Die additive Fertigung unterscheidet sich dabei grundsätzlich von der traditionellen subtraktiven Fertigung, bei der beispielsweise aus einen Aluminiumblock ein Werkstück mittels einer CNC Fräse ausgefräst wird. Dabei wird viel Material verschwendet und das Werkstück hat Designeinschränkungen, welche durch die Einschränkungen der Bewegung der Fräse vorgegeben werden. Dasselbe Teil könnte mittels einem additiven Fertigungsverfahren, wie beispielsweise dem SLM (Selective Laser Melting) Verfahren, hergestellt werden. Bei diesem Verfahren wird schichtweise Metallpulver auf eine Arbeitsfläche aufgetragen, welches dann durch einen Laser verschmolzen wird. Das übrig gebliebene Pulver kann wiederverwendet werden, sodass kein Material verschwendet wird. Außerdem gibt nur noch sehr wenige Einschränkungen in der Form des Werkstücks.
Und was hat das mit Data Science zu tun?
Bei der additiven Fertigung entstehen viele Daten durch Sensorik, welche für die Überwachung zuständig sind. Diese Daten kann man sich zunutze machen, um Vorhersagen über das Produkt und dessen Eigenschaften zu machen und diese zu optimieren.
Abbildung 1 Anwendung von ML in Additive Manufacturing
Parameter für den Druck
Die Eigenschaften des hergestellten Produkts können durch das Design, aber auch durch die Parameter, welche beim Druck notwendig sind, beeinflusst werden. Diese Parameter sind beispielsweise bei einem SLM Verfahren Laserleistung, Geschwindigkeit des Lasers, Bearbeitungstoleranz (Abstand/Überlappung zwischen verschmolzenen Metalpulverlinien) und Dicke der Pulverschichten. Sie sind maßgeblich für die Qualität und Eigenschaften des Endprodukts verantwortlich und deswegen ist es wichtig diese zu optimieren. Es wurden bereits physikalische Modelle entworfen, um die optimalen Parameter zu berechnen. Diese waren jedoch nur begrenzt anwendbar, da sie sich nur auf einzelne Parameter des Verfahrens konzentriert haben und dies auch nur in bestimmten Anwendungsfällen.
Daten gestützte Machine Learning (ML) Modelle können hier Abhilfe schaffen, da man keine komplexen physikalischen Algorithmen aufstellen muss, um die richtigen Parameter zu berechnen. Ein künstliches neuronales Netzwerk (ANN) kann dabei die Komplexität der darunterliegenden physikalischen Beziehungen erkennen.
Fehlererkennung und Qualitätsprognose
Man kann aber noch einen Schritt weiter gehen und in Echtzeit Daten über den Druck aufzeichnen, um dann mithilfe von ML den Druck zu beeinflussen. Diese sogenannten „in situ“ Überwachungssysteme können durch Bilder Klassifizierungen oder Cluster von Defekten erkennen. Diese Daten können dann als Trainingsdaten für Prognosemodelle verwendet werden. Die Ergebnisse aus diesen Modellen können dann dazu genutzt werden, die Leistung des Lasers während des Drucks so anzupassen, dass ein Defekt im gedruckten Stück frühzeitig verhindert wird.
Kosten und Produktionsdauer
Bevor ein Produkt überhaupt gedruckt wird, gibt es einige Fragen, welche zu beantworten sind. Zu den wichtigsten zählen dabei, wieviel Material gebraucht wird und welche Produktionskosten dabei entstehen. Die Beantwortung dieser Fragen ist allerdings schwerer als man zunächst annimmt, da viele Faktoren wie beispielsweise die Größe und Dauer für den Druck der Supportstrukturen einberechnet werden muss. Durch ein Modell von Siu Chan et al. konnte ein akkurate Zeit- und Kostenabschätzung berechnet werden. Dieses besteht aus einer Kombination von der Simulation des Drucks und einem Machine Learning Modell, welches mit geclusterten bereits gedruckten Produkten gefüttert wird.
Erkennung von illegalen Drucken
Es wurden außerdem neuronale Netzwerke für die Erkennung von illegalen Teilen, wie zum Beispiel Waffen trainiert. Diese können in Drucker integriert werden und so frühzeitig einen Druck abbrechen, wenn das neuronale Netz einen verdächtigen Gegenstand erkennt. Die Fehlerrate beträgt bei diesem Modell 1,84%.
Stehlen von geistigem Eigentum
Wenn man an das Rauben von 3D-Modellen denkt, würde man zuerst an eine Cyber Attacke denken, bei dem sich der Angreifer Zugang zu Servern verschafft, um sich die CAD Daten der 3D-Modelle zu sichern. Es gibt aber noch eine andere Methode, welche nicht auf der Cyber-Domain, sondern der physischen Domain stattfinden kann. Dabei muss ein Angreifer ein Mikrophon in die Nähe eines 3D Druckers, welcher das gewünschte Teil druckt, platzieren und akustische Daten sammeln. Durch die Aufzeichnung von akustischen Signalen der Stepper Motoren, welche die X- und Y-Achsen des Druckerkopfes antreiben, können Daten wie Achsenbewegung, Geschwindigkeit des Druckkopfes, Temperatur und Extrusionsmenge ermittelt werden. Mit diesen gewonnenen Daten kann ein ML Algorithmus trainiert werden, welcher das gedruckte Produkt reproduzieren kann.
Fazit
Additive Fertigung bietet viele neue Freiheiten bei Design und Fertigung von Produkten. Doch wie bei jedem neuen Verfahren gibt es auch Herausforderungen, welche zum Teil durch datengestützte Algorithmen gelöst werden können. Diese Ansätze haben großes Potential, befinden sich aber noch mehr in der Erprobung als in der Produktion. Das liegt daran, dass einerseits das Fertigungsverfahren erst seit relativ kurzer Zeit auf dem Markt ist und andererseits dadurch, dass sowohl die Datenmenge und als auch die Qualität noch zu wünschen übrig lassen. Diese Probleme werden mit der Zeit verschwinden und weitere Anwendungsfälle für Machine Learning in der Additiven Fertigung werden entstehen.
Referenzen
https://www.sciencedirect.com/science/article/pii/S0278612517301577?via%3Dihub
https://openreview.net/forum?id=SyyBVIJwG
https://ieeexplore.ieee.org/abstract/document/7479068
https://link.springer.com/article/10.1007/s40192-017-0088-1
https://link.springer.com/content/pdf/10.1007/s11837-015-1810-0.pdf
https://www.sciencedirect.com/science/article/pii/S2214860420309106
https://www.sciencedirect.com/science/article/pii/S2095809918307732
https://link.springer.com/article/10.1007/s11837-020-04155-y
