Harte Brocken, intelligent geknackt

Kilian Wasmer von der Eidgenössische Materialprüfungs- und Forschungs­anstalt EMPA kann die Erfolgs­geschichte selbst kaum glauben: Zusammen mit seinem Team hat er ein System zur Über­wachung komplexer Produk­tions­prozesse paten­tiert, das sich in unter­schied­lich­sten Situa­tionen ein­setzen lässt. Und das, obwohl es anfangs für die Idee nicht gut aussah. „Ich sagte unserem Partner, ich schätze die Erfolgs­aus­sichten auf etwa fünf Prozent. Aber wir werden es trotz­dem ver­suchen“, berichtet Wasmer von den Anfängen des Projekts.

Bei dem Partner handelt es sich um die Firma Selfrag aus Kerzers bei Bern, die Hoch­volt­genera­toren her­stellt, die mittels Blitz­ent­ladung Beton zer­trümmern können. Der Vor­teil: im Gegen­satz zum Vor­schlag­hammer, der scharf­kantige Beton­brocken mit gespal­tenen Kiesel­steinen erzeugt, zer­legt die Blitz­ent­ladung den Beton in seine Grund­bau­steine Kiesel, Sand und Zement – wodurch er komplett wieder­ver­wertet werden kann. Doch bis­lang gab es keine geeig­nete Kontroll­möglich­keit, um zu bestimmen, ob der Blitz den Beton­klumpen oder den Gesteins­brocken auch getroffen hatte. Wasmer und sein Team sollten solch eine Methode ent­wickeln.

Die Forscher begannen, kleine Probekörper aus Plexiglas mit Hochvolt-Blitzen zu bombar­dieren. Die akus­tische Signa­tur eines jeden Blitzes wurde auf­ge­zeichnet und der dazu­gehö­rende Plexi­glas-Probe­körper im Mikro­skop auf Risse und Ober­flächen­schäden unter­sucht. Sergey Shevchik, Spezia­list für künst­liche Intel­li­genz im Team, probierte diverse Strategien aus, um die rich­tigen Muster aus den Daten zu erkennen. Schließ­lich gelang es, erfolg­reiche Blitz­schläge von Fehl­schüssen zu unter­scheiden und auch ober­fläch­liche Treffer zu erkennen.

Der Erfolg bei der Blitz-Analyse in Echtzeit brachte das Team auf die Idee, auch andere, extrem laute Prozesse zu analy­sieren: quietschende, ratternde Maschinen. Wenn Wälz­lager und andere beweg­liche Metall­teile unzu­reichend geölt sind, können sie fest­fressen. Das Problem ver­ur­sacht welt­weit beträcht­liche Schäden. Doch gute Vor­warn­systeme gab es bis­lang nicht: Tempe­ratur­sensoren, inte­griert in gefähr­dete Bau­teile, erkennen eine Tempe­ratur­erhö­hung leider erst, wenn das Fressen bereits begonnen hat und die Bau­teile zer­stört sind.

Wenn irgendetwas an einer Maschine quietscht, muss das nicht immer Grund für eine Total­revi­sion sein. Wer seine Produk­tions­maschinen häufiger zer­legt und wartet als not­wendig, ver­ur­sacht unnötige Kosten. Wer zu lange wartet, riskiert aber, dass ein beweg­liches Bau­teil fest­frisst und in der Folge weitere Teile der Maschine zer­stört. Es gilt also, aus der Fülle von Geräuschen das ent­schei­dende Quietschen heraus­zu­hören – und zwar recht­zeitig, um die Maschine noch stoppen zu können.

Wasmers Team ließ auf einem Tribometer eine Walze aus gehärtetem Stahl auf einer guss­eisernen Unter­lage schaben, zeich­nete die Geräusche auf, stoppte den Versuch in unter­schied­lichen Phasen und unter­suchte die Schäden unter dem Mikro­skop. Es gelang den Forschern, aus dem Geräusch­chaos, das die Stahl­walze auf dem Guss­eisen erzeugte, die ent­schei­denden Hin­weise heraus­zu­hören. Die Forscher erkennen das Fressen nun mit achtzi­gprozen­tiger Sicher­heit. Noch wich­tiger: Die ent­schei­dende Phase des Vor­fressens kann mit einer Sicher­heit von 65 Prozent erkannt werden, und zwar einige Minuten vor dem kata­stro­phalen Ende. Das würde genügen, um viele Industrie­maschinen recht­zeitig zu stoppen und vor schweren Schäden zu bewahren.

Das jüngste Projekt des Teams widmet sich dem „Additive Manu­factu­ring“, dem Her­stellen von metal­lischen Bau­teilen aus Metall­pulver, das von einem Laser­strahl auf­ge­schmolzen wird. Dieses neu­artige Her­stel­lungs­ver­fahren kommt ohne Guss­formen aus und eignet sich perfekt für geo­me­trisch komplexe Einzel­stücke. Doch bis heute ist es nötig, die Prozess­para­meter für eine bestimmte Legie­rung oder Anwen­dung genau­estens ein­zu­halten. Jede Abweichung kann zu Poren, Rissen oder Eigen­spannungen im Werk­stück führen und es unbrauch­bar machen.

Wasmer und seine Kollegen kombinierten akustische Sensoren mit maschi­nellem Lernen und analy­sierten die Mess­daten mit einem erst 2016 beschrie­benen Algo­rithmus. Mit dieser maschi­nellen Lern­methode gelang es ihnen, mit einer Treffer­quote von über 83 Prozent zu unter­scheiden, ob das Laser­schmelzen zu heiß oder zu kalt ablief und damit uner­wünschte Poren erzeugte. Die Forscher sind zuver­sicht­lich, dass sich die Methode nicht nur auf Laser-3-D-Drucker anwenden lässt. Auch andere AM-Ver­fahren wie Laser-Sintern, Stereo­litho­grafie oder Multi­jet-Printing laufen nach ähn­lichen physi­ka­lischen Prin­zi­pien ab. Die Methode zur Prozess- und Quali­täts­über­wachung in Echt­zeit könnte also bei all diesen Ver­fahren ein­setz­bar sein.

Schon jetzt hat ein Industriepartner vom Know-how der Gruppe profi­tiert: Die Firma Coherent Switzer­land mit Sitz in Belp stellt seit nun­mehr 44 Jahren Laser­quellen und Bearbei­tungs­köpfe für Laser­maschinen her. Dank der Arbeit des EMPA-Teams ver­fügt die Firma bald über ein Sensor­system, das den Laser­bearbei­tungs­prozess optisch über­wacht und doku­men­tiert. Die so gewonnenen Daten helfen, zukünf­tige Laser­prozesse zu opti­mieren und den hohen Quali­täts­standard zu halten, den etwa die Auto­mobil­industrie von ihren Zu­lieferern fordert.

EMPA / RK