Cu3d-ML

Im Kontext einer ökologischen und ökonomischen Ressourcenverwendung gewinnt der Einsatz von Kupferwerkstoffen aufgrund der hohen Recyclingfähigkeit zunehmend an Bedeutung. Durch den Einsatz additiver Fertigungsverfahren können Lifecycle-Kosten sowie die CO2-Bilanz zusätzlich verringert werden. Ein bestehendes Hemmnis des Einsatzes additiver Fertigungsverfahren im industriellen Umfeld ist die reproduzierbare Erreichung der erforderlichen Bauteilqualität, woraus hohe Ausschussraten resultieren.

Ziel des Forschungsprojekts Cu3D-ML ist die Entwicklung einer Qualitätslenkung in der additiven Verarbeitung von Kupferwerkstoffen am Beispiel des Kaltgasspritzen. Die Qualitätslenkung umfasst die echtzeitnahe Vorhersage von werkstoff- und bauteilbezogenen Qualitätseigenschaften (z.B. elektrische- und thermische Leitfähigkeit, Härte, Korngröße, Gefügezusammensetzung) mit Hilfe einer IoT-Infrastruktur. Die Qualität wird im laufenden Prozess durch die Anwendung Maschineller Lernverfahren auf sensorisch erfassten Prozessdaten (z.B. Prozessgasdruck, -temperatur, etc.) erfasst. Durch die echtzeitnahe Vorhersage können bei Auftreten von Unregelmäßigkeiten Gegenmaßnahmen im Sinne eines Prozesseingriffs oder einer vorzeitigen Prozessbeendigung ergriffen und somit Ausschuss verhindert oder minimiert werden.

Die Bearbeitung des Forschungsvorhabens ist auf eine Laufzeit von 24 Monaten ausgelegt und erfolgt in Kooperation mit dem Lehrstuhl für Werkstofftechnologie (LWT) und in engem Austausch mit den Mitgliedern des PA. Zur Einhaltung der Qualitätsanforderungen bei additiv gefertigten Bauteilen aus Kupferwerkstoffen wird ein neuartiger multivariater Ansatz mit Berücksichtigung aller relevanten Einflüsse (bspw. Umgebung, Werkstoff etc.) auf qualitätsbezogene Werkstoff- und Bauteileigenschaften entwickelt. Die Eigenschaften eines Bauteils (z.B. elektrische- und thermische Leitfähigkeit, Härte) werden maßgeblich von der Werkstoffzusammensetzung und dem Werkstoffzustand bestimmt, welche in additiven Fertigungsprozessen von einer Vielzahl von Prozessgrößen (z.B. Laserleistung, Scangeschwindigkeit, Restsauerstoffgehalt) beeinflusst werden. Diese Prozessgrößen sollen durch Sensorik aufgezeichnet bzw. aus Maschinen ausgelesen werden. Mithilfe Maschineller Lernverfahren werden anschließend auf dieser Datengrundlage in Echtzeit Rückschlüsse auf die Eigenschaften additiv gefertigter Bauteile aus Kupferwerkstoffen gezogen. Dadurch sollen im Bedarfsfall Maßnahmen über Prozesseingriffe abgeleitet werden, die zur Einhaltung der geforderten Qualitätsanforderungen führen.

Das Vorhaben "Cu3d-ML" (Förderzeichen: 22076) der Bundesvereinigung Stifterverband Metalle e.V – Wallstr. 58/59, 10179 Berlin - wird über die AiF im Rahmen des Programmes zur Förderung der Industriellen Gemeinschaftsforschung und -entwicklung (IGF) gefördert.