SmoPa3D - Sensorgestützte modellbasierte Parametrierung von 3D-Druckprozessen
Konstruktion, Maschinenelemente, Produktentwicklung
Zusammenfassung der Projektergebnisse
Im Forschungsprojekt SmoPa3D wurden Methoden zur prozessintegrierten Qualitätskontrolle im Fused Deposition Modeling (FDM) entwickelt. Ziel war die dynamische Regelung von Druckparametern zur Einhaltung definierter Qualitätsziele mittels Laserlichtschnittsensoren (LLS) und datengetriebener Modellierung. Dabei wurde das Projekt in zwei Projektphasen unterteilt. In der ersten Projektphase wurden Möglichkeiten zur Modell- und Datenreduktion untersucht, damit eine Datenverarbeitung effizient gestaltet werden kann. Auf Basis dieser Modelle lassen sich durch den Vergleich von Soll- und Ist-Daten Qualitätskenngrößen wie Lücken, Abstände oder Oberflächenrauheit ableiten. Vereinfachte zweidimensionale Modelle erleichtern die Einordnung in Fehlerkategorien und erlauben Rückschlüsse auf den Druckzustand. Die Modellierung von Qualitätszielgrößen kann sowohl mit White-Box-Ansätzen, beispielsweise zur Filamentgeometrie, als auch mit neuronalen Netzen realisiert werden. Diese erlauben auf Grundlage der Prozessparameter eine Prädiktion des Druckzustands und bilden zusammen mit erweiterten Datengrundlagen die Basis für eine Prozessregelung. In der zweiten Projektphase wurde ein neuer FDM-Drucker mit modifizierbarem G-Code mit zwei Laserliniensensoren und einem Jetson ausgestattet, um eine Echtzeitfähigkeit zu gewährleisten. Basierend auf einer ausgearbeiteten Ontologie wurde eine Cloud- Datenbank eingerichtet, um Messdaten eindeutig Prozessparametern zuzuordnen. Zusätzlich zu den real erzeugten Daten wurde eine Pipeline zur Erzeugung synthetischer Daten implementiert, um die Datengrundlage für das Trainieren von Methoden des maschinellen Lernens zu vergrößern. Zur Defektprädiktion wurde das PointNet++ Framework eingesetzt. Dabei konnte eine Testgenauigkeit von 95,4 % erreicht werden. Zusätzlich konnte eine Fehlerfortpflanzung in aufeinanderfolgenden Schichten erfolgreich modelliert werden. Das Echtzeitsystem und die entwickelten ML-Modelle ermöglichen vielversprechende Ansätze für die Prozessregelung. Eine vollständige modellprädiktive Regelung konnte aufgrund der hohen Komplexität der Datenbankentwicklung und der Datensimulation jedoch im Rahmen der Projektlaufzeit nicht erreicht werden. Zukünftige Arbeiten werden auf den entwickelten Methoden und der offenen Datenstruktur aufbauen.
Projektbezogene Publikationen (Auswahl)
-
Qualitätsorientierte modellbasierte Prozessparameter für das Fused Deposition Modeling. Apprimus Verlag, Aachen. 2018
Fuhrmann, M.
-
Data-driven Prediction of Surface Quality in Fused Deposition Modeling using Machine Learning. Production at the leading edge of technology, 473-481. Springer Berlin Heidelberg.
Sohnius, Felix; Schlegel, Peter; Ellerich, Max & Schmitt, Robert H.
-
Influence of single filament dimensions on geometrical density as a quality criterion for fused filament fabrication APAM 2019
Schmitt, R. H., Geiger, K., Wolfschläger, D. & Peterek, M.
-
In-line optical measurement system for 3D process monitoring of a fused filament fabrication (FFF) printer. Holistic Innovation in Additive Manufacturing Conference June 25-26 2020
Wolfschläger, D., Briele, K., Ellerich, M. & Schmitt, R. H.
-
Voxel-based description model of quality-related data for a holistic quality assurance in additive manufacturing Proceeding of the Joint Special Interest Group meeting between euspen and ASPE Advancing Precision in Additive Manufacturing September 2023
Großeheide, J., Wolfschläger, D. & Schmitt, R. H.
