VLAIO O&O Project Dossier¶

AI-Gedreven Autonome Orchestratie voor Gedistribueerde 3D Printfarms¶

Gebouwd op Forma3D.Connect — een bewezen print-on-demand integratieplatform¶

1. Executive Summary¶

Dit O&O-project bouwt verder op Forma3D.Connect, een operationeel print-on-demand platform dat reeds de volledige workflow automatiseert van e-commerce order tot productie en verzending. Het platform integreert Shopify (e-commerce), SimplyPrint (printfarm-aansturing), Sendcloud (shipping) en GridFlock (parametrische STL-generatie) in een microservices-architectuur.

De huidige automatisering werkt op basis van deterministische regels: orders komen binnen, worden gematcht met printprofielen, naar printers gestuurd, en na voltooiing automatisch gefulfilled en verzonden. Het ontbreekt echter aan intelligentie: het systeem kan niet voorspellen, optimaliseren of zelfstandig reageren op verstoringen.

Dit project introduceert een AI-laag bovenop het bestaande platform die drie fundamentele capaciteiten toevoegt:

1. Predictieve modellen — voorspellen van printfouten voordat ze optreden, op basis van historische print-data en real-time sensorgegevens
2. Optimalisatie-algoritmes — intelligente toewijzing van jobs aan printers op basis van capaciteit, materiaal, urgentie en verwachte doorlooptijd
3. Zelfherstellende workflows — automatische herplanning en foutherstel zonder menselijke interventie

Het resultaat is een verschuiving van regelgebaseerde automatisering naar autonome, zelflerende productie-orchestratie.

2. Huidige Staat: Forma3D.Connect (TRL 6-7)¶

Het bestaande platform is het resultaat van 27+ weken ontwikkeling en draait operationeel in een staging-omgeving. De volgende functionaliteit is volledig geïmplementeerd en getest:

2.1 Operationele Pipeline¶

2.2 Technische Maturiteit¶

2.3 Wat ontbreekt — de innovatie-uitdaging¶

Het huidige systeem is reactief en regelgebaseerd. Het kan niet:

• Voorspellen welke prints zullen falen (→ verspilling van materiaal en tijd)
• Optimaal jobs toewijzen aan printers (→ suboptimale benutting van de printfarm)
• Zelfstandig herplannen bij verstoringen (→ menselijke interventie vereist)
• Patronen herkennen over tijd (→ geen continu leerproces)
• Meerdere gedistribueerde printfarms als één geheel aansturen (→ beperkt tot single-site)

Dit project vult precies deze gaps in.

3. Technologische Innovatie¶

De kerninnovatie ligt in het toevoegen van een intelligente beslissingslaag bovenop een bewezen operationeel platform. Dit is geen greenfield AI-project — het bouwt op reële productiedata en een werkende pipeline.

3.1 Failure Prediction (Predictief)¶

Probleem: 5-15% van 3D prints falen, wat leidt tot materiaalverspilling, tijdverlies en vertraagde leveringen.

Aanpak: Ontwikkeling van ML-modellen die faalrisico inschatten vóór en tijdens een print, op basis van:

• Historische print-data (succes/faal per printer, materiaal, model, tijdstip)
• Real-time sensoren (temperatuur, filament flow, vibratie) via SimplyPrint
• G-code complexiteitsanalyse (overhang, support density, layer adhesion risico)

Beschikbare data: Het platform logt reeds elke print job met status, duur, printer ID, materiaal en faalreden. Deze dataset groeit dagelijks en vormt de trainingsdata.

Onderzoeksvraag: Welke combinatie van features en modelarchitectuur (gradient boosting vs. LSTM vs. transformer) levert de hoogste predictieve waarde bij beperkte trainingsdata?

3.2 Scheduling Optimization (Optimaliserend)¶

Probleem: Jobs worden nu FIFO toegewezen. Dit houdt geen rekening met printduur, materiaalwissels, printer-specialisatie of deadlines.

Aanpak: Ontwikkeling van een constraint-based scheduling optimizer die jobs toewijst op basis van:

• Printer capabilities (build volume, materiaal, nozzle diameter)
• Geschatte printduur en deadline
• Materiaalvoorraad en wisselkosten
• Energieverbruik en piekbelasting
• Historische betrouwbaarheid per printer-model combinatie

Onderzoeksvraag: Kan reinforcement learning (RL) een scheduling policy leren die beter presteert dan heuristische methodes (bijv. constraint programming met OR-Tools), gegeven de stochastische aard van 3D printing?

