Verbundprojekt AIQuAM3D: Eingebettete Künstliche Intelligenz für die Qualitätssicherung in der Additiven Fertigung und fortgeschrittenen 3D-Materialcharakterisierung

Der Additiven Fertigung (AM) mangelt es an Fertigungsreife, um von der Industrie auf breiter Basis akzeptiert zu werden. Die zerstörungsfreie Prüfung ist daher fast ein obligatorischer Schritt, der vor der Qualifizierung von AM-Teilen durchgeführt werden muss, insbesondere bei sicherheitskritischen Anwendungen. Bei Metallteilen ist die Synchrotron-Mikro-Computertomographie (SR-µCT) aufgrund der hohen Energie der Röntgenstrahlung (d. h. höhere Eindringtiefe, geringere Messzeiten) ein besonders geeignetes Verfahren. Allerdings sind Synchrotron-Anlagen und die damit verbundenen Messmöglichkeiten noch sehr weit von der industriellen Realität entfernt. AIQuAM3D ist eine binationale Initiative für angewandte FuE zwischen Deutschland und Frankreich. Es verfolgt einen kooperativen und industrienahen Ansatz und zielt darauf ab, künstliche Intelligenz (KI) als Hilfsmittel zur Industrialisierung der AM-Technologie sowie zur Demokratisierung und breiten Nutzung der SR-µCT durch die Industrie zu etablieren. Das übergeordnete Ziel von AIQuAM3D ist die Weiterentwicklung von KI-Modellen und -Werkzeugen für die Qualitätssicherung im industriellen Umfeld. Bezüglich der Qualitätssicherung in der AM zielt AIQuAM3D darauf ab, die großen Mengen an Daten, die während des laserbasierten Pulverbettfusionsprozesses (L-PBF) zur Verfügung stehen, durch KI-basierte Prozessüberwachung in verwertbare Qualitätsinformationen über das herzustellende Teil umzuwandeln. Hierfür ist die Unterstützung durch SR-µCT erforderlich, da es keine andere Methode gibt, die Informationen über die lokale Bauteildichte auf zerstörungsfreie, schnelle und wirtschaftliche Weise liefert. Bezüglich der 3D-Materialcharakterisierung zielt AIQuAM3D darauf ab, das industrielle Bewusstsein über Synchrotronen durch die Entwicklung von KI-basierten Werkzeugen zu erhöhen, die die Datenqualität und auch die Leistung der Datenverarbeitungspipelines in SR-µCT verbessern werden.