Optimierung der Fertigungssequenz zur Minimierung von Verzug in der mehrachsigen additiven Fertigung

1. Einleitung

Die mehrachsige additive Fertigung (AM), beispielhaft durch robotergestütztes Wire Arc Additive Manufacturing (WAAM), führt durch die Möglichkeit der Neuausrichtung des Druckkopfes oder Bauteils eine neue Fertigungsflexibilität ein. Dadurch wird die Beschränkung der ebenen Schichtablagerung, die konventioneller AM innewohnt, aufgebrochen. Die Metall-AM ist jedoch mit erheblichen thermischen Gradienten und Phasenumwandlungen verbunden, die zu ungleichmäßiger thermischer Ausdehnung/Schrumpfung und folglich zu Verzug führen. Dies beeinträchtigt maßgeblich die Maßhaltigkeit und strukturelle Leistungsfähigkeit für die Montage.

Die Optimierung der Fertigungssequenz – also der Reihenfolge, in der Material abgeschieden wird – eröffnet einen neuartigen Ansatz, diesen Verzug zu mindern. Die Herausforderung liegt darin, die Sequenz als differenzierbare Optimierungsvariablen darzustellen, die für gradientenbasierte Methoden geeignet sind. Diese Arbeit adressiert dies durch die Vorstellung eines rechnerischen Rahmens zur Optimierung der Fertigungssequenz zur Minimierung von Verzug.

2. Methodik

2.1 Pseudozeitfeld-Kodierung

Der Kern des Rahmenwerks ist die Darstellung der Fertigungssequenz. Jedem Materialpunkt x im Bauteilgebiet Ω wird eine skalare Pseudozeit $T(x)$ zugewiesen. Der Fertigungsprozess wird als sequenzielle Materialisierung von Punkten gemäß diesem Feld modelliert: Ein Punkt mit einem kleineren $T$ wird vor einem Punkt mit einem größeren $T$ abgeschieden. Dadurch wird die diskrete Sequenzoptimierung in ein kontinuierliches Feldoptimierungsproblem transformiert.

2.2 Verzugsmodellierung

Zur Vorhersage des Verzugs wird ein vereinfachtes, aber physikalisch repräsentatives Modell verwendet. Es imitiert die Inherent-Strain-Methode, bei der jedes neu abgeschiedene Materialelement beim Abkühlen eine vorgegebene Schrumpfdehnung (z.B. thermische Kontraktion) erfährt. Der akkumulierte Verzug $\mathbf{u}$ wird durch Lösen der linearen Elastizitätsgleichgewichtsgleichungen über das gesamte Gebiet unter Berücksichtigung der verlaufsabhängigen Dehnungsfelder berechnet.

2.3 Gradientenbasierte Optimierung

Das Ziel ist es, ein Maß für den Endverzug zu minimieren, z.B. die Nachgiebigkeit des Verzugsfeldes oder seine maximale Verschiebung. Die Entwurfsvariable ist das Pseudozeitfeld $T(x)$. Der Gradient des Zielfunktionals bezüglich $T(x)$ wird mit der Adjungierten-Methode berechnet, was eine effiziente großskalige Optimierung ermöglicht. Nebenbedingungen stellen sicher, dass das Zeitfeld monoton ist, um eine gültige, nicht umkehrbare Abscheidesequenz darzustellen.

3. Numerische Studien & Ergebnisse

3.1 Referenzfall: Kragträger

Das Rahmenwerk wurde an einer 3D-Kragträgergeometrie getestet. Der Referenzfall verwendete konventionelle vertikale ebene Schichten. Der Optimierungsalgorithmus hatte dann die Aufgabe, ein Pseudozeitfeld zu finden, das die vertikale Durchbiegung am freien Ende des Trägers aufgrund der abscheideinduzierten Schrumpfung minimiert.

3.2 Vergleich: Ebene vs. gekrümmte Schichten

Die Studie verglich die Verzugsfelder visuell und quantitativ. Die ebene Schichtsequenz führte zu einem vorhersehbaren, kumulativen Biegeeffekt. Im Gegensatz dazu „balancierte“ die optimierte gekrümmte Schichtsequenz die Schrumpfdehnungen strategisch über das Volumen aus, oft indem Material so abgeschieden wurde, dass gegensätzliche Verformungen induziert werden, was zu einem nahezu endkonturnahen Fertigteil führte.

4. Technische Analyse & Rahmenwerk

4.1 Mathematische Formulierung

Das Optimierungsproblem lässt sich wie folgt zusammenfassen: $$ \begin{aligned} \min_{T} \quad & J(\mathbf{u}) = \int_{\Omega} \mathbf{u} \cdot \mathbf{u} \, d\Omega \\ \text{s.t.} \quad & \nabla \cdot \boldsymbol{\sigma} + \mathbf{b} = \mathbf{0} \quad \text{in } \Omega \\ & \boldsymbol{\sigma} = \mathbf{C} : (\boldsymbol{\epsilon} - \boldsymbol{\epsilon}^{sh}(T)) \\ & \boldsymbol{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + \nabla \mathbf{u}^T) \\ & T_{\min} \leq T(x) \leq T_{\max}, \quad \nabla T \cdot \mathbf{n} \geq 0 \, (\text{Monotonie}) \end{aligned} $$ Wobei $J$ das Verzugszielfunktional ist, $\boldsymbol{\epsilon}^{sh}(T)$ die von der Pseudozeit abhängige Schrumpfdehnung und die Monotoniebedingung eine realisierbare Abscheide-Reihenfolge sicherstellt.

4.2 Beispiel für das Analyse-Framework

Szenario: Optimierung der Drucksequenz für einen WAAM-gefertigten Winkel zur Minimierung der Verwindung für die nachfolgende Montage.

1. Eingabe: 3D-CAD-Modell des Winkels, Materials-Schrumpfungsparameter (aus Kalibrierung).
2. Diskretisierung: Vernetzung des Gebiets. Initialisierung eines Pseudozeitfeldes (z.B. entsprechend ebener Schichten).
3. Simulationsschleife: Für das aktuelle $T$-Feld wird die sequenzielle Abscheidung simuliert und das finale Verzugsfeld $\mathbf{u}$ sowie das Zielfunktional $J$ berechnet.
4. Adjungierte & Gradient: Lösung der adjungierten Gleichung zur effizienten Berechnung von $\partial J / \partial T$.
5. Aktualisierung: Verwendung eines gradientenbasierten Optimierers (z.B. MMA, SNOPT) zur Aktualisierung des $T$-Feldes unter Einhaltung der Nebenbedingungen.
6. Ausgabe: Das optimierte $T$-Feld, das dann in einen Roboter-Toolpfad für die WAAM-Abscheidung mit gekrümmten Schichten interpretiert wird.

5. Anwendungsausblick & zukünftige Richtungen

Das Rahmenwerk eröffnet mehrere wegweisende Perspektiven:

• Integration mit vollständigen thermo-mechanischen Modellen: Das aktuelle Schrumpfungsmodell ist eine Vereinfachung. Zukünftige Arbeiten müssen hochgenaue, transiente thermo-mechanische Simulationen integrieren, ähnlich den multiphysikalischen Herausforderungen in Modellen für das Laser-Pulverbettverfahren. Dies erhöht die Genauigkeit, aber auch die Rechenkosten, was Modellordnungsreduktion erfordert.
• Pfadplanung für robotisches WAAM: Das optimierte Pseudozeitfeld muss in kollisionsfreie, kinematisch realisierbare Roboter-Trajektorien übersetzt werden. Dies überbrückt rechnerisches Design mit robotischer Ausführung.
• Multi-Objective-Optimierung: Gleichzeitige Optimierung hinsichtlich Verzug, Eigenspannungen, Bauzeit und Stützstrukturvolumen. Dies entspricht der ganzheitlichen Prozessoptimierung, wie sie in der Spitzenforschung von Einrichtungen wie dem Oak Ridge National Laboratory betrieben wird.
• Maschinelles Lernen mit Surrogatmodellen: Um Echtzeit- oder Nahe-Echtzeit-Sequenzplanung zu erreichen, können neuronale Netze als Surrogate für die aufwändige Physiksimulation trainiert werden, ähnlich Trends wie bei CycleGAN für Bild-zu-Bild-Übersetzung, jedoch angewendet auf die Abbildung von Geometrie auf optimale Abscheidesequenzen.
• In-situ-Verzugskorrektur: Kombination des optimierten Plans mit prozessintegrierter Überwachung (z.B. Laserscanning) zur Schaffung eines geschlossenen Regelkreises, der die Sequenz basierend auf gemessenem Verzug in Echtzeit anpasst.

6. Literaturverzeichnis

1. Ding, D., Pan, Z., Cuiuri, D., & Li, H. (2015). Wire-feed additive manufacturing of metal components: technologies, developments and future interests. The International Journal of Advanced Manufacturing Technology, 81(1-4), 465-481.
2. Williams, S. W., Martina, F., Addison, A. C., Ding, J., Pardal, G., & Colegrove, P. (2016). Wire+ Arc additive manufacturing. Materials Science and Technology, 32(7), 641-647.
3. Wang, W., van Keulen, F., & Wu, J. (2023). Fabrication Sequence Optimization for Minimizing Distortion in Multi-Axis Additive Manufacturing. arXiv preprint arXiv:2212.13307.
4. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232).
5. Oak Ridge National Laboratory. (2017). 3D Printed Excavator Project. Abgerufen von https://www.ornl.gov/news/3d-printed-excavator-project.
6. Bendsøe, M. P., & Sigmund, O. (2003). Topology optimization: theory, methods, and applications. Springer Science & Business Media.