Entwicklung und Erprobung einer adaptiven, KI-gesteuerten Prozesssteuerung für das Verfahren des Laserauftragsschweißens (ProSLAM)

Problemstellung
Additive Fertigungstechnologien gewinnen wegen der erweiterten Möglichkeiten der Formgebung und des verkürzten Fertigungsprozesses zunehmend Bedeutung in der Industrie. Ein Hemmnis bei der Verbreitung stellen das erforderliche Expertenwissen und der Aufwand für die Prozessentwicklung und -optimierung dar. Selbst etablierte Verfahren, wie das Laserauftragschweißen (Laser Material Deposition, LMD), erfordern trotz zahlreicher Ansätze zur Prozessüberwachung und automatisierten Regelung nach wie vor manuelle Eingriffe, um Prozessunregelmäßigkeiten auszugleichen und defektfreien Volumenaufbau zu erzielen. Für einen breiten Einsatz in industriellen Anwendungen ist es notwendig, die Komplexität und damit den Aufwand der Prozessentwicklung erheblich zu reduzieren.

Ziel
Ziel des Forschungsprojektes ProSLAM ist die Entwicklung eines KI-basierten, dynamischen Konzeptes für die Prozessoptimierung zur sogenannten First-Time-Right-Fertigung. Neu an dem Ansatz ist, dass anstelle einer mit hohem Aufwand verbundenen vollständigen Echtzeitprozessregelung der charakteristische Aufbau in Lagen genutzt wird. Die Prozessdaten werden dabei lagenweise KI-basiert analysiert und in Echtzeit für nachfolgende Lagen angepasst. Mittels einer einheitlichen Software-Oberfläche wird die Komplexität des Prozesses für den Anwender signifikant reduziert und das Verständnis erhöht.

Vorgehensweise
Ausgangspunkt ist die Erfassung und Zusammenfassung von Sensor-Messdaten. Diese werden in einer ersten Stufe von KI mit den Messdaten einer zerstörungsfreien Bauteilprüfung mittels Computer-Tomographie (CT) verknüpft. Die resultierenden Zusammenhänge werden dazu verwendet, die zweite, anlagennahe KI-Stufe zu trainieren, wodurch diese zunehmend befähigt wird, während des Prozesses Defekte vorherzusagen und durch Anpassung der Prozessparameter in nachfolgenden Lagen zu kompensieren. Die neu erarbeitete Methodik wird im Projekt experimentell anhand von LMD-Schweißproben validiert und prototypisch im industriellen Umfeld iterativ angepasst.
Ausgangspunkt ist die Erfassung und Zusammenfassung von Sensor-Messdaten. Diese werden in einer ersten Stufe von KI mit den Messdaten einer zerstörungsfreien Bauteilprüfung mittels Computer-Tomographie (CT) verknüpft. Die resultierenden Zusammenhänge werden dazu verwendet, die zweite, anlagennahe KI-Stufe zu trainieren, wodurch diese zunehmend befähigt wird, während des Prozesses Defekte vorherzusagen und durch Anpassung der Prozessparameter in nachfolgenden Lagen zu kompensieren. Die neu erarbeitete Methodik wird im Projekt experimentell anhand von LMD-Schweißproben validiert und prototypisch im industriellen Umfeld iterativ angepasst.

Ergebnisse und Anwendungspotenzial
Die Erhöhung der Prozesssicherheit bei gleichzeitig reduziertem Aufwand wird zu einer weiteren Verbreitung der additiven Technologien, insbesondere in klein- und mittelständischen Unternehmen führen. Anwendungen finden sich in zahlreichen Branchen der Industrie, überall dort, wo es um verschleißhemmende Beschichtungen, gewichtsoptimierte Bauteile oder die Reparatur von Werkzeugen und Formen geht.

• BCT Steuerungs- und DV-Systeme GmbH
• diondo GmbH
• Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein
• Point 8 GmbH
• Precitec GmbH & Co. KG
• Resolto Informatik GmbH