Universität Stuttgart entwickelt adaptive Prozesssteuerung für LPBF

Experimenteller Aufbau zur Online-Überwachung des Laserprozesses. Über eine Magnetschwebebahn werden verschiedene Metalle in die Prozesskammer gefahren. Mithilfe des Mikrofons links im Bild kann anhand der akustischen Emissionen eindeutig zwischen den Werkstoffen unterschieden werden.

Beim Laser Powder Bed Fusion (LPBF)-Verfahren wird hochkohärentes Licht einer Laserquelle verwendet, um metallisches Pulver selektiv aufzuschmelzen und so einen lokalen Zusammenhalt zu schaffen. Durch die gezielte Bewegung des Fokuspunktes über das Pulverbett lassen sich komplexe dreidimensionale Geometrien erzeugen. Als Strahlführungseinheit werden üblicherweise Galvanometerscanner verwendet.

Der Schmelz- bzw. Erstarrungsprozess wird von vielen Faktoren beeinflusst, welche sich nur teilweise steuern lassen. Ein zentraler Parameter ist die Leistungsdichte, also die Energie pro Zeit und Volumen, welche in das Material eingetragen wird. Sie lässt sich präzise über die Laserleistung und die Vorschubgeschwindigkeit einstellen. Andere Einflussgrößen, wie Temperaturgradienten im Pulverbett oder Materialinhomogenitäten, sind mit gängigen Belichtungen und Steuerungen schwer bzw. gar nicht kontrollierbar. Untersuchungen haben gezeigt, dass gerade die nicht kontrollierbaren Größen den Prozess häufig negativ beeinflussen. Ein Großteil der Bauteilfehler ließe sich durch entsprechende Anpassung der steuerbaren Betriebsparameter vermeiden. Die Umsetzung einer solchen adaptiven Steuerung birgt jedoch zahlreiche Herausforderungen. Im Rahmen des Forschungsprojektes wird zunächst eine offene Steuerungsarchitektur implementiert, welche die Anpassung der Betriebsparameter für Laserquelle und Strahlführungseinheit in Echtzeit erlaubt. Im Anschluss werden Methoden zur Online-Prozessüberwachung untersucht, um Bauteilfehler wie Poren und Anbindungsfehler zur Laufzeit zu detektieren. Auf Basis des im Prozess ermittelten Zustandes lassen sich Optimierungsalgorithmen zur Anpassung der Betriebsparameter formulieren.

Um den hohen Dynamikanforderungen des Laserstrahlschmelzens gerecht werden zu können, ist eine spezielle Steuerungsarchitektur für Laserquelle und Scanner notwendig.

Offene Steuerungsarchitektur für die Lasermaterialbearbeitung

Um den hohen Dynamikanforderungen des Laserstrahlschmelzens gerecht werden zu können, ist eine spezielle Steuerungsarchitektur für Laserquelle und Scanner notwendig. In herkömmlichen LPBF-Maschinen werden hierfür echtzeitfähige Steuerkarten in Kombination mit einer Laserjob-Software verwendet. Innerhalb der Laserjob-Software werden vor Prozessbeginn Listen mit Sollwerten für Position und Laserleistung generiert und an die Steuerkarte gesendet. Diese gibt die Sollwerte zur Laufzeit mit einer zeitlichen Auflösung von bis zu 1.000 kHz aus. Eine nachträgliche Anpassung der Werte ist nicht vorgesehen. So besteht zur Laufzeit keine Möglichkeit, auf Prozessinstabilitäten zu reagieren.

Unter Berücksichtigung der gegebenen Problemstellung wurde am ISW eine Steuerungsarchitektur entwickelt, welche auf industrieller CNC-Technik basiert. Der wesentliche Unterschied zwischen beiden Systemen liegt im Zeitpunkt der Sollwertgenerierung. Bei der CNC-Steuerung werden die Sollwerte erst zur Laufzeit berechnet und an die Peripherie ausgegeben. Dadurch lassen sich adaptive Steuerungsalgorithmen sehr einfach integrieren.

Die Beauftragung eines Laserprozesses zu Beginn einer Schicht erfolgt durch die übergeordnete Maschinensteuerung via TCP/IP. Die Solltrajektorie des Tool-Center-Points und die Laserleistung sind in einem separaten G-Code der jeweiligen Schicht definiert. Der G-Code wird zur Laufzeit von der CNC interpretiert. Die in der CNC berechneten Sollwerte werden über das High-Level Interface von der SPS ausgelesen. Hier können Anpassungen basierend auf dem aktuell ermittelten Zustand vorgenommen werden. Anschließend erfolgt die Übersetzung der korrigierten Sollwerte in die für die Laserquelle und den Galvanometerscanner erforderlichen Signale. Ausgegeben werden die Signale über industrielle Standard-Busklemmen.

Die Architektur ermöglicht es, Sensoren zur Online-Überwachung des Ist-Zustandes direkt über die Busklemmen an die SPS anzubinden. Die Prozessüberwachung und Sollwertgenerierung werden dann innerhalb eines einzelnen Systems durchgeführt. Langfristig besteht die Möglichkeit, weitere Peripherie an die TwinCAT-SPS anzubinden, wodurch die Notwendigkeit einer übergeordneten Steuerung entfiele und sämtliche Komponenten der Anlage, inklusive Laserquelle und Strahlführungseinheit, innerhalb eines Systems gesteuert würden.

Offene Steuerungsarchitektur für eine LPBF-Maschine. Sollwerte für Laserquelle und Strahlführungseinheit werden erst zur Laufzeit berechnet, wodurch Anpassungen im Betrieb vorgenommen werden können.

Online-Prozessüberwachung

Um während des Prozesses auf mögliche Anomalien reagieren zu können, müssen diese zur Laufzeit detektiert werden können. Forschungsergebnisse haben gezeigt, dass beim Laserstrahlschmelzen akustische Emissionen entstehen, deren Charakteristik Rückschlüsse auf die Entstehung von Bauteilfehlern erlaubt. Aufgrund der hohen Abtastfrequenz eignet sich das Messmikrofon sehr gut zur Online-Überwachung hochdynamischer Laserprozesse. In einer Vorarbeit des ISW konnte gezeigt werden, dass sich anhand des akustischen Signals verschiedene metallische Werkstoffe eindeutig unterscheiden lassen. Das entwickelte Modell soll nun dazu verwendet werden, lokale Unterschiede in den Pulvereigenschaften während der Prozesslaufzeit zu identifizieren.

Ergänzend dazu soll die Schmelzbadtemperatur mithilfe eines Pyrometers überwacht werden. Dieses wird koaxial zum Bearbeitungslaser in den Strahlengang eingekoppelt und detektiert die von der Materialoberfläche ausgehende Wärmestrahlung. Auch hier lassen sich Abtastfrequenzen von über 160 kHz erreichen. Durch die Fusion und Auswertung beider Sensordaten sollen Bauteilfehler zuverlässig online detektiert werden.

Anpassen der Prozessparameter

Ein wesentlicher Forschungsinhalt ist die Entwicklung einer Strategie zur Anpassung der Prozessparameter. Die Herausforderung hierbei ist es, kritische Zustände frühzeitig, im Idealfall noch vor der Entstehung, zu erkennen. Hier sollen Algorithmen der Künstlichen Intelligenz helfen, Muster aus den Sensordaten zu extrahieren, welche in der Vergangenheit zu Bauteilfehlern geführt haben. Besonders geeignet für die Analyse von Zeitreihendaten sind rekurrente neuronale Netzwerke. Durch die prädiktive Zustandsbewertung lassen sich Prozessparameter rechtzeitig anpassen und Bauteilfehler gezielt vermeiden.