In-situ-Prozessüberwachung und schichtweise Defekterkennung in der additiven Fertigung von Metall

Metallteile, die per Laser-Pulverbettschmelzen (L-PBF) oder gerichteter Energieabscheidung (DED) gebaut werden, können Poren, Bindefehlerzonen und Beschichterschäden enthalten, die erst nach dem Bauprozess in der teuren CT sichtbar werden. Die In-situ-Überwachung nutzt während des Bauprozesses Kameras, optische Tomographie und Schmelzbad-Sensoren, mit ML-Modellen, die Anomalien Schicht für Schicht lokalisieren. Bediener können einen aussichtslosen Bauprozess früh abbrechen, und das Qualitätsteam erhält einen Nachweis je Bauteil, der die CT verringert (aber noch nicht vollständig ersetzt).

Problem & Nutzen

• Heute: Die Qualität wird nach dem Bauprozess per CT, zerstörenden Prüfungen von Begleitproben und durch eingefrorene Prozessparameter abgesichert. Bauprozesse laufen viele Stunden oder Tage; ein spät entdeckter Beschichter-Crash oder Pulvermangel verschwendet Maschinenzeit, Pulver und teure Legierungen.
• KI-Nutzen: frühe Entscheidungen über Abbruch oder Reparatur, gezielte statt flächendeckender CT, rückverfolgbare Qualitätsdaten je Bauteil und schnellere Prozessentwicklung. Die Defekterkennung muss an die 3D-Position im Bauteil gebunden sein, weshalb die Signale zu Volumendaten gestapelt werden.
• Belege: Hersteller (OEMs) und Forschungsinstitute (z. B. Fraunhofer ILT) berichten von Korrelationen zwischen OT- oder Schmelzbad-Signaturen und per CT erkannter Porosität, doch die Stärke der Korrelation hängt von Material, Maschine und Defekttyp ab; einen allgemeinen Ersatz der CT gibt es heute nicht [1][2][3].
• Rolle bei der Qualifizierung: Kunden aus Luft- und Raumfahrt, Medizintechnik und Energie benötigen die Prozessüberwachung als Teil der Qualifizierungs- und Zertifizierungsnachweise, neben den Normen von ISO/ASTM TC 261 / F42 [4].

Varianten

• Schichtbildgebung im Pulverbett (L-PBF): hochauflösende Bilder je Schicht zur Erkennung von Beschichterstreifen, Pulvermangel, Bauteilverzug und Überhöhungen.
• Optische Tomographie / NIR-Schichtintegration: zeitlich integrierte Emission je Schicht zur Erkennung von Hot-Spots und kalten Zonen, die mit Porosität zusammenhängen.
• Schmelzbad-Überwachung: koaxiale Photodioden oder Kameras mit sehr hoher Abtastrate für Signaturen von Spritzern, Keyhole und Bindefehlern (Zeitreihen plus Bildmodelle).
• DED / Drahtlichtbogen (WAAM): Schmelzbadgeometrie und Wärmebildkamera-Verfolgung mit geschlossener Regelung von Leistung oder Vorschubgeschwindigkeit.
• Maschinenflotten: maschinenübergreifende Drift-Erkennung und Vergleich von Bauprozess zu Bauprozess.
• Forschung / Hochschullabore: offene Datensätze und individuelle Sensor-Nachrüstungen.

So funktioniert es

1. sensors (layer camera, OT/NIR, melt-pool photodiode/camera, machine log)
2. synchronisation & registration to slice geometry (x, y, layer z)
3. preprocessing (flat-field, powder-bed mask, normalisation per machine)
4. models: image anomaly detection / segmentation + time-series classifier
5. voxel-level fusion into 3D defect-probability volume
6. rules & thresholds (zone-specific: critical vs non-critical regions)
7. action: alarm, pause/abort, (optional) parameter correction, CT sampling plan
8. archive: build report linked to serial number, powder batch, machine state

• Unüberwachte/teilüberwachte Anomalieerkennung (Autoencoder, Merkmalsabstand im PatchCore-Stil) behandelt seltene Defekte; überwachte Segmentierung (U-Net/YOLO-Familie) wird eingesetzt, wo auf Schichten ausgerichtete CT-Labels vorliegen.
• Schmelzbad-Signale: 1D-CNN, Transformer oder Gradient-Boosting-Klassifikatoren auf Photodioden-Datenströmen.
• Geschlossener Regelkreis: Korrekturen in Echtzeit gibt es überwiegend in Forschung und Pilotprojekten der Hersteller; der Produktiveinsatz beschränkt sich meist auf Warnungen mit menschlicher Entscheidung.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Prozessingenieur bestätigt Abbruch oder Fortsetzung; der Qualitätsingenieur gibt Freigabe und CT-Stichproben frei; die Modelldrift wird nach jeder Rekalibrierung der Maschine geprüft.

