Brug af AI til at autentificere 3D-printede dele

Et team af tænkere fra Grainger College of Engineering udviklede en kunstig intelligensmodel, der præcist kan lave fingeraftryk på 3D-printede dele. AI’en undersøger nøgledetaljer, som det menneskelige øje ikke kan se, og krydstjekker sine fund med de specifikke detaljer, som hver 3D-printer efterlader.

Opdagelsen kan hjælpe med at lindre problemer inden for fremstilling, overvågning og forsyningskædestyring og potentielt spare virksomheder milliarder. Her er, hvad du behøver at vide.

Udfordringer i verifikation af forsyningskæden

Kompleksiteten i nutidens produkter betyder, at deres konstruktion kan kræve tusindvis af komponenter, indkøbt fra hundredvis af producenter. Desværre har dette scenario ført til nogle problemer, da det har vist sig at være en vanskelig opgave at sikre, at producenternes kvalitet forbliver uændret.

I en typisk fremstillingsaftale kommer begge parter til enighed om nøgledetaljer ved produktet. Disse detaljer kan omfatte præcise processer, anvendte materialer og fabriksprocedurer. Afhængigt af delen og dens formål kan det være svært at bemærke, at ændringer er foretaget i en periode eller indtil en fejl opstår.

Identificering af en parts oprindelse

Tidligere omfattede de almindelige metoder til at sikre, at en del kom fra den angivne oprindelse meget rudimentære tilgange såsom delmærkater, sporingsenheder og endda indpressede serienumre. Disse tilgange var lette at se, men de blev også let kopieret, forfalsket og efterlignet. Disse problemer førte til, at producenter insisterede på skjulte mærkater på nogle komponenter.

3D-printning og dens sårbarheder

Introduktionen af 3D-printning ændrer den industrielle proces for altid. Denne fleksible fremstillingsmulighed gjorde det lettere for producenter at outsource komponenter. Samtidig er 3D-printede dele lettere at ændre og forfalske.

Der er flere faktorer at håndtere og overvåge, når man diskuterer additiv fremstilling, herunder råmaterialekvalitet, proceskontrol og typen af maskiner, der anvendes. Bemærkelsesværdigt kan ændringer i disse kategorier føre til understandard delkvalitet.

Traditionelle tilgange til kvalitetskontrol

Producenter har gjort store anstrengelser for at forbedre deres revisionsprocesser. De kan foretage flere onsite besøg og kræve yderligere mærkninger for at sikre produkternes oprindelse. Dog har denne tilgang vist sig at være ineffektiv i stor skala.

Tidligere blev menneskelige eksperter indkaldt for at hjælpe med at bestemme oprindelsen af AM-fremstillede komponenter. Denne proces er dog tidskrævende. Derudover er producenter ofte uvidende om problemer, indtil et problem opstår senere i produktionen, hvilket gør det ekstremt svært at fastslå præcis, hvilken del der er blevet ændret, og hvordan.

Oversigt over AI-fingeraftryksstudie

Studiet¹ “Additive manufacturing source identification from photographs using deep learning”, offentliggjort i Nature-partnerjournalen Advanced Manufacturing, introducerer en AI-model, der kan hjælpe med at løse mange af disse problemer i de kommende år. Systemet er i stand til at certificere kvaliteten og ægtheden af AP-dele ved at bruge analyserede billeder af deres lagteksturer.

Fremstillingsfingeraftryk

Hver 3D-printer har unikke aspekter, der giver den et fingeraftryk, som kan opdages af sensorer og AI-systemer. Nøgledetaljer såsom tolerancer i delens dimensioner, procesindstillinger og anvendte materialer korrelerer med individuelle maskiner.

Kilde – Advanced Manufacturing

Sådan fungerer AI-fingeraftryksprocessen

Fingeraftryksystemet fungerer ud fra antagelsen om, at du har samarbejde med din producent, selvom det ikke er påkrævet. Det første skridt er at indsamle prøver af det ideelle produkt til sammenligningsformål. Du skal angive specifikke detaljer, herunder maskinens mærke og model, fremstillingsprocessen og de materialer, der anvendes under produktionen. Derefter håndterer AI-systemet resten.

Dyblæringsarkitektur og modeldesign

AI-modellen kan bestemme en 3D-printers fingeraftryk ud fra et højopløseligt billede af delen. Den udtrækker derefter billedets detaljer såsom overfladetekstur ved hjælp af billednedskalering, tilfældig udvælgelse og et afstemningssystem. Billedet nedskaleres derefter for at tillade flere billeder pr. model.

Ingeniørerne undersøgte flere forskellige AI-strukturer, før de fastslog, at EfficientNetV2 var den bedste løsning. Testerne viste, at AI-modellen opnår høj nøjagtighed. Derudover var den den hurtigste med hensyn til træningstid. Ingeniørerne tilskrev denne ydeevne evnen til at indtaste færre parametre og modellens lagdesign.

Træning af modellen med over 9.000 delbilleder

For at træne AI’en byggede teamet et datasæt, der indeholdt fotografier af 9.192 dele. Delene kom fra 6 forskellige producenter og blev fremstillet på 21 maskiner ved brug af en af fire forskellige fremstillingsprocesser. Hver del blev printet og derefter scannet med en højopløselig Epson Perfection V39.

Scanningerne var i 4800-dpi opløsning, og hver del blev scannet flere gange for at inkludere et scannet serienummer. De resulterende 5,3 μm pixelbilleder blev derefter scannet i partier af 21 fotos hver, og deres sti blev sendt til en randomizer. Denne tilgang hjalp med at forbedre indsamlingstiden for data.

Test af fingeraftryksmetoden

For at teste deres teori skabte ingeniørerne et varieret sæt af dele fra 21 unikke maskiner på tværs af fire forskellige fremstillingsprocesser. AI-modellen udvalgte tilfældigt et 448 × 448 pixel interesseområde (ROI) fra hvert delbillede som en del af testfasen.

Resultater for fingeraftryksnøjagtighed

AI’en beviste sin evne ved at opnå 98 % nøjagtighed på tværs af 1050 dele. Modellen identificerede alle nøglemålinger af delene, herunder fremstillingsprocessen, materialet og placeringen i maskinen, hvor delen blev printet. Den viste, at den kun behøvede så få som 10 dele for at sikre en printers fingeraftryk.

Hvorfor dette er vigtigt for industrien

Der er mange fordele, som denne tilgang vil bringe til markedet. For det første vil den hjælpe med at forhindre tab af kvalitet og hjælpe producenter med at bestemme årsagen til fejl. Når man håndterer avancerede og kritiske systemer som luftfartøjer, kan denne tilgang udgøre forskellen mellem liv og død.

Tidlig påvisning af fejlbehæftede dele

Denne AI-model vil også hjælpe med at finde problemer med 3D-printede komponenter før deres installation. Denne tilgang vil spare producenter for omkostninger og reducere sikkerhedsrisici, der kan opstå på grund af mangler i den forkerte del. Derudover tilbyder denne tilgang skalerbarhed sammenlignet med brug af menneskelige eksperter.

Skalerbarhed og modeltilpasning

AI-modellen kan lære og tilpasse sig over tid. Dette betyder, at systemet kan bestemme identificerbare egenskaber for at forudsige andre fremstillingsattributter. Disse egenskaber omfatter processen, materialet og maskinen, der blev brugt til at printe en komponent.

Anvendelser i industri, forsyningskæde og retsmedicin

Der er flere virkelige anvendelser af denne teknologi. Fra leverandørstyring til kvalitetskontrol og endda retshåndhævelse. Evnen til at bestemme oprindelsen af 3D-printede dele er en game-changer, der kan hjælpe med at redde liv. Her er dens nøgleanvendelser og tidslinje.

Industriel

Den industrielle sektor vil finde en umiddelbar anvendelse for denne teknologi. Den kan vise sig at være afgørende i problemløsning af grundårsager. I fremtiden kan producenter bruge billedbaseret kildeidentifikation til at overvåge kvaliteten og ægtheden af AM-dele, hvilket hjælper med at sikre, at datakvalitetskontrol forbliver effektiv i 3D-printer-æraen.

