Datenbasierte Prüfplanung in der Additiven Fertigung

Die Prüfplanung definiert Prüfmerkmale, -verfahren und -umfänge entlang der Wertschöpfungskette. In der industriellen Praxis läuft diese häufig erfahrungsbasiert ab, was zu hohen Prüfaufwänden führt. Mit zunehmender Digitalisierung gewinnen wissens- und datenbasierte Ansätze an Bedeutung, um Prüfpläne effizienter zu gestalten [1]. In der spanenden Fertigung wurden Qualitätsmerkmale bereits auf Basis von Prozess-, Simulations- und Qualitätsdaten prognostiziert. Auch adaptive Strategien, bei denen Prüfentscheidungen auf Modellvorhersagen basieren, zeigen Potenzial [2; 3].

Für die additive Fertigung existieren Ansätze zur Defekt­erkennung und Prozessüberwachung, jedoch kaum zur Integra­tion datenbasierter Vorhersagen in eine industrielle Prüfplanung [4–6]. Ziel ist daher, Bauteile bereits in der Planungsphase anhand weniger verfügbarer Daten hinsichtlich ihres Qualitäts­risikos zu klassifizieren und den Prüfplan adaptiv anzupassen. Hierzu werden Fertigungs- und Qualitätsdaten in eine modell­basierte Risikobewertung überführt. Bauteile mit prognostiziert ausreichender Qualität können mit reduziertem Prüfaufwand freigegeben werden, während bei erhöhtem Risiko weiterhin eine konventionelle Prüfung stattfindet, Bild 1.

Modellbildung zur Reduktion 
des Prüfaufwands

Für die Modellbildung wurde ein von der toolcraft AG bereitgestellter Datensatz mit 105 LPBF-Proben verwendet, gefertigt auf einer „TruPrint 3000“ von Trumpf. Die Bauteile aus Inconel 718 wurden als identische Schliffstäbe an definierten Positionen auf der Bauplattform angeordnet. Als Eingangsgröße dient der radiale Abstand r zur Plattformmitte, da positionsabhängige thermische Randbedingungen zu variierenden Prozessbedingungen führen und die Defektentstehung beeinflussen können [7].

Die Qualität wird anhand metallographischer Schliffe bewertet, bei denen Poren, Lunker und Bindefehler als Anomalien erfasst werden. Die Anomaliedichte beschreibt die Anzahl detek­tierter Defekte pro Schlifffläche und dient als Zielgröße für die ­Modellbildung, Bild 2. Zur Klassifikation wurde das obere Quartil der Anomaliedichte als kritischer Schwellenwert definiert, um Bauteile mit hoher Defektausprägung abzugrenzen und eine ausreichende Klassendynamik zu gewährleisten.

Es wurden vier Klassifikationsverfahren des maschinellen Lernens untersucht: L2-regularisierte logistische Regression, Random Forest, Support Vector Machine (SVM, RBF-Kernel) und histogrammbasiertes Gradient-Boosting. Die Modelle wurden mittels fünffacher Kreuzvalidierung bewertet, um Überanpassung zu vermeiden. Die Optimierung folgte einer sicherheitsorientierten Strategie mit mindestens 80 % Erkennungsrate kritischer Bauteile bei minimaler Prüfquote [8].

Zur Modellbewertung wurden ROC-Kurven (Receiver Operating Characteristic) verwendet, die die Richtig-Positiv-Rate (richtig erkannte kritische Bauteile) der Falsch-Positiv-Rate (fälschlich als kritisch eingestufte unkritischer Bauteile) gegenüberstellen, Bild 3. Die Fläche unterhalb der Kurve (Area under the Curve, AUC) beschreibt die Fähigkeit des Modells, kritische und unkritische Bauteile zu unterscheiden. Random Forest erzielt mit einer AUC von 0,74 die beste Modellgüte, während logistische Regression und SVM ähnliche Werte erreichen. Das Gradient-Boosting-Modell zeigt eine geringere Modellgüte und liegt näher am Zufallsklassifikator, bedingt durch die geringe Datensatzgröße.

