Der 3D-Drucker denkt mit: Machine Learning im 3D-Druck zur Qualitätsüberwachung von Bauteilen
3D-gedruckte Bauteile müssen im Flugzeugbau strengsten Qualitätskriterien genügen, Bild: WFB
In Hochsicherheitsbereichen wie der Luftfahrt dürfen bei der Bauteilfertigung keine Fehler passieren. Die Bauteile auf Fehlstellen zu überprüfen, ist dabei immer ein großer Kostenfaktor. Ein Bremer Projekt will in diesem Bereich dem menschlichen Auge einen Algorithmus zur Seite stellen.
In den vergangenen Jahren ist der 3D-Druck auch in sensiblen Bereichen wie der Luft- und Raumfahrt vom Prototypen-Stadium in die industrielle Anwendung übergegangen. Einige hochkomplexe Bauteile werden heute additiv gefertigt, häufig dabei aus Materialien wie Titan.
Diese gedruckten Bauteile sind dabei nicht immer perfekt; es entstehen Risse, Poren oder Einschlüsse von Fremdmaterial, die zu kritischem Versagen führen können. Aus diesem Grund werden additiv gefertigte Bauteile – wie herkömmlich hergestellte Bauteile auch – einer intensiven Prüfung unterzogen, bevor sie ins Flugzeug gelangen.
Dabei nutzen speziell ausgebildete und zertifizierte Prüferinnen und Prüfer Methoden wie die Röntgen-Computertomographie, um Werkstücke zu durchleuchten.
Gemeinsames Forschungsprojekt von ECOMAT-Mitgliedern
„Der Prüfaufwand ist immens hoch und kann bis zu 50 Prozent der Gesamtkosten des Bauteils ausmachen“, sagt Stefan Neumann, Data Scientist bei der Testia GmbH, einem bremischen Spezialisten für Werkstoffprüfung, Schulungen für Prüfpersonal und Engineering, vor allem in der Luftfahrt.
Neumann ist Teil des Forschungsprojekts „Automatisierte Fehlerdetektion und Fehlerbewertung von Röntgen-Computertomographie-(CT)-Daten hochkomplexer 3D Metall- und Faserverbundbauteilen“, das Testia gemeinsam mit dem Faserinstitut Bremen sowie Kolbes Messtechnik noch bis Ende 2021 durchführt.
Das Ziel des Forschungsvorhabens ist, den enormen Prüfaufwand zu verringern – und damit die additive Fertigung auch dort zu ermöglichen, wo der Einsatz bisher noch zu teuer ist.
Wie Algorithmen lernen, Fehlstellen zu identifizieren
Um den Fehlstellen künftig automatisiert auf die Spur zu kommen, vereint das Forschungsteam zwei Ansätze: Zum einen die Computertomographie (CT), die nach Fertigstellung eines Bauteils zum Einsatz kommt. Sie zeigt, wo im Bauteil Fehler entstanden sind. „Wir müssen schon kleine Fehler nachweisen können, nur etwas dicker als das menschliche Haar, das geben die internationalen Regularien vor“, so Neumann.
Die Daten aus dem CT werden dabei mit Sensordaten korreliert, die schon während des Drucks anfallen. „Die Position des Lasers wird aufgezeichnet und hinzu kommen noch weitere Sensoren, die etwa Geräusche aufzeichnen oder Temperatur und Strahlung messen“, erklärt er weiter.
Die CT-Daten und die Sensordaten fließen in ein neuronales Netz ein. „Unser Ziel ist, dass das neuronale Netz lernt, aus den beim Druck gesammelten Sensordaten die Position und Größe der Fehler vorherzusagen.“
Ein Laser schmilzt Metallpulver – und erzeugt dabei Daten, Bild: WFB
Machine Learning zuverlässig einsetzen – auch im sicherheitskritischen Bereich
So könnten Fehler in Zukunft schneller gefunden oder sogar komplett vermieden werden – indem das neuronale Netz schon beim Drucken automatisch Alarm schlägt und anhält, sobald eine Fehlerquelle auftaucht.
Eines Tages könnte Machine Learning die Werkstoffprüfung ohne menschliche Hilfe allein durchführen. Bis dahin ist es aber noch ein weiter Weg für das Bremer Forscherteam. „Wir wollen den Menschen bei seiner Arbeit unterstützen, um Fehlstellen schneller und sicherer zu finden“, so Neumann.
Denn mit einer großen Herausforderung sieht sich die Projektgruppe noch konfrontiert: Wie lässt sich die Arbeit mit Machine Learning in der Luftfahrt qualifizieren, das heißt sicherstellen, dass es auch tatsächlich alle Fehler findet und nichts übersieht? „Das ist eine generelle Herausforderung der KI in allen Bereichen – sei es bei selbstfahrenden Autos oder eben in der Luftfahrt, die natürlich noch einmal höhere Anforderungen hat als andere Bereiche.“
Das Problem ist somit nicht nur technisch herausfordernd, sondern erfordert auch auf regulatorischer Seite Anpassungen, etwa bei der Luftfahrtbehörde EASA.
Blick in die neue Software: Schicht für Schicht und in 3D lässt sich das Bauteil auf Fehler prüfen
Gemeinsam in Bremen 3D-Druck-Technologien voranbringen
Das ist aber nicht mehr Teil des Bremer Forschungsprojekts – das sich ganz auf die Möglichkeiten der automatisierten Erkennung von Fehlstellen konzentriert. Mit Projektende Ende 2021 soll es zeigen, dass der Einsatz von Machine Learning im 3D-Druck prinzipiell möglich ist. Das Projekt ist im Rahmen des Bremer Luft- und Raumfahrtförderprogramms der BAB – die Förderbank für Bremen und Bremerhaven entstanden. Es wird vom Europäischen Fonds für Regional Entwicklung (EFRE) gefördert. Und es zeigt, wie die Zusammenarbeit in Bremen über Unternehmen und Institute hinweg im Bereich der Werkstoffwissenschaften hervorragend funktioniert.
Zweitnutzen: Neues Geschäftsmodell
Für die Airbus-Tochter Testia ist das Verfahren ein wichtiger Schritt in die Zukunft der Werkstoffprüfung. Neben der Entwicklungsforschung hat das Projekt aber noch einen zweiten Nutzen für das Unternehmen
„Durch die Entwicklungen im Zuge des Projekts ist zudem eine neue Software für die Computertomographie entstanden. Sie ist in der Lage, aus den einzelnen Querschnittsbildern des Computertomographen ein dreidimensionales Bild zu erstellen. Das kann genutzt werden, um Fehlstellen zu visualisieren oder das Innere von Bauteilen zu zeigen“, erklärt Physiker und Ingenieur Neumann.
Diese Technologie existiert so ähnlich bereits in der Industrie und Medizin – jedoch ist die marktbeherrschende Software derzeit sehr kostenintensiv. „Wir haben bereits einige Interessenten für die Neuentwicklung“, berichtet er weiter. Bereits Ende 2021 solle ein erster funktionsfähiger Prototyp fertig werden und damit ein neues Geschäftsfeld für Testia entstehen.
[ Weitere News ]
