KI zur Authentifizierung von 3D‑gedruckten Teilen

Ein Team von Denkerinnen und Denkern des Grainger College of Engineering hat ein Künstliche‑Intelligenz‑Modell entwickelt, das 3D‑gedruckte Teile präzise fingerabdrücken kann. Die KI untersucht Schlüsseldetails, die mit bloßem Auge nicht zu erkennen sind, und gleicht ihre Befunde mit den spezifischen Merkmalen ab, die jeder 3D‑Drucker hinterlässt.

Die Entdeckung könnte dazu beitragen, Probleme in der Fertigung, Überwachung und im Lieferkettenmanagement zu lindern und Unternehmen potenziell Milliarden zu sparen. Hier ist, was Sie wissen müssen.

Herausforderungen bei der Verifizierung von Lieferketten

Die Komplexität heutiger Produkte bedeutet, dass ihr Aufbau tausende von Komponenten erfordern kann, die von Hunderten von Herstellern bezogen werden. Leider hat dieses Szenario zu Problemen geführt, da die Gewährleistung einer unveränderten Qualität der Hersteller sich als schwierige Aufgabe erwiesen hat.

In einer typischen Fertigungsvereinbarung kommen beide Parteien zu einer Einigung über wichtige Details des Produkts. Diese Details können genaue Prozesse, verwendete Materialien und Fabrikabläufe umfassen. Je nach Teil und dessen Zweck ist es möglicherweise nicht leicht erkennbar, dass Änderungen über einen Zeitraum vorgenommen wurden oder erst beim Auftreten eines Fehlers sichtbar werden.

Identifizierung der Herkunft eines Teils

Früher wurden gängige Methoden verwendet, um sicherzustellen, dass ein Teil dort hergestellt wurde, wo es angegeben war, darunter sehr rudimentäre Ansätze wie Teilkennzeichnungen, Tracker und sogar eingedrückte Seriennummern. Diese Ansätze waren leicht zu sehen, konnten jedoch ebenso leicht kopiert, gefälscht und nachgeahmt werden. Diese Probleme führten dazu, dass Hersteller auf verdeckte Kennzeichnungen an einigen Komponenten bestanden.

3D‑Druck und seine Schwachstellen

Die Einführung des 3D‑Drucks verändert den industriellen Prozess für immer. Diese flexible Fertigungsoption erleichtert es Herstellern, Komponenten auszulagern. Gleichzeitig lassen sich 3D‑gedruckte Teile leichter verändern und fälschen.

Bei der additiven Fertigung gibt es weitere Faktoren zu verwalten und zu überwachen, darunter die Qualität des Ausgangsmaterials, Prozesskontrollen und die Art der eingesetzten Maschinen. Insbesondere können Änderungen in diesen Bereichen zu minderwertiger Teilqualität führen.

Traditionelle Ansätze zur Qualitätskontrolle

Hersteller haben große Anstrengungen unternommen, um ihre Auditing‑Prozesse zu verstärken. Sie führen vermehrt Vor-Ort‑Besuche durch und verlangen zusätzliche Kennzeichnungen, um die Herkunft der Produkte sicherzustellen. In der Praxis hat sich dieser Ansatz jedoch in großem Maßstab als ineffektiv erwiesen.

Früher wurden menschliche Experten hinzugezogen, um die Herkunft von AM‑hergestellten Komponenten zu bestimmen. Dieser Prozess ist jedoch zeitaufwendig. Zudem sind Hersteller häufig erst dann über Probleme informiert, wenn sie später in der Produktion auftreten, was es äußerst schwierig macht, genau zu ermitteln, welches Teil verändert wurde und wie.

Übersicht der KI‑Fingerabdruck‑Studie

Die Studie¹ „Additive manufacturing source identification from photographs using deep learning“, veröffentlicht im Nature‑Partner‑Journal Advanced Manufacturing, stellt ein KI‑Modell vor, das in den kommenden Jahren helfen könnte, viele dieser Probleme zu lösen. Das System ist in der Lage, die Qualität und Authentizität von AM‑Teilen zu zertifizieren, indem es analysierte Bilder ihrer Schichttexturen verwendet.

