{"id":33593,"date":"2021-12-15T14:00:38","date_gmt":"2021-12-15T13:00:38","guid":{"rendered":"https:\/\/www.3dnatives.com\/de\/?p=33593"},"modified":"2021-12-15T13:08:53","modified_gmt":"2021-12-15T12:08:53","slug":"machine-learning-additive-fertigung-151220211","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/de\/machine-learning-additive-fertigung-151220211\/","title":{"rendered":"Machine Learning: Die Bedeutung K\u00fcnstlicher Intelligenz f\u00fcr die Additive Fertigung"},"content":{"rendered":"

Die Digitalisierung und Automatisierung stellen f\u00fcr viele Unternehmen die Schl\u00fcssel f\u00fcr die weitere Entwicklung der additiven Fertigung dar. So setzen immer mehr Hersteller auf cloud-basierte L\u00f6sungen und integrieren diverse Algorithmen in ihre 3D-Druckl\u00f6sungen, um das volle Potenzial der Technologie auszusch\u00f6pfen. Der 3D-Druck ist als digitaler Prozess selbst Teil der Industrie 4.0<\/a> und somit wichtiger Bestandteil eines Zeitalters, in welchem K\u00fcnstliche Intelligenzen, wie das Machine Learning, zur Optimierung der Wertsch\u00f6pfungskette verst\u00e4rkt eingesetzt werden. K\u00fcnstliche Intelligenzen sind in der Lage eine gro\u00dfe Menge an komplexer Daten in k\u00fcrzester Zeit zu verarbeiten, weshalb die Maschine als Entscheidungstr\u00e4ger zunehmend an Bedeutung gewinnt. Wir erkl\u00e4ren Ihnen was Machine Learning ist und weshalb diese Form der K\u00fcnstlichen Intelligenz<\/a> die Zukunft der additiven Fertigung mitgestaltet.<\/span><\/p>\n

Machine Learning (deutsch: Maschinelles Lernen) ist eine Subkategorie der K\u00fcnstlichen Intelligenz und definiert sich als ein System bzw. als Software, welche mit Hilfe von Algorithmen Daten untersucht und im Anschluss Muster erkennt bzw. L\u00f6sungsvorschl\u00e4ge ermittelt. Im Gegensatz zu einem weit verbreiteten Glauben, dass Machine Learning eine neumodische Erscheinung ist kann gesagt werden, dass die Anf\u00e4nge in die 1940-er Jahre zur\u00fcckreichen, als die ersten Forscher angefangen haben die Neuronen des Gehirns mit elektrischen Schaltungen nachzubilden.<\/p>\n

\"\"

Mit dem Mark I Perceptron war der Grundstein des Maschinellen Lernens gelegt.<\/p><\/div>\n

Mit dem Mark I Perceptron gelang 1957 schlie\u00dflich der erste gro\u00dfe Erfolg in diesem Bereich: die Maschine war dazu in der Lage Eingabedaten eigenst\u00e4ndig zu klassifizieren. Dabei lernte das Ger\u00e4t aus Fehlern von vorherigen Versuchen, wodurch sich die Klassifizierung im Laufe der Zeit verbesserte. Seither war der Grundstein gelegt und Forscher fasziniert von den M\u00f6glichkeiten und dem Potenzial der Technologie. Inzwischen begegnet uns die K\u00fcnstliche Intelligenz tagt\u00e4glich in allen Bereichen des Lebens. Von der Spracherkennung \u00fcber intelligente Chatbots bis zu personalisierten Behandlungspl\u00e4nen, wird Machine Learning in einer Vielzahl von Applikationen eingesetzt.<\/p>

