Forschung für den Mittelstand - Die IGF-Projektdatenbank

Certify as you build - Qualitätssicherung beim Laser-Pulver-Auftragschweißen

Das Laser-Pulver-Auftragschweißen (LPA) ist als Verfahren zur Beschichtung seit vielen Jahren im industriellen Einsatz. Neue Anwendungsmöglichkeiten beziehen sich auf die Reparatur und den additiven Aufbau. Um diese Technologie in Branchen wie der Medizintechnik oder der Luft- und Raumfahrt nutzen zu können, ist eine Qualitätssicherung notwendig. Hierfür sind derzeit umfangreiche nachgelagerte Prüfungen erforderlich, die hohe Kosten verursachen und die Einsetzbarkeit des Verfahrens beschränken.

Ziel des Projektes ist es daher, die Qualitätskontrolle basierend auf Daten des Prozessmonitorings zu ermöglichen. Während des Prozesses werden optische Sensoren zur Prozessdokumentation eingesetzt. Mittels künstlichen Neuronalen Netzen (kNN) werden die gewonnenen Daten mit qualitätsrelevanten Eigenschaften verknüpft, und können somit für einen Qualitätsnachweis eingesetzt werden. Diese Offline-Prozesskontrolle soll dabei ein flexibles und ständig erweiterbares Qualitätswerkzeug darstellen. Damit dieses in der industriellen Praxis vor allem bei KMUs anwendbar ist, müssen die Anforderungen hinsichtlich einer leichten Bedienung sowie der Kosteneffizienz erfüllt werden. Bestehende Anlagen können durch den Einsatz optischer Sensoren kostengünstig erweitert werden, wodurch insbesondere KMU, die auf große Investitionen verzichten wollen, einen Wettbewerbsvorteil erzielen. Im Projekt werden mittels statistischer Versuchsplanung die optimalen Herstellbedingungen beim LPA analysiert und Modelle zur Maschineneinstellung sowie zur Überwachung der Qualitätseigenschaften gebildet. Aufbauend darauf werden kNN entwickelt und trainiert. Des Weiteren soll eine Vorgehensweise zur ständigen Aktualisierung des kNN aufgezeigt werden. Auf diese Weise wird ein Prozessverständnis entwickelt, um bestimmte Fehler sowie Eigenschaften eines Bauteils zu diagnostizieren. Auf Basis dieser Informationen kann ein Qualitätsnachweis über die Eignung eines Bauteils für dessen spätere Aufgabe erstellt werden.

Ergebniszusammenfassung:

Im Rahmen des Projektes wurde das Ziel verfolgt, durch den kombinierten Einsatz von kostengünstigen optischen Sensoren einen Qualitätsnachweis für das Schweißergebnis beim Laser-Pulver-Auftragschweißen durch Analyse der während des Prozesses aufgenommenen Messdaten zu gewährleisten. Hierbei sollten inbesondere KI-Methoden zur Qualitätssicherung eingesetzt werden.

Messdaten bilden notwendige Informationen über den Schweißprozess ab. Um diese für ein KNN nutzen zu können, muss ein Fokus auf die Datenvorbereitung gelegt werden. Hierunter fällt auch eine entsprechende Feature Extraktion, die dynamische Messreihen in statische Kennwerte umwandelt. Zur Feature Extraktion stehen eine Vielfalt von Werkzeugen zur Verfügung, die je nach Anwendungsfall eingesetzt werden. Bei der Feature Extraktion beim DED zur Verwendung von Messdaten sind neben der Python-Bibliothek, die univariate Analyse und eine Korrelationsmatrix erfolgreich validiert worden. Es gilt zu berücksichtigen, dass die Auswertung sowohl geometrie- als auch zielgrößenabhängig ist. Der Vergleich von KNN mit und ohne Berücksichtigung von Messdaten zeigt einen deutlichen Mehrwert hinsichtlich der Anwendung von Prozessdaten. Insbesondere die Komplexität von additiven Bauteilen lassen sich mit Features aus Messdaten wesentlich besser abbilden. Durch die im Rahmen des Projektes entwickelte Methodik ließen sich Qualitätsaussagen hinsichtlich einer Kategorisierung, sowie zu den mechanischen Kennwerten Dichte und Härte treffen. Insbesondere die Prognose der quantitativen Merkmale übertraf hier die bisherigen bekannten Untersuchungen. In letzter Konsequenz wurde die Übertragbarkeit der Erkenntnisse auf ein Demonstratorbauteil, eine Schaufel-Geometrie überprüft. Auf Basis der Erkenntnisse konnte auch hier die Dichte und Härte entsprechend gut prognostiziert werden. Die Komplexität der KI-Methoden wird durch eine im Rahmen des Projektes entwickelte Bedienoberfläche vereinfacht.