Verfahren zur additiven Herstellung eines Bauteils

Wire Are Additive Manufacturing (WAAM) ist ein Beispiel, das die Herstellung großvolumiger, metallischer Bauteile ermög licht. Ein weiteres typisches Verfahren hierfür ist das La serschmelzverfahren (LMD). Dabei stellt die fehlende Wieder holbarkeit des Prozesses eine Herausforderung an die Quali tätssicherung dar. Um sicherzustellen, dass das Bauteil eine ausreichend hohe Qualität aufweist, muss der Prozess über wacht werden. In-Situ-Monitoringsysteme ermöglichen dabei die Analyse am Ort des Geschehens während des Prozesses.

Werden dann Defekte im Prozess erkannt, wird das gewonnene Wissen über die Defekte bisher nicht verwendet, um Prozessan passungen umzusetzen. Das liegt daran, dass unbekannt ist, welcher Defekt vorliegt und wie diesem zu begegnen ist. Falls eine Anomalie detektiert wird, muss der Prozess deshalb aktu ell abgebrochen werden und das Bauteil ist Ausschuss.

Die Aufgabe der Erfindung besteht darin, ein Verfahren zur additiven Fertigung eines Bauteils bereitzustellen, das ge genüber dem Stand der Technik eine verbesserte Prozesskon trolle aufweist und die Ausschussrate während der Produktion senkt.

Die Lösung der Aufgabe besteht in einem Verfahren zur additi ven Fertigung eines Bauteils nach Patentanspruch 1. Das er findungsgemäße Verfahren umfasst dabei folgende Schritte:

- Erstellen eines Maschinen Codes

- Erstellen eines generalisierten Anomaliedetektionsmodells und Erstellen eines adaptiven Anomaliedetektionsmodells

- Übertragen des Maschinen Codes und der Detektionsmodelle an eine Steuerung

- Starten des Fertigungsprozesses

- Überwachung des Prozesses mit Sensoren

- Auswertung von Sensorsignalen des Fertigungsprozesses mit Hilfe des generalisierten Anomaliedetektionsmodells

- paralleles Anlernen eines spezialisierten Anomaliedetekti onsmodells aus einem adaptiven Anomaliedetektionsmodell mit tels Prozessdaten des laufenden Fertigungsprozesses

- Detektion von Anomalien in der Fertigung des Bauteils mit Hilfe des spezialisierten Anomaliedetektionsmodells während des Fertigungsprozesses.

Dabei seien die verwendeten Begriffe wie folgt definiert:

Maschinen Code

Ein Maschinen Code ist eine nach den Regeln einer höheren Programmiersprache erstellte Folge von Anweisungen, die vom Prozessor eines Gerätes, beispielsweise einer Steuerung mit elektronischer Datenverarbeitung, direkt (ohne weitere Über setzung) ausgeführt werden können. Als Beispiel für einen Ma schinen Code für Industriesteuerungen wie beispielsweise Si numerik sei der G-Code (DIN 66025) genannt. Ein anderes Bei spiel wäre spezielle Roboterprogrammiersprache wie KRL (Kuka Roboter Language) oder RAPID.

Modell

Modelle dienen zum einen zur Abbildung eines Realitätsaus schnitts, um eine Aufgabe mit Hilfe der Informationsverarbei tung zu lösen. Derartige Modelle heißen Domänenmodelle. Hier unter fallen z. B. Modelle für zu erstellende Software insbe sondere für deren Code (in Form von beispielsweise Pro grammablaufplandiagrammen) und Datenmodelle für die Beschrei bung der Strukturen von zu verarbeitenden Daten aus betrieb licher/fachlogischer Sicht oder aus technischer Datenhal tungssicht (in Form von beispielsweise neuronalen Netzen).

Anomalie

Eine Anomalie bezieht sich auf das zu fertigende Bauteil und stellt in der Regel einen Defekt oder die Vorstufe eines De fektes, beispielsweise ein Oxidationscluster in dem entste henden Bauteil, dar. Derartige Anomalien im Bauteil gilt es möglichst während des Fertigungsprozesses mittels Sensoren zu detektieren und ebenfalls während des Fertigungsprozesses zu kompensieren oder zu beseitigen.

Generalisiertes Anomaliedetektionsmodell

Ein Modell, z.B. ein neuronales Netz, eignet sich durch Ler nen eine Repräsentation von Trainingsdaten an, damit aus Ein gangsdaten Ausgangsdaten berechnet werden können. Trainings daten sind beispielsweise Datensätze von Sensordaten aus ei nem bereits abgelaufenen Fertigungsprozess, die ein bekann tes, beispielsweise gutes Prozessergebnis in Form eines Bau teils geliefert haben.

Ein Generalisiertes Anomaliedetektionsmodell ist ein auf ver fügbaren Trainingsdaten angelerntes Modell; wobei dem Anler nen das Ziel zugrunde liegt, das Modell zu generieren, das eine hohe Genauigkeit bei der Berechnung der Ausgangsdaten basierend auf den Eingangsdaten für alle Parametersätze hat. Das generalisierte Anomaliedetektionsmodell ist bei verschie denen Parametersätzen einsetzbar, allerdings weist es eine geringere Genauigkeit der Berechnungen im Vergleich zu einem spezialisierten Modell auf. Das spezialisierte Modell ist ein auf einen parametersatzspezifischen Datensatz angelerntes Mo dell, das auf einem adaptiven Modell basiert. Es wird inner halb weniger Schritte und/oder innerhalb kurzer Zeit bei ei nem neuen Parametersatz konditioniert angelernt. Es ist para- metersatzspezifisch einsetzbar, weist aufgrund der Speziali sierung im Vergleich zu dem generalisierten Anomaliedetekti onsmodell eine höhere Genauigkeit bei der Berechnung von Ano malien auf Basis eines speziellen Parametersatzes auf.

