Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum selbstop- timierenden, additiven Herstellen von Bauteilkomponenten nach dem Oberbegriff von Anspruch 1 bzw. dem Oberbegriff von Anspruch 10.

Ein Online-Beobachten einer Additiven Fertigung mittels Enhanced Vision Techno logie, hier insbesondere mittels optischer Tomografie, ggf. zusätzlich mit Ultra- schall-Klanganalyse ist aus der EP 2 666 612 Al und der DE 10 2011 008 774 Al bekannt. Eine zerstörungsfreie Online-Bewertung eines Verfestigungsprozesses mittels Laserthermografie und Wirbelstromprüfung ist aus der DE 10 2014 212 246 B3 und der EP 2747 934 Bl bekannt.

DE 10 2015 207 254 Al offenbart ein Verfahren zur Herstellung eines dreidimensio nalen Objekts mittels schichtweiser Verfestigung eines pulverförmigen Aufbaumate rials durch elektromagnetische Strahlung, wobei eine Irregularitätsermittlung eines Vorliegens einer Prozessirregularität in Bezug auf mindestens einen Prozessparame ter bei der Herstellung durchgefuhrt wird und während des Abtastens mit dem elekt romagnetischen Strahl der Abtastvorgang an mindestens einer aktuellen Stelle des zu verfestigenden Querschnitts auf Basis eines Ergebnisses der Irregularitätsermittlung unterbrochen wird.

Allerdings erfordern das Design und die Herstellung vieler Baujobs zeitintensive, manuelle Nachuntersuchungen. Daraus resultiert ein langsamer Erkenntnisgewinn über Zusammenhänge zwischen Design, Fertigungsparametem und Auftreten von Fehlertypen. Damit sind iterative Trial-and-Error- Versuche erforderlich. Dies wiede rum fuhrt zu hohen Kosten, unter anderem durch die aufwendigen Nachuntersuchun gen.

BESTÄTIGUNGSKOPIE Eine Aufgabe einer Ausführung der vorliegenden Erfindung ist es, die Qualität der hergestellten Bauteilkomponente zu verbessern und eine Optimierung der Ferti- gungsparameter zu beschleunigen.

Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. eine Vorrichtung mit den Merkmalen des Anspruchs 10. Vorteilhafte Ausfüh- rungsformen der Erfindung sind Gegenstand der Unteransprüche.

Nach einem Aspekt der vorliegenden Erfindung hat ein Verfahren zum selbstopti mierenden, additiven Herstellen von Bauteilkomponenten die folgenden Schritte: a) Starten eines Referenz-Baujobs mittels additiver Herstellung einer Bauteil komponente in einer Bauvorrichtung; b) Beobachten der additiven Herstellung des Referenz-Baujobs und Akquirieren von Beobachtungsdaten; und/oder c) Bewerten eines Verfestigungsprozesses eines bei der additiven Herstellung des Referenz- Baujobs zumindest teilweise verfestigten Baumaterials und Akquirieren von Bewertungsdaten; d) Übertragen der Beobachtungsdaten und/oder der Bewertungsdaten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz; e) Optimieren zumindest eines Parameters für die additive Herstellung durch die in der Rechenvor richtung implementierte künstliche Intelligenz; f) Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvorrichtung und weiteres Durchführen des verbleibenden Baujobs unter Verwendung des zumindest einen übertragenen Pa rameters; und g) iterative Durchführung der Schritte b) bis f) während der weiteren Durchführung des Referenz-Baujobs.

In vorteilhafter Weise wird eine sehr schnelle, personenunabhängige Entwicklung und Optimierung der additiven Fertigung zur Erlangung der gestalterischen Freiheit für additiv gefertigte Bauteile erzielt. Darüber hinaus wird eine Wissensdatenbank für die additive Fertigung selbständig aufgebaut. Es kann eine schnelle Adaption der additiven Fertigung für neue Werkstoffe und neue Plattformen für additive Fertigung von verschiedenen Anlagenherstellem erreicht werden. Durch die Erfindung wird für das additiv gefertigte Produkt in einem komplexen Parameterraum in kürzester Zeit eine Bauweise gefunden, die hinsichtlich Qualität und Festigkeit optimal ist. Vorzugsweise weist die in der Rechenvorrichtung implementierte künstliche Intelligenz ein neuronales Netz auf, wobei die Beobachtungsdaten und die Bewertungsdaten in eine Eingabeschicht des neuronalen Netzes eingegeben werden und der zumindest eine optimierte Parameter für die additive Herstellung aus einer Ausgabe schicht des neuronalen Netzes ausgegeben wird. Dies ermöglicht ein weiter verbes- sertes, selbstständiges Erkennen von Zusammenhängen zum Beispiel durch Deep Learning, insbesondere wenn das neuronale Netz über mehrere Zwischenschichten verfugt, und eine Generierung eines verbesserten Baujobs mittels künstlicher Intelli genz.

Vorzugsweise weist der Schritt a) folgende Unterschritte auf: al) Aufträgen zumin dest einer Pulverschicht in einem Baubereich auf einer Plattform oder auf einer oder mehreren auf der Plattform befindlichen Bauteilkomponentenschichten; a2) lokales Verfestigen der zumindest einen Pulverschicht durch selektives Belichten mittels ei nes Hochenergiestrahls im Baubereich, um eine Schicht der Bauteilkomponente aus zubilden; a3) Absenken der Plattform um eine vordefinierte Schichtdicke; und a4) Wiederholen der Schritte al) bis a3), bis die Bauteilkomponente fertiggestellt ist.

