Methodik zur Arbeitsvorbereitung mittels Maschinensteuerungs- und Sensordaten für extrusionsbasierte additive Verfahren

Niwar, Lea; Boos, Wolfgang; Schuh, Günther

doi:44983

Methodik zur Arbeitsvorbereitung mittels Maschinensteuerungs- und Sensordaten für extrusionsbasierte additive Verfahren = Methodology for work preparation using machine control and sensor data for extrusion-based additive manufacturing

Niwar, Lea^RWTH*

2026

VerantwortlichkeitsangabeLea Niwar

Ausgabe1. Auflage

ImpressumAachen : Apprimus Verlag 2026

Umfang1 Online-Ressource : Illustrationen

ISBNISBN 978-3-98555-315-0

ReiheErgebnisse aus der Produktionstechnik ; 2025,23

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Druckausgabe: 2026. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University. - Weitere Reihe: Produktionssystematik. - Weitere Reihe: Edition Wissenschaft Apprimus

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schuh, Günther (Thesis advisor)^RWTH* ; Boos, Wolfgang (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-06-17

Online
DOI: 10.18154/RWTH-2026-00666
URL: https://publications.rwth-aachen.de/record/1026109/files/1026109.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Arbeitsvorbereitung (frei) ; Materialextrusion (frei) ; Sensordaten (frei) ; additive manufacturing (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die kunststoffverarbeitende Industrie befindet sich in einem Paradigmenwechsel von der Massenproduktion kurzlebiger, nicht abbaubarer Produkte hin zu einer nachhaltigen Produktions-weise, die auf die wirtschaftliche und ökologische Herstellung sowie die möglichst lange Kreislaufführung von Kunststoffen abzielt. Additive Fertigungsverfahren, insbesondere extrusionsbasierte Methoden, stellen eine vielversprechende Technologie dar, um eine nachhaltigere Kunststoffproduktion zu ermöglichen. Sie bieten durch die werkzeuglose Fertigung das Potential die Fertigung von Konsumgütern und technischen Produkten in kleinen bis mittleren Stückzahlenwirtschaftlich zu gestalten. Für die großformatige, extrusionsbasierte additive Fertigung lassen sich unterschiedliche zukunftsweisende industrielle Anwendungsszenarien ableiten. Diese Szenarien positionieren die großformatige, extrusionsbasierte additive Fertigung als ebenbürtiges Kunststoffverarbeitungsverfahren mit Zukunftsperspektiven für OEMs und Zulieferer. Großformatige extrusionsbasierte additive Fertigungsverfahren stehen jedoch vor der Herausforderung, den notwendigen technologischen Reifegrad für diese industriellen Anwendungsszenarien zu erreichen. Die Technologien sind komplex, da eine Vielzahl von Prozessparametern, deren Kombinationen und Wirkzusammenhänge eine bedeutende Rolle für den erfolgreichen Fertigungsprozess spielen. Diese sind aufgrund der vergleichsweise jungen Technologien weniger erforscht als bei lange etablierten konventionellen Verfahren. Die Arbeitsvorbereitung, mit ihren Schritten der Kalibrierung der Anlagentechnik und der empirischen Prozessentwicklung vor der Fertigung mehrerer Bauteile oder großer, komplexer Bauteile, erfordert tiefes Expertenwissen. Das Ziel, strukturell einwandfreie Bauteile mit allen geforderten Eigenschaften zu fertigen, ist nur mit Hilfe aufwändiger Arbeitsvorbereitung erreichbar, was oft langwierige Inbetriebnahmen oder den Einsatz von Dienstleistern zur Fertigung erfordert. Um mit der schnellen technologischen Entwicklung Schritt zu halten, ist eine automatisierte Arbeitsvorbereitung erforderlich, die große Datenmengen aus Prozess- und Fertigungsparametern verarbeiten und auswerten kann. Das Ziel dieser Dissertation ist daher, die Anlagenhersteller und industriellen Nutzenden extrusionsbasierter additiver Fertigungsverfahren mit Hilfe von Methoden des maschinellen Lernens systematisch zu befähigen eine schnelle Einstellung optimaler Prozessparameter zu ermöglichen. Dafür wird eine Methodik entwickelt, welche die vier Methodikschritte Analyse von prozess-internen Daten, Integration von Sensortechnik, Prozessanalyse und Prozessoptimierung ausgehend von und rückführend in die Arbeitsvorbereitung extrusionsbasierter additiver Fertigungsverfahren, umfasst. Damit die Methodik zur Arbeitsvorbereitung in der Praxis adäquat genutzt wer-den kann, bauen diese Schritte jeweils aufeinander auf, bieten den Nutzenden aber auch bei nicht Vollendung der Methodik einen Mehrwert und Erkenntnisgewinn für die Arbeitsvorbereitungextrusions basierter additiver Anlagentechnik. Eine Validierung der Methodik anhand zweier praktischer Beispiele ermöglichen der industriellen Praxis, mit Hilfe der Methodik eine Prozessoptimierung der Arbeitsvorbereitung extrusionsbasierter additiver Fertigungsverfahren zu realisieren

The plastics processing industry is undergoing a paradigm shift from the mass production of short-lived, non-degradable products to a sustainable production method aimed at the economical and ecological manufacturing as well as the longest possible recycling of plastics. Additive manufacturing processes, especially extrusion-based technologies, are a promising technology for enabling more sustainable plastics production. Thanks to tool-free production, they offer the potential to make the manufacturing of consumer goods and technical products in small to medium quantities more economical. Various forward-looking industrial application scenarios can be derived for large-format, extrusion-based additive manufacturing. These scenarios position large-format, extrusion-based additive manufacturing as an equal plastics processing method with future prospects for OEMs and suppliers. However, extrusion-based additive manufacturing processes face the challenge of achieving the necessary level of technological maturity for these industrial application scenarios. The technologies are complex, as a large number of process parameters, their combinations and interactions play a significant role in the successful manufacturing process. Due to the comparatively young technologies, these are less researched than in long-established conventional processes. The work preparation, with its steps of calibrating the plant technology and the empirical process development prior to the manufacturing of multiple components or large, complex components, requires deep expert knowledge. The goal of producing structurally flawless components with all the required properties can only be achieved with the help of elaborate work preparation, which often requires lengthy commissioning or the use of service providers. In order to keep pace with rapid technological development, automated work preparation is required that can process and analyse large amounts of data from process and production parameters. The aim of this dissertation is therefore to enable system manufacturers and users of extrusion-based additive manufacturing processes to quickly set optimal process parameters with the help of machine learning methods with a systemic approach. To this end, a methodology is being developed that comprises the four methodological analysis of internal process data, integration of sensor technology, process analysis and process optimisation starting from and feeding back into the work preparation of extrusion-based additive manufacturing processes. To ensure that the methodology for work preparation can be adequately used in practice, the steps build on each other, but also offer added value and knowledge gain for the work preparation of extrusion-based additive plant technology even if the methodology is not completed. Validation of the methodology using two practical examples enables industrial practice to use the methodology to optimise the process of work preparation for extrusion-based additive manufacturing processes.

OpenAccess:
PDF
(additional files)