Produzierbarkeitsanalyse in der Additiven Fertigung
Startseite » 3D-Druck »

Produzierbarkeitsanalyse in der Additiven Fertigung

Deep Learning für filigrane Strukturen
Produzierbarkeitsanalyse in der Additiven Fertigung

Anzeige
Dienstleistern in der Additiven Fertigung, wie der Protiq GmbH, Blomberg, wird eine hohe Flexibilität in der Produktion von 3D-Modellen abverlangt. Daher arbeitet das Direct Manufacturing Research Center der Universität Paderborn an einer Lösung, die mit Hilfe von neuronalen Netzen 3D-Modelle in Form von Voxeln verarbeitet. Auf Basis dieser Daten kann die Produzierbarkeit filigraner Strukturen vorhergesagt werden.

» Tobias Nickchen, Promotionsstudent, Protiq GmbH, Blomberg

Inhaltsverzeichnis

1. Nutzen der Additiven Fertigung
2. Standardgeometrien als Basis
3. Evaluierung durch neuronale Netze
4. Test mit künstlich generierten Daten
5. Produzierbarkeitsanalyse nahezu in Echtzeit
6. Serienfertigung individuell konfigurierter Gehäusesysteme

Bei der Additiven Fertigung oder dem Additive Manufacturing (AM) handelt es sich um ein aufstrebendes industrielles Herstellungsverfahren, das sich grundsätzlich von vielen herkömmlichen Produktionsmethoden unterscheidet. Im Gegensatz zu den meisten anderen Ansätzen – wie beispielsweise dem Fräsen – wird kein Material entfernt (substraktiv), sondern Schicht für Schicht hinzugefügt (additiv). Außerdem benötigt die Additive Fertigung kein Werkzeug zur Erstellung der Bauteile. Aufgrund dieser Eigenschaften eröffnen sich zahlreiche Vorteile für den Anwender.

Nutzen der Additiven Fertigung

Das Hauptmerkmal der Additiven Fertigung liegt in der großen geometrischen Freiheit bei der Herstellung von dreidimensionalen Bauteilen. Da kein produktspezifisches Werkzeug erforderlich ist und die Bauteile durch ein fein aufgelöstes Auftragen von Material entstehen, sind der gestalterischen Freiheit vergleichsweise wenig Grenzen gesetzt. Daraus ergibt sich allerdings die Herausforderung, dass sich die vorhandenen Einschränkungen schwer definieren lassen und keine klaren Regeln vorliegen. Ein weiterer wesentlicher Nutzen der Additiven Fertigung resultiert aus der werkzeuglosen Produktion, weshalb sich die AM-Maschinen als sehr flexibel erweisen. Eine Maschine ist nicht auf ein spezielles Bauteil ausgelegt, sondern kann im Rahmen ihrer geometrischen Rahmenbedingungen prinzipiell für die Herstellung jedes beliebigen Bauteils genutzt werden. Auf diese Weise lassen sich mit der Maschine verschiedene Bauteile fertigen, ohne vorher ein produktspezifisches Werkzeug generieren zu müssen. Somit entfallen sowohl der zeitliche als auch der finanzielle Aufwand für die Konstruktion und Umsetzung des Werkzeugs.

Wegen dieser Vorteile bietet sich die Additive Fertigung für viele Anwendungen an. AM-Maschinen lassen sich zum Beispiel einsetzen, um flexible 3D-Druck-Services zur Verfügung zu stellen. AM-Dienstleister wie die Protiq GmbH, Blomberg, sind in der Lage, von Prototypen über Sonderanfertigungen bis zu Kleinserien nahezu jedes beliebige Bauteil für ihre Kunden zu produzieren.

Standardgeometrien als Basis

Die Flexibilität in der Herstellung erfordert jedoch ebenfalls eine entsprechende Anpassungsfähigkeit der Dienstleister bei der Erledigung der Kundenaufträge. Weil jede Anfrage individuell ist und jeder Kunde von den Vorteilen einer schnellen Fertigung profitieren möchte, müssen eingehende Aufträge kurzfristig bearbeitet werden. Wichtig dabei ist unter anderem die Überprüfung der Produzierbarkeit des angefragten Bauteils, die – wie bereits erwähnt – nicht in allen Aspekten klar definiert wird. Im Rahmen eines Forschungsprojekts des Direct Manufacturing Research Centers (DMRC) der Universität Paderborn wurde daher eine mögliche Lösung für die Produzierbarkeitsanalyse entwickelt und getestet.

