CondMon3D | Condition Monitoring im Binder Jetting

Überwachung der Kernkomponente Druckkopf für Binderjettingprozesse

Fehler bei 3D-gedruckten Bauteilen sind teuer und zeitaufwändig. Kann ein Liefertermin nicht eingehalten werden, wirkt sich das direkt negativ auf die Liefertreue und die Reputation aus. Beim Binder Jetting wird bisher der Zustand wesentlicher Maschinenkomponenten vor dem Druckprozess nur händisch geprüft. Dies ist aufwändig und ungenau. Des Weiteren können dadurch viele Jobabstürze nicht verhindert werden. Folglich muss ein einfach zu integrierendes Modul für Binderjettingprozesse entwickelt werden, das es ermöglicht, ein Monitoring ohne wesentliche Hardwareaufwände durchzuführen.

Eine Prozessraumkamera im Inneren eines 3D-Druckers

Übergeordnetes Ziel des Projektes CondMon3D ist es, Kamerabilder einer Prozessraumkamera im Inneren eines 3D-Druckers zu nutzen, um Messdaten für die zu erwartende Bauteilqualität zu gewinnen und während des Prozesses nachjustieren zu können. Dabei stellt die Kamera ein einfaches und kostengünstiges Element dar, das wartungsarm und zuverlässig ist sowie kein Medium verbraucht. Die Kamera soll für diese Untersuchung das gesamte Baufeld abbilden und in vorhandene Drucksysteme nachgerüstet werden können.

Aus der Verarbeitungssoftware für den Bauprozess können Sollwertbilder ausgeleitet werden. Dabei sind verschiedene Druckstrategien im Drucker umgesetzt. Es gibt nicht bedruckte Bereiche, Bereiche in der Nähe der Bauteiloberfläche (»Skin«) und Bereiche tief im Inneren des Bauteils (»Core«). Die Bereiche »Skin« und »Core« können jeweils parametriert werden. »Core« wird dabei prozentual zu »Skin« eingestellt. Dadurch ergeben sich im »Core«-Bereich Graustufen.

Anomalieerkennung: Differenzen erkennen und bewerten

Fehlererkennung mittels KI: Condition Monitoring im Binder Jetting
© Fraunhofer IGCV
Fehlererkennung mittels KI: Condition Monitoring im Binder Jetting

Das Konzept der Anomalieerkennung sieht vor, das Sollwertbild mit dem Prozesskamerabild abzugleichen und die Abweichungen algorithmisch zu kennzeichnen und zu bewerten. Dazu werden im ersten Schritt die Bilddaten des Kamerabilds bearbeitet. Ziel der Bearbeitung ist die Formerkennung der einzelnen Querschnitte. Diese Querschnitte werden dann mit den Querschnitten des Sollwertbildes verglichen. Bei übereinstimmenden Konturformen werden die Kamerabilddaten auf die Dimensionen des Sollwertbildes verzerrt. Damit ergibt sich die Grundlage für einen Vergleich durch Differenzbildung und Charakterisierung der Defektstelle. Das Differenzbild wird dann räumlich zusätzlich gefiltert, um Streifen in Richtung der Druckkopffahrt zu finden (Anwendung von Domänenwissen). Diese Streifen werden mit anderen Bereichen verglichen, die ebenso von einem solchen Streifen geschnitten werden. Liegt hier ebenso ein Defekt vor, ist die gefundene Anomalie mit hoher Wahrscheinlichkeit ein Düsenfehler. Ebenso können andere Fehler auf ihre Ursache hin gematched werden.

Training des »Convolutional Neural Network«

Derzeit werden Bildaufnahmen für das Trainieren des CNN getaggt und optisch analysiert. Die Bildvorverarbeitung wurde erarbeitet und ein Kameramodul für eine spätere Implementierung spezifiziert. Im Folgenden werden die Soll-Daten aus der Maschine aufbereitet und das CNN trainiert. Parallel werden auf einem industriellen 3D-Drucksystem permanent neue Daten gesammelt.

Zusammenarbeit

Wir finden gerne eine individuelle Lösung für Ihr Anliegen.

Branchenlösungen

Die Schlüsselbranchen des Fraunhofer IGCV:

  • Maschinen- und Anlagenbau
  • Luft- und Raumfahrt
  • Automotive und Nutzfahrzeuge

Kompetenzen

Wir gestalten den Weg in die Zukunft des effizienten Engineerings, der vernetzten Produktion und der intelligenten Multimateriallösungen.

Referenzprojekte

Zur Übersicht der Referenzprojekte am Fraunhofer IGCV.