Thema | Additive Fertigung, Künstliche Intelligenz |
---|---|
Projekttitel | Sensorik- und App-basierte Validierung der Prozess- und Produktqualität für die aufwandsreduzierte Zulassung personalisierter Medizinprodukte (SAViour) |
Laufzeit | 01.02.2021 – 31.01.2023 |
Ergebnisse | |
Download | |
Pressemitteilung | |
Podcast |
Personalisierte Medizinprodukte unterliegen strengen Vorgaben an die Sicherheit. In der additiven Fertigung muss deshalb der Einfluss einer Vielzahl von Parametern von individualisierten medizinischen Bauteilen validiert werden. Die daraus resultierenden langwierigen Zulassungsverfahren stellen besonders KMU vor große methodische und wirtschaftliche Herausforderungen.
Das Forschungsprojekt SAViour befasst sich mit der Entwicklung eines Qualitätsmanagementsystems zur echtzeitfähigen Überwachung von Prozessparametern in der additiven Fertigung. Die Produktqualität wird mit Hilfe eines Qualitätsmodells überwacht, welches auf dem Verfahren des Machine Learning basiert. Die dafür notwendigen Daten werden mittels eines selbst entwickelten Sensorkonzepts erhoben, welches direkt in den 3D-Druck-Prozess integriert wird. Die gewonnenen Daten können zusätzlich zur ganzheitlichen Prozessoptimierung genutzt werden. Das Verfahren wird am Beispiel des Fused Deposition Modeling (FDM) umgesetzt und erforscht.
Ziel ist es, eine App zu entwickeln, welche die Prozesskorrektur ermöglicht und die Qualität der additiv gefertigten Bauteile und des Prozesses dokumentiert.
- Keine aktuellen Termine vorhanden.
- 13.04.2021, 10:35 Uhr - 16:00 Uhr
- Online Veranstaltung
Veröffentlichungen zum Projekt
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