Datenaufbereitung

Prozessdaten sind groß, schnell und selten gelabelt; planen Sie das von Anfang an ein.

• Daten und Ort: Schichtbilder, Schmelzbad-Photodioden- und Kameradatenströme sowie Maschinenprotokolle liegen auf der Maschinensteuerung oder einem lokalen Server; Bauteil-, Materialchargen- und Baudatei-Daten liegen in MES, ERP oder CAD/PLM; CT-Scans und Prüfergebnisse liegen in den Dateifreigaben der Qualitätsabteilung.
• Typische Lücken: proprietäre Maschinenformate, keine zeitliche Zuordnung zwischen Sensordatenströmen und Schichten, keine Verknüpfung zwischen einer markierten Schicht und dem späteren CT- oder Zugversuchsergebnis, zu wenige Defektbeispiele und unklare Eigentumsverhältnisse an den Bauprozessdaten zwischen Betreiber und Kunde.
• Aufbereitungsschritte: Rohdaten über Maschinen-APIs oder Schnittstellen exportieren, alles auf einen gemeinsamen Schicht- und Koordinatenindex ausrichten, Bauprozesse mit Charge und Nachbearbeitungsergebnissen verknüpfen, ein Defektschema festlegen (Bindefehler, Keyholing, Spritzer), Labels aus CT und Metallographie gewinnen und komplette Bauprozesse als Testdaten zurückhalten. Daten mit Aufbewahrungsregeln für Qualifizierungsnachweise speichern.
• Werkzeuge: Python mit NumPy, OpenCV und einem Zeitreihenspeicher, ein Labeling-Werkzeug wie CVAT, Objektspeicher.
• Anteil am Aufwand: hoch, typischerweise 50-60 Prozent.

Verwandte Anwendungsfälle zur Aufbereitung: PREP-005, PREP-019, PREP-020, PREP-018.

Umsetzungswege

Welcher Weg für wen

• KMU (Dienstleister, kleine Hersteller): Weg A, weil Maschinenbauer und Spezialanbieter ausgereifte, integrierte Pakete für Schmelzbad- und Schichtüberwachung mit EU-Support anbieten und ein KMU selten die Data-Science-Kapazität hat, eigene zu entwickeln.
• Großunternehmen (Luft- und Raumfahrt, Automobil, Energie, Medizin): Weg C, weil Bauprozessdaten und Qualifizierungsunterlagen Betriebsgeheimnisse sind, Maschinenflotten die Lizenzkosten hoch machen und eine interne Plattform mehrere Prozesse bedienen kann.
• Entwickler (Anbieter von Überwachungssystemen, Forschungsinstitute): Weg C, weil Vision- und Zeitreihenmodelle mit offenen Gewichten auf HW2-Edge-Hardware volle Kontrolle über Sensordaten und Zertifizierungsnachweise geben; Weg D ergänzt eigenes Training.

Weg A — Kaufen (Standardsoftware)

• In die Maschine integrierte Überwachung: EOS (EU, Deutschland) EOSTATE-Suite (Exposure OT, MeltPool, PowderBed, Contour) mit EOSTATE-Software; Nikon SLM Solutions (EU, Deutschland) Melt Pool Monitoring und Layer Control; Trumpf (EU) TruPrint mit Schmelzbad- und Pulverbett-Überwachung; Renishaw InfiniAM Spectral; Velo3D Sapphire (Assure); Additive Industries (EU, NL) und Colibrium Additive (früher GE Additive) mit Überwachung in der Maschine [1][2].
• Analysesoftware von Drittanbietern: Materialise (EU, Belgien) Control Platform / Build-Processor- Module für Rückverfolgbarkeit, Authentise, Oqton MES, Siemens, Hexagon, Dyndrite (Data-to-Build).
• A wählen, wenn: Sie bereits eine OEM-Maschine besitzen; die Modelle der Hersteller sind auf diese Maschine und dieses Material kalibriert, und Gewährleistung bzw. Qualifizierung brauchen den Herstellersupport.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Eignung begrenzt: Rohdaten der Sensoren sind groß und das Prozess-Know-how ist sensibel. Nutzen Sie die Cloud (Azure ML, Vertex AI, AWS SageMaker in EU-Regionen oder EU-Clouds wie OVHcloud, STACKIT) nur für Training, Flottenanalysen und Dashboards; führen Sie die Inferenz am Rand aus.
• Datenanbindung: Maschinendaten über OPC UA / MTConnect / Hersteller-APIs, Zeitreihenspeicher (InfluxDB, TimescaleDB), MLOps (MLflow).
• VLMs sind für das Rohsignal nur begrenzt nützlich, helfen aber, Bauberichte für Nicht-Experten zusammenzufassen.

