Prozessorientierter Digitaler Zwilling in WAAM: Unterschied zwischen den Versionen

Aus Validad
Zur Navigation springen Zur Suche springen
Keine Bearbeitungszusammenfassung
K (Kategorie geändert.)
 
(41 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt)
Zeile 1: Zeile 1:
Der Digitale Zwilling ermöglicht die datengetriebene Prozessüberwachung und -regelung in additiven Fertigungsprozessen. Nachfolgend werden Kernergebnisse der Dissertationsarbeit "Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen" (Referenz: Reisch <ref>R.T. Reisch, ''Prozessorientierter Digitale Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen'', (TUM, 20xx), </ref>) vorgestellt.
Der {{wp|Digitaler Zwilling|Digitale Zwilling}} ermöglicht die datengetriebene {{wp|Prozessüberwachung|Prozessüberwachung}} und -regelung in additiven Fertigungsprozessen. Darüber hinaus sind Anknüpfungspunkte an die Entwicklungsphase und die Qualitätssicherung des Endprodukt möglich.
[[Datei:ÜberblickDTinWAAM.png|700px|thumb|Überblick über den prozessorientierten Digitalen Zwilling in [[WAAM]]]]


Die Arbeit unterteilt sich sieben Abschnitte:
Nachfolgend werden Kernergebnisse der Dissertationsarbeit „Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen“ (Referenz: Reisch <ref name="multiple">R.T. Reisch, ''Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen'', (TUM, 20xx), </ref>) vorgestellt.
# Einleitung
# Grundlagen und Stand der Technik
# Digitale Bauteil- und Prozessrepräsentation
# Prozessmodellierung und -überwachung
# Datengestützter Prozesseingriff
# Erprobung in der industriellen Fertigung
# Schlussfolgerung und Ausblick


Für eine detaillierte Darstellung der einzelnen Themen sowie für eine Zitation / ein Referenzieren der nachfolgend vorgestellten Inhalte wird auf die veröffentlichte Fassung der Arbeit verwiesen. Die nachfolgenden Abschnitte sind dieser Arbeit entnommen.
Für eine detaillierte Darstellung der einzelnen Themen sowie für eine Zitation / ein Referenzieren der nachfolgend vorgestellten Inhalte wird auf die veröffentlichte Fassung der Arbeit<ref name="multiple">R.T. Reisch, ''Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen'', (TUM, 20xx), </ref> verwiesen; die nachfolgenden Abschnitte sind dieser Arbeit<ref name="multiple">R.T. Reisch, ''Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen'', (TUM, 20xx), </ref> entnommen.


==1. Einleitung:==
==Einleitung==


Einführung in die Thematik sowie Darstellung des Bedarfs nach einem prozessorientierten Digitalen Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen.
Der [[Wire-Arc Additive Manufacturing]] (WAAM) Prozess ermöglicht die Fertigung großvolumiger Metallbauteile.  


==2. Grundlagen und Stand der Technik:==
Aufgrund der hohen Auftragsrate, der geringen Kosten und einer kostengünstigen Anlagentechnik findet dieser Prozess zunehmend Anwendung in der Industrie (Luft- und Raumfahrt, Automobilbau, Zugtechnik). Um den Prozess jedoch umfangreich zu industrialisieren ist eine höhere Prozessautonomie sowie eine Verringerung des erforderlichen Expertenwissens zur Anwendung erforderlich. <ref name="overview">R.T. Reisch, ''Roboter in der Additiven Fertigung'', (Technik in Bayern, 2021), </ref>
Dieses Ziel kann mithilfe einer umfassenden Digitalisierung und Automatisierung des Prozesses erreicht werden.
In dieser Arbeit wird zu diesem Zweck ein prozessorientierter Digitaler Zwilling für WAAM vorgestellt.


Vorstellung der Grundlagen im Bereich der Additive Fertigung, zum Digitalen Zwilling sowie im Bereich der Datenanalytik. Dabei wird unter anderem auf die Prozessüberwachung, die Prozessregelung, die Anomaliedetektion bei Zeitreihendaten und Evaluierungsmetriken eingegangen. Abschließend wird der Forschungsbedarf abgeleitet sowie die Hypothese aufgestellt, das mithilfe eines kontextwahrnehmenden, autonomen und anpassungsfähigen Digitalen Zwilling der WAAM-Prozess industrialisiert werden kann. Darauf basierend ergab sich folgende Forschungsfrage:
<!-- Die animierte GIF-Datei wird nur in Originalgröße abgespielt; offenbar wird beim Erzeugen eines Thumbnails nur das erste Bild verwendet. -->
"Wie können Kontextwahrnehmung, Autonomie und Anpassungsfähigkeit eines prozessorientierten Digitalen Zwillings für die additive Fertigung mittels Lichtbogenauftragsschweißen erreicht werden?"
[[Datei:WAAM_Highspeed.gif|828px|thumb|none|Highspeed-Video (GIF) des [[WAAM]]-Prozesses]]


