Additive Fertigung Wie Machine Learning die Präzision im 3D-Druck erhöht

Anbieter zum Thema

item Industrietechnik GmbH

Weidmüller Deutschland

COSCOM Computer GmbH

Markforged

Die Kalibrierung von 3D-Druckern ist oft Handarbeit. Doch Machine Learning und eine gemeinsame Datenbasis für die gesamte Druckerflotte erlauben die Automatisierung. Noch fehlen vielen Unternehmen allerdings die notwendigen Daten.

Additive Manufacturing gilt als große Chance in der Industrieproduktion, vor allem bei der Herstellung von Kleinserien und Einzelstücken. Doch es gibt dabei ein interessantes Phänomen: Zwar versorgen Computer die 3D-Drucker mit den Konstruktionsdaten, doch die genaue Kalibrierung der Geräte ist eine manuelle Aufgabe. Dabei sind nach dem Wechsel des Druckobjekts ein oder mehrere Probeläufe notwendig.

Das liegt meist daran, dass die Filamente oder Metallpulver von Drittherstellern eine andere Qualität gegenüber dem Originalmaterial haben. Hinzu kommen Schwankungen bei der Umgebungstemperatur oder der Luftfeuchtigkeit. Auch Vibrationen durch Umgebungsresonanz erzeugen minimale Abweichungen. Das erhöht den Aufwand: Nach dem Probedruck werden die gefertigten Teile ausgemessen und die Druckereinstellungen oder die Konstruktionsdatei angepasst.

KI-gestützte Kalibrierung des 3D-Druckers

Manuelle Kalibrierung macht den gesamten Druckprozess aufwendig und nur schlecht in herkömmliche Produktionslinien zu integrieren. Einige Autohersteller experimentieren damit. Sie fertigen Teile additiv, die nur in mittleren Stückzahlen für einzelne Modelle notwendig sind. Doch um hier die Effizienzmaßstäbe der deutschen Industrie zu erreichen, müssen auch die Drucker und die Druckprozesse von den Herstellern angepasst werden.

Zentrales Element dabei sind Vernetzung und Datenerfassung. KI-Anwendungen in der Cloud sind nun in der Lage, den gesamten Druckprozess zu analysieren und zu optimieren. Die Drucker erhalten Sensoren, mit denen Produktionsdaten gesammelt werden. Das sind etwa die Geschwindigkeit des Druckkopfes sowie der Druck, mit der die Düse das jeweilige Material ausgibt. Wenn ein Unternehmen diese Daten über einen längeren Zeitraum systematisch erhebt und eine KI-Anwendung damit füttert, kann sie Abweichungen im Druckprozess aufdecken.

Dafür wird Machine Learning (ML) benutzt, ein Oberbegriff für verschiedene lernfähige Algorithmen. Sie können in unterschiedlichen Kontexten genutzt werden und sind besonders stark in der Mustererkennung. Die KI-Anwendungen berechnen zunächst aus den Trainingsdaten ein ML-Modell. Es arbeitet als Auswertungsmodul, das die fortlaufend erhobenen Echtzeit-Daten analysiert. Zusätzlich wird es regelmäßig mit neuen Daten nachtrainiert. Dadurch lernt es dazu und kann die Daten besser auswerten.

Marktstudie

Wie die deutsche Industrie die additive Fertigung nutzt

Unternehmen haben zu wenige Daten

Machine Learning funktioniert besser, je mehr Daten für das Training zur Verfügung stehen. Bei industriellen Anwendungen ist es naheliegend, die Daten von vielen Unternehmen zusammenzuführen, die das gleiche Equipment nutzen. Dadurch entsteht eine sehr umfangreiche Datenbasis, die das Erkennen von Anomalien präziser machen.

Doch es gibt ein Hindernis: Produktionsdaten sind geschäftskritisch und bei vielen Unternehmen sogar als Betriebsgeheimnis eingestuft. Es gibt allerdings eine interessante Alternative, das sogenannte föderale Lernen (Federated Learning oder FL). Diese Variante von KI-Lernverfahren stammt von Google und nutzt kein zentrales System zur Berechnung der Modelle.

Das Training wird dezentral auf verschiedene Rechner verteilt, sodass die Trainingsdaten immer im Besitz der jeweiligen Unternehmen bleiben und auch dort gespeichert werden. Erst im Anschluss werden die Teilmodelle zu einem umfassenden ‚Supermodell‘ zusammengefasst. Dabei bleiben die Originaldaten beim Besitzer. Eine Managementsoftware sendet stattdessen verschlüsselte Parameterdaten an ein zentrales Trainingsmodul in der Cloud.

Daran wird deutlich, dass Federated Learning eine Art und Weise ist, das Training von ML-Modellen zu organisieren. Es ist deshalb von übergeordneten Lernverfahren wie Deep Learning in neuronalen Netzwerken oder spezifischen Methoden wie Supervised Learning zu unterscheiden. Die eigentlichen Lernverfahren sind frei wählbar aus dem ganzen Portfolio der KI-Technologien.

Forschung

So wird das Laserauftragschweißen präziser

Die gesamte Druckerflotte lernt hinzu

Bei föderalem Lernen müssen Trainingsknoten und Nutzer nicht identisch sein, das Modell arbeitet unabhängig von den Systemen für das Training. Doch in der Industrie ist Machine Learning effizienter, wenn alle Nutzer gleichzeitig auch Knoten für das Training sind. Sie tragen mit ihren Daten dazu bei, dass alle Anwender gleichermaßen profitieren. Das übergeordnete Modell wird zu den Nutzern übertragen oder via API zentral in der Cloud-Plattform abgefragt.

So lernt die gesamte Druckerflotte eines Herstellers durch den vernetzten und KI-unterstützten Druck mit jedem einzelnen Druckauftrag dazu. Die Datenbasis ist dadurch riesig, was die Präzision der KI-Lösung vergrößert. Sie liefert auf Anhieb Teile, die konsistent aufgebaut sind und eine hohe Qualität besitzen.

Die Unternehmen können damit die Steuerung der Hardware verbessern: Druckköpfe bewegen sich präziser, die Temperatur wird genauer an den jeweiligen Druckprozess angepasst. Dadurch entfällt die langwierige Anpassung in Handarbeit und die 3D-gedruckten Produkte werden schneller hergestellt.

* Lutz Feldmann ist Regional Channel Manger Euro-Central bei Markforged.

(ID:47783037)