Simulation des Wegs zu konsistenten 3D-gedruckten Teilen

Prozesssimulationsfunktionen in 3DXpert tragen dazu bei, kostspielige Baufehler zu vermeiden. Bild mit freundlicher Genehmigung von Oqton.

Die additive Fertigung (AM) hat als praktikable Alternative für die Herstellung von Teilen in Produktionsqualität erhebliche Fortschritte gemacht. Doch trotz der Fortschritte bei der 3D-Druck-Hardware und der Software zur Optimierung von Designs für die AM-Ausgabe wächst die Nachfrage nach Werkzeugen, die AM-Prozesse überwachen und simulieren können, um eine konsistente und wiederholbare Qualität und Teileleistung sicherzustellen.

Die Lücke beginnt sich zu schließen, da Unternehmen neue Angebote für Prozesssimulation und In-situ-Überwachung einführen, die 3D-Druckfachleuten wertvolle Einblicke in die Modifizierung von Druckparametern und Materialeigenschaften geben, um qualitativ hochwertige Teile im großen Maßstab zu erhalten. Es ist einfach nicht praktikabel, sich die Zeit zu nehmen und die Ressourcen aufzuwenden, um den perfekten Parametersatz für den Druck einer Handvoll maßgeschneiderter Teile oder Prototypen zu iterieren. Dieser Prozess hält im Hinblick auf Effizienz oder Kapitalrendite (ROI) bei der Orchestrierung begrenzter oder vollständiger Produktionsläufe einfach nicht stand.

Viele Unternehmen, die mit AM beginnen, erwarten, dass der Prozess linear verläuft, vom Entwurf eines Teils bis zum lokalen Drucken, und das alles innerhalb einer relativ kurzen Zeitspanne.

„Die Realität sieht ganz anders aus – es gibt Bereiche, in denen Iterationen einfach vorherrschend sind“, sagt Doug Kenik, Leiter Produktmanagement für Software bei Markforged.

Kenik war zuvor CEO bei Teton Simulation, das im vergangenen April von Markforged übernommen wurde. Seine cloudbasierte Simulationssoftware, die die Validierung automatisiert und die Leistung von AM-Teilen optimiert, ist jetzt in die Metall- und Kohlefaser-AM-Plattform von Markforged Digital Forge integriert.

In der Vergangenheit war es eher ein Ratespiel, die Fähigkeit eines 3D-gedruckten Teils zu bewerten, wie spezifiziert zu funktionieren, aber Simulation, einschließlich Prozesssimulationssoftware, ändert diese Gleichung.

„Viele Leute werfen jetzt einen Pfeil und schauen, ob etwas funktioniert. Wenn nicht, gehen sie zurück und entwerfen es neu oder ändern etwas am Aufdruck und versuchen es erneut“, sagt Kenik. „Die andere Möglichkeit besteht darin, es vollständig zu drucken, aber das ist eine Verschwendung von Material und Zeit. Die Simulation löst dieses Problem – sie sagt Ihnen, ob etwas funktioniert oder nicht, bevor Sie es drucken, anstatt es physisch durch Drucken und Testen zu durchlaufen.“

Während Topologieoptimierung und Software für generatives Design die Fähigkeit verbessern, Designs für AM anzupassen, und neue Tools zur Prozessüberwachung Ingenieuren dabei helfen, eine schichtweise Inspektion des Bauprozesses durchzuführen, besteht immer noch ein großer Unterschied zwischen der Erfassung all dieser Daten und ihrer tatsächlichen Nutzung Produzieren Sie zuverlässig und qualitativ hochwertige Teile. Das Problem liegt größtenteils in der mangelnden Integration zwischen den verschiedenen Softwaretools und 3D-Druckerplattformen, sagt Brad Rothenberg, CEO von nTopology, das speziell auf AM abgestimmte Konstruktionssoftware vermarktet.

Eine direkte implizite Verbindung zwischen nTopology und EOSPRINT ermöglichte es Siemens Energy, einen bisher nicht druckbaren industriellen Wärmetauscher herzustellen. Bild mit freundlicher Genehmigung von nTopology.

„Die Teile sind alle da – die Kernfrage ist, wie diese Teile zusammenpassen“, sagt er. „Speziell bei Prozessüberwachungstools sammeln wir alle Daten, aber die Frage kommt darauf an, wie wir die Daten nutzen und umsetzbar machen. Wie können wir aus diesen Daten lernen, um bessere und schnellere Designentscheidungen zu treffen und Produkte zu entwickeln, die es sind.“ zuverlässiger, mit besserer Leistung und zu geringeren Kosten?“

Materialise geht einige dieser Probleme an, zuletzt mit einer neuen Prozessüberwachungslösung für den 3D-Metalldruck sowie einem Toolkit, mit dem die Bauparameter eines Druckers geändert werden können, um eine gleichmäßigere Qualität zu erzielen. Beide Angebote sollen AM-Anwendern dabei helfen, Fehlkonstruktionen, versteckte Defekte und standardmäßige 3D-Druckparameter zu vermeiden, die für ihre AM-Anwendungen nicht geeignet sind und zu einer Verschwendung von Maschinenzeit, Material und Nachbearbeitungskapazität führen.

