Einleitung: Von regelmäßiger Instandhaltung zu zustandsbasierter Wartung
3D-Druckanlagen (SLM, SLS, SLA, FDM) arbeiten langfristig in Laser-, Hochtemperatur- und Pulverumgebungen. Degradationen wie Galvanometer-Drift, nachlassende Laserleistung, Rakelverschleiß oder verstopfte Filtereinsätze verlaufen schrittweise und sind messbar. Die traditionelle „zeitbasierte Wartung“ führt leicht zu Überwartung oder unzureichender Wartung. Prädiktive Wartung (PdM) erfasst Zustandsdaten aus mehreren Quellen und erstellt Trendmodelle zur Prognose der verbleibenden Nutzungsdauer (RUL), sodass Wartungsentscheidungen von „kalendergetrieben“ auf „zustandsgetrieben“ umgestellt werden.
1. Kernlogik der prädiktiven Wartung: Überwachungskennzahlen aus Ausfallfolgen ableiten
Am Beispiel einer SLM-Anlage gehören zu den qualitätsentscheidenden Teilsystemen die Laseroptik (Galvanometer, Schutzglas, Lichtfaser), der Pulverauftrag (Rakel/Walze, Pulverbett) sowie Atmosphäre und Temperaturregelung. Jedes Teilsystem besitzt quantifizierbare Degradationssignale: Eine Nullpunktverschiebung des Galvanometers führt zu Konturdrift im Mikrometerbereich, Verschmutzung des Schutzglases senkt die Transmission von 99 % auf 92 % und geht mit steigender Schmelzbadtemperatur einher, während Verschleiß an der Rakelkante Streifen im Pulverauftrag verursacht. Der erste Schritt der prädiktiven Wartung besteht darin, eine Zuordnungstabelle „Ausfallmodus – Überwachungskennzahl – Schwellenwert“ zu erstellen und die Gesundheitsbasislinie jeder Kennzahl festzulegen.
2. Erfassung von Zustandsdaten aus mehreren Quellen: Mechanische, elektrische, optische und Prozesssignale
Die Datenerfassung sollte vier Signalarten abdecken: mechanische Signale (Servostrom, Schwingungsspektrum, Rakel-Verfahrkraft), elektrische Signale (Messwerte des Laserleistungsmessers, Netzteilrippel), optische Signale (koaxiale Infrarot-Thermografie der Schmelzbadtemperatur, Transmission des Schutzglases, Fokusposition) und Prozesssignale (Sauerstoffgehalt, Wiederholgenauigkeit der Schichtdicke, Maßabweichung des Erstteils). Es wird empfohlen, wichtige Analoggrößen mit 1–10 Hz abzutasten und chargenweise zu archivieren, damit jeder Trend auf die konkrete Anlage und die jeweilige Komponentencharge zurückverfolgt werden kann.
3. Trendanalyse und Algorithmen zur Restlebensdauer (RUL)
Für die RUL-Schätzung werden häufig drei Methodengruppen eingesetzt: physikbasierte Modelle (z. B. L70-Lebensdauer von Laserdioden, Verschleißrate von Galvanometerlagern), degradationsbasierte Modelle (exponentielle/Weibull-Degradation, verbleibende Festigkeit) und datengetriebene Verfahren (Anomaliebewertung mit LSTM-Autoencodern, Random-Forest-Regression). Für die technische Umsetzung gilt: Einfachheit zuerst. Zunächst sollten Basislinien mit gleitenden Fensterstatistiken aufgebaut werden, etwa wenn eine 7-Tage-Steigung der Leistung von ≥2 % pro Monat eine Vorwarnung auslöst; maschinelles Lernen kann anschließend bedarfsweise eingeführt werden. Entscheidend ist der Schritt von „Alarm mit Zahlen“ zu „Lebensdauer mit Schätzung“ – also eine ausführbare Aussage wie „voraussichtlich noch N Chargen/Tage lauffähig“.
4. Ersatzteil-Lebenszyklus und prädiktive Bestandsplanung
Prädiktive Wartung muss mit dem Ersatzteilmanagement verknüpft werden: Verschleißteile wie Schutzgläser, Rakel, Filtereinsätze und Dichtungen sollten auf Basis der überwachten Restreserve automatisch Austauschvorschläge erzeugen und in ein Ersatzteil-Lebenszyklusregister aufgenommen werden, einschließlich Wareneingangscharge, Einbauzeitpunkt, kumulierter Betriebsstunden und voraussichtlicher Ausmusterung. Wenn die RUL unter einen Sicherheitsschwellenwert fällt, informiert das System Einkauf und Produktionsplanung frühzeitig, um passive Stillstände nach dem Muster „Anlage ist ausgefallen, Ersatzteil noch unterwegs“ zu vermeiden. Dadurch entsteht ein geschlossener Regelkreis mit Investitionsentscheidungen für Anlagen (TCO): Wartungskosten und Stillstandsverluste fließen in die Rendite der Anlagenauswahl ein.
5. Umsetzung als geschlossener Regelkreis: Überwachung – Vorwarnung – Arbeitsauftrag – Verifizierung
Die vollständige Ausführungskette lautet: Echtzeitüberwachung → Schwellenwert-/Modellwarnung → automatische Erstellung eines Wartungsauftrags (inklusive Standardarbeitsanweisung und Ersatzteilliste) → Erstteilprüfung nach Durchführung (Maße des Standardprüfkörpers, Schmelzbadkonsistenz) → Rückschreiben der Daten zur Modellkalibrierung. Es wird empfohlen, wöchentlich ein Dashboard zur Anlagenzustandsbewertung auszugeben und Anlagen mit einer Bewertung unterhalb des Schwellenwerts vorrangig zu prüfen. Durch diesen Regelkreis können Unternehmen ohne zusätzliche Hardwareinvestitionen die Rate ungeplanter Stillstände deutlich senken und Wartung von einem Kostenfaktor zu einer Absicherung stabiler Lieferung machen.
Fazit
Prädiktive Wartung und Restlebensdauer-Management sind ein notwendiger Schritt, damit 3D-Druck vom „Prototyping“ zur „stabilen Serienproduktion“ gelangt. Sie verwandeln verstreute Sensordaten in ausführbare Lebensdauerprognosen und Ersatzteilpläne, vermeiden sowohl Überwartung als auch plötzliche Linienstopps. lantu3D verbindet Zustandsüberwachung, RUL-Algorithmen und Ersatzteil-Lebenszyklus, damit jede Anlage über ihren gesamten Lebenszyklus hinweg eine planbare Bauteilqualität und Liefertaktung beibehält.
Reichen Sie ein Modell, eine Zeichnung, ein Bild oder schriftliche Notizen ein. Ingenieure prüfen Material, Verfahren, Endbearbeitung und Lieferung basierend auf der tatsächlichen Anwendung.