Machine Learning bei der S2S-Systemdrucker GmbH ist ein umfangreiches, sehr spezifisches und tiefgehendes Thema – und eines, das den granulatbasierten 3D-Druck fundamental effizienter machen kann. In diesem Beitrag erklären wir, wie wir Machine-Learning-Modelle einsetzen, um für anspruchsvolle Werkstoffe wie Ferrite, technische Keramiken oder Materialmischungen die optimale Parametrisierung zu finden – und warum unser Ansatz bewusst auf klassisches Machine Learning setzt statt auf generative KI.
Was ist Machine Learning – kurz erklärt
Stark vereinfacht funktioniert Machine Learning so: Mithilfe iterativer Trainingsschleifen und mathematischer Gleichungssysteme wird ein neuronales Netz angelernt. Das trainierte Netz kann anschließend auf Basis beliebig vieler Eingabeparameter Entscheidungen treffen beziehungsweise Vorhersagen liefern – und zwar umso besser, je mehr qualitativ hochwertige Trainingsdaten zur Verfügung stehen.
Für den 3D-Druck wird das genau dann interessant, wenn es um eine Aufgabe geht, die klassisch viel Erfahrung, Zeit und iterative Testreihen erfordert: die Parametrisierung.
Die Herausforderung: Jeder Werkstoff, jede Anforderung ist anders
Ein typisches Projekt bei uns beginnt so: Ein Unternehmen kommt auf uns zu und sagt: „Wir brauchen diese und jene Eigenschaften am gedruckten Bauteil, und das Ganze muss mit diesem spezifischen Werkstoff geschehen.“
Dann beginnt unsere eigentliche Arbeit: Wie parametrisieren wir die Anlage? Wie stellen wir das Granulat, die Mischung, die Austragungsraten ein? Gerade im granulatbasierten Druck mit technischen Werkstoffen ist der Parameterraum riesig – Temperaturen, Austragsverhalten, Mischungsverhältnisse und Materialeigenschaften greifen ineinander. Klassisch nähert man sich der optimalen Einstellung über Testreihen an. Das funktioniert, kostet aber Zeit und Material.
Unser Ansatz: Aus jedem Projekt lernen
Hier setzen unsere Machine-Learning-Modelle an. Wir verfügen über einen wachsenden Schatz an Daten: abgeschlossene Projekte, unsere Materialdatenbank, unsere Parameterdatenbank. Auf dieser Grundlage trainieren wir Modelle, die genau diese Zusammenhänge lernen.
In einem neuen Projekt sieht das dann so aus: Wir geben dem Modell die Eingabeparameter des Kundenprojekts – gewünschte Bauteileigenschaften, Werkstoff, Randbedingungen. Das trainierte Modell analysiert diese Eingaben und schlägt auf Basis seines Trainings eine Parametrisierung vor: Mischungsverhältnisse, Austragungsraten und weitere Prozessgrößen. Statt bei null zu beginnen, starten wir mit einer fundierten, datenbasierten Empfehlung – und verkürzen den Weg zur optimalen Einstellung erheblich.
Die Gefahr des Overfittings – und wie wir ihr begegnen
Wer mit Machine Learning arbeitet, muss ein Problem kennen und ernst nehmen: Overfitting. Dabei lernt ein Modell die Trainingsdaten gewissermaßen auswendig, statt die zugrunde liegenden Zusammenhänge zu verallgemeinern. Die Folge: Auf bekannten Daten liefert es hervorragende Ergebnisse, bei neuen, unbekannten Konstellationen versagt es. Gerade bei Prozessdaten aus der Fertigung, die naturgemäß nicht in unbegrenzter Menge vorliegen, ist diese Gefahr real.
Wir haben deshalb von Anfang an Mechanismen in unsere Trainingsprozesse eingebaut, die Overfitting verhindern – damit unsere Modelle auch bei neuen Werkstoffkombinationen und Anforderungen verlässliche Empfehlungen liefern und nicht nur die Vergangenheit reproduzieren.
Wichtig: Klassisches Machine Learning statt generativer KI
Ein Punkt, der uns am Herzen liegt: Machine Learning ist zwar formal ein Teilgebiet der Künstlichen Intelligenz – aber was wir hier einsetzen, hat nichts mit dem zu tun, was heute meist unter „KI“ verstanden wird, also Sprachmodellen oder generativer KI. Unsere Machine-Learning-Prozesse basieren auf mathematischen Formeln und klar definierten Trainingsverfahren. Das neuronale Netz erweitert sein Wissen entlang von Lernkurven, die wir gezielt steuern und an definierte Punkte anpassen.
Der entscheidende Unterschied: Wir haben den Prozess in der Hand. Das Verhalten der Modelle ist nachvollziehbar, das Training kontrolliert, die Ergebnisse sind reproduzierbar. Für den industriellen Einsatz – wo Verlässlichkeit wichtiger ist als spektakuläre Demos – ist genau das der richtige Ansatz.
Fazit
Machine Learning macht aus unserer Projekterfahrung ein aktives Werkzeug: Jedes abgeschlossene Projekt, jeder Datenpunkt aus Material- und Parameterdatenbank verbessert die Empfehlungen für das nächste. Für unsere Kunden bedeutet das kürzere Anlaufphasen, weniger Materialverbrauch in Testreihen und schneller reproduzierbare Ergebnisse – auch und gerade bei anspruchsvollen Werkstoffen.
Sie haben ein Projekt mit speziellen Werkstoffanforderungen? Sprechen Sie uns an – vielleicht hat unser Modell die passende Parametrisierung schon fast gelernt.