29.10.2021

Echtzeitfähige Regelung von 3D-Druckprozessen

Defekterkennung mithilfe von Laserlichtschnitt-Sensoren und künstlicher Intelligenz.

Additive Fertigungsprozesse zeichnen sich durch ihre Flexibilität und Möglich­keiten zur indivi­duellen Produktion aus. Jedoch weisen solche AM-Techno­logien in der Breite noch keine Serien­reife auf, was damit zusammen­hängt, dass sie häufig keine repro­du­zierbare und beherrsch­bare Fertigung von hoch­quali­tativen Bauteilen zulässt und somit ein hoher Aufwand für die Quali­fi­zierung der produ­zierten Bauteile erfordert ist. Vor diesem Hinter­grund wird im Rahmen des DFG-geförderten Forschungs­projekts „SmoPa3D - Sensor­gestützte modell­basierte Para­me­trierung von 3D-Druck­prozessen“, dessen zweite Projekt­phase im November 2021 startet, untersucht, wie sich durch Integration von Laser­licht­schnitt-Sensoren die Qualität des Drucks im Prozess erfassen und sich diese Kenntnis für eine echtzeit­fähige modell­prädiktive Regelung verwenden lässt. Hierdurch werden die Druckprozesse dazu befähigt, die Qualität trotz plötzlicher Störungen oder unge­eigneter Parame­trierung zu gewähr­leisten und Druck­abbrüche zu vermeiden.

Abb.: FDM-Drucker mit im­ple­men­tier­ten Laser­licht­schnitt-Sen­soren...
Abb.: FDM-Drucker mit im­ple­men­tier­ten Laser­licht­schnitt-Sen­soren zur In-Pro­zess­über­wa­chung. (Bild WZL, RWTH Aachen)

Das Projekt, das unter der Leitung von Robert Schmitt an der RWTH Aachen durch­geführt wird, schließt an die erste Projekt­phase an, in der eine auto­matische Defekt­erkennung mithilfe von Laser­licht­schnitt-Sensoren implem­entiert wurde. Dieses Messsystem erfasst die einzelnen Bauteil­schichten mit einer Auflösung von fünfzig Mikro­metern und bildet ein digitales Modell des Bauteil­zustands. Durch den Vergleich mit dem Soll-Modell können Abweichungen erkannt werden, welche gegebenen­falls zu einer verminderten Qualität des Bauteils führen. Mittels Methoden des maschinellen Lernens konnte das Projekt­team zeigen, dass eine Vorhersage qualitäts­relevanter Merkmale des finalen Bauteils möglich ist.

Aufbauend auf diesen Erkennt­nissen soll jetzt eine echtzeit­fähige Prozess­regelung entwickelt und implem­entiert werden. Auf­tretende Abweichungen sollen hierzu nicht nur erkannt, sondern zusätzlich nach Güte und Art katego­risiert werden. Anschließend werden auf Basis dieser Daten und der Stell­parameter des Druckers qualitäts­relevante Merkmale nach­folgender Schichten geschätzt, um schwer­wiegende Defekte, welche zu verminderter Bauteil­qualität oder Druck­abbruch führen, vorher­sagen zu können.

Diese Kenntnis soll zur Implemen­tierung einer Prozess­regelung genutzt werden, welche eine dynamische Korrektur des Maschinen­codes oder der Stell­parameter vorsieht. Eine auto­matische Optimierung des Druckers wird so noch während des Drucks ermöglicht. Durch die daten­ge­triebene Regelung von 3D-Druck­prozessen versprechen sich die Forscher eine höhere Akzeptanz für den industri­ellen Einsatz dieser Techno­logien und dadurch eine ressourcen­effizientere Produktion durch Material­ein­sparungen und Vermeidung von Über­produktion.

RWTH Aachen / RK

Weitere Infos

 

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

Meist gelesen

Themen