In den letzten Jahren haben unterschiedliche Forscher am Entwurf von sogenannten „Design Rules“ gearbeitet, die geometrische Einschränkungen in Bezug auf die AM-Herstellung beschreiben. Die Regeln basieren auf Standardgeometrien, beispielsweise Zylindern oder Quadern, die sich aufgrund ihrer Eigenschaften, wie Länge oder Durchmesser, festlegen lassen. Die Richtlinien definieren auf der Grundlage dieser Standardgeometrien respektive der Kombination verschiedener Geometrien entsprechende Einschränkungen. Für Konstrukteure neuer Bauteile, die additiv gefertigt werden sollen, erweisen sich diese Richtlinien als guter Anhaltspunkt. Es hat sich allerdings herausgestellt, dass sich die Regeln nur schwer zur Überprüfung bestehender Bauteile heranziehen lassen. Das liegt darin begründet, dass es vor allem wegen der geometrischen Komplexität zahlreicher Bauteile schwierig ist, sie durch die Standardgeometrien zu approximieren, um anschließend auf Basis dieser Approximation die Richtlinien anwenden zu können. Zur Lösung dieser Problemstellung ist deshalb ein flexiblerer Ansatz notwendig.

Evaluierung durch neuronale Netze

Anwendungen des maschinellen Lernens (Deep Learning) haben in den vergangenen Jahren vermehrt Einzug in industrielle Applikationen gehalten. Die datengetriebenen Systeme sind imstande, die Bearbeitung vieler komplexer Aufgaben auf der Grundlage existierender Daten zu erlernen. Weil die Produzierbarkeitsanalyse eine hohe Anpassungsfähigkeit bedingt, eignen sich Deep-Learning-Ansätze optimal zur Umsetzung der Problemstellung. Sogenannte Convolutional Neural Networks (CNN), die aus dem Umfeld der Bildbearbeitung stammen, können selbständig entscheidende Kriterien (Features) zur Lösung einer Aufgabe erlernen. Für die Durchführung der Produzierbarkeitsanalyse hat das DMRC-Forschungsteam der Universität Paderborn daher ein 3D-CNN gewählt. Solche neuronalen Netze sind in der Lage, 3D-Modelle zum Beispiel in Form von Voxeln, also 3D-Pixeln zu verarbeiten.

Für die Herstellbarkeit eines Objekts können zahlreiche unterschiedliche Aspekte entscheidend sein – von kleinen Details bis zu großen Strukturen. Deswegen muss ein System zur Bewertung der Produzierbarkeit sowohl Einzelheiten als auch große Zusammenhänge erfassen können. Mit 3D-CNN, die für eine hohe Auflösung optimiert sind, lassen sich unter Verwendung aktueller Grafikkarten 3D-Modelle mit einer Auflösung von bis zu 5123 Voxeln realisieren. Das eingesetzte neuronale Netz kann mit Hilfe eines passenden Datensatzes erlernen, die Produzierbarkeit von 3D-Modellen zu evaluieren. Da ein entsprechender Datensatz, der sich aus realen Fertigungsdaten zusammensetzt, noch nicht vorhanden ist, wurde die Funktionalität zunächst auf der Grundlage künstlich generierter Daten getestet.

Künstliche Intelligenz als Innovationstreiber

Test mit künstlich generierten Daten

Der zu diesem Zweck nachgebildete Datensatz enthält rund 10.000 3D-Modelle, die aus Quadern mit zufällig eingefügten Bohrungen verschiedener Ausmaße bestehen. Mit Unterstützung eines Software-Tools wurden in den 3D-Modellen Bereiche mit Wanddicken unterhalb eines definierten Schwellwerts markiert und das neuronale Netz anschließend auf Basis dieser Daten trainiert. Als Eingangsinformation erhielt das Netz lediglich die 3D-Modelle sowie jeweils die Angabe, ob ein Modell Bereiche unterhalb des Wanddicke-Schwellwerts umfasst oder nicht.