Vorzugsweise weist der Schritt b) ein optisches Verfahren, insbesondere optische Tomografie, und/oder ein akustisches Verfahren, insbesondere Ultraschallklangana lyse, und/oder eine Thermografie/Laserthermografie und/oder eine Wirbelstromprü- fimg und/oder ein Schmelzmonitoring auf. In Schritt b) wird bevorzugt ein korrelie render Parameter zwischen den Schichtherstellungsgrößen und dem Schichtherstellungsergebnis des Referenzbauteils akquiriert. Besonders bevorzugt wird als korre lierender Parameter ein Korrelationswert einer optisch beobachteten Schichtfläche ermittelt, wodurch in dem weiter unten noch näher beschriebenen Schritt e) eine Kor relation zwischen dem Herstellungsprozess der Schichtfläche(n), beispielsweise durch einen Hochenergiestrahl, und dem Herstellungsergebnis, beispielsweise durch ein Schmelzergebnis, hergestellt werden kann. Dabei liegt eine Korrelation bei spielsweise zwischen einem lokalen Energieeintrag und einer Ausbildung des Gefü ges nach dem Verfestigungsprozess an dieser Stelle vor. Insbesondere kann der Kor relationswert und damit der korrelierende Parameter als ein Grauwert durch das optische Verfahren ermittelt werden. Ein korrelierender Parameter, der die Ausbildung des Gefüges beschreibt, kann beispielsweise auch eine Streckung, eine mittlere und/oder eine maximale Korngröße sein. Der Grauwert eines lokalen Gebiets, beispielsweise einer Fläche in der Größe weniger pm, kann weiterhin als Pixel bezeich- net werden und ist ein Maß für die Intensität des Schmelzlichtes durch den Schmelz- vorgang mittels Hochenergiestrahl. Eine Vielzahl an Grauwerten kann bei jeder Aufnahme als ein Pixelbild oder ein Grauwertbild ermittelt werden, wobei jeder Pixel des Pixelbildes einen Grauwert repräsentiert. Es versteht sich, dass anstelle eines Grauwertes auch ein Farbwert oder im Falle eines akustischen Verfahrens eine lokale Frequenz, eine lokale Amplitude einer Schallwelle oder im Falle einer Wirbelstrom prüfung eine induzierte Stromstärke und/oder induzierte Spannung beziehungsweise deren Phasenverschiebung zum Erregersignal oder ein weiterer oder anderer Korrela- tionswert herangezogen werden kann. Die Gesamtheit oder zumindest ein Anteil al- ler korrelierenden Parameterwerte können als Korrelationsbild bezeichnet werden. Dies wäre dann beispielsweise das Grauwertbild. Vorzugsweise weist der Schritt c) eine Thermografie/Laserthermografie und/oder eine Wirbelstromprüfung auf.

Vorzugsweise weist der Parameter im Schritt e) eine Abtastgeschwindigkeit des Hochenergiestrahls, einen Energieeintrag des Hochenergiestrahls in die Pulver schicht, eine Art einer Schutzgasströmung über dem Baubereich, ein Abtastmuster oder eine Abtaststrategie des Hochenergiestrahls, insbesondere eine Belichtungsflä che des Hochenergiestrahls, einen Streifenwinkel, eine Partikelgröße eines Pulvers in der Pulverschicht, eine Art der Schicht als Up-Skin, Down-Skin, In-Skin der Bauteil komponente und/oder eine Größe der vordefinierten Schichtdicke auf.

Es kann vorgesehen sein, dass der künstlichen Intelligenz zumindest ein weiterer o- der weitere Parameter und/oder Prozessparameter zur Optimierung des (besagten) Parameters als Eingangsgrößen übermittelt werden. Prozessparameter können bei spielsweise sein: eine Länge einer Belichtungsbahn des Hochenergiestrahls (Hatch- vektorlänge), ein Abstand zwischen zwei Belichtungsbahnen des Hochenergiestrahls (Hatchabstand), eine Belichtungsrichtung des Hochenergiestrahls, auch relativ zu einer Gasströmungsrichtung, eine Partikelgröße eines Pulvers in der Pulverschicht, und eine Schichtdicke. Prozessparameter sind insbesondere von der Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkomponenten vorgegebene Pa- rameter, die an einer Verfestigung der Pulverschicht direkt oder indirekt beteiligt sind.

Die künstliche Intelligenz kann insbesondere dazu trainiert sein, den korrelierenden Parameter zu erhalten und als Eingangsgröße zu nutzen. Beispielsweise kann die künstliche Intelligenz den Grauwert eines Pixelbildes beziehungsweise eines Grau- wertbildes als Eingangsvektor heranziehen und bewerten. Dabei kann beispielsweise ein Grenzwert oder ein Grenzbereich für einen, einige oder alle Eingangsgrößen, im vorbeschriebenen Beispiel für einen, einige oder alle Grauwerte von der künstlichen Intelligenz für die Bewertung herangezogen werden. Der Grenzwert kann vorab fest gelegt, trainiert oder während vorheriger Schritte des Verfahrens bestimmt werden. Ein Grauwert eines Pixels kann eine Intensität eines Schmelzlichtes sein. Die künst liche Intelligenz kann trainiert sein, Pixel, insbesondere deren Diskretwerte auf einer begrenzten Skala, in eine Bewertungsstrategie zu übernehmen. Beispielsweise kann ein (diskreter) Grauwert unterhalb eines (diskreten) Grenzwertes als ein positiver Faktor, ein (diskreter) Grauwert oberhalb des (diskreten) Grenzwertes als ein negati ver Faktor in die Bewertungsstrategie einfließen. Dabei kann ein Gewichtungskoeffi zient oder ein Gewichtungskoeffizientenbild, einem oder mehreren der zu optimie renden Parameter, insbesondere in Relation zu einer Position im Pulverbett bezie hungsweise der herzustellenden Schicht, zugewiesen sein. Während eines Baujobs (Referenzbaujobs) können Beobachtungsdaten und/oder Bewertungsdaten, insbeson dere korrelierende Parameter aus vorangegangenen Schritten mit in die Bewertungs strategie einer aktuellen Schicht herangezogen werden. Die künstliche Intelligenz kann dann basierend auf einer Vielzahl von positiven und negativen Faktoren, insbe sondere lokal über eine oder mehrere einem Pixel entsprechende Längen den (besag ten) Parameter anpassen, beispielsweise den Energieeintrag lokal bei der Herstellung einer nächsten Schicht reduzieren oder lokal andere Parameter anpassen und so op timieren. Die Anpassung des Parameters kann aber auch nicht lokal erfolgen. Es kann vorgesehen sein, dass die Anpassung in Abhängigkeit einer Kausalität zwischen dem korrelierenden Parameter und anderen Eingangsgrößen in Form eines Kausali tätsvektors, in Form von Gewichtungskoeffizienten oder in Form von Variablen in Aktivierungsfunktionen erfolgt. Dabei kann die Kausalität beispielsweise durch ei- nen oder mehrere Trainingsschritte ermittelt werden.

