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

 

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.

ContentAd

Kleinste auf dem Markt erhältliche Hochleistungs-Turbopumpe

Kleinste auf dem Markt erhältliche Hochleistungs-Turbopumpe

Die HiPace 10 Neo ist ein effizienter, kompakter Allrounder für den Prüfalltag, der geräuscharm und besonders energieeffizient ist.

Meist gelesen

Themen