VLAIO Haalbaarheidsstudie — Subsidieaanvraag¶

AI-Gedreven Orchestratie voor 3D Print-on-Demand Productie¶

Haalbaarheidsonderzoek naar Predictieve en Optimaliserende AI voor Forma3D.Connect¶

Aanvrager: Forma 3D (KMO) Contactpersoon: [Naam zaakvoerder] Ondernemingsnummer: [BE 0xxx.xxx.xxx] Datum: Maart 2026 Type aanvraag: VLAIO Haalbaarheidsstudie (Onderzoeksproject) Gevraagde subsidie: €28.080 (60% van €46.800) Projectduur: 12 maanden Kennispartner: Universiteit Antwerpen (te contacteren)

Deel I — Het Bedrijf en de Context¶

1. Voorstelling van de Aanvrager¶

1.1 Forma 3D — Bedrijfsprofiel¶

Forma 3D is een Vlaamse KMO die actief is in 3D print-on-demand productie. Het bedrijf opereert een printfarm bestaande uit meerdere FDM 3D-printers (Fused Deposition Modeling) en verkoopt zowel eigen ontwerpen als custom producten via online verkoopkanalen.

1.2 De Uitdaging van Schaalbare Print-on-Demand¶

De 3D print-on-demand markt groeit snel, maar de operationele complexiteit schaalt niet lineair mee. Bij een printfarm van 10+ printers ontstaan uitdagingen die niet met handmatige processen op te lossen zijn:

De kernvraag die deze haalbaarheidsstudie beantwoordt:

Kan AI-technologie — specifiek failure prediction en scheduling optimization — de operationele complexiteit van een groeiende 3D printfarm beheersbaar houden, en zo ja, welke aanpak is technisch en economisch haalbaar voor een KMO?

2. Forma3D.Connect — Het Bestaande Platform¶

2.1 Wat is Forma3D.Connect?¶

Forma3D.Connect is een integratieplatform dat Forma 3D zelf heeft ontwikkeld om de volledige print-on-demand workflow te automatiseren. Het platform koppelt e-commerce (Shopify), printfarm-aansturing (SimplyPrint) en shipping (Sendcloud) in één geautomatiseerde pipeline.

Het platform is het resultaat van 27+ weken ontwikkeling en bevindt zich in een gevorderde testfase (Technology Readiness Level 6 — systeem gedemonstreerd in relevante omgeving). Productielancering is gepland voor eind Q2 2026.

2.2 Huidige Architectuur¶

Forma3D.Connect is opgebouwd als een microservices-platform in een Nx monorepo, volledig in TypeScript.

2.3 Operationele Pipeline¶

De huidige pipeline werkt volledig automatisch op basis van deterministische regels:

2.4 Datamodel — Relevante Entiteiten voor AI¶

Het platform beschikt over een uitgebreid datamodel in PostgreSQL (Prisma ORM) dat de basis vormt voor toekomstige AI-training:

Wat dit datamodel nu al vastlegt en relevant is voor AI:

2.5 Wat Ontbreekt — De Innovatiekloof¶

Het huidige systeem is reactief en regelgebaseerd. Het automatiseert de workflow, maar het optimaliseert niet. Dit leidt tot drie concrete problemen:

De kernvraag van deze haalbaarheidsstudie is of AI deze drie problemen kan oplossen, en zo ja, hoe.

Deel II — Het Innovatieproject¶

3. Probleemstelling en Onderzoeksvragen¶

3.1 Centrale Probleemstelling¶

3D printing (FDM) is inherent onbetrouwbaar. In tegenstelling tot traditionele productieprocessen (CNC, spuitgieten) zijn de faalredenen divers, moeilijk voorspelbaar en vaak afhankelijk van een combinatie van factoren:

• Materiaal — filamentkwaliteit varieert per batch, vochtgevoeligheid
• Mechanisch — nozzle-verstopping, bed-adhesie, belt-spanning
• Thermisch — omgevingstemperatuur, warpage, koeling
• Geometrisch — overhang, support-afhankelijkheid, dunne wanden
• Temporeel — printers degraderen over tijd, onderhoudscycli

Bestaande 3D print management software (SimplyPrint, OctoPrint, Repetier) biedt monitoring maar geen voorspelling. De operator ziet dat een print faalt, maar kan niet inschatten welke prints zullen falen voordat ze starten.

