Maschinelles Lernen für mehr Qualität in der Additiven Fertigung
Die additive Fertigung bietet beispiellose Flexibilität bei der Herstellung komplexer Geometrien, ist jedoch anfällig für Defekte während des Produktionsprozesses. Mit dem ML-S-LeAF-Projekt haben wir einen entscheidenden Beitrag zur Entwicklung neuer Möglichkeiten der digitalen Qualitätssicherung geleistet.
ML-S-LeAF steht für einen innovativen Ansatz in der Qualitätssicherung der additiven Fertigung. Das durch das Bundesministerium für Wirtschaft und Klimaschutz finanzierte Projekt strebt danach, Fertigungsverfahren ressourceneffizienter zu gestalten.
Ziel des Forschungskonsortiums ist die Entwicklung einer automatisierten Prozessüberwachung auf Basis simulierter Schallemissionen während eines industriellen Druck- und Schmelzverfahrens.
Das Projekt
Die KI hört zu
Im Mittelpunkt des Projekts stand die Entwicklung einer Künstlichen Intelligenz (KI), die den Produktionsprozess des Powder Bed Fusion-Verfahrens (PBF) akustisch überwacht. Das Ziel: Defekte frühzeitig erkennen, bevor sie die Bauteilqualität beeinträchtigen.
Dabei analysiert die KI systematische Abweichungen in den Klangprofilen – sowohl in der Luft als auch im Bauteil selbst.
Abb.: Messaufbau mittels Mikrofonen und Beschleunigungssensor in der Druckkammer der PBF-Anlage
Zu bestätigen war die These, dass der Druck fehlerhafter Bauteile durch akustische Abweichungen erkennbar ist. Hierfür wurden Bauteile mit feinsten Linien gedruckt, die die Testanlage gezielt an ihre Qualitätsgrenze bringen.
Abb.: Mikroskopische Aufnahmen von fehlerfreien (links) und fehlerhaften Linien (rechts).
Die KI wurde anschließend mit einer Kombination von realen Messungen aus dem Testgerät, sowie virtuellen Schalldaten trainiert. Eine große Anzahl virtueller Daten diente u. a. dazu, verschiedenartigste Abweichungen anzubieten, an denen die KI ein robustes Bewertungsmuster aufbauen kann.
Abb.: Vergleich zwischen gemessenen und simulierten Schalldaten.
Aufgrund der Menge an Trainingsdaten wurde eine Fehlererkennung mit einer Genauigkeit von bis zu 98 % erreicht.
Abb.: Fehlermatrix der KI bei binärer Klassifizierung
Projektpartner
Gemeinsam mit einem hochkarätigen Konsortium aus Industrie und Wissenschaft arbeiteten wir an wegweisenden Methoden der Qualitätssicherung:
Fraunhofer IDMT
Experten für digitale MedientechnologienSAM und PTW der TU Darmstadt
Spitzenforschung in Akustik und ProduktionstechnikOmegaLambdaTec GmbH
Spezialisten für Datenanalyse und Machine LearningNovicos GmbH
Akustikexperten für Simulation und Messung
Ein Dank an alle Förderer
Wir bedanken uns herzlich bei unseren Konsortialpartnern sowie beim BMWK (bei Antragstellung noch BMWi) und dem Forschungszentrum Jülich für die Förderung und Unterstützung dieses erfolgreichen Projekts.
Das Projekt schaffte die Grundlage für eine digitale, KI-basierte Qualitätssicherung, die speziell für den Einsatz in der Leichtbaufertigung entwickelt wurde. Somit wurde ein wesentlicher Schritt in Richtung der vollständigen Digitalisierung der Qualitätsüberwachung in der additiven Fertigung unternommen.
Ihr Ansprechpartner
Gern stehe ich Ihnen für Fragen sowie weiteren Details zur Durchführung und Ergebnissen von ML-S-LeaF zur Verfügung.
Dr.-Ing. Ömer Yildiz
Weitere Details
Die laufenden Entwicklungen und Erfolge von Forschungsprojekten wie ML-S-LeAF teilen wir kontinuierlich auf LinkedIn. Folgen Sie uns, um aktuelle Updates zu erhalten und zu erfahren, wie maschinelles Lernen die Fertigungsindustrie revolutioniert.
Novicos bei LinkedIn