Kommentar von Lutz Feldmann, Markforged Föderales Lernen im 3D-Druck – sicherer Datenaustausch für mehr Qualität

Anbieter zum Thema

Markforged

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Machine Learning verbessert die Qualität im 3D-Druck, doch die dafür nötigen Daten sind oft geschäftskritisch. Föderales Lernen bringt durch dezentrales Training mehr Datensicherheit.

Additive Fertigung erfordert eine genaue Kalibrierung der genutzten 3D-Drucker. Das ist traditionell eine manuelle Aufgabe, bei der ein oder mehrere Probeläufe notwendig sind. Der Grund: Es gibt kleinere Abweichungen, die eine Anpassung der Druckdaten notwendig machen.

So können beispielsweise die Filamente oder Metallpulver von Drittherstellern eine abweichende Qualität gegenüber dem Originalmaterial haben. Hinzu kommen wechselnde Umweltbedingungen wie Temperaturschwankungen und Vibrationen. Das bedeutet, dass für ein einziges Werkstück oft mehrere Durchläufe notwendig sind. Dadurch wird der gesamte Druckprozess aufwendig und ineffizient.

Datenanalyse mit Machine Learning

Doch es gibt Abhilfe: Mit Vernetzung und Datenerfassung sind Unternehmen in der Lage, den gesamten Druckprozess zu analysieren und zu verbessern. Dafür werden die Drucker mit Sensoren ausgestattet, die Metadaten aus der Produktion sammeln – etwa die Geschwindigkeit des Druckkopfes sowie der Druck, mit der die Düse das jeweilige Material ausgibt.

Die Daten werden über einen längeren Zeitraum erhoben und decken systematische Abweichungen im Druckprozess auf. Damit lässt sich die Steuerung der Hardware verbessern, beispielsweise durch eine präzisere Bewegung der Druckköpfe und eine genaue Anpassung der Temperatur an die Erfordernisse des jeweiligen Druckprozesses. Die Unternehmen erreichen dieses Ziel nun auch ohne langwierige Kalibrierung in Handarbeit.

Zentrales Element einer weiterführenden Datenanalyse für die langfristige Verbesserung von Druckprozessen ist Machine Learning (ML), ein Verfahren der Künstlichen Intelligenz (KI). Die lernfähigen Algorithmen werten die Daten über einen längeren Zeitraum aus. Sie erkennen darin beispielsweise auffällige Muster, die immer wieder zu fehlerhaften Druckergebnissen führen. Hierdurch sind die Unternehmen in der Lage, ihre Druckprozesse automatisch zu justieren.

Je mehr Daten, desto bessere Lernergebnisse

Machine-Learning-Anwendungen berechnen zunächst aus möglichst vielen Trainingsdaten ein sogenanntes ML-Modell. Es arbeitet im Rahmen der Analysesoftware als Auswertungsmodul, das die fortlaufend erhobenen Echtzeit-Daten analysiert. Zusätzlich wird das Modell regelmäßig mit neuen Daten nachtrainiert. Dadurch lernt es dazu und wertet die Daten kontinuierlich besser aus, was die Präzision der Prozesse erhöht.

Allerdings ist für Machine Learning die Datenerhebung auf einem einzelnen Gerät nicht ausreichend. Erfolgreicher sind solche Analysen, wenn große Datenmengen genutzt werden, etwa die von allen Druckern aus der gleichen Baureihe. Der Grundgedanke dahinter: Ein Modell wird immer präziser, je mehr unterschiedliche Einzeldaten es erfassen kann.

Denn in großen Datenmengen kommen auch statistisch seltene Fälle vor. Ein Beispiel: Stromschwankungen können die Arbeitsweise von Geräten wie 3D-Druckern verändern, sodass die Druckergebnisse von den Konzeptionsdaten abweichen. Allerdings kommen das Problem nicht häufig vor. Deshalb ist es sinnvoll, möglichst viele Daten zu sammeln, um auch solche Ereignisse abzudecken.

Geschäftsdaten durch Dezentralisierung schützen

Durch die Ermittlung von Daten aus sehr unterschiedlichen Produktionsumgebungen und Druckprozessen entsteht ein Fundus an Informationen, von dem alle Nutzer der jeweiligen Drucker profitieren können. Allerdings gibt es eine Einschränkung: Genaue Angaben zu den Abläufen in der Fertigung gehören zu den geschäftskritischen Daten. Ein zentralistischer Ansatz des Machine Learning, bei dem alle Daten in einer Cloud zusammengeführt und verarbeitet werden, verbietet sich also.

Doch es gibt eine leistungsfähige, dezentrale Alternative: Federated Learning (FL), auf Deutsch: Föderales Lernen. Das Machine-Learning-Modell entsteht hier auf Basis mehrerer lokaler Datensätze. Grundlage ist dabei ein Netz aus Knoten (Geräte oder Server) mit einem Teil der Daten, etwa die geschäftskritischen Konstruktionsdaten für die Additive Fertigung. Eine spezielle Management-Software trainiert das ML-Modell auf allen Knoten mit den dort vorhandenen Daten.

Daran wird deutlich, dass Federated Learning eine Art und Weise ist, das Training von ML-Modellen zu organisieren. Es ist deshalb von übergeordneten Lernverfahren wie Deep Learning in neuronalen Netzwerken oder spezifischen Methoden wie Supervised Learning zu unterscheiden. Die eigentlichen Lernverfahren sind frei wählbar aus dem ganzen Portfolio der KI-Technologien.

Föderales lernen hilft allen Nutzern

Nach dem Training auf den einzelnen Knoten fügt die Management-Software das Modell in einer Cloud-Plattform zusammen. In einem interaktiven Prozess wird dieses globale Modell Stück für Stück erweitert. Dabei werden nur die Modellparameter verschlüsselt übertragen, die eigentlichen Geschäftsdaten verbleiben auf den lokalen Rechnern der Unternehmen.

Der Begriff des föderalen Lernens bezieht sich zunächst nur auf die eigentliche Modellbildung. Das entstehende globale Modell wird nun entweder zu den Nutzern übertragen oder via API zentral in der Cloud-Plattform abgefragt. Trainingsknoten und Nutzer müssen nicht identisch sein, das Modell arbeitet unabhängig von den Systemen für das Training. Doch in der Industrie ist Machine Learning effizienter, wenn alle Nutzer gleichzeitig auch Knoten für das Training sind. Sie tragen mit ihren Daten dazu bei, dass alle Anwender gleichermaßen 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 und die Unternehmen können ihre 3-D-gedruckten Produkte schneller in den Markt einführen.

(ID:47527322)