Mobile-Menu

Forschungsprojekt SKZ entwickelt Prüftechnik für den FDM-3D-Druck

Von Dipl.-Ing. Dorothee Quitter |

Anbieter zum Thema

SAB Bröckskes GmbH & Co KG
Trebing & Himstedt Prozeßautomation GmbH & Co. KG
TXOne Networks
SKZ - Das Kunststoff-Zentrum

Um Fehler im FDM-3D-Druckprozess frühzeitig erkennen zu können, entwickelt das Süddeutsche Kunststoffzentrum (SKZ) eine zerstörungsfreie Inline-Prüftechnik auf Basis der passiven Thermografie.

Temperaturverlauf eines fehlerfreien und eines fehlerhaften Druckbereichs (links) und Falschfarbenbild einer Thermografie Aufnahme während der FFF (rechts)
Temperaturverlauf eines fehlerfreien und eines fehlerhaften Druckbereichs (links) und Falschfarbenbild einer Thermografie Aufnahme während der FFF (rechts)
(Bild: SKZ)

Je mehr die Nachfrage nach additiv gefertigten Bauteilen steigt, umso dringlicher ist eine besser werdende Qualitätskontrolle in der Produktion. Besonders bei großvolumigen 3D-gedruckten Bauteilen sind auftretende Fehler mit hohen Zeiteinbußen verbunden. Eine kontinuierliche und quantifizierende Prozesskontrolle ist deshalb perspektivisch unverzichtbar. Bei der Fused Filament Fabrication (FFF), auch Fused Deposition Modeling genannt, weist die Thermografie aufgrund der Kombination der Messung der Filamenttemperatur und der großflächigen Abbildung des Druckobjekts große Potenziale auf. Das SKZ entwickelt deshalb eine Inline-Messtechnik basierend auf passiver Thermografie, die eine dauerhafte Kontrolle der mittels FFF hergestellten Bauteile ermöglichen soll.

Wie das SKZ mitteilt, konnte bereits gezeigt werden, dass sich gezielt erzeugte Fehlermerkmale in den aufgenommenen Temperaturverläufen zuverlässig erkennen lassen. Klassische Fehlermerkmale wie Unterextrusion oder eine schlechte Schichthaftung ließen sich durch Abweichungen in den Abkühlkurven klar von den Referenzschichten unterscheiden. Die generierten Messdaten können anhand klassischer Auswertealgorithmen in fehlerbehaftete und fehlerfreie Bereiche eingeteilt werden und bilden damit die Grundlage eines Datensatzes zum Training eines neuronalen Netzes, heißt es. Dadurch werde eine Klassifizierung in i.o. und n.i.o. Objekte ermöglicht.

(ID:48800320)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte