Die additive Fertigung ist noch relativ jung unter den industriellen Produktionsverfahren. Mit verschiedenen Vorteilen. So sind die Produktionskosten eines Bauteils weitgehend unabhängig von der zu fertigenden Stückzahl. Da für die Herstellung keine produktspezifischen Werkzeuge oder Formen benötigt werden, lassen sich selbst Einzelstücke günstig produzieren. Des Weiteren ergeben sich hohe gestalterische Freiheitsgrade. Durch die Kombination dieser Aspekte eignet sich der 3D-Druck bestens zum Herstellen von Sonderanfertigungen oder Prototypen.
Protiq hat bereits große Teile seiner Prozesskette automatisiert. Der Ablauf beginnt bei der Konstruktion und führt vom tatsächlichen Produktionsprozess über Qualitätskontrollen bis zum fertigen Bauteil, das an den Kunden verschickt wird. Die Optimierung startet bei der auf dem CAD-Modell basierenden Kalkulation der Fertigungskosten und umfasst weitere Schritte der digitalen Vor- sowie der maschinellen Nachbearbeitung der Bauteile. Um den Zeitaufwand weiter zu verringern, hat Protiq den Prozesskettenabschnitt nach dem 3D-Druck genauer beleuchtet, die Bauteilzuordnung.
Bislang hoher Sortieraufwand
Beim Selective Laser Sintering (SLS) wird in einem Bauraum Schicht für Schicht Kunststoffpulver aufgetragen und durch einen Laser dort aufgeschmolzen, wo das Bauteil entstehen soll. Das Material härtet direkt nach dem Aufschmelzen wieder zu einem festen Kunststoffkörper aus. Durch das schichtweise Auftragen des Pulvers bildet sich ein dreidimensionaler Korpus aus. Beim SLS hat der Anwender die Möglichkeit, in einem Bauraum eine beliebige Anzahl unterschiedlicher Bauteile herzustellen, um ihn optimal auszunutzen. Allerdings müssen die gemeinsam produzierten Bauteile nach der Fertigungsphase wieder vereinzelt und sortiert werden. Diese manuelle Tätigkeit erfordert viel Zeit. Zur Vereinfachung bieten sich deshalb Methoden der Automatisierungstechnik an. Hier werden oftmals Roboter mit zugehörigen Sensoren und Aktoren verwendet.
Als Beispiel für die Nutzung des sogenannten „Maschinellen Sehens“ (Machine Vision) in der Serienfertigung seien der Transport und die Sortierung von Gütern auf Fließbändern genannt. Der Einsatz moderner Kameratechnik ermöglicht hier die automatische Identifizierung von Objekten inklusive der zugehörigen Lageposition und -orientierung. So können die Objekte ohne Unterstützung durch den Menschen automatisch von Robotern gegriffen und weiterverarbeitet werden.
Damit Systeme des Maschinellen Sehens verschiedene Objekte automatisiert unterscheiden können, benötigen sie Informationen, woran sich die einzelnen Gegenstände erkennen lassen und wodurch sie sich voneinander differenzieren. Die Objekteigenschaften werden als Features bezeichnet. In der industriellen Serienproduktion handelt es sich bei den zu greifenden Gegenständen – anders als in der Prototypenfertigung oder bei Sonderanfertigungen – immer um dieselben Teile. Beim Einrichten einer neuen Fertigungsstraße hat dies den Vorteil, dass die Features zum Unterscheiden der individuellen Objekte manuell anhand der Objekte generiert werden können. Das manuelle Feature Engineering nimmt unter Umständen Tage bis Wochen in Anspruch, muss jedoch nur einmal pro Produktionsstraße durchgeführt werden. Außerdem lässt sich das Machine-Vision-System optimal an die zu sortierenden Gegenstände anpassen.
Machine Learning hilft beim Erkennen der 3D-gedruckten Teile
SLS kommt meist nicht für die Serienfertigung zur Anwendung. Bei Dienstleistern wie Protiq werden jeden Tag hunderte unterschiedliche Bauteile hergestellt. Vor diesem Hintergrund erweist sich das manuelle Feature Engineering zur Aufteilung der jeweils aktuell produzieren Bauteile als unmöglich. Um trotzdem eine automatisierte Sortierung der gefertigten Bauteile auszuführen, müssen daher Ansätze des Maschinellen Lernens (ML) verwendet werden.
In der Bildverarbeitung ist die Nutzung maschineller Lernverfahren weit verbreitet. Mit dem Deep Learning (DL) empfiehlt sich ein Forschungsgebiet aus dem ML-Bereich für das Sortieranlagen-Szenario. DL-Systeme sind in der Lage, anhand von bestehenden Trainingsdaten zahlreiche nichtlineare Probleme selbständig zu erlernen. Das manuelle Feature Engineering entfällt somit. Auf der Grundlage der Trainingsdaten eignet sich das System stattdessen selbständig sogenannte Deep Features an. Diese werden im Fall der Sortierung so verinnerlicht, dass sich die einzelnen Objekte durch die Features sehr gut differenzieren lassen.
Protiq hat mit Deep Learning ein System entworfen, das die Unterscheidung der Bauteile täglich parallel zur realen Produktion erlernen kann. Der Lernprozess für die Erkennung startet für jeden Baujob automatisch und nutzt dafür die vorhandenen digitalen Daten (CAD). Die Einlernzeit ist je nach Anzahl verschiedener Objekte unterschiedlich, bewegt sich aber ungefähr zwischen einer halben Stunde und wenigen Stunden. Da die Produktion in der Regel etwa 16 Stunden oder mehr läuft, entsteht keine Zeitverzögerung durch das Einlernen.
Die additiv hergestellten Bauteile werden auf einer an der Sortierstation befindlichen Scanfläche durch industrielle Kameratechnik erfasst. Das trainierte System entscheidet dann auf der Grundlage des Bildes, um welches Bauteil es sich handelt. Anschließend können für jeden Auftrag die zugehörigen Bauteile auf der Scanfläche visuell markiert werden. Das Verfahren unterstützt folglich bei der Sortierung und reduziert ferner den manuellen Aufwand sowie das Fehlerpotenzial.
Hier finden Sie mehr über:
