Cluster-Identifikation von Sensordaten - Ein Ansatz für die prädiktive Instandhaltung in einer selektiven Laserschmelzanlage
 

Eckart Uhlmann, Sven Pavliček, Rodrigo Pastl-Pontes und Claudio Geisert

Das selektive Laserschmelzen ist zu einem der aktuellsten und neusten Technologien zur Herstellung komplexer Bauteile im Vergleich zu konventionellen Fertigungstechnologien geworden. Insbesondere bestehende selektive Laserschmelzmaschinen sind nicht mit Analysewerkzeugen ausgestattet, welche Sensordaten auswerten. Dieser Beitrag beschreibt einen Ansatz zur Analyse und zur Visualisierung von Offline-Daten aus verschiedenen Quellen, basierend auf maschinellen Lernalgorithmen. Daten von drei Sensoren wurden verwendet, um Cluster zu identifizieren. Sie veranschaulichen den normalen Betrieb der Werkzeugmaschine und drei fehlerhafte Zustände. Mit diesen Ergebnissen kann ein Zustandsüberwachungssystem implementiert werden, das diesen Werkzeugmaschinen vorausschauende Instandhaltungslösungen ermöglicht.

Die Überwachung des Verschleißzustands von Werkzeugmaschinen und Produkten spielt eine besondere Rolle [1]. Die Ergebnisse dieser Überwachung helfen den Maschinenherstellern, die Qualität ihrer Produkte zu verbessern. Selektives Laserschmelzen (SLM) ist eine Fertigungstechnologie, die im Vergleich zu konventionellen Fertigungsverfahren die Herstellung komplexerer Geometrien ermöglicht und dadurch immer häufiger nachgefragt wird [2-4]. Dennoch sind die vorhandenen SLMWerkzeugmaschinen oft nicht in der Lage, die geforderte Produktqualität zu gewährleisten, was auf mehrere Faktoren zurückzuführen ist, unter anderem auf Ausfälle während des Fertigungsprozesses [5].

Solche Werkzeugmaschinen sind nicht mit Analysewerkzeugen ausgestattet, die die Maschinendaten auswerten, was die Identifikation der Faktoren und der Betriebsbedingungen zu einer anspruchsvollen Aufgabe macht. Eine erste Studie zur Klassifizierung und zum Clustern von Prozess- und Sensordaten einer SLMWerkzeugmaschine wurde in [6] durchgeführt.

In diesem Beitrag wurden maschinelle Lernalgorithmen verwendet, um den Prozessstatus in drei vordefinierte Kategorien zu klassifizieren und Cluster in den Daten zu finden. Die gefundenen Cluster wurden jedoch nicht genauer analysiert und es wurde keine tiefere Beobachtung des Maschinenverhaltens durchgeführt.

Ziel dieses Beitrags ist es daher, zwei Hauptfragen zu beantworten. Die erste ist zu ergründen, ob es möglich ist, die Verhaltensgruppen (oder Cluster) von Werkzeugmaschinen anhand der Daten von drei der in [6] verwendeten Sensoren zu identifizieren. Die zweite Frage ist, die richtige Anzahl von Clustern zu ermitteln und welche statistischen Merkmale verwendet werden können, um das Verhalten der Werkzeugmaschine für den Einsatz im Rahmen der vorausschauenden Instandhaltung vorauszusehen.
 

Bild 1: Durchgeführte Methodik.

Selektives Laserschmelzen

Additive Fertigung (AM) ist ein Verfahrensgruppe zur Herstellung von Werkstücken durch Zugabe von Material durch Verbinden von Schichten gleicher Dicke [4, 7]. Das selektive Laserschmelzen (SLM) ist eine spezielle Technologie von additive manufacturing (AM). Es ist ein Herstellungsverfahren, bei dem ein Metallpulverbett und eine thermische Energie, die von einem computergesteuerten und fokussierten Laserstrahl geliefert wird, zur Herstellung eines Werkstücks verwendet werden [2, 6, 8, 9]. Die Schichtdicke variiert von 20 µm bis 150 µm. Die Größe der Metallkörner im Pulver liegt im Bereich von 10 µm bis 75 µm [7, 10].
 