Weg C — Selbst betreiben (Open Source)

• Modelle/Werkzeuge: anomalib (PatchCore, PaDiM), Ultralytics YOLO oder Segmentierungsmodelle, PyTorch/Lightning, Segment Anything zur Annotation, tsai/sktime für Schmelzbad-Signale, ParaView und 3D Slicer zur Volumenvisualisierung, Open3D für die Registrierung [5].
• Bereitstellung: ONNX Runtime / TensorRT auf einem Industrie-PC mit GPU neben der Maschine; Kafka oder MQTT fürs Streaming; NVIDIA Triton für Server mit mehreren Maschinen.
• Hardware: HW1 für die Inferenz je Schicht an einer einzelnen Maschine, HW2 für Nachtraining und Flottenanalysen.

Weg D — Eigenes Training

Lohnt sich, wenn Herstellerwerkzeuge Ihre Legierung, Maschine oder Geometrie nicht abdecken (z. B. refraktäre Legierungen, große DED-Bauteile). Es braucht Baukampagnen mit gezielt eingebrachten Defekten, CT-Referenzdaten, die auf Schichten registriert sind, und ein validiertes Labeling-Protokoll. Rechnen Sie mit Monaten der Datenerzeugung; die Daten sind der Engpass, nicht das Modell.

Stand der Technik (2026)

• Hybride Sensorfusion (Schichtbilder + OT + Schmelzbad) mit 3D-Registrierung zur CT ist die Richtung in Forschung und Produkten; Vision-Foundation-Modelle (Merkmale der DINOv2-Klasse) verbessern die Few-Shot-Anomalieerkennung auf kleinen Datensätzen.
• Synthetische Daten und physikalisch informierte Modelle (Schmelzbad-Simulation) ergänzen seltene Defekte.
• Geschlossene Regelung bleibt überwiegend Forschung / Pilot; die meisten Werke nutzen die Überwachung zur Entscheidungsunterstützung, nicht zur autonomen Änderung von Parametern.
• Grenzen: schwacher Zusammenhang zwischen Signal und Defekt bei Poren unter 100 µm in einigen Materialien, maschinenspezifische Modelle, die sich nicht übertragen lassen, Fehlalarme durch Artefakte im Pulverbett, lange Labeling-Zyklen und wenige öffentliche Benchmark-Datensätze. Zertifizierungsstellen akzeptieren die Überwachung als unterstützenden Nachweis, noch nicht als alleinigen Qualitätsnachweis für kritische Bauteile [4].

Gemeinsame Bausteine & Kombinationen

• Gleicher Vision-Stack: VIS-001 (Oberflächeninspektion), VIS-056 (Wafer-Map-Klassifikation, ähnliche Anomalie-Pipeline), VIS-026 (Vermessung).
• Nachgelagert: VIS-053 (CT-/Röntgenauswertung, Referenzdaten und Stichproben), PRED-014 (virtuelle Qualitätssensoren), ANOM-005 (Prozessanomalien aus Sensordaten), OPT-009 (Offline-Parameteroptimierung mit Überwachungsdaten).
• Hardware: Edge-GPU-PC (HW1/HW2), gemeinsam genutzt mit anderen linienbegleitenden Inspektionsaufgaben.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Inbetriebnahme an einer neuen Maschine; Lizenzen und Sensoren werden vom OEM bepreist; Kalibrierkampagne je Material.
• Weg B/C: 6–12 Monate bis zu einem validierten Modell einschließlich CT-ausgerichteter Datensätze; Hauptkosten sind Datenerzeugung, CT-Zeit und Aufwand der Prozessentwicklung.
• Weg D: 12+ Monate für Nachweise in Qualifizierungsqualität.
• Kennzahlen: Erkennungswahrscheinlichkeit im Vergleich zur CT (je Defektklasse und -größe), Fehlalarmrate je Bauprozess, vermiedene Ausschusskosten, Anteil der mit reduzierter CT freigegebenen Bauteile, Zeit bis zur Erkennung, Modelldrift über Maschinen/Bauprozesse hinweg.