Ferner können alternativ oder zusätzlich korrelierende Parameter wie eine Defektart, eine Defektanzahl oder eine Defektgröße in die Bewertungsstrategie einbezogen werden.

Ein Pixelbild von Grauwerten kann beispielsweise ein Eingangsvektor einer Ein- gangsschicht in einem neuronalen Netz sein. Der Eingangsvektor kann zusätzlich weitere Größen enthalten. Diese Größen können die Beobachtungsdaten, die Bewer- tungsdaten und/oder weitere Prozessparameter umfassen.

Beispielsweise kann in einer Ausführungsform der Erfindung ein Zielwert der Be wertungsstrategie der künstlichen Intelligenz sein, dass die Grauwerte eines Bildes oder zumindest eines Ausschnitt des Bildes bei Abschluss einer Schicht sämtlich un terhalb eines Grenzwertes oder in einem Grenzbereich liegen. Um diesen Zielwert zu erreichen, kann die künstliche Intelligenz während des Baujobs die Parameter suk zessive Schrittweise anpassen. Es kann vorgesehen sein, dass die künstliche Intelli genz über mehrere Schichten hinweg versucht den Zielwert zu erreichen. Es kann auch eine Simulation der Parameter erfolgen und ein Ergebnis der Simulation mit erwarteten Ergebnissen aus einer Wissensdatenbank, die beispielsweise in einem Training der künstlichen Intelligenz erstellt wurde, verglichen werden.

Die künstliche Intelligenz kann darauf trainiert sein, bei bestimmten Übertretungen des Grenzwertes oder des Grenzbereichs durch lokale Grauwerte, einen oder mehrere Parameter des Verfahrens in Schritt e) zu optimieren, um bei der Herstellung einer später hergestellten Schicht zu einem besseren Grauwertbild, das beispielsweise eine gleichmäßigere Schmelze darstellt, oder sogar zu dem oben genannten Zielwert zu gelangen. Die Optimierung des Parameters kann ortsabhängig, das heißt beispiels weise an der lokalen Stelle oder in diesem lokalen Gebiet, in dem eine Übertretung des Grenzwertes oder ein Verlassen des Grenzbereichs detektiert wurde, erfolgen.

Sie kann aber auch oder zusätzlich kausalabhängig, das heißt durch Einflussgrößen wie die Strömungsgeschwindigkeit oder Strömungsrichtung des Schutzgases erfol- gen. Während die ortsabhängige Anpassung noch recht anschaulich und plausibel erscheinen mag, kann eine kausalabhängige Anpassung nicht mehr zwingend nachvollziehbar sein und sich erst im Laufe eines Trainings oder sogar während eines Baujobs heraussteilen. Es ist auch eine Kombination aus lokalen und kausalen An passungen möglich.

Es kann sein, dass in dem Schritt e) mehrere Parameter optimiert werden. Dabei kann vorgesehen sein, dass die künstliche Intelligenz eine ideale Kombination an Parame tern aus einer Vielzahl von möglichen Kombinationen an Parametern für die Opti mierung auswählt. Hierzu kann die künstlichen Intelligenz weitere Eingangsgrößen, die Gewichtskoeffizienten anpassen oder die Aktivierungsfunktionen abgeändert heranziehen, wenn Sie erkennt, dass es mehrere mögliche Kombinationen zur Opti mierung der Parameter gibt. Beispielsweise können vergleichbare Grauwerte durch das Optimieren einer Kombination der Parameter Energieeintrag und Bahnge schwindigkeit des Hochenergiestrahls erreicht werden, wobei die künstliche Intelli genz dann auf weitere Sekundärgrößen und/oder auf Trainingsgrößen aus einer Da tenbank zurückgreift, beispielsweise ein Rauschen oder geometrie- und ortsabhängige Grauwertdifferenzen über die Schicht.

Es kann vorgesehen sein, dass die Beobachtungsdaten aus Schritt b) oder die Bewer tungsdaten aus Schritt c) einen korrelierenden Parameter zwischen Schichtherstel lungsgrößen und Schichtherstellungsergebnis des Referenzbauteils akquirieren, wo bei die Schichtherstellungsgrößen insbesondere den übertragenen Parameter aus Schritt f), besonders bevorzugt einen optimierten Parameter aus Schritt e) umfassen.

Ferner kann das erfindvmgsgemäße Verfahren derart gestaltet sein, dass die künstli che Intelligenz trainiert ist, den Parameter so zu optimieren, dass ein Zielwert der Beobachtungsdaten und/oder der Bewertungsdaten, insbesondere ein Zielwert eines korrelierenden Parameters, erreicht oder angenähert wird.