Tegelijkertijd is scheduling in een multi-printer omgeving een combinatorisch optimalisatieprobleem. Bij een printfarm van 20 printers met 50 wachtende jobs, elk met verschillende materialen, duurtes en deadlines, is het aantal mogelijke toewijzingen astronomisch. Geen enkele operator kan dit optimaal oplossen.

3.2 Onderzoeksvragen¶

Deze haalbaarheidsstudie beantwoordt vier samenhangende onderzoeksvragen:

OV1: Technische Haalbaarheid — Failure Prediction¶

• Welke combinatie van features (printer, materiaal, G-code complexiteit, historisch faalgedrag) levert de hoogste predictieve waarde?
• Kunnen modellen getraind op beperkte data (honderden tot enkele duizenden prints) al bruikbare voorspellingen geven?
• Welke modelarchitectuur is het meest geschikt: gradient boosting (XGBoost/LightGBM) voor tabulaire data, of tijdreeks-modellen (LSTM) voor printer telemetrie?
• Hoe snel degradeert de modelkwaliteit bij veranderingen in de printfarm (nieuwe printers, andere materialen)?

OV2: Algoritmische Haalbaarheid — Scheduling Optimization¶

• Hoe presteert een constraint programming aanpak (bijv. Google OR-Tools) vergeleken met heuristische methodes voor print-specifieke scheduling?
• Is reinforcement learning (RL) haalbaar bij de beperkte schaal en de lange feedback loops (een print duurt uren)?
• Welke objectieffunctie leidt tot de beste trade-off: minimale doorlooptijd, maximale printer-benutting, of minimale materiaalwissels?
• Kan een scheduling optimizer omgaan met de stochastische aard van 3D printing (onvoorspelbare printduur, tussentijdse fouten)?

OV3: Data-Haalbaarheid¶

• Hoeveel gelabelde print-uitkomsten (succes/faal met context) zijn minimaal nodig voor een bruikbaar failure prediction model?
• Welke data moet Forma3D.Connect extra vastleggen bovenop het huidige datamodel?
• Hoe kan synthetische data of data-augmentatie helpen bij beperkte volumes?
• Wat is de minimale operationele periode voordat voldoende data beschikbaar is?

OV4: Economische Haalbaarheid¶

• Wat is de verwachte besparing in materiaal en arbeidstijd bij een failure prediction model met 70% recall?
• Wat is de verwachte throughput-verbetering bij geoptimaliseerde scheduling t.o.v. FIFO?
• Vanaf welk ordervolume wordt de investering in AI-orchestratie terugverdiend?
• Wat is het SaaS-potentieel: zijn andere printfarms bereid te betalen voor deze functionaliteit?

4. Stand van de Techniek¶

4.1 Academische Literatuur¶

Het kruispunt van AI en additive manufacturing is een actief onderzoeksdomein. De meeste publicaties focussen echter op industriële SLS/SLA-processen, niet op FDM print-on-demand:

Conclusie: Er is een duidelijke kennislacune in de toepassing van predictieve AI op FDM print-on-demand in een KMO-context. Het meeste onderzoek is gericht op industriële schaal met dure sensoren en grote datasets — niet op de realiteit van een Vlaamse KMO met 10-50 printers.

4.2 Bestaande Commerciële Oplossingen¶

Geen enkele oplossing combineert failure prediction, scheduling optimization en self-healing in één platform. Dit is de innovatiekans.

5. Onderzoeksaanpak¶

5.1 Methodologie¶

De haalbaarheidsstudie volgt een gestructureerde aanpak in vier werkpakketten (WP's):

5.2 WP1: Data-analyse en Feature Engineering (maand 1-4)¶

Doel: Bepalen welke data beschikbaar is, welke data ontbreekt, en welke features potentieel voorspellend zijn voor printfouten en scheduling-kwaliteit.

Activiteiten:

Huidige beschikbare data in het platform:

Data die ontbreekt en onderzocht wordt:

Deliverables WP1:

1. Data-catalogus met kwaliteitsbeoordeling
2. Gap-analyse: beschikbare data vs. benodigde data
3. Feature engineering plan met prioriteiten
4. Aanbevelingen voor data-verrijking van het Prisma-schema
5. Eerste EDA-rapport (zodra operationele data beschikbaar is)

5.3 WP2: Failure Prediction — Proof of Concept (maand 3-7)¶

Doel: Onderzoeken of een ML-model met voldoende nauwkeurigheid kan voorspellen of een print zal falen, gegeven de beperkte data van een KMO-printfarm.

Aanpak:

Specifieke experimenten:

Deliverables WP2:

1. Getrainde proof-of-concept modellen met performance metrics
2. Feature importance ranking
3. Minimum dataset-omvang rapport (learning curves)
4. Vergelijkingsrapport: regelgebaseerd vs. ML vs. tijdreeks
5. Aanbeveling: welk model-type verdient verdere investering in een O&O-project?

5.4 WP3: Scheduling Optimizer — Proof of Concept (maand 3-7)¶

Doel: Onderzoeken welke scheduling-aanpak het meest geschikt is voor een FDM printfarm van KMO-schaal (10-50 printers).

Aanpak:

Vergelijkingscriteria:

Deliverables WP3:

1. Printfarm-simulator (Python) met configureerbare parameters
2. Benchmark-resultaten: FIFO vs. CP vs. heuristiek vs. RL (beperkt)
3. Schaalbaarheidsanalyse per methode
4. Aanbeveling: welke methode(s) verdienen verdere investering in O&O?

5.5 WP4: Economische Analyse en Conclusies (maand 9-12)¶

Doel: Vertalen van de technische resultaten naar een economische onderbouwing en een go/no-go advies voor een volledig O&O-project.

Activiteiten:

Deliverables WP4:

1. Economisch haalbaarheidsrapport met ROI-projecties
2. SaaS-marktvalidatie (kwalitatief, 5-10 interviews met printfarm-operators)
3. Go/no-go advies voor een volledig O&O-project
4. Gedetailleerde O&O-roadmap (indien go): welke modellen, welke data, welke tijdlijn
5. Eindpresentatie voor VLAIO

6. Innovatiegehalte¶

6.1 Waarom is dit Innovatief?¶

De innovatie van dit project zit niet in de individuele technieken (ML, scheduling) maar in de combinatie en de toepassing op FDM KMO-printfarms:

6.2 Risico's en Mitigatie¶

Deel III — Projectorganisatie en Budget¶

7. Projectteam en Kennispartner¶

7.1 Eigen Inzet — Zaakvoerder Forma 3D¶

De zaakvoerder is de enige persoon met diepgaande kennis van zowel het Forma3D.Connect-platform (27+ weken eigen ontwikkeling) als de operationele realiteit van een 3D printfarm. Deze combinatie is essentieel voor:

• Data-annotatie — beoordelen welke printfouten categorieën correct gelabeld zijn
• Feature validatie — domeinkennis bepaalt welke features zinvol zijn (bijv. "printfouten nemen toe na 200 uur zonder nozzle-wissel" is kennis die niet uit data alleen komt)
• Resultaat-evaluatie — vertalen van ML-metrics naar operationele bruikbaarheid

7.2 Externe Expertise — AI/ML Consultant¶

7.3 Kennispartner — Universiteit Antwerpen (te contacteren)¶

Opmerking: De samenwerking met UAntwerpen is nog niet formeel bevestigd. De haalbaarheidsstudie dient ook als vehikel om deze samenwerking op te starten en te valideren. Bij positief resultaat vormt dit de basis voor een gezamenlijke O&O-aanvraag.

8. Projectplanning¶

Mijlpalen¶

9. Budget en Subsidievraag¶

9.1 Gedetailleerd Budget¶

Personeelskosten (eigen inzet)¶

Toelichting forfaitair uurtarief: Voor KMO-zaakvoerders hanteert VLAIO een forfaitair uurtarief. De exacte hoogte dient bevestigd te worden bij VLAIO op het moment van indiening. Het bedrag van €55/uur is een conservatieve schatting.

