Über die Grundlagen hinausgehen:Maschinelles Lernen und AM

Im Zeitalter von Industrie 4.0 bewegt sich die Fertigung zunehmend in Richtung einer Welt des maschinellen Lernens und der künstlichen Intelligenz. Eine Welt, in der datengesteuerte Systeme entwickelt werden können, um Produktionsprozesse zu verbessern. Und die additive Fertigung kann die Vorteile des maschinellen Lernens nutzen, um mehr Effizienz zu erzielen, die Produktqualität zu verbessern und AM-Workflows zu optimieren.

Effizienzsteigerung durch maschinelles Lernen

Da die additive Fertigung für die Endverbraucherproduktion skaliert wird, beschränken sich die Fortschritte beim maschinellen Lernen nicht nur auf die Aussicht auf selbstfahrende Autos. Maschinelles Lernen kann in der additiven Fertigung verwendet werden, um die Effizienz teilweise zu steigern, indem Trial-and-Error-Methoden während des Produktionsprozesses eliminiert werden.

Eine Vielzahl von Faktoren, wie die Teileausrichtung oder die Gestaltung von Stützstrukturen, können potenziell die Materialstruktur eines Teils beeinflussen und zu Konstruktionsfehlern führen. Dies bedeutet unweigerlich, dass der Grund für das Scheitern eines Builds auf eine Reihe von Variablen zurückgeführt werden kann. Typischerweise wurde ein Trial-and-Error-Ansatz angewendet, um einen zuverlässigen Druckprozess zu erreichen. Da dies jedoch das Durchlaufen einer Reihe von Fehlern erfordert, bevor der optimale Prozess erreicht wird, mangelt es einem Trial-and-Error-Ansatz unweigerlich an Effizienz. Maschinelles Lernen kann helfen, einen Trial-and-Error-Ansatz in der Produktion zu umgehen, indem ein System entwickelt wird, das Maschinen hilft, die Variablen und Parameter im Voraus zu bestimmen und so den Produktionsprozess zu optimieren.

Das Office of Naval Research (ONR) der US Navy hat sich kürzlich mit dem Datenunternehmen Senvol zusammengetan, um eine Software für maschinelles Lernen zu entwickeln, die die Beziehung zwischen AM-Prozessparametern und der Materialleistung analysieren kann. Das Ziel besteht darin, ONR in die Lage zu versetzen, die Abhängigkeit von traditionellen Materialprüfungen zu reduzieren.

Und die Forschung des ADAPT Center in Colorado hat bereits damit begonnen, zu untersuchen, wie maschinelles Lernen die Innengeometrie des Teils erkennen, die richtigen Parameter für jedes neue Teil vorhersagen und so den Druckprozess optimieren kann.

Verbesserung von Qualitätsprozessen durch maschinelles Lernen

Maschinelles Lernen kann auch implementiert werden, um dem Produktionsprozess eine weitere Ebene der Qualitätskontrolle hinzuzufügen, da Maschinen schließlich in der Lage sind, sich selbst zu korrigieren und sich selbst zu überwachen. Mithilfe von Machine-Learning-Technologie können große Datenmengen analysiert und verwendet werden, um einen Echtzeitstatus jeder Produktionsstufe bereitzustellen. Maschinen können Algorithmen verwenden, um Muster in Produktionsdaten zu finden und daraus Vorhersagemodelle zu konstruieren, die durch Vergleiche mit realen Daten verfeinert werden.

Im vergangenen Jahr stellte GE seine Forschungen zum Einsatz von maschineller Intelligenz und digitalem Zwilling zur Verbesserung der Maschinen- und Materialleistung für den Metall-3D-Druck vor. Durch seine Erforschung des maschinellen Lernens zielt GE darauf ab, Materialverschwendung durch die Erkennung von Qualitätsprozessproblemen zu reduzieren, mit dem ultimativen Ziel, eine Ausbeute von 100 % zu erreichen. Die Forschung von GE zielt darauf ab, einen vollständigen Einblick in jede Schicht eines Teileaufbaus zu erhalten, indem die Maschine trainiert wird, um Probleme mit der Konstruktion selbst zu erkennen. Auf diese Weise können Benutzer die Mechanik und Struktur eines Builds sehen und Probleme früher im Prozess erkennen.

Andere Anwendungsfälle für maschinelles Lernen

Ersatzteile

Die additive Fertigung hat sich aufgrund der hohen Lager- und Lagerhaltungskosten für Ersatzteile als ideale Lösung für die Ersatzteilindustrie erwiesen. Die additive Fertigung löst dieses Problem, indem sie es Herstellern ermöglicht, Ersatzteile bedarfsgerecht und bedarfsgerecht zu produzieren und zu liefern.

Und doch kann maschinelles Lernen diese Lösung noch einen Schritt weiterführen, um die Effizienz des Produktionsprozesses zu verbessern und die Vorhersagefähigkeiten zu verbessern. Im Fall der diskreten Fertigung können Unternehmen beispielsweise Predictive Maintenance-Modelle nutzen, um die Lebensdauer eines bestimmten Teils vorherzusagen. Maschinelles Lernen kann auch verwendet werden, um anhand eines voreingestellten Datenplans zu erkennen, wann ein Kunde Teile austauschen muss, sodass Hersteller Ersatzteile vorzeitig versenden können. Hersteller sollten daher den Einsatz von maschinellem Lernen in Betracht ziehen, um Kosten zu senken und eine höhere Kundenzufriedenheit zu gewährleisten.

Maschinelles Lernen – ein riesiges Potenzial für AM

Maschinelles Lernen hat das Potenzial, Produktionsprozesse zu verbessern, Entscheidungen zu treffen und Geschäftsmodelle letztendlich zu verändern. Die Anwendungen des maschinellen Lernens für AM sind zahlreich und reichen von der Verbesserung von Designprozessen über die Verbesserung der Effizienz bis hin zur Bestimmung der Druckbarkeit eines 3D-Objekts, bevor der Druckprozess begonnen hat. Die Implementierung von maschinellen Lern- und KI-Systemen ist jedoch auch mit eigenen Herausforderungen verbunden, die eine strategische Planung und Investitionen sowohl in die Software- als auch in die Hardware-Infrastruktur erfordern. Aber im Zeitalter von Industrie 4.0 ist klar, dass der Einsatz von maschinellem Lernen, KI und Big Data für AM nur die Spitze des Eisbergs ist.