Schlussbericht AI-SLAM zum Teilvorhaben "Auswertung, Korrelation, Entwicklung und Evaluierung" im Verbundprojekt "Komplexitätsreduktion der LMD-Prozessentwicklung und Optimierung von LMD-Prozessen durch KI-basierte Prognose und Anpassung geeigneter Prozessparameter auf Basis von Sensordaten"

Abstract

Das Verbundvorhaben "Artificial Intelligence Enhancement of Process Sensing for Adaptive Laser Additive Manufacturing (AI-SLAM)" hatte zum Ziel, die bislang aufwendige Prozessentwicklung im Laser Material Deposition (LMD)-Verfahren durch ein durchgängiges Framework zur Prozessplanung und KI-gestützter Prozessanalyse entscheidend zu vereinfachen. Ausgangspunkt war die hohe Komplexität bei Bahnplanung, Prozessinstabilitäten und die nur begrenzte Übertragbarkeit entwickelter Prozessparameter zwischen verschiedenen Anlagen. Im Rahmen des Projekts sollte ein datengetriebener, adaptiver Regelkreis entwickelt werden, der anhand maschinenintegrierter Sensordaten den Prozess mittels ML-Algorithmen überwacht und so eine lagenweise Anpassung der Prozessparameter ermöglicht und in eine Rahmensoftware eingebettet ist. Zur Umsetzung gliederte sich das Teilvorhaben am Fraunhofer ILT in sieben aufeinander abgestimmte Arbeitspakete. Zunächst wurden in AP1 das Projektmanagement und eine Cloud-basierte Datenplattform etabliert sowie die internationale Koordination mit Partnern wie BCT, McGill, Apollo, Braintoy und dem NRC organisiert. In AP2 erfolgte die Spezifikation der Prozessgrößen, die Definition eines lagenbasierten Datenmodells und die API-Konzepte für REST, OPC-UA und BCT-interne Schnittstellen. Aufbauend darauf entstand in AP3 ein belastbares Prozessfenster für die ILT- und Apollo-Anlagen. AP4 widmete sich der Integration und Synchronisation von Sensoren, darunter koaxiale Kamera, Pyrometer, IR-Kamera und Laser-Linien-Scanner, in die Rahmensoftware OpenARMS. In AP5 wurden die Daten auf Schichtebene aufbereitet und mit moderner Bildsegmentierung (UPerNet, SegFormer) sowie Vision-Transformer-Modellen zur Defekterkennung und Geometrievorhersage verknüpft. Parallel entwickelte AP6 eine adaptive CAM-Bahnplanung in Rust, die Punktwolken des Laser-Linien-Scanners zur Restvolumenanalyse nutzt und daraus optimierte und oberflächenorthogonale NC-Programme erzeugt. Schließlich ermöglichte AP7 mit Demonstratoren und Benchmark-Tests auf realen Bauteilen die Bewertung der Robustheit und Skalierbarkeit der gesamten Lösung.