\"\"<\/a><\/div>\n

Supervised vs. Unsupervised Machine Learning<\/h3>\n

Innerhalb des Machine Learning Spektrums gilt es zwischen verschiedenen Methoden und Modellen zu unterscheiden. Denn Machine Learning ist nicht gleich Machine Learning. So muss beispielsweise zwischen Supervised und Unsupervised Machine Learning unterschieden werden. Supervised Machine Learning bzw. \u00dcberwachtes Lernen setzt voraus, dass kategorisierte Daten (Input-Daten) sowie die Zielvariable (Output-Daten) vorhanden sind. Aus diesen leitet sich das Modell ab, welches dann (neue) nicht kategorisierte Daten untersucht und die Zielvariable f\u00fcr diese selbst bestimmt. Diese Form des Machine Learnings wird beispielsweise f\u00fcr Vorhersagen z.B.: zur Prognose von Wartungsintervallen genutzt. Beim Unsupervised Machine Learning ist als Ausgangspunkt das Gegenteil der Fall. Die Software hat keine Zielvariable (Output-Daten), sondern muss basierend auf den Input-Daten Muster erkennen bzw. L\u00f6sungsvorschl\u00e4ge machen. Dieses Art von Machine Learning wird unter anderem im Marketing zur Ermittlung von Kundensegmenten, sogenanntes „Clustering“ genutzt. Aber es gibt noch weitere Unterschiede. So gibt es noch das teil\u00fcberwachte Lernen, das lediglich eine kleine Anzahl vordefinierter Daten in einer gro\u00dfen Anzahl an Rohdaten zum Training des Modells nutzt sowie das best\u00e4rkende Lernen, bei welchem das System selbst auf Basis vordefinierter Regeln lernt. Anwender m\u00fcssen die Wahl der geeigneten Methode daher auf Basis der Rohdaten und der Zielvariable treffen.<\/p>\n

Wie wird Machine Learning in der Additiven Fertigung eingesetzt?<\/h3>\n

Die additive Fertigung profitiert als digitaler Produktionsprozess von den F\u00e4higkeiten des Maschinellen Lernens. Da entlang der additiven Wertsch\u00f6pfungskette unz\u00e4hlige Daten (in Echtzeit) gesammelt und verarbeitet werden, k\u00f6nnen diese zur Analyse des\u00a0 IST-Zustand genutzt werden und in Folge den SOLL-Zustand neu definieren. Dabei ist es f\u00fcr Unternehmen zun\u00e4chst wichtig zu definieren, welche Daten \u00fcberhaupt von Relevanz sind. Diese Entscheidung h\u00e4ngt jeweils vom verwendeten Prozess ab. Im n\u00e4chsten Schritt gilt es, das geeignete Messinstrument zur Erfassung der Werte zu finden und zu integrieren, bevor ein geeignetes Modell bzw. der Algorithmus f\u00fcr die Datensammlung und Verarbeitung definiert wird. In diesem Kontext ist es auch wichtig zu verstehen, dass sich alle Schritte entlang der additiven Wertsch\u00f6pfungskette gegenseitig beeinflussen, weshalb eine isolierte Betrachtung in den meisten F\u00e4llen nicht zielf\u00fchrend ist. So beeinflusst beispielsweise bereits das Design<\/a> die sp\u00e4tere Bauteilqualit\u00e4t und die gew\u00fcnschte Bauteilqualit\u00e4t das Design. Aus diesem Grund versuchen immer mehr Unternehmen eine umfassende Softwarel\u00f6sung anzubieten, mit welcher die Vorteile der K\u00fcnstlichen Intelligenz f\u00fcr den additiven Fertigungsprozess bestm\u00f6glich ausgenutzt werden k\u00f6nnen.<\/p>\n

Intelligentes Design<\/h4>\n

Am Anfang jedes 3D-gedruckten Bauteils steht eine Datei, in den meisten F\u00e4llen eine CAD-Datei. Bereits hier k\u00f6nnen Unternehmen von der K\u00fcnstlichen Intelligenz profitieren. So nutzen heute bereits die meisten Softwarel\u00f6sungen<\/a> auf dem Markt KI, um den Anwendern intelligente Designvarianten basierend auf vordefinierten Variablen vorzuschlagen. Dieser Prozess ist unter anderem bekannt als generatives Design. Au\u00dferdem wird Machine Learning zur Topologie-Optimierung eingesetzt. Viele Softwarel\u00f6sungen machen zudem Vorschl\u00e4ge zu den Produktionsmethoden, dem Material und einer optimalen Ausnutzung des Bauraums. Dadurch k\u00f6nnen Kosten eingespart werden und Teile nicht nur effizienter sondern auch nachhaltiger produziert werden.<\/p>\n

\"\"

Mit dem Simulationswerkzeug der nTop Software werden mehrere Varianten einer Lattice Struktur vorgeschlagen und anhand von Gewicht und mechanischer Leistung eingestuft.\u00a0(Bild: nTopology)<\/p><\/div>\n

