Das Teilprojekt FERA I entwickelt eine innovative Lösung zur Reparatur von Werkzeugen in der Automobilindustrie: eine teilautomatisierte Prozesskette, die modernes Reverse Engineering (3D-Scannen, CAD-Verarbeitung) mit additiver Fertigung (Laser Metal Deposition, LMD) kombiniert. Ziel ist es, defekte Werkzeuge präzise und effizient zu reparieren und anzupassen, manuelle Schritte zu minimieren und die Prozesssicherheit zu erhöhen.
Das Projekt ist in drei Hauptarbeitspakete (WPs) unterteilt:
WP1: Automatisierte Reparatur von Werkzeugen für die Automobilindustrie
- WP1.1 (Datenverarbeitung): Hier wird ein automatisierter Prozess entwickelt, um aus gescannten Werkzeugen ein 3D-Differenzvolumen zur Reparatur zu erstellen. Der Benutzer wählt lediglich den relevanten Bereich aus und die Software generiert automatisch die benötigten Daten im STEP-Format.
- WP1.2 (LMD-Reparatur-/Anpassungsprozess): In diesem Schritt wird eine LMD-Prozessstrategie entwickelt, um das zuvor erstellte Differenzvolumen zuverlässig zu füllen. Es werden Parameterstudien durchgeführt und Werkzeugpfadstrategien untersucht, um ein sicheres Verarbeitungsfenster zu definieren und metallurgische Qualität zu gewährleisten.
- WP1.3 (Integration und Tests): Die Ergebnisse aus WP1.1 und WP1.2 werden integriert und der gesamte Reparaturprozess getestet. Eine semi-industrielle Demonstratorgeometrie wird verwendet, um die Prozesskette an einem realen Objekt zu testen und zu validieren.
WP2: Immersion und Training am Fraunhofer IPK
Dieses Arbeitspaket bietet ein fünftägiges Intensivtraining in Berlin. Die Teilnehmenden erhalten umfassende Einblicke in die gesamte Prozesskette der additiven Fertigung im Werkzeugbau, inklusive LMD-Reparatur, Reverse Engineering und Smart Condition Monitoring. Live-Demonstrationen und Firmenbesuche fördern den Wissenstransfer zu den brasilianischen Anwendungspartnern.
WP3: Internationale Markt- und Technologieanalyse
Ziel ist eine detaillierte Marktstudie zur additiven Fertigung in der Werkzeug-, Gesenk- und Formenbauindustrie. Es werden Best Practices, Erfolgsfaktoren, aktuelle Hürden, Marktzahlen und Zukunftsprognosen analysiert, um strategische Empfehlungen für die Implementierung von AM-Technologien zu geben.