Menschen & Veränderung

Geschäftsleitung und die Leitung der additiven Fertigung bzw. der Qualität legen das Ziel fest (Ausschussreduzierung, Qualifizierungsnachweise). Maschinenbediener und Prozessingenieure sind die Endanwender; beziehen Sie sie früh ein, denn sie beurteilen Alarme und liefern Labels. IT und IT-Sicherheit binden die Maschinennetze an und schützen die Bauprozessdaten, Datenverantwortliche (Betrieb, Qualität, Kunden) regeln den Zugriff, und Recht bzw. Compliance prüfen Kundenverträge und Qualifizierungsregeln in Luft- und Raumfahrt, Medizin oder Energie.

Betriebsrat: abhängig vom Einzelfall. Das System beobachtet Maschine und Bauteil, nicht Personen, doch Alarmquittierungen und Eingriffe der Bediener werden je Nutzer protokolliert, wodurch das System objektiv geeignet ist, Verhalten zu überwachen; dann gilt §87 Abs. 1 Nr. 6 BetrVG, beziehen Sie den Betriebsrat daher vor dem Pilot ein und unterrichten Sie ihn nach §90 Abs. 1 Nr. 3. Labore der öffentlichen Hand beteiligen den Personalrat. Datenschutz: in der Regel keine personenbezogenen Daten außer Bediener-IDs; eine kurze Prüfung durch die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten genügt.

KI-Kompetenz: Unterstützen Sie Bediener mit praxisnahen Schulungen zum Lesen von Alarmen, zu Fehlalarmen und zu den Grenzen des Modells (Art. 4 KI-Verordnung (AI Act)). Führen Sie einen Pilot an einer Maschine im beratenden Modus neben der normalen Prüfung durch, vergleichen Sie mit CT-Ergebnissen und verknüpfen Sie Alarme erst danach mit Prozessaktionen. Typische Sorgen: Verlust der Entscheidungsbefugnis der Bediener und Angst vor Schuldzuweisung; begegnen Sie ihnen, indem der Bediener Alarme ignorieren oder bestätigen kann, und dokumentieren Sie, dass die endgültigen Qualitätsentscheidungen bei Menschen bleiben.

Siehe GUIDE-009, GUIDE-011, GUIDE-008 und GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei der Überwachung der Produktion. Ist das Modell eine Sicherheitskomponente eines regulierten Produkts (z. B. Fertigung von Medizinprodukten), gilt die Produktregulierung; das Überwachungswerkzeug selbst ist meist Prozessausrüstung. KI-Kompetenz (Art. 4) gilt [6].
• DSGVO: keine personenbezogenen Daten in den Sensordatenströmen; Bedienerprotokolle und Benutzerkonten können personenbezogene Daten sein.
• Branchenregeln: Luft- und Raumfahrt (EASA Part 21 und Kundenspezifikationen), Medizinprodukte (MDR, ISO 13485 Prozessvalidierung), Energie (PED, ISO-17025-Labore). Prozessänderungen erfordern eine erneute Validierung.
• Geistiges Eigentum und Datensicherheit: Bauprozessdaten verraten proprietäre Parameter; halten Sie sie On-Premises oder in EU-Clouds; berücksichtigen Sie NIS2 und den Cyber Resilience Act für vernetzte Maschinen.
• Risiken/Gegenmaßnahmen: Modelldrift nach Maschinenwartung (Rekalibrierung und Golden Builds), übermäßiges Vertrauen in Anomalie-Karten (CT-Stichproben beibehalten), Rückverfolgbarkeit der Modellversionen im Qualitätsnachweis.

Erste Schritte

1. Maschinen, Materialien und Kritikalität der Bauteile inventarisieren; festlegen, welche Überwachungssignale verfügbar sind.
2. Einen Bauprozess mit gezielt eingebrachten Defekten und CT durchführen und die Schichten auf die CT-Volumen registrieren.
3. Mit der OEM-Überwachungssoftware im reinen Warnmodus beginnen und Alarme mit CT-Befunden vergleichen.
4. Ein schlankes Anomaliemodell auf den eigenen guten Bauprozessen trainieren; die POD je Defekt auswerten.
5. Governance festlegen: Schwellenwerte, Abbruchbefugnis, CT-Stichprobenregel und Änderungskontrolle der Modelle.

Quellen

1. EOS — EOSTATE monitoring suite — https://www.eos.info
2. Nikon SLM Solutions — Melt Pool Monitoring — https://www.nikon-slm-solutions.com
3. Fraunhofer ILT — Additive manufacturing and process monitoring — https://www.ilt.fraunhofer.de
4. ISO/TC 261 Additive manufacturing standards — https://www.iso.org/committee/629086.html
5. anomalib (open-source anomaly detection) — https://github.com/open-edge-platform/anomalib
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. ASTM F42 Committee on Additive Manufacturing Technologies — https://www.astm.org/membership-participation/technical-committees/committee-f42