Forscher verschiedener Universitäten und Unternehmen haben gemeinsam ein neues Verfahren zur Erkennung von Fehlern beim Metall-3D-Druck hergestellten Teilen mit dem Laser-Pulverbett-Fusion (LPBF)-3D-Druckverfahren entwickelt. Damit soll die Echtzeiterkennung von Fehlern möglich sein, die sich während des LPBF-Druckprozesses bilden. Das neue Verfahren soll auch vor Cybersicherheitsbedrohungen wie Prozessmanipulationen schützen.
Inhalt:
Eine Gruppe von Forschern hat ein neues Verfahren zur Erkennung von Fehlern mit 3D-Druck hergestellten Teilen mit dem Laser-Pulverbett-Fusion (LPBF)-3D-Druckverfahren entwickelt. In einem Papier (unten verlinkt) stellt das Team eine digitale Zwillingsstrategie vor, die Echtzeiterkennung von Fehlern ermöglichen soll, die sich während des LPBF-Druckprozesses bilden. Das Ziel der Studie war es, Fehler bei Prozessen zu entdecken und zu beheben und gleichzeitig vor Cybersicherheitsbedrohungen wie Prozessmanipulationen zu schützen.
Fehlerbildung und andere Risiken bei LPBF
Bei LPBF-Prozessen treten aufgrund von thermischen Ereignissen während des Schmelzens, Abkühlens, Erstarrens und Umschmelzens von Pulver durch den Laser tendenziell Fehler auf. Forscher der University of Nebraska-Lincoln, der Drexel University, der Navajo Technical University und SigmaLabs zielen in ihrer neuesten Studie darauf ab, eine integrierte Daten- und Physik-Strategie für die Online-Überwachung und -Erkennung der Fehlerbildung in LPBF-Teilen zu entwickeln und anzuwenden.
Cybersicherheitsrisiken sind nicht nur innerhalb von LPBF, sondern auch in anderen 3D-Druckverfahren zu einem weiteren aufkommenden Problem geworden, da böswillige Parteien möglicherweise die Prozessparameter und Anlagenfehler in einem Teil manipulieren können, um seine Leistung zu beeinträchtigen.

Zwillingsstrategie ermöglicht Echtzeiterkennung von Fehlern
Laut den Forschern liegt die Neuheit ihres Ansatzes in den vom Modell gelieferten Temperaturverteilungsvorhersagen, die Schicht für Schicht mit den in-situ-Messungen der Schmelzbadtemperatur aktualisiert werden. Dieser Ansatz des „digitalen Zwillings“ soll Feedback zur Korrektur von Anomalien in Teilen geben und so die Verschwendung durch fehlgeschlagene Builds reduzieren.
Der digitale Zwilling berücksichtigt sowohl den makroskaligen Effekt der Teileform auf die thermische Vorgeschichte als auch den mikroskaligen Effekt der Laser-Material-Interaktion in Form der Schmelzbadtemperatur und kann dadurch den Einfluss verschiedener Bearbeitungsparameter einschließen. Die Forscher bieten ihre Strategie als Alternative zu rein datengetriebenen Prozessüberwachungsverfahren an, die als sehr kosten- und ressourcenintensive Methoden der Datenerfassung gelten.
Digitale Zwillingsmethode erfolgreich im Test

Durch die Kombination von In-situ-Messungen der Schmelzbadtemperatur mit rechnerischen Vorhersagen konnten die Forscher drei verschiedene Arten von Fehlern in Edelstahllaufrädern erkennen und identifizieren. Um ihre Methode zu testen, druckte das Team vier laufradförmige Teile aus Edelstahl mit einem EOS M290 LPBF-3D-Druck-Systems, das verschiedene Arten von Fehlern aufwies, darunter Prozessdrifts, Linsenablösung und Cyber-Eindringlinge. Um die Fehler zu erzeugen, änderten die Forscher die Bearbeitungsparameter, lösten maschinenbedingte Fehlfunktionen aus und manipulierten bewusst den Prozess, um Fehler im Inneren des Teils zu erzeugen.
Der digitale Zwilling konnte alle drei Arten von Fehlern in den 3D-gedruckten Laufradteilen schon während des Druckprozesses erkennen. Die Ergebnisse zeigten den Forschern zufolge, dass die Methode eine präzise und interpretierbare Erkennung der Fehlerbildung ermöglicht, im Gegensatz zur alleinigen Verwendung von Sensordaten. In Zukunft wird das Team versuchen, die Fähigkeiten seines digitalen Zwillings zu erweitern, um auch andere Arten von Fehlern wie Verzerrungen zu erkennen.
Die Studie wurde im Journal Materials and Design veröffentlicht, unter dem Titel: „Digitally twinned additive manufacturing: Detecting flaws in laser powder bed Fusion by Combining Thermal Simulations with In-Situ Meltpool Sensor Data“.