==3. Digitale Bauteil- und Prozessüberwachung:==
==Grundlagen und Stand der Technik==


"Innerhalb dieses Kapitels wurde die digitale Bauteil- und Prozessrepräsentation vorgestellt,
Vorstellung der Grundlagen im Bereich der Additiven Fertigung, zum Digitalen Zwilling sowie im Bereich der Datenanalytik. Es wird unter anderem auf die Prozessüberwachung, die Prozessregelung, die Anomaliedetektion bei Zeitreihendaten und Evaluierungsmetriken eingegangen. Abschließend wird der Forschungsbedarf abgeleitet sowie die Hypothese aufgestellt, dass mithilfe eines kontextwahrnehmenden, autonomen und anpassungsfähigen Digitalen Zwilling der WAAM-Prozess industrialisiert werden kann. Daraus ergab sich folgende Forschungsfrage, welche innerhalb der Arbeit beantwortet wurde:
mit deren Hilfe Kontext bereitgestellt werden kann. Der Kontext wurde in Systemkontext,
räumlichen und zeitlichen Kontext unterteilt. Für den Systemkontext wurde ein OPC UA Informationsmodell
sowie ein Prozesszustandsmodell aufgebaut. Die zeitliche Einordnung wurde
durch eine zeitliche Indexierung aller Dateninstanzen erreicht. Der räumliche Kontext konnte
durch die Einführung eines Octrees und einer Raumzeitindexierung nutzbar gemacht werden.
Es wurden drei Geometrien für die räumliche Relevanz definiert, um relevante Datenpunkte
für die räumliche Kontextbereitstellung zu extrahieren.
Zu Beginn des Prozesses lag mit dem statischen Octree ein Digitales Modell vor. Durch die
unidirektionale Datenanbindung während des Prozesses spiegelte die Repräsentation mit der
zeitbasierten Datenbank und dem dynamischen Octree das Werkstück bzw. den Prozess wieder,
sodass es sich um einen Digitalen Schatten handelte. Ein Digitaler Zwilling kann auf Basis
dieses Digitalen Schattens entstehen, wenn die unidirektionale Datenanbindung, wie in Kapitel
5 beschrieben, um einen Informationsfluss zum Prozess ergänzt wird.
Die vorgestellte Struktur konnte darüber hinaus als Informationsträger für Optimierungsschritte
in der Prozess- und Produktentwicklung sowie für die Qualitätssicherung genutzt werden.
Um die Anbindung an diese Schritte der Produktentstehung zu ermöglichen, wurde eine
Methodik zur räumlichen Annotation von Zeitreihen vorgestellt. Die erhaltenen Annotationen
wurden für das Training und die Evaluierung der in Kapitel 4 vorgestellten Methoden zur
Anomaliedetektion und Defektklassifikation genutzt."


==4. Prozessmodellierung und -überwachung:==
:„Wie können Kontextwahrnehmung, Autonomie und Anpassungsfähigkeit eines prozessorientierten Digitalen Zwillings für die additive Fertigung mittels Lichtbogenauftragsschweißen erreicht werden?“


"In diesem Kapitel wurde die Verarbeitung der [[WAAM]]-Prozessdaten als Eingangsgrößen für
==Digitale Bauteil- und Prozessrepräsentation==
den Digitalen Zwilling im Rahmen der Prozessüberwachung vorgestellt. Zunächst wurde der
[[WAAM]]-Prozess analysiert und eine Ursachen-Wirkungs-Analyse zur Untersuchung der Ursachen
von Unregelmäßigkeiten in den Prozessdaten vorgenommen. Darauf basierend wurde
eine Sensorauswahl getroffen und der Prozess digital modelliert. Unregelmäßigkeiten in den
Prozessdaten wurden mithilfe einer Anomaliedetektion erkannt. Zunächst wurde eine Methodik
dargelegt, mit welcher die semiautomatisierte Auswahl eines geeigneten Detektors auf
Basis von Zeitreihenmerkmalen möglich wurde. Anschließend wurde eine parametrisierbare
Autoencoderarchitektur generiert und diese hinsichtlich ihrer Fähigkeit zur Detektion von
Anomalien optimiert. Sie wurde anschließend um ein konditioniertes, externes Speichermodul
erweitert, um Übertragbarkeit durch ein modellbasiertes Metalernkonzept zu erreichen. Die
Defektklassifikation wurde mithilfe eines MLP-basierten Ansatzes für Oxidations-, Schlacke und
Unstetigkeitsdefekte umgesetzt. Durch Kontextwahrnehmung und MAML-basiertes Metalernen
konnte die Klassifikationsleistung für Oxidations- und Unstetigkeitsdefekte gesteigert
werden. Abschließend wurden Methoden zur Messung des Abstands zwischen Schweißbrenner
und Bauteil beleuchtet. Dafür wurden Merkmale der Daten von drei Sensoren extrahiert,
selektiert und auf ihre Korrelation zum Abstand analysiert. Die in diesem Kapitel gewonnenen
Informationen über den Prozess werden in Kombination mit der digitalen Bauteilrepräsentation
für die im nachfolgenden Kapitel vorgestellten datengestützten Prozesseingriffe genutzt."