Materialise Process Control ist in die 3D-Drucksoftwareplattform CO-AM integriert und nutzt KI zur Automatisierung der Qualitätskontrolle. Bild mit freundlicher Genehmigung von Materialise.

„Im Idealfall produziert ein Drucker immer wieder das gleiche Bauteil, aber bei manchen Bauteilen ist das nicht der Fall“, sagt Bart Van der Schueren, Chief Technology Officer bei Materialise. „Während des Auftragens der Pulverschicht kann alles Mögliche passieren und oft ist es etwas, was niemand während des Prozesses sehen kann.“

Die neue Prozesssteuerungslösung von Materialise nutzt künstliche Intelligenz (KI), um Schichtdaten aus dem 3D-Druckprozess zu analysieren und zu korrelieren. So können Benutzer fehlerhafte Teile identifizieren, bevor sie zur Nachbearbeitung oder Qualitätsprüfung geschickt werden, was nach Schätzungen des Unternehmens 30 % ausmachen kann 70 % der gesamten Herstellungskosten eines Teils. Durch die Zusammenarbeit mit Phase3D und Sigma Additive Solutions, beide Anbieter von In-situ-AM-Prozessinspektionslösungen, integriert Materialise ergänzende Daten, die tiefere Einblicke in den 3D-Druckprozess ermöglichen.

Die Phase3D-Partnerschaft fügt Höhenkartierung hinzu, eine Form topografischer Schichtdaten, und Sigma Additive Solutions liefert thermische Daten aus dem Schmelzbad, um die 3D-Druckqualität zu optimieren.

Materialise kündigte außerdem das Build Processor Software Development Kit (SDK) an, das Maschinenbauern und Kunden eine offene Entwicklungsplattform bietet, damit sie Build-Prozessoren einfacher erstellen und anpassen können, um ihren spezifischen Kompromiss zwischen Kosteneffizienz und Teilequalität zur Massenunterstützung zu erreichen AM-Produktion.

Van der Schueren sagt, dass die wertvollsten Informationen, die Benutzer aus der Prozessüberwachung gewinnen können, nicht unbedingt eine In-situ-Korrektur auf Schicht-für-Schicht-Basis sind, sondern eher die Untersuchung der Gesamtheit der Bilder und eine globale Sichtweise. Es sei auch wichtig, die Daten und Erkenntnisse als Teil einer ganzheitlichen Plattform und nicht in einzelnen Silos auszuwerten, sagt er. Zu diesem Zweck verfügen die Prozesssteuerungslösung und zukünftige Angebote über eine vollständige Konnektivität zur offenen CO-AM-Softwareplattform des Unternehmens für die Verwaltung des gesamten AM-Prozesses.

„Man muss den gesamten Prozess ganzheitlich betrachten und von der Datenaufbereitung bis hin zur Dateikomponenten- und Teileprüfung alles berücksichtigen“, sagt er.

Hexagon Manufacturing Intelligence nutzt Simulation und Modellierung, um das Problem der AM-Teilequalität anzugehen. Das Unternehmen hat mit Druckerherstellern zusammengearbeitet, um die Kombination spezifischer Materialien und AM-Prozesse als Teil seiner Multiskalen-Materialmodellierungsplattform Digimat zu validieren.

In einem solchen Beispiel arbeitete das Unternehmen mit Stratasys zusammen, um das Verhalten der leistungsstarken, leichten Antero-verstärkten Polyetherketonketon-Materialien (PEKK) von Stratasys und seiner spezifischen AM-Prozesse zu erfassen. Durch diese Bemühungen erhalten AM-Kunden validierte Simulationsmodelle, die dabei helfen, die Leistung von mit PEKK und zugelassenen Stratasys-Druckern gedruckten Teilen vorherzusagen, ohne dass physischer Zeit- und Kostenaufwand für die physische Prototypenerstellung anfallen würde.

Im Metallbereich hat Hexagon Manufacturing Intelligence eine Partnerschaft mit Raytheon Technologies für ein Multiskalen-Simulationstool geschlossen, das seine Prozesssimulationssoftware Simufact Additive ergänzen und im November verfügbar sein wird.

Durch die Kombination von Technologien von Hexagon und Raytheons Pratt & Whitney-Geschäft entwickeln die Partner ein Tool, das den thermischen Verlauf und Defekte auf der Laserpfad- und Pulverschichtskala vorhersagt, um Kombinationen von Materialien, Geometrien und Druckprozessen zu testen und so bessere Druckergebnisse und Teileintegrität zu erzielen. Laut Mathieu Perennou, globaler Strategie- und Geschäftsentwicklungsdirektor für additive Fertigung bei Hexagon Manufacturing Intelligence.

