Verbundprojekt: Komplexitätsreduktion der DED-Prozessentwicklung und Optimierung von DED-Prozessen durch KI-basierte Prognose und Anpassung geeigneter Prozessparameter auf Basis von Sensordaten. Teilvorhaben: Auswertung, Korrelation, Entwicklung und Evaluierung

Additive Fertigungsverfahren konnten in den letzten Jahren unter wirtschaftlichen, ökologischen und technischen Gesichtspunkten mit konventionellen Fertigungsverfahren gleichziehen. Dennoch wird das Laser Powder Direct Energy Deposition Verfahren (DED) hauptsächlich bei dem Auftragen von Verschleißschutzschichten oder der Reparatur hochpreisiger Bauteile aus der Luftfahrt-, Werkzeugbau-, Offshore-, Energie- und Bergbaubranche eingesetzt. Das wird auf die hohen Aufwände für die langwierige Entwicklung stabiler DED-Prozesse (geeignete Aufbaustrategie, Bahnplanung und Prozessparameter) zurückgeführt. Künstliche Intelligenz (KI), und im Speziellen maschinelles Lernen (ML), sind das zentrale Element des Ansatzes, um die Komplexität und damit die Kosten bei der Implementation eines DED-Prozesses zu reduzieren. Die KI dient dazu geeignete Prozessparameter zu prognostizieren, statt diese durch aufwändige und zeitintensive Testreihen zu ermitteln. Darüber hinaus soll die KI dabei helfen, die Qualität der Schweißergebnisse zu verbessern, indem eine lagenweise, lokale Anpassung der Prozessparameter ermöglicht wird. Die Eingangsdaten für die KI liefern geeignete Sensoren, die während des Schweißprozesses (z.B. Pyrometer, Wärmebildkamera, Schmelzbadüberwachung) und lagenweise, intermittierend (z.B. Laser-Linien-Scanner, Laser-Ultraschallsensor) Daten aufzeichnen. Die Prozesskette sieht dabei folgende Schritte vor: Auftragen einer definierten Anzahl an Lagen Online- und Offline-Aufnahme geeigneter Sensordaten Auswertung der Sensordaten mithilfe KI Adaption der Werkzeugbahnen und Prozessparameter für die nächsten Lagen Das kanadisch-deutsche Konsortium – bestehend aus KMUs und FuE-Instituten – verfügt über die notwendige Expertise im Bereich der Industrieanwendungen, Prozessentwicklung, Software- und Sensor- Technologie sowie KI, um die technologischen Herausforderungen des AI-SLAM-Projektes erfolgreich zu meistern.