==5. Datengestützter Prozesseingriff:==
Die digitale Bauteil- und Prozessrepräsentation erlaubt die Bereitstellung von Kontext für die Prozessüberwachung und die Prozessanpassung.
Dazu wurde der Kontext zunächst in drei Bereiche eingeteilt:
* Systemkontext
* Zeitlicher Kontext
* Räumlicher Kontext
Der Systemkontext wurde mithilfe eines {{wp|OPC Unified Architecture|OPC UA}} Informationsmodells sowie eines Prozesszustandsmodells bereitgehalten.
Die zeitliche Einordnung geschieht auf Basis einer zeitlichen Indexierung aller Dateninstanzen. Um den räumlichen Kontext bereitzustellen, wurde der {{wp|Octree|Octree}} als räumliche Datenstruktur eingeführt. Alle Datenpunkte werden raumzeitindexiert. Zu Beginn des Aufbaus eines neuen Bauteils stellt der lediglich mit Simulationsdaten gefüllte Octree ein Digitales Modell dar (statischer Octree). Während des Prozesses werden abhängig vom Prozess weitere Datenpunkte eingeführt, sodass es sich um einen Digitalen Schatten des Bauteils handelt (dynamischer Octree). Auf Basis der Prozessanpassung und der damit einhergehenden bidirektionalen Datenanbindung entsteht in Kapitel 5 ein Digitaler Zwilling.<ref name="anomaly2">R.T. Reisch, ''Context awareness in process monitoring of additive manufacturing using a digita twin'', (JAMP, 2022), </ref>


"In diesem Kapitel wurden Methoden für den datengestützten Prozesseingriff vorgestellt.
Der Digitale Schatten kann als Informationsträger für Optimierungsschritte im CAD/CAM-Bereich sowie in der Qualitätssicherung eingesetzt werden.
Zunächst wurde eine Abstandsregelung konzipiert. Basierend auf den Ergebnissen einer
Zur Anbindung an die prozessvor- und nachgelagerten Schritte der Wertschöpfungskette wurde darüber hinaus eine Methodik entwickelt, mithilfe derer die räumliche Annotation zeitlicher Daten möglich ist. Die Labels können anschließend für das Training und die Evaluierung von Anomaliedetektions- und Defektklassifikationsalgorithmen eingesetzt werden. <ref name="spatialannotation">R.T. Reisch, ''Spatial Annotation of Time Series for Data Driven Quality Assurance in Additive Manufacturing'', (CIRP ICME, 2022), </ref>
Systemidentifikation nutzte die Regelung die Schweißgeschwindigkeit als Stellgröße, um Einfluss
auf die Schweißnahthöhe zu nehmen und den Abstand zwischen Schweißbrenner und
Bauteil konstant zu halten. Durch Anpassung der Drahtvorschubgeschwindigkeit war es möglich,
die Schweißnahtbreite trotz Änderung der Schweißgeschwindigkeit konstant zu halten.
Dank der richtungs- und schichtunabhängigen Abstandsmessung aus Kapitel 4.4 und der
Abstandsregelung war es möglich, komplexe Bauteile mit Multiachsoperationen ohne vorherige
Prozessparameteroptimierung beim ersten Versuch aufzubauen.
Da im Prozess jederzeit Instabilitäten auftreten können, wurde anschließend eine präskriptive
Prozessparameteranpassung vorgestellt, mit der Defekte kompensiert und Folgedefekt vermieden
werden konnten. Es wurde eine Positionsvorhersage vorgenommen und der zukünftige
räumliche Kontext ausgewertet, um einen Prozesseingriff zu initiieren. Das Konzept wurde
anhand der Kompensation eines Unstetigkeitsdefekts evaluiert und zeigte eine hohe Erfolgsquote.
Die präskriptive Prozessparameteranpassung ermöglichte damit einen fehlertoleranteren
Prozess, mit dem die FPY erhöht werden kann.
Die vorgestellten Methoden zum datengestützten Prozesseingriff beeinflussen den Prozess
datenbasiert und bilden zusammen mit der Bauteil- und Prozessrepräsentation aus Kapitel 3
und der Prozessüberwachung aus Kapitel 4 den Digitalen Zwilling für die additive Fertigung
mittels Lichtbogenauftragsschweißen."