Auf der Grundlage dieser Daten hat das neuronale Netz gelernt, die 3D-Modelle hinsichtlich der minimalen Wanddicke mit einer Erfolgsrate von 99,56 % zu bewerten. Weil neben der Beurteilung, ob ein 3D-Modell produzierbar ist oder nicht, die Begründung dieser Entscheidung ebenfalls eine große Rolle spielt, werden zudem mit Hilfe eines Feedback-generierten Ansatzes Visualisierungen der wesentlichen Kriterien erzeugt. Auf diese Weise lassen sich Rückschlüsse in Bezug auf kritische Bereiche im betrachteten 3D-Modell ziehen, sodass das Modell entsprechend überarbeitet werden kann.

Produzierbarkeitsanalyse nahezu in Echtzeit

Die Versuche haben gezeigt, dass sich mit Hilfe eines hochauflösenden 3D-CNN filigrane Features erkennen lassen, die für die Produzierbarkeit eines 3D-Modells von großer Bedeutung sind. Das neuronale Netz ist nach dem Training imstande, die 3D-Modelle nahezu in Echtzeit zu analysieren. Die Tests liefern somit den Beleg eines vielversprechenden Ansatzes, der sich im realen Workflow eines 3D-Druck-Dienstleisters anwenden lässt. Die Ergebnisse bilden die Grundlage für weitere Erprobungen mit realen Fertigungsdaten und komplexeren Produzierbarkeitskriterien, aus denen sich zusätzliche Aufschlüsse über die Leistungsfähigkeit des neuronalen Netzes ableiten lassen. (eve)

Kontakt:

Protiq GmbH
A Phoenix Contact Company
Flachsmarktstraße 54
32825 Blomberg

Tel.: +49 (0) 5235 3–43800
Fax: +49 (0) 5235 3–441154
E-Mail: service@protiq.com
www.protiq.com

Universität Paderborn
Direct Manufacturing Research Center
Gebäude W
Mersinweg 3
33098 Paderborn
https://dmrc.uni-paderborn.de/


Serienfertigung individuell konfigurierter Gehäusesysteme

Die steigende Komplexität der Strukturen im Schaltschrank erfordert flexible, platzsparende Lösungen. Mit dem modularen Gehäusesystem ICS (Industrial Case System) wird Phoenix Contact diesen Anforderungen gerecht. Die elektronischen Leergehäuse sind in abgestuften Größen mit achtpoligen Tragschienen-Busverbindern und einer innovativen, variablen Verbindungstechnologie für standardisierte Anschlüsse wie RJ45, USB, D-Sub und Antennenbuchsen erhältlich. Über ein Online-Tool lassen sich die Gehäuse je nach Bedarf in puncto Form, Farbe und Ausstattung konfigurieren. Ergänzt wird das Angebot durch den ICS-Cover-Konfigurator von Protiq.

Die Bedienung des Konfigurators gestaltet sich einfach: Schritt für Schritt werden die Abmessungen des Gehäusedeckels, der Funktionsbereich, gewünschte Löcher und Ausbrüche, Geometrien, die Farbgestaltung sowie Logos und Texte definiert. Anhand eines 3D-Modells ist jeder Bearbeitungsschritt in Echtzeit visuell nachvollziehbar. Nach Abschluss der Konfiguration kann das 3D-gedruckte Modell direkt bestellt werden. Zudem ist die Serienfertigung des individuell beschrifteten ICS-Covers möglich, das aufgrund der optimalen Übersicht schnelle Handgriffe erlaubt.


Anzeige
Emerson: Pneumatik 4.0

Smartenance

Pneumatik 4.0 bei Emerson im Überblick

Video

Erinnern Sie sich noch an Messen in den Zeiten vor dem Auftauchen des Coronavirus? Hier ein Rückblick auf die letzte SPS in Nürnberg...

Aktuelle Ausgabe
Titelbild KEM Konstruktion Entwicklung Management 11
Ausgabe
11.2020
LESEN
ABO
Newsletter

Abonnieren Sie unseren Newsletter

Jetzt unseren Newsletter abonnieren

Kalender

Kalender

Aktuelle Termine für Konstrukteure

Webinare & Webcasts
Webinare

Technisches Wissen aus erster Hand

Whitepaper
Whitepaper

Hier finden Sie aktuelle Whitepaper

Top-Thema Spannvorrichtungen

Spannvorrichtungen

Alles über Spannvorrichtungen und welches Einsparungspotenzial sie bieten

Top-Thema Schaltschränke

Alle Infos über den Schaltschrankbau mit seinen Komponenten, Geräten und deren Verdrahtung

Top-Thema: Digitalisierung

Smartenance

Die Digitalstrategie von Festo im Überblick

Anzeige
Anzeige

Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de