Programmheft herunterladen

Zur Übersicht

Poster-Präsentation

Zuverlässigkeitsvorhersage mittels KI in der additiven Fertigung

Mittwoch (22.05.2019)
16:18 - 16:22 Uhr
Bestandteil von:


In der additiven Fertigung, auch häufig als 3D-Druck bezeichnet, gibt es eine hohe Fehlerzahl, die zu einem ebenso hohen Ausschuss der gedruckten Teile führt. Dies liegt an der Vielzahl der einzustellenden Parameter für den 3D-Druck, die nur mit mühsam erworbenen Erfahrungen richtig eingestellt werden können. Die Zuverlässigkeit des Prozesses und der gedruckten Bauteile ist nicht gewährleistet. Um den Ausschuss zu reduzieren und die Zuverlässigkeit additiv gefertigter Bauteile sicherzustellen, wird erheblicher Aufwand in die Einstellung von Toleranzen, in die Fertigung der Druckerkomponenten und die die Integration von Sensorik gesteckt.

Die Künstliche Intelligenz (KI) bietet die Möglichkeit, das manuelle Ausprobieren und Lernen durch eine systematische Fehleranalyse und integrierte numerische Lernprozesse zu ersetzen. Durch die Integration von machine learning wird der Betrieb mit wechselnden Materialien bei verkürzten Rüstzeiten und ohne menschliche Fachkräfte möglich. Der Aufwand in der Konstruktion und Fertigung kann verringert werden und 3D-Drucker können kostengünstig und zuverlässig angeboten werden.

In der vorliegenden Arbeit soll nach einer Fehlerfallanalyse eine Sensitivitätsanalyse eines 3D-Druckers durchgeführt werden. Anhand dieser Analyse können Fehlerwahrscheinlichkeiten des Druckers vorhergesagt werden. Mithilfe von NeuroEvolution of Augmenting Topologies (NEAT) wird ein neuronales Netz trainiert, das sich selbst im Betrieb durch Hinzufügen von neuen Pfaden und Knoten erweitert. Dadurch kann das neuronale Netz mithilfe von alten Pfaden und Knoten neue Probleme meistern. Mit weiteren Sensitivitätsanalysen an anderen 3D-Druckern kann das vortrainierte Netz schnell auf das Verhalten von anderen 3D-Druckern erweitert werden.

Sprecher/Referent:
Sören Wenzel
Technische Universität Darmstadt
Weitere Autoren/Referenten:
  • Dr. Elena Slomski-Vetter
    Technische Universität Darmstadt
  • Prof. Dr. Tobias Melz
    Technische Universität Darmstadt