DE102021116167A1

DE102021116167A1 - Vorrichtung zur additiven Fertigung eines Produkts und Verfahren zur Überwachung einer additiven Fertigung eines Produkts

Info

Publication number: DE102021116167A1
Application number: DE102021116167.3A
Authority: DE
Inventors: gleich Anmelder Erfinder
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-06-22
Filing date: 2021-06-22
Publication date: 2023-01-12

Abstract

Eine Vorrichtung zur additiven Fertigung eines Produkts, umfasst:
eine Maschine zur Herstellung des Produkts über einen Zeitraum in einem vorgegebenen Herstellungsprozess,
eine Vielzahl von Sensoren zur Ermittlung von einer Vielzahl von Sensor- und/oder Ereignisdaten während des Zeitraums des Herstellungsprozesses des Produkts, und
eine Überwachungseinrichtung, die dazu ausgebildet ist, während des Zeitraums und in Abhängigkeit von zumindest einem Teil der Sensor- und/oder Ereignisdaten mittels einer künstlichen Intelligenz einen Fehler im Herstellungsprozess zu detektieren und als Antwort auf das Detektieren des Fehlers während des Zeitraums einen Abbruch des Herstellungsprozesses zu initiieren.

Description

Die vorliegende Erfindung betrifft eine Vorrichtung zur additiven Fertigung eines Produkts und ein Verfahren zur Überwachung einer additiven Fertigung eines Produkts.
Insbesondere im industriellen Kontext wird 3D-Druck auch als additive Fertigung oder in Englisch auch als additive manufacturing bezeichnet. Bei der additiven Fertigung entsteht das Produkt, indem Schicht für Schicht Material aufgetragen wird. Es wird somit ein Schichtbauprinzip angewandt. Dadurch lassen sich sehr komplexe Strukturen realisieren. Außerdem gibt es kaum Designbeschränkungen.
Die additive Fertigung eines Produkts kann in einem stundenlangen Fertigungsprozess erfolgen. Dabei können Probleme während des Fertigungsprozesses auftreten, die zu einem fehlerhaften Produkt und somit zu Ausschuss führen.
Der vorliegenden Erfindung liegt als eine Aufgabe zugrunde, eine Vorrichtung bzw. ein Verfahren zur additiven Fertigung eines Produkts bereitzustellen, wobei eine verbesserte Überwachung des Herstellungsprozesses des Produkts ermöglicht wird.
Die Aufgabe wird gelöst durch eine Vorrichtung mit den Merkmalen von Anspruch 1 bzw. durch ein Verfahren mit den Merkmalen von Anspruch 8. Bevorzugte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
Eine erfindungsgemäße Vorrichtung zur additiven Fertigung eines Produkts umfasst: eine Maschine zur Herstellung des Produkts über einen Zeitraum in einem vorgegebenen Herstellungsprozess,
eine Vielzahl von Sensoren zur Ermittlung von einer Vielzahl von Sensor- und/oder
Ereignisdaten während des Zeitraums des Herstellungsprozesses des Produkts, und eine Überwachungseinrichtung, die dazu ausgebildet ist, während des Zeitraums und in Abhängigkeit von zumindest einem Teil der Sensor- und/oder Ereignisdaten mittels einer künstlichen Intelligenz einen Fehler im Herstellungsprozess zu detektieren und als Antwort auf das Detektieren des Fehlers während des Zeitraums einen Abbruch des Herstellungsprozesses zu initiieren.
Die Überwachungseinrichtung ermöglicht eine Überwachung des Herstellungsprozesses in Abhängigkeit von Sensor- und/oder Ereignisdaten und unter Verwendung der künstlichen Intelligenz. Dabei können Fehler im Herstellungsprozess identifiziert und noch während des Zeitraums, in welchem der Herstellungsprozess erfolgt, kann ein Abbruch des Herstellungsprozesses realisiert werden. Dadurch kann neben einer Zeitersparnis auch Material, welches ohne Abbruch in einem fehlerhaften Herstellungsprozess weiter verbaut wird, eingespart werden.
Die Überwachungseinrichtung kann insbesondere so ausgestaltet sein, dass mittels der künstlichen Intelligenz Fehler im Herstellungsvorgang detektiert werden, die zu Ausschuss führen, während geringfügige Fehler, die nicht zu Ausschuss führen, auch nicht zu einem Abbruch führen bzw. diesen nicht initiieren.
Die künstliche Intelligenz kann mittels Trainingsdaten aus einer Vielzahl von Herstellungsvorgängen trainiert worden sein. Die Vorgänge, die während der Überwachung eines Herstellungsprozesses in der künstlichen Intelligenz ablaufen, können in der Regel nicht im Einzelnen nachverfolgt werden. Die künstliche Intelligenz kann vielmehr als Blackbox betrachtet werden, der während eines Herstellungsprozesses kontinuierlich oder zu einigen Zeitpunkten zumindest ein Teil der verfügbaren Sensor- und/oder Ereignisdaten als Eingangsgrößen zugeführt werden und die dann entscheidet, ob ein Fehler im Herstellungsprozess vorliegt, der zu einem Abbruch des Herstellungsprozesses führen sollte. Dabei ist nicht erforderlich, dass die künstliche Intelligenz den Fehler als solchen identifiziert. Zumindest in manchen Ausführungsformen ist es vielmehr ausreichend, wenn die künstliche Intelligenz im Ergebnis feststellt, dass ein Abbruch des Herstellungsvorgangs initiiert werden sollte. Dies bedeutet dann implizit, dass irgendein nicht näher spezifizierbarer Fehler im Herstellungsvorgang aufgetreten ist.
Die Überwachungseinrichtung kann dazu ausgebildet sein, insbesondere unter Verwendung der künstlichen Intelligenz, eine sich über den Zeitraum ändernde Prognosegüte des Herstellungsprozesses zu ermitteln und den Abbruch des Herstellungsprozesses nur dann zu initiieren, wenn die Prognosegüte einen vorgegebenen Schwellwert überschreitet. Damit kann die Wahrscheinlichkeit verringert werden, dass ein fälschlicherweise als „falsch“ bzw. „fehlerhaft“ angenommener Herstellungsvorgang abgebrochen wird.
Die Überwachungseinrichtung kann dazu ausgebildet sein, den Abbruch des Herstellungsprozesses nur dann zu initiieren, wenn die verstrichene Zeitdauer des Herstellungsprozesses eine vorgegebene Zeitdauer überschreitet. Die vorgegebene Zeitdauer kann einige Stunden, wie etwa 3, 4, 5 oder 6 Stunden, betragen. Die vorgegebene Zeitdauer kann von der künstlichen Intelligenz oder einer anderen, insbesondere zu Trainingszwecken eingesetzten künstlichen Intelligenz, bestimmt werden, zum Beispiel anhand von Prognoseergebnissen und in Abhängigkeit von unterschiedlichen Produktionsphasen in dem Produktionsprozess. Damit kann die Wahrscheinlichkeit verringert werden, dass ein fälschlicherweise als „falsch“ bzw. „fehlerhaft“ angenommener Herstellungsvorgang abgebrochen wird, da mit zunehmender Zeitdauer die von der künstlichen Intelligenz vorgenommene Prognose über den Herstellungsprozess besser wird.
Die künstliche Intelligenz kann von der Überwachungseinrichtung, insbesondere einem Computersystem der Überwachungseinrichtung, bereitgestellt und/oder ausgeführt werden. Alternativ kann die künstliche Intelligenz in einer Cloud bereitgestellt werden, wobei die Überwachungseinrichtung mit der Cloud in Kommunikationsverbindung steht.
Die künstliche Intelligenz kann auf einer Vielzahl von Trainingsrohdaten basieren, die von einer Vielzahl, insbesondere mehr als 1000, von additiven Herstellungsprozessen in verschiedenen Maschinen zur additiven Fertigung stammen. Mit den Trainingsrohdaten kann die künstliche Intelligenz oder alternativ eine andere künstliche Intelligenz trainiert worden sein. Die Verwendung einer großen Anzahl von Trainingsrohdaten aus verschiedenen Herstellungsprozesses von unterschiedlichen Maschinen verbessert die Prognosefähigkeit der künstlichen Intelligenz.
Die Trainingsrohdaten können eine Vielzahl von Zeitreihen umfassen, wobei eine jeweilige Zeitreihe der Aufzeichnung von Sensor- und/oder Ereignisdaten über der Zeit eines Sensors während eines additiven Herstellungsprozessen in einer Maschine zur additiven Fertigung entspricht, und wobei jede Zeitreihe in eine Anzahl von Zeitabschnitten, die unterschiedliche Abschnitte eines jeweiligen Herstellungsprozesses betreffen, unterteilt sind.
Die Zeitreihen, die die Trainingsrohdaten bilden, lassen sich insbesondere in beliebig viele relative (prozentual) und absolute (in Zeiteinheiten, zum Beispiel in Minuten) Zeitintervalle aufteilen. Aus diesen aufgeteilten Zeitreihen lassen sich dann Attribute extrahieren. Dabei können die Trainingsrohdaten in eine einzelne, kompakte Datei zu einer Vielzahl von Attributen aggregiert werden. Mit dieser Datei kann dann ein Lernalgorithmus bzw. eine künstliche Intelligenz trainiert werden.
Nach einer bevorzugten Ausgestaltung der Erfindung weist die Vorrichtung einen Bildschirm aufweist, und die Überwachungseinrichtung ist dazu ausgebildet, einem Benutzer während des Herstellungsprozesses Informationen über den Herstellungsprozess anzuzeigen, wobei die Überwachungseinrichtung ferner ausgebildet ist, als Antwort auf das Detektieren des Fehlers während des Zeitraums dem Benutzer einen Abbruch des Herstellungsprozesses visuell vorzuschlagen.
Die Überwachungseinrichtung kann somit als eine Art Frühwarnsystem in der Vorrichtung dienen. Die Überwachungseinrichtung kann zum Beispiel innerhalb der ersten 3-6 Stunden eines Herstellungsvorgangs eine valide Vorhersage über einen ungeplanten Ausfall erzeugen. Über den Bildschirm kann eine Visualisierung erfolgen, zum Beispiel in Form eines Cockpits für den Maschinenbediener oder das Maschinenleitstandpersonal. Neben reinen Informationen zur Prognose des Baujobverlaufs können auf dem Bildschirm weitere Informationen angezeigt werden. Zum Beispiel kann eine Ampel mit den Farben grün, gelb und rot angezeigt werden. Je nach verwendeter Farbe kann die Ampel anzeigen, wie sicher eine Entscheidung zu einem Abbruch eines Herstellungsprozesses zu einem aktuellen Zeitpunkt ist.
Grün steht beispielsweise für eine hohe Wahrscheinlichkeit von über 80 %. Diese Information hilft den Maschinenbetreibern in der Abwägung, ob der Herstellungsprozess tatsächlich abzubrechen ist.
Auf dem Bildschirm kann auch eine erklärende Darstellung von wichtigen Attributen erfolgen, die maßgeblich die Entscheidung des Lernverfahrens bei der künstlichen Intelligenz beeinflusst haben. Wenn es sich bei den relevanten Attributen um sensor- und zustandsbezogene Attribute handelt, kann ein manueller Eingriff durch Nachjustieren oder Überprüfen des jeweiligen Sensors sinnvoll sein. Wenn es sich andererseits um zeitbezogene Attribute handelt, die auf Probleme aufgrund der Komplexität der Bauteile hinweisen, sind dies bevorzugt Informationen, um die Datenvorbereitung für den nächsten Herstellungsprozess zu verbessern.
Die Maschine der Vorrichtung kann ein Bauraumvolumen aufweisen, in welchem das Produkt additiv gefertigt werden kann, wobei die Maschine ferner eine Zufuhreinrichtung zur Zufuhr von Material zur Fertigung des Produkts aufweist.
Die Maschine kann einen oder mehrere Laser zur Produktfertigung aufweisen. Zur additiven Fertigung zählt im Rahmen der vorliegenden Offenbarung auch das Laserstrahlschmelzen, das auf einer zumindest partiellen Verschmelzung von feinem Pulver in einem Pulverbett beruht. Insbesondere kommen hierbei Metalle oder Legierungen zum Einsatz. Derartige Laserstrahlschmelzverfahren sind daher auch als „laser-based powder bed fusion of metals“ bzw. als PBF-LM/M-Systeme oder Verfahren bekannt.
Bei der additiven Fertigung kann es sich um eine metallbasierte additive Fertigung handeln. Das Material, aus dem das Produkt hergestellt ist, kann somit ein Metall oder eine Legierung aufweisen oder daraus bestehen. Alternativ kann es sich um eine kunststoffbasierte additive Fertigung handeln.
Die Erfindung betrifft auch ein Verfahren zur Überwachung einer additiven Fertigung eines Produkts, bei dem:

