Additive Fertigung Neuronales Netz für bessere Druckprozesse

Ein künstliches neuronales Netz kann einen qualitativ hochwertigen additiven Druckprozess ermöglichen. Dafür muss die künstliche Intelligenz aber mit Daten versorgt werden – und das ist anspruchsvoll.

Firmen zum Thema

Vom Pulver zum fertigen Bauteil: Mit künstlicher Intelligenz soll das künftig noch besser gelingen.
Vom Pulver zum fertigen Bauteil: Mit künstlicher Intelligenz soll das künftig noch besser gelingen.
(Bild: EOS)

Jede Fertigungstechnik unterliegt Einflüssen und deren Wechselwirkungen. Sind sie hinreichend bekannt, lässt sich der Fertigungsprozess erfolgreich durchführen. Allerdings ist dafür oft ein langer Lernprozess notwendig; mit vielen Fehler auf dem Weg. Diesen Weg wollen Wissenschaftler um Tobias Laumer von der Ostbayerischen Technischen Hochschule Regensburg mit Methoden der künstlichen Intelligenz (KI) verkürzen.

Mithilfe einer ausreichend großen Datenbasis soll ein trainiertes künstliches neuronales Netz (KNN) den additiven Fertigungsprozesse selbstständig überwachen und Anwender bei ihrer Arbeit unterstützen. Die meiste Zeit beansprucht dafür nicht das Implementieren des Netzes, sondern das Beschaffen und Aufbereiten der Daten.

Sensoren liefern Trainingsdaten

Wie genau lernt die KI vom Druckprozess? Das wird deutlich am Beispiel des Fused-Layer-Modeling-Prozesses (FLM-Prozess). Dabei wird das Filament in einen Druckkopf geführt, vom Extruder geschmolzen und Schicht für Schicht auf einer Druckplatte abgelegt. Die für die KI notwendigen Trainingsdaten sammeln Kameras, Beschleunigungs- und Temperatursensoren oder spezielle Thermokameras.

Dabei ist es wichtig, dass neben erfolgreichen Druckjobs ausreichend Beispiele für nicht erfolgreiche Druckjobs auflaufen. Die Trainingsdaten werden je nach Ergebnis gelabelt in O.k.- und N.O.k.-Bauteile; also in Ordnung (okay) oder nicht in Ordnung (not okay). Der KI-Algorithmus kann so selbstständig Muster in den Trainingsdaten erkennen und diese den Bauteilqualitäten zuordnen.

Daten differenziert sammeln

„Wichtig ist eine Unterscheidung zwischen geometrieunabhängigen und -abhängigen Prozessdaten“, sagt Professor Laumer. Beispiele für geometrieunabhängige Daten sind die Luftfeuchtigkeit und -temperatur. Starke Schwankungen können sich je nach Werkstoff bei nicht darauf angepassten Prozessparametern negativ auf den Bauprozess und die Bauteilqualität auswirken. Das betrifft vor allem Unternehmen, die an weltweiten Fertigungsstandorten in unterschiedlichen Klimazonen standortübergreifend die Druckqualität sichern müssen. Weitere detektierbare, geometrieunabhängige Prozessdaten sind fehlendes Material und Fehlstellen innerhalb einzelner Schichten. Das senkt die Festigkeit lokal, das zu druckende Bauteil wird geschwächt.

Ein mit ausreichend Daten trainiertes KNN erkennt solche Fehler und kann bei einer kritischen Größe des Fehlers den Baujob selbstständig abbrechen. Der Vorteil: Der Fehler muss nicht nach erfolgtem Durchlaufen des gesamten Druckes aufwendig detektiert werden.

Im Gegensatz zu den geometrieunabhängigen Prozessdaten sind geometrieabhängige Prozessdaten Abweichungen in Form und Maß. Hat eine KI die Außenkontur erkannt, werden die geometrischen Daten über Streifenlichtsensoren erfasst und mit den Sollwerten der Bauteildatei verglichen.

Mit der KI den Prozess prädiktiv bewerten

Langfristig soll das angelernte Netz prädiktiv, also vor Baubeginn, basierend auf Bauteil- und Prozessdaten eine Erfolgswahrscheinlichkeit des zu startenden Drucks zu ermitteln – und ihn wenn nötig verhindern. Zu den Daten gehören unter anderem die Beschaffenheit der Stützstrukturen, die Orientierung des Bauteils im Bauraum und eingestellte Prozessparameter.

Schwierig ist, ausreichende Daten zur Bauteilegeometrie bereitzustellen. Da in der additiven Fertigung oft Prototypen oder Klein- und Kleinstserien-Bauteile mit sehr komplexen Geometrien erstellt werden, ist das Ableiten allgemeiner Muster aus vielen möglichen Geometrien nicht trivial. Deshalb dürfte das KNN anfangs eine gewisse Ungenauigkeit aufweisen. Erst eine ausreichend große Datenbasis wird diese Ungenauigkeit beseitigen. Die Wissenschaftler der OTH suchen deshalb Firmen und Hochschulen, die ebenfalls additive Fertigungsverfahren einsetzen – und für eine Zusammenarbeit ihre Prozessdaten bereitstellen.

Die additive Fertigung im Automobilbau

Kann das Konzept auch additiven Anwendungen im Automobilbau helfen? In der klassischen Serienfertigung mit hohen Stückzahlen verwenden die Automobilhersteller bisher kaum additiv gefertigte Bauteile. Anders bei kleinen Stückzahlen oder im sogenannten Premiumsegment: Hier nutzen nach den Worten Laumers Hersteller wie Rolls-Royce oder BMW schon länger die additive Fertigung. Auch im Prototyping, der Vorserienentwicklung und im Werkzeugbau haben sich die Verfahren etabliert. „Eine intelligente und prädiktive Prozesskontrolle für additive Fertigungsprozesse bietet auch in der Automobilindustrie eine große Chance für stabilere Prozesse mit weniger Fehldrucken“, sagt Tobias Laumer abschließend.

(ID:47836794)