==6. Erprobung in der industriellen Praxis:==
==Prozessmodellierung und -überwachung==


"Innerhalb dieses Kapitel wurde der Digitale Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen
[[Datei:Prozessdefekte_WAAM.PNG|600px|thumb|right|Defekte beim [[WAAM]]-Prozess]]
im Rahmen eines industriellen Fertigungsszenarios validiert. Dazu
wurde er im Gesamten als Teil eines intelligenten Fertigungssystems konzipiert, prototypisch
umgesetzt und anhand der Fertigung eines industriellen [[WAAM]]-Bauteils aus der Automobilbranche
sowie einer bionisch inspirierten Leichtbaustruktur validiert.
Mithilfe der Digitalen
Zwillinge konnten Kausalketten für Defekte hergeleitet werden und so ein Mehrwert für die
Prozessplanung, den Anlagenbedienenden und den Qualitätsingenieur beziehungsweise die
Qualitätsingenieurin gezeigt werden. Im Anschluss wurde eine anforderungsbezogene Bewertung
des Digitalen Zwillings vorgenommen. Es wurde die Forschungsfrage beantwortet und
gezeigt, dass sowohl das Gesamtsystem als auch die einzelnen Module den anfangs definierten
Anforderungen entsprechen."


[[Datei:robotbased_WAAM.jpg|600px|Roboterbasiertes [[WAAM]]-Setup am Forschungs- und Vorentwicklungsstandort der [[Siemens]] AG in München]]
Die Prozessüberwachung ermöglicht die Erkennung von Instabilitäten und Defekten prozessparallel.  
[[Datei:DigitalerZwillingBionischerArm.png|800px|Digitaler Zwilling des bionischen Arms (copyright: Reisch)]]
===Prozessmodellierung===
Um ein grundlegendes Verständnis des Prozesses aufzubauen wurde der Prozess zunächst analysiert und eine Ursachen-Wirkungs-Analyse für Abweichungen in den Prozessdaten vorgenommen. Mithilfe dieser Informationen wurden geeignete Sensoren (Strom, Spannung, Drahtvorschub, Gasfluss, Spektrometer, Schweißkamera, Mikrofon) ausgewählt und der WAAM-Prozess datengetrieben nachgebildet.


==7. Schlussfolgerung und Ausblick:==
===Anomaliedetektion===
Anomalien in den Daten wurden mithilfe von Anomaliedetektoren erkannt. Dazu wurde zunächst eine Methodik entwickelt, mit deren Hilfe ein geeigneter Detektor abhängig von den Zeitreihenmerkmalen der Daten ausgewählt werden kann. Es wurden sowohl wahrscheinlichkeits- und distanzbasierte (u.a. Isolation Forest), rekonstruktionsbasierte (u.a. Autoencoder) und vorhersagebasierte (u.a. Neuronale Netzwerke) Anomaliedetektoren betrachtet. Da der Autoencoder für die Spannungsdaten des WAAM-Prozesses sehr gute Ergebnisse lieferte, wurde dieser näher betrachtet. Die Architektur des Autoencoders wurde um ein externes Speichermodul erweitert, um verschiedene Konditionen (=Prozessparametersätze) abbilden zu können. Dieser Aufbau des Autoencoders ermöglichte darüber hinaus Metalernen, sodass eine Anpassungsfähigkeit an neue Prozessparameter erreicht wurde.
<ref name="anomaly1">R.T. Reisch, ''Distance-Based Multivariate Anomaly Detection in Wire Arc Additive Manufacturing'', (IEEE ICMLA, 2021), </ref> <ref name="anomaly2">R.T. Reisch, ''Context awareness in process monitoring of additive manufacturing using a digita twin'', (JAMP, 2022), </ref>


Zusammenfassung der Arbeit, Betrachtung der Übertragbarkeit der vorgestellten Methoden auf weitere Felder und Ausblick im Bezug auf den prozessorientierten Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen.
===Defektklassifikation===
Zur Defektklassifikation wurde je Defekt ein neuronales Netzwerk aufgebaut. Potentielle Defekte sind in der Abbildung [[Media:Prozessdefekte_WAAM.PNG|Defekte beim WAAM-Prozess]] dargestellt.
Mithilfe eines Metalernansatzes („Model Agnostic Meta Learning“) war die Übertragung der erlernten datenbasierten Eigenschaften eines Defekte auf andere Prozessparameter und damit Anpassungsfähigkeit möglich.
Kontextwahrnehmung erhöhte die Genauigkeit der Klassifikation zum Teil erheblich.
 
===Abstandsmessung===
Zuletzt wurden in diesem Kapitel Methoden zur Messung des Abstands zwischen Schweißbrenner und Bauteil vorgestellt. Dazu wurden drei Sensoren (Spannung, Spektrometer, Schweißkamera) betrachtet, Datenmerkmale extrahiert und eine Korrelationsanalyse mit dem Abstand zwischen Schweißbrenner und Bauteil vorgenommen. Trotz hoher Korrelationen für das Spektrometer wurde letztendlich auf Grund der geringeren Prozessparameterabhängigkeit der Messung die Schweißkamera als bevorzugter Sensor genutzt.  <ref name="CLC">R.T. Reisch, ''Nozzle-to-Work Distance Measurement and Control in Wire Arc Additive Manufacturing'', (ESSE, 2021), </ref>
Die in diesem Kapitel gewonnenen Informationen werden für den datengestützten Prozesseingriff verwendet.
 