Ergänzend kann vorgesehen sein, dass die künstliche Intelligenz erste Beobach tungsdaten und/oder erste Bewertungsdaten, die in einem ersten Durchlauf des Ver fahrens bei einem Aufbau einer ersten Schicht an die künstliche Intelligenz übermit- telt wurden, mit zweiten Beobachtungsdaten und/oder zweiten Bewertungsdaten ver- gleicht, die in einem späteren als dem ersten Durchlauf des Verfahrens bei einem Aufbau einer nachfolgenden Schicht an die künstliche Intelligenz übermittelt wur den, und

- zu entscheiden, dass der Parameter unter Heranziehung einer ersten Bewertungsstrategie optimiert wurde und in diesem späteren Durchlauf nicht optimiert wird, wenn der Zielwert erreicht wurde,

- zu entscheiden, dass der Parameter unter Heranziehung der ersten Bewertungsstra tegie optimiert wurde, aber in diesem späteren Durchlauf unter Heranziehung der ersten Bewertungsstrategie optimiert wird, wenn der Zielwert angenähert aber nicht erreicht wurde, und

- zu entscheiden, dass der Parameter unter Heranziehung der ersten Bewertungsstra tegie nicht optimiert wurde und unter Heranziehung einer zweiten, anderen Bewer tungsstrategie optimiert wird, wenn der Zielwert nicht angenähert wurde.

Besonders bevorzugt kann vorgesehen, dass die Beobachtungsdaten einen korrelie render Parameter umfassen, der durch eine optische Tomografie ermittelt wird und ein Maß für eine Lichtintensität eines Schmelzlichts darstellt, dass der Parameter ei ne Leistung eines Energieeintrag eines Hochenergiestrahls ist, und dass die künstli che Intelligenz die Leistung des Energieeintrags lokal reduziert, wenn ein Vergleich des korrelierenden Parameters mit Trainingsdaten eine zu große Anzahl von Fehlstel len im Gefüge der ausgehärteten Schmelze in dieser Schicht erwarten lassen. Dieses Vorgehen stellt eine ganz spezielle Bewertungsstrategie der künstlichen Intelligenz dar, um den Parameter in Schritt e) zu optimieren. Weitere und/oder ergänzende Merkmale für die Bewertungsstrategie der künstlichen Intelligenz sind in dieser An meldung weiter oben bereits angegeben.

Vorzugsweise erfolgt das Übertragen der Beobachtungsdaten und der Bewertungsda ten zu der Rechenvorrichtung und das Übertragen des zumindest einen Parameters zu der Steuervorrichtung online über ein Netzwerk, insbesondere über das Internet.

Vorzugsweise hat das Verfahren einen Schritt zum Speichern der Beobachtungsda ten, der Bewertungsdaten und/oder des zumindest einen Parameters in einer Daten- bank, vorzugsweise einer Cloud. Weiter bevorzugt sind mehrere Bauvorrichtungen mit der Datenbank vernetzt. Das Lernen kann durch die Vernetzung einzelner auto- nomer additiver Fertigungssysteme weiter beschleunigt werden.

Nach einem anderen Aspekt der vorliegenden Erfindung hat eine Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkomponenten, die eine Bauvor- richtung zum additiven Herstellen von Bauteilkomponenten aufweist, eine Vorrich- tung zum Beobachten einer additiven Herstellung eines Referenz-Baujobs und zum Akquirieren von Beobachtungsdaten; eine Vorrichtung zum Bewerten eines Verfes tigungsprozesses eines bei der additiven Herstellung des Referenz-Baujobs zumindest teilweise verfestigten Baumaterials und zum Akquirieren von Bewertungsdaten; eine Vorrichtung zum Übertragen der Beobachtungsdaten und der Bewertungsdaten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz, die zumin dest einen Parameter für die additive Herstellung optimiert; eine Vorrichtung zum Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvor richtung, die den verbleibenden Baujob unter Verwendung des zumindest einen über tragenen Parameters weiter durchführt. Die erfindungsgemäße Vorrichtung erzielt dieselben Vorteile wie das erfindungsgemäße Verfahren.

Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretech nisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbei- tungs-, insbesondere Mikroprozessoreinheit (CPU oder GPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausge bildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm im plementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangs-signale an einen Datenbus abzugeben. Die GPU kann dazu aus- gebildet sein, die für das Training des unter Umständen tiefen neuronalen Netzwer kes notwendigen Operationen effizient auszuführen. Das Training soll dabei aber nicht ausschließlich auf die GPU beschränkt sein, sondern kann, je nach Aufwand, auch zu Teilen auf der CPU oder auf anderer, gesonderter, anwendungsspezifischer Hardware wie beispielsweise TPU's (Tensor processing units) ausgeführt werden.

Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speicherme- dien, insbesondere optische, magnetische, Festkörper- und/oder andere nichtflüchtige Medien aufweisen. In einer Ausführung werden ein oder mehrere, insbe sondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch die Steuerung bzw. ihr(e) Mittel.

Weitere vorteilhafte Weiterbildungen der vorliegenden Erfindung ergeben sich aus den Unteransprüchen und der nachfolgenden Beschreibung bevorzugter Ausführun gen. Hierzu zeigt, teilweise schematisiert:

Fig. 1 eine Bauvorrichtung, die bei dem Verfahren der vorliegenden Erfin dung verwendet werden kann;

Fig. 2 ein Flussdiagramm einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung;

Fig. 3 ein Prinzip der optischen Tomografie;

Fig. 4 verschiedene Strahlungen mit unterschiedlichen Spektren, die bei ei ner Erwärmung der Pulverschicht entstehen und durch die optische Tomografie erfasst werden können;

Fig. 5 ein Prinzip einer Thermografie/Laserthermografie;

Fig. 6 ein Prinzip einer Wirbelstromprüfung; und

Fig. 7 ein Beispiel eines neuronalen Netzes.

