Die Qualitätsanforderungen an additive Fertigungsverfahren steigen, da diese Technologien zunehmend für hochwertige und kritische Komponenten in verschiedenen Branchen wie Luft- und Raumfahrt, Automobilindustrie, Medizintechnik und Biotechnologie eingesetzt werden. Aufgrund ihrer Designflexibilität wird die additive Fertigung häufig für kleine und kundenspezifische Serien verwendet, was die Qualitätskontrolle zu einer Herausforderung macht. Ein vielversprechender Ansatz zur Verbesserung der Kosteneffizienz ist die Prozessüberwachung mithilfe von maschinellem Lernen. Diese Studie präsentiert ein Sensorkonzept für das Fused Deposition Modeling und eine Pipeline für maschinelles Lernen zur Vorhersage der Prozess- und Teilequalität. Als wichtige Qualitätsmerkmale wurden Zugfestigkeit und Schlagfestigkeit ausgewählt. Die Ergebnisse zeigen eine hohe Genauigkeit bei der Vorhersage der Zugfestigkeit, während die geringere Genauigkeit bei der Schlagfestigkeit auf Datenvariabilität zurückzuführen ist, die durch natürliche Streuung bei Proben mit identischen Prozessbedingungen verursacht wird. Dies unterstreicht das Potenzial des maschinellen Lernens zur Steigerung der Effizienz und Senkung der Kosten und bietet eine Alternative zu teuren Testmethoden.
Fused Deposition Modeling, maschinelles Lernen, Prozessüberwachung
Die Wirtschaft steht vor Herausforderungen, die nachhaltiges Wirtschaften erfordern. Die Automatisierung bietet hierbei großes Potenzial, indem sie Energieeffizienz, Ressourcenschonung und soziale Verbesserungen fördern kann. Dennoch stellen bestehende Nachhaltigkeitsbewertungsmethoden für Automatisierungslösungen spezifische Anforderungen oft unzureichend dar. Daher entwickelt das IPH eine Methode, die KMU bei der effektiven Implementierung nachhaltiger Automatisierungslösungen unterstützt.
Nachhaltigkeit, Nachhaltigkeitsbewertung, Automatisierungslösungen, sozial, ökonomisch, ökologisch
Die Additive Fertigung ermöglicht die wirtschaftliche Herstellung komplexer Komponenten mit einem hohen Maß an Individualisierung. Daher nutzt die medizinische Industrie die Vorteile der Additiven Fertigung zur Herstellung individualisierter medizinischer Geräte. Medizinische Geräte unterliegen besonderen Anforderungen an die Qualitätskontrolle, welche die additiven Fertigungsverfahren noch nicht erfüllen. Dieser Artikel befasst sich mit der Einführung eines Konzepts zur in situ Prozessüberwachung am Beispiel des Fused Deposition Modeling. Die Prozessüberwachung erfolgt durch ein Qualitätsmodell, welches auf die Daten eines selbst entwickelten, im Drucker integrierten Sensorkonzeptes zugreift. Diese Daten werden mit Hilfe einer Machine-Learning-Pipeline analysiert, um die Prozess- und Produktqualität vorherzusagen. Die Machine-Learning-Pipeline besteht dabei aus mehreren aufeinander aufbauenden Schritten, die von der Datenextraktion und -vorverarbeitung bis zum Modelltraining und -einsatz reichen. Das vorgestellte Verfahren zur Sicherstellung der Druckqualität bildet eine Grundlage für die Produktion von sicherheitsrelevanten Bauteilen in Losgröße eins und erweitert herkömmliche Qualitätssicherungsmethoden in der Additiven Fertigung.
Additive Fertigung, Qualität, Fused Deposition Modeling, Künstliche Intelligenz, Prozessüberwachung
In der Medizintechnik, in der komplexe und patientenindividuelle Produkte hergestellt werden, hat sich die Additive Fertigung etabliert. Da die Prozesse der Additiven Fertigung sensibel auf Veränderungen der Prozessparameter und Umgebungsbedingungen reagieren, sind Qualitätssicherungsmaßnahmen ein zentraler Faktor innerhalb der Produktion. In diesem Beitrag wird der Ansatz für eine In-situ-Prozessüberwachung in der additiven Materialextrusion vorgestellt.
Additive Fertigung, 3D-Druck, Fused Deposition Modeling, Qualitätskontrolle, Machine-Learning
