Der extrusionsbasierte 3D-Druck ist eine weit verbreitete 3D-Drucktechnologie, die sowohl für Prototypen als auch für Endprodukte genutzt wird. Trotz ihrer Beliebtheit bleibt die Optimierung der Druckqualität und die Reduzierung von Fehldrucken ein iterativer, manueller Prozess. Ansätze zur Prozessüberwachung und Pozesskontrolle zielen darauf ab, diesen zu verkürzen und zu automatisieren. Ein vielversprechender Ansatz ist die Messung der Kräfte, die während des Druckprozesses auf Druckkopf, Extruder und Druckbett wirken. Diese Daten können genutzt werden, um Fehler frühzeitig zu erkennen und den Prozess in Echtzeit anzupassen. Da die Interpretation der Kraftdaten oft komplex ist, bieten künstliche neuronale Netze (KNNs) großes Potenzial, um Zusammenhänge zu erfassen und Vorhersagen zu treffen.

Am IDD wurde ein Versuchsstand mit Workflow entwickelt, um Daten für das Training von KNNs zu sammeln. Erste Trainingsversuche zeigen vielversprechende Ergebnisse. Im Rahmen dieser Arbeit sollen: • weitere Daten gesammelt werden,

• unterschiedliche neuronale Netze trainiert werden,
• eine Hyperparameterstudie durchgeführt werden,
• die KI validiert und die Grenzen der Methode untersucht werden.