Datenerfassung und Prozessregelung im WAAM Prozess

Arbeitspaket	4: Adaption und Übertragbarkeit der Prozessfähigkeit auf andere Bauteile 5: Qualitätsmonitoring
Konsortialpartner	Siemens, Uni Passau

Die Zusammenarbeit zwischen der Universität Passau und Siemens basierte auf der Weiterentwicklung von Prozess-Monitoring Verfahren für die mehrachsige additive Drahtlichtbogenfertigung (Wire-Arc Additive Manufacturing / WAAM). Dabei hat die Siemens AG die experimentelle Arbeit, die Steuerungs- und Regelungstechnik und die Validierungsversuche übernommen. Die Auswertung der Bilder der Schweißkamera einschließlich Bildvorverarbeitung und Feature-Extraktion sowie die Modellauswahl und das Training eines neuronalen Netzes wurden von der Universität Passau durchgeführt. Einer der Kernpunkte war die Entwicklung eines Closed-loop-Reglers für das Wire-Arc Additive Manufacturing zur Prozessstabilisierung. Im WAAM-Prozess ist die Einhaltung des richtigen Düsen-Arbeits-Abstands entscheidend, um Kollisionen und Prozessfehler zu vermeiden. Dieser Arbeitsabstand wird vorab in der Fertigungsplanung des Bauteils versucht möglichst exakt zu definieren. Dies ist aber vor allem bei der Pfadplanung von komplexeren Bauteilen schwierig umsetzbar. Die interne Regelung während des Prozesses in Echtzeit gleicht diese Ungenauigkeiten aus, wodurch die Produktion einer Charge wesentlich beschleunigt und vereinfacht wird. Die Prozessregelung adaptiert in diesem Fall die Roboter-Verfahrgeschwindigkeit, wodurch die Schichthöhe schnell adaptiert werden kann, ohne die Prozessparameter zu verändern. Dazu wurden verschiedene Sensor-Konzepte (Strom/Spannungssensoren, akustische Sensoren, Spektrometer, Schweißkamera, etc.) hinsichtlich quantitativer und qualitativer technischer sowie wirtschaftlicher Kenngrößen analysiert, wobei sich herausstellte, dass die Schweißkamera aufgrund ihrer Fähigkeit geometrie- und richtungsunabhängig die Schichthöhe zu bestimmen, am geeignetsten für eine unidirektionale stabile Prozessregelung ist. In den Schweißkamerabildern lässt sich aufgrund der Perspektive und der wechselnden Geometrie der Abstand nicht direkt bestimmen. Anstatt dessen wurde der oszillierende Schweiß- draht als räumliche Orientierung herangezogen. Verfahrensbedingt taucht der Draht periodisch ins Schmelzbad ein, um den Stromkreis zu schließen. In diesen Momenten entspricht die Drahtlänge (Stick-Out) dem Düsen-Arbeits-Abstand. Als Hindernis ist an dieser Stelle die im Vergleich zum Produktionsprozess niedrigere Aufnahmefrequenz zu nennen, sodass die oszillierende Drahtbewegung nicht als Ganzes aufgelöst werden kann. Durch Beobachten des Stick-outs in einem hinreichend großen Zeitfenster kann jedoch auf den momentanen Düsen-Arbeits-Abstand über die längste Drahtlänge innerhalb dieses Zeitraums geschlossen werden.

🚧 ❬Abbildung 10 einfügen.❭

Die Drahtlänge wurde nach der Erprobung verschiedener Bildanalyse-Algorithmen schließlich mittels eines Modells, basierend auf einem neuronalen Netz, aus den Schweißkamerabilddaten extrahiert. In der Erprobungsphase wurden klassische modellbasierte Bildverarbeitungsmethoden getestet. Sowohl Kantenextraktionsverfahren als auch detailliertere Orts-Frequenzraum-basierte Verfahren zur Informationsextraktion erwiesen sich als gleichermaßen ungeeignet, um die verfahrensbedingt starken, kontinuierlichen Änderungen der Hintergrund- und Lichtverhältnisse systematisch zu erfassen. Auch das Erscheinungsbild des Drahtes ändert sich permanent. So lässt er sich u. U. sehr schlecht vom Hintergrund abgrenzen, da der Draht je nach Lichtreflexion heller oder dunkler erscheint. Versuche der Modellbildung mit oben genannten Verfahren führten zu nicht-deterministischen Kaskaden von Fallunterscheidungen, die vor allem in Grenzfällen zu unpräzisen Ergebnissen führten. Da allerdings der Draht bzw. dessen Ausmaße mit dem menschlichen Auge durchaus nahezu immer zu erkennen sind, wurde als vielversprechende Methode Machine-Learning (genauer der Einsatz eines neuronalen Netzes) gewählt. Nach einer Kalibrierung der Anlage und der Bildgebung, die in Kooperation entstand, wurden für den Aufbau und das Training eines neuronalen Netzes, konkret eines Deep Convolutional Neural Networks (DCNN), über 5000 Bilder gelabelt. In der Offline-Analyse erwies sich das trainierte Netz als robust bezüglich perspektivischer Änderungen, unterschiedlichen Geometrien und wechselnden Umgebungsverhältnissen. Die Prädiktionsfehler im Generalisierungsfall lagen stets im Toleranzbereich. Das Netz ist in der Lage die Drahtlänge in Echtzeit vorherzusagen, da die Berechnung der momentanen Drahtlänge aus einer Einzelaufnahme auf der CPU eines Standard Desktop PCs weniger als 30ms beträgt.

