BLOG

22.07.2020

Additive Fertigung mit Streaming & Process Analytics optimieren

Foto: AY_PHOTO/Depositphotos.com/BeyeMEDIA

Richtig integrierte Process Analytics für die Additive Fertigung gewährleistet das fehlerfreie Prozessieren, Adjustieren und Persistieren der Sensordaten zur langfristigen Optimierung der Produktionsprozesse.


Additive Fertigung

Additive Fertigung (engl. “Additive Manufacuturing”) beschreibt alle Fertigungsverfahren mit speziellen Geräten, bei denen Material Schicht für Schicht aufgetragen und so dreidimensionale Gegenstände erzeugt werden. Diese als „3D-Drucker“ bezeichneten Geräte werden in vielen fertigenden Betrieben professionell eingesetzt, beispielsweise in der Automobilbranche oder bei Maschinenbauern. Im Vergleich zum privat verfügbaren 3D-Drucker erzeugen diese Maschinen sehr hochwertige Produkte und sind sehr teuer. In diesen 3D-Druckern überwachen mehrere Sensoren die Qualität jeder einzelnen Schicht der Fertigung und generieren so riesige Datenmengen.

Big Data Analytics

Die in der additiven Fertigung generierten Daten liegen durch die Eigenschaften der unterschiedlichen Sensoren in verschiedenen Formaten und Auflösungen vor. Um die Daten sinnvoll nutzen zu können, müssen sie aufbereitet und zusammengeführt, d. h. homogenisiert werden. Hier haben wir es mit typischen Herausforderungen im Umgang mit „Big Data“ zu tun: Eine große Datenmenge und verschiedene Datenarten, die konsistent und schnell verarbeitet werden sollen.

Die Stärke dieser „Big Data Analytics“ in Verbindung mit der Additiven-Fertigung liegt darin, dass auf Basis der vielen detaillierten Daten jeder Produktionsgang einzeln optimiert wird. Man spricht hierbei von einer Losgröße ‚1‘, da ohne Rüstkosten jede Fertigung angepasst werden kann. Auch für die langfristige Automatisierung spielt das eine entscheidende Rolle. Denn für jeden in einem 3D-Drucker produzierten Gegenstand gibt es einen digitalen Zwilling, den sogenannten „Digital Twin“. Dieses Datenabbild des physischen Gegenstands wird als Qualitätszertifikat oder auch für die Analyse des fertigen Gesamtproduktes genutzt. Ein weiterer Vorteil: Das Know-how kann standortunabhängig, schnell und weltweit geteilt werden. So ist eine Verlagerung der Produktion nur noch von der 3D-Druck-Kapazität abhängig. Wenn gewünscht, können im weiteren Schritt hieraus Datenprodukte definiert und verkauft werden.

Für Big Data Analytics braucht man das passende Personal. Im beschriebenen Anwendungsfall bietet sich der Einsatz eines erfahrenen Data Engineer/Data Scientist und/oder eines Data Artist/Data Storyteller an.

Process Analytics

Die in der additiven Fertigung generierten Daten ermöglichen die Echtzeitanalyse von Prozessen und deren Qualitätsüberwachung (siehe Abbildung 1). Fehler im Prozess werden durch Analytische Methoden wie Machine Learning erkannt und direkt zur Prozessoptimierung genutzt.

Abbildung 1: 3D Visualisierung von Auffälligkeiten beim Druck eines Aluminium Test-Würfels

Dank des Einsatzes von Process Analytics und Optimierung mittels Additive Manufacuturing arbeiten Unternehmen mit einer nie da gewesenen Flexibilität und Qualität. Die additive Fertigung kann einzelne, individuelle Teile produzieren und bietet bereits im Entwicklungsprozess eine entscheidende Unterstützung. Für jedes Bauteil gibt es detaillierte Qualitätsinformationen. Zudem kann es schnell individuell ausgestaltet und angepasst werden. Die im Prozess anfallenden Daten stehen für die automatisierte Optimierung des Fertigungsvorgangs bereit und es werden heute Bauteile gefertigt, die mit bisherigen Verfahren wie Guss oder Zerspanung nicht möglich waren.

Ein schönes Beispiel hierfür sehen Sie in Abbildung 2. BMW optimierte die additive Fertigung der Verdeck-Konsole des Modells i8 Roadster und konnte so 44% Einsparung beim Gewicht dieses Bauteils erreichen. Am Anwendungsfall „Dachhalterung“ sehen Sie, wie das Bauteil nach und nach optimiert wurde und dadurch weniger Material und Gewicht bei optimierter Festigkeit benötigt.

Abbildung 2: 44% Einsparung beim Gewicht der Dachkonsole erreichte BMW für das Modell i8 Roadster durch Optimierung der additiven Fertigung. (Foto 3d-grenzenlos.de/ ©BMW)

Durch die Neartime bzw. Realtime-Überwachung der additiven Fertigung wird im Sinne der Streaming Analytics schon im Produktionsprozess analysiert und eingegriffen.

Softwarearchitektur

Abbildung 3: Beispielarchitektur der analytischen 3D Optimierung (Die Rechte zur Softwarearchitektur liegen bei Erich Holzinger in Anlehnung an Dr. Wollstein)

Architektur der Lösung

Um die Anforderungen an eine analytische Optimierung des 3D-Drucks gerecht zu werden, sind Cloud-Architekturen die bevorzugte Lösung. Diese stellen die notwendige Rechenleistung und das Speichervolumen für die Verarbeitungsschritte sicher. Die Sensordaten werden lokal harmonisiert und für die Weiterverarbeitung optimiert in die Cloud geladen. Dort analysieren verschiedene Modelle diese Daten und stellen die gewonnenen Erkenntnisse zur Verfügung. Besonders hilfreich sind die dabei erzeugten Optimierungsvorschläge für den laufenden oder die nächsten Fertigungsprozesse.

Process Analytics & Additive Fertigung – Fazit

Richtig integrierte Process Analytics für die Additive Fertigung gewährleistet das fehlerfreie Prozessieren, Adjustieren und Persistieren der Sensordaten zur langfristigen Optimierung der Produktionsprozesse. Die konsistent aufbereiteten Sensordaten werden intuitiv visualisiert. So wird eine „Near time“-Validierung der Produktionsergebnisse auf Grundlage von statistischen Analysen und die Visualisierung von schichtweisen Ungleichheiten auf Basis von Data-Science-Modelvorhersagen möglich. Zusätzlich können KI-Modelle in die Visualisierung und KI-gestützte Prognosen der Produktionsqualität eingebunden werden.

Unternehmen, welche die additive Fertigung einsetzen, sind unabhängiger von Lieferketten und können eigenständig, voll automatisiert das qualitativ bestmögliche, d.h. „optimale“ Bauteil produzieren.
 

Autor:

Erich Holzinger
Senior Manager / Prokurist
Woodmark Consulting AG

Woodmark Consulting AG  Use Case Aditive Fertigung  IoT Analytics


Kommentar schreiben

Kommentare

Keine Kommentare

Kontakt

info@nik-nbg.de info@nik-nbg.de