Machine learning in additive manufacturing 2026

Korte samenvatting: Machine learning zorgt voor een revolutie in de additive manufacturing door realtime defectdetectie, procesoptimalisatie en kwaliteitsborging mogelijk te maken. Volgens onderzoek van NIST en recente studies bereiken recente ML-modellen een hoge nauwkeurigheid bij het identificeren van fabricagefouten, waarbij sommige benaderingen een nauwkeurigheid van 99,1% behalen voor oppervlaktedefecten. Tegelijkertijd verbeteren ze de snelheid van ontwerp naar product en verminderen ze materiaalverspilling door middel van voorspellende analyses.

Additieve productie is allang niet meer alleen gericht op snelle prototyping. Het is nu een volwaardige productiemethode voor complexe onderdelen met ingewikkelde geometrieën en minimale afvalproductie.

Maar het probleem is dat AM-processen tientallen onderling afhankelijke parameters omvatten die de uiteindelijke kwaliteit van het onderdeel bepalen. Temperatuurschommelingen, variaties in laservermogen, inconsistenties in het materiaal, problemen met de hechting tussen de lagen. Elk van deze factoren kan een heel printproces verpesten.

Dat is waar machine learning om de hoek komt kijken.

Machine learning-technieken pakken de inherente complexiteit van additive manufacturing aan door sensorgegevens in realtime te analyseren, defecten te voorspellen voordat ze optreden en procesparameters tijdens het proces te optimaliseren. Volgens onderzoek van NIST (Witherell et al., 2022) maken machine learning-toepassingen een snelle transformatie van ontwerp naar product mogelijk door vooruitgang in materiaalkarakterisering, procesbewaking en prestatiekwalificatie.

De resultaten? Autoencoder-modellen behaalden een classificatienauwkeurigheid van 99,11 TP3T voor oppervlaktedefecten. Support vector machines behaalden een nauwkeurigheid van ongeveer 801 TP3T voor laag-voor-laag beeldclassificatie, terwijl de initiële basislijn of verschillende omstandigheden in het onderzoek een bereik lieten zien dat begon bij hogere waarden (bijvoorbeeld rond de 741 TP3T). Deep learning neurale netwerken behaalden een nauwkeurigheid van 96,801 TP3T bij het detecteren van spatten en delaminatie in metaal AM met behulp van thermografische beelden.

Eerlijk gezegd: dit zijn geen kleine verbeteringen. Het zijn fundamentele veranderingen in de manier waarop de productiekwaliteit wordt gecontroleerd.

Waarom machine learning belangrijk is voor additive manufacturing

Traditionele kwaliteitscontrole bij additive manufacturing vindt plaats nadat de productie is voltooid. Het onderdeel wordt geïnspecteerd, getest en defecten worden opgespoord. Als er iets misgaat, wordt het onderdeel afgekeurd en wordt er opnieuw begonnen.

Deze aanpak verspilt tijd, materiaal en geld.

Machine learning gooit dit model volledig om. In plaats van inspectie na de productie, maakt ML monitoring en realtime correctie tijdens het proces mogelijk. Sensorgegevens van camera's, thermische beeldvorming, akoestische monitoring – al deze gegevens worden gebruikt in getrainde modellen die afwijkingen detecteren zodra ze zich voordoen.

Het National Institute of Standards and Technology (NIST) heeft dit aangemerkt als cruciaal voor het behalen van doelstellingen op het gebied van 'first-part correct' productie en het verkorten van doorlooptijden. Hun Data Driven Decision Support-programma richt zich specifiek op het inzetten van meetmethoden, modellen en best practices voor het gebruik van geavanceerde analyses in AM-ontwerp en procesplanning.

Dit maakt machine learning bijzonder geschikt voor de uitdagingen van additive manufacturing:

• Patroonherkenning in enorme datasets van in-situ sensoren
• Voorspelling van mechanische eigenschappen vóór fysieke testen
• Optimalisatie van processen met meerdere parameters en complexe interacties
• Detectie van subtiele defecten die onzichtbaar zijn voor menselijke operators.
• Aanpassing aan nieuwe materialen en procesomstandigheden door middel van transferleren.

En het toepassingsgebied blijft zich uitbreiden. Draadbooglassen, laserpoederbedfusie, fused deposition modeling – elke belangrijke AM-technologie heeft nu actief machine learning-onderzoek dat zich richt op de specifieke kwaliteitsuitdagingen.

Defectdetectie en kwaliteitsborging

Defectdetectie is de meest volwaardige toepassing van machinaal leren in de additieve productie. Procesbewaking in combinatie met getrainde classificatiemodellen kan nu met opmerkelijke precisie porositeit, scheuren, delaminatie en oppervlakte-onregelmatigheden identificeren.

Een recente studie naar laserpoederbedfusie (L-PBF) toonde aan hoe verschillende machine learning-architecturen presteren bij het detecteren van defecten. Zelforganiserende kaarten behaalden recall-scores van 61–94% bij het classificeren van defecten met een grootte van 100–320 micrometer in Hastelloy-X-constructies. De variatie in prestaties correleerde direct met de grootte van het defect en het contrast in de sensorgegevens.

Maar wacht even – die cijfers stegen aanzienlijk bij andere benaderingen.

Toen onderzoekers autoencoder-modellen toepasten op 3D-strooiingsscandata, bereikte de classificatienauwkeurigheid 99,1% voor oppervlaktedefecten. Het verschil? Autoencoders blinken uit in het leren van gecomprimeerde representaties van normale productiepatronen, waardoor afwijkingen duidelijk opvallen.

Diepgaande neurale netwerken die thermografische beelden gebruiken, bereikten een nauwkeurigheid van 96,80% bij het detecteren van spatten en delaminatie – twee van de meest problematische defecten bij metaaladditieve productie. De thermische kenmerken van deze defecten zijn subtiel, maar convolutionele neurale netwerken, getraind op duizenden laagafbeeldingen, leerden de patronen betrouwbaar te herkennen.

De praktische impact hiervan is ook zichtbaar in onderzoek naar draadboogadditieve productie (WAAM). WAAM-processen kennen unieke uitdagingen, zoals variaties in boogstabiliteit, warmteaccumulatie en gerichte stollingseffecten. Machine learning-benaderingen pakken deze nu aan door middel van multisensorfusiestrategieën die akoestische emissiemonitoring, thermische camera's en hogesnelheidsbeeldvorming combineren.

Begeleide versus onbegeleide benaderingen

Het meeste vroege ML-werk in AM was gebaseerd op supervised learning. Duizenden afbeeldingen labelen als 'defect' of 'goed', een classificator trainen en deze implementeren.

Het nadeel? Etikettering vereist specialistische kennis en een enorme tijdsinvestering. Voor elke nieuwe materiaal- of procesvariant begint de etikettering opnieuw.

Recent onderzoek richt zich steeds meer op onbegeleide en semi-begeleide methoden. Deze methoden leren wat "normaal" eruitziet aan de hand van ongelabelde data en signaleren vervolgens alles wat afwijkt. Een studie gepubliceerd in mei 2025 (The International Journal of Advanced Manufacturing Technology, Vol. 138, 27 mei 2025) analyseerde onbegeleide en semi-begeleide technieken voor het detecteren van printdefecten bij L-PBF-printen met behulp van onderdelen van een Ti-6Al-4V-legering.

Dit is belangrijk omdat AM-processen sensorgegevens genereren met een duizelingwekkende snelheid. Hogesnelheidscamera's leggen elke laag vast met 50-100 beelden per seconde. Thermische sensoren registreren de temperatuurverdeling over de bouwplaat. Al die gegevens bevatten waardevolle informatie, maar het handmatig labelen ervan wordt op grote schaal onmogelijk.

Procesoptimalisatie en parameterselectie

Tientallen parameters beïnvloeden de kwaliteit van AM-onderdelen. Laservermogen, scansnelheid, rasterafstand, laagdikte, atmosfeer in de bouwkamer, poedereigenschappen – de lijst is eindeloos.

Traditionele benaderingen testen parameters systematisch. Experimenteel ontwerp, respons-oppervlaktemethodologie, vallen en opstaan. Deze methoden werken, maar ze zijn traag en kostbaar.

Machine learning versnelt dit proces aanzienlijk door de verbanden tussen parameters en resultaten te leren uit bestaande bouwgegevens. Neurale netwerken kunnen mechanische eigenschappen zoals elasticiteit en stijfheid voorspellen op basis van procesparameters, waardoor virtuele tests van parameterreeksen mogelijk zijn voordat daadwerkelijk met de fysieke productie wordt begonnen.

De National Science Foundation heeft geïnvesteerd in het verder ontwikkelen van deze mogelijkheden via programma's die zich richten op materiaalontwerp en AI-gestuurde benaderingen. Hoewel veel van dit werk zich richt op eiwitontwerp en materiaalontdekking in bredere zin, zijn de methodologieën direct toepasbaar op de optimalisatie van AM-processen.

