Prozesse und Qualitätssicherung

Referent:in: Toni Wille, EAH Jena

Das großvolumige Schmelzschichtverfahren zählt nach DIN EN ISO 52900 zur additiven Verfahrensgruppe der Materialextrusion (MEX). Die dreidimensionale Formgebung erfolgt hierbei durch das schichtweise Auftragen einzelner Kunststoffstränge, welche thermisch plastifiziert und durch eine Düse extrudiert werden. Basierend auf dem Prinzip der bereits weitreichend etablierten Filamentextrusion findet das großvolumige Schmelzschichtverfahren zunehmend Einzug in verschiedene Bereiche wie Formenbau, Möbelbau oder Prototyping. Das Verfahren unterscheidet sich dabei nicht nur hin-sichtlich des Ausgangsmaterials, sondern auch bezüglich der entstehenden Strukturgrößen von der Filamentextrusion. Während bei der Filamentextrusion Kunststofffilamente durch kleine Düsen extrudiert werden, werden beim großvolumigen Schmelzschichten Granulate in Schneckenextrudern verarbeitet. Die verwendeten Düsendurchmesser können hierbei um einen Faktor von 5-10 größer sein. Hieraus ergeben sich deutlich gesteigerte Strangvolumina, welche sich insbesondere hinsichtlich des Abkühlverhaltens gegenüber der Filamentextrusion unterscheiden. Während die Prozessführung in der Filamentextrusion bereits vielfach untersucht und hinreichend optimiert wurde, besteht in der Beschreibung der großvolumigen Materialextrusion weiterhin Forschungsbedarf. Insbesondere Parameter, welche die Abkühlung der großvolumigen Strukturen beeinflussen, sind für die Herstellung von formgenauen Bauteilen von großer Relevanz. Da die komplexen Wechselwirkungen der einzelnen Prozessparameter in der Regel nur schwierig theoretisch beschreibbar sind, ist der Ansatz der in-Prozess-Regelung bestimmter Parameter für das großvolumige Schmelzschichten sehr vielversprechend. Für dieses Anwendungsszenario bietet die Verknüpfung von Künstlicher Intelligenz (KI) mit multidimensionalen Bildinformationen neue Ansätze für die Qualitätssicherung und Prozesskontrolle im großvolumigen Schmelzschichtverfahren. Bei der 2D-Analyse erlaubt die Kombination aus hochauflösender Bildgebung und semantischer Segmentierung mittels Deep Learning die schnelle Detektion unterschiedlicher Oberflächenfehler in der aktuellen Schicht sowie die Ableitung von Korrelationsmodellen zu relevanten Prozessparametern. Die schichtweise Erfassung der Bauteil-geometrie mittels Stereobildverarbeitung oder Streifenlichtprojektion liefert präzise metrische 3D-Informationen, die nicht nur eine Bewertung der Formgenauigkeit ermöglichen, sondern auch den direkten Abgleich mit dem Soll-CAD-Modell aus der Konstruktionsphase erlauben. Dies ermöglicht eine frühzeitige Erkennung von Abweichungen im Fertigungsprozess und die Durchführung entsprechender Anpassungen. Bei Vorarbeiten im Filament-Bereich wurde die Machbarkeit dieses Verfahrens erfolgreich nachgewiesen. Bei fortlaufendem Druckprozess wurden die Geometriedaten jeder einzelnen Schicht mithilfe eines In-Prozess-2D- und 3D-Bilderfassungssystems erfasst. Anschließend erfolgte eine automatische Defekterkennung und -klassifikation wie z.B Stringing und Warping mittels Deep Learning. Diese Erkenntnisse schaffen eine fundierte Basis für den Einsatz des Verfahrens im großvolumigen Schmelzschichtverfahren.

Referent:in: Amador Miano, Replique GmbH

Der 3D-Druck hat sich längst von einer exotischen Nischentechnologie zu einer etablierten industriellen Fertigungsmethode entwickelt. Eine zentrale Voraussetzung für qualitativ hochwertige und reproduzierbare Ergebnisse ist die gezielte Qualifizierung entlang des gesamten Wertschöpfungsprozesses. Dieser Beitrag zeigt auf, welche Maßnahmen erforderlich sind – von der Auswahl geeigneter Bauteile über die Technologie- und Materialentscheidung bis hin zur Umsetzung und Qualitätssicherung. Ziel ist es, die Anforderungen industrieller Anwendungen zuverlässig zu erfüllen und eine nachhaltige Prozesssicherheit zu gewährleisten.

Referent:in: Björn Kunz, TU Chemnitz

Der extrusionsbasierte 3D-Druck bietet eine große Materialvielfalt, die jeweils unterschiedliche Anforderungen an den Extrusionsprozess stellt. Die Materialzufuhr wird in der Regel offen gesteuert; eine Regelung mit Rückkopplung ist bislang nicht implementiert, da geeignete Sensoren zum Schließen eines Regelkreises entweder zu teuer oder technisch schwer realisierbar sind. Diese Arbeit stellt eine neuartige, bildbasierte Methode vor, mit der die Extrusionsbreite als zentrale Kenngröße präzise gemessen werden kann. Hierzu werden Mikroskopaufnahmen des Extrudats erfasst und mithilfe eines neuronalen Netzwerks (U-Net) automatisiert ausgewertet. Die gemessene Extrusionsbreite wird anschließend mit den Geschwindigkeiten von Druckkopf und Vorschub korreliert, um Fehler quantitativ zu erfassen und das Ein-Ausgangsverhalten der Druckmechanik zu analysieren. Auf diese Weise ent-steht die Grundlage für modell- oder KI-basierte Regelstrategien, die eine modellbasierte Echtzeitregelung des Volumenstroms ermöglichen und die Druckqualität nachhaltig verbessern können.