Update
Start ins Jahr 2022 mit spannenden Neuigkeiten für EOS-Nutzer
19/01/2022
Unsere neue, direkte Schnittstelle zwischen EOS-Druckern und der nebumind Software eröffnet ein breites Anwendungsspektrum und ermöglicht es insbesondere EOS-Anwendern, Qualitätsüberwachungen und Analysen zu automatisieren, die bisher mit erheblichem manuellen Aufwand verbunden waren.
Als Mitglied des EOS Developer Network konnten wir eine direkte Schnittstelle zu EOS-Druckern bauen, komplett virtuell. Unsere Software sammelt nun OT-Daten über EOSCONNECT und Maschinendaten über OPC-UA. Auf diese Weise kann der Anwender Zusammenhänge zwischen eingestellten Maschinenparametern und tatsächlichen Ergebnissen analysieren. Unser nächster Schritt wird sein, auch Meltpool-Daten zu integrieren.
Hören Sie, was EOS über die Integration zu sagen hat.
Mit der neuen Schnittstelle zu EOS-Maschinen zielen wir vor allem auf den 3D-Druckmarkt für Metall ab, der in den letzten zehn Jahren beträchtlich gewachsen ist und 2019 einen Wert von 772,1 Mio. USD eirriecht hat, mit einer erwarteten durchschnittlichen jährlichen Wachstumsrate (CAGR) von 27,8 % von 2020 bis 2027 (Industry Report, June 2020, 3D Printing Metal Market Size, Share). Die Schlüsselfaktoren, die das Interesse am 3D-Druck vorantreiben, sind die größere Designflexibilität, der geringe Abfall und die Kosteneffizienz in der gesamten Fertigungslandschaft.
Die nebumind Software kann bereits in den ersten Jahren dieser neuen Fertigungsmethode einen erheblichen Mehrwert schaffen. Sie hilft den Anwendern, Qualitätstreiber des Fertigungsprozesses wie Geschwindigkeit, Temperatur und Feuchtigkeit zu identifizieren. Da alle Fertigungsdaten gleichzeitig als „digitale Produktzwillinge“ des gefertigten Bauteils visualisiert werden, können Anomalien schnell und intuitiv analysiert werden.
Eine interessante Anwendung, die wir derzeit untersuchen, ist der Abgleich von Fertigungsdaten mit CT-Daten (Computertomographie), die bei der abschließenden Qualitätskontrolle erfasst werden. Durch die Überlagerung der verschiedenen Datensätze können Anomalien und Qualitätsmängel innerhalb des gefertigten Bauteils noch schneller erkannt und in Zukunft vermieden werden – was eine steilere Lernkurve zur Folge hat.
Autor
Caroline Albert