Suchen

Forschung

KI zur Prozessüberwachung in der Additiven Fertigung

| Autor/ Redakteur: Claudia Rosenkranz, Bartos Mosch, Max Lutter-Günther und Georg Schlick / Simone Käfer

Einer der Bereiche, in denen die Additive Fertigung noch viel Innovationspotenzial bietet, ist die Qualitätssicherung. Eine Fraunhofer-Einrichtung forscht an der Möglichkeit, mit Künstlicher Intelligenz die Bauteilqualität schon im Bauprozess zu überwachen.

Firmen zum Thema

(Bild: @LuckyStep - stock.adobe.com)
  • Am Fraunhofer-IGCV wird ein System zur Früherkennung von Prozessabweichungen beim Laserstrahlschmelzen entwickelt.
  • Die Zusammenhänge zwischen Ursache und Wirkung von Bauteilfehlern müssen zuerst bestimmt werden. Dazu müssen prozessrelevante Daten vorliegen.
  • Künstliche neuronale Netze können Prozessabweichungen möglichen Bauteilfehlern zuordnen.

Anwender, Prozessvorbereitung, Bauteilgeometrie, CAD-­Daten, Ausgangsmaterial, Lasersystem, Prozessparameter und Nachbearbeitung beeinflussen die Bauteilqualität bei der Additiven Fertigung. Doch eine konstante Prozessstabilität und reproduzierbare Bauteilqualität sind Voraussetzung für einen breiten industriellen Einsatz additiver Verfahren. Um Fehler während des Bauprozesses frühzeitig zu erkennen und eine reproduzierbare Bauteilqualität zu schaffen, arbeitet ein Team des Fraunhofer-IGCV daran, mit Künstlicher Intelligenz (KI) die Prozesse in additiven Maschinen zu überwachen. Denn künstliche neuronale Netze, ein Teilaspekt der KI, können komplexe Prozesszusammenhänge entschlüsseln und erlernen. Der Aufbau und die Funktionsweise neuronaler Netze orientieren sich an der Art und Weise, wie das menschliche Gehirn Informationen erlernt. Dadurch können sie ohne die direkte Einflussnahme des Menschen selbstständig Entscheidungen treffen und beispielsweise Prozessabweichungen möglichen Bauteilfehlern zuordnen. Die Güte der getroffenen Entscheidungen ist maßgeblich von der Qualität der antrainierten Daten und der Stärke der Verbindungen zwischen den einzelnen Neuronen abhängig. Speziell für die Additive Fertigung ist die Vorhersage der Bauteilqualität denkbar, womit die KI eine Grundlage einer Prozessregelung bilden kann.

Viele Daten führen zum Ziel. Da viele Größen Einfluss auf die Qualität eines Bauteils nehmen, muss ein neuronales Netz auch mit vielen Daten gefüttert werden. Denn nur dann kann es Ereignisse erkennen, die auf Bauteilfehler hinweisen.
Viele Daten führen zum Ziel. Da viele Größen Einfluss auf die Qualität eines Bauteils nehmen, muss ein neuronales Netz auch mit vielen Daten gefüttert werden. Denn nur dann kann es Ereignisse erkennen, die auf Bauteilfehler hinweisen.
(Bild: Fraunhofer-IGCV)

