ML-S-LeAF: KI und akustisches Monitoring für die Qualitätssicherung in der additiven Fertigung

Additive Fertigung als Schlüsseltechnologie für den Leichtbau

Leichtbau spielt eine zentrale Rolle in Branchen wie Luft- und Raumfahrt, Automobilbau und Maschinenbau. Additive Fertigungsverfahren wie LPBF ermöglichen die Herstellung komplexer, funktionsintegrierter und gewichtsoptimierter Bauteile, die mit konventionellen Fertigungsmethoden nur schwer realisierbar sind. Dadurch lassen sich Materialeinsatz, Gewicht und Energieverbrauch reduzieren, während gleichzeitig neue Konstruktionsfreiheiten entstehen.

Qualitätssicherung als große Herausforderung im LPBF-Prozess

Trotz ihrer Vorteile stellt die additive Fertigung hohe Anforderungen an die Qualitätssicherung. Während des Herstellungsprozesses können Defekte wie Poren, Risse oder Bindefehler entstehen, die die mechanischen Eigenschaften der Bauteile beeinträchtigen. Häufig werden solche Fehler erst nach Abschluss des Fertigungsprozesses erkannt, was zu zusätzlichem Prüfaufwand, Ausschuss und erhöhten Kosten führt. Für die industrielle Serienfertigung werden daher Verfahren benötigt, die Fehler bereits während des Bauprozesses zuverlässig identifizieren.

Akustisches Monitoring mit Künstlicher Intelligenz

Im Forschungsprojekt ML-S-LeAF entwickelte das Fraunhofer IDMT gemeinsam mit seinen Projektpartnern innovative Methoden zur akustischen Prozessüberwachung in der additiven Fertigung. Ziel war die Entwicklung einer KI-basierten Qualitätssicherung, die Fertigungsfehler anhand von Schallsignalen automatisch erkennt und bewertet. Dabei wurden sowohl reale Prozessdaten als auch simulationsbasierte virtuelle Schalldaten genutzt, um robuste Verfahren für das industrielle Monitoring zu entwickeln.

Körperschall eignet sich besonders zur Defekterkennung

Die Projektergebnisse zeigen, dass insbesondere Körperschallsignale ein hohes Potenzial für die Überwachung von LPBF-Prozessen besitzen. Im Vergleich zu Luftschall konnten Defekte zuverlässiger identifiziert und klassifiziert werden. Die Untersuchungen bestätigten, dass akustische Messdaten wertvolle Informationen über den Fertigungszustand liefern und als Grundlage für eine automatisierte Inline-Qualitätssicherung genutzt werden können. 

KI-Modelle für die automatische Fehlerklassifikation

Im Projekt wurden verschiedene Machine-Learning- und Deep-Learning-Verfahren entwickelt, trainiert und validiert. Die KI-Modelle konnten typische Fertigungsfehler automatisiert erkennen und klassifizieren. Darüber hinaus entstand eine umfassende Datenanalyse- und Auswertepipeline zur Verarbeitung akustischer Signale. Die Erkenntnisse schaffen die Grundlage für zukünftige intelligente Monitoring-Systeme in der additiven Fertigung und darüber hinaus.

• Entwicklung KI-basierter Verfahren zur automatisierten akustischen Qualitätsüberwachung in der additiven Fertigung
• Untersuchung des Einsatzes virtueller Audiodaten zum Erzeugen robuster ML-Modelle
• Erforschung von Ansätzen zur besseren Erklärbarkeit entwickelter KI-Modelle und deren Erprobung für die projektspezifischen Anwendungsfälle