Die Dissertation untersucht die Vorhersage ungeplanter Ausfälle von PBF-LB/M-Systemen (Laser-basierte Pulverbettfusion von Metallen) mittels KI und maschinellem Lernen. Ziel ist Kostenreduktion und Verbesserung der Maschinenzuverlässigkeit in der metallbasierten additiven Fertigung. Die Studie analysiert tausende Baujobs aus realen industriellen Produktionsumgebungen verschiedener Industriesektoren. In der Arbeit wurde CRISP-DM, eine Methode zur Kombination von Data Mining und betriebswirtschaftlichen Zielen, eingesetzt. Der Fokus lag auf der Reduzierung der Kosten durch präventive Baujobabbrüche und Fehler-Ursachen-Analyse mittels Interpretation von Black-Box-Modellen. Die Daten wurden in aggregierte Form konvertiert und zur Lösung des binären Klassifizierungsproblems mittels verschiedener Lernverfahren verarbeitet. Gradient Boosted Trees wurde als bestes Lernverfahren identifiziert und weiter optimiert. Die Ergebnisse zeigten exzellente Prognosegüten innerhalb der ersten 3-6 Stunden der Produktionsphase. Die Studie zeigt durchschnittliche Kosteneinsparungen von 10-40% bei präventiven Eingriffen und überproportionale Einsparungen für langandauernde, hochvolumige Bauteile bei zunehmenden Ausfallraten. SHAP wurde zur Interpretation von Black-Box-Modellen und Identifizierung von Maßnahmen zur Steigerung der Maschinenzuverlässigkeit eingesetzt. Zukünftige Projekte könnten ein Frühwarnsystem für PBF-Systembetreiber entwickeln, um Kostenvorteile und bessere Maschinenkontrolle zu realisieren. Die Arbeit zeigt Potenzial ungenutzter Sensordaten aus additiven Baujobs für die Wertschöpfungskette. Der Fokus sollte auf kooperativem Datenaustausch zwischen Marktteilnehmern liegen, um neue Geschäftsmodelle zu finden und additive Fertigung zur industriellen Serienreife zu führen.weiterlesen