11.10.2021 – Kategorie: Fertigung & Prototyping

KI im 3D-Druck: Was hat es mit dem „föderalen Lernen“ auf sich?

3d-Druck, KIQuelle: Pixel B/Shutterstock
3D-Drucker werden zurzeit noch von Hand kalibriert, um höchste Qualität zu erreichen. Bald übernimmt diese Aufgabe ein KI-System.

In der additiven Fertigung sind manuelle Verfahren immer noch Alltag, denn die bisher üblichen 3D-Drucker lassen sich nur manuell kalibrieren. Damit gleichen die Nutzer kleinere Abweichungen aus, etwa Qualitätsunterschiede bei den genutzten Filamenten oder Metallpulvern. Auch Temperaturschwankungen oder Vibrationen führen zu unterschiedlichen Druckergebnissen. Kann da KI weiterhelfen? Wie genau das funktioniert und welche Vorteile sich daraus ergeben, erklärt Lutz Feldmann, Regional Channel Manager Euro-Central von Markforged.

Oft sind mehrere Probeläufe nötig, bis das gedruckte Werkstück alle Anforderungen erfüllt. Das macht den Druckprozess aufwendig, teuer und ineffizient. Künstliche Intelligenz (KI) bringt Abhilfe: Sie analysiert und verbessert den gesamten Druckprozess. Dafür benötigt sie allerdings Daten über alle Abläufe der additiven Fertigung. Neuere Geräte für den industriellen 3D-Druck besitzen deshalb Sensoren, sind vernetzt und mit der Cloud verbunden.

KI-Anwendung sammelt Metadaten aus dem 3D-Druckprozess

Eine KI-Anwendung sammelt und analysiert alle Metadaten aus der Produktion – etwa die Geschwindigkeit des Druckkopfes sowie der Druck, mit dem die Düse arbeitet. Lernfähige Algorithmen in der Cloud werten die Daten aus und erkennen darin Abweichungen von den Konstruktionsdaten, die zu fehlerhaften Druckergebnissen führen. Durch die Automatisierung bewegen sich die Druckköpfe nun präziser und die Temperatur passt besser zu den Anforderungen.

Das Verfahren hinter der automatischen Kalibrierung ist Machine Learning (ML), ein Oberbegriff für unterschiedliche Formen von lernfähigen Algorithmen. Am bekanntesten ist das sogenannte Deep Learning (DL), das mit neuronalen Netzen aus mehreren Schichten arbeitet – daher der Begriff „Deep“. Das Verfahren hat sich in unterschiedlichen Anwendungsgebieten bewährt. So basieren Sprachassistenten auf Deep Learning, aber auch neuronale Netzwerke zur Bildbearbeitung oder Textgenerierung.

Deep Learning braucht Trainingsdaten

Voraussetzung für erfolgreiches Deep Learning sind große Datenmengen, die als Trainingsdaten dienen und den neuronalen Netzwerken ihre Aufgabe vermitteln. Ein vereinfachtes Beispiel: Wenn ein neuronales Netz auf Fotos Hunde und Katzen erkennen und unterscheiden soll, benötigt es Trainingsdaten mit vielen unterschiedlichen Hunden und Katzen. Nach einer gewissen Zeit ist es in der Lage, auf einem Foto Hunde und Katzen zu markieren.

Diese Lernverfahren funktionieren besser, je mehr Daten das Modell für das Training nutzt. Bei industriellen Anwendungen wie Anomalie-Erkennung bei Maschinen ist es naheliegend, die Daten von vielen Unternehmen zusammenzuführen, die das gleiche Equipment nutzen. Doch es gibt ein Hindernis: Die notwendigen Daten sind geschäftskritisch und in den meisten Unternehmen sogar Betriebsgeheimnisse.

Föderales Lernen mit dezentralen Datenquellen

Ein Ausweg aus dieser Situation ist Federated Learning (FL) oder föderales Lernen, eine von Google entwickelte Variante von KI-Lernverfahren. Es basiert auf den gängigen Verfahren des Machine Learnings, nutzt aber kein zentrales System zur Berechnung der Modelle. Das Training ist dezentral auf verschiedenen Rechner verteilt, sodass die Trainingsdaten immer unter der Hoheit des jeweiligen Unternehmens bleiben.

Dafür wird eine spezielle KI-Umgebung in der Infrastruktur eines Unternehmens installiert, um das Modell dort mit den Unternehmensdaten zu trainieren. Dabei entstehen Parameterdaten, die eine Management-Software verschlüsselt an das zentrale Trainingsmodul in der Cloud sendet. Es fügt diese Daten nun zu einem umfassenden Modell zusammen. Die Unternehmen nutzen es für ihre eigenen Druckprozesse, haben aber keinen Zugriff auf die Trainingsdaten anderer Firmen.

Durch die Ermittlung von Daten aus sehr unterschiedlichen Produktionsumgebungen entsteht eine Informationssammlung, von der alle Besitzer eines 3D-Druckers profitieren. In der additiven Fertigung lernt die gesamte Druckerflotte durch den vernetzten und auf KI basierenden 3D-Druck mit jedem Auftrag dazu. Dadurch entstehen auf Anhieb Teile, die konsistent aufgebaut sind und hohe Qualität besitzen. Insgesamt verringert sich der Ausschuss, die 3D-gedruckten Produkte erscheinen schneller im Markt.

Lesen Sie auch: Dank Produktkonfiguration – Vertriebsprozesse automatisieren & beschleunigen


Teilen Sie die Meldung „KI im 3D-Druck: Was hat es mit dem „föderalen Lernen“ auf sich?“ mit Ihren Kontakten:


Scroll to Top