Mobile-Menu

3D-Druck-Qualität: Wenn Maschinen voneinander lernen

Verantwortlicher Redakteur:in: Andreas Müller 3 min Lesedauer

Anbieter zum Thema

Heidrive GmbH
SolidCAM GmbH
CAD+T Solutions GmbH

Wissenschaftler der Florida State University verbessern die 3D-Druck-Qualität, indem sie Maschinen beibringen, voneinander zu lernen.

(Quelle: M Wallheiser/FAMU-FSU Engineering)
(Quelle: M Wallheiser/FAMU-FSU Engineering)

  • Forschende am FAMU-FSU College of Engineering der Florida State University verbessern die 3D-Druck-Qualität, indem sie Maschinen beibringen, voneinander zu lernen.

  • In einer neuen Studie zeigen sie, wie die Daten eines Druckers von anderen Maschinen genutzt werden können, um die Effizienz und die 3D-Druck-Qualität zu verbessern.

  • Die Arbeit erschien in den IEEE (Institute of Electrical and Electronics Engineers) Transactions on Automation Science and Engineering.

Laut dem "Hubs 2021 3D Printing Trends Report" der On-Demand-Fertigungsplattform wuchs der globale 3D-Druckmarkt im Jahr 2020 um 21 Prozent, trotz der Auswirkungen einer weltweiten Pandemie. Diese wachsende Industrie beschleunigt den Druck von allem, von Metall bis hin zu biologischen Materialien. Der Wettlauf um die Optimierung dieser Prozesse, zum Beispiel für einer verbesserte 3D-Druck-Qualität, hat begonnen.

In einer neuen Studie, veröffentlicht in den IEEE (Institute of Electrical and Electronics Engineers) Transactions on Automation Science and Engineering, zeigen Forschende der Florida State University, wie andere Druckerdie Daten eines Druckers nutzen können, um Effizienz und 3D-Druck-Qualität zu optimieren.

"Die Cloud-Fertigung ist zusammen mit dem Internet der Dinge (IoT) eine neu aufkommende Technologie", sagte der Mitautor der Studie, Hui Wang, außerordentlicher Professor am FAMU-FSU College of Engineering. "Die Technologie zeigt, dass Daten, die von mehreren Produktionsmaschinen generiert werden, zeitnah ausgetauscht werden können, und dass die Fertigung als Online-Dienstleistung angeboten werden kann, um verschiedene Marktanforderungen zu erfüllen."

Wang und seine Kollegen arbeiten an der Entwicklung neuer Lernalgorithmen und Möglichkeiten zur Steuerung des Druckprozesses. Winzige Unterschiede in der Bewegung der Düse eines Druckers können zu Abweichungen in der Verarbeitung und zu Fehlern in der fertigen Struktur führen. Ihre Technik nutzt Daten, die zwischen Maschinen ausgetauscht werden, um Druckfehler zu reduzieren.

Die Forschenden vernetzten verschiedene Drucker auf einer Cloud-Plattform und ließen die Geräte Daten über die genaue Verarbeitung austauschen, wodurch sich die Zeit für die Vorbereitung und Kalibrierung der Geräte verkürzte. Sie entwickelten auch ein mathematisches Modell, um den Druckprozess besser zu verstehen, so An-Tsun Wei, Doktorand in der Abteilung für Industrie- und Maschinenbau der Hochschule und Mitautor der Studie.

3D-Druck-Qualität und Fehler abschätzen

"Wir können mit dem Modell die geometrische Druckqualität und die damit verbundenen Fehler abschätzen", sagte sie. "Die Informationen können zur Berechnung von Anpassungen verwendet werden, die bei den eingegebenen Druckparametern erforderlich sind, um diese Fehler zu kompensieren."

Traditionelles maschinelles Lernen erfordert viele experimentelle Daten, die unter Umständen nur schwer zu erheben sind. Drucker, die in der Fertigung eingesetzt werden, müssen schnell an neue Aufgaben angepasst werden. Mit der Technik des Transfer-Lernens können verschiedene Druckverfahren gleichsam Erfahrungen austauschen, was diesen Prozess beschleunigt. Die Forschung zeigt, dass es möglich ist, historisch gemeinsam genutzte Daten aus miteinander verbundenen 3D-Druckern zu nutzen, um die Testzeit zu verkürzen und das Endprodukt zu verbessern.

"Durch die reduzierte Testzeit können wir die Qualitätskontrolle schneller verbessern und so die Druckprozesse schnell neu kalibrieren, um den unterschiedlichen Marktanforderungen gerecht zu werden", so Wang. "Dies eignet sich besonders für die Massenproduktion personalisierter Produkte, ein Produktionsparadigma der Zukunft."

Mit Transfer-Lernen zur Gruppenintelligenz

Wang nennt dieses Transfer-Lernen eine Möglichkeit, Gruppenintelligenz zu erreichen, bei der mehrere Lernagenten (Lernende) zusammenarbeiten, um einen einzelnen Lernenden zu übertreffen. Die Technologie lässt sich auf eine Vielzahl von Produkten aus unterschiedlichen Materialien anwenden.

Weitere Informationen: https://ieeexplore.ieee.org/document/9380390

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Florida State University: https://www.fsu.edu/

Lesen Sie auch: "Drei neue Lösungen für die automatisierte Qualitätssicherung"

Bild oben: Wang und Wei nutzten miteinander verbundene 3D-Drucker, um zu beweisen, dass Transferlernen eine Möglichkeit ist, "Gruppenintelligenz" zu erreichen, bei der mehrere Lernende zusammenarbeiten, um einen einzelnen Lernenden zu übertreffen. Die Technologie lässt sich auf eine Vielzahl von Produkten aus unterschiedlichen Materialien anwenden. (Bildquelle: M. Wallheiser/FAMU-FSU Engineering)

Weiterführende Inhalte