Uitbesteding — AI/ML Consultant¶

Uitbesteding — Kennispartner (Universiteit Antwerpen)¶

Overige Kosten¶

Overhead¶

9.2 Totaaloverzicht¶

9.3 Subsidievraag¶

9.4 Financiering Eigen Bijdrage¶

Financiële haalbaarheid: De cash-eigen bijdrage bedraagt slechts €643/maand. Dit is draagbaar vanuit de verwachte operationele cashflow na de webshop-lancering (gepland eind Q2 2026) en eventueel een beperkte Startlening+ (PMV) als werkkapitaalbuffer.

10. Verwachte Resultaten en Valorisatie¶

10.1 Directe Resultaten van de Haalbaarheidsstudie¶

10.2 Valorisatiepad¶

10.3 Positie na de Haalbaarheidsstudie¶

11. Link met Vlaams en Europees Beleid¶

11.1 Industrie 4.0 en Digitale Transformatie¶

Dit project sluit aan bij de Vlaamse beleidsprioriteiten rond Industrie 4.0 en digitale transformatie van de maakindustrie. Specifiek:

• AI voor KMO's — VLAIO's speerpunt om AI-adoptie bij KMO's te versnellen
• Slimme maakindustrie — Toepassing van predictieve AI in productieomgevingen
• Digitale tweelingconcepten — Stap richting een digitale representatie van de printfarm

11.2 Europese AI Act¶

Het beoogde AI-systeem valt in de categorie beperkt risico (productie-optimalisatie zonder directe impact op personen). Desondanks wordt bij het ontwerp al rekening gehouden met transparantie- en uitlegbaarheidseisen, wat het systeem future-proof maakt.

11.3 Duurzaamheid¶

AI-gestuurde productie leidt direct tot:

• Minder materiaalverspilling — failure prediction voorkomt onnodige prints
• Lager energieverbruik — betere scheduling vermindert idle-tijd van printers
• Langere levensduur — predictief onderhoud verlengt de levensduur van printers

12. Conclusie¶

Deze haalbaarheidsstudie onderzoekt een concrete, afgebakende vraag: kan AI de operationele problemen van een groeiende 3D printfarm oplossen, en zo ja, hoe?

Het project is uniek in de Vlaamse context:

• Het bouwt op een bestaand, werkend platform (Forma3D.Connect, TRL 6) — geen conceptueel idee
• Het richt zich op een KMO-realiteit — beperkte data, beperkte budgetten, maximale pragmatiek
• Het levert concrete resultaten — werkende proof-of-concepts en een onderbouwd go/no-go advies
• Het opent een valorisatiepad — eigen gebruik + SaaS-potentieel + academische samenwerking
• Het risico is beperkt en gecontroleerd — €643/maand cash eigen bijdrage, 12 maanden doorlooptijd

Bij een positief resultaat vormt deze haalbaarheidsstudie de wetenschappelijke en technische onderbouwing voor een volledig VLAIO O&O-project (€375.000+), met een versterkte aanvraag dankzij bewezen data, gevalideerde modellen en een bestaande academische samenwerking.

Bijlagen¶

Bijlage A: Technologiestack Forma3D.Connect¶

Bijlage B: Prisma Datamodel — Volledige Schema-referentie¶

Het volledige Prisma-schema is beschikbaar in de codebase (prisma/schema.prisma) en omvat de volgende modellen:

Bijlage C: Referenties¶

• Banadaki, M.D. (2023). "A Review of Machine Learning Applications in Fused Deposition Modeling." Journal of Manufacturing Processes, 95, 89-104.
• Paraskevoudis, K. et al. (2020). "Real-time 3D Printing Remote Defect Detection." Procedia CIRP, 93, 1299-1304.
• Li, R. et al. (2022). "Reinforcement Learning for Job Shop Scheduling: A Survey." Computers & Operations Research, 145, 105872.
• Google OR-Tools Documentation. developers.google.com/optimization
• SimplyPrint API Documentation. apidocs.simplyprint.io
• VLAIO Haalbaarheidsstudie Handleiding. vlaio.be

Bijlage D: Verklarende Woordenlijst¶