Für die industrielle Anwendung in der Prüfplanung ist vor ­allem der resultierende Prüfumfang entscheidend. Daher wurde analysiert, wie sich die Klassifikation der Modelle auf die Anzahl zu prüfender Bauteile auswirkt. Diese Bewertung erfolgt auf Basis einer aggregierten Konfusionsmatrix, die korrekt und falsch klassifizierte Bauteile gegenüberstellt.

Ergebnisse

Am Beispiel des Random-Forest-Modells zeigt sich, dass von 105 Bauteilen 41 unkritische Bauteile korrekt als unkritisch klassifiziert werden, während 37 unkritische Bauteile als kritisch eingestuft werden. Gleichzeitig werden 22 kritische Bauteile korrekt erkannt, während fünf kritische Bauteile fälschlich als unkritisch bewertet werden, Bild 4.

Eine 100 %-Prüfung entspricht einer Strategie, bei der alle Bauteile als prüfpflichtig und somit auch unkritische Bauteile als kritisch behandelt und geprüft werden. Im Vergleich dazu reduziert die modellbasierte Prüfplanadaption den Prüfumfang um ­etwa 44 %. Es werden zwar teilweise unkritische Bauteile als ­kritisch eingestuft, was auf wenige Eingangsgrößen und den kleinen Datensatz zurückzuführen ist. Dennoch können Bauteile mit prognostiziert geringem Qualitätsrisiko von zusätzlichen Prüfungen ausgenommen werden, sodass Prüfressourcen eingespart ­werden. Die Ergebnisse zeigen, dass auf Basis der Modellvor­hersagen eine Adaption des Prüfplans und somit eine Reduktion des Prüfaufwands möglich ist.

Ausblick

Zukünftige Arbeiten sollten zusätzliche Prozess- und Maschinendaten sowie größere Datensätze integrieren, um die Modellgüte weiter zu erhöhen. Perspektivisch kann der Ansatz auf additiv-subtraktive Prozessketten übertragen werden, um eine datenbasierte Adaption der Prüfplanung entlang der gesamten Fertigungskette zu ermöglichen.

Literatur

[1] Spath, D.; Bös, K (1994).: Integration der Qualitäts- und Prüfplanung in die Produktentwicklung und Arbeitsplanung (VDI-Berichte Nr. 1106). VDI-Verlag, Düsseldorf, S. 335 – 351.
[2] Denkena, B.; Wichmann, M.; Reuter, R. (2023): Adaptive inspection planning using a digital twin for quality assurance. Procedia CIRP, 120: S. 3-8.
[3] Denkena, B.; Wichmann, M.; Reuter, R. (2023): Kostenvorteile durch adaptive Prüfplanung. Zeitschrift für wirtschaftlichen Fabrikbetrieb 117, S. 178–181.
[4] Grasso, M.; Colosimo, B.M. (2017): Process defects and in situ monitoring methods in metal powder bed fusion: a review. Additive Manufacturing, 17, S. 151–170.
[5] Everton, S.K. et al. (2016): Review of in-situ process monitoring and in-situ metrology for metal additive manufacturing. Materials & Design, 95, S. 431–445.
[6] Tapia, G.; Elwany, A. (2014): A review on process monitoring and control in metal-based additive manufacturing. Journal of Manufacturing Science and Engineering, 136 (6).
[7] Pal, S. et al. (2021): The effects of locations on the build tray on the quality of specimens in powder bed additive manufacturing. International Journal of Advanced Manufacturing Technology, 112, S. 1159–1170.
[8] Masing, W.: Prüfrisiko. Qualität und Zuverlässigkeit 15 (1970) 8, S. 191–192.

Autoren

Prof. Dr.-Ing. Berend Denkena leitet seit 2001 das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) der Leibniz Universität Hannover.
Dr.-Ing. Klaas Maximilian Heide promovierte 2025 
an der Universität Hannover und ist seit 2025 Bereichsleiter am IFW.
Sarah Andrews, M. Sc., ist seit 2024 wissenschaftliche ­Mitarbeiterin am IFW.
Marius Bürlein ist seit 2022 Projektkoordinator im Bereich 
der Forschungs- und Technologieförderung bei der toolcraft AG.
Maximilian Seßner, M. Eng., studierte Werkstofftechnik an der Technischen Hochschule Nürnberg und ist seit 2022 Werkstofftechniker beziehungsweise Prozess­entwickler LPBF bei der toolcraft AG.