==Datengestützter Prozesseingriff==
 
[[Datei:CLC_WAAM.gif|700px|right|thumb|Messung der Distanz zwischen Schweißbrenner und Bauteil beim [[WAAM]]-Prozess als Eingangsgröße für die Prozessregelung]]
 
Um die Prozessstabilität zu erhöhen, werden Prozesseingriffe vorgenommen. Dabei kann es sich einerseits um eine Prozesswarnung, einen Prozessstopp, um eine Prozessregelung oder um eine präskriptive Prozessparameteranpassung handeln.
 
===Systemidentifikation===
Zunächst wurde eine Systemidentifikation vorgenommen, die die Prozessparameter (Schweißgeschwindigkeit und Drahtvorschub) mit der Schweißnahtgeometrie (Schweißnahtbreite und -höhe) in Relation setzte. Es zeigte sich eine hohe negative Korrelation nach {{wp|Korrelationskoeffizient|Pearson}} (-0,900) zwischen Schweißgeschwindigkeit und Schweißnahthöhe und eine hohe positive Korrelation (0,859) zwischen Drahtvorschub und Schweißnahtbreite. Weiterhin konnte eine Korrelation zwischen Schweißgeschwindigkeit und Schweißnahtbreite (-0,388) erfasst werden. Zwischen Drahtvorschub und Schweißnahthöhe war lediglich eine geringfügige Korrelation zu sehen (-0,093). <ref name="CLC">R.T. Reisch, ''Nozzle-to-Work Distance Measurement and Control in Wire Arc Additive Manufacturing'', (ESSE, 2021), </ref>
 
===Prozessregelung===
Mithilfe dieser Ergebnisse sowie den Messwerten des Abstands aus dem vorherigen Kapitel wird eine Prozessregelung aufgebaut. Dabei wird die Schweißgeschwindigkeit genutzt, um die Schweißbadhöhe anzupassen und dadurch den Abstand zwischen Schweißbrenner und Bauteil konstant zu halten. Mithilfe einer Anpassung der Drahtvorschubgeschwindigkeit konnte die Schweißnahtbreite trotz Änderung der Schweißgeschwindigkeit konstant gehalten werden. Die Abstandsregelung ermöglichte den Aufbau komplexer Bauteile mit Multiachsoperationen ohne vorherige Prozessparameteroptimierung beim ersten Versuch. <ref name="CLC">R.T. Reisch, ''Nozzle-to-Work Distance Measurement and Control in Wire Arc Additive Manufacturing'', (ESSE, 2021), </ref>
 
===Präskriptive Prozessparameteranpassung===
Im [[WAAM]]-Prozess kann es jederzeit zu Instabilitäten kommen. Um die daraus resultierenden Defekte zu kompensieren sowie Folgedefekte zu vermeiden, wurde eine präskriptive Prozessparameteranpassung vorgestellt. Sie nutzt die Kontextwahrnehmung der Bauteil- und Prozessrepräsentation sowie die Anpassungsfähigkeit der Prozessüberwachung um Autonomie zu erreichen. Zunächst wurde eine Positionsvorhersage durchgeführt und der zukünftig Kontext analysiert. Abhängig vom Kontext wurde ein Prozesseingriff vorgenommen, indem die Prozessparameter zum passenden Zeitpunkt so angepasst wurden, dass der Defekt kompensiert wurde. Die Methodik konnte anhand der Kompensation eines Unstetigkeitsdefekt verifiziert werden. <ref name="prescriptive">R.T. Reisch, ''Prescriptive Analytics - A Smart Manufacturing System for First-Time-Right Printing in Wire Arc Additive Manufacturing using a Digital Twin'', (CIRP ICME, 2022), </ref>
 
==Erprobung in der industriellen Praxis==
 
Zur Validierung wurde der Einsatz des Digitalen Zwillings in der industriellen Praxis in einem WAAM-System anhand des Aufbaus zweier Bauteile erprobt.
Der Digitale Zwilling wurde dazu als Teil eines intelligenten Fertigungssystems prototypische implementiert.
Beim Aufbau der zwei Validierungsbauteile konnte mithilfe des Digitalen Zwillings die Kausalkette für Defekte hergeleitet werden. Weiterhin wurden im Prozess Anpassungen vorgenommen. Dadurch konnte ein Mehrwert für die Prozessplanung, die Anlagenbedienenden und Qualitätsverantwortliche gezeigt werden. Zuletzt erfolgt eine anforderungsbezogene Bewertung des Digitalen Zwillings und die abschließende Beantwortung der gestellten Forschungsfrage.
 
