Beschreibung und Projektziele
Additive Fertigungsverfahren gelten als Schlüsseltechnologie für den Leichtbau. Im Projekt ML-S-LeAF steht das schichtweise Pulverbettschmelzen mit Laserstrahl von Metallwerkstoffen (engl.: Powder Bed Fusion with a Laser Beam on Metal, PBF-LB/M, im Folgenden kurz PBF) im Mittelpunkt der Untersuchungen. Dieses Verfahren ist für den Einsatz im Leichtbau geeignet, da unter anderem die Bauteilgestaltung kaum eingeschränkt wird und schlichtweg neue Möglichkeiten auf dem Weg zur klimaneutralen Fertigung zur Verfügung stehen. Das Fraunhofer IDMT entwickelt zusammen mit einem starken Konsortium KI-basierte Verfahren zur automatisierten akustischen Qualitätsüberwachung im Leichtbau, insbesondere für die additive Fertigung.
Ausgangssituation und Idee
Aufgrund der komplexen Aufschmelz- und Erstarrungsmechanismen beim PBF und den daraus resultierenden Defekten wie beispielsweise Porosität, kann das Leichtbaupotential bislang nur sehr eingeschränkt genutzt werden. Besonders die in der Luft- und Raumfahrt geltenden Qualitätsansprüche an den Leichtbau werden noch nicht zufriedenstellend erfüllt. Die bislang eingesetzten Systeme zur Prozessüberwachung im PBF wenden optische Sensoren an, welche die emittierte Strahlung des Schmelzbades erfassen. Jedoch verfälschen Schmauchbildung und die Temperatur- und Wellenlängenabhängigkeit der Strahlungsintensität die Messsignale. Deshalb entscheiden meist die Maschinenbedienenden subjektiv über einen notwendigen Prozessabbruch. Sie können anhand auftretender Geräusche beim PBF Abweichungen im Fertigungsprozess hören. Eine automatisierte akustische Qualitätsüberwachung birgt daher viel Potential, Fehler bereits im laufenden Prozess zu identifizieren und entsprechend frühzeitig darauf zu reagieren.
Das Vorhaben kurz erklärt
Das Projektkonsortium hat sich zur Aufgabe gesetzt, Verfahren zur automatisierten Geräuschbewertung in der additiven Fertigung, insbesondere für den Leichtbau, zu entwickeln. Die serienmäßige Ausstattung von PBF-Maschinen mit automatisierten Überwachungssystemen, mit Hilfe derer Fehler im Fertigungsprozess frühzeitig erkannt werden, führt unter anderem zu einer Verringerung von unnötigen Betriebsstunden der Maschinen und spart somit CO2-Emissionen ein.
Die Innovation bei der automatisierten akustischen Überwachung
Machine-Learning (ML)-Algorithmen müssen mit einer ausreichenden Anzahl an Fehlerbildern trainiert werden, die in der Praxis häufig nicht zur Verfügung stehen, da die Messung sämtlicher Fehlerbilder zu aufwändig oder teilweise gar nicht möglich ist. Als Besonderheit in diesem Projekt werden die Schalldaten zum Anlernen der maschinellen Lernmodelle nicht nur an echten Anlagen aufgezeichnet, sondern auch durch ein virtuelles Modell des Prozesses simuliert. Die Übertragbarkeit zwischen echtem und simuliertem Schall spielt dabei eine entscheidende Rolle bei der Erzeugung robuster ML-Modelle. Dieser innovative zusammenführende Ansatz ermöglicht das Erzeugen einer deutlich größeren Datenbasis und kann bei einem vielversprechenden Ergebnis auf zahlreiche weitere Anwendungsgebiete übertragen werden. Im Vorhaben soll eine Pilotanlage umgesetzt werden, die den realen Einsatz an einem Anlagen-Prototyp demonstriert. Dies beinhaltet die Software zur Qualitätsüberwachung sowie die Systemintegration der Sensorik und der Regelungstechnik.