Titel: TWIN Project — Umwandlung komplexer Produktentwicklungsprozesse in wissensbasierte Dienstleistungen für die generative Fertigung

Projektdauer: Oktober 2019 – April 2023

Forschungsbereich: Manufacturing

Im Mittelpunkt des TWIN-Projekts steht der Entwicklungsprozess für die Herstellung von Prototypen mittels Laser-Pulver-Auftragschweißen (LPA) aus dem Bereich der generativen Fertigung (GM). Ziel ist es, die Automatisierung, Qualität, Zuverlässigkeit und Datenverfügbarkeit in der generativen Fertigung am Beispiel des LPA-Prozesses durch automatisierte Datenverarbeitung und maschinelle Lernverfahren zu erhöhen. Mit diesem ganzheitlichen Ansatz wird die Grundlage für neue intelligente Dienstleistungen gelegt.

Ziele

• Reduzierung der Anzahl der fehlerhaft gedruckten Teile
• Überwachung des Druckprozesses
• Vorausschauende Wartung von LPA-Maschinen

Praktische Beispiele

• Arbeitsprototyp zur Analyse eines 3D-Drucks im Laser-Pulverbett-Verfahren (LPBF)
• Vorausschauendes Wartungsmodell für LPA
• End-to-End-Verarbeitungspipelines von Bildern und Zeitreihendaten

Technologie

• Kubernetes, Docker, Kafka, MQTT
• Python, PyTorch, Typescript, Angular

Publikationen

• Bauer, M.; Uhrich, B.; Schäfer, M.; Theile, O.; Augenstein, C. and Rahm, E. (2023). Multi-Modal Artificial Intelligence in Additive Manufacturing: Combining Thermal and Camera Images for 3D-Print Quality Monitoring. In Proceedings of the 25th International Conference on Enterprise Information Systems – Volume 1: ICEIS; ISBN 978-989-758-648-4; ISSN 2184-4992, SciTePress, pages 539-546. DOI: 10.5220/0011967500003467
• Uhrich, B., Schäfer, M., Theile, O., Rahm, E. (2023). Using Physics-Informed Machine Learning to Optimize 3D Printing Processes. In: Correia Vasco, J.O., et al. Progress in Digital and Physical Manufacturing. ProDPM 2021. Springer Tracts in Additive Manufacturing. Springer, Cham. https://doi.org/10.1007/978-3-031-33890-8_18
• Markus Bauer, Christoph Augenstein, Martin Schäfer, Oliver Theile, Artificial Intelligence in Laser Powder Bed Fusion Procedures – Neural Networks for Live-Detection and Forecasting of Printing Failures., Procedia CIRP, Volume 107, 2022, Pages 1367-1372, ISSN 2212-8271, https://doi.org/10.1016/j.procir.2022.05.159.

Team

Projektleitung

Prof. Dr. Erhard Rahm

Universität Leipzig

Department of Computer Science, Datenbanken-Gruppe, Professur für Datenbanken

Projektmitarbeitende

Benjamin Uhrich

Universität Leipzig

Partner

• InfAI e.V.
• Fraunhofer IWS
• LASERVORM GmbH
• Siemens AG
• CPT Präzisionstechnik GmbH
• quapona technologies GmbH
• Leipzig University