de.wedoany.com-Bericht: Das spanische IMDEA Materials Institute hat gemeinsam mit dem Lawrence Berkeley National Laboratory (LBNL) in den USA einen Algorithmus entwickelt, der Leistungsabweichungen zwischen theoretisch identischen Fertigungsanlagen erkennen und darauf basierend die am besten geeigneten Optimierungsstrategien ermitteln kann. Die entsprechende Studie wurde in der Fachzeitschrift Advanced Engineering Informatics veröffentlicht und adressiert ein langjähriges Problem der automatisierten Fertigung: Selbst Geräte derselben Marke und desselben Modells können in der Praxis unterschiedliche Leistungen erbringen. Diese Abweichungen summieren sich in groß angelegten Produktionsprozessen – etwa in parallelen Arbeitsumgebungen wie 3D-Druck-Farmen – und führen zu Fehlern.
Der Arbeitsablauf dieses Systems gliedert sich in zwei Schritte: Zunächst wird jedes Gerät diagnostiziert, um ein individuelles Leistungsprofil zu erstellen; anschließend wird mittels statistischer Analyse das Ausmaß der Abweichungen zwischen den Geräten quantifiziert. Basierend auf den Analyseergebnissen wendet das System für Geräte mit hoher Ähnlichkeit eine gemeinsame Optimierungsstrategie an. Werden signifikante Unterschiede festgestellt, wird für jedes Gerät eine separate Optimierungslösung entwickelt, wobei die Fertigungsgenauigkeit Vorrang vor der Effizienz einer einheitlichen Strategie hat.
In der Validierungsphase wählte das Forschungsteam drei theoretisch identische 3D-Drucker als Testobjekte aus. Der Algorithmus identifizierte messbare Unterschiede zwischen diesen Geräten und entschied, dass jedes eine eigene Optimierungsroute benötigt, anstatt einheitlich behandelt zu werden. Konkret deuteten sowohl die Verteilungsanalyse als auch die Divergenzindikatoren auf eine individuelle Optimierung hin: Die Dichteschätzungen der Druckpartikel waren zwischen den Geräten deutlich getrennt, und die paarweisen Divergenzwerte waren groß, was darauf hindeutet, dass die tatsächlichen Betriebsbereiche der einzelnen Drucker nicht überlappen.
Das Forschungsteam stellte fest, dass nach der Implementierung der individuellen Optimierung „das Gewicht der gedruckten Teile im Vergleich zu einer einheitlichen Behandlung aller Geräte ohne korrekte Korrektur der individuellen Abweichungen eine deutlich schnellere Konvergenzgeschwindigkeit und wesentlich geringere Fehler aufwies". Sie fügten hinzu: „Selbst Geräte aus derselben Charge können ihre eigenen betrieblichen ‚Persönlichkeiten‘ aufweisen. Das System lernt diese Unterschiede und nutzt sie, um zu entscheiden, ob es effizienter ist, sie als Team oder als unabhängige Einheiten zu behandeln. Dies verbessert nicht nur die Präzision, sondern spart auch Ressourcen durch die Vermeidung fehlgeschlagener Experimente und ist ein wichtiger Schritt in Richtung zukünftiger vollautomatischer Labore und Fabriken."
Obwohl die Validierung auf den 3D-Druck fokussiert war, gab das Forschungsteam an, dass die gleiche Methode auf andere Bereiche übertragbar ist, die auf Hochdurchsatzexperimente angewiesen sind, darunter die Entdeckung neuer Materialien, chemische Synthesen und die Kalibrierung von Sensoren.
