Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

Stellen Sie sich einen Fabrikboden vor, auf dem massive Metallteile nicht aus einem massiven Block herausgefräst, sondern Schicht für Schicht aus einem Strom von geschmolzenem Metall aufgebaut werden. Dies ist die gerichtete Energiedeposition (Directed Energy Deposition), eine hochmoderne Fertigungsmethode, die verwendet wird, um alles von Triebwerksteilen für Strahltriebwerke bis hin zu medizinischen Implantaten herzustellen. Sie ist leistungsstark und flexibel und in der Lage, teure Maschinen zu reparieren oder komplexe Formen zu drucken, die auf keine andere Weise hergestellt werden könnten. Der Prozess ist jedoch notorisch schwer zu kontrollieren. Das Metall wird durch intensive Wärmequellen wie Laser oder Lichtbögen geschmolzen, wodurch ein winziger, glühender Pool aus flüssigem Metall entsteht, der in einem Bruchteil einer Sekunde abkühlt und erstarrt. Da dies so schnell geschieht und extreme Temperaturen involviert, ist der Prozess instabil. Er kann leicht verborgene Risse, Löcher oder Schwachstellen entwickeln, die das fertige Teil ruinieren. Traditionell bedeutete die Behebung dieser Probleme einen langsamen, teuren Zyklus aus Versuch und Irrtum: die Maschine einstellen, ein Teil bauen, es aufschneiden, um es zu inspizieren, den Fehler finden, die Einstellungen ändern und es erneut versuchen.

Um diesen Kreislauf zu durchbrechen, setzen Forscher auf zwei leistungsstarke Werkzeuge: maschinelles Lernen und digitale Zwillinge. Maschinelles Lernen ist eine Form der künstlichen Intelligenz, die lernt, Muster aus riesigen Mengen von Daten zu erkennen, ähnlich wie ein Mensch lernt, einen Defekt zu erkennen, indem er tausende Beispiele betrachtet. Ein digitaler Zwilling ist ein virtuelles Abbild der physischen Maschine und des gerade aufgebauten Teils. Er ist nicht nur ein statisches 3D-Modell; er ist eine lebendige Simulation, die Echtzeitdaten von Sensoren erhält, die die eigentliche Maschine überwachen, was es ihr ermöglicht, die physische Welt im Moment des Geschehens widerzuspiegeln. Wenn diese beiden Technologien kombiniert werden, versprechen sie, die Fertigung von einem reaktiven Prozess, bei dem Defekte erst nach ihrem Auftreten gefunden werden, in einen proaktiven Prozess zu verwandeln, bei dem Probleme vorhergesagt und korrigiert werden, noch bevor das Metall überhaupt abkühlt.

Ein Team von Forschern an der University of Texas Rio Grande Valley hat sich kürzlich zum Ziel gesetzt, den aktuellen Stand dieser Technologie zu kartieren. Sie führten eine systematische Übersicht von 130 wissenschaftlichen Studien durch, die zwischen 2016 und 2026 veröffentlicht wurden, und analysierten, wie maschinelles Lernen und digitale Zwillinge derzeit in der gerichteten Energiedeposition eingesetzt werden. Ihre Arbeit, die in einer systematischen Literaturübersicht veröffentlicht wurde, zeigt ein Feld auf, das sich rasant entwickelt, aber noch an der Schwelle zu einem großen Übergang steht. Die Forscher fanden heraus, dass Wissenschaftler zwar sehr gut darin geworden sind, Kameras und Sensoren einzusetzen, um den Prozess zu beobachten und vorherzusagen, wann etwas schiefgehen könnte, sie aber noch nicht vollständig die Fähigkeit beherrscht haben, diese Probleme in Echtzeit automatisch zu beheben.

Die Übersicht hebt hervor, dass die am häufigsten untersuchten Materialien spezifische Arten von Stahl und Nickelbasis-Superlegierungen sind, die für die Luftfahrt- und Energieindustrie essenziell sind. Die am häufigsten verwendeten Fertigungsmethoden sind der Drahtlichtbogenauftrag (Wire Arc Deposition), der einen elektrischen Lichtbogen nutzt, um Metalldraht zu schmelzen, und der laserbasierte Auftrag, der einen Hochleistungslaser verwendet, um Metallpulver zu schmelzen. In diesen Studien lag der primäre Fokus auf dem „Sehen“ des Prozesses. Forscher haben Maschinen mit Hochgeschwindigkeitskameras und thermischen Sensoren ausgestattet, um Bilder des geschmolzenen Pools zu erfassen. Diese visuellen Daten werden dann in Modelle des maschinellen Lernens eingespeist, wobei oft komplexe neuronale Netze verwendet werden, die wie digitale Augen fungieren. Diese Modelle haben bemerkenswerte Erfolge bei der Identifizierung von Defekten gezeigt. Einige Studien berichteten, dass diese Systeme Defekte wie Risse oder Löcher mit Genauigkeitsraten von über 99 Prozent erkennen oder die Form des Metall-Beads mit hoher Präzision vorhersagen konnten.

Die Autoren weisen jedoch auf eine kritische Lücke zwischen dem Erkennen eines Problems und dem Lösen eines Problems hin. Die meisten der bisher untersuchten digitalen Zwillingssysteme funktionieren eher wie ein „digitaler Schatten“. In diesem Aufbau fließt die Datenmenge nur in eine Richtung: von der physischen Maschine zum virtuellen Modell. Das virtuelle Modell kann dem Bediener sagen: „Schau, ein Defekt bildet sich gerade“ oder „Die Temperatur ist zu hoch“. Es ergreift jedoch selten von selbst Maßnahmen. Die Verbindung zwischen der virtuellen Vorhersage und der physischen Maschine ist oft unterbrochen. Anstatt dass der Computer automatisch die Laserleistung oder die Geschwindigkeit des Roboterarms anpasst, um den Fehler zu korrigieren, wartet das System in der Regel und greift auf ein menschliches Eingreifen. Die Forscher stellen fest, dass zwar einige fortgeschrittene Studien eine Closed-Loop-Steuerung (Regelkreissteuerung) demonstriert haben – bei der das System den Prozess automatisch anpasst, um einen Fehler zu beheben –, diese jedoch die Ausnahme und nicht die Regel darstellen.

Die Übersicht identifiziert auch erhebliche Hürden, die einer breiten industriellen Nutzung dieser Technologien entgegenstehen. Ein großes Problem ist der Mangel an Daten. Das Training eines Modells für maschinelles Lernen erfordert tausende Beispiele von guten und schlechten Teilen. Bei der gerichteten Energiedeposition ist das Erstellen dieser Beispiele teuer und zeitaufwendend. Es erfordert oft, das fertige Teil zu zerstören, um es auf interne Mängel zu untersuchen, was bedeutet, dass Forscher nicht einfach die massiven Datensätze sammeln können, die nötig wären, um die Computer zu lehren. Um dies zu bewältigen, nutzen einige Forscher Techniken wie das Transfer Learning, bei dem ein auf eine Art von Metall trainiertes Modell angepasst wird, um mit einer anderen Art zu arbeiten, oder sie verwenden physikbasierte Simulationen, um virtuelle Daten zu generieren. Dennoch warnen die Autoren, dass diese Methoden nicht perfekt sind. Ein Modell, das auf einer bestimmten Maschine oder einem bestimmten Material trainiert wurde, hat oft Schwierigkeiten, in einem anderen Setup zu funktionieren, was seinen Nutzen in einer vielfältigen Fabrikumgebung einschränkt.

Darüber hinaus stellten die Forscher fest, dass die aktuellen digitalen Zwillinge oft zu simpel sind, um die Komplexität der realen Fertigung zu bewältigen. Ein wahrer digitaler Zwilling sollte in der Lage sein, in beide Richtungen mit der physischen Maschine zu kommunizieren, sein eigenes Verständnis basierend auf neuen Daten ständig zu aktualisieren und dieses Wissen zu nutzen, um die Handlungen der Maschine zu steuern. Derzeit sind viele Systeme fragmentiert. Sie mögen exzellent darin sein, die Temperatur zu überwachen oder die Geometrie vorherzusagen, aber es fehlt ihnen die Fähigkeit, all diese Informationen in einen einzigen, autonomen Entscheidungsprozess zu integrieren. Die Übersicht legt nahe, dass dieses Feld über isolierte Experimente hinausgehen muss, damit diese Technologien ihr volles Potenzial entfalten können. Zukünftige Forschung muss sich auf die Entwicklung standardisierter Systeme konzentrieren, die in der Lage sind, Daten von mehreren Sensoren gleichzeitig zu verarbeiten, in Echtzeit ohne Verzögerung zu operieren und – was am wichtigsten ist – den Kreis zwischen Vorhersage und Handlung zu schließen.

Die Autoren kommen zu dem Schluss, dass das Fundament zwar gelegt, das Haus aber noch nicht gebaut ist. Die Fähigkeit, Defekte vorherzusagen, ist gut etabliert, aber die Fähigkeit, diese autonom zu korrigieren, bleibt unvollständig. Der nächste Schritt für die Industrie besteht darin, robuste Closed-Loop-Systeme zu entwickeln, bei denen die Maschine nicht nur sich selbst beobachtet, sondern aktiv ihren eigenen Kurs steuert. Dies erfordert nicht nur bessere Algorithmen, sondern auch eine tiefere Integration physikalischer Gesetze in die Computermodelle sowie eine Verpflichtung zum Austausch von Daten über verschiedene Maschinen und Materialien hinweg. Bis dahin wird die gerichtete Energiedeposition eine Technologie mit großem Versprechen bleiben, die jedoch durch die Notwendigkeit gebremst wird, die Lücke zwischen dem Beobachten des Prozesses und der tatsächlichen Kontrolle über ihn zu schließen.