Verschleißteile wie dieser Steinbrecherzahn mit einem Außendurchmesser von etwa 140 mm werden mit dem LMD-Prozess wiederhergestellt. Mit KI sollen die Prozesse für die Reparatur unregelmäßiger Oberflächen optimiert werden. (Quelle:  Apollo Machine and Welding Ltd, Canada.)

 

Additive Verfahren sind gegenüber herkömmlichen Produktionstechniken auf dem Vormarsch: Flexibler, sparsamer, funktionaler sind sie schon. Nur bei der Produktivität hakt es noch. Ein deutsch-kanadisches Konsortium geht das jetzt mit Künstlicher Intelligenz (KI) an: Mit einer neuen Software zur Prozesssteuerung soll das Laserauftragschweißen automatisch optimiert und erheblich produktiver werden.

 

Verschleißteile effizienter und adaptiv beschichten

Kanadische Maschinenbauer erhalten viele Aufträge aus dem Bergbau und der Erdölin-dustrie. So werden zum Beispiel Steinbrecherzähne aus dem Bergbau regelmäßig über-holt. Mit dem Laserauftragschweißen (engl. Laser Material Deposition, LMD) werden auf das Verschleißteil neue Schichten aufgetragen, bis die Sollgeometrie wieder erreicht ist.

 

Der Haken bei der Sache ist die ungleichmäßige Abnutzung. Dadurch müssen Schichten mit variierender Dicke aufgetragen werden. Ein Bediener muss dafür nach jeder Be-schichtung oder wenigstens nach jeder 10. Lage messen und die Prozessführung anpassen.

 

Regelprozesse wie diesen zu automatisieren hat sich ein deutsch- kanadisches Konsorti-um vorgenommen. Gemeinsam entwickeln die Partner im Projekt »Artificial Intelligence Enhancement of Process Sensing for Adaptive Laser Additive Manufacturing AI-SLAM« Software für Anlagenhersteller, mit der LMD-Prozesse automatisch ablaufen können. Dafür werden die Geometrien während des Auftragens automatisiert erfasst. Das System erkennt Abweichungen von der vorgegebenen Kontur und regelt Prozessparameter wie beispielsweise die Vorschubgeschwindigkeit nach.

 

Die optimierten Steuerparameter werden dabei mit Hilfe von Künstlicher Intelligenz ermittelt. Die Software analysiert einen größeren Datenbestand und lernt selbstständig, wie der Prozess iterativ verbessert werden kann. Jüngster Meilenstein in dem auf drei Jahre angelegten Projekt war die Inbetriebnahme der Software-Funktionalität zum Scannen von Bauteilen und zur automatischen Bahnplanung an der Anlage des Fraunhofer ILT.

 

Bei komplexen Geometrien wie an diesem Schaufelzahn oder bei ungleichmäßiger Abnutzung wird die KI-basierte Prozessoptimierung erhebliche Effizienzgewinne ermöglichen. (Quelle: Apollo Machine and Welding Ltd, Canada)

 

Deutsch-kanadische Zusammenarbeit für mehr KI-Anwendungen

Auf deutscher Seite sind das Fraunhofer-Institut für Lasertechnik ILT in Aachen und der Softwareentwickler BCT aus Dortmund an AI-SLAM beteiligt. In Kanada wird das Projekt vom National Research Council NRC koordiniert. Die Forschungsseite übernimmt dort ein Team von der McGill University (Montreal), für das Programmieren von Machine-Learning-Algorithmen ist die Firma Braintoy (Calgary) dabei. Als industrieller Dienstleister für das LMD beteiligt sich Apollo Machine and Welding Ltd in Alberta am Projekt.

 

Die Schwerpunkte des Projektes sind durchaus komplex: Grundlegend müssen möglichst viele Prozessdaten systematisch erfasst und aufbereitet werden. Komplexe Routinen lernen dann maschinell aus diesen Daten, wie die Prozessführung optimiert werden kann, um am Ende mit weniger Aufwand mehr zu produzieren.

 

Auf kanadischer Seite wird die LMD-Technologie für Reparatur-Anwender wie Apollo weiterentwickelt. In der Firma werden jährlich mehrere Tonnen Material für die Reparatur von Verschleißteilen - wie dem Steinbrecherzahn - eingesetzt. Dementsprechend hoch sind die Erwartungen für die Effizienzgewinne durch eine automatisierte Prozessführung.

 

Die Projektarbeit über beide Kontinente hinweg funktioniert dabei dank regelmäßiger Videotreffen und gemeinsam online erarbeiteter Dokumente problemlos. Auch virtuelle Laborführungen zum Kennenlernen der Software- und Hardwareumgebung der jeweils anderen Seite fanden bereits statt. Zum Austausch von Prozessdaten und zur Umsetzung der Machine-Learning-Modelle wurde von Braintoy die hauseigene Webplattform namens mlOS (Machine Learning Operating System) für alle Projektpartner freigeschaltet.

 

Siehe auch:

https://www.ilt.fraunhofer.de/