Prozessdaten

Sind alle Daten, die während des Prozesses anfallen. Dazu ge hören die Sensorsignale und zumindest teilweise der Pro zessparametersatz .

Prozessparametersatz

Prozessparametersatz umfasst alle während des Prozesses ange wandten technischen Größen wie zum Beispiel Position und Ge- schwindigkeit des Druckkopfes zu einer bestimmten Zeit, ins besondere allerdings Maschineneinstellungen wie beispielswei se Energieeintrag (beispielsweise in Form von Strom und Span nung), Abstand eines Schweißbrenners zum Bauteil, Gasfluss oder Lichtbogenlängenkorrektur.

Adaptives Anomaliedetektionsmodell

Ist ein auf verfügbare Trainingsdaten konditioniertes (d.h. parametersatzspezifisch) angelerntes Modell auf Basis eines neuronalen Netzes; wobei das Anlernen (z.B. via Meta-Learning Ansatz, wie beispielsweise Model Agnostic Meta-Learning oder Reptile) das Ziel hat, ein Modell zu generieren, das schnell insbesondere während einer Zeitspanne von 0,5 s bis 3 s und mit wenigen Trainingsdaten bei einem neuen Prozessparameter satz anpassbar ist. Anpassbar bedeutet, dass das Modell mit möglichst wenigen weiteren parametersatzspezifischen Trai ningsdaten und/oder wenigen Schritten und/oder in möglichst kurzer Zeit zu einem spezialisierten Zustand gebracht werden kann. Das heißt basierend auf dem adaptiven Modell entsteht das spezialisierte Anomaliedetektionsmodell. Das adaptive Anomaliedetektionsmodell ist für sich genommen nicht direkt für den Einsatz zur Anomaliedetektion geeignet. Es ist des halb nicht gut dazu geeignet, da es darauf ausgelegt ist, möglichst schnell und mittels einer geringen Anzahl an Trai ningsdaten anpassbar zu sein und nicht um möglichst gute De tektionsergebnisse zu erzielen.

Steuerung

Steuerung ist eine Recheneinheit, die dazu in der Lage ist, Modelle auszuführen und die Daten zu verarbeiten. Beispiele für Steuerungen sind NC (Numerical Control wie Sinumerik), Edge Devices (Industrial Edge oder Sinumerik Edge (ein Rech ner, der zwei Netzwerke verbindet und Daten auswerten kann)), ein IPC (Industrial PC ohne Verbindung zum zweiten Netzwerk) oder PLC (Programmable Logic Controller (in Deutsch SPS) wie z. B. Simatic S7)).

Sensor und Sensorsignal Ein Sensor, auch als Detektor, (Messgrößen- oder Mess- )Aufnehmer oder (Mess-)Fühler bezeichnet, ist ein technisches Bauteil, das bestimmte physikalische oder chemische Eigen schaften (physikalisch z. B. Wärmemenge, Temperatur, Feuch tigkeit, Druck, Schallfeldgrößen, Helligkeit, Beschleunigung oder chemisch z. B. pH-Wert, Ionenstärke, elektrochemisches Potential) und/oder die stoffliche Beschaffenheit seiner Um gebung qualitativ oder als Messgröße quantitativ erfassen kann. Diese Größen werden mittels physikalischer, chemischer oder biologischer Effekte erfasst und in ein weiterverarbeit bares insbesondere elektrisches Signal, dem Sensorsignal, um geformt. Ein elektrisches Signal ist eine Spezialform eines physikalischen Signals. Es handelt sich um eine elektrische Größe wie Stromstärke, Spannung oder Widerstand, wenn es in irgendeiner Form variabel ist und somit Informationen aufneh men und transportieren kann. Als Wert des Signals kommen bei spielsweise Gleichwert, Scheitelwert, Frequenz, Phasenver schiebungswinkel oder Tastgrad infrage. Die Werte, die das Sensorsignal liefert, werden als Sensordaten bezeichnet. Auch mathematische Auswertungen, also eine Weiterverarbeitung von physikalischen Sensordaten, werden als Sensordaten als solche bezeichnet .

Druckkopf

Als Druckkopf wird das Bauteil einer additiven Fertigungsvor richtung bezeichnet, das für den Materialauftrag verantwort lich ist. Beim WAAM ist dies das Element, an dem das Ende des aufzuschweißenden Drahtes geführt wird, beim LMD Verfahren ist dies das Element, an dem der Laserstrahl zum Aufschmelzen des Pulvers austritt. Der Druckkopf steht während des Prozes ses über ein definiertes Merkmal, beispielsweise der Spitze einer Elektrode oder einer Drahtaustrittsöffnung, an einer bestimmten Position. Diese Position des Druckkopfes wiederum korreliert räumlich äquidistant mit einem Arbeitspunkt im oder an der Oberfläche des entstehenden Bauteils. Zwischen der Position des Druckkopfes und dem Arbeitspunkt am Bauteil wird deshalb unterschieden, da diese in verschiedenen additi- ven Fertigungsverfahren nicht räumlich zusammenfallen, aber stets zwangsgesteuert in Zusammenhang stehen.