En hier wordt het interessant: natuurkundig onderbouwd machinaal leren combineert datagestuurde modellen met fysische beperkingen uit de metallurgie, thermodynamica en mechanica. In plaats van het AM-proces als een black box te beschouwen, integreren deze hybride modellen domeinkennis over warmteoverdracht, stolling en restspanning.

Het resultaat? Modellen die beter generaliseren naar nieuwe omstandigheden en minder trainingsdata vereisen.

Onderzoek naar het verminderen van scheurvorming in moeilijk te printen legeringen toont dit aan. Door thermische gradiëntberekeningen in het machine learning-model te integreren, bereikten onderzoekers een aanzienlijke vermindering van scheurvorming bij hoge temperaturen door geoptimaliseerde scanpatronen en vermogensmodulatie – resultaten die met puur datagestuurde benaderingen niet werden behaald.

Multi-objectieve optimalisatie

AM-optimalisatie richt zich zelden op één enkel doel. Maximaliseer de bouwsnelheid en minimaliseer tegelijkertijd de porositeit. Optimaliseer de sterkte en beheers tegelijkertijd de oppervlakteruwheid. Verlaag het energieverbruik zonder de dichtheid van het onderdeel in gevaar te brengen.

Machine learning pakt multi-objectieve optimalisatie aan door middel van benaderingen zoals genetische algoritmen in combinatie met neurale netwerksurrogaatmodellen. Het neurale netwerk leert meerdere kwaliteitsindicatoren tegelijk te voorspellen. Het genetische algoritme doorzoekt de parameterruimte naar Pareto-optimale oplossingen – parameterverzamelingen waarbij het verbeteren van één doelstelling ten koste gaat van een andere.

Deze mogelijkheid is met name waardevol gebleken voor functioneel gegradeerde materialen (FGM's), waarbij de samenstelling en eigenschappen opzettelijk variëren binnen één enkel onderdeel. Onderzoek naar functioneel gegradeerde materialen resulteerde in onderdelen variërend van puur titanium tot puur niobium met tussenliggende mengsels (100%Ti, 58%Ti-42%Nb, 37%Ti-63%Nb en 100%Nb), waarbij machine learning-benaderingen werden gebruikt om de materiaalsamenstelling te optimaliseren.

Materiaalkarakterisering en eigenschapsvoorspelling

Mechanische tests kosten tijd en beschadigen de monsters. Trekproeven, vermoeiingstests, hardheidsmetingen – allemaal noodzakelijk voor kwalificatie, en allemaal arbeidsintensief.

Machine learning biedt een complementaire aanpak: het voorspellen van eigenschappen op basis van procesgegevens en niet-destructieve metingen.

Modellen die getraind zijn op eerdere constructies leren de correlaties tussen thermische geschiedenis, microstructuur en mechanische prestaties. Eenmaal getraind, kunnen deze modellen de vloeigrens, treksterkte, rek en andere eigenschappen schatten zonder fysieke tests uit te voeren.

De nauwkeurigheid hangt sterk af van de feature engineering. Ruwe sensorgegevens – duizenden temperatuurmetingen per laag – moeten worden omgezet in betekenisvolle kenmerken. Maximale thermische gradiënt. Afkoelsnelheid. Tijd boven de liquidustemperatuur. Opwarmcycli van opeenvolgende lagen.

Domeinexpertise is hier van groot belang. De best presterende modellen combineren datagestuurd leren van kenmerken (zoals convolutionele neurale netwerken die patronen uit thermische beelden extraheren) met ontworpen kenmerken gebaseerd op materiaalkundige principes.

Voor functioneel gegradeerde materialen wordt dit nog belangrijker. Eigenschappen variëren ruimtelijk binnen het onderdeel, dus voorspellingen moeten rekening houden met de lokale samenstelling en verwerkingsomstandigheden. Onderzoek op dit gebied heeft aangetoond dat kunstmatige neurale netwerken met succes variaties in elasticiteit en stijfheid kunnen voorspellen binnen FGM-constructies wanneer ze getraind zijn op samenstellingsprofielen en thermische gegevens.

Transferleren voor nieuwe materialen

Het trainen van machine learning-modellen vanaf nul voor elke nieuwe legering of polymeer zou het doel voorbijschieten. Transfer learning lost dit probleem op door gebruik te maken van de kennis uit bestaande modellen.

