Neues Verfahren schützt AM-Daten und verbessert Fehlererkennung

In der Metall-Additiven Fertigung (AM) sind hochauflösende Sensordaten entscheidend, um die Qualität von sicherheitskritischen Bauteilen zu garantieren. Gleichzeitig verhindern proprietäre Prozessinformationen die gemeinsame Nutzung dieser Daten, was die Entwicklung kollaborativer Qualitätsprüfungen erschwert.

Traditionelle Defekterkennungsmodelle behandeln die Beobachtungen des Schmelzbeckens als unabhängige Stichproben und berücksichtigen dabei die physikalischen Wechselwirkungen zwischen den Schichten nicht. Darüber hinaus führt die herkömmliche lokale Differential Privacy (LDP) – die gleichmäßige Rauschzufuhr in allen Merkmalen – zu starkem Nutzenverlust.

Um diese Probleme zu lösen, wurde FI‑LDP‑HGAT entwickelt. Das System kombiniert ein hierarchisches Graph‑Attention‑Netzwerk (HGAT), das räumliche und thermische Abhängigkeiten zwischen Scan‑Spuren und depositierten Schichten erfasst, mit einem anisotropen Gauß‑Mechanismus (FI‑LDP). Dieser Mechanismus verteilt das Privatsphärebudget anhand einer Wichtigkeitsschätzung der Merkmale: kritische thermische Signale erhalten weniger Rauschen, während redundante Dimensionen stärker geschützt werden – alles unter Beibehaltung formaler LDP‑Garantien.

In Experimenten mit einem Directed‑Energy‑Deposition‑Porositätsdatensatz konnte FI‑LDP‑HGAT bei einem moderaten Privatsphärebudget (ε = 4) eine Nutzenwiederherstellung von 81,5 % erreichen und bei strengerem Budget (ε = 2) eine Defekterkennungsrückrufrate von 0,762 beibehalten. Damit übertrifft das Verfahren klassische Machine‑Learning‑Modelle, Standard‑GNNs und andere Ansätze in Bezug auf Genauigkeit und Datenschutz.