<gallery widths=400px>
Datei:DigitalerZwillingBionischerArm.png|Digitaler Zwilling des bionischen Arms (Copyright: Reisch)
Datei:robotbased_WAAM.jpg|Roboterbasiertes WAAM-Setup am Forschungs- und Vorentwicklungsstandort der [[Siemens AG]] in München
</gallery>
 
==Schlussfolgerung und Ausblick==
 
Im letzten Kapitel der Arbeit wurde die Arbeit zusammengefasst und die Übertragbarkeit der vorgestellten Methoden auf weitere Felder betrachtet. Weiterhin wurde ein Ausblick im Bezug auf den prozessorientierten Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen gegeben..


==Referenzen==
==Referenzen==
[[Kategorie:Veröffentlichungsreif]]

Aktuelle Version vom 10. Februar 2023, 13:39 Uhr

Der ➭Digitale Zwilling ermöglicht die datengetriebene ➭Prozessüberwachung und -regelung in additiven Fertigungsprozessen. Darüber hinaus sind Anknüpfungspunkte an die Entwicklungsphase und die Qualitätssicherung des Endprodukt möglich.

Überblick über den prozessorientierten Digitalen Zwilling in WAAM

Nachfolgend werden Kernergebnisse der Dissertationsarbeit „Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen“ (Referenz: Reisch [1]) vorgestellt.

Für eine detaillierte Darstellung der einzelnen Themen sowie für eine Zitation / ein Referenzieren der nachfolgend vorgestellten Inhalte wird auf die veröffentlichte Fassung der Arbeit[1] verwiesen; die nachfolgenden Abschnitte sind dieser Arbeit[1] entnommen.

Einleitung

Der Wire-Arc Additive Manufacturing (WAAM) Prozess ermöglicht die Fertigung großvolumiger Metallbauteile.

Aufgrund der hohen Auftragsrate, der geringen Kosten und einer kostengünstigen Anlagentechnik findet dieser Prozess zunehmend Anwendung in der Industrie (Luft- und Raumfahrt, Automobilbau, Zugtechnik). Um den Prozess jedoch umfangreich zu industrialisieren ist eine höhere Prozessautonomie sowie eine Verringerung des erforderlichen Expertenwissens zur Anwendung erforderlich. [2] Dieses Ziel kann mithilfe einer umfassenden Digitalisierung und Automatisierung des Prozesses erreicht werden. In dieser Arbeit wird zu diesem Zweck ein prozessorientierter Digitaler Zwilling für WAAM vorgestellt.

Highspeed-Video (GIF) des WAAM-Prozesses

Grundlagen und Stand der Technik

Vorstellung der Grundlagen im Bereich der Additiven Fertigung, zum Digitalen Zwilling sowie im Bereich der Datenanalytik. Es wird unter anderem auf die Prozessüberwachung, die Prozessregelung, die Anomaliedetektion bei Zeitreihendaten und Evaluierungsmetriken eingegangen. Abschließend wird der Forschungsbedarf abgeleitet sowie die Hypothese aufgestellt, dass mithilfe eines kontextwahrnehmenden, autonomen und anpassungsfähigen Digitalen Zwilling der WAAM-Prozess industrialisiert werden kann. Daraus ergab sich folgende Forschungsfrage, welche innerhalb der Arbeit beantwortet wurde:

„Wie können Kontextwahrnehmung, Autonomie und Anpassungsfähigkeit eines prozessorientierten Digitalen Zwillings für die additive Fertigung mittels Lichtbogenauftragsschweißen erreicht werden?“

Digitale Bauteil- und Prozessrepräsentation

Die digitale Bauteil- und Prozessrepräsentation erlaubt die Bereitstellung von Kontext für die Prozessüberwachung und die Prozessanpassung. Dazu wurde der Kontext zunächst in drei Bereiche eingeteilt:

  • Systemkontext
  • Zeitlicher Kontext
  • Räumlicher Kontext

Der Systemkontext wurde mithilfe eines ➭OPC UA Informationsmodells sowie eines Prozesszustandsmodells bereitgehalten. Die zeitliche Einordnung geschieht auf Basis einer zeitlichen Indexierung aller Dateninstanzen. Um den räumlichen Kontext bereitzustellen, wurde der ➭Octree als räumliche Datenstruktur eingeführt. Alle Datenpunkte werden raumzeitindexiert. Zu Beginn des Aufbaus eines neuen Bauteils stellt der lediglich mit Simulationsdaten gefüllte Octree ein Digitales Modell dar (statischer Octree). Während des Prozesses werden abhängig vom Prozess weitere Datenpunkte eingeführt, sodass es sich um einen Digitalen Schatten des Bauteils handelt (dynamischer Octree). Auf Basis der Prozessanpassung und der damit einhergehenden bidirektionalen Datenanbindung entsteht in Kapitel 5 ein Digitaler Zwilling.[3]