Wie die KI den AF-Prozess überwacht

Die Herausforderungen, um KI in der Additiven Fertigung erfolgreich einzusetzen, liegen unter anderen im Zusammenwirken komplementärer Kompetenzen, die informationstechnisches und fertigungstechnisches Wissen vereinen. Am Fraunhofer-IGCV wird ein System zur Früherkennung von Prozessabweichungen beim Laserstrahlschmelzen entwickelt, das sich an etablierten Data-Mining-Methoden orientiert. Zur Prognose der Bauteilqualität müssen zunächst die Zusammenhänge zwischen Ursache und Wirkung von Bauteilfehlern bestimmt werden. Im zweiten Schritt erfolgt eine Bewertung der prozessrelevanten Daten anhand ihrer Struktur und Aussagekraft. Da aber nicht alle Informationen aus den Daten zur Problemlösung beitragen, ist es sinnvoll, weitere Datenquellen heranzuziehen oder separate Projekte für die Akquisition von Daten zu initiieren. Am Fraunhofer-IGCV werden thermische Signale mittels einer In-situ-Prozessüberwachung aufgezeichnet, die Rückschlüsse auf die Prozessstabilität und damit auf die Bauteilqualität liefern. Je mehr prozessrelevante Daten vorliegen, desto bessere Vorhersagen können neuronale Netze treffen. Im Zuge der Datenvorbereitung müssen die Daten extrahiert und in die gewünschte Struktur überführt werden. In der Additiven Fertigung erzeugen Bauaufträge große Datenmengen, weswegen eine effiziente Verarbeitung sichergestellt sein muss.

In der Modellerstellung werden geeignete Algorithmen basierend auf der Problemstellung, der vorliegenden Zieldefinition und den zu untersuchenden Daten bestimmt. Für die Analyse von Signalverläufen oder die Identifika­tion von Prozessanomalien anhand von Fehlerbildern stehen mehrere Verfahren zur Auswahl. Am Fraunhofer-IGCV werden zum einen rekurrente neuronale Netze und zum anderen faltende neuronale Netze betrachtet. Beide Verfahren eignen sich grundsätzlich zur Vorhersage der Bauteilqualität und werden daher im Rahmen der Evaluation durch das Fraunhofer-IGCV hinsichtlich ihrer Anwendbarkeit für die Prozessüberwachung im Laserstrahlschmelzen bewertet.

Vorteile einer KI bei der Bauteilprüfung

Das aufgezeigte Vorgehen zur Früherkennung von Prozessabweichungen und Bauteilfehlern während des Baujobs bietet Anwendern folgende Vorteile:

  • reproduzierbare Bauteilqualität;
  • Kostenvorteile durch Früh­erkennung von fehlerhaften Bauvorgängen;
  • Reduzierung des nachgelagerten Prüfaufwands;
  • höhere Planungssicherheit in der Produktionsplanung und -steuerung;
  • Vorarbeit zur Prozessregelung.

Konstante Prozessstabilität und reproduzierbare Bauteilqualität sind die Voraussetzung für eine wirtschaftliche Nutzung der Additiven Fertigung. Kosten- und Zeitvorteile ergeben sich durch die Möglichkeit, eine nachgelagerte Bauteilprüfung zumindest teilweise durch die Prozessüberwachung zu substituieren. Bei der Computertomografie (CT) beispielsweise fallen mit einem Stundensatz von über 100 Euro und Prüfzeiten, die mehrere Stunden betragen können, hohe Kosten an. Dies führt wiederum zu einer signifikanten Erhöhung der Herstellungskosten pro Bauteil. Im Bereich der Produktionsplanung und -steuerung kann eine In-Prozess-­Früh­erkennung von Pro­zess­abwei­chungen und Bauteilfehlern die Reaktionsfähigkeit verbessern. Im Fall unzureichender Qualität oder eines vorzeitigen Abbruchs des Druckprozesses können frühzeitig Maßnahmen ergriffen werden, um den Liefertermin zu halten. Insgesamt können mit dem vorgestellten Vorgehen neuronale Netze entwickelt werden, die eine Früherkennung von Prozessabweichungen ermöglichen. Damit kann ein wichtiger Schritt zur Prozessregelung erreicht werden.

* Claudia Rosenkranz, Bartos Mosch, Max Lutter-Günther und Dr.-Ing. Georg Schlick sind Mitarbeiter der Fraunhofer-Einrichtung für Gießerei-, Composite- und Verarbeitungstechnik IGCV in 86153 Augsburg, Tel. (08 21) 90 67 81 49, claudia.rosenkranz@igcv.fraunhofer.de

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45538285)