---
title: "IMDEA Materials und Lawrence Berkeley entwickeln eine KI zur Erfassung der Variabilität von 3D-Druckern"
url: https://www.voxelmatters.com/de/imdea-materials-und-lawrence-berkeley-entwickeln-eine-ki-zur-erfassung-der-variabilitaet-von-3d-druckern/
date: 2026-07-22
modified: 2026-07-22
lang: de
author: "Joseph Caron-Dawe"
description: "Forscher des IMDEA Materials Institute haben in Zusammenarbeit mit dem Lawrence Berkeley National Laboratory (LBNL) in den Vereinigten Staaten einen Algorithmus entwickelt, der Verhaltensunterschiede zwischen theoretisch identischen Fertigungsmaschinen erkennt und..."
categories:
  - "3D-Drucker Hardware"
  - "AM-Forschung"
  - "Künstliche Intelligenz"
tags:
  - "future"
image: https://www.voxelmatters.com/wp-content/uploads/2026/07/IMDEA-AI-3D-printer-research-01-640x427.jpg
word_count: 421
---

# IMDEA Materials und Lawrence Berkeley entwickeln eine KI zur Erfassung der Variabilität von 3D-Druckern

[Forscher des IMDEA Materials Institute](https://www.voxelmatters.com/de/imdea-entwickelt-neue-3d-druckbare-superlegierung-mit-hoher-entropie/) haben in Zusammenarbeit mit dem Lawrence Berkeley National Laboratory (LBNL) in den Vereinigten Staaten einen Algorithmus entwickelt, der Verhaltensunterschiede zwischen theoretisch identischen Fertigungsmaschinen erkennt und entsprechend eine Optimierungsstrategie auswählt.

![IMDEA Materials and Lawrence Berkeley develop AI to profile 3D printer variability](https://www.voxelmatters.com/wp-content/uploads/2026/07/IMDEA-AI-3D-printer-research-02-340x240.jpg)

[Die Arbeit wurde in der Fachzeitschrift „Advanced Engineering Informatics“ veröffentlicht](https://www.sciencedirect.com/science/article/abs/pii/S147403462600652X?via%3Dihub#d1e2762) und befasst sich mit einem seit vielen Jahren bestehenden Problem in der automatisierten Fertigung: Maschinen derselben Marke und desselben Modells weisen keine identische Leistung auf, und die daraus resultierenden Abweichungen können sich in großem Maßstab zu Fehlern summieren, auch in parallelen Produktionsanlagen wie 3D-Druckfarmen.

Das System führte zunächst eine diagnostische Bewertung jeder einzelnen Maschine durch, um ein individuelles Leistungsprofil zu erstellen, und quantifizierte anschließend mithilfe statistischer Analysen den Grad der Variabilität zwischen den einzelnen Einheiten.

[Auf der Grundlage dieser Analyse wandte das System dann entweder eine gemeinsame Optimierungsstrategie](https://www.voxelmatters.com/tvasta-and-14trees-launch-cedar-an-ai-enabled-construction-3d-printer/) für Maschinen an, die als ausreichend ähnlich eingestuft wurden, oder eine individuelle Optimierungsstrategie für jede einzelne Maschine, wenn es signifikante Unterschiede feststellte, wobei die Genauigkeit Vorrang vor der gemeinsamen Effizienz hatte.

## Validierung auf drei 3D-Druckern

Das Team validierte die Methode anhand von drei theoretisch identischen 3D-Druckern. Der Algorithmus erkannte messbare Unterschiede zwischen den Geräten und stellte fest, dass für jedes Gerät eine eigene Optimierungsstrategie erforderlich war und keine gemeinsame.

Verteilungsanalysen und Divergenzmetriken sprachen in dieser Fallstudie für den Einzelgeräteansatz: Die Dichteabschätzungen der gedruckten Pellets zeigten eine deutliche Trennung zwischen den Geräten, und die paarweisen Divergenzwerte waren erheblich, was darauf hindeutete, dass jeder Drucker in einem eigenen Ausgabebereich arbeitete.

![IMDEA Materials and Lawrence Berkeley develop AI to profile 3D printer variability](https://www.voxelmatters.com/wp-content/uploads/2026/07/IMDEA-AI-3D-printer-research-03-227x340.jpg)

Die Anwendung einer individuellen Optimierung führte den Forschern zufolge „zu einer deutlich schnelleren Konvergenz und einer erheblichen Verringerung der Fehler beim Gewicht der gedruckten Teile im Vergleich zu einer einheitlichen Behandlung aller Maschinen, bei der individuelle Abweichungen nicht angemessen korrigiert wurden“.

„Selbst serienmäßig hergestellte Maschinen können ihre eigene ‚Persönlichkeit‘ im Betrieb haben. Unser System lernt diese Unterschiede und nutzt sie zu unserem Vorteil, indem es ermittelt, ob es effizienter ist, sie als Team oder als Einzelmaschinen zu behandeln“, so die Forscher.

„Dies verbessert nicht nur die Genauigkeit, sondern spart auch Ressourcen, indem fehlgeschlagene Experimente vermieden werden – ein wichtiger Schritt hin zu den vollautomatisierten Labors und Fabriken der Zukunft.“

## Anwendungen über den 3D-Druck hinaus

Während sich die Validierungsstudie auf den 3D-Druck konzentrierte, erklärten die Forscher, dass dieselbe Methodik auch auf andere Bereiche anwendbar sei, die auf Hochdurchsatz-Experimenten basieren, darunter die Entdeckung neuer Materialien, die chemische Synthese und die Sensorkalibrierung.

Die Studie wurde von Dr. Christina Schenk, Miguel Hernández del Valle, Luis Calero und Dr. Maciej Haranczyk vom IMDEA Materials Institute gemeinsam mit Dr. Marcus Noack vom Lawrence Berkeley National Laboratory durchgeführt.