Forsyningskæde

De samme fordele vil gøre systemet ideelt til styring af forsyningskæden. Der er tusindvis af kontraktproducenter i en stor forsyningskæde. AI-systemet vil hjælpe virksomheder med at overvåge og styre de enkelte produkter, der kommer fra forskellige steder og på forskellige tidspunkter. Systemets skalerbarhed vil gøre det muligt for fremtidige producenter at forudverificere, at delene er korrekte inden installation eller fejl.

Undersøgelse

Et andet område, hvor denne teknologi kan hjælpe, er i bestemmelse af oprindelsen af ulovlige varer. Alt fra forfalskede dele til 3D-printede våben kan nu blive meget lettere at overvåge takket være denne teknologi. Tidligere har problemer som såkaldte ghost guns efterladt politikere målløse. I fremtiden vil denne teknologi hjælpe retshåndhævelsen med at bringe flere personer for retten, samtidig med at den hjælper med at bremse strømmen af 3D-printede skydevåben globalt.

Tidslinje for fingeraftryk af 3D-printede dele

Denne AI-fingeraftryksteknologi kan komme i brug inden for de næste 1-3 år. Der er en stærk efterspørgsel efter de fordele, som denne AI-model bringer, og den kan let tilpasses og integreres i forsynings- og produktionskæder. Disse faktorer hjælper med at redde liv og spare virksomheder penge.

Forskere bag fingeraftryk af 3D-printede dele

Studiet blev skrevet af forskere fra Grainger College of Engineering. Specifikt nævnes Bill King, Miles Bimrose, Davis McGregor, Charlie Wood og Sameh Tawfick som bidragydere til arbejdet. Nu vil teamet søge at udvide deres model til at inkludere flere 3D-printere og producenter.

Investering i 3D-printningssektoren

Mange virksomheder i AM-sektoren kan drage fordel af dette studie. Investorer har set 3D-printningsvirksomheder gå fra prototyping til at skabe hele nabolag. Derfor er det ikke overraskende, at brugen af 3D-printningsteknologi er på vej op. Her er en virksomhed, der fortsat demonstrerer en banebrydende indsats.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) gik ind på markedet i 1889 i Reading, Pennsylvania. Virksomheden blev grundlagt af James Henry Carpenter og flere investorer for at skabe specialkomponenter.

Imponerende har Carpenter Technology Corp bevaret en pionerånd og endda hjulpet med at skabe nogle af de første panserbrydende projektiler til den spansk-amerikanske krig. Siden da har den opbygget et ry for holdbarhed og blev endda brugt i Wright-brødrenes flymotor, da de tog af første gang i 1903.

I 1917 gjorde virksomheden en anden stor opdagelse, da den introducerede højstyrkestål på markedet. Dette korrosionsbestandige alternativ var afgørende for innovation i luftfartssektoren. I dag tilbyder virksomheden et bredt udvalg af produkter, herunder specialstål, legeringer og pulvere til brug i 3D-printningsapplikationer.

Carpenter Tech’s pulvermuligheder er en afgørende komponent i komplekse skærings-, formnings- og boreprocesser, og deres legeringer anvendes på tværs af flere industrier, herunder transport, forsvar, rumfart, energi, industri, medicin og forbrugerelektronik. Alle disse faktorer gør CRS til et stærkt supplement til din portefølje.

Seneste nyheder og udviklinger om Carpenter Technology Corp.-aktien

Mere ansvarlighed → Fremtiden for kvalitetskontrol med AI

Når du ser på nyhederne og ser rapporter om flykomponenter, der svigter, eller andre livstruende hændelser, er det let at forstå, hvorfor bestemmelse af oprindelsen af fejlbehæftede dele er en vigtig opgave for offentlig sikkerhed. Denne nye tilgang hjælper med at reducere omkostninger og åbner døren for storskalige anvendelser.

I fremtiden vil kvalitetskontrol omfatte hver komponent i et produkt, inden installation og fejl. Derfor fortjener disse ingeniører en hyldest for deres indsats, som kan hjælpe med at redde liv og penge.

Lær mere om AI-gennembrud her.

Studier refereret:

^{1. Bimrose, M. V., McGregor, D. J., Wood, C., Tawfick, S., & King, W. P. (2025). Additive manufacturing source identification from photographs using deep learning. npj Advanced Manufacturing, 2(20). https://doi.org/10.1038/s44334-025-00031-2}