in einer Maschine das Produkt über einen Zeitraum in einem vorgegebenen Herstellungsprozess additiv gefertigt wird,
eine Vielzahl von Sensor- und/oder Ereignisdaten während des Zeitraums des Herstellungsprozesses des Produkts erfasst werden, und
während des Zeitraums des Herstellungsprozesses in Abhängigkeit von zumindest einem Teil der Sensor- und/oder Ereignisdaten mittels einer künstlichen Intelligenz ein Fehler im Herstellungsprozess detektiert wird und als Antwort auf das Detektieren des Fehlers während des Zeitraums ein Abbruch des Herstellungsprozesses initiiert wird.

Es kann vorgesehen sein, dass eine sich über den Zeitraum ändernde Prognosegüte des Herstellungsprozesses ermittelt wird, und dass der Abbruch des Herstellungsprozesses nur zu einem Zeitpunkt im Herstellungsprozess initiiert wird, wenn die Prognosegüte einen vorgegebenen Schwellwert überschreitet.
Es kann vorgesehen sein, dass der Abbruch des Herstellungsprozesses nur zu einem Zeitpunkt im Herstellungsprozess initiiert wird, wenn dieser Zeitpunkt eine vorgegebene Zeitdauer überschreitet.
Die Sensor- und/oder Ereignisdaten können auch Sensor oder Ereignisdaten sein. Die Ereignisdaten können auch von einer anderen Einrichtung als ein Sensor gewonnen oder bereitgestellt werden. Ereignisdaten sind zum Beispiel die Dauer der Beschichtung oder Belichtung. Ereignisdaten können daher indirekt auch das Bauteil charakterisieren. Sie können in manchen Ausführungsformen für die Vorhersage sogar eine größere Wirkung als die reinen Sensordaten haben.
Die künstliche Intelligenz kann auf Trainingsrohdaten basieren, aus denen eine Vielzahl von, insbesondere vorgegebenen, Attributen extrahiert sind. Falls mittels der künstlichen Intelligenz ein Abbruch des Herstellungsverfahrens initiiert wird, kann das Verfahren ferner umfassen, das eine Visualisierung, insbesondere mittels des Bildschirms der Vorrichtung, der Entscheidung der künstlichen Intelligenz erfolgt. Dabei gibt es bereits verschiedene Möglichkeiten, die Entscheidungen eines Blackbox Modells, wie die künstliche Intelligenz, nachzuvollziehen. Insbesondere kann das Verfahren umfassen, dass eine Visualisierung anhand der Wichtigkeit der Attribute, an denen sich die künstliche Intelligenz orientiert hat, erfolgt.
Beispielsweise kann dabei ein sogenanntes SHAP Verfahren zum Einsatz kommen (SHAP = Shapley additive explanations).
Die Erfindung betrifft auch ein Computerprogrammprodukt mit Befehlen, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, ein erfindungsgemäßes Verfahren auszuführen oder das auf einem maschinenlesbaren Speichermedium gespeichert ist.
Die Erfindung betrifft außerdem ein Verfahren zur Erzeugung einer Überwachungseinrichtung, insbesondere für eine Vorrichtung zur additiven Fertigung eines Produkts, wobei das Verfahren folgendes umfasst:

Bereitstellen einer Vielzahl von Trainingsrohdaten, die von einer Vielzahl, insbesondere mehr als 1000, von additiven Herstellungsprozessen in verschiedenen Maschinen zur additiven Fertigung stammen,
Extrahieren einer Vielzahl von, insbesondere vorgegebenen, Attributen aus den Trainingsrohdaten,
Trainieren einer künstlichen Intelligenz mit den anhand zumindest mancher der Attribute und/oder Ausprägungen der Attribute.

Das Verfahren kann umfassen, dass die Trainingsrohdaten einen zeitlichen Verlauf wiedergeben und die Trainingsrohdaten unter Berücksichtigung des jeweiligen zeitlichen Verlaufs, den sie wiedergeben, in relative und/oder absolute Zeitintervalle aufgeteilt werden. Das Extrahieren der Vielzahl von, insbesondere vorgegebenen, Attributen aus den Trainingsrohdaten erfolgt dabei bevorzugt anhand der in Zeitintervalle aufgeteilten Trainingsrohdaten. Die Aufteilung in relative Zeitintervalle kann prozentual erfolgen, insbesondere bezogen auf die Gesamtzeit eines zeitlichen Verlaufs. Bei einer Aufteilung in absolute Zeitintervall kann zum Beispiel eine Aufteilung in minutenlange Zeitintervalle erfolgen.
Das Verfahren kann umfassen, dass eine Selektion der Attribute ausgeführt wird, nach denen die Trainingsrohdaten extrahiert werden. Die Selektion der Attribute kann umfassen, dass für die Trainingsrohdaten ein Ranking nach Korrelation mit einem vorgegebenen Zielattribut, beispielsweise „Herstellungsprozessabbruch ja/nein“, und der Stabilität des Attributs durchgeführt wird. Softwaretools zur Durchführung eines derartigen Rankings sind kommerziell verfügbar.
Das Verfahren kann umfassen, dass die Trainingsrohdaten eine Vielzahl von Zeitreihen umfassen, wobei eine jeweilige Zeitreihe der Aufzeichnung von Sensor- und/oder Ereignisdaten über der Zeit eines Sensors während eines additiven Herstellungsprozesses in einer Maschine zur additiven Fertigung entspricht, und wobei jede Zeitreihe in eine Anzahl von Zeitabschnitten, die unterschiedliche Abschnitte eines jeweiligen Herstellungsprozesses betreffen, unterteilt wird.
Das Verfahren kann umfassen, dass eine Anzahl an vorgegebenen Attributen einer bestimmten Datenbasis, zum Beispiel ein 40% Zeitintervall der Produktionsphase, als Datenbasis für ein Prognosemodell verwenden wird. Softwaretools zur Durchführung eines derartigen Prognosemodells sind kommerziell verfügbar.
Das Durchführen des Prognosemodells kann die Verwendung von wenigstens einer Prognosegüte, zum Beispiele einen sogenannten ROC Wert oder einen sogenannten AUC Wert, umfassen. Eine hohe Prognosegüte, zum Beispiel vom über 80%, ist ein Indiz für eine hohe Zuverlässigkeit einer Vorhersage, die anhand der Trainingsdaten erstellt wird. Durch die Verwendung der Prognosegüte kann ein Zeitintervall in einem Herstellungsprozess festgelegt werden, ab dem hohe Prognosegütewerte und damit eine hohe Verlässlichkeit der Vorhersage erreicht werden können. Es wird somit möglich, einen Zeitpunkt in einem Herstellungsprozess zu finden, ab dem sinnvollerweise in den Herstellungsprozess eingegriffen werden sollte, um diesen gegebenenfalls zu stoppen.
Die Erfindung wird nachfolgend beispielhaft und unter Bezugnahme auf die beigefügten Zeichnungen näher beschrieben. Es zeigen, jeweils schematisch,