Fertigungssignatur

Jeder 3D‑Drucker weist einzigartige Merkmale auf, die ihm eine Signatur verleihen, die von Sensoren und KI‑Systemen erkannt werden kann. Schlüsseldetails wie die Toleranzen der Teilmaße, Prozesseinstellungen und verwendete Materialien korrelieren mit den einzelnen Maschinen.

Quelle – Advanced Manufacturing

Wie der KI‑Fingerabdruck‑Prozess funktioniert

Das Fingerabdruck‑System basiert auf der Annahme, dass Sie die Zusammenarbeit Ihres Herstellers haben, obwohl dies nicht zwingend erforderlich ist. Der erste Schritt besteht darin, Muster des idealen Produkts zu sammeln, um sie zu vergleichen. Sie müssen spezifische Details bereitstellen, einschließlich Hersteller und Modell der Maschine, des Fertigungsprozesses und der während der Produktion verwendeten Materialien. Anschließend übernimmt das KI‑System den Rest.

Deep‑Learning‑Architektur und Modellentwurf

Das KI‑Modell kann die Fingerabdruck eines 3D‑Druckers aus einem hochauflösenden Bild des Teils bestimmen. Anschließend verarbeitet es Bilddetails wie die Oberflächenstruktur mittels Bildverkleinerung, zufälliger Stichproben und eines Abstimmungsmechanismus. Das Bild wird dann verkleinert, um mehr Bilder pro Modell zu ermöglichen.

Die Ingenieure prüften mehrere verschiedene KI‑Strukturen, bevor sie feststellten, dass EfficientNetV2 die beste Option war. Die Tests zeigten, dass das KI‑Modell eine hohe Genauigkeit erreicht. Zudem war es das schnellste hinsichtlich der Trainingszeit. Die Ingenieure führten diese Leistung auf die Möglichkeit zurück, weniger Parameter einzugeben, sowie auf das Schichtdesign des Modells.

Training des Modells mit über 9.000 Teilbildern

Um die KI zu trainieren, erstellte das Team einen Datensatz, der Fotografien von 9.192 Teilen enthielt. Die Teile stammten von sechs verschiedenen Herstellern und wurden auf 21 Maschinen mit einem von vier unterschiedlichen Fertigungsprozessen hergestellt. Jedes Teil wurde gedruckt und anschließend mit einem hochauflösenden Epson Perfection V39 gescannt.

Die Scans erfolgten mit einer Auflösung von 4800 dpi, und jedes Teil wurde mehrfach gescannt, um eine gescannte Seriennummer zu erfassen. Die resultierenden 5,3 µm‑Pixel‑Bilder wurden dann in Stapeln von jeweils 21 Fotos gescannt, und ihr Pfad wurde an einen Zufallsgenerator gesendet. Dieser Ansatz half, die Eingabezeiten für die Datenerfassung zu verbessern.

Testen der Fingerabdruck‑Methode

Um ihre Theorie zu testen, erstellten die Ingenieure einen vielfältigen Satz von Teilen von 21 einzigartigen Maschinen über vier verschiedene Fertigungsprozesse hinweg. Das KI‑Modell entnahm zufällig einen 448 × 448‑Pixel‑Region‑of‑Interest (ROI) aus jedem Teilbild im Rahmen der Testphase.

Ergebnisse zur Fingerabdruck‑Genauigkeit

Die KI bewies ihre Leistungsfähigkeit und erreichte eine Genauigkeit von 98 % bei 1.050 Teilen. Das Modell identifizierte alle wichtigen Kennzahlen der Teile, einschließlich des Fertigungsprozesses, Materials und des Standorts in der Maschine, an dem das Teil gedruckt wurde. Es zeigte, dass bereits nur zehn Teile ausreichen, um den Fingerabdruck eines Druckers zu sichern.

