Automatische Fehlererkennung mit Röntgen-Computertomographie ermöglicht kostengünstigere Prüfung in der additiven Fertigung

EU-gefördertes Forschungsprojekt entwickelt Alternativen zur manuellen CT-Daten-Auswertung

Bei der zerstörungsfreien Prüfung mit der Röntgen-Computertomografie nimmt die manuelle Datenauswertung die meiste Zeit in Anspruch. Die automatische Fehlererkennung in CT-Daten bietet hingegen viel Potenzial, um Inspektionskosten zu senken und somit Additive Fertigung von Bauteilen wirtschaftlicher zu machen.

Ein Bremer Kooperationsprojekt erforscht deshalb Möglichkeiten, um mit Machine Learning Fehler in CT-Daten additiv gefertigter Bauteile zu erkennen. Für dieses Projekt arbeitet die Testia GmbH mit dem Faserinstitut Bremen sowie Kolbes Messtechnik zusammen. Dieses Vorhaben wird aus Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE) gefördert:

Seit Mai 2019 arbeiten die Partner gemeinsam am Projekt „Automatisierte Fehlerdetektion und Fehlerbewertung von Röntgen Computertomographie (CT) Daten hochkomplexer 3D Metall- und Faserverbundbauteilen“ (LURAFO2008A), das bis Herbst 2021 ausgelegt ist.

Ein ausführliches Projektporträt finden Sie auf der Webseite des EcoMaT (Center for Eco-efficient Materials & Technologies, dem Bremer Testia-Firmensitz).

Ziele des Forschungsvorhabens

  • Analyse und Qualifizierung des Kurzfaserspritzguss – und des 3D-Langfaserdruckprozesses mittels hochauflösender 3D-Röntgen Mikroskopie (XRM) und Röntgen-Computertomographie,
  • darauf aufbauend: Entwicklung einer automatischen Fehlererkennung in CT-Daten,
  • Untersuchung von Methoden der künstlichen Intelligenz zur automatisierten Defekterkennung,
  • Entwicklung von In-Line fähigen Prozesssicherungskonzepten für den 3D-Langfaserdruck

Die Testia GmbH ist dabei schwerpunktmäßig am zweiten und dritten Punkt beteiligt.

Kurzbeschreibung des Forschungsprojekts für Automatisierte Fehlerdetektion

Im Projekt sollen für 3D-Fertigungsverfahren In-Line-fähige Prozesssicherungskonzepte und Methoden für automatisierte Fehlerdetektion mit Röntgen-Computertomographie untersucht und entwickelt werden, u.a. basierend auf Machine-Learning-Methoden. Die hochkomplexen Bauteile sind für konventionelle zerstörungsfreie Prüf- und Analyseverfahren schwer zugänglich und stellen zugleich hohe Anforderungen an die In-Line- sowie In-Service-Qualitätssicherung. Dies betrifft nicht nur die Oberflächenqualität, sondern auch die strukturelle Integrität. Konsequente Überführung der Strukturen in den Luft- und Raumfahrtleichtbau beinhaltet zudem die Entwicklung und Validierung von an die Komplexität angepassten automatisierten Prüf- und Auswerteverfahren.