Positionsdaten

Positionsdaten sind ein Datensatz, der ausgehend von einem vor Prozessbeginn definierten Koordinatensystems bezüglich diesem einen Ort im Prozessumfeld definiert.

Digitaler Zwilling

Ein digitaler Zwilling ist eine digitale Repräsentation eines materiellen oder immateriellen Objekts oder Prozesses aus der realen Welt in der digitalen Welt. Digitale Zwillinge ermög lichen einen übergreifenden Datenaustausch. Sie sind dabei mehr als reine Daten und bestehen aus Modellen des repräsen tierten Objekts oder Prozesses und können daneben Simulatio nen, Algorithmen und Services enthalten, die Eigenschaften oder Verhalten des repräsentierten Objekts oder Prozesses be schreiben, beeinflussen, oder Dienste darüber anbieten.

Die beschriebene Erfindung stellt im Kontext des Standes der Technik folgende Vorteile dar. Um mit der hohen Anzahl an Prozessparametern zurecht zu kommen, werden konventionelle Algorithmen, wie beispielsweise Mittelwertbildung in Kombina tion mit Grenzwertbildung, verwendet. Gerade bei hochfrequen ten Daten mit komplexen Mustern in den Daten gehen so Infor mationen verloren, da sie nicht in der Analyse verwendet wer den. Um komplexe Signaleigenschaften dennoch analysieren zu können, kommt das beschriebene adaptive Anomaliedetektionsmo dell zum Tragen. Dafür werden eine ausreichende Anzahl an Trainingsdatensätzen mit einem Parametersatz im Prozess ge sammelt. Mithilfe dieser Daten wird aus dem adaptiven Anoma liedetektionsmodell das auf die ermittelten Parameter spezia lisierte Anomaliedetektionsmodell generiert. Besteht dieses, kann es für die Sensorsignale bei diesem speziellen Parame tersatz zur Anomaliedetektion angewendet werden. Eine Anpas sung der Prozessparameter führt dazu, dass das spezialisierte Modell obsolet wird und die Anpassung mittels des adaptiven Anomaliedetektionsmodell erneut erfolgen muss. Das frühzeiti- ge und sichere Auffinden von Anomalien im entstehenden Bau teil bietet für den Fertigungsprozess erhebliche Vorteile, da entweder ein Ausschuss früher erkannt werden kann und Ferti gungsressourcen und Fertigungszeiten eingespart werden können oder im noch vorteilhafteren Fall detektierte Anomalien in situ beseitigt werden können.

In diesem Zusammenhang ist es zweckmäßig, wenn ein bezüglich eines Prozessparametersatzes angelerntes adaptives Anomalie detektionsmodell als spezialisiertes Anomaliedetektionsmodell abgespeichert wird und bei einer erneuten Nutzung des Pro zessparametersatzes das spezialisierte Anomaliedetektionsmo dell verwendet wird. Dies verkürzt die oben beschriebenen An lernzeiten mittels des adaptiven Anomaliedetektionsmodells, in der andernfalls nur das generalisierte Anomaliedetektions modell zur Verfügung steht.

Ferner kann in vorteilhaftere Weise das adaptive Anomaliede tektionsmodell bei Starten eines zweiten Fertigungsprozesses mit einem zweiten Prozessparametersatz herangezogen werden und mithilfe der neuen Trainingsdaten an diesen angepasst werden um ein weiteres spezialisiertes Modell zu erstellen.

In einer weiteren vorteilhaften Ausgestaltungsform der Erfin dung umfasst das Fertigungsverfahren noch folgende Schritte:

- Paralleler Aufbau eines digitalen Zwillings 10 des entste henden Bauteils 2 während des Prozesses aus den Sensordaten umfassend Positionsdaten detektierter Anomalien 8

- Prädiktion über die Position 12 eines Druckkopfs 14 zu ei ner bestimmten Zeit mittels des Maschinencodes

- Analyse eines Arbeitsbereiches rund um diese Position im Hinblick auf vorhandene Anomalien mittels des digitalen Zwil lings

- Anpassung der Prozessparameter bei Erreichen des Arbeitsbe reiches zur Behebung der Anomalie.

Durch die beschriebene Anomaliedetektion können Anomalien frühzeitig erfasst werden und auf diese durch Anpassung der Prozessparameter am Ort oder in der Umgebung der Anomalie im entstehenden Bauteil eingegangen werden, wobei der Prozess stark von der aktuellen Umgebung (insbesondere einer Schmelz zone im entstehenden Bauteil) abhängt. Wenn beispielsweise in Lage drei eine Oxidation als Anomalie auftritt, dann führt dies in der folgenden Lage ebenfalls zu einem abnormalen Pro zessverhalten. Gleiches gilt für benachbarte Schweißraupen. Durch die beschriebene Anomaliedetektion werden zunächst die aktuellen Datenpunkte von Anomalien bereitgestellt. Der Kon text, der zum jeweiligen Zeitpunkt vorhanden ist, wird in der beschriebenen Ausgestaltungsform des Verfahrens aufgegriffen und in die Simulation und Umsetzung von Ausgleichsmaßnahmen eingebracht. So hat eine Oxidation oder eine Formabweichung auch Auswirkungen auf die folgenden Lagen und die hier gesam melten Daten. Auswirkungen von Defekten über mehrere Lagen hinweg werden mit dem beschriebenen Verfahren nun ausreichend beachtet, sodass Defekte über mehrere Lagen miteinander kor reliert werden. Somit werden Informationen, die bereits exis tieren, genutzt, um bessere Ergebnisse in der Datenanalyse im Rahmen des in-situ-Monitorings zu erhalten, und gehen nicht verloren. Zeitlicher und räumlicher Kontext, dem im additiven Fertigungsprozess große Bedeutung zu kommt, wird durch die beschriebene Lösung bei der Datenbewertung gewinnbringend verwendet und Defektbehebungsmaßnahmen können in situ einge leitet werden.