Warum das für die Industrie wichtig ist

Dieser Ansatz wird dem Markt zahlreiche Vorteile bringen. Erstens hilft er, Qualitätsverluste zu verhindern und ermöglicht es Herstellern, die Ursachen von Ausfällen zu bestimmen. Beim Umgang mit fortschrittlichen und kritischen Systemen wie Flugzeugen könnte dieser Ansatz den Unterschied zwischen Leben und Tod ausmachen.

Früherkennung fehlerhafter Teile

Dieses KI‑Modell wird zudem helfen, Probleme mit 3D‑gedruckten Komponenten vor deren Installation zu erkennen. Dieser Ansatz spart Herstellern Kosten und reduziert Sicherheitsrisiken, die durch Mängel des falschen Teils entstehen könnten. Darüber hinaus bietet dieser Ansatz im Vergleich zu menschlichen Experten Skalierbarkeit.

Skalierbarkeit und Modellanpassungsfähigkeit

Das KI‑Modell kann im Laufe der Zeit lernen und sich anpassen. Das bedeutet, dass das System erkennbare Merkmale bestimmen kann, um andere Fertigungsattribute vorherzusagen. Zu diesen Merkmalen gehören der Prozess, das Material und die Maschine, die zum Drucken einer Komponente verwendet wurden.

Anwendungen in Industrie, Lieferkette und Forensik

Es gibt mehrere praxisnahe Anwendungen dieser Technologie. Von Lieferantenmanagement über Qualitätskontrolle bis hin zur Strafverfolgung. Die Fähigkeit, die Herkunft von 3D‑gedruckten Teilen zu bestimmen, ist ein Wendepunkt, der Leben retten kann. Hier sind die wichtigsten Anwendungsbereiche und die Zeitleiste.

Industrie

Der Industriesektor wird sofort einen Nutzen für diese Technologie finden. Sie könnte bei der Ursachenanalyse von Problemen entscheidend sein. In Zukunft könnten Hersteller bildbasierte Herkunftserkennung einsetzen, um die Qualität und Authentizität von AM‑Teilen zu überwachen und so sicherzustellen, dass die Datenqualitätskontrolle im Zeitalter des 3D‑Drucks wirksam bleibt.

Lieferkette

Die gleichen Vorteile würden das System ideal für das Lieferkettenmanagement machen. Es gibt tausende von Auftragsherstellern in einer großen Lieferkette. Das KI‑System wird Unternehmen dabei helfen, die einzelnen Produkte, die aus verschiedenen Standorten und zu unterschiedlichen Zeiten kommen, zu überwachen und zu verwalten. Die Skalierbarkeit des Systems ermöglicht es zukünftigen Herstellern, die Teile vor der Installation oder einem Ausfall vorab zu verifizieren.

Ermittlung

Ein weiteres Einsatzgebiet dieser Technologie ist die Bestimmung der Herkunft illegaler Waren. Alles von gefälschten Teilen bis hin zu 3D‑gedruckten Waffen könnte dank dieser Technologie deutlich leichter überwacht werden. In der Vergangenheit haben Probleme wie Geisterwaffen Politiker ratlos gemacht. In Zukunft wird diese Technologie der Strafverfolgung helfen, mehr Menschen zur Rechenschaft zu ziehen und gleichzeitig den weltweiten Fluss von 3D‑gedruckten Schusswaffen einzudämmen.

Zeitleiste des Fingerabdrucks von 3D‑gedruckten Teilen

Diese KI‑Fingerabdruck‑Technologie könnte in den nächsten 1–3 Jahren eingesetzt werden. Es besteht eine starke Nachfrage nach den Vorteilen, die dieses KI‑Modell bietet, und es lässt sich leicht an Liefer- und Fertigungsketten anpassen und integrieren. Diese Faktoren tragen dazu bei, Leben zu retten und Unternehmen Geld zu sparen.

Forscher des Fingerabdrucks von 3D‑gedruckten Teilen

Die Studie wurde von Forschern des Grainger College of Engineering verfasst. Konkret werden Bill King, Miles Bimrose, Davis McGregