Möglich wird diese Effizienz durch die Methodik der Physics-Informed Neural Networks (PINNs), die der Springer-Review als vielversprechendste Entwicklungsrichtung für die WAAM-Prozesssteuerung identifiziert. PINNs verknüpfen klassische neuronale Netze mit physikalischen Gesetzmäßigkeiten – konkret mit den partiellen Differentialgleichungen für Wärmeleitung, Impuls- und Massenerhaltung – und integrieren zusätzlich metallurgische Modelle wie CCT-Diagramme und Maynier-Gleichungen für die Gefügeentwicklung. Das Training solcher Modelle erfolgt zweistufig: In einem ersten Schritt wird das Netz auf großen Mengen synthetischer FEM-Daten vortrainiert, um die grundlegenden physikalischen Zusammenhänge zu internalisieren. In einem zweiten Schritt wird es mit realen Messdaten aus dem Fertigungsprozess feinjustiert. Der entscheidende Vorteil gegenüber rein datengetriebenen Modellen: PINNs liefern auch mit kleineren Trainingsdatensätzen physikalisch konsistente Ergebnisse – ein kritischer Vorteil in einem Umfeld, in dem experimentelle Daten teuer und limitiert sind.
Für die Industriepraxis bedeutet diese Entwicklung einen grundlegenden Paradigmenwechsel: Anstatt Eigenspannungen oder Bauteilverzerrungen nach der Fertigung zu messen und den nächsten Auftrag empirisch anzupassen, erlaubt die Kombination aus FEM-Vorabsimulation und KI-gestützter Echtzeitprädiktion eine proaktive, vorausschauende Prozesssteuerung. Defekte können antizipiert und verhindert werden, bevor sie entstehen – eine Voraussetzung für die Zertifizierungsfähigkeit von WAAM-Bauteilen in regulierten Branchen wie der Energieerzeugung oder der Luft- und Raumfahrt.
WAAM trifft Industrie 4.0: Vernetzt, datengetrieben, zukunftssicher
Simulation und KI sind mächtige Werkzeuge – aber ihr volles Potenzial entfalten sie erst dann, wenn Produktionsanlagen nicht als isolierte Inseln, sondern als vernetzte Knotenpunkte in einer digitalen Fertigungsinfrastruktur operieren. Genau diesen Schritt demonstriert eine im November 2025 in Scientific Reports (Nature Portfolio) publizierte Arbeit der RWTH Aachen University, an der das Schweißtechnische Institut (Welding and Joining Institute – ISF), die Kommunikations- und verteilten Systeme (COMSYS), das Institut für Regelungstechnik sowie die Wissensbasierte Systeme Gruppe beteiligt waren.
Das Forschungsteam analysiert WAAM erstmals systematisch entlang von drei klar definierten Prozessschichten – Werkstück, Anlage und Produkt – und legt damit ein Framework vor, das weit über die einzelne Fertigungszelle hinausdenkt.
Die Werkstückschicht (workpiece layer) bildet hierbei die unmittelbare Produktionsumgebung ab. Hier entscheidet sich Sekunde für Sekunde, ob ein Bauteil den Spezifikationen entspricht. In der Aachener Experimentalanlage wurde Gas Metal Arc Welding (GMAW) mit Spannungen zwischen 15 und 37 Volt und Stromstärken zwischen 190 und 410 Ampere eingesetzt. Ein Proportional-Integral-Regler (PI-Regler) passte Schweißparameter in Echtzeit über eine Roboterschnittstelle an – mit dem Ziel, gleichzeitig die geometrische Genauigkeit der aufgetragenen Schichten zu sichern und die Schweißrauchemissionen zu minimieren. Ergänzend diskutieren die Autoren Model Predictive Control (MPC) als zukünftige Methode für eine noch leistungsfähigere geschlossene Regelschleife: MPC kann mehrere Zeitschritte im Voraus planen und dabei konkurrierende Prozessziele – etwa Abscheidegeschwindigkeit, Geometriegenauigkeit und Emissionsminimierung – simultan optimieren.
