Industrialisierung der additiven Fertigung – Teil 2

Michael Süß und Horst Wildemann

Die Erwartungen an die Automatisierer sind hoch; sie sollen das Potenzial schöpfen, das der 3D-Druck trägt. Das heißt aber nicht, dass sich Maschinenhersteller und Verfahrensspezialisten nun zurücklehnen können, um auf die erlösende Industrialisierung zu warten. So können die absehbaren Marktziele nicht erreicht werden. Zunächst gilt es, bestehende Lücken zu schließen und durch Verfahrensauffächerung bisher verborgene Anwendungsspektren zu bergen. Fortsetzung von Industrialisierung der additiven Fertigung (Fabriksoftware 1/2019 S. 17)

Die Entwicklung des 3D-Drucks begann vor vielen Jahren im Prototypenbau [1]. Es kam die Medizin hinzu, und der Luftfahrtbereich erschloss die verarbeitende Industrie. Was hier wichtig ist: Viele Innovationen entsprangen konkreten Problemstellungen aus der Praxis. Der Fortschritt im 3D-Druck ist nur applikationsspezifisch voranzutreiben. Es entsteht ein loses Netz für viele, singuläre Produkte: Zähne, Einspritzdüsen, Hüftgelenke oder Werkzeugformen [2]. Es existiert bereits heute ein grobes Netz aus Use Cases. Nun gilt es dieses Netz etwas enger zu flechten. Wenn sich ein Verfahren in der bestehenden Form für eine Anwendung nicht eignete, musste das Verfahren weiterentwickelt werden. Die Chancen stehen gut, dass das auch in Zukunft noch so sein wird.

Die Entwicklung der Fertigungsverfahren hat seit den 80er Jahren bereits enorm zugelegt [3]. In der Tat hat die Verfahrensspezialisierung durch intensive Kooperation mit Anwendern bereits exotische Applikationen hervorgebracht, an die früher nicht zu denken war. Die hohe Komplexität und die enormen Funktions- und Qualitätsanforderungen der teilweise feingliedrigen Luftfahrtindustrie sind wie geschaffen für die additive Fertigung – aber eben nicht nur. Die amerikanische Firma MELD™
Manufacturing Corporation wurde Anfang August 2018 von der US Army für eine Forschungskooperation ausgewählt [4]. Im Kern dieser Kooperation steht eine Weiterentwicklung des Rührreibschweißens. Die Erweiterung des Rührreibschweißverfahrens um eine Materialzuführung ermöglicht das Erstellen dreidimensionaler Strukturen. Als Spezialapplikation sind dadurch etwa mobile Reparaturfahrzeuge für den Fronteinsatz vorstellbar, welche auch nichtschweißbare Metallbereiche durch Fügen, Beschichten oder Materialauftrag reparieren können [4]. Auch das ist also Additive Manufacturing und damit nur annähernd vorstellbar, welche Nischen sich durch konsequente Verfahrensauffächerung und Spezialisierung noch aufdecken lassen.


Die Schlüssel zu maschinellem Lernen

Um die notwendigen Produktivitätssteigerungen im 3D-Druck zu erreichen, genügt aber auch kooperative Robotik der höchsten Güte nicht. Neben physischen Fließprinzipien ist das Datenhandling die nächste Stufe zum Erfolg. Im Moment läuft vieles noch nach dem Trial and Error-Prinzip. Die digitalen Produktzeichnungen werden mit Unterstützung von Rechenmodellen in sogenannte Layer-Modelle überführt. Diese Schichtmodelle gehen dann in eine Bauanleitung für den 3D-Drucker über. Die große Herausforderung beim 3D-Druck ist hierbei, dass sowohl die geometrische Form als auch die internen Materialeigenschaften gleichzeitig festgelegt werden – alles hängt ab von Prozessparametern wie den Laserparametern, den physikalischen Pulvereigenschaften, der Orientierung der Bauteile, dem Gasdruck in der Kammer und vielen weiteren Faktoren – und das bei tendenziell sehr komplexen Bauteilen und hohen Ansprüchen an die Materialeigenschaften wie etwa in der Luft- und Raumfahrt. Etablierte Produktionsverfahren wie das Fräsen weisen eine große Historie an Forschung und Entwicklung und daraus resultierend eine hohe Datenbasis als Ausgangspunkt zur Prozessauslegung und Bewertung der resultierenden Bauteileigenschaften auf. Anwender kennen die relevanten Parameter und können diese mit Hilfe vorhandener Richtlinien für den Fertigungsprozess auslegen.

Bild 1: Lernkurveneffekte durch Künstliche Intelligenz

Für jeden 3D-Druckvorgang gilt es, unzählige Parameter zu berücksichtigen. Ob die Einstellungen korrekt waren, wird erst sichtbar, wenn das Bauteil nach der Wärmebehandlung den Qualitätstest bestanden hat. Im schlimmsten Fall wird der ganze Prozess erneut durchlaufen – manchmal auch die Erstellung des Designs. Der Königsweg zur perfekten Maschinenkonfiguration existiert bis heute nicht – auch kein Nachschlagewerk [5]. Momentan tüfteln erfahrene Ingenieure und testen die abertausenden Parameterkombinationen anhand ihrer Erfahrungswerte. Genau hier bietet es sich an, dem menschlichen Verstand künstliche Intelligenz an die Seite zu stellen. Die Variablenvielfalt ist einfach zu gigantisch, um das spezifische Optimierungsproblem allein durch punktuelle Experimente zu lösen. Durch die Analyse von vielen tausend Druckvorgängen werden Muster erkannt und somit Schlussfolgerungen zwischen Maschinenkonfiguration und Bauteilqualitäten aufgestellt. Dies wird durch die Kombination von Big Data und künstlicher Intelligenz gefördert bzw. erst möglich.

Auf der Basis erkannter Muster lassen sich dann anwendungsbezogene Empfehlungen für Maschinenparameter ableiten. Erweisen sich diese Empfehlungen als sinnvoll, speisen sie wieder den Datenpool und es entsteht ein kontinuierlicher Verbesserungsprozess. Die Maschine – oder besser die künstliche Intelligenz – lernt durch einen Regelkreis dazu und hilft dabei, die Anzahl notwendiger Iterationen auf dem Weg zum optimalen Bauteil zu reduzieren. Qualitäts- sowie Betriebsdaten münden in ein Datenmodell und Algorithmen gestützte Analysen führen zu Material-Parameter-
Design-Empfehlungen, welche die Grundlage für den nächsten Druckauftrag sein können. Im Idealfall lassen sich dann neue Designs vollkommen ohne Probedrucke erzeugen.

Zum Weiterlesen klicken Sie hier