In der Industrie kommt die additive Fertigung komplexer keramischer Bauteile, wie Stäbe, Gitterstrukturen, Zahnräder, Impeller (rotierende Bauteile in Pumpen) und Platten mit feinen Innenstrukturen zum Einsatz. Besonders relevant sind dabei Anwendungen, bei denen hohe Präzision und Materialdichte gefragt sind – etwa in der Sensorik, Medizintechnik oder Mikrosystemtechnik, wo selbst kleinste Lufteinschlüsse die Funktion des Bauteils beeinträchtigen können. Beim industriellen 3D-Druck von keramischen Bauteilen kann es aber während des Herstellungsprozesses zu feinen Fehlern kommen – eben zu genau diesen winzigen Lufteinschlüssen im Material. Diese Blasen sind oft mit freiem Auge nicht sichtbar, können aber die Stabilität oder Funktionsfähigkeit des Bauteils beeinträchtigen. Im von der FFG geförderten Projekt MILAM (Produktion der Zukunft) forschte das Team von Harald Ganster von DIGITAL daran, diese Fehlerquellen nicht erst nach, sondern während des Druckprozesses zu erkennen – und dafür kamen Bildverarbeitung, Hyperspektralanalyse und künstliche Intelligenz (KI) zum Einsatz.
Fehlererkennung während des Druckens
„Wir entwickelten eine kamerabasierte Überwachungseinheit, die direkt in einen 3D-Drucker unseres Industriepartners Lithoz GmbH integriert wurde. Sie erkennt Luftblasen sowie mögliche Kontaminationen im flüssigen Material (Schlicker), bevor die jeweilige Schicht ausgehärtet wird. Weil diese Kameras hochauflösende Aufnahmen jeder Druckschicht liefern, haben wir eine Basis für eine automatische Analyse“, erklärt Ganster. Die aufgenommenen Daten werden nicht nur gespeichert, sondern auch mit Hilfe von künstlicher Intelligenz ausgewertet. Ziel ist es, die Blasen automatisch zu erkennen und zu beurteilen, ob sie das Bauteil beeinträchtigen könnten. Dabei kommen moderne Verfahren des Deep Learning zum Einsatz, darunter Convolutional Neural Networks (CNN) und speziell angepasste Varianten wie YOLO (You Only Look Once). Die KI erkennt in den Bildern Strukturen, klassifiziert sie als potenziell kritische oder unkritische Blasen und lernt mit jeder neuen Datenreihe dazu.
Hyperspektralanalyse – ein Blick ins Material
Neben der Bildanalyse mit Standardkameras wurde im Projekt auch die sogenannte Hyperspektralanalyse eingesetzt. Dabei handelt es sich um ein Messverfahren, bei dem nicht nur ein Bild, sondern ein ganzes Lichtspektrum pro Bildpunkt aufgenommen wird. So lassen sich materialtypische Eigenschaften wie der Aushärtegrad einer Schicht bestimmen. „Wir verfügen an unserem Standort in Graz über ein eigenes Hyperspektral-Labor, in dem diese Testsdurchgeführt wurden. Dort konnten unterschiedliche Zustände des Druckmaterials analysiert und optisch voneinander abgegrenzt werden. Erste Ergebnisse zeigen, dass sich ausgehärtete und nicht ausgehärtete Bereiche gut unterscheiden lassen – auch wenn es bei Übergängen zwischen verschiedenen Härtegraden noch Herausforderungen gibt. Die Hyperspektralanalyse liefert somit wertvolle zusätzliche Informationen für die Prozessüberwachung“, erklärt Ganster den Prozess.
Superkraft KI
Besonders erfolgreich war im Rahmen des Projekts der Einsatz von KI zur automatischen Erkennung und Klassifikation von Luftblasen. Dazu wurden zunächst große Mengen an Bilddaten gesammelt, manuell markiert (annotiert) und anschließend für das Training von neuronalen Netzen verwendet. „Wir können mithilfe von KI nicht nur Luftblasen erkennen, sondern auch deren Form, Größe, Kontrast und Position analysieren“, so Ganster. Defekte, etwa größere Einschlüsse innerhalb des Bauteils, lassen sich damit automatisiert identifizieren. Auch das Auftreten von Blasenclustern, also mehreren Einschlüssen an einer Stelle, kann detektiert werden. Ganster: „Ein großer technischer Fortschritt bestand darin, dass die Kameraaufnahmen so mit dem Druckplan abgeglichen wurden, dass klar unterschieden werden konnte, ob eine Blase tatsächlich im Bauteil oder außerhalb davon liegt. Dies ist entscheidend, denn so werden Fehlalarme vermieden, die Kosten und Zeitverzögerung verursachen.
Vom Labor in die Praxis
Der Demonstrator, also das entwickelte Überwachungssystem, wurde mehrfach erfolgreich im Forschungsdrucker eingesetzt. Die gewonnenen Daten wurden mit hochauflösenden CT-Scans verglichen. Das Ergebnis ist überzeugend: Erkennt die Kamera keine Blase, zeigt auch die CT keine Defekte. Dies unterstreicht die Verlässlichkeit des Systems. „Unser Partner Lithoz prüft derzeit, wie das entwickelte Verfahren in künftige Produktlinien übernommen werden kann. Das ist ein starkes Zeichen dafür, dass das Projekt nicht nur technologisch, sondern auch wirtschaftlich relevant ist“, freut sich der Experte für Hyperspektralanalyse. Mit MILAM ist es gelungen, 3D-Druckprozesse für Keramikbauteile deutlich transparenter und sicherer zu machen. Die Kombination aus kamerabasierter Blasenerkennung, Hyperspektralanalyse und KI-gestützter Auswertung ist ein vielversprechender Ansatz, um Fehler frühzeitig zu erkennen und die Qualitätssicherung im Druckprozess grundlegend zu verbessern.
von Elke Zenz
