Datengestützte Materialforschung​

Eine präzise und effiziente Überwachung des gesamten Produktionsprozesses ist essenziell, um Qualitätsschwankungen zu minimieren, Ressourcen optimal zu nutzen und eine durchgängig hohe Produktqualität sicherzustellen. Neben unseren anderen Anlagen setzt hier besonders die digitale SLS-Fabrik neue Maßstäbe in der additiven Fertigung durch eine vollautomatisierte Prozesskontrolle. Durch den kontinuierlichen Einsatz hochsensibler Sensoren erfassen wir in Echtzeit kritische Parameter wie Temperatur, Schichtaufbau und Materialverteilung. Diese Daten werden von einer KI-gestützten Analyseplattform ausgewertet, um potenzielle Abweichungen frühzeitig zu erkennen und direkt in den Produktionsprozess einzugreifen. Unsere bidirektionale OPC UA-Anbindung ermöglicht ein dynamisches Writeback in die Maschinensteuerung, sodass Prozessparameter in Echtzeit angepasst werden können. So stellen wir sicher, dass die gefertigten Bauteile höchste Präzision, Effizienz und Reproduzierbarkeit aufweisen.

Datengetriebenen Ansätze eröffnen neue Möglichkeiten zur Effizienzsteigerung und Qualitätssicherung in der Materialentwicklung. Durch den Einsatz von maschinellem Lernen können wir beispielsweise thermische und mechanische Materialeigenschaften präzise vorhersagen. Nach dem Training spezifischer ML-Modelle lassen sich aus der Zusammensetzung oder den Prozessparametern gezielt relevante Werkstoffeigenschaften ableiten.

Ein Convolutional Neural Network analysiert beispielsweise Infrarotbilder einzelner Druckschichten und prognostiziert daraus die endgültige Zugfestigkeit eines 3D-gedruckten Bauteils. Ebenso kann die Glasübergangstemperatur eines Duroplasten anhand der Harz- und Härterzusammensetzung effizient optimiert werden. Für die gezielte Steuerung der Schaumdichte ermöglichen Active-Learning-Techniken in Kombination mit klassischen ML-Methoden eine präzise Vorhersage basierend auf Prozessparametern wie Temperatur, Druck und Verweilzeit.

Wir nutzen Reinforcement Learning, um Produktionsprozesse datenbasiert zu optimieren. Echtzeitanalysen und Vorhersagemodelle steuern Materialeigenschaften und Prozessparameter präziser.

Ein ML-Modell prognostiziert beispielsweise Prozessgrößen der Schaumextrusion bis zu fünf Minuten in die Zukunft, indem Echtzeitdaten analysiert werden. In der Inline-Qualitätskontrolle detektieren KI-Algorithmen Oberflächendefekte von Beschichtungen innerhalb von Sekunden. Automatisierte Prozesskarten ermöglichen die maßgeschneiderte Parametrierung additiver Fertigungsverfahren.

Durch die Nutzung von Hochleistungsrechnern der Universität Bayreuth und vernetzten Sensoren kombinieren wir klassische Simulationsmethoden mit KI.