3.3 Self-Healing Workflows (Autonoom)¶

Probleem: Bij printfouten moet een operator handmatig beslissen: opnieuw printen, ander printer kiezen, of order escaleren.

Aanpak: Een decision engine die automatisch het optimale herstelpad kiest:

• Herplanning op een alternatieve printer (indien beschikbaar)
• Prioriteitsaanpassing van de queue op basis van klantimpact
• Automatische notificatie bij onoplosbare situaties
• Escalatie naar menselijke operator als laatste resort

Bestaande basis: Het platform heeft al een RetryQueue model met typed job kinds en een event-driven architectuur (EventBusModule) die als fundament dient.

4. Architectuur¶

4.1 Huidige Microservices-Architectuur¶

Forma3D.Connect is opgebouwd als een microservices-platform in een Nx monorepo, met TypeScript als enige taal over de hele stack.

4.2 Technologiestack¶

5. AI & Onderzoek — Methodologie¶

5.1 Onderzoekstraject¶

Het AI-onderzoek volgt een gestructureerd traject van data naar productie:

5.2 Beschikbare Data¶

Het platform genereert reeds de volgende data die als trainingsmateriaal dient:

5.3 NVIDIA DGX Spark — Verantwoording¶

De keuze voor een DGX Spark als lokale trainingsomgeving is gebaseerd op:

De DGX Spark is specifiek geschikt voor: - Iteratieve RL-training (scheduling optimizer) die duizenden simulatie-episodes vereist - Hyperparameter search over failure prediction modellen - Snelle experimentcyclus die nodig is in een academische samenwerking

6. Samenwerking met UAntwerpen¶

De academische samenwerking richt zich op twee onderzoeksdomeinen die aansluiten bij bestaande expertise aan de universiteit.

6.1 Onderzoeksdomein 1: Predictive Maintenance voor Additive Manufacturing¶

• Focus: Ontwikkeling van failure prediction modellen specifiek voor FDM 3D printing
• Onderzoeksvragen:
• Welke sensor-features zijn het meest voorspellend voor printfouten?
• Kunnen modellen getraind op één printertype generaliseren naar andere types?
• Hoe presteren foundation models vs. task-specifieke modellen bij beperkte data?
• Deliverables: Publiceerbare resultaten, gevalideerde modellen, feature engineering pipeline

6.2 Onderzoeksdomein 2: Operations Research voor Production Scheduling¶

• Focus: Optimalisatie-algoritmes voor multi-printer, multi-materiaal scheduling
• Onderzoeksvragen:
• Hoe verhoudt RL-based scheduling zich tot exact methods (MILP) en metaheuristics?
• Welke reward function leidt tot de beste trade-off tussen throughput, kwaliteit en deadline compliance?
• Hoe schaalt de optimizer naar gedistribueerde printfarms (multi-site)?
• Deliverables: Benchmark framework, vergelijkende studie, open-source scheduling library

6.3 Structuur van de Samenwerking¶

7. Compliance & Regelgeving¶

7.1 NIS2 — Huidige Staat en Gaps¶

Het platform heeft reeds aanzienlijke security-maatregelen geïmplementeerd. Dit project vult de resterende NIS2-gaps in.

7.2 AI Act¶

Het AI-systeem valt naar verwachting in de beperkt risico categorie (productie-optimalisatie, geen directe impact op personen). Desondanks implementeren we transparantie-maatregelen:

8. KPI Framework¶

8.1 Productie-efficiëntie¶

8.2 Systeem-performance¶

8.3 Onderzoeksoutput¶

9. Scheduling Flow — Huidige vs. Toekomstige Situatie¶

9.1 Huidig (Regelgebaseerd)¶

9.2 Toekomstig (AI-Gedreven)¶

10. Multi-Tenancy als Enabler voor Distributed Orchestration¶

Het platform beschikt reeds over een multi-tenant architectuur die de basis vormt voor gedistribueerde printfarm-orchestratie:

Het O&O-project breidt dit uit naar cross-tenant scheduling: een centrale AI-optimizer die jobs kan verdelen over meerdere fysieke locaties op basis van capaciteit, nabijheid tot klant en materiaalsbeschikbaarheid.

11. Projectplanning¶

12. Budget & Subsidievraag¶

Context: Forma 3D wordt geleid door een solo entrepreneur. Het project maakt gebruik van externe expertise (consultants en academische samenwerking) voor gespecialiseerde onderzoeksactiviteiten, gecombineerd met eigen inzet voor projectleiding, productvisie en platformkennis.

12.1 Projectkosten (24 maanden)¶

Personeelskosten (eigen inzet)¶

De eigen inzet van de zaakvoerder wordt berekend aan het VLAIO-forfaitair uurtarief voor KMO-zaakvoerders.

Toelichting: De zaakvoerder brengt unieke domeinkennis in (3D print-on-demand operations, Forma3D.Connect-architectuur) die niet extern te verkrijgen is. Deze inzet omvat: projectmanagement, requirements-definitie, data-annotatie en -validatie, integratieontwerp, en productie-evaluatie.

Uitbesteding — Consultants (gespecialiseerde expertise)¶

VLAIO-aandachtspunt: Uitbesteding aan consultants mag maximaal ~50% van de totale projectkost (excl. universitaire samenwerking) bedragen. In dit budget bedraagt de consultancy-uitbesteding 43% — binnen de limiet. De zaakvoerder garandeert kennisborging door actieve betrokkenheid bij alle onderzoeksactiviteiten en eigenaarschap van de codebase.

Uitbesteding — Universiteit Antwerpen¶

Opmerking: Universitaire uitbesteding valt buiten het 50%-plafond voor commerciële uitbesteding en wordt door VLAIO apart beoordeeld.

Investeringen¶

Opmerking: VLAIO aanvaardt investeringen in onderzoeksinfrastructuur mits ze noodzakelijk zijn voor het O&O-project. De afschrijving wordt pro rata temporis berekend: bij een DGX Spark met 5 jaar afschrijving en 24 maanden projectduur wordt 40% van de aankoopprijs als projectkost aanvaard.

Overige kosten¶

Overhead¶

Totaaloverzicht projectkosten¶

12.2 Subsidievraag¶

Toepasselijk steunpercentage¶

Forma 3D is een KMO (kleine of middelgrote onderneming). Het project combineert industrieel onderzoek (failure prediction modellen, scheduling algoritmes) met experimentele ontwikkeling (platformintegratie, productie-validatie). De samenwerking met UAntwerpen geeft recht op een verhoogd steunpercentage.

Verdeling activiteiten¶

Investeringen worden apart berekend op basis van het afschrijvingspercentage. Het toepasselijke steunpercentage hangt af van de fase waarin de investering wordt ingezet (60% voor industrieel onderzoek, 40% voor experimentele ontwikkeling).

Samenvatting subsidievraag¶

12.3 Financiering Eigen Bijdrage¶

De eigen bijdrage van ~€179.000 (over 24 maanden, ~€7.500/maand) wordt als volgt gefinancierd:

Belangrijk: Van de €178.904 eigen bijdrage is €91.200 inzet in natura (eigen uren). De werkelijke cash-bijdrage bedraagt dus ~€87.700 over 24 maanden (~€3.650/maand). Dit omvat het niet-gesubsidieerde deel van consultants, overige kosten en overhead.

VLAIO-tip: De financiële draagkrachttoets is een standaard onderdeel van de VLAIO-evaluatie. Voeg bij de indiening een cashflow-projectie toe en eventueel een intentieverklaring van een Winwinlening-verstrekker of PMV-aanvraag om de haalbaarheid te onderbouwen.

12.4 Return on Investment¶

Directe besparing (na projecteinde)¶

Indirecte waarde¶

13. Conclusie¶

Dit project combineert een bewezen technologisch fundament (Forma3D.Connect, TRL 6-7) met ambitieus maar haalbaar AI-onderzoek. In tegenstelling tot veel AI-projecten die starten bij een conceptueel idee, beschikken we over:

• Een operationele productie-pipeline die dagelijks data genereert
• Een microservices-architectuur die modulaire integratie van AI-componenten mogelijk maakt
• Een multi-tenant model dat schaalt naar gedistribueerde printfarms
• Een security- en observability-stack die voldoet aan NIS2-eisen
• Een academische partner die wetenschappelijke diepgang en validatie toevoegt

De innovatie zit niet in het bouwen van een platform, maar in het intelligent maken van een platform dat al werkt. Dit verlaagt het technisch risico aanzienlijk en vergroot de kans op succesvolle resultaten binnen de projectduur.