Een model dat is getraind op Ti-6Al-4V-constructies bevat geleerde representaties van thermische patronen, stollingsgedrag en defectkenmerken. Bij aanpassing aan een nieuwe titaniumlegering wordt veel van die kennis overgedragen. Alleen de laatste lagen van het neurale netwerk hoeven opnieuw getraind te worden op het nieuwe materiaal.

Onderzoek naar transfer learning bij fractografische detectie heeft aangetoond dat modellen met minder hertraining kunnen worden aangepast aan verwante legeringen.

De techniek wordt vooral krachtig in combinatie met natuurkundig onderbouwde modellen. Fysische principes – warmtegeleidingsvergelijkingen, stollingskinetiek, spanning-rekrelaties – blijven constant voor alle materialen. Alleen de materiaalspecifieke constanten veranderen.

Realtime procesbesturing en gesloten-lussystemen

Het opsporen van defecten is minder belangrijk als er geen manier is om erop te reageren. De grens van machine learning in additive manufacturing ligt in gesloten-lusregeling: systemen die procesparameters in realtime aanpassen op basis van sensorfeedback en modelvoorspellingen.

Eén implementatie bewaakt de geometrie van het smeltbad tijdens laserpoederbedfusie. Camera's registreren het gesmolten metaalbad achter de laser. Een convolutioneel neuraal netwerk analyseert de grootte en vorm. Als het smeltbad te groot of te klein wordt, past het systeem halverwege het smeltproces het laservermogen of de scansnelheid aan.

De regelkring werkt op millisecondenschaal. Traditionele feedbackregeling kan niet zo snel reageren op de niet-lineaire, snel veranderende thermische omstandigheden in AM. Maar neurale netwerken, eenmaal getraind, voeren voorspellingen uit in microseconden.

Reinforcement learning biedt een andere weg naar gesloten-lusregeling. In plaats van supervised learning (waarbij goede/slechte uitkomsten worden gelabeld), optimaliseert reinforcement learning een beloningsfunctie. De beloning kan bijvoorbeeld een combinatie zijn van bouwsnelheid, energieverbruik en kwaliteitsindicatoren. De RL-agent leert een besturingsstrategie die de beloning op lange termijn maximaliseert door te experimenteren met verschillende parameteraanpassingen.

Deze aanpak is veelbelovend gebleken voor het optimaliseren van scanpaden. Standaard rasterpatronen zijn eenvoudig, maar niet optimaal. RL-agenten hebben scanstrategieën ontdekt die thermische gradiënten en restspanningen verminderen – patronen die menselijke ingenieurs niet intuïtief zouden ontwerpen.

De uitdaging? Reinforcement learning vereist doorgaans duizenden trainingssessies. Het uitvoeren van duizenden echte AM-builds zou onbetaalbaar zijn. Onderzoekers pakken dit aan door middel van simulatie: trainen in een op fysica gebaseerde virtuele omgeving en vervolgens overzetten naar echte hardware. De kloof tussen simulatie en realiteit blijft een actief onderzoeksgebied.

Pas machine learning toe op additive manufacturing met AI Superior

In de wereld van 3D-printing worden continu machine-, sensor- en productiegegevens gegenereerd die handmatig moeilijk te analyseren zijn. AI Superieur Ze werken samen met bedrijven en onderzoeksteams die machine learning willen inzetten voor procesanalyse, kwaliteitsbewaking of productieoptimalisatie in 3D-printworkflows. Hun expertise omvat AI-consultancy, datawetenschap, machine learning-ontwikkeling, het creëren van proof-of-concepts en AI-softwareontwikkeling.

AI Superior kan initiatieven op het gebied van additive manufacturing ondersteunen door:

• Analyse van productie- en apparatuurgegevens
• Ontwikkeling van ML-prototypes voor procesevaluatie
• Opsporing van productie-onregelmatigheden en drukdefecten
• Voorspellende modellen voor apparatuurgedrag en outputkwaliteit
• Integratieplanning voor softwareomgevingen in de productieomgeving
• Validatie en testen van ML-modellen vóór implementatie

Voor additive manufacturing kan dit relevant zijn voor printmonitoring, parameteroptimalisatie, voorspellend onderhoud en geautomatiseerde kwaliteitsanalyse.

👉Praat met AI Superior over de productieomgeving en de projectdoelen.

Uitdagingen en beperkingen

Machine learning in AM is nog geen opgelost probleem. Er blijven diverse fundamentele uitdagingen bestaan:

• Gegevensschaarste en -kwaliteit: Ondanks dat AM enorme hoeveelheden sensorgegevens genereert, blijven gelabelde datasets voor training beperkt. Elke nieuwe machineconfiguratie, elk nieuw materiaal en elke nieuwe geometrie van een onderdeel vertegenwoordigt een ander domein. Er bestaan openbare datasets, maar deze missen vaak de details of de diversiteit die nodig zijn voor een robuuste modelontwikkeling.
• Interpretatievermogen en vertrouwen: Neurale netwerken zijn black boxes. Wanneer een model een defect voorspelt, is het van belang om te begrijpen waarom, zowel voor het oplossen van problemen als voor de wettelijke goedkeuring. Technieken zoals aandachtmechanismen en saillantiekaarten zijn nuttig, maar AM-kwalificatie voor kritische toepassingen (lucht- en ruimtevaart, medische implantaten) vereist verklaarbare besluitvorming.

Het Measurement Science for Additive Manufacturing-programma van NIST pakt uitdagingen aan zoals procesvariabiliteit, nauwkeurigheid van onderdelen en materiaalconsistentie. Gerelateerde initiatieven, zoals het Data Driven Decision Support for Additive Manufacturing-project, richten zich op meetmethoden en best practices voor weloverwogen besluitvorming.

• Generalisatie over verschillende machines: Een machine learning-model dat is getraind op één AM-machine presteert vaak slecht op een andere, zelfs met hetzelfde materiaal en dezelfde procesparameters. Variaties tussen machines in optiek, poedertoevoer en thermische eigenschappen introduceren domeinverschuiving. Transfer learning kan helpen, maar om echt machine-onafhankelijke modellen te realiseren, zijn gestandaardiseerde dataverzamelings- en kalibratieprotocollen nodig.
• Computervereisten: Realtime machine learning-inferentie moet draaien op ingebouwde hardware in het AM-besturingssysteem. Grote deep learning-modellen behalen mogelijk de beste offline nauwkeurigheid, maar overschrijden de rekenkracht die nodig is voor online implementatie. Modelcompressie, kwantisatie en edge-geoptimaliseerde architecturen bieden hiervoor een oplossing, maar dit gaat ten koste van de prestaties.
• Integratie met bestaande workflows: De meeste AM-faciliteiten werken met gevestigde CAD-naar-bouw-pipelines. Het achteraf integreren van op machine learning gebaseerde monitoring en besturing in deze workflows – met name voor oudere apparatuur – brengt zowel technische als organisatorische uitdagingen met zich mee. Standaardinterfaces en modulaire softwarearchitecturen kunnen de integratie vergemakkelijken.

Toekomstige richtingen en opkomend onderzoek

Verschillende veelbelovende onderzoeksrichtingen breiden de mogelijkheden van machine learning in de additieve productie uit:

• Fysica-geïnformeerde neurale netwerken (PINN's) vertegenwoordigen een belangrijke trend. Deze architecturen integreren partiële differentiaalvergelijkingen die warmteoverdracht, vloeistofstroming en vaste-stofmechanica beschrijven, rechtstreeks in de netwerkstructuur. Het model moet zowel aan de trainingsgegevens als aan de natuurkundige wetten voldoen. Vroege resultaten tonen een verbeterde generalisatie en een lagere databehoefte in vergelijking met pure black-box-benaderingen.
• Generatief ontwerp in combinatie met machine learning-optimalisatie opent nieuwe mogelijkheden voor het ontwerpen van onderdelen voor additive manufacturing (AM). Generatieve adversariële netwerken (GAN's) en variationele auto-encoders kunnen enorme ontwerpruimtes verkennen en geometrieën voorstellen die geoptimaliseerd zijn voor AM-beperkingen – zoals overhanghoeken, eisen aan de ondersteuningsstructuur en risico's op thermische vervorming – die traditionele CAD-benaderingen niet zouden overwegen.
• Multi-fidelity modellering combineert snelle simulaties met een lage nauwkeurigheid met dure, zeer nauwkeurige fysica-modellen en experimentele data. Machine learning (ML) fungeert als de fusielaag en leert wanneer elke informatiebron betrouwbaar is en hoe deze optimaal gecombineerd kunnen worden. Dit versnelt de feedbacklus tussen simulatie, ML-voorspelling en experimentele validatie.
• In-situ legering en functioneel gegradeerde materialen verleggen de grenzen van AM. Machine learning maakt realtime samenstellingscontrole mogelijk door het menggedrag van meerdere poedergrondstoffen te voorspellen. De investeringen van de NSF in materiaalontwerp via programma's zoals Designing Materials to Revolutionize and Engineer our Future (DMREF) hebben bijgedragen aan methodologieën die toepasbaar zijn op AM, waaronder inspanningen om machine learning te combineren met additive manufacturing.
• Standaardisatie en het delen van data winnen aan momentum. Standaardisatieorganisaties en NIST werken samen aan de ontwikkeling van meetwetenschap en dataframeworks voor additive manufacturing (AM). NIST publiceert en verricht onderzoek naar meetwetenschap voor additive manufacturing.