Fig. 1 zeigt eine schematische Darstellung einer Bauvorrichtung 10, die bei dem Verfahren der vorliegenden Erfindung verwendet werden kann. Es handelt sich um eine Bauvorrichtung 10 zur Herstellung einer metallischen Bauteilkomponente 30, insbe sondere einer metallischen Bauteilkomponente 30 einer Strömungsmaschine, mittels selektivem Laserschmelzen ( Selective-Laser-Melting SLM). Bei der Bauteilkompo nente 30 kann es sich beispielsweise um eine komplexe Lauf- oder Leitschaufel einer Hochdruckturbine handeln. Die Bauvorrichtung 10 umfasst eine Pulverzuführung bzw. Beschichter 18 zum Aufträgen einer Pulverschicht 28 aus einem metallischen Werkstoff 22 in einem Baubereich 40 über einer Plattform 12. Der metallische Werkstoff 22 ist in einem Vorratsbehälter 20 gelagert und wird über die Pulverzufüh rung 18, welche insbesondere als Beschichter ausgebildet ist, schichtweise auf die Plattform 12 oder auf sich bereits auf der Plattform 12 befindliche Pulverschichten 28 aufgetragen. Der metallische Werkstoff 22 kann dabei insbesondere aus einer Titan- oder Nickellegierung bestehen. Die mittlere Korngröße des verwendeten metal lischen Werkstoffs 22 kann ca. 10 bis 100 mih betragen.

Eine oder mehrere aufgetragene Pulverschichten 28 werden im Baubereich 40 zur Ausbildung zumindest eines Teilbereichs einer Schicht der Bauteilkomponente 30 mittels eines von einer Laserquelle 14 abgegebenen Laserstrahls 16 schichtweise und lokal verschmolzen und/oder versintert. Als Laserquelle 14 wird in dem dargestellten Ausführungsbeispiel ein Nd: YAG- Laser verwendet: Dessen Laserleistung kann je nach Bauteiltyp insbesondere zwischen 400 bis 1000 W liegen. Durch die Steuerung des Laserstrahls 16 ergibt sich eine vorgeschriebene Bauteilgeometrie der Bauteilkomponente 30. Der nicht zum Aufbau der Bauteilkomponente 30 benötigte Werkstoff wird mittels des Beschichters 18 in einen Überlaufbehälter 24 überführt. Der nicht benötigte Werkstoff ist mit 26 gekennzeichnet.

Des Weiteren umfasst die Bauvorrichtung 10 eine Induktionsvorrichtung 32, die zwei Induktionsspulen 42, 44 aufweist. Die beiden Induktionsspulen 42, 44 bilden einen Kreuzungsbereich aus und sind nach dem so genannten Kreuzspulenkonzept aufgebaut. Die Induktionsvorrichtung 32 ist dabei über der Pulverschicht 28 bezie hungsweise der Plattform 12 verfahrbar ausgebildet. Des Weiteren ist die Indukti onsvorrichtung 32 dazu ausgelegt, eine Wärmebehandlung beziehungsweise Erwär mung eines Teilbereichs der Bauteilkomponente 30 durch ein lokales Verschmelzen und/oder Vereintem mit dem Werkstoff 22 der Pulverschicht 28 mittels induktiver Erwärmung bei einer Temperatur oder in einem Temperaturbereich, die/der über der Verfestigungstemperatur des verwendeten metallischen Werkstoffs 22 liegt, auszu bilden. Bei der Verwendung von hochwarmfesten Nickelbasislegierungen als Werk stoff 22, wie beispielsweise M247, liegt der genannte Temperaturbereich oberhalb von ca. 1250 bis 1260 °C. Die Induktionsvorrichtung 32 wird dabei mitels einer Steuervorrichtung (nicht dargestellt) gesteuert und geregelt. Dies betrifft einerseits die Leistung der Induktionsvorrichtung 32 beziehungsweise der einzelnen Indukti- onsspulen 42, 44 wie auch deren Position oberhalb der Platform 12.

Vor der eigentlichen Herstellung der Bauteilkomponente 30 werden vorab die Form und der Materialaufbau der Bauteilkomponente 30 als computergeneriertes Modell (CAD-Modell) in einem Computer bestimmt. Die daraus generierten Schichtinformationen werden als entsprechende Daten in der Steuervorrichtung der Bauvorrichtung 10 eingegeben. Diese Daten dienen dann zur Steuerung der einzelnen Komponenten der Bauvorrichtung 10.

Bei dem Verfahren zum additiven Herstellen einer Bauteilkomponente 30 wird zu nächst mindestens eine Pulverschicht 28 in dem Baubereich 40 direkt auf der Platform 12 oder auf einer oder mehreren sich bereits auf der Platform 12 befindlichen Pulverschicht 28 aufgetragen.

Anschließend wird die Pulverschicht 28 durch selektives Belichten mitels des Hochenergiestrahls 16 im Baubereich 40 lokal verfestigt, um eine Schicht der Bauteilkomponente 30 auszubilden. Vor dem selektiven Belichten kann optional eine zumindest teilweise Erwärmung des Werkstoffs 22 in der Pulverschicht 28 mitels in duktiver Erwärmung durch die Induktionsvorrichtung 32 erfolgen.

Danach wird die Platform 12 um eine vordefinierte Schichtdicke abgesenkt, und die vorherigen Schrite werden wiederholt, bis die Bauteilkomponente 30 fertiggestellt ist.

