirtschaftlichkeit und damit der Verbreitung der industriellen Anwendung des L-PBF leisten. Bisherige Ansätze weisen Defizite bei der Erkennung von prozesstypischen Defekten auf. Diese Ansätze konzentrieren sich dabei auf die Verwendung optischer Sensorprinzipien und vernachlässigen andere Sensorprinzipien wie z. B. akustische Sensoren. Vorarbeiten aus ähnlichen Prozessen wie dem Laserschweißen zeigen vielversprechende Ergebnisse für akustische Sensorprinzipien zur Erkennung von prozesstypischen Fehlern. Bestehende Ansätze zur Verwendung akustischer Sensorprinzipien in L-PBF existieren, beschränken sich aber auf luftgebundene akustische Emissionen. Sensorprinzipien zum Aufzeichnen von strukturgebundenen akustischen Emissionen versprechen demgegenüber prinzipbedingte Vorteile bei der Detektion von inneren Defekten wie Poren. Gegenstand dieser Arbeit ist die Entwicklung eines Ansatzes, der das Erfassen und Auswerten von strukturgebundenen akustischen Signalen im L-PBF Prozess erlaubt, um prozesstypische Porendefekte zu erkennen. Hierfür wird eine datengetriebene Modellbildung mit Methoden des maschinellen Lernens verfolgt. Um die entsprechenden Modelle zu trainieren werden entsprechende Datensätze generiert, geeignete Merkmalsextraktionen für die Verarbeitung der akustischen Daten definiert und Methoden des maschinellen Lernens ausgewählt. Mit den gefundenen und trainierten Modellen ist es möglich, die Porosität anhand des akustischen Signals des Prozesses vorherzusagen.weiterlesen