Vorhersage des Energieverbrauchs bei Directed Energy Deposition mithilfe von transferlernungsintegriertem inkrementellem Lernen

Warum ein intelligenterer Energieeinsatz beim 3D-Druck wichtig ist

Metallischer 3D-Druck kann komplexe Triebwerksteile und medizinische Implantate herstellen, verbraucht aber oft viel Strom. Diese Energie verursacht sowohl Kosten als auch Klimawirkungen. In diesem Beitrag wird ein Ansatz untersucht, mit dem Computer zuverlässig den Energieverbrauch einer bestimmten Art des Metall-3D-Drucks vorhersagen — und letztlich reduzieren — können, selbst wenn nur wenig Daten verfügbar sind. Für alle, die an umweltfreundlicherer Fertigung oder günstigeren Hightech-Produkten interessiert sind, zeigt diese Arbeit einen Weg zu intelligenteren, effizienteren Fabriken.

Wie Metallteile mit Licht aufgebaut werden

Viele Metall-3D-Drucker arbeiten, indem ein intensiver Laser- oder Elektronenstrahl auf einen Metallpulverstrom oder -bett gerichtet wird. Beim hier untersuchten Directed Energy Deposition (DED)-Verfahren wird Pulver in einen winzigen Schmelzpool geblasen, der vom Laser erzeugt wird, und das Bauteil Schicht für Schicht aufgebaut. Obwohl dieses Verfahren im Vergleich zur Spanabhebenden Fertigung weniger Rohmaterial verschwendet, benötigt es dennoch viel Energie, weil das Material wiederholt geschmolzen und erstarrt werden muss. Der tatsächlich benötigte Energieeinsatz hängt von Legierung, Laserleistung, Bewegungsgeschwindigkeit und Pulverzufuhrrate sowie weiteren Faktoren ab. Den Energieverbrauch aus diesen Einstellungen vorherzusagen ist schwierig, aber entscheidend für Kostenkontrolle und Abschätzung der CO2‑Emissionen.

Warum übliche Vorhersagetools versagen

Forscher haben versucht, sowohl physikbasierte Gleichungen als auch konventionelles maschinelles Lernen zur Vorhersage des Energieverbrauchs in der additiven Fertigung einzusetzen. Physikbasierte Modelle tun sich schwer, alle realen Einflüsse vollständig abzubilden, während Standard-Methoden des maschinellen Lernens in der Regel große, umfangreiche Datensätze benötigen, die neben Prozessparametern auch Sensordaten und Bilder umfassen. Solch detaillierte Datenerhebung ist teuer und zeitaufwendig. Schlimmer noch: Auf eine Legierung oder eine Maschinenkonfiguration trainierte Modelle versagen oft, wenn sich die Bedingungen ändern. Ein Modell, das für eine Nickellegierung funktioniert, kann bei einer Cobalt‑Chrom‑Legierung unzuverlässig sein, und auf eine Laserleistung abgestimmte Modelle schneiden bei anderen Leistungen schlecht ab.

Ein Lernrahmen, der auf Bekanntem aufbaut

Die Autoren kombinieren zwei Ideen – Transferlernen und inkrementelles Lernen – um diese Grenzen zu überwinden. Transferlernen erlaubt es einem Modell, Wissen über den Energieverbrauch aus einer Situation, etwa dem Drucken mit Cobalt‑Chrom (CoCrMo), bei einer anderen Situation, etwa dem Druck mit einer Nickelbasislegierung (IN718), wiederzuverwenden. Inkrementelles Lernen ermöglicht es, das Modell schrittweise mit neuen Daten zu aktualisieren, statt es komplett neu zu trainieren. In ihrem Rahmen wird das Modell zunächst stufenweise auf einem Material trainiert, beginnend mit Proben bei niedrigeren Laserleistungen und anschließend ergänzt um Proben bei höheren Leistungen. Das trainierte Modell wird dann nur leicht mit wenigen Proben des neuen Materials oder der neuen Leistung nachtrainiert, damit es sich anpasst ohne einen großen neuen Datensatz zu benötigen.

Untersuchung unterschiedlicher Mustererkennungsansätze

Um die Leistungsfähigkeit dieses Rahmens zu prüfen, druckte das Team 20 kleine Testteile mit CoCrMo‑ und IN718‑Pulvern und maß dabei kontinuierlich die elektrische Energie. Für die Vorhersage der Energie zu jedem Zeitpunkt verwendeten sie nur sechs einfache Eingangsgrößen: Zeitschritt, Laserleistung, Scan-Geschwindigkeit, Pulverzufuhrrate, Schichtnummer und ob die Maschine aktuell baut oder nicht. Verglichen wurden vier Modelltypen: ein baumbasiertes Verfahren (XGBoost), ein rekurrentes neuronales Netz (LSTM), ein temporales Faltungsnetz (TCN) und ein Transformer‑Modell mit Aufmerksamkeitsmechanismen. Über drei Aufgaben hinweg – Wechsel von CoCrMo zu IN718, von IN718 zu CoCrMo und von niedriger zu höherer Laserleistung bei IN718 – lieferte der inkrementelle Transferlernungsansatz durchweg Vorhersagen, die näher an den tatsächlichen Messwerten lagen als die üblichen Trainingsverfahren.

Welcher Ansatz am besten abschnitt

Unter den vier Modellen hob sich das temporale Faltungsnetz hervor. In Verbindung mit dem inkrementellen Transferlernungsrahmen erzielte es einen durchschnittlichen Fehler von etwa 4,65 Prozent und erklärte rund 92 Prozent der Varianz im Energieverbrauch, wobei die Trainingszeiten noch moderat blieben. Das LSTM schnitt ebenfalls gut ab, während Transformer- und XGBoost‑Modelle etwas hinterherlagen; XGBoost trainierte allerdings am schnellsten. Insbesondere gelang es den verbesserten Modellen besser, plötzliche Einbrüche und Spitzen im Energieverbrauch—die Momente, in denen der Laser startet, stoppt oder Schichten wechselt—genau abzubilden, statt sie zu verwässern.

Was das für sauberere Fertigung bedeutet

Einfach gesagt zeigt die Studie, dass eine intelligente, gestufte Lernstrategie Computern erlaubt, den Strombedarf eines metallischen 3D‑Druckers präzise vorherzusagen, selbst wenn Ingenieure nur wenige Testläufe haben und Materialien oder Prozessparameter wechseln. Solche Vorhersagen sind ein wichtiger Schritt, um Drucker automatisch so zu regeln, dass sie weniger Energie verbrauchen und gleichzeitig die Bauteilqualität erhalten, sowie um Emissionen ohne aufwändige Messreihen abzuschätzen. Zwar gelten in realen Fabriken noch deutlich größere Variationen als unter den kontrollierten Bedingungen dieser Studie, doch das Prinzip des Wiederverwendens und schrittweisen Aktualisierens von Wissen bietet einen vielversprechenden Weg zu energie‑ und klimafreundlicherer Fertigung.

Zitation: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

Schlüsselwörter: metallische additive Fertigung, Vorhersage des Energieverbrauchs, Transferlernen, inkrementelles Lernen, Directed Energy Deposition