Die vorliegende Erfindung ist nicht auf das Laserschmelzverfahren beschränkt. Al ternativ kann die Bauteilkomponente 30 durch andere additive Verfahren hergestellt werden, wie zum Beispiel selektives Lasersintem (SLS), Selective-Heat-Sintering (SHS), Fused-Deposition-Modeling (FDM), 3D-Drucken, Elektronenstrahlschmelzen (EBM), Auftragschweißen bzw. Cladding oder Metall-Pulver- Auftragsverfahren (MPA). Fig. 2 zeigt ein Flussdiagramm einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung, durch das das additive Herstellen der Bauteilkomponenten 30 selbständig optimiert werden kann.

In einem Schritt a) wird ein Referenz-Baujob mittels additiver Herstellung einer Bauteilkomponente 30 in der Bauvorrichtung 10 gestartet.

In einem Schritt b) wird die additive Herstellung des Referenz-Baujobs beobachtet, und Beobachtungsdaten werden akquiriert. Die Beobachtungsdaten können hoch komplexe und multidimensionale Daten sein. Das Beobachten geschieht online während der Durchführung des Referenz-Baujobs.

In einem Schritt c) wird ein Verfestigungsprozess eines bei der additiven Herstellung des Referenz-Baujobs verfestigten Baumaterials bewertet, und Bewertungsdaten werden akquiriert. Die Bewertungsdaten können Tatsachen wie Rissgröße, Rissan zahl, etc. enthalten. Vorzugsweise erfolgt das Beobachten zerstörungsfrei und in ei nem Zeitraum, in dem eine bis fünf nachfolgende Schichten verfestigt werden. Das Bewerten geschieht online während der Durchführung des Referenz-Baujobs.

In einem Schritt d) werden die Beobachtungsdaten und die Bewertungsdaten zu einer Rechenvorrichtung übertragen und in eine Eingabeschicht eines in der Rechenvor richtung implementierten neuronalen Netzes eingegeben.

In einem Schritt e) wird zumindest ein Parameter für die additive Herstellung durch die in der Rechenvorrichtung implementierte künstliche Intelligenz optimiert.

In einem Schritt f) wird der zumindest eine Parameter zu einer Steuervorrichtung der Bauvorrichtung 10 übertragen. Der zumindest eine Parameter wird dabei in einem Baujobprogramm implementiert, in dem CAD-Daten der Bauteilkomponente 30 so wie weitere Fertigungsparameter einfließen. Der verbleibende Baujob wird unter Verwendung des zumindest einen übertragenen Parameters weiter durchgeführt. In einem Schritt g) werden die Schritte b) bis f) unter Verwendung des zumindest einen bei dem vorherigen Schritt f) übertragenen Parameters iterativ durchgeführt, zum Beispiel bis die Bauteilkomponente 30 fertiggestellt ist oder ein vorbestimmtes Qualitätsniveau erreicht.

In einem optionalen Schritt h) kann eine Offline-Nachuntersuchung der Bauteilkom ponente 30 erfolgen.

Bei dem Schritt b) kann ein optisches Verfahren, insbesondere eine in der Fig. 3 dargestellte optische Tomografie, verwendet werden. Bei der optischen Tomografie wird eine oder mehrere Pulverschichten 28 der Bauteilkomponente 30 abgebildet. Dabei werden Schichtbilder der Bauteilkomponente 30 während ihrer additiven Herstellung mittels einer Detektionseinrichtung 31 ermittelt. Die Detektionseinrichtung 31 kann eine Messgröße ortsaufgelöst erfassen, die einen Energieeintrag in die Pul verschicht 28 der Bauteilkomponente 30 charakterisiert. Die Detektionseinrichtung 31 kann zum Beispiel ein CMOS-, ein sCMOS- oder ein CCD-Sensor sein, der eine Infrarotstrahlung als Messgröße erfasst. Ein Schichtbild kann aus mehreren, zum Beispiel 100 bis 1000 Einzelbildern zusammengesetzt sein, die zum Beispiel eine Belichtungszeit zwischen 1,0 ms und 5000 ms haben können.

Fig. 4 zeigt den Laserstrahl 16, der zum Beispiel eine Wellenlänge von 1064 nm hat. Die Bezugszeichen 45, 46 und 47 bezeichnen Strahlen in unterschiedlichen Spektren, die von der Pulverschicht 28 abgestrahlt werden. Das Bezugszeichen 45 bezeichnet eine Wärmestrahlung im sichtbaren Infrarotbereich. Das Bezugszeichen 46 bezeich- net reflektiertes Laserlicht. Das Bezugszeichen 47 bezeichnet eine Plasmastrahlung im Bereich zwischen 400 und 600 nm. Zumindest die Strahlungen 45 und 47 können durch entsprechende Detektionseinrichtungen 31 erfasst werden.

Ein zweidimensionales Abbild der Pulverschicht 28 oder ein dreidimensionales Abbild der Bauteilkomponente 30 wird dann anhand der ermittelten Schichtbilder er zeugt, das optional an einer Anzeigeeinrichtung angezeigt werden kann. Aus den er mittelten Schichtbildem werden bei dem Schritt b) die Beobachtungsdaten akquiriert, welche anschließend bei dem Schritt d) zu der Rechenvorrichtung übertragen und in die Eingabeschicht des neuronalen Netzes eingegeben werden.

In einer Abwandlung ist es möglich, das Abbild der Bauteilkomponente 30 im Schritt b) mit einem Soll- Abbild der Bauteilkomponente 30 zu vergleichen, wobei als Soll- Abbild ein Datenmodell und/oder ein Röntgen-Abbild der Bauteilkomponente 30 und/oder ein Abbild eines Referenz-Bauteils verwendet werden kann. Abweichungen zwischen dem Abbild und dem Soll-Abbild können als die Beobachtungsdaten ver wendet werden.