Auf Basis der Abstandsmessung zur Schichthöhenbestimmung wurde eine Abstandsregelung geschaffen. Anstatt im Fall einer Abstandsabweichung die Düse direkt zu repositionieren, werden die Roboter-Verfahrgeschwindigkeit und so die Schmelzbadgeometrie wie gewünscht be- einflusst. Die Funktionsfähigkeit der Abstandsregelung wurde durch die Herstellung komplexer mehrachsiger Teile validiert. Insbesondere konnten dadurch Geometrien realisiert werden, die ohne Regelung nicht möglich wären. Technische und methodische Details sind in einem gemeinsamen Paper zu finden, das derzeit in der Veröffentlichung ist: Investigations on In-Process Nozzle-to-Work Distance Measurements for a Closed-Loop-Control in Wire Arc Additive Manufacturing, Reisch et al., Paper im Journal of Manufacturing Systems. In einem nächsten Schritt werden zur Ergänzung der Abstandsreglung auch die Breitenregelung sowie eine Drall- und Spratzererkennung untersucht.

🚧 ❬Abbildung 11 einfügen.❭

Ferner wurde durch Siemens an der Entwicklung eines Systems zur prozessbegleitenden Überwachung der geometrischen Werkstückqualität gearbeitet (Abbildung 12). Im Gegensatz zu den an der FHWS durchgeführten Aktivitäten zur Qualitätsüberwachung liegt der Fokus hier auf mehrachsigen AM-Prozessen (WAAM, DED), die typischerweise von einer numerischen Bahnsteuerung (z. B. Sinumerik) geregelt und teilweise auch in Kombination mit subtraktiven Bearbeitungsmöglichkeiten in einer Maschine vereint werden. Mit Hilfe eines an der Maschinenkinematik mitgeführten Laserlinienscanners <ref Alternativ werden auch Tiefenkameras und Punktlaser unterstützt.> entsteht eine dreidimensionale Punktewolke der Werkstückoberfläche, die während des Prozesses fortlaufend aktualisiert wird. Daraus ergeben sich nun zwei für die additive Fertigung relevante Anwendungsmöglichkeiten: Zum einen lassen sich bestehende Werkstücke in der späteren Bearbeitungsaufspannung als Grundlage zur Planung von Additivoperationen im CAM System digitalisieren. Dies ist besonders für AM gestützte Reparaturverfahren („Füllen schadhafter Werkstückbereiche“) oder das Andrucken von Formelementen an konventionell gefertigte Rohteile hilfreich. Andererseits ist eine Überwachung geometrisch tolerierter Werkstückfeatures möglich, sodass fehlerhafte Prozessläufe frühzeitig erkannt und korrigiert bzw. abgebrochen werden können. Hierzu wurde eine Schnittstelle geschaffen, um die nominelle Werkstückgeometrie inklusive der ISO Toleranzinformationen (z. lB. Ebenheit) direkt aus der Konstruktionsumgebung auf die Maschine zu transferieren. Abweichungen in Form und Lage werden dem Bedienpersonal über eine Web-basierte Bedienoberfläche signalisiert. Das entwickelte System basiert auf der EDGE-Computing Plattform der Siemens AG und hat gute Chance auf eine wirtschaftliche Verwertung. Im nächsten Berichtszeitraum ist geplant, dass System an einer WAAM Anlage zu evaluieren. Zudem erfordert die Datenverarbeitung zur Berechnung der Gestaltabweichungen auf Grund- lage der Rohdaten noch weitere Forschungsarbeit.

🚧 ❬Abbildung 12 einfügen.❭