Als additive Fertigungsverfahren, in dem sich das beschriebe ne Verfahren vorteilhaft ausgestalten lässt, sind insbesonde re das Lichtbogendraht-Auftragsschweißen (Wire Are Additive Manufacturing (WAAD)) und das Laser Metall Abscheideverfahren (Laser Metal Deposition (LMD)) geeignet.

Hierzu werden insbesondere in vorteilhafter Weise die Ergeb nisse der Anomaliedetektion mittels der Anomaliedetektionsmo delle in den digitalen Zwilling eingebracht. Insofern ist es auch zweckmäßig, dass der digitale Zwilling in Form einer Punktewolke ausgestaltet ist und zu jedem Punkt der Wolke eine Bewertung zum Prozesszustand hinterlegt ist. Bewertungskriterien sind z. B. die Art der Anomalie (z. B. Oxidation oder Poren). Eine Anomalie ist somit eine Vorstufe eines Defektes, sie kann auch als potentieller Defekt be zeichnet werden.

Bevorzugt wird zu jedem Punkt ein Anomaliewert ermittelt, für dessen Berechnung wiederum in vorteilhafter Weise In formationen, also Prozessdaten und Sensordaten aus Nach barpunkten innerhalb eines Arbeitsbereiches mit einbezogen werden.

Als Arbeitsbereich wird dabei bevorzugt das räumliche Ausmaß einer zum Beobachtungszeitpunkt vorherrschenden flüssigen Phase herangezogen. Die Form eines Doppel-Ellipsoiden, der mathematisch in der Auswertung gut zu erfassen ist, hat sich vorteilhaft für die Festlegung des Arbeitsbereiches und des sen virtuelle Übertragung in den digitalen Zwilling erwiesen. Dabei ist es auch zweckmäßig, wenn der Arbeitsbereich konti nuierlich mit der Form und Größe der flüssigen Phase, also eines lokalen Schmelzbades, verändert wird. Form und Größe der flüssigen Phase können beispielsweise mittels einer Schweißkamera erfasst werden oder aus der Bauteiltemperatur und dem aktuellen Energieeintrag abgeleitet werden. Eine Spe zialform des Doppel-Ellipsoiden ist der Ellipsoid, der bezüg lich seiner halben Längsachse symmetrisch ist. Die Kugel ist eine Spezialform des Ellipsoiden.

Es ist ferner zweckmäßig, dass die Anpassung der Prozesspara meter zur Behebung der Anomalie an der Stelle oder in der Um gebung der Anomalie umgesetzt wird, um beispielsweise eine Oxidation mittels lokal erhöhten Wärmeeintrags aufzubrennen und/oder die Bewegungsgeschwindigkeit des Druckkopfes zu ver langsamen, um eine poröse Struktur aufzuschmelzen und somit zu beseitigen. Die Entscheidung, ob zu welchem Zeitpunkt und an welchem Ort Prozessparameter angepasst werden, basiert dabei auf einer Prädiktion, wohin sich der Druckkopf innerhalb einer defi nierten Zeitspanne gemäß des Maschinencodes bewegt haben wird. Die Umgebung der so berechneten Position wird anschlie ßend nach Anomalien durchsucht (z.B. Abfrage des Octrees mit tels Doppelellipsoids). Wenn Anomalien im Umkreis dieser Po sition vorliegen, werden Gegenmaßnahmen (z.B. Erhöhung des Wärmeeintrags, der Bewegungsgeschwindigkeit) eingeleitet.

Als additive Fertigungsverfahren, in dem sich das beschriebe ne Verfahren vorteilhaft ausgestalten lässt, sind insbesonde re das Lichtbogendraht-Auftragsschweißen (Wire Are Additive Manufacturing (WAAD)) und das Laser Metall Abscheideverfahren (Laser Metal Deposition (LMD)) geeignet.

Ein weiterer Bestandteil der Erfindung ist eine additive Fer tigungsvorrichtung zur Durchführung eines Verfahrens nach ei nem der Verfahrensansprüche umfassend einen Roboterarm, eine Steuerung und einen Druckkopf sowie Sensoren zur Erfassung von Prozessparametern.

Weitere Ausgestaltungsformen der Erfindung und weitere Merk male werden anhand der folgenden Figuren näher erläutert.

Dabei zeigen:

Figur 1 eine schematische Darstellung einer Anlage zum Lichtbogendraht-Auftragsschweißen,

Figur 2 der zeitliche Ablauf beim Trainieren von Anomalie detektionsmodellen während eines Prozesses,

Figur 3 Wirkung der Trainingsphase der Anomaliedetektions modelle auf die Vorhersagequalität,

Figur 4 eine Veranschaulichung einer Punktewolke eines di gitalen Zwillings eines entstehenden Bauteils, Figur 5 ein Arbeitsbereich in Form eines Doppel-Ellipsoids zur Bestimmung von Anomalien.