Alternativ oder zusätzlich kann bei dem Schritt b) ein akustisches Verfahren, insbe sondere Ultraschallklanganalyse, genutzt werden. Dabei werden durch eine Sender einrichtung einer Ultraschallwandlereinrichtung Ultraschallsignale zumindest zu ei nem Teilbereich der verfestigten Bauteilkomponente 30 ausgesendet. Die Senderein richtung kann unterhalb, oberhalb oder seitlich der Plattform 12 angeordnet sein. Ei ne Empfangereinrichtung empfangt die Ultraschall Signale und bestimmt wenigstens einen Parameter, der die Ultraschallsignale charakterisiert. Dieser Parameter kann die Laufzeit der reflektierten Ultraschallsignale, die Schallamplitude der reflektierten Ultraschallsignale oder wenigstens ein Frequenzanteil der reflektierten Ultraschall signale sein, wobei der wenigstens eine Parameter insbesondere über eine vorbe stimmte Zeitspanne bestimmbar ist. Optional können mehrere der Ultraschallwand lereinrichtungen als Array, insbesondere phasenversetzt, angesteuert werden.

Der Schritt c) kann eine in der Fig. 5 beispielhaft dargestellte Thermogra- fie/Laserthermografie aufweisen. Dabei wird bei dem schichtweisen Aufbau der Bauteilkomponente 30 während des Schritts a) durch eine Thermografieeinrichtung 52, 53, 54 eine thermografische Aufnahme mindestens eines Bildes oder einer Bildsequenz 51 einer einzelnen aufgetragenen und zumindest teilweise verfestigten Schicht 28 erstellt. Die Thermografieeinrichtung 52, 53, 54 weist einen (Laser-) Scanner 53, eine Thermokamera 52 und einen dichroitischen Spiegel 54 auf. Die Schicht 28 kann optional vor der thermografischen Aufnahme des zugehörigen Bildes einer zusätzlichen, gesteuerten Wärmebehandlung unterhalb der Schmelztemperatur des Werkstoffs 22 unterzogen werden. Die Wärmebehandlung kann durch die Laserquelle 14 oder durch die Induktions Vorrichtung 32 erfolgen. Die Wärme durch den Laserstrahl 16 während der Verfestigung oder die Wärme durch die zusätzliche Wärmebehandlung bewirkt eine von der Schicht 28 ausgehende Wärmestrahlung, die beim Auftreten mindestens eines Risses 56 in der Schicht 28 einen charakteristischen Wärmeverlauf am Riss 56 aufweist, wobei der Wärmeverlauf und damit der Riss 56 mittels auf der zugehörigen thermografischen Aufnahme sichtbar gemacht werden. Die Risse können durch Absorption (so genannte Laserfalle), Emission oder durch einen lateralen Wärmestau bzw. eine laterale Wärmeleitung erfasst werden.

Die gesteuerte Wärmebehandlung kann eine Wärmestrahlung in der Schicht 28 er zeugen, die im Infrarotbereich am Rand des sichtbaren Spektrums und im Erfas sungsspektrum der Thermografieeinrichtung 52, 53, 54 liegt.

Alternativ oder zusätzlich kann bei dem Schritt c) eine in der Fig. 6 beispielhaft dar- gestellte Wirbelstromprüfimg erfolgen. Dabei wird ein Wirbelstromscan zum Bei spiel in einem Frequenzbereich von 1 MHz bis 10 MHz im zumindest teilweise ver festigten Bereich der Pulverschicht 28 erzeugt, wobei eine Scantiefe vorzugsweise einem Vielfachen der Schichtdicke entspricht. Die Wirbelstromprüfimg eignet sich zur Rissprüfung. Wenn der Wirbelstromscan gleichmäßig im Material fließt, ist des sen elektrischer Widerstand homogen, und eine Beschädigung kann ausgeschlossen werden. Befinden sich im Material Risse oder Fremdkörper, ändern sich der spezifi sche Widerstand und damit die Wirbelstromdichte in Bezug auf das restliche Materi al.

In der linken Abbildung der Fig. 6 ist ein lineares Wirbelstrom- Array 61 in einer Ra kel 62 angeordnet. Das lineare Wirbelstrom- Array 61 kann alternativ in der Pulver- zufiihrung 18 angeordnet sein. In der rechten Abbildung der Fig. 6 ist ein Wir belstromscan dargestellt, in dem mehrere Fehlstellen 63, 64, 65 abgebildet sind. Das Bezugszeichen 63 bezeichnet Risse, das Bezugszeichen 64 bezeichnet Poren, und das Bezugszeichen 65 bezeichnet nicht oder nicht ausreichend geschmolzenes Pulver 22.

Es kann optional eine Materialcharakterisierung des zumindest teilweise verfestigten Bereichs der Pulverschicht 28 unter Berücksichtigung eines vorhergehenden Wir- belstromscans von verfestigten Bereichen tieferliegender Pulverschichten 28 ermit- telt werden. Bei jedem Wirbelstromscan kann eine Multifrequenzmessung durchge führt werden.

Bei dem Schritt d) werden die bei den vorstehend beschriebenen Schritten b) und c) akquirierten Beobachtungsdaten und Bewertungsdaten zu der Rechenvorrichtung mit implementierter künstlicher Intelligenz übertragen.

Bei dem Schritt e) wir der zumindest eine Parameter für die additive Herstellung durch die in der Rechenvorrichtung implementierte künstliche Intelligenz optimiert, und bei dem Schritt f) wird der zumindest eine Parameter zu einer Steuervorrichtung der Bauvorrichtung 10 übertragen, so dass der verbleibende Baujob unter Verwen dung des zumindest einen übertragenen Parameters fortgesetzt wird.

Die in der Rechenvorrichtung implementierte künstliche Intelligenz weist ein neuro nales Netz auf, wobei die Beobachtungsdaten und die Bewertungsdaten in eine Ein- gabeschicht des neuronalen Netzes eingeben werden und der zumindest eine opti- mierte Parameter für die additive Herstellung aus einer Ausgabeschicht des neurona len Netzes ausgegeben wird.

Fig. 7 zeigt ein Beispiel eines neuronalen Netzes mit einer Eingangsschicht 71, einer Zwischenschicht 72 und einer Ausgangsschicht 73. Die Eingangsschicht 71 wird von einem Eingangsvektor mit entsprechenden Eingangswerten versorgt. Dabei kann ein Neuron einen Eingangswert oder mehrere Eingangswerte verarbeiten. Wie in der Fig. 7 gezeigt weist das neuronale Netz aufeinanderfolgende Schichten von Neuronen auf, die mit Zwischenverbindungen in Form von Gewichtskoeffizienten Wn,i j mit einander verbunden sind. Ein Neuron nimmt dabei die durch die Multiplikation und Addition gewichteten Aktivierungen, das heißt die Ausgangswerte, aller mit ihm verbundenen Neuronen entgegen und bewertet anhand der Summe und einer ihm zu geordneten Aktivierungsfunktion, wie hoch die Aktivierung, für dieses Neuron ist. Die Aktivierungen U3,k der Ausgangsschicht 73 des neuronalen Netzes können Verkettungen sehr vieler Linearkombinationen sein und sind von den verwendeten Ge wichten sowie den Eingangs werten und der jeweiligen verwendeten Aktivierungs- funktionen abhängig. Die Verbindungselemente addieren und/oder multiplizieren die Ausgangssignale der vorhergehenden Neuronen mit Gewichtskoeffizienten Wn,i j bzw. Wnj,k. Während des Lemvorgangs eines neuronalen Netzes sind diese Ge wichtskoeffizienten Wn,ij bzw. Wnj,k veränderlich und werden wechselseitig unabhängig bestimmt. Es kann aber auch vorgesehen sein, dass die Gewichtskoeffizien ten aufgrund einer Auswertung der Herstellung einer Schicht in demselben Baujob verändert werden. Die Werte der Gewichtskoeffizienten Wn,ij, welche die Ein gangs- mit der Zwischenschicht (verborgene Schicht) verbinden, können als die je weiligen Kopplungsstärken zwischen Neuronen der Zwischenschicht U2 j und den Neuronen der Eingangsschicht Ul, i betrachtet werden. Wenn die Ausgangsschicht U3,k des Neuronalen Netzes nur aus einem einzelnen Neuron U3,l besteht, wird ein einzelner Ausgangswert von dem letzten Neuron des Neuronalen Netzes entspre chend auf eine bestimmte Kombination von der Eingangsschicht des Neuronalen Netzes zugefuhrten Eingangssignalwerten erzeugt. Das neuronale Netz kann über mehrere Zwischenschichten verfugen, so dass ein so genanntes Deep-Learning er möglicht wird.

Das neuronale Netz ist darauf trainiert, den zumindest einen Parameter auf der Grundlage der eingegebenen Beobachtungsdaten und Bewertungsdaten so auszuge ben, dass die Qualität der Bauteilkomponente 30 ein vorbestimmtes Qualitätsniveau erreicht. Das vorbestimmte Qualitätsniveau kann zum Beispiel eine maximal zulässi ge Anzahl von Rissen in einer Flächen- oder Volumeneinheit oder eine maximale zulässige Größe der Risse sein. Das vorbestimmte Qualitätsniveau kann beliebig festgelegt werden.

Der aus der Ausgabeschicht des neuronalen Netzes abgegebene und bei dem Schritt e) optimierte Parameter kann eine Abtastgeschwindigkeit des Hochenergiestrahls 16, ein Energieeintrag des Hochenergiestrahls 16, eine Art einer Schutzgasströmung über dem Baubereich 40, ein Abtastmuster des Hochenergiestrahls 16, eine Partikel größe eines Pulvers 22 in der Pulverschicht 28, eine Art der Schicht als Up-Skin, Down-Skin, In-Skin der Bauteilkomponente 30 und/oder eine Größe der vordefinier ten Schichtdicke sein. Das Übertragen der Beobachtungsdaten und der Bewertungsdaten zu der Rechenvor richtung beim dem Schritt d) und das Übertragen des zumindest einen Parameters zu der Steuervorrichtung bei dem Schritt f) kann online über ein Netzwerk, insbesonde re das Internet, erfolgen. Die Rechenvorrichtung kann einen Schreib/Lese-Zugriff auf einen Datenserver haben. Zusätzlich können die Beobachtungsdaten, die Bewer- tungsdaten und/oder der zumindest eine Parameter in einer Datenbank, vorzugsweise einer Cloud, gespeichert werden. Die Schritte a) bis g) können in vorteilhafter Weise in Echtzeit durchgefuhrt werden. Es ist möglich, mehrere Bauvorrichtungen 10 mit der Datenbank zu vernetzen, um den Lernprozess des neuronalen Netzes zu be- schleunigen.

Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei daraufhingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei daraufhingewiesen, dass es sich bei den exemplarischen Ausführun- gen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindes- tens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.

Bezugszeichenliste

Bauvorrichtung

Plattform

Laserquelle

Hochenergiestrahl, Laserstrahl

Pulverzufuhrung

Vorratsbehälter

Werkstoff

Überlaufbehälter

Werkstoff

Pulverschicht

Bauteilkomponente

Detektionseinrichtung

Induktionsvorrichtung

Baubereich

Induktionsspule

Induktionsspule

Wärmestrahlung

reflektiertes Laserlicht

Plasmastrahlung

Bildsequenz

Thermokamera

Scanner

dichroitischer Spiegel

Wirbelstrom-Array

Rakel

Riss

Pore

nicht oder nicht ausreichend geschmolzenes Pulver

Eingangsschicht

Zwischenschicht

Ausgangsschicht