Fraunhofer-Institut für Produktionstechnologie IPTForschungsprojekt »AI-gent3D«
Mehr Produktivität bei der Herstellung 3D-gedruckter Bauteile
Bauteile aus hochtemperaturbeständigem, thermoplastischem Kunststoff wie Polyetheretherketon (PEEK) werden aufgrund ihrer Materialeigenschaften in sicherheitskritischen Anwendungen mit hohen Qualitätsanforderungen eingesetzt, wie zum Beispiel in der Medizin, der Luftfahrt oder im Energiesektor. Bei der Herstellung solcher Bauteile durch 3D-Druck im Schmelzschichtverfahren (Fused Deposition Modeling, kurz: FDM) bestehen die Herausforderungen in der Optimierung der Produktivität, der Verbesserung der Produktqualität und der Anpassung der Prozesse an Materialänderungen.
Die Erfahrung zeigt, dass mittels Künstlicher Intelligenz (KI) weitreichende Prozessverbesserungen in der Fertigung allgemein, aber speziell auch beim Additive Manufacturing erreicht werden können. Vor allem kleine und mittlere Unternehmen, die sich mit dem 3D-Druck von Kunststoff beschäftigen, sowie Unternehmen, die KI-Lösungen entwickeln, profitieren in diesem Forschungsprojekt von der Zusammenführung der beiden Themen: Die Untersuchung von KI-Unterstützung in der FDM-Fertigung von PEEK.
Künstliche Intelligenz zur Steigerung der Effizienz im Kunststoff-3D-Druck
Ziel im BMBF-geförderten Projekt »AI-gent3D – KI-gestützter, generativer 3D-Druck« ist es, die Effizienz des FDM-Prozesses zur Herstellung von Bauteilen aus PEEK durch den Einsatz künstlicher Intelligenz zu verbessern. Eine höhere Produktivität der Fertigungsverfahren, kürzere Anlaufzeiten, verbesserte Produktqualität sowie Maschinen- und Verfahrenszuverlässigkeit sollen dazu beitragen, die Kosten der Fertigung zu senken und die gesamte Wertschöpfungskette leistungsfähiger zu gestalten. Teil der Forschung ist dabei die Analyse, wie die Ergebnisse auf vielfältige weitere Produktionsprozesse, besonders im FDM-Verfahren und für das Additive Manufacturing, übertragen werden können.
Im Projekt entwickeln die Partner ein Vorgehen zur automatisierten Verknüpfung und Aufbereitung der unterschiedlichen Datenquellen und Datentypen für den Kunststoff-3D-Druck. Auf dieser Basis werden beispielhaft drei KI-Anwendungen implementiert, die für Produktionslinien mit hohen Qualitätsanforderungen relevant sind: Die KI-basierte Prozessparameter-Einstellung, die Vorhersage der Produktqualität während der Verarbeitung sowie die vorausschauende Wartung und Vorhersage des Maschinenstatus. Eine Neuerung für den Kunststoff-3D-Druck ist hier die Kombination von Daten aus dem Prozess mit Daten aus der Produkt- und Prozessentwicklung. Indem die unterschiedlichen Daten miteinander verknüpft werden, kann es gelingen, anhand genauerer Informationen über den laufenden Fertigungsprozess in kurzer Zeit flexibel Prozessverbesserungen einzuleiten und damit Zeit und Kosten einzusparen.
Konsortium
Projektkoordinator: Bond High Performance 3D technology BV, Enschede (NL)
Projektpartner:
- dida Datenschmiede GmbH, Berlin
- Fraunhofer-Institut für Produktionstechnologie IPT, Aachen
Förderhinweis
Dieses Forschungs- und Entwicklungsprojekt wird mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) im Forschungsprogramm »Innovationen für die Produktion, Dienstleistung und Arbeit von morgen« unter dem Förderkennzeichen 02P20A500 gefördert und vom Projektträger Karlsruhe (PTKA) betreut.
Publikationen aus diesem Projekt
| Jahr Year | Titel/Autor:in Title/Author | Publikationstyp Publication Type |
|---|---|---|
| 2023 | Hybrid ML for Parameter Prediction in Production Dorißen, Jonas; Heymann, Henrik; Schmitt, Robert H. |
Zeitschriftenaufsatz Journal Article |
| 2023 | Assessment Framework for Deployability of Machine Learning Models in Production Heymann, Henrik; Mende, Hendrik; Frye, Maik; Schmitt, Robert H. |
Zeitschriftenaufsatz Journal Article |
| 2023 | Machine Learning Pipeline for Predictive Maintenance in Polymer 3D Printing Heymann, Henrik; Schmitt, Robert H. |
Zeitschriftenaufsatz Journal Article |
Diese Liste ist ein Auszug aus der Publikationsplattform Fraunhofer-Publica
This list has been generated from the publication platform Fraunhofer-Publica