Qualit\u00e4tssicherung<\/h4>\n

Wenn die 3D-druckbare Datei bereits optimiert ist, gilt es den Fokus auf das verwendete 3D-Druckverfahren, die Materialqualit\u00e4t und die Bauteilqualit\u00e4t zu richten. Heute haben bereits viele Hersteller Kameras und Sensoren in ihren Maschinen integriert, welche den Druck mitverfolgen und bei Bedarf Alarm schlagen oder den Druck anhalten k\u00f6nnen. In diesem Schritt ist es wichtig zu wissen, wie sich die Qualit\u00e4t des Teils w\u00e4hrend des Druck definiert, um die ben\u00f6tigten Messwerte festlegen zu k\u00f6nnen. Au\u00dferdem gilt es zu definieren, welche Aktion bei welchem Schwellenwert von der Maschine ausgef\u00fchrt werden soll. Einige Algorithmen sind heute bereits in der Lage, diese Parameter selbst\u00e4ndig zu definieren und auf Basis von bereits gesammelten Daten das Modell weiterzuentwickeln. Wie dies aussehen kann, erkl\u00e4rt sich am besten anhand eines Praxisbeispiels.<\/p>\n

\"\"<\/p>\n

EOS hat gemeinsam mit NNAISENSE, einem Schweizer Softwareanbieter, einen digitalen Zwilling f\u00fcr das DMLS-Verfahren entwickelt. Im Druckprozess werden W\u00e4rmebildern mit Hilfe der optischen Tomographie (OT) von jeder gedruckten Schicht erfasst und mit dem von der KI vorausgesagten Bild verglichen. Dadurch k\u00f6nnen Anomalien sofort erkannt und der Druckprozess gegebenenfalls angehalten werden, wodurch Material- und Kosteneinsparungen entstehen. Bei dem von NNAISENSE entwickelten Modell handelt es sich um eine selbst\u00fcberwachte Deep-Learning-Strategie. Siemens<\/a> hebt hervor, dass die Qualit\u00e4tssicherung in der Additiven Fertigung (AM) mit Hilfe der k\u00fcnstlichen Intelligenz und maschinellem Lernen dazu f\u00fchrt, dass die Zeit vom Prototyp bis zum fertigen Bauteil verk\u00fcrzt werden und die Effizienz der Gro\u00dfserienfertigung beschleunigt werden kann. Das Unternehmen sch\u00e4tzt die von EOS integrierte Kamera zur \u00dcberwachung der einzelnen Druckschichten, weil dadurch fehlendes Pulver auf den zu druckenden Teilen (links) bzw. Pulvertropfen beim Recoating (rechts) in Echtzeit identifiziert werden k\u00f6nnen.<\/p>\n

\"\"

links: Anomalie auf Grund von fehlendem Pulver; rechts: Fehler beim Recoating; (Bild: Siemens)<\/p><\/div>\n

Die Qualit\u00e4t einer jeden Schicht werde als numerischer Wert erfasst und automatisch bewertet. Wenn dieser sogenannte Severity Score eine bestimmten Schwellenwert erreicht, kann dies auf ein schwerwiegendes Probleme bei der Beschichtung hindeuten (wie im Beispiel oben). Das Unternehmen gibt an, dass dadurch die optische Inspektionen vereinfacht wird, da nur kritische Schichten von einem Experten evaluiert werden m\u00fcssen.<\/p>\n

Weitere Applikationen<\/h4>\n

AUTOMAT3D, die Software zur Nachbearbeitung<\/a> von PostProcess, \u00fcberwacht die wichtigsten Prozessfaktoren in Echtzeit und reagiert selbst\u00e4ndig, um die bestm\u00f6gliche Oberfl\u00e4che der 3D-gedruckten Teile zu erzielen. Dazu nutzt das Unternehmen die Daten von mehreren Hunderttausenden Benchmark-Teilen. Dar\u00fcber hinaus wird die K\u00fcnstliche Intelligenz verst\u00e4rkt zur Automatisierung und Optimierung von Workflows eingesetzt. In kritischen Bauteilen finden sich immer h\u00e4ufiger Smarte Sensoren, welche das Messinstrument einer intelligenten und pr\u00e4ventiven Wartung, dem sogenannten „Predictive Maintenance“ darstellen. Es ist absehbar, dass die Nutzung des Maschinellen Lernens f\u00fcr die Produktionsprozesse der Hersteller in den n\u00e4chsten Jahren weiter zunimmt. Es wird prognostiziert, dass der globale Markt f\u00fcr K\u00fcnstliche Intelligenz und fortschrittliches Maschinelles Lernen bis 2028 471,39 Milliarden US-Dollar bei einer Wachstumsrate (CAGR) von 35,2% erreichen wird.<\/p>\n