Das Herzstück des Qualitätssicherungsansatzes ist dabei nicht ein vollständiger digitaler Zwilling, sondern der konzeptionell schlankere Digitale Schatten (digital shadow): Während ein digitaler Zwilling das Gesamtsystem in seiner vollen Komplexität abbildet, erfasst ein digitaler Schatten nur jene Prozessparameter, die für eine konkrete Aufgabe – etwa die Vorhersage der Nahtqualität oder die Überwachung von Schweißrauchemissionen – tatsächlich relevant sind. Dieser gezielte Informationsfilter macht den Ansatz rechenzeiteffizient und echtzeitfähig. Im Ergebnis konnte das Aachener Team die Schweißrauchemissionen durch datengesteuerte Prozessoptimierung um 12 bis 40 % senken – ein messbarer Gewinn für Arbeitssicherheit, Energiebilanz und Betriebskosten zugleich.
Die Anlagenschicht (assembly layer) adressiert die Herausforderungen, die entstehen, wenn mehrere Maschinen, Standorte oder Unternehmen miteinander kommunizieren sollen. Interoperabilität zwischen unterschiedlichen Stakeholdern – Maschinenhersteller, Betreiber, Qualitätssicherung, Zertifizierungsstellen – erfordert klare Definitionen von Verantwortlichkeiten, Zugriffsrechten und Datenaustauschprotokollen. Das Framework schlägt hierfür standardisierte Schnittstellen vor, die einen kontrollierten Datenaustausch ermöglichen, ohne proprietäre Systemgrenzen aufzulösen.
Die Produktschicht (product layer) schließlich stellt die Frage nach der Verlässlichkeit und Nachvollziehbarkeit der erzeugten Daten über den gesamten Produktlebenszyklus. Hier kommen Techniken zur Authentifizierung und Verifizierbarkeit von Prozessdaten ins Spiel – zentral für Branchen, in denen Zertifizierungsnachweise lückenlos erbracht werden müssen. Gleichzeitig berücksichtigt das Framework Datenschutzanforderungen durch sogenannte privacy-preserving techniques, die eine sinnvolle Datenteilung zwischen Unternehmen ermöglichen, ohne sensitive Produktions- oder Konstruktionsdaten preiszugeben.
Ein besonders zukunftsweisendes Element des Aachener Frameworks ist die Anbindung an die Worldwide WAAM Library (WWL) – eine Datenteilungsinfrastruktur, die im Rahmen der Internet of Production-Initiative entwickelt wurde. Die WWL ermöglicht es, digitale Schatten mehrerer WAAM-Systeme – standortübergreifend, betreiberunabhängig – zentral zu speichern, abzufragen und kollektiv auszuwerten. Je mehr Anlagen ihre Prozessdaten in diesen gemeinsamen Pool einspeisen, desto präziser werden die Qualitätsmodelle, desto schneller wird Cross-Site-Optimierung möglich. Das langfristige Ziel: ein globales, lernendes Netzwerk von WAAM-Anlagen, das seine kollektive Erfahrung nutzt, um jeden einzelnen Druckjob besser zu machen als den vorherigen.
Nicht zuletzt stellt die Verbindung von Produktionsanlage und Datennetzwerk auch die Frage der Cybersicherheit neu. Mit wachsender Vernetzung steigt das Angriffspotenzial auf Fertigungssysteme. Das Framework integriert daher Datensicherheitsanforderungen von Beginn an – nicht als Nachrüstlösung, sondern als strukturelles Designprinzip. Dies ist für Industrieanwender aus sicherheitskritischen Branchen ein Argument, das über den technologischen Enthusiasmus hinausweist und konkrete Compliance-Anforderungen adressiert.
Ausblick: Der Draht als Rohstoff der nächsten Fertigungsgeneration
WAAM steht an einem Wendepunkt: von einem anspruchsvollen Spezialverfahren hin zu einem industriell etablierten Serienprozess. Die Kombination aus hoher Wirtschaftlichkeit bei Großbauteilen, wachsender Simulationsgenauigkeit, KI-gestützter Prozessüberwachung und zunehmenden Zertifizierungserfolgen in sensiblen Branchen eröffnet Märkte, die vor fünf Jahren hermetisch abgeriegelt schienen.
Für die Drahtindustrie bedeutet dies eine fundamentale Neupositionierung des klassischen Schweißdraht-Nutzenportfolios: Er ist nicht länger nur Verbrauchsmaterial – er wird zum Ausgangsstoff für zertifizierte Metallbauteile von industriellem Maßstab. Die wire Düsseldorf bietet genau die Plattform, auf der Drahtproduzenten, Maschinenhersteller, Forschungsinstitute und Endanwender die nächsten Schritte dieser Entwicklung gemeinsam gestalten können.
Mehr zu aktuellen Technologien und Innovationen aus der Draht- und Rohrindustrie sowie weiterführende Branchen- und Produktinformationen finden Sie auf den Internetportalen www.wire-tradefair.com und www.tube.de.
Weiterführende Informationen und Quellen
- Ghazali et al. – A focused review on numerical computation in WAAM for HSLA steels (Springer, Oktober 2025): link.springer.com
- Chen et al. – A comprehensive review of simulation approaches in WAAM (IOP Science, Januar 2025): iopscience.iop.org
- Mann et al. / RWTH Aachen – Connected, digitalized wire arc additive manufacturing (Nature/Scientific Reports, November 2025): 3dprintingindustry.com
- Recke / GEFERTEC – Optimization of series production with 3D printing and WAAM (All About Industries, Oktober 2025): all-about-industries.com
- MX3D – Wire Arc Additive Manufacturing: A definition of this technology: mx3d.com
Infokasten:
Wire Arc Additive Manufacturing (WAAM) – Drahtlichtbogen-Additive Fertigung; ein Verfahren, bei dem Metalldraht durch einen elektrischen Lichtbogen aufgeschmolzen und Schicht für Schicht zu einem Bauteil aufgebaut wird.
Directed Energy Deposition (DED) – Oberbegriff für additive Fertigungsverfahren, bei denen Material und Energiequelle gleichzeitig auf einen Punkt gerichtet werden. WAAM ist eine Unterform davon.
ISO/ASTM 52900:2021 – Internationale Norm zur Klassifikation und Terminologie additiver Fertigungsverfahren.
Substrat – Die Grundplatte, auf der das Bauteil schichtweise aufgebaut wird.
Abscheiderate – Die Menge an Material (in kg/h), die pro Zeiteinheit aufgetragen werden kann. Bei WAAM liegt sie typischerweise bei 2–15 kg/h.
Near-Net-Shape – „Nahezu endkonturnah"; das gefertigte Rohteil hat bereits eine Form, die der Endgeometrie sehr nahekommt und nur noch wenig Nachbearbeitung erfordert.
Selective Laser Melting (SLM) – Ein pulverbasiertes additives Fertigungsverfahren, bei dem Metallpulver per Laser verschmolzen wird. Im Gegensatz zu WAAM geeignet für sehr kleine, hochpräzise Bauteile.
Finite-Elemente-Methode (FEM) – Numerisches Simulationsverfahren zur Berechnung von Temperaturfeldern, Eigenspannungen und Verzügen in einem Bauteil – noch vor der eigentlichen Fertigung.
Physics-Informed Neural Networks (PINNs) – Neuronale Netze, die nicht nur auf Messdaten, sondern auch auf physikalischen Gesetzen (z. B. Wärmeleitungsgleichungen) basieren. Ermöglichen präzise Vorhersagen auch mit kleinen Datensätzen.
PIDeepONet-RNN – Ein spezifisches KI-Modell, das physikalisch informierte neuronale Operatoren mit rekurrenten neuronalen Netzen kombiniert, um Bauteilverzerrungen in Echtzeit vorherzusagen.
Digitaler Schatten (Digital Shadow) – Eine selektive digitale Abbildung eines Fertigungsprozesses, die nur die für eine bestimmte Aufgabe relevanten Daten erfasst – leichtgewichtiger als ein vollständiger digitaler Zwilling.
Digitaler Zwilling (Digital Twin) – Ein vollständiges digitales Abbild eines physischen Systems oder Prozesses in Echtzeit.
Model Predictive Control (MPC) – Prädiktive Regelungsmethode, die mehrere Zeitschritte im Voraus plant und dabei mehrere konkurrierende Prozessziele gleichzeitig optimiert.
Worldwide WAAM Library (WWL) – Eine offene Datenteilungsinfrastruktur, in der digitale Schatten verschiedener WAAM-Anlagen standortübergreifend gespeichert und ausgewertet werden können.
CCT-Diagramm – Kontinuierliches Zeit-Temperatur-Umwandlungsdiagramm; zeigt, wie sich die Gefügestruktur eines Stahls in Abhängigkeit von Abkühlgeschwindigkeit und Temperatur verändert.
HSLA-Stähle – High-Strength Low-Alloy Steels; hochfeste niedriglegierte Stähle mit überlegenem Festigkeits-Gewichts-Verhältnis, die zunehmend per WAAM verarbeitet werden.
