Additive Manufacturing (AM) zeichnet sich durch Flexibilität und Möglichkeiten zur individuellen Produktion aus und findet besonders im Leichtbau und der Sonderfertigung Einsatz. Jedoch weisen AM-Technologien in der Breite noch keine Serienreife auf, was daran liegt, dass die Technologie häufig noch keine reproduzierbare und beherrschbare Fertigung von hochqualitativen Bauteilen zulässt und somit ein hoher Aufwand für die Qualifizierung der produzierten Bauteile notwendig ist. Daher wird im Rahmen des Forschungsprojektes SmoPa3D (Sensorgestützte modellbasierte Parametrierung von 3D-Druckprozessen) untersucht, wie sich durch Integration von Laserlichtschnittsensoren die Qualität des Drucks im Prozess erfassen und sich diese Kenntnis für eine echtzeitfähige modellprädiktive Regelung verwenden lässt. Hierdurch werden die Druckprozesse dazu befähigt, die Qualität trotz plötzlicher Störungen oder ungeeigneter Parametrierung zu gewährleisten und Druckabbrüche zu vermeiden.
Das Projekt, das am Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement durchgeführt wird, schließt an die erste Projektphase an, in der eine automatische Defekterkennung mithilfe von Laserlichtschnittsensoren implementiert wurde. Das Messsystem erfasst die einzelnen Bauteilschichten mit einer Auflösung von 50µm und bildet ein digitales Modell des Bauteilzustands. Durch den Vergleich mit dem Soll-Modell können Abweichungen erkannt werden, welche gegebenenfalls zu einer verminderten Qualität des Bauteils führen. Mittels Machine Learning konnte das Projektteam zeigen, dass eine Vorhersage qualitätsrelevanter Merkmale des finalen Bauteils möglich ist. Aufbauend auf diesen Erkenntnissen soll in der kommenden Förderperiode eine echtzeitfähige Prozessregelung entwickelt und implementiert werden. Auftretende Abweichungen sollen hierzu nicht nur erkannt, sondern zusätzlich nach Güte und Art kategorisiert werden. Anschließend werden auf Basis der Daten und Stellparameter des Druckers qualitätsrelevante Merkmale nachfolgender Schichten geschätzt, um schwerwiegende Defekte, welche zu verminderter Bauteilqualität oder Druckabbruch führen, vorhersagen zu können. Diese Kenntnis soll zur Implementierung einer Prozessregelung genutzt werden, welche eine dynamische Korrektur des Maschinencodes oder der Stellparameter vorsieht. Eine automatische Optimierung des Druckers wird so, während des Drucks, ermöglicht. In den kommenden zwei Jahren Projektlaufzeit erwarten die Forscher eine erfolgreiche Implementierung einer echtzeitfähigen Regelung an einem FDM-Drucker.