Der Digitale Schatten kann als Informationsträger für Optimierungsschritte im CAD/CAM-Bereich sowie in der Qualitätssicherung eingesetzt werden. Zur Anbindung an die prozessvor- und nachgelagerten Schritte der Wertschöpfungskette wurde darüber hinaus eine Methodik entwickelt, mithilfe derer die räumliche Annotation zeitlicher Daten möglich ist. Die Labels können anschließend für das Training und die Evaluierung von Anomaliedetektions- und Defektklassifikationsalgorithmen eingesetzt werden. [4]

Prozessmodellierung und -überwachung

Defekte beim WAAM-Prozess

Die Prozessüberwachung ermöglicht die Erkennung von Instabilitäten und Defekten prozessparallel.

Prozessmodellierung

Um ein grundlegendes Verständnis des Prozesses aufzubauen wurde der Prozess zunächst analysiert und eine Ursachen-Wirkungs-Analyse für Abweichungen in den Prozessdaten vorgenommen. Mithilfe dieser Informationen wurden geeignete Sensoren (Strom, Spannung, Drahtvorschub, Gasfluss, Spektrometer, Schweißkamera, Mikrofon) ausgewählt und der WAAM-Prozess datengetrieben nachgebildet.

Anomaliedetektion

Anomalien in den Daten wurden mithilfe von Anomaliedetektoren erkannt. Dazu wurde zunächst eine Methodik entwickelt, mit deren Hilfe ein geeigneter Detektor abhängig von den Zeitreihenmerkmalen der Daten ausgewählt werden kann. Es wurden sowohl wahrscheinlichkeits- und distanzbasierte (u.a. Isolation Forest), rekonstruktionsbasierte (u.a. Autoencoder) und vorhersagebasierte (u.a. Neuronale Netzwerke) Anomaliedetektoren betrachtet. Da der Autoencoder für die Spannungsdaten des WAAM-Prozesses sehr gute Ergebnisse lieferte, wurde dieser näher betrachtet. Die Architektur des Autoencoders wurde um ein externes Speichermodul erweitert, um verschiedene Konditionen (=Prozessparametersätze) abbilden zu können. Dieser Aufbau des Autoencoders ermöglichte darüber hinaus Metalernen, sodass eine Anpassungsfähigkeit an neue Prozessparameter erreicht wurde. [5] [3]

Defektklassifikation

Zur Defektklassifikation wurde je Defekt ein neuronales Netzwerk aufgebaut. Potentielle Defekte sind in der Abbildung Defekte beim WAAM-Prozess dargestellt. Mithilfe eines Metalernansatzes („Model Agnostic Meta Learning“) war die Übertragung der erlernten datenbasierten Eigenschaften eines Defekte auf andere Prozessparameter und damit Anpassungsfähigkeit möglich. Kontextwahrnehmung erhöhte die Genauigkeit der Klassifikation zum Teil erheblich.

Abstandsmessung

Zuletzt wurden in diesem Kapitel Methoden zur Messung des Abstands zwischen Schweißbrenner und Bauteil vorgestellt. Dazu wurden drei Sensoren (Spannung, Spektrometer, Schweißkamera) betrachtet, Datenmerkmale extrahiert und eine Korrelationsanalyse mit dem Abstand zwischen Schweißbrenner und Bauteil vorgenommen. Trotz hoher Korrelationen für das Spektrometer wurde letztendlich auf Grund der geringeren Prozessparameterabhängigkeit der Messung die Schweißkamera als bevorzugter Sensor genutzt. [6] Die in diesem Kapitel gewonnenen Informationen werden für den datengestützten Prozesseingriff verwendet.

Datengestützter Prozesseingriff

Messung der Distanz zwischen Schweißbrenner und Bauteil beim WAAM-Prozess als Eingangsgröße für die Prozessregelung

Um die Prozessstabilität zu erhöhen, werden Prozesseingriffe vorgenommen. Dabei kann es sich einerseits um eine Prozesswarnung, einen Prozessstopp, um eine Prozessregelung oder um eine präskriptive Prozessparameteranpassung handeln.