Vorgehensweise

Die Methodik dieser Arbeit ist in Bild 1 dargestellt. Zunächst wurden die Rohdaten der Sensoren der Werkzeugmaschinen aus 206 Fertigungsprozessen erfasst und gespeichert. Die zur Datenerfassung verwendete SLM-Maschine ist die SLM 250HL der Firma SLM Solutions AG, Deutschland. Im Anschluss an die Datenerfassung wurden die Daten von drei Sensoren speziell für den Maschinenbetrieb ausgewählt und vorbereitet. Die Sensoren messen die folgenden Merkmale: Plattformtemperatur (T), Sauerstoffanteil innerhalb der Prozesskammer (O) und Prozesskammerdruck (P). Sie wurden ausgewählt, weil sie von der Software der Werkzeugmaschine geregelt werden können. Wenn also während eines Fertigungsprozesses eine Störung dieser drei Größen auftritt, ist möglich eine Abweichung in den Messdaten zu erkennen.

Nach der Vorverarbeitung wurde eine Clusteranalyse durchgeführt. Die Ergebnisse dieser Analyse wurden ausgewertet, um die richtige Anzahl von Clustern nach den statistischen Merkmalen dieser drei Sensoren zu finden. Das Programm zum Lesen, Vorverarbeiten und Analysieren der Cluster wurde mit der Programmiersprache Python (Version 3.6) und dem Softwaretool Spyder 3 [11] entwickelt.

 


Bild 2: Beispiel für die Anwendung der Elbow-Methode.

Sensor-Datenerfassung an der
SLM-Anlage

Die verwendete SLMWerkzeugmaschine liefert nach jedem Fertigungsprozess eine Tabelle mit Messdaten, die in einer Datei im CSV-Format (Komma separierte Werte) gespeichert wird. In dieser Datei werden jede Sekunde Daten von 20 Sensoren der Maschine aufgezeichnet. Diese Sensoren (analog und digital) überwachen verschiedene Parameter, wie z. B. die Temperatur der Plattform, den Zustand des Pulvertanks, etc. Die Daten von 206 Fertigungsprozessen wurden gesammelt, um ausgewertet zu werden.


Sensordatenvorverarbeitung

Die Vorverarbeitung wurde wie folgt durchgeführt. Die gesammelten Daten wurden aussortiert, sodass nur Daten innerhalb des Intervalls der ersten Schicht bis zum Ende des Fertigungsprozesses berücksichtigt wurden. Von den gesammelten Daten wurden nur die Daten zur Weiterverarbeitung ausgewählt, die ab dem Beginn der Herstellung der ersten und dem Ende der Herstellung der letzten Schicht aufgenommen wurden. Messdaten aus der Vor und Nachbereitung des Fertigungsprozesses wurden ignoriert. Das beschriebene Intervall stellt damit den gesamten Fertigungsprozess eines Werkstücks dar. Anschließend wurden die Daten der drei Sensoren entsprechend dem Herstellungsprozess in drei unabhängige Zeitreihen aufgeteilt. Danach wurden die statistischen Merkmale Minimalwert, Schiefe, Maximalwert, Modus, Median, Mittelwert und Standardabweichung (insgesamt 7 Stück) von jeder Zeitreihe (T, O und P) berechnet und in einer zweidimensionalen Matrix mit sieben Zeilen (Anzahl der statistischen Werte) und drei Spalten (Anzahl Datenreihen) gespeichert, die die gewählten statistischen Merkmale bzw. die beobachteten Sensoren darstellen. Diese Matrix charakterisiert einen einzelnen Fertigungsprozess. Aus allen betrachteten Fertigungsprozessen wurde eine dreidimensionale Matrix mit einer Größe von 7 x 3 x 206 erstellt, wobei die letzte Dimension die Anzahl der Fertigungsprozesse darstellt.

Zum Weiterlesen hier klicken