In Figur 1 ist eine schematische Darstellung eines additiven Fertigungsverfahrens zur Herstellung eines Bauteils 2 gege ben. Dieses additive Fertigungsverfahren ist exemplarisch als Lichtbogendraht-Auftragsschweißen (im Englischen Wire Are Ad ditive Manufacturing, WAAM) ausgestaltet. Analog könnte das im Weiteren beschriebene auch auf ein anderes additives Fer tigungsverfahren, wie beispielsweise Laser Metal Deposition, angewandt werden. Hierbei wird über einen Roboterarm 24 ein Druckkopf 14 mit einer Elektrode 26 auf eine bestimmte Posi tion eines Bauteils 2 gerichtet. Ferner ist ein Schweißdraht 28 vorgesehen, der durch die Elektrode 26 an einer entspre chenden Position 12 des Druckkopfes 14 aufgeschmolzen wird. Ferner ist eine Steuerung 4 vorgesehen sowie eine Energiever sorgung 34, über die sowohl die Elektrode 26 als auch ein Vorschub des Schweißdrahtes und des Roboterarms mit Energie versorgt werden. Der gesamte Prozess wird über die Steuerung

4 gesteuert, auf die im Weiteren noch eingegangen wird. Ins besondere wird der Prozess durch eine Vielzahl von Sensoren überwacht. Rein exemplarisch ist ein Sensor 6 in der grafi schen Figur 1 in Form einer Schweißkamera 30 dargestellt.

Durch die Schweißkamera 30 können beispielsweise Werte wie die Geometrie einer flüssigen Phase 20, auf die noch in Figur

5 eingegangen wird, ermittelt werden. Weitere Sensordaten sind zum Beispiel die Spannung und der Stromfluss im Prozess, die Temperatur der flüssigen Phase 20, der Vorschub des Druckkopfes 14 sowie die Vorschubgeschwindigkeit des Schweiß drahtes.

Zu jeder Position 12 des Druckkopfes 14, die eindeutig zuord enbar mit einer Position im Bauteil 2 korreliert, werden be vorzugt sowohl die Positionsdaten in Form eines Punktes in einem Koordinatensystem als auch ein Zeitstempel aufgenommen und an die Steuerung 4 weitergegeben. In der Steuerung 4 oder an einem mit ihr in Verbindung stehenden Rechner wird während des Druckes des Bauteils 2 simultan ein digitaler Zwilling 10 erstellt, der schematisch in Figur 4 veranschaulicht ist. Da bei umfasst der digitale Zwilling 10 eine Punktewolke 16, in der der Druckkopf 14 bzw. seine Position 12 ebenfalls schema tisch durch eine Dreiecksspitze dargestellt ist. Hierbei wird für jeden Punkt 17 aus den ermittelten und an die Steuerung übertragenen Sensordaten der Punktewolke 10 ein Anomaliewert berechnet.

Zur Bewertung des Anomaliewertes, auf die noch eingegangen wird, wird zunächst ein Arbeitsbereich 18 am Bauteil 2 defi niert (Figur 5), der im digitalen Zwilling durch ein Ellip- soid dargestellt ist, was im Wesentlichen im realen Bauteil 2 eine flüssige Phase 20 umfasst, in der das Material des Schweißdrahtes an einer Oberfläche des Bauteils 2 gerade auf geschmolzen ist. Bei der Betrachtung flüssiger Phasen hat sich insbesondere ein Doppel-Ellipsoid als zweckmäßig heraus gestellt. Der Arbeitsbereich wird insbesondere relevant, wenn eine Korrelation von detektierten Anomalien stattfinden soll, die Anomaliedichte bestimmt werden soll oder Kompensations strategien umgesetzt werden sollen

In dieser flüssigen Phase 20 können sich beim Aufbringen des Schweißdrahtes 28 Anomalien 8 ergeben, die Vorstufen von De fekten sein können. Defekte können beispielsweise Oxidation sein, die entsteht, wenn Verunreinigungen auf dem Schweiß draht 28 vorhanden sind, bzw. im Prozess eingebracht werden. Auch Lufteinschlüsse in Form von Poren können Anomalien sein und zu Defekten werden. Bei der Bewertung von Anomalien wird dabei nicht nur der jeweilige betrachtete Punkt 17 ausgewer tet, sondern es wird dabei auch auf benachbarte Punkte 17' zurückgegriffen, die in dem Arbeitsbereich 18, übertragen auf den digitalen Zwilling 10 in dem Ellipsoid 22 vorliegen. Dies ist in den Schnitt-Darstellungen der Figur 5, 5a, 5b, und 5c dargestellt. Für jeden Punkt 17 oder 17' wird ein Anomalie wert berechnet, und es wird dieser dann berücksichtigt, wenn der Druckkopf 14 ein weiteres Mal in die Nähe der so bestimm- ten Anomalie 8 kommt. Der Druckkopf 14 kann dabei die Anoma lie 8 von mehreren Seiten räumlich tangieren, sodass durch Änderung der Prozessparameter in der Nähe der Anomalie 8 die se ausgeglichen werden kann, sodass ein möglicherweise aus der Anomalie entstehender Defekt schon vor dessen Entstehen eliminiert werden kann. Der Vorteil gegenüber herkömmlichen additiven Herstellungsverfahren besteht durch dieses Vorgehen darin, dass bereits der Entstehung von Defekten durch das be schriebene Vorgehen entgegengewirkt wird und somit der Aus schuss von Bauteilen 2 deutlich reduziert wird.

