Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme

Die vorliegende Arbeit zeigt, dass mit Hilfe von künstlicher Intelligenz ungeplante Ausfälle metallbasierter additiver Fertigungssysteme (PBF-LB/M-Systeme, Engl.: Laser-based powder bed fusion of metals) zu Beginn der Produktionsphase vorhergesagt werden können und zu erheblichen Kosteneinsparungen führen. Die wirtschaftlichen Auswirkungen wurden durch ein neues Kostenmodell zusammengefasst und in einem Analytics-Projekt nach der CRISP-DM-Vorgehensweise angewandt. Als Grundlage dienten umfassende Datenbestände mehrerer tausend Baujobs von PBF-LB/M-Systemen, die Metallbauteile aus stark diversifizierten Industriebereichen gefertigt haben. Im Rahmen eines Modellvergleiches wurde die beste Prognosegüte mit dem „Gradient Boosted Tree“-Modell identifiziert und anschließend mit XGBoost optimiert. Dies führte zu einer exzellenten Prognosequalität in den ersten 3-6 Stunden der Produktionsphase. Auf dieser Grundlage konnten Kosteneinsparungen von 10-40 % nachgewiesen werden. Mithilfe von SHAP-Visualisierungen ist der Entscheidungsprozess des Black-Box-Modells nachvollziehbar. Der notwendige Datenaustausch zwischen allen Teilnehmern der additiven Wertschöpfungskette zur Realisierung solcher Analytics-Projekte kann weitere Wettbewerbsvorteile erzeugen und damit der additiven Fertigung den Weg zur industriellen Massenproduktion ebnen.