Optimierung additiver Druckprozesse durch sequenzielle Anwendung von statistischer Versuchsplanung und ML-Algorithmen zur Modellerstellung

Abstract

In der additiven Fertigung (AM) sind experimentelle Tests für die Prozessqualifizierung unerlässlich, da die Qualität der Teile von komplexen Wechselwirkungen zwischen zahlreichen Prozessparametern abhängt. Diese Tests sind oft zeitaufwändig und kostspielig. Um diesen Aufwand zu reduzieren, werden auf der Grundlage experimentell erhobener Daten Vorhersage- und Regressionsmodelle entwickelt. Traditionell wird die statistische Versuchsplanung (DoE) verwendet, wobei häufig multiple polynomielle Regressionen mit dem Methode der kleinsten Quadrate zur Schätzung der Modellkoeffizienten eingesetzt wird [1]. Mit der Datenverfügbarkeit sind allerdings neue Methoden zur Modellerstellung und Ergebnisvorhersage wie Machine Learning (ML) Algorithmen bekannt geworden. Beide Ansätze weisen unterschiedliche Vorteilen zur Modellierung und Auswertung auf. Zu den Vorteilen der DoE zählen beispielsweise ein mathematisch verwendbares Modell, die Berechnung der Relevanz / Gewichtung der Eingangsvariablen auf das Ergebnis und eine statistische Absicherung des Modells [2]. Durch klassische ML Methoden werden komplexere Zusammenhänge modelliert und Variablenkombinationen flexibel ausgewertet [3]. Die Vorteile der DoE, stellen sich als Nachteile der ML Modelle heraus und vice versa.

Der Forschungsschwerpunkt soll auf dem Wechselspiel von klassischer statistischer Versuchsplanung und Machine Learning Methoden zur Erhöhung der Prognosegenauigkeit oder Reduzierung des Versuchsumfangs von Modellen liegen. Dabei sollen komplementäre Zusammenhänge erforscht und Auswertungsstrategien anhand von Prozessen in der Additiven Fertigung optimiert werden.