Eine wichtige Grundlage für die Behebung der Defekte ist die frühzeitige Erkennung dieser durch eine geeignete Auswertung der Prozessparameter und Prozessdaten während des Fertigungs prozesses. Dies erfolgt mittels Anomaliedetektionsmodellen. Der Ablauf des Prozesses unter Anwendung von Anomaliedetekti onsmodellen sei an Figur 2 veranschaulicht. Hierin werden drei Schienen des Prozesses entlang einer Zeitachse 38 durch die drei Pfeile 40, 42, 44 veranschaulicht. Dabei wird der Ablauf des eigentlichen Prozesses 40 links dargestellt, pa rallel dazu verläuft in der Mitte der dazu gehörige Status der Anomaliedetektion 42 und rechts außen der zeitliche Ab lauf der Trainingsphasen 44 von Anomaliedetektionsmodellen während des Prozessablaufs. Die dünnen Pfeile zwischen den einzelnen Kästchen innerhalb des Diagramms stellen den Daten fluss 46 dar.

Der Prozessablauf gestaltet sich dabei wie folgt. Es werden zunächst Prozessdaten in Form von Trainingsdaten TI bei spielsweise aus früheren Prozessen generiert. Diese werden einem generalisierten Anomaliedetektionsmodell Mg zugeführt, mittels dessen der Prozess zu Beginn überwacht wird (Ps). Das generalisierte Anomaliedetektionsmodell Mg wird in einer ers ten Phase des Prozesses eingesetzt, um Anomalien zu erkennen. Das generalisierte Anomaliedetektionsmodell Mg ist, wie be reits einleitend dargelegt, ein auf verfügbaren Trainingsda ten angelerntes Modell, wobei dem Anlernen das Ziel zugrunde liegt, das Modell zu generieren, das eine hohe Genauigkeit bei der Berechnung der Ausgangsdaten basierend auf den Ein gangsdaten für alle Parametersätze hat. Das generalisierte Anomaliedetektionsmodell Mg ist bei verschiedenen Parameters ätzen einsetzbar, allerdings weist es eine geringere Genauig keit der Berechnungen im Vergleich zu einem spezialisierten Modell MSI auf.

Zur Veranschaulichung der Wirkweise des generalisierten Ano maliedetektionsmodells Mg sind in Figur 3 zwei verschiedene Graphen entlang einer Zeitachse aufgetragen. An der y-Achse ist die normalisierte Spannung bzw. die Differenz der realen und vorhergesagten normalisierten Spannung aufgetragen (wes halb die Achse einheitslos ist). Hierbei ist in Figur 3a die Vorhersage von Prozessdaten und somit im Weiteren von Anoma lien mittels des generalisierten Anomaliedetektionsmodells 48 dargestellt, das weitgehend aber im Detail eher grob mit den reellen, gemessenen Daten 50 übereinstimmt. Mit dem Graph 52 ist der Fehlerabstand zwischen den Kurven 48 und 50 wiederge geben.

Während der Prozess fortgeführt wird und mögliche Anomalien im entstehenden Bauteil 2 mittels des generalisierten Anoma liedetektionsmodells Mg vorhergesagt und somit detektiert werden, wird gleichzeitig mittels eines adaptiven Anomaliede tektionsmodells Ma(Figur 2) durch mehrere Iterationszyklen das spezialisierte Anomaliedetektionsmodell Msl entwickelt. Die Zeit zur Entwicklung dieses spezialisierten Anomaliede tektionsmodells Msl dauert je nach Prozessführung zwischen 0,5 s und 5 s, in der Regel zwischen 1 s und 3 s. Ist die Entwicklung des spezialisierten Anomaliedetektionsmodells Msl aus dem adaptiven Anomaliedetektionsmodell Ma abgeschlossen, wird das generalisierte Anomaliedetektionsmodell Mg abgelöst und die weitere Anomaliedetektion mittels für diesen Prozess spezialisierten Anomaliedetektionsmodells Msl fortgeführt. Dies stellt eine zweite Phase, die Hauptphase des Prozesses, dar. In Figur 3b ist zu erkennen, dass die modellierten Daten 48'deutlich besser zu den gemessenen Daten 50 passen, als dies mit dem generalisierten Anomaliedetektionsmodell gemäß Figur 3a der Fall ist.

Die Zeit der zweiten Phase, in der der Prozess 40 mit dem ge neralisierten Anomaliedetektionsmodell Mg betrieben wird, ist demnach relativ kurz und der größte Teil des Prozesses wird mit dem iterativ mittels des adaptiven Anomaliedetektionsmo dells Ma erstellten spezialisierten Anomaliedetektionsmodell Msl fortgeführt. Dieses spezialisierte Anomaliedetektionsmo dell Msl kann in einer Datenbank abgelegt werden und bei Her stellung eines Bauteils mit demselben Prozessparametersatz wieder herangezogen werden, ohne dass in diesem Fall der Pro zessbeginn mit dem generalisierten Anomaliedetektionsmodell Mg durchgeführt werden muss.

Ein weiterer Prozess Ps2, auf dem Prozesspfeil mit 40' ge kennzeichnet, unter Nutzung eines neuen Parametersatzes star tet allerdings wieder zunächst unter Verwendung des generali sierten Anomaliedetektionsmodells, wobei parallel gemäß Pfeil 44 ein weiteres spezialisiertes Anomaliedetektionsmodell Ms2 mittels des adaptiven Anomaliedetektionsmodells Ma angelernt wird und durch den Datenfluss 46 Daten aus einem ersten Trai ningsintervall dem adaptiven Anomaliedetektionsmodell Ma zur Verfügung gestellt werden.

Das bezüglich der Figuren 1-3 beschriebene Verfahren wird im Weiteren mit anderen Aspekten detaillierter erläutert. Zur Integration des zeitlichen Kontexts werden (Neurale Netze-) Modelle verwendet, die auf Basis von vergangenen Werten (z.B. der letzten 0,5 Sekunden) den aktuellen (Daten)Punkt 17 hin sichtlich eines Anomaliewerts bewerten. Die Zeitspanne, die als zeitlicher Kontext verwendet wird, ändert sich dabei dy namisch abhängig davon, wie hoch die aktuelle Schweißge schwindigkeit (also die Vorschubgeschwindigkeit des Druck kopfs 14) ist und wie lang das Schweißbad ist. Die Länge des Schweißbades ist beispielsweise über die Schweißkamera 30 in Verbindung mit einer Computer Vision Algorithmen Auswertung, wie z.B. Canny Edge Detection, erfassbar. Dadurch ist stets sichergestellt, dass alle Prozesswerte, die für das aktuelle flüssige Schweißbad relevant sind, in die Berechnung des Ano maliewerts einfließen.

Zur Analyse der Daten können entweder Regressionsmodelle (Prädiktion) verwendet werden, wie z.B. Seasonal ARIMA Model le oder Neuronale Netze auf Basis von ConvlD oder RNN/LSTM Elementen, oder Modelle zur Rekonstruktion der Daten mithilfe von Autoencodern. Zur Vorhersage der Daten können neben den RNN/LSTMs mit einem zeitlichen Speicher auch batchweise ver arbeitende CNN-Strukturen genutzt werden.

Zeitliche Strukturen in den Daten, wie beispielsweise Fre quenzänderungen oder unregelmäßige Muster, werden so in die Prozessbewertung einbezogen. Für ein Training müssen Prozess daten mit konstanten Prozessparametern verwendet werden, um eine hohe Genauigkeit zu erreichen.

Bevorzugt wird jedem vom Druckkopf 14 angefahrenen Ort (Posi tion 12 des Druckkopfs 14) ein Zeitstempel gegeben werden, der Informationen darüber gibt, wann dieser angefahren wurde.

Der räumliche Kontext beinhaltet Informationen über lagen- übergreifend relevante Informationen z.B. aus der vorherigen Schicht oder von angrenzenden Schweißtracks. Dazu wird wie beschrieben während des Fertigungsprozesses simultan ein di gitales Abbild also der digitale Zwilling 10 des Bauteils 2 erstellt, indem alle relevanten Informationen gespeichert sind. Dieser digitale Zwilling 10 umfasst eine Punktewolke, bei der für jeden Punkt eine Bewertung des Prozesszustands (z.B. normal/abnormal, Anomaliewert, Art der Anomalie, ...) so wie ein Zeitstempel hinterlegt sind. Die Punktewolke kann da bei räumlich strukturiert abgespeichert werden, damit eine effizientere Abfrage nach räumlichen Strukturen wie z.B. ei nem Doppelellipsoid oder einer Kugel möglich wird. Eine sol che Datenstruktur ist beispielsweise der Octree, der r-tree oder der kd-tree, die über ihre baumartige Struktur eine schnelle Suche nach Punkten im Raum ermöglichen. Zur Integration des räumlichen Kontexts in die Berechnung des Anomaliewerts eines aktuellen Arbeitspunkts 19 (der räumlich äquidistant mit dem Druckkopf in Verbindung steht) wird der Raum um den aktuellen Arbeitspunkt 19 in die Datenanalyse mit einbezogen. Dazu wird zunächst ein dreidimensionaler Arbeits bereich 18 um den Arbeitspunkt 19 definiert, über den die räumliche Relevanz der Datenpunkte 17, 17' festgestellt wird. Dieser Arbeitsbereich 18 umfasst dabei den Bereich, der vom Schweißbad, also der während des additiven Fertigens flüssi gen Phase 20, eingenommen wird. Als Vereinfachung kann hier bei eine Kugel oder weiter verallgemeinert ein Ellipsoid bzw. noch weiter verallgemeinert ein Doppel-Ellipsoid gemäß Fig. 3 verwendet werden.

Dabei können sich die Achslängen der Ellipsoiden adaptiv an die Geometrie des Schweißbads anpassen. Ein Abgleich kann hierbei dynamisch entweder auf Basis von Sensordaten wie bei spielsweise von der Schweißkamera 30 (Geometrie des Schweiß bads extrahieren), mithilfe von Prozessparametern wie bei spielsweise der Prozessgeschwindigkeit (eine höhere Schweiß geschwindigkeit führt zu einem dünneren, längeren Ellipsoid) oder auf Basis einer zuvor durchgeführten thermischen Simula tion (Temperaturverlauf, Größe und Form des Schweißbads) stattfinden. Weiterhin können die Zeitstempel der enthaltenen Punkte 17 oder Simulationsergebnisse einbezogen werden, um einen Rückschluss auf das vorliegende Abkühlungsverhalten und somit die Größe des Schweißbads zu ziehen.

Basierend auf dem definierten Arbeitsbereich 18 werden Punkte 17 selektiert, die in der Prozessvergangenheit angelegt und mit Meta-Informationen wie beispielsweise einem Anomaliewahr scheinlichkeitswert, einem Wert für die Defektkritikalität oder einem Defekttyp angereichert sind. Dafür werden Daten strukturen wie z.B. ein Octree verwendet, die Spatial In- dexing und somit eine optimierte räumliche Suche nach den be troffenen Punkten erlauben. Jeder Punkt enthält dabei Infor mationen über lokale Prozessanomalien bzw. -defekte, sodass sich eine räumlich selektierte Punktewolke mit relevanten In formationen in der näheren Umgebung des aktuellen Arbeits punkts 19 ergibt. Die erhaltenen Informationen werden nun verwendet, um einerseits die Anomalieerkennung zu verbessern und zum anderen Anpassungen am Prozess vorzunehmen.

Das Ergebnis der Anomaliebewertung durch die Modelle (inkl. zeitlichem Kontext) ist ein Anomaliewert, der eine Aussage über die Wahrscheinlichkeit für die Anomalie und damit des Defekts trifft. An dieser Stelle wird nun der räumliche Kon text auf zwei verschiedene Arten einbezogen: Wenn eine Anoma lie erkannt wurde, kann diese über die räumlichen Kontextin formationen mit anderen Anomalien semantisch verbunden wer den. Dadurch wird die räumliche Ausbreitung der Anomalie und damit des potenziellen Defekts sichtbar. Dabei bildet der zu vor genannte Doppel-Ellipsoid den relevanten Raum ab, in dem Defekte miteinander korreliert werden. Wenn z.B. in der ers ten Lage eine Oxidation entsteht, wird in der Folgelage ein Problem mit der Anbindung erzeugt. Diese beiden Defekte hän gen miteinander zusammen, sodass nun die räumliche Ausbrei tung des abnormalen Bereichs im Bauteil besser abgeschätzt werden kann.

Wenn sich beispielsweise in einem hochbelasteten Bereich ei nes Bauteils mehrere potenzielle Anomalien mit jeweils nied rigem Anomaliewert finden, die jede für sich nicht zum Aus schuss führen würde, die aber gemeinsam zu einem Versagen des Bauteils führen, kann darüber hinaus die Anomaliedichte be stimmt werden, um so abzuschätzen, ob eine kritische Anhäu fung von Anomalien in einem Bauteilbereich erreicht ist. Da bei nimmt der Kontextraum für die Anomaliedichte nicht zwangsläufig nur den Raum des Schweißbads (flüssige Phase 20) ein, sondern kann abhängig vom Bauteil 2 auch größer sein (z.B. im Bereich von dünnen Stegen, die auf Grund von Anoma lien sonst zu ungewollten Sollbruchstellen werden könnten). Damit kann in-situ eine Anomaliedichte im Bauteil 2 bestimmt werden. Überschreitet diese einen Grenzwert, kann der Prozess frühzeitig gestoppt werden und so Kosten wegen Ausschuss re duziert werden.

Mithilfe des zeitlichen und räumlichen Kontexts kann darüber hinaus eine Klassifizierung der Defekte vorgenommen werden. Dazu wird ein Neurales Netzwerk zur Klassifizierung verwen det, das als Eingangsgröße vorverarbeitete Prozesswerte (bei prädiktiven Modellen Distanz zwischen vorhergesagtem und rea lem Wert oder bei Modellen zur Rekonstruktion der Rekonstruk- tionsfehler) annimmt. In einer letzten Schicht wird eine sig- moid-Function verwendet, um jedem Defekt einen Wahrschein- lichkeitswert zuzuweisen. Wenn beispielsweise bekannt ist, dass die vorherige Lage bereits deutlich abgekühlt ist, da der Unterschied der Zeitstempel hoch ist, kann mit höherer Wahrscheinlichkeit auf ein Adhäsionsdefekt geschlossen wer den. Weiterhin liegt beispielsweise bei einer Oxidation in einer benachbarten Lage eine höhere Wahrscheinlichkeit für einen Defekt wegen Schmutzeinschlüssen vor.

Bezugszeichenliste

2 Bauteil

4 Steuerung

6 Sensoren

8 Anomalie

10 digitaler Zwilling

12 Position Druckkopf

14 Druckkopf

16 Punktewolke

17, 17' Punkte 18 Arbeitsbereich

19 Arbeitspunkt

20 flüssige Phase 22 Ellipsoid 24 Roboterarm 26 Elektrode 28 Schweißdraht 30 Schweißkamera 32 Werktisch 34 Energieversorgung 36 Vorfahrweg Werktisch Ps Prozessstart 38 Prozesszeitachse 40 Prozess 42 Anomaliedetektion 44 Trennung 46 Datenfluss TI Trainingsdaten Mg generalisiertes Anomaliedetektionsmodell (ADM) MA adaptive ADM MSI spezialisiertes ADM 48 modellierte Daten 50 gemessene Daten 52 Fehlerabstand