Implementatieoverwegingen voor AM-faciliteiten

Organisaties die machine learning willen implementeren in hun additive manufacturing-processen, staan voor praktische beslissingen over waar te beginnen en hoe op te schalen:

• Begin met waardevolle, risicoarme toepassingen: Kwaliteitsvoorspellingen na de productie op basis van proceslogboeken bieden waarde zonder dat realtime systeemintegratie nodig is. Analyse van voltooide producten om mechanische eigenschappen of de kans op verborgen defecten te voorspellen, kan inspectiestrategieën verbeteren en testkosten verlagen.
• Investeer eerst in data-infrastructuur: Machine learning vereist consistente, goed georganiseerde data. Sensorcalibratie, gesynchroniseerde tijdstempels, metadata over materialen en parameters – het op orde brengen van deze basisprincipes maakt toekomstige toepassingen mogelijk. Veel faciliteiten verzamelen data, maar kunnen deze maanden later niet gemakkelijk ophalen of analyseren.
• Bouw de interne expertise geleidelijk op: Effectief machine learning in additive manufacturing (AM) vereist zowel data science-vaardigheden als diepgaande domeinkennis van het specifieke AM-proces. Discussies binnen de community suggereren om te beginnen met partnerschappen – universitaire onderzoeksgroepen, leveranciers van apparatuur met ML-programma's of consultants – terwijl tegelijkertijd interne capaciteiten worden opgebouwd door middel van training en het aannemen van personeel.
• Voer grondige validatie uit voordat u de implementatie start: ML-modellen die op dezelfde machine of hetzelfde materiaal zijn getraind en getest, kunnen indrukwekkende resultaten laten zien die in de praktijk niet standhouden. Bewaar daarom testgegevens van verschillende tijdsperioden, verschillende operators of verschillende poederbatches. Test op extreme gevallen en opzettelijke defecten.
• Plan voor modelonderhoud: AM-processen veranderen in de loop van de tijd. Laseroptiek degradeert, poedereigenschappen veranderen tussen batches en slijtage van apparatuur beïnvloedt de thermische profielen. Modellen die getraind zijn op initiële data zullen in kwaliteit achteruitgaan, tenzij ze periodiek opnieuw getraind of bijgewerkt worden. Stel processen in voor het bewaken van de modelprestaties en het initiëren van hertraining.

Adoptie in de industrie en casestudies

Hoewel specifieke implementaties van leveranciers vaak bedrijfseigen blijven, komen er in verschillende sectoren patronen naar voren in de toepassing van machine learning in additive manufacturing.

Luchtvaartfabrikanten hebben de toepassing ervan vooropgelopen, gedreven door strenge kwaliteitseisen en de hoge waarde van onderdelen. Procesbewaking in combinatie met machine learning voor defectdetectie vermindert het risico dat dure producten laat in het proces moeten worden afgekeurd. Sommige bedrijven melden dat geautomatiseerde anomaliedetectie problemen signaleert die operators visueel over het hoofd zien, met name bij producties die meerdere dagen duren en waarbij concentratievermoeidheid een rol speelt.

Fabrikanten van medische apparaten onderzoeken machine learning voor het voorspellen van materiaaleigenschappen om de noodzaak van mechanische tests tijdens ontwerpiteraties te verminderen. De mogelijkheid om virtueel tientallen ontwerpvarianten en procesparametercombinaties te testen, versnelt de ontwikkeling en beheert tegelijkertijd de kosten.

In de automobielindustrie ligt de focus op procesoptimalisatie voor massaproductie. Zelfs kleine verbeteringen in de bouwsnelheid of het materiaalgebruik hebben een aanzienlijk effect bij de productie van duizenden onderdelen. Door machine learning geoptimaliseerde scanstrategieën en adaptieve parameterregeling dragen bij aan deze winst.

De rode draad? Succes hangt samen met duidelijke waardeproposities en integratie in bestaande kwaliteitsmanagementsystemen. Machine learning vult menselijke expertise en gevestigde procedures aan, in plaats van deze te vervangen.

Veelgestelde vragen