„Dadurch können Benutzer Prozesse verbessern und den Modellen Feedback geben, um eine genauere Teileleistung zu berechnen“, sagt Perennou.

Das Hexagon-Portfolio umfasst außerdem VGSTUDIO Max von Volume Graphics, das zur Qualitätsprüfung eine Computertomographie-Scananalyse an gedruckten Teilen durchführt und so sicherstellt, dass Defekte wie Porositäten umgehend erkannt werden. Dieser Teil des Arbeitsablaufs ermöglicht auch die „Injektion“ der Porositätskarte in ein Finite-Elemente-Analysemodell (FEA) zur weiteren Teilleistungsanalyse, sagt Perennou.

Obwohl die AM-Prozesssimulation auf Makroebene Herstellbarkeitsprüfungen ermöglicht, liefert sie derzeit keine ausreichenden Daten zur Qualität des produzierten Materials – ein kritisches und einzigartiges Element des AM-Prozesses und eine Hürde, die die AM-Einführung einschränkt, insbesondere in stark regulierten Branchen wie die Luft- und Raumfahrt.

„Eine Simulation im Mikromaßstab liefert genaue Informationen über die Qualität des während des Druckprozesses hergestellten Materials, aber solche FEA-Ansätze sind sehr rechenintensiv und erfordern lange Lösungszeiten“, sagt Perennou.

Derzeit „werden sie typischerweise auf Coupon-Ebene durchgeführt und sind daher in einer industriellen Umgebung nur schwer auf ein komplettes Teil zu skalieren.“

Tatsächlich sind die riesigen Datensätze, die von Prozesssimulationstools gesammelt werden, einer der größten Engpässe bei der Umsetzung von Erkenntnissen zur Feinabstimmung von AM-Prozessen, sagt Daeho Hong, Produktmanager bei nTopology.

Er stellt sich eine Zukunft vor, in der In-situ-Überwachungsfunktionen nicht nur dazu genutzt werden, Änderungen an 3D-Druckprozessen oder Werkzeugwegen vorzuschlagen oder zu automatisieren, sondern vielmehr auf der Designebene angewendet werden. Um diese Art von Arbeitsablauf zu unterstützen, müssen komplexe Teilegeometriedaten direkt in die 3D-Drucker-Hardware integriert werden, ohne dass eine Vernetzung erforderlich ist – ein Anwendungsfall, der für die impliziten Modellierungsfunktionen von nTopology prädestiniert ist, sagt er.

„Stellen Sie sich einen vollständigen digitalen Thread für Design und Fertigung vor, der so eng miteinander verbunden ist, dass das, was Sie aus der Versuchsplanung lernen, in das Design einfließen kann“, erklärt Rothenberg. „Der Umgang mit großen Datenmengen ist das entscheidende Problem, das angegangen werden muss.“

nTopology arbeitet derzeit mit Siemens Energy an einem interoperablen Datenaustauschmechanismus, der seine impliziten Designfähigkeiten nutzt, um komplexe Geometrie auf einfache und skalierbare Weise auf EOS-Drucker zu übertragen. Die Funktion, die nTopology-Kunden zur Verfügung gestellt wird, werde derzeit erweitert, um in Zukunft zusätzliche 3D-Druck-Hardware zu unterstützen, sagt er.

Letztendlich wird es wichtig sein, den Kreislauf zu schließen, damit die Erkenntnisse aus der In-situ-Prozessüberwachung automatisch und direkt die Parameter und die Leistung von 3D-Druckern beeinflussen können. Aufgrund proprietärer Druckerarchitekturen und der relativen Unausgereiftheit der aktuellen Technologie ist dies derzeit jedoch schwierig.

„Es ist ein Henne-Ei-Problem – jeder Maschinenhersteller hat einen anderen Ansatz und die Summe dieser Ansätze führt zu Komplexität“, sagt Fabian Grupp, Produktmarketingmanager für industrielle AM ​​bei Oqton.

In der Zwischenzeit kann ein ganzheitlicher Ansatz, der durch ein Hybriddesign für AM-Umgebungen wie 3DXpert in Kombination mit dem Oqton Manufacturing Operating System ermöglicht wird, Unternehmen dabei helfen, eine konsistente AM-Ausgabe durch Funktionen zu maximieren, die das Entwerfen von Stützstrukturen, das Simulieren von Builds, das Berechnen von Scanpfaden und die Optimierung der Anordnung umfassen Plattform bauen. Über jegliche Technologieinvestitionen hinaus müssen Unternehmen dedizierte Ressourcen für AM bereitstellen und die Unterstützung des Managements auf höchster Ebene gewinnen.

„Für die Einführung von AM als vollwertige Fertigungsstrategie mit erfolgreicher Skalierbarkeit sind dedizierte Ressourcen erforderlich“, sagt Grupp.

Beth Stackpole ist Redakteurin bei Digital Engineering. Senden Sie eine E-Mail zu diesem Artikel an [email protected].