Additive manufacturing biedt metaalbedrijven de kans om hun productieprocessen ingrijpend te herzien. Voor middelgrote en grote machinefabrieken en gieterijen, die al vertrouwd zijn met toleranties, warmtebehandelingen en oppervlakteafwerking, vormt AM dan ook geen radicale sprong in het onbekende, maar een natuurlijke aanvulling op hun vakmanschap. Toch durven de meesten deze stap niet te zetten. Sirris’ senior AM-engineer Julien Magnien denkt dat je met data veel onzekerheden kunt wegnemen.
Hierover gaat zijn presentatie op AM for Production, 2 oktober bij Mikrocentrum. Klik hier om het originele Engelstalige interview met Julien Magnien te lezen.
Sirris laat op AM for Production zien hoe data de sleutel zijn tot een betrouwbaar AM-proces
Waarom zijn metaalbedrijven terughoudend?
Metaalbedrijven zijn volgens Julien Magnien van het Belgische onderzoeksinstituut voor de metaal, terughoudend vanwege de aanzienlijke investeringen en de onzekerheden die aan AM kleven. Een laserpoederbedmachine is slechts het begin; er komt een compleet pakket aan randapparatuur bij kijken, van ovens en poederopslag tot handling, kwaliteitstools en softwarelicenties. Als ontwerpers hun ontwerpen niet aanpassen aan de mogelijkheden van AM, schieten de kosten per onderdeel al snel omhoog ten opzichte van verspanende technieken. Bovendien ontbreekt het voor veel kritische toepassingen aan heldere normen en validatieprotocollen, waardoor bedrijven niet weten hoe ze de definitieve kwaliteit van additief vervaardigde onderdelen kunnen garanderen.
Gefragmenteerde waardeketen
Een andere barrière is de gefragmenteerde waardeketen van AM. Het proces stopt niet wanneer de printer klaar is; het vervolgtraject omvat het verwijderen van supportstructuren, nabewerking op kritische interfaces, oppervlaktebehandelingsstappen, warmtebehandelingen en uiteindelijk eindcontrole. Zonder vooraf voldoende rekening te houden met al deze schakels kan het initiële budget binnen de kortste keren exploderen. Hoewel de praktijkvoorbeelden talrijk zijn – van lucht- en ruimtevaartonderdelen tot medische implantaten – blijven bedrijven huiverig omdat ze vrezen dat het behalen van de gewenste kwaliteit een langdurig en risicovol leerproces is.
Met data naar voorspelbare kwaliteit
De kernuitdaging van metal AM is voorspelbare kwaliteit. Tijdens het evenement AM for Production 2025 in Veldhoven wordt daarom de volledige AM-werkstroom belicht, van ontwerp en materiaalbeheer tot productie en nazorg. Hierbij staat het wegnemen van onzekerheden centraal. Sirris’ senior AM-engineer Julien Magnien illustreert hoe bedrijven met behulp van data uit elke stap van het proces inzicht krijgen in die factoren die de kwaliteit bepalen. Hij laat zien dat kwaliteit ontstaat door een zorgvuldige beheersing van parameters als laservermogen, laagdikte, poederspreiding en zuurstofgehalte.
Digitale QA
Data blijken de sleutel tot een betrouwbaar AM-proces en het aantonen van kwaliteit zonder dat elk onderdeel met een CT-scanner hoeft. Moderne AM-machines zijn uitgerust met tal van sensoren – optisch, nabij-infrarood, akoestisch en 3D-scanners – die micro-onregelmatigheden in kaart brengen. Door deze gegevens te koppelen aan zowel procesdata als operatorlogboeken, ontstaat volledige traceerbaarheid. Sirris toont aan dat het monitoren van poedercondities vóór en na een bouwopdracht, plus het bijhouden van warmtebehandelingen en handelingen van monteurs, cruciaal is om onverwachte kwaliteitsdipjes te verklaren en te voorkomen.
Vertrouwen dankzij transparantie
Transparantie en traceerbaarheid maken het mogelijk om aanzienlijk meer onderdelen te produceren zonder kostbare eindinspecties. Daarmee groeit het vertrouwen sneller dan via formele certificeringen. In de toekomst kan deze datastroom zelfs leiden tot digitale kwaliteitscontrole: een systeem dat continu data analyseert en afwijkingen signaleert, waardoor operators enkel die onderdelen hoeven te herzien die buiten de tolerantie vallen.
Data-analyse is bottleneck
De grootste bottleneck is niet de dataverzameling, maar de analyse. Een zesdaagse bouwopdracht genereert makkelijk een terabyte aan ruwe data; bij honderden opdrachten per machine per jaar explodeert de opslagbehoefte. Grote vraagstukken zijn hoe je al die data structureert, welke invloeden je prioriteert en hoe je via kunstmatige intelligentie voorspellende modellen bouwt. Het lopende Valid3D-project, onder aanvoering van Materialise en met partners als Sirris, werkt aan die volledige koppeling van procesdata om al in de ontwerpfase te kunnen valideren waar risico’s ontstaan.
First time right
Het ultieme perspectief is eersteklas kwaliteit bij de eerste poging, zonder menselijke tussenkomst in de productiefase. Met een solide ontwerp, een gesloten procesfeedbacklus en een datagedreven AI-tool die op basis van enkele inputwaarden realtime de kwaliteit kan voorspellen, wordt AM ook voor kleine en middelgrote metaalbedrijven toegankelijk. De stap van tientallen bewerkingen naar “druk op de knop en ga” komt daarmee binnen handbereik. Voor metaalbedrijven die hun concurrentiepositie willen verstevigen, snellere doorlooptijden ambiëren en maatwerk willen leveren, is het benutten van data in additive manufacturing geen luxe maar een noodzaak.
AM for Production vindt op 2 oktober plaats bij Mikrocentrum. Hier vind je meer informatie
