Real-time Modelling and ML Data Training for Digital Twinning of Additive Manufacturing Processesa?

Abstract

Reduced and real-time modelling is one of the main pillars of digital “process models” for twinning of manufacturing processes. Starting from the data processing and model building, a digital twin of additive manufacturing (AM) processes involves creating virtual replica where predictions and corrections can be made in real-time. Developing such fast predictive/corrective digital models involve data training and machine learning (ML) routines, where dynamic and accurate models can be employed for process optimisation and control. In this research work, the overview of the real-time modelling and ML data training have been presented for AM processes using hybrid and reduced order modelling (ROM) techniques. Hence, variations of processing parameters (e.g., temperature, power and feeding speed) for wire arc AM processes are considered to develop a tailored process data base and its associated snapshot matrix. Furthermore, the accuracy and reliability of these digital models for monitoring and optimizing AM processes are investigated using a real-world case study. The performances of different reduced model building, and data interpolation techniques have subsequently been scrutinized to create the most accurate and efficient solver-interpolator combinations for integration of real-time models into digital twins for AM processes.Die reduzierte Modellierung in Echtzeit ist eine der wichtigsten Säulen digitaler „Prozessmodelle“ für die Zwillingsbildung von Fertigungsprozessen. Ausgehend von der Datenverarbeitung und der Modellerstellung beinhaltet ein digitaler Zwilling von additiven Fertigungsprozessen (AM) die Erstellung einer virtuellen Nachbildung, in der Vorhersagen und Korrekturen in Echtzeit vorgenommen werden können. Die Entwicklung solcher schnellen prädiktiven/korrigierenden digitalen Modelle beinhaltet Datentraining und maschinelle Lernroutinen (ML), wobei dynamische und genaue Modelle für die Prozessoptimierung und -steuerung eingesetzt werden können. In dieser Forschungsarbeit wurde ein Überblick über die Echtzeit-Modellierung und das ML-Datentraining für AM-Prozesse unter Verwendung von Hybrid- und Reduced Order Modeling (ROM)-Techniken gegeben. Dabei werden Variationen von Prozessparametern (z. B. Temperatur, Leistung und Vorschubgeschwindigkeit) für Drahtlichtbogen-AM-Prozesse berücksichtigt, um eine maßgeschneiderte Prozessdatenbank und die dazugehörige Snapshot-Matrix zu entwickeln. Darüber hinaus werden die Genauigkeit und Zuverlässigkeit dieser digitalen Modelle zur Überwachung und Optimierung von AM-Prozessen anhand einer realen Fallstudie untersucht. Die Leistungen verschiedener reduzierter Modellbildung und Dateninterpolationstechniken wurden anschließend untersucht, um die genauesten und effizientesten Solver-Interpolator-Kombinationen für die Integration von Echtzeitmodellen in digitale Zwillinge für AM-Prozesse zu schaffen.