Systemidentifikation

Zunächst wurde eine Systemidentifikation vorgenommen, die die Prozessparameter (Schweißgeschwindigkeit und Drahtvorschub) mit der Schweißnahtgeometrie (Schweißnahtbreite und -höhe) in Relation setzte. Es zeigte sich eine hohe negative Korrelation nach ➭Pearson (-0,900) zwischen Schweißgeschwindigkeit und Schweißnahthöhe und eine hohe positive Korrelation (0,859) zwischen Drahtvorschub und Schweißnahtbreite. Weiterhin konnte eine Korrelation zwischen Schweißgeschwindigkeit und Schweißnahtbreite (-0,388) erfasst werden. Zwischen Drahtvorschub und Schweißnahthöhe war lediglich eine geringfügige Korrelation zu sehen (-0,093). [6]

Prozessregelung

Mithilfe dieser Ergebnisse sowie den Messwerten des Abstands aus dem vorherigen Kapitel wird eine Prozessregelung aufgebaut. Dabei wird die Schweißgeschwindigkeit genutzt, um die Schweißbadhöhe anzupassen und dadurch den Abstand zwischen Schweißbrenner und Bauteil konstant zu halten. Mithilfe einer Anpassung der Drahtvorschubgeschwindigkeit konnte die Schweißnahtbreite trotz Änderung der Schweißgeschwindigkeit konstant gehalten werden. Die Abstandsregelung ermöglichte den Aufbau komplexer Bauteile mit Multiachsoperationen ohne vorherige Prozessparameteroptimierung beim ersten Versuch. [6]

Präskriptive Prozessparameteranpassung

Im WAAM-Prozess kann es jederzeit zu Instabilitäten kommen. Um die daraus resultierenden Defekte zu kompensieren sowie Folgedefekte zu vermeiden, wurde eine präskriptive Prozessparameteranpassung vorgestellt. Sie nutzt die Kontextwahrnehmung der Bauteil- und Prozessrepräsentation sowie die Anpassungsfähigkeit der Prozessüberwachung um Autonomie zu erreichen. Zunächst wurde eine Positionsvorhersage durchgeführt und der zukünftig Kontext analysiert. Abhängig vom Kontext wurde ein Prozesseingriff vorgenommen, indem die Prozessparameter zum passenden Zeitpunkt so angepasst wurden, dass der Defekt kompensiert wurde. Die Methodik konnte anhand der Kompensation eines Unstetigkeitsdefekt verifiziert werden. [7]

Erprobung in der industriellen Praxis

Zur Validierung wurde der Einsatz des Digitalen Zwillings in der industriellen Praxis in einem WAAM-System anhand des Aufbaus zweier Bauteile erprobt. Der Digitale Zwilling wurde dazu als Teil eines intelligenten Fertigungssystems prototypische implementiert. Beim Aufbau der zwei Validierungsbauteile konnte mithilfe des Digitalen Zwillings die Kausalkette für Defekte hergeleitet werden. Weiterhin wurden im Prozess Anpassungen vorgenommen. Dadurch konnte ein Mehrwert für die Prozessplanung, die Anlagenbedienenden und Qualitätsverantwortliche gezeigt werden. Zuletzt erfolgt eine anforderungsbezogene Bewertung des Digitalen Zwillings und die abschließende Beantwortung der gestellten Forschungsfrage.

  • Digitaler Zwilling des bionischen Arms (Copyright: Reisch)

    Digitaler Zwilling des bionischen Arms (Copyright: Reisch)

  • Roboterbasiertes WAAM-Setup am Forschungs- und Vorentwicklungsstandort der Siemens AG in München

    Roboterbasiertes WAAM-Setup am Forschungs- und Vorentwicklungsstandort der Siemens AG in München

Schlussfolgerung und Ausblick

Im letzten Kapitel der Arbeit wurde die Arbeit zusammengefasst und die Übertragbarkeit der vorgestellten Methoden auf weitere Felder betrachtet. Weiterhin wurde ein Ausblick im Bezug auf den prozessorientierten Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen gegeben..

Referenzen

  1. ↑ 1,0 1,1 1,2 R.T. Reisch, Prozessorientierter Digitaler Zwilling für die Additive Fertigung mittels Lichtbogenauftragsschweißen, (TUM, 20xx),
  2. ↑ R.T. Reisch, Roboter in der Additiven Fertigung, (Technik in Bayern, 2021),
  3. ↑ 3,0 3,1 R.T. Reisch, Context awareness in process monitoring of additive manufacturing using a digita twin, (JAMP, 2022),
  4. ↑ R.T. Reisch, Spatial Annotation of Time Series for Data Driven Quality Assurance in Additive Manufacturing, (CIRP ICME, 2022),
  5. ↑ R.T. Reisch, Distance-Based Multivariate Anomaly Detection in Wire Arc Additive Manufacturing, (IEEE ICMLA, 2021),
  6. ↑ 6,0 6,1 6,2 R.T. Reisch, Nozzle-to-Work Distance Measurement and Control in Wire Arc Additive Manufacturing, (ESSE, 2021),
  7. ↑ R.T. Reisch, Prescriptive Analytics - A Smart Manufacturing System for First-Time-Right Printing in Wire Arc Additive Manufacturing using a Digital Twin, (CIRP ICME, 2022),
Abgerufen von „http:///index.php?title=Prozessorientierter_Digitaler_Zwilling_in_WAAM&oldid=1554“