Qualitätslenkung in der Additiven Verarbeitung von Kupferwerkstoffen durch Prädiktion von Werkstoff- und Bauteileigenschaften mithilfe Maschinellen Lernens (Cu3d-ML)

Abstract

Das Forschungsprojekt zielte darauf ab, die Qualitätslenkung beim Kaltgasspritzen von Kupferwerkstoffen durch kostengünstige in-situ-Messmethoden, datenbasierte Modellierung und maschinelles Lernen (ML) zur Vorhersage von Bauteileigenschaften zu verbessern. Zur Erweiterung der technischen Infrastruktur des Kaltgasspritzprozesses wurden ein optisches Kame-rasystem, eine Thermografiekamera und die Prozesssensorik hard- und softwareseitig in eine industrielle Internet of Things (IoT) Infrastruktur integriert. Die implementierte IIoT-Infrastruktur in Form einer Edge-Cloud-Architektur ermöglichte eine schichtweise Qualitätsprüfung und zentrale Datenerfassung. Diese Infrastruktur kann in weiterführenden Arbeiten für industrielle Anwendungen verallgemeinert werden. Ergänzend wurden mit multimodalen Sensorda-ten und standardisierten ML-Modulen umfassende Analysen durchgeführt, um verschiedene Qualitätsabweichungen wie Porosität, Oxidation und Nozzle Clogging vorherzusagen. Im Rahmen des Projekts wurde das Konzept zur Qualitätslenkung an verschiedenen Kupferwerkstoffen validiert. Ursprünglich war CuZn21Si3P als Ausgangsmaterial vorgesehen. Aufgrund von Schwierigkeiten in der Pulverherstellung – insbesondere infolge von Zinkabdampfungsproblemen – erwies sich dieses Material jedoch als nicht prozesssicher. Daher wurden alternative Werkstoffe, namentlich CuZn30 sowie weitere Materialien wie Cu‑ETP und CuSn12Ni2, untersucht, um die Übertragbarkeit der entwickelten Ansätze auf unterschiedliche industrielle Szenarien zu überprüfen. Um die Übertragbarkeit zu unterstützen, wurde ein Leitfaden samt Maßnahmenkatalog zur Qualitätslenkung entwickelt, der sich an den Phasen des CRISP‑DM orientiert. Dieser strukturierte Rahmen soll den praktischen Einsatz datenbasierter Qualitätslenkungsansätze erleichtern und eine einheitliche Vorgehensweise sicherstellen. Die praktische Umsetzung erfolgte mithilfe von ML‑Modulen, die aus einer spezifischen Datenvorverarbeitung, einem darauf abgestimmten ML‑Modell sowie der Verarbeitung der Modellvorhersagen bestehen. Mit dieser Methodik konnten wesentliche Qualitätsmerkmale – wie Nozzle Clogging, Oxidation, Porosität und elektrische Leitfähigkeit – mit hoher Genauigkeit prognostiziert werden. Zur Visualisierung und interaktiven Analyse der Ergebnisse wurde ein REST‑API‑basierter Service implementiert und in einen IT‑Demonstrator integriert, der die praktische Anwendbarkeit der entwickelten Ansätze veranschaulicht. Das Projekt hat alle definierten Ziele erreicht, darunter auch das zentrale Ziel des Forschungsvorhabens: die Entwicklung eines Qualitätslenkungssystems für das Kaltgasspritzen von Rein-kupfer und Kupferlegierungen, das durch den Einsatz von ML-Verfahren eine echtzeitnahe Vorhersage der Bauteileigenschaften ermöglicht. Neben der Optimierung der Qualitätslenkung beim Kaltgasspritzen wurde die industrielle Integration ML-basierter Qualitätslenkungssysteme vorbereitet. Die entwickelten Technologien und Methoden führten zu einer signifikanten Verbesserung der Prozesse und bilden eine solide Basis für weiterführende Forschungs- und Entwicklungsarbeiten im Bereich der additiven Fertigung.