1 ein Blockdiagramm einer Variante einer erfindungsgemäßen Vorrichtung zur additiven Fertigung eines Produkts,
2 eine Übersicht zur Zusammensetzung von aggregierten Attributen aus Trainingsrohdaten,
3 eine Darstellung zur Erläuterung des Aufbaus der Bezeichnung eines Attributs,
4 eine Illustration zur Attributsauswahl,
5 eine Illustration zur Vorgehensweise bei einer Modellauswahl durch Attributsauswahl, Modellbildung und -vergleich mit nachfolgender Modelloptimierung,
6 eine Übersicht von Prognoseergebnissen in Abhängigkeit einer jeweiligen Produktionsphase,
7 ein Beispiel zur Illustration der Nachvollziehbarkeit und Visualisierung einer Entscheidnungsfindung,
8 ein Beispiel eines SHAP-Summary-Plots mit den wichtigsten Attributen und deren Einfluss auf eine Entscheidungsfindung, und
9 ein Beispiel einer Bildschirmdarstellung auf einem Bildschirm einer Vorrichtung zur additiven Fertigung eines Produkts.

Die in 1 gezeigte Vorrichtung 11 ist zur additiven Fertigung eines Produkts 13 vorgesehen. Die Vorrichtung umfasst eine Maschine 15 mit einem Bauraum 17, in welchem das Produkt 13 additiv über einen Zeitraum und gemäß einem vorgegebenen Herstellungsprozess hergestellt werden kann. Zur Herstellung können ein oder mehrere Laser 19 zum Einsatz kommen, so dass insbesondere ein Laserstrahlschmelzvorgang zur additiven Fertigung des Produkts 13 durchgeführt werden kann. Dabei erfolgt eine zumindest partielle Verschmelzung von feinem Pulver in einem Pulverbett innerhalb des Bauraums 17, wobei als Materialien insbesondere Metalle oder Legierungen zum Einsatz kommen.
Die Vorrichtung 11, insbesondere die Maschine 15, umfasst eine Vielzahl von Sensoren 21 zur Ermittlung von einer Vielzahl von Sensor- und/oder Ereignisdaten während des Zeitraums des Herstellungsprozesses des Produkts 13. Außerdem umfasst die Vorrichtung 11 eine Überwachungseinrichtung 23, die dazu ausgebildet ist, während des Zeitraums der Durchführung eines Herstellungsvorgangs bzw. - prozesses und in Abhängigkeit von zumindest einem Teil der von den Sensoren 21 gelieferten Sensor- und/oder Ereignisdaten mittels einer künstlichen Intelligenz 25 einen Fehler im Herstellungsprozess zu detektieren und als Antwort auf das Detektieren des Fehlers während des Zeitraums einen Abbruch des Herstellungsprozesses zu initiieren.
Bei der dargestellten Vorrichtung 11 wird die künstliche Intelligenz 25 von einem Computersystem 27 der Überwachungseinrichtung 23 ausgeführt. Alternativ kann die künstliche Intelligenz 25 auch in eine Cloud ausgelagert sein (nicht dargestellt).
Die Vorrichtung 11 umfasst außerdem einen Bildschirm 29, mittels dem gegebenenfalls ein Vorschlag zum Abbruch des Herstellungsprozesses einer Bedienperson angezeigt werden kann.
Der Produktionsprozess für das Produkt 13 kann mehrere Stunden dauern, und die Zuverlässigkeit einer Vorhersage der künstlichen Intelligenz 25, dass ein Herstellungsprozess abgebrochen oder weitergeführt werden soll, nimmt mit steigender Zeit zu. Daher kann die Überwachungseinrichtung 23 dazu ausgebildet sein, insbesondere unter Verwendung der künstlichen Intelligenz 25, eine sich über den Zeitraum der Produktherstellung ändernde Prognosegüte des Herstellungsprozesses zu ermitteln und den Abbruch des Herstellungsprozesses nur dann zu initiieren, wenn die Prognosegüte einen vorgegebenen Schwellwert überschreitet. Alternativ oder zusätzlich kann die Überwachungseinrichtung 23 dazu ausgebildet sein, einen Abbruch des Herstellungsprozesses nur dann zu initiieren, wenn die bereits verstrichene Zeitdauer des Herstellungsprozesses eine vorgegebene Zeitdauer, zum Beispiel 6 Stunden, überschreitet.
Die Überwachungseinrichtung 23 dient als eine Art Frühwarnsystem zur Überwachung von Herstellungsprozessen in der Maschine 15 und initiiert gegebenenfalls den Abbruch des Produktionsvorgangs. Die von der Überwachungseinrichtung 23 eingesetzte künstliche Intelligenz 25 basiert auf Trainingsrohdaten, aus denen eine Vielzahl von, insbesondere vorgegebenen, Attributen extrahiert sind.
2 zeigt eine Übersicht zur Zusammensetzung von aggregierten Attributen aus Trainingsrohdaten. Die Trainingsrohdaten stammen von einer Vielzahl von Herstellungsprozessen von unterschiedlichen Vorrichtungen zur additiven Fertigung.
Insbesondere können die untersuchten Daten auf unterschiedlichen Herstellungsprozessen (auch Baujobs genannt) aus einem aktiven Produktionsumfeld mit einer stark diversifizierten Anwender- und Maschinenkonfigurationsbasis stammen. Die Trainingsrohdaten umfassen insbesondere Sensor- und/oder Ereignisdaten, die ein detailliertes Bild aller prozess- und komponentenrelevanten Zustände geben können und damit Rückschlüsse auf Prozessschwankungen und den Baujobausgang erlauben. Die Aufzeichnung der Sensorwerte kann pro Sekunde als Zeitreihe erfolgen. Zusätzlich können die Beschichtungs-, Belichtungs- sowie Wartezeiten pro Bauschicht vorliegen. Alle Daten können bestimmten Maschinenseriennummern und einer verwendeten Pulverlegierung zugeordnet werden.
Die Aggregation aller Rohdaten erfolgt über die Erzeugung einer Vielzahl von Attributen. 2 illustriert insbesondere, wie die Rohdaten in einzelne Attribute und zu einer aggregierten Gesamtdatei umgewandelt werden.
Nicht alle Attribute besitzen den gleichen Informationsgehalt zur Lösung eines Klassifikationsproblems. Aus diesem Grund können Attribute definieren werden, die eine bestmögliche Klassifikation des Produktionsverlaufs ermöglichen. Im ersten Schritt wird festgelegt, in welche sinnvollen Zeitabschnitte die vorhandenen Rohdaten für die Berechnung der Attribute aufgespaltet werden sollen. Je früher ein Ausfall prognostizierbar ist, desto höher ist der betriebswirtschaftliche Vorteil. Aus diesem Grund werden bei dem beschriebenen Beispiel die vorhandenen Baujobdaten in relative Zeitsegmente zwischen 2 und 720 Minuten und absolute Zeitsegmente in 20%-Schritten unterteilt, um die Prognosegüten je Segment miteinander vergleichen zu können. Im Rahmen einer deskriptiven Statistik erfolgt dann die Berechnung von statistischen Kennzahlen, um Gesetzmäßigkeiten bei zeitlichen Entwicklungen oder das Abhängigkeitsausmaß zwischen zwei Größen zu analysieren. Ein Skript, zum Beispiel in der Sprache Python, liest automatisiert innerhalb der jeweiligen Zeitabschnitte der Aufwärm- und Produktionsphase alle Ausprägungen der einzelnen Attributsklassen aus und berechnet die jeweilige statistische Kennzahl. 2 visualisiert zusammenfassend diese Systematik. Als Ausgabe kann eine mehrere hundert Megabyte große CSV-Datei mit über 13.000 Attributen vorgesehen sein, die sich auf die verschiedenen zu untersuchenden Zeitintervalle für die Modellbildung aufteilen lassen.
3 illustriert die Bezeichnung eines Attributes. Diese umfasst eine Bezeichnung der Fertigungsphase, des Kernattributes, des Zeitintervalls, und einer statistischen Kennzahl, wie zum Beispiel „stdev“ für Standardabweichung.
Eine hohe Anzahl an Attributen kann komplexere Modelle hervorrufen und zu Überanpassung führen. Aus diesem Grund kann eine Attributsselektion durchgeführt werden. Wie 4 zeigt, kann mittels Datenfilterung ein Ranking nach Korrelation mit dem Zielattribut (Baujobstopp ja/nein) und der Stabilität des Attributs erfolgen.
