Digitale Prozessentwicklung und -qualifizierung für das Metal Binder Jetting

Metal Binder Jetting verspricht eine signifikante Kostensenkung in der additiven Serienfertigung, doch die Qualität der gesinterten Metallteile hängt stark von der Qualität der 3D-gedruckten Grünteile ab. Qualitative Anforderungen bestehen vor allem in der Grünteildichte, die maßgeblich durch die Prozessparameter und -fehler bestimmt wird.

Beschichtungsfehler frühzeitig erkennen

Beschichtungsfehler können viele Ursachen im Prozess haben, wie zum Beispiel Binderreste im Pulverbett, die die Grünteildichte beeinflussen. Um eine homogene und hohe Grünteildichte zu gewährleisten, müssen diese Fehler frühzeitig erkannt werden, damit entsprechende Gegenmaßnahmen ergriffen werden können (z. B. Prozessabbruch oder adaptive Prozesssteuerung). Für die automatische Fehlererkennung eignen sich insbesondere Deep-Learning-Modelle wie YOLO, die Beschichtungsfehler sogar während des Druckprozesses schnell identifizieren können.

• Wir erarbeiten Prozessdaten für verschiedene Beschichtungsfehler
• Wir annotieren Prozessbilder und erstellen so valide Trainingsdaten
• Wir erstellen vortrainierte Modelle für den Einsatz im Transfer Learning

Die Bestimmung der Grünteildichte verursacht in der Metal-Binder-Jetting-Prozesskette erhebliche Kosten. Grünteile werden häufig manuell vermessen oder mit teurer Anlagentechnik analysiert. Die Messung der Grünteildichte mithilfe von Algorithmen aus dem Bereich der Computer Vision verspricht, diese Kosten deutlich zu senken. Denn die Analyse von Prozessbildern erfordert nahezu keinen manuellen Aufwand, und zusätzliche Kosten für Messmittel fallen ebenfalls nicht an, da viele 3D-Drucker bereits über ein integriertes Kamerasystem verfügen.

• Wir erarbeiten und testen Algorithmen für die bildbasierte Grünteilvorhersage
• Wir validieren Algorithmen mithilfe experimenteller Prozessdaten
• Wir erstellen Vorhersage-Tools für die Integration in Prozessabläufe