Für die Berechnung eines geeigneten Vorhersagemodells kann sich die Vorgehensweise in zwei Abschnitte gliedern, wie mit Bezug auf 5 erläutert wird. Zunächst erfolgt eine Modellerstellung für verschiedene Lernverfahren basierend auf der Datenbasis eines Zeitintervalls, zum Beispiel des Zeitintervalls bis 40 %, der Baujob-Produktionsphase. Mit Hilfe geeigneter Gütemaße ist die Performance der verschiedenen Modelle gegenüberzustellen, um das beste Modell zu identifizieren. Für die Modellierung der verschiedenen Lernverfahren kann kommerzielle Software zum Einsatz kommen. Im einem weiteren Schritt gilt es, das beste Modell weiter zu optimieren und auf jedes einzelne Zeitintervall anzuwenden. Dafür wird eine auf das Modell zugeschnittene Attributsselektion durchgeführt, die im Wesentlichen auf der Korrelation der Attribute mit der Zielvariable sowie der Stabilität der Ausprägungen beruht. Im Anschluss daran sind die Prognosegüten jedes Zeitintervalls einander gegenüberzustellen, um eine potentielle Verbesserung der Güte zu überprüfen.
Für eine Vorauswahl eines am besten geeigneten Modells ist es sinnvoll, die richtige Vergleichsmethodik zu wählen. Dafür können sinnvolle Gütemaße genutzt werden, die einen Vergleich der unterschiedlichen Modelle gewährleisten. Es können die Prognosegenauigkeit („Accuracy“, ACC) sowie die Darstellung und Berechnung einer ROC-Kurve („Receiver Operating Characteristic“) und die AUC-Fläche („Area Under the Curve“) als Qualitätsmaßstäbe gewählt werden. Die ROC-Kurve stellt alle möglichen Konfigurationen eines prädiktiven Modells im Sinne der sich daraus ergebenden Kombinationen aus einer Falsch-Positiv-Rate und einer Falsch-Negativ-Rate grafisch dar. Die Trefferquoten für die jeweilige Konfiguration unter Berücksichtigung der genutzten Schwellenwerte („Threshold“-Werte) lassen sich in einer sogenannten „Konfusions-Matrix“ vorab berechnen und ablesen. Die Interpretation der ROC-Kurve ähnelt der des bekannten Gini-Koeffizienten und gibt an, wie gut das Modell Ereignisse unterschiedlicher Klassen voneinander unterscheiden kann. Der AUC-Wert berechnet sich mittels der Trapezmethode. Diese kalkuliert den Flächeninhalt unterhalb der ROC-Kurve als Summe der Flächen von Einzeltrapezen. Ziel der Modelloptimierung kann es sein, für ein vorab gewähltes „Gradient Boosted Tree“-Modell die bestmöglichen Gütemaße zu erreichen. Das Modell kann für jedes einzelne Zeitintervall der Produktionsphase optimiert und angewendet werden. Mit Hilfe von Algorithmen, zum Beispiel aus der XGBoost-Bibliothek für Python, kann ein dreistufiges Vorgehen erfolgen. Im ersten Schritt sind die optimalen Hyperparameterwerte zu berechnen. Im Anschluss folgt die Selektion der wichtigsten Attribute und schließlich die Berechnung der Prognosegenauigkeit sowie der AUC-Werte. XGBoost ist eine Software-Bibliothek mit Algorithmen des maschinellen Lernens für Gradient Boosting. Ziel kann die Optimierung des Verfahrens zur Erreichung einer höheren Effizienz, Flexibilität und Übertragbarkeit sein. Vor der eigentlichen Modellerstellung können die optimalen Modellparameter bestimmt werden. Im Wesentlichen handelt es dich dabei um die Anzahl der Bäume, die Tiefe der Baumstruktur sowie die Lernrate.
Zum Beispiel kann die Lernrate als ein optimaler Hyperparameter mit XGBoost ermittelt werden. Dieser Parameter beeinflusst die Prognosegüte und die Geschwindigkeit des Lernens. Übliche Werte liegen zwischen 0,1 und 0,3 sowie kleiner 0,1. Ein Vergleich von Testdaten-Ergebnissen zeigt bei einer Lernrate von 0,05 einen AUC-Wert von 0,87. Ist die Lernrate kleiner als 0,05 oder größer 0,1, nimmt der AUC-Wert ab. Ein ähnliches Bild zeigt die Auswirkung auf die Prognosegenauigkeit. Das vorangegangene Beispiel für die Bestimmung einer optimalen Lernrate wird für alle anderen Hyperparameter wiederholt. Mit diesen Werten erfolgt im Anschluss die Auswahl der Attribute, indem sie nach ihrer relativen Wichtigkeit sortiert und die weniger wichtigen Attribute Schritt für Schritt reduziert werden. Am Ende der Schleifenoperation wird die Anzahl der Attribute ausgegeben, die eine optimale Prognosequalität erreichen.
Beispielsweise führt dieses Verfahren in den ersten 20% der Produktionsphase bei einem beispielhaften Produktionsprozess zu 872 Attributen. 6 stellt die Ergebnisse aller auf XGBoost basierenden Berechnungen der
gewählten Hyperparameter, Anzahl der Attribute und der erzielten Gütemaße dar. Die Aufteilung erfolgt horizontal in den oberen Block mit den absoluten Zeitsegmenten in Minuten und den unteren prozentualen Segmenten der Produktionsphase. Für die Datenbasis aller Attribute, die zum Beispiel in den
ersten 20 % der Produktionsphase aufgezeichnet wurden, ergibt sich für den Hyperparametersatz (150/10/0,1) eine Prognosegenauigkeit i. H. v. 82,22 % mit einem AUC-Wert von 0,87. Als Grundlage zur Erzielung dieser Werte dienen in diesem Fall 872 ausgewählte Attribute. Es ist ersichtlich, dass die Schwelle von einer akzeptablen- hin zu einer exzellenten Prognosequalität (AUC-Wert)
zwischen den ersten 180 bis 360 Minuten (3 bis 6 Stunden) der Produktionsphase liegt.
6 zeigt insbesondere, dass die Qualität der Prognosen kontinuierlich mit einem fortschreitenden Zeitverlauf der Baujobfertigung zunimmt. Die Ergebnisse nach zwei Minuten Produktionszeit mit einer Genauigkeit von 62,62 % und einer AUC von 0,65 ergaben keine ausreichende Qualität der Vorhersage von ungeplanten Ausfällen. Die Ergebnisse verbessern sich jedoch innerhalb der ersten 3 bis 6 Stunden der Produktionsphase auf ein Niveau von über 0,80 AUC. Zusammenfassend zeigen die AUC-Ergebnisse, dass der Schwellenwert für eine akzeptable bis exzellenten Prognosequalität innerhalb der ersten 3 bis 6 Stunden erreicht werden kann. Bei einer durchschnittlichen Dauer eines Baujobs von knapp 2 Tagen (42 Stunden) lohnt sich auf den ersten Blick ein präventiv erzwungener Baujobabbruch.
Für eine Anwendung im realen Produktionsumfeld kann es wichtig sein, eine Visualisierung der Entscheidung des Lernverfahrens anzubieten. Dabei gibt es verschiedene Möglichkeiten, die Entscheidungen eines Blackbox Modells nachzuvollziehen. Viele Verfahren visualisieren anhand der Wichtigkeit der Attribute an denen sich das Lernverfahren orientiert hat, die Entscheidung. Für die beispielhaften Visualisierungen der 7 und 8 wurde das SHAP Verfahren verwenden.
Wie insbesondere mit Bezug auf die 2 bis 8 beschrieben wurde, kann eine künstliche Intelligenz entwickelt werden, die als künstliche Intelligenz 23 im Rahmen der beispielhaften Vorrichtung 11 gemäß 1 zum Einsatz kommen kann. Dadurch können ungeplante Ausfälle, insbesondere metallbasierter, additiver Fertigungssysteme, die auch als PBF-LB/M-Systeme (Englisch:

Laser-based powder bed fusion of metals) bezeichnet werden, zu Beginn der Produktionsphase vorhergesagt werden. Dies kann zu erheblichen Kosteneinsparungen führen. Als Grundlage für die künstliche Intelligenz 23 dienten beispielsweise umfassende Datenbestände mehrerer tausend Baujobs von PBF-LB/M-Systemen, die Metallbauteile aus stark diversifizierten Industriebereichen gefertigt haben. Im Rahmen eines Modellvergleiches wurde die beste Prognosegüte mit dem „Gradient Boosted Tree“-Modell identifiziert und anschließend mit XGBoost optimiert. Dies kann zu einer exzellenten Prognosequalität in den ersten 3-6 Stunden der Produktionsphase führen. Auf dieser Grundlage können Kosteneinsparungen von 10- 40 % erreicht werden. Mithilfe von SHAP-Visualisierungen ist der Entscheidungsprozess des Black-Box-Modells nachvollziehbar.

Wie ferner mit Bezug auf 9 erläutert wird, können auf dem Bildschirm 29 eine oder mehrere Anzeigen in Bezug auf einen Herstellungsprozess erfolgen. Gemäß einer kann ein Abbruch oder eine Weiterführung eines Baujobs empfohlen werden.
Gemäß kann eine Ampel mit den Farben grün, gelb und rot angezeigt werden. Je nach verwendeter Farbe kann die Ampel anzeigen, wie sicher eine Entscheidung zu einem Abbruch eines Herstellungsprozesses zu einem aktuellen Zeitpunkt ist. Grün steht beispielsweise für eine hohe Wahrscheinlichkeit von über 80%. Diese Information hilft den Maschinenbetreibern in der Abwägung, ob der Herstellungsprozess tatsächlich abzubrechen ist.
Falls mittels der künstlichen Intelligenz ein Abbruch des Herstellungsverfahrens initiiert wird, kann das Verfahren ferner umfassen, das eine Visualisierung, insbesondere mittels des Bildschirms der Vorrichtung, der Entscheidung der künstlichen Intelligenz erfolgt. Die Visualisierung kann in einer erfolgen. Die Visualisierung kann dabei einer Darstellung gemäß 8 entsprechen.
Bezugszeichenliste

11: Vorrichtung
13: Produkt
15: Maschine
17: Bauraum
19: Laser
21: Sensoren
23: Überwachungseinrichtung
25: künstliche Intelligenz
27: Computersystem
29: Bildschirm
31: Abbildung
33: Abbildung
35: Abbildung

Weitere Ausführungsformen und Ausgestaltungen der Erfindung werden in der nachfolgend angefügten wissenschaftlichen Schrift beschrieben.
Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme
Kurzfassung
Die vorliegende Arbeit zeigt, dass mit Hilfe von künstlicher Intelligenz ungeplante Ausfälle metallbasierter additiver Fertigungssysteme (PBF-LB/M-Systeme, Engl.: Laser-based powder bed fusion of metals) zu Beginn der Produktionsphase vorhergesagt werden können und zu erheblichen Kosteneinsparungen führen. Die wirtschaftlichen Auswirkungen wurden durch ein neues Kostenmodell zusammengefasst und in einem Analytics-Projekt nach der CRISP-DM-Vorgehensweise angewandt. Als Grundlage dienten umfassende Datenbestände mehrerer tausend Baujobs von PBF-LB/M-Systemen, die Metallbauteile aus stark diversifizierten Industriebereichen gefertigt haben. Im Rahmen eines Modellvergleiches wurde die beste Prognosegüte mit dem „Gradient Boosted Tree“-Modell identifiziert und anschließend mit XGBoost optimiert. Dies führte zu einer exzellenten Prognosequalität in den ersten 3-6 Stunden der Produktionsphase. Auf dieser Grundlage konnten Kosteneinsparungen von 10-40 % nachgewiesen werden. Mithilfe von SHAP-Visualisierungen ist der Entscheidungsprozess des Black-Box-Modells nachvollziehbar. Der notwendige Datenaustausch zwischen allen Teilnehmern der additiven Wertschöpfungskette zur Realisierung solcher Analytics-Projekte kann weitere Wettbewerbsvorteile erzeugen und damit der additiven Fertigung den Weg zur industriellen Massenproduktion ebnen.
1 Problemstellung und Stand der Technik
Die vollständige Kontrolle des PBF-LB/M-Prozesses und der Maschinenperformance ist aufgrund des komplexen Zusammenspieles von zahlreichen Wirkungszusammenhängen, Materialeigenschaften und Maschineneinstellungen sehr anspruchsvoll. Die damit in Verbindung stehenden direkten und indirekten Auswirkungen auf die Kosten für den Anwender spielen eine wesentliche Rolle für den Erfolg der Technologie in der Zukunft. Nach Expertenmeinung müssen Ausschussraten und ungeplante Ausfälle additiver Systeme in den nächsten Jahren stark gesenkt werden [Lan17]. Umfangreiche Studien zum Einsatz von PBF-LB/M-Systemen in der industriellen Serienfertigung im Automobilbereich fordern robuste Produktionsprozesse mit konstanten Prozessbedingungen und damit eine Reduktion der Bauteilkosten [Mei18]. Die Nutzung von Überwachungsdaten ist für eine prozesssichere Fertigung zur Optimierung der PBF-LB/M Maschinen- und Anlagentechnik notwendig [Ric19]. Untersuchungen von Sensordaten in Bezug auf die PBF-LB/M-Maschinenzustände sind in der Literatur bisher selten vertreten. Das Fraunhofer IPK hat fehlerhafte Maschinenzustände mit Hilfe von Sensorprotokolldaten analysiert. Durch Clusterverfahren wurde ein Zusammenhang von Baujobunterbrechungen mit fehlerhaften Druck-, Temperatur-, Sauerstoffwerten nachgewiesen mit dem Ziel Zustandsüberwachungssysteme zu entwickeln [Uhl18]. Im Rahmen von Predictive Analytics sind Verfahren wie neuronale Netze, Bayes-Klassifikatoren und der Bildung optimaler Cluster zum Einsatz gekommen [Uhl17]. In den aufgeführten Arbeiten sind weder die Prognostizierbarkeit von ungeplanten Ausfällen noch deren betriebswirtschaftlichen Auswirkungen ausführlich beleuchtet worden. Basierend auf einer umfangreichen Erfassung mehrerer tausend Sensordaten aus PBF-LB/M-Systemen wurden im Rahmen dieser Forschungsarbeit ungeplante Produktionsausfälle hinsichtlich ihrer Prognostizierbarkeit genauer untersucht.
2 Betriebswirtschaftliche Bewertung ungeplanter Ausfälle
Das primäre Ziel eines Data-Mining-Projektes ist nicht ausschließlich das Trainieren eines Prognosemodells, sondern die Entwicklung eines Modells, welches die betriebswirtschaftliche Zielstellung erfüllt [Nis09].
Auf Basis bestehender Kostenmodelle [Gru15] wurde ein auf ungeplante Ausfälle spezialisiertes Modell abgeleitet ( ). Prinzipiell besteht eine Aufteilung in die direkten und indirekten Kostenarten mit einer Zuordnung zur jeweiligen Prozessphase. Beide Kostenarten zusammen ergeben die Gesamtkosten für einen ungeplanten Produktionsausfall k_uA.
Abbildung 1: SIEHE FIG. 10
3 Datenbasis
Im Rahmen dieser Arbeit wurde eine große Anzahl an PBF-LB/M-Baujobprotokollen im fünfstelligen Bereich über einen Zeitraum von drei Jahren zusammengetragen und analysiert. Nach einer Bereinigung aller verfügbaren Daten standen über 6.600 Baujobs von 246 Maschinen zur weiterführenden Datenanalyse zur Verfügung. Die meisten Maschinentypen unterscheiden sich hauptsächlich einerseits durch ihr Bauraumvolumen von gerundet 2.000, 30.000 sowie 50.000 cm³ und andererseits durch die Anzahl der installierten Laser. In über 80% aller Baujobs sind die Legierungen AISi10Mg, 1.4404, 1.2709 und TiAl6V4 zum Einsatz gekommen. Expertengespräche sowie eine Überprüfung der Daten haben ergeben, dass Produktionsunterbrechungen ein immer wiederkehrendes Problem darstellen. Die untersuchten Daten beruhen auf Baujobs aus einem aktiven Produktionsumfeld mit einer stark diversifizierten Anwender- und Maschinenkonfigurationsbasis.
Die Sensordaten geben ein detailliertes Bild aller prozess- und komponentenrelevanten Zustände und ermöglichen damit Rückschlüsse auf Prozessschwankungen und den Baujobausgang. Tabelle 1 zeigt einige wesentliche Sensordaten, die als Grundlage für die weiterführende Datenauswertung zur Verfügung standen. Alle in der Untersuchung verwendeten Sensordaten basieren auf die vom Maschinenhersteller serienmäßig vorinstallierten Standardsensoren. Der zusätzliche Einbau von Sensoren war nicht erforderlich. Die Aufzeichnung der Sensorwerte erfolgt pro Sekunde als Zeitreihe. Zusätzlich liegen die Beschichtungs-, Belichtungs- sowie Wartezeiten pro Bauschicht vor. Alle Daten können bestimmten Maschinenseriennummern und der verwendeten Pulverlegierung zugeordnet werden. Daraus ist es u. a. möglich, die Erfolgsquote und das Alter der jeweiligen Maschine zu bestimmen.
Tabelle 1: SIEHE FIG. 11
4 Datenaggregation
Die Aggregation aller Rohdaten erfolgt über die Erzeugung einer Vielzahl von Attributen (auch „Features“ genannt). Im Folgenden wird anhand von dargestellt, wie die Rohdaten in einzelne Attribute und zu einer aggregierten Gesamtdatei umgewandelt werden.
Nicht alle Attribute besitzen den gleichen Informationsgehalt zur Lösung eines Klassifikationsproblems. Aus diesem Grund sind Attribute zu definieren, die eine bestmögliche Klassifikation des Produktionsverlaufs ermöglichen [Pre18]. Im ersten Schritt ist festzulegen, in welche sinnvollen Zeitabschnitte die vorhandenen Rohdaten für die Berechnung der Attribute aufgespaltet werden sollen. Je früher ein Ausfall prognostizierbar ist, desto höher ist der betriebswirtschaftliche Vorteil [Kru16]. Aus diesem Grund wurden die vorhandenen Baujobdaten in relative Zeitsegmente zwischen 2 und 720 Minuten und absolute Zeitsegmente in 20%-Schritten unterteilt, um die Prognosegüten je Segment miteinander vergleichen zu können. Im Rahmen der deskriptiven Statistik erfolgt anschließend die Berechnung von statistischen Kennzahlen, um Gesetzmäßigkeiten bei zeitlichen Entwicklungen oder das Abhängigkeitsausmaß zwischen zwei Größen zu analysieren [Bou18]. Ein Skript in der Sprache Python liest automatisiert innerhalb der jeweiligen Zeitabschnitte der Aufwärm- und Produktionsphase alle Ausprägungen der einzelnen Attributsklassen aus und berechnet die jeweilige statistische Kennzahl. visualisiert zusammenfassend diese Systematik. Als Ausgabe erfolgt eine mehrere hundert Megabyte große CSV-Datei mit über 13.000 Attributen, die sich auf die verschiedenen zu untersuchenden Zeitintervalle für die Modellbildung aufteilen lassen. Eine hohe Anzahl an Attributen kann komplexere Modelle hervorrufen und zu Überanpassung führen [Jam13]. Aus diesem Grund wurde eine Attributsselektion durchgeführt.
Abbildung 2: SIEHE FIG. 12
5 Modellerstellung und -optimierung
Für die Berechnung eines geeigneten Vorhersagemodells gliedert sich die Vorgehensweise in zwei Abschnitte auf (vgl. Anhang 1). Im ersten Schritt erfolgt eine Modellerstellung für verschiedene Lernverfahren basierend auf der Datenbasis des Zeitintervalls bis 40 % der Baujob-Produktionsphase. Mit Hilfe geeigneter Gütemaße ist die Performance der verschiedenen Modelle gegenüberzustellen, um das beste Modell zu identifizieren. Für die Modellierung der verschiedenen Lernverfahren ist an dieser Stelle Rapidminer mit seinen umfangreichen Gestaltungsoptionen für Data-Mining Prozesse [HK14] zum Einsatz gekommen. Im zweiten Schritt gilt es das beste Modell weiter zu optimieren und auf jedes einzelne Zeitintervall anzuwenden. Dafür wird eine auf das Modell zugeschnittene Attributsselektion durchgeführt, die im Wesentlichen auf der Korrelation der Attribute mit der Zielvariable sowie der Stabilität der Ausprägungen beruht. Im Anschluss daran sind die Prognosegüten jedes Zeitintervalls einander gegenüberzustellen, um eine potentielle Verbesserung der Güte zu überprüfen.
6 Bewertung und Modellvorauswahl
Für eine Vorauswahl des am besten geeigneten Modell ist die richtige Vergleichsmethodik zu wählen. Dafür sind sinnvolle Gütemaße zu nutzen, die einen Vergleich der unterschiedlichen Modelle gewährleisten. Für diese Arbeit wurden zum einen die Prognosegenauigkeit („Accuracy“, ACC) sowie die Darstellung und Berechnung der ROC-Kurve („Receiver Operating Characteristic“) und die AUC-Fläche („Area Under the Curve“) als Qualitätsmaßstäbe gewählt. Die ROC-Kurve stellt alle möglichen Konfigurationen eines prädiktiven Modells im Sinne der sich daraus ergebenden Kombinationen aus der Falsch-Positiv-Rate und Falsch-Negativ-Rate grafisch dar. Die Trefferquoten für die jeweilige Konfiguration unter Berücksichtigung der genutzten Schwellenwerte („Threshold“-Werte) lassen sich in einer sogenannten „Konfusions-Matrix“ vorab berechnen und ablesen [Bac18]. Die Interpretation der ROC-Kurve ähnelt der des bekannten Gini-Koeffizienten und gibt an, wie gut das Modell Ereignisse unterschiedlicher Klassen voneinander unterscheiden kann. Der AUC-Wert berechnet sich mittels der Trapezmethode. Diese kalkuliert den Flächeninhalt unterhalb der ROC-Kurve als Summe der Flächen von Einzeltrapezen [Rei07].
Tabelle 2: SIEHE FIG. 13
Tabelle 2 zeigt einen direkten Vergleich aller untersuchten Lernverfahren für die erzielte Prognosegenauigkeit und den Wert der erreichten AUC-Fläche. Den jeweils besten Wert beider Gütemaße erreicht das Gradient-Boost-Tree-Modell mit einer Prognosegenauigkeit von 80,95 % und einer AUC-Fläche von 0,866. Anhang 2 zeigt die Gegenüberstellung der Ergebnisse in Form von ROC-Kurven mit den jeweiligen AUC-Flächen. Basierend auf diesen Erkenntnissen erfolgt anschließend die Optimierung des „Gradient Boosted Tree“-Modells mit XGBoost für verschiedene Zeitsegmente des Produktionsprozesses.
7 Modelloptimierung mit XGBoost
Ziel der Modelloptimierung ist es, für das vorab gewählte „Gradient Boosted Tree“-Modell die bestmöglichen Gütemaße zu erreichen. Das Modell ist für jedes einzelne Zeitintervall der Produktionsphase zu optimieren und anzuwenden. Mit Hilfe von Algorithmen aus der XGBoost-Bibliothek für Python erfolgt ein dreistufiges Vorgehen (vgl. Anhang 3). Im ersten Schritt sind die optimalen Hyperparameterwerte zu berechnen. Im Anschluss folgt die Selektion der wichtigsten Attribute und schließlich die Berechnung der Prognosegenauigkeit sowie der AUC-Werte.
XGBoost ist eine Software-Bibliothek mit Algorithmen des maschinellen Lernens für Gradient Boosting. Ziel ist die Optimierung des Verfahrens zur Erreichung einer höheren Effizienz, Flexibilität und Übertragbarkeit [DML20]. Es handelt sich aktuell um eine der besten Bibliotheken im Rahmen des Gradient Boostings [Qui20]. Vor der eigentlichen Modellerstellung sind die optimalen Modellparameter zu bestimmen. Im Wesentlichen handelt es dich dabei um die Anzahl der Bäume, die Tiefe der Baumstruktur sowie die Lernrate.
Am Beispiel der Lernrate soll im Folgenden beschrieben werden, wie ein optimaler Hyperparameter mit XGBoost ermittelt wird. Dieser Parameter beeinflusst die Prognosegüte und die Geschwindigkeit des Lernens [Kru12]. Übliche Werte liegen zwischen 0,1 und 0,3 sowie kleiner 0,1 [Bro16]. veranschaulicht die Bestimmung einer geeigneten Lernrate durch XGBoost. Der Vergleich der Testdaten-Ergebnisse zeigt bei einer Lernrate von 0,05 einen AUC-Wert von 0,87. Ist die Lernrate kleiner als 0,05 oder größer 0,1, nimmt der AUC-Wert ab. Ein ähnliches Bild zeigt die Auswirkung auf die Prognosegenauigkeit ( , rechts).
Abbildung 3: SIEHE FIG. 14
Das vorangegangene Beispiel für die Bestimmung einer optimalen Lernrate wird für alle anderen Hyperparameter wiederholt. Mit diesen Werten erfolgt im Anschluss die Auswahl der Attribute, indem sie nach ihrer relativen Wichtigkeit sortiert [Has09] und die weniger wichtigen Attribute Schritt für Schritt reduziert werden. Am Ende der Schleifenoperation wird die Anzahl der Attribute ausgegeben, die eine optimale Prognosequalität erreichen (vgl. Anhang 3). Beispielsweise führt dieses Verfahren in den ersten 20% der Produktionsphase zu 872 Attributen.
8 Ergebnisse in Abhängigkeit zum Vorhersagezeitpunkt
Tabelle 3 stellt die Ergebnisse aller auf XGBoost basierenden Berechnungen der gewählten Hyperparameter, Anzahl der Attribute und der erzielten Gütemaße dar. Die Aufteilung erfolgt horizontal in den oberen Block mit den absoluten Zeitsegmenten in Minuten und den unteren prozentualen Segmenten der Produktionsphase. Für die Datenbasis aller Attribute, die zum Beispiel in den ersten 20 % der Produktionsphase aufgezeichnet wurden, ergibt sich für den Hyperparametersatz (150/10/0,1) eine Prognosegenauigkeit i. H. v. 82,22 % mit einem AUC-Wert von 0,87. Als Grundlage zur Erzielung dieser Werte dienen in diesem Fall 872 ausgewählte Attribute. Es ist ersichtlich, dass die Schwelle von einer akzeptablen- hin zu einer exzellenten Prognosequalität (AUC-Wert) [Hos13] zwischen den ersten 180 bis 360 Minuten (3 bis 6 Stunden) der Produktionsphase liegt.
Tabelle 3: SIEHE FIG. 15
9 Interpretation
Tabelle 3 zeigt, dass die Qualität der Prognosen kontinuierlich mit einem fortschreitenden Zeitverlauf der Baujobfertigung zunimmt. Die Ergebnisse nach zwei Minuten Produktionszeit mit einer Genauigkeit von 62,62 % und einer AUC von 0,65 ergaben keine ausreichende Qualität der Vorhersage von ungeplanten Ausfällen. Die Ergebnisse verbessern sich jedoch innerhalb der ersten 3 bis 6 Stunden der Produktionsphase auf ein Niveau von über 0,80 AUC. Zusammenfassend zeigen die AUC-Ergebnisse, dass der Schwellenwert für eine akzeptable bis exzellenten Prognosequalität innerhalb der ersten 3 bis 6 Stunden erreicht werden kann. Bei einer durchschnittlichen Dauer eines Baujobs von knapp 2 Tagen (42 Stunden) lohnt sich auf den ersten Blick ein präventiv erzwungener Baujobabbruch. Im Rahmen der betriebswirtschaftlichen Bewertung wird im nächsten Schritt eine genaue Analyse der Auswirkungen auf potenzielle Kosteneinsparungen durchgeführt.
9.1 Betriebswirtschaftliche Evaluation
Im Rahmen der betriebswirtschaftlichen Betrachtung ist festzustellen, für welchen Schwellenwert ein Kostenminimum erreicht wird. Der Schwellenwert bestimmt, in welche Klasse das Lernverfahren das jeweilige Ereignis einordnen soll [Sau19]. Die Berechnungen sind für verschiedene Szenarien mit jeweils unterschiedlichen Bauteilvolumen sowie unterschiedlich langen Produktionszeiten zwischen 12 und 96 Stunden durchgeführt worden. Zusätzlich wurden in den Berechnungen verschiedene Ausfallzeitpunkte anteilig anhand des Datenbestandes berücksichtigt und letztlich gewichtete Ersparnispotentiale mit den dazugehörenden Schwellenwerten für jede Baujobvariante berechnet.
Dieser Ablauf wird für alle Ausfallquoten wiederholt und als Gesamtergebnis in Anhang 4 grafisch dargestellt. Es ist klar zu erkennen, dass die durchschnittliche Kostenersparnis (blaue Linie) von ca. 10 % auf 40 % mit einer wachsenden Quote an ungeplanten Ausfällen ansteigt. Das grau hinterlegte Referenzband zeichnet die Spannweite der Kostenersparnis für die unterschiedlichen Baujobvarianten von 12-96 Stunden ab. Zu erkennen ist eine Zunahme der Spannweite, je höher die Ausfallquote ist. Die Kostenersparnis nimmt demnach für lange Baujobs überproportional mit einer steigenden Ausfallquote zu. Die Entwicklung der Schwellenwerte zeigt hingegen eine Senkung bei steigender Ausfallquote. Es ist ersichtlich, dass bei niedrigen Ausfallraten signifikant höhere Schwellenwerte erforderlich sind, um Kosteneinsparungen zu erzielen. Die Prognose durch das „Gradient Boosted Tree“-Verfahren muss daher sehr sicher sein, damit minimale Kosten für eine vorbeugende Intervention und damit ein höheres Einsparpotenzial entstehen.
9.2 Blackbox-Interpretation der Modellergebnisse
Die Abläufe im Rahmen des XGBoost und die Berechnungen durch „Gradient Boosted Tree“-Modelle sind derart komplex, dass es nicht möglich ist, deren Prädiktionsoutputs mit einfachen Mitteln kausal nachzuvollziehen. Es handelt sich gewissermaßen um eine „Black Box“.
Diese Eigenschaft teilen verschiedene Machine-Learning-Ansätze, denen gemeinsam ist, dass sie keine direkte Nachvollziehbarkeit der ausgegebenen Vorhersagen erlauben [BS19]. Die Interpretation der Ausgabe der im vorliegenden Anwendungskontext genutzten Lernverfahren ist jedoch von hoher Bedeutung in der Praxis. Zum einen kann ein Maschinenbediener Rückschlüsse auf potenzielle Fehlerursachen ziehen, um diese in Zukunft zu vermeiden. Zum anderen kann die Interpretation wiederum eine Grundlage für ein automatisiertes und softwarebasiertes Gegensteuern zur Abbruchvermeidung sein. Aus diesem Grund leistet die an dieser Stelle angewandte Methode nach dem „SHapley Additive exPlanation“-Verfahren (SHAP) einen wichtigen Beitrag [Sha53]. zeigt einen SHAP-Summary-Plot mit den wichtigsten Attributen basierend auf Daten der ersten 20 % der Produktionsphase.
Die Attributsbezeichnung beinhaltet die Fertigungsphase, das Kernattribut, Zeitintervall und die statistische Kennzahl. Zum besseren Verständnis zur Lesbarkeit des Plots erfolgt an dieser Stelle die Interpretation des Attributes age_machine. Für dieses Attribut ist eine klare Aufteilung in Rot (positiv) und Blau (negativ), zu erkennen. Das bedeutet, besonders hohe Werte (rot) des Maschinenalters unterstützen einen erfolgreichen Baujobverlauf. Hingegen unterstützt ein niedriger Wert (blau), also jüngere Maschinen, einen Baujobabbruch. In dieser Form können die Interpretation der Plots für jedes einzelne Attribut erfolgen und Rückschlüsse auf die Entscheidungsfindung des Gradient Boosted Tree können gezogen werden. Unter Berücksichtigung weiterer SHAP-Plots konnten die wichtigsten Attribute im Wesentlichen vier Kategorien zugeordnet werden: (i) die Kategorie der Beschichtungs- und Belichtungszeiten, (ii) Maschinenalter und -historie, (iii) Sensorik und (iv) speicherrelevante Attribute. So übt die erstgenannte Kategorie den größten Einfluss auf die Entscheidungsfindung aus. Diese wird maßgeblich von der Bauteilgeometrie und Baustrategie beeinflusst. Im Anschluss spielen das Alter sowie die Historie der Maschine und darauffolgend die Sensorik eine große Rolle.
Abbildung 4: SIEHE FIG. 16
10 Implikationen und Diskussion
Die Ergebnisse dieser Arbeit zeigen, dass es einerseits möglich ist, ungeplante Ausfälle von PBF-LB/M-Systemen in der Anfangsphase eines Baujobs vorherzusagen. Andererseits hat sich gezeigt, dass präventive Eingriffe durch die erreichte Prognosequalität wirtschaftlich sinnvoll sind. Eine mögliche konkrete Anwendung zur Nutzung der Ergebnisse dieser Arbeit ist die Schaffung eines Frühwarnsystems, welche im Stande wäre, innerhalb der ersten 3-6 Stunden eine valide Vorhersage über einen ungeplanten Ausfall zu erzeugen. Es wäre sinnvoll, dazu eine Visualisierung in Form eines Cockpits für den Maschinenbediener oder das Maschinenleitstandpersonal einzurichten.
Betrachtet man die genutzten Daten für die Vorhersage als Handelsware, stellt sich die Frage, welche zusätzlichen Wettbewerbsvorteile durch einen Austausch dieser und weiterer Daten zwischen den Akteuren der additiven Wertschöpfungskette entstehen könnten. Das rechtzeitige Erkennen von ungeplanten Ausfällen führt auf Seiten der Auftragsfertiger zu geringeren Produktionskosten und kürzeren Lieferzeiten. Für die Maschinenhersteller können die Daten beispielsweise zur Verbesserung der Anlagen genutzt werden, was wiederum zu einer Steigerung der Kundenzufriedenheit führen kann.
11 Fazit und Ausblick
Aufgrund der vorliegenden Erkenntnisse ist es sinnvoll eine konkrete Anwendung in Form eines Frühwarnsystems für die Betreiber von PBF-LB/M-Systemen zu entwickeln. Dadurch ist es möglich Kostenvorteile zu realisieren und die Zuverlässigkeit der Maschinen besser zu kontrollieren. Weiterführende Implikationen haben außerdem gezeigt, wie groß das Potential bisher ungenutzter Sensor- und Ereignisprotokolldaten aus der Produktion additiver Baujobs für die gesamte additive Wertschöpfungskette ist. Die Einbeziehung zusätzlicher Daten aller Marktteilnehmer der additiven Wertschöpfungskette bietet ein enormes Potenzial, um nicht nur ungeplante Ausfälle, sondern auch die Qualität der Komponenten vorherzusagen. Zukünftige Industrieprojekte und Forschungsarbeiten sollten sich auf den Datenaustausch im Hinblick auf die kooperative Nutzung zwischen allen Marktteilnehmern der additiven Wertschöpfungskette konzentrieren. Ziel sollte es sein, das Potenzial neuer Geschäftsmodelle zu identifizieren und die Entwicklung zugehöriger Produkte anzustoßen. Die Einbeziehung des Datenaustauschs zwischen allen Marktteilnehmern schafft letztendlich Wettbewerbsvorteile, die jeder Marktteilnehmer für seine eigenen Zwecke nutzen kann. Dies ist wiederum ein Anreiz zum Datenaustausch innerhalb der Wertschöpfungskette.
Anhang

Anhang 1: SIEHE 17
Anhang 2: SIEHE 18
Anhang 3: SIEHE 19
Anhang 4: SIEHE 20

12 Literaturverzeichnis

[Bac18] Backhaus, Klaus et al. (2018). Multivariate Analysemethoden. Springer, Berlin, Heidelberg.
[Bou18] Bourier, Günther (2018). Beschreibende Statistik. Springer, Wiesbaden.
[Bro16] Brownlee, Jason (2016). Tune Learning Rate for Gradient Boosting with XGBoost in Python. Machine Learning Mastery. Online verfügbar unter https://machinelearningmastery.com, zuletzt geprüft am 06.12.2020.
[BS19] Buxmann, Peter; Schmidt, Holger (2019). Künstliche Intelligenz. Springer, Berlin, Heidelberg.
[DML20] DMLC (2020). XGBoost extreme Gradient Boosting. Hg. v. Deep Machine Learning Community (DMLC). Online verfügbar unter https://github.com/dmlc/xgboost, zuletzt geprüft am 13.12.2020.
[Gru15] Grund, Maike (2015). Implementierung von schichtadditiven Fertigungsverfahren. Springer, Berlin, Heidelberg.
[Has09] Hastie, Trevor et al. (2009). The Elements of Statistical Learning. Data Mining, Inference and Prediction (Springer Series in Statistics). 2 Auflage. Springer, New York, USA.
[HK14] Hofmann, Markus; Klinkenberg, Ralf (Hg.) (2014). RapidMiner. Data mining use cases and business analytics applications, Boca Raton, FL., USA. CRC Press (Chapman & Hall / CRC data mining and knowledge discovery series, 33).
[Hos13] Hosmer, David W. et al. (2013). Applied Logistic Regression. 3rd Edition. Wiley, Hoboken, NJ, USA.
[Jam13] James, Gareth (2013). An introduction to statistical learning. With applications in R (Springer texts in statistics, 103). Springer, New York.
[Kru12] Kruse, Rudolf J. et al. (2012). Computational Intelligence. Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze (Studium). Vieweg + Teubner, Wiesbaden.
[Kru16] Krumeich, Julian et al. (2016). Prescriptive Control of Business Processes. New Potentials Through Predictive Analytics of Big Data in the Process Manufacturing Industry. In: Business Information Systems Engineering, 58(4): 261-280.
[Lan17] Lanza, Gisela et al. (2017). Laser-Strahlschmelzen Technologie mit Zukunftspotenzial. Ein Handlungsleitfaden.
[Mei18] Meixlsperger, Maximilian (2018). Anwendungsspezifische Prozessführung des Selective Laser Melting am Beispiel von AISi-Legierungen im Automobilbau (Berichte aus der Lasertechnik). 1. Auflage. Shaker, Herzogenrath.
[Nis09] Nisbet, Robert et al. (2009). Handbook of statistical analysis and data mining applications. Elsevier, Amsterdam.
[Pre18] Preusche, Christian (2018). Clusterbasierte Zustandsbewertung von technischen Systemen zur Unterstützung der prädiktiven Instandhaltung. Dissertation. TU Darmstadt, Darmstadt.
[Qui20] Quinto, Butch (2020). Next-Generation Machine Learning with Spark. Covers XGBoost, LightGBM, Spark NLP, Distributed Deep Learning with Keras, and More. Apress, Berkeley, CA. USA.
[Rei07] Reichling, Peter et al. (2007). Praxishandbuch Risikomanagement und Rating. 2. Auflage. Gabler, Wiesbaden.
[Ric19] Richard, Hans Albert et al. (2019). Additive Fertigung von Bauteilen und Strukturen. Springer, Wiesbaden.
[Sau19] Sauer, Sebastian (2019). Moderne Datenanalyse mit R. Springer, Wiesbaden.
[Sha53] Shapley, Lloyd S. (1953). A value for n-person games. Contributions to the Theory of Games H. W. Kuhn and A. W. Tucker (Annals of mathematics studies, 28). 307-317. Princeton Univ. Press, Princeton, N. J., USA.
[Uhl17] Uhlmann, Eckart; Pontes, Rodrigo Pastl; Laghmouchi, Abdelhakim; Bergmann, Andre (Hg.) (2017). Intelligent Pattern Recognition of a SLM Machine Process and Sensor Data. 10th CIRP Conference on Intelligent Computation in Manufacturing Engineering. Elsevier (62).
[Uhl18] Uhlmann, Eckart et al. (2018). Cluster identification of sensor data for predictive maintenance in a Selective Laser Melting machine tool. In: Procedia Manufacturing 24, S. 60-65.

Claims

Vorrichtung zur additiven Fertigung eines Produkts, die folgendes aufweist: eine Maschine zur Herstellung des Produkts über einen Zeitraum in einem vorgegebenen Herstellungsprozess, eine Vielzahl von Sensoren zur Ermittlung von einer Vielzahl von Sensor- und/oder Ereignisdaten während des Zeitraums des Herstellungsprozesses des Produkts, und eine Überwachungseinrichtung, die dazu ausgebildet ist, während des Zeitraums und in Abhängigkeit von zumindest einem Teil der Sensor- und/oder Ereignisdaten mittels einer künstlichen Intelligenz einen Fehler im Herstellungsprozess zu detektieren und als Antwort auf das Detektieren des Fehlers während des Zeitraums einen Abbruch des Herstellungsprozesses zu initiieren.
Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die Überwachungseinrichtung dazu ausgebildet ist, mittels der künstlichen Intelligenz eine sich über den Zeitraum ändernde Prognosegüte des Herstellungsprozesses zu ermitteln und den Abbruch des Herstellungsprozesses nur dann zu initiieren, wenn die Prognosegüte einen vorgegebenen Schwellwert überschreitet.
Vorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Überwachungseinrichtung dazu ausgebildet ist, den Abbruch des Herstellungsprozesses nur dann zu initiieren, wenn die verstrichene Zeitdauer des Herstellungsprozesses eine vorgegebene Zeitdauer überschreitet, wobei, insbesondere, die vorgegebene Zeitdauer einige Stunden, wie etwa 3, 4, 5 oder 6 Stunden, betragen kann.
Vorrichtung nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, dass die künstliche Intelligenz von der Überwachungseinrichtung, insbesondere einem Computersystem der Überwachungseinrichtung, betrieben wird, oder dass die künstliche Intelligenz von einer Cloud bereitgestellt wird und die Überwachungseinrichtung mit der Cloud in Kommunikationsverbindung ist.
Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die künstliche Intelligenz auf einer Vielzahl von Trainingsrohdaten basiert, die von einer Vielzahl, insbesondere mehr als 1000, von additiven Herstellungsprozessen in verschiedenen Maschinen zur additiven Fertigung stammen.
Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass die Trainingsrohdaten eine Vielzahl von Zeitreihen umfassen, wobei eine jeweilige Zeitreihe der Aufzeichnung von Sensor- und/oder Ereignisdaten über der Zeit eines Sensors während eines additiven Herstellungsprozessen in einer Maschine zur additiven Fertigung entspricht, und wobei jede Zeitreihe in eine Anzahl von Zeitabschnitten, die unterschiedliche Abschnitte eines jeweiligen Herstellungsprozesses betreffen, unterteilt sind.
Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass diese einen Bildschirm aufweist, und wobei die Überwachungseinrichtung dazu ausgebildet, einem Benutzer während des Herstellungsprozesses Informationen über den Herstellungsprozess anzuzeigen, wobei die Überwachungseinrichtung ferner ausgebildet ist, als Antwort auf das Detektieren des Fehlers während des Zeitraums dem Benutzer einen Abbruch des Herstellungsprozesses vorzuschlagen.
Verfahren zur Überwachung einer additiven Fertigung eines Produkts, bei dem: in einer Maschine das Produkt über einen Zeitraum in einem vorgegebenen Herstellungsprozess additiv gefertigt wird, eine Vielzahl von Sensor- und/oder Ereignisdaten während des Zeitraums des Herstellungsprozesses des Produkts erfasst werden, und während des Zeitraums des Herstellungsprozesses in Abhängigkeit von zumindest einem Teil der Sensor- und/oder Ereignisdaten mittels einer künstlichen Intelligenz ein Fehler im Herstellungsprozess detektiert wird und als Antwort auf das Detektieren des Fehlers während des Zeitraums des Fehlers ein Abbruch des Herstellungsprozesses initiiert wird.
Verfahren nach Anspruch 8 dadurch gekennzeichnet, dass eine sich über den Zeitraum ändernde Prognosegüte des Herstellungsprozesses ermittelt wird und der Abbruch des Herstellungsprozesses nur dann initiiert wird, wenn die Prognosegüte einen vorgegebenen Schwellwert überschreitet.
Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, ein Verfahren gemäß einem der Ansprüche 8 oder 9 auszuführen oder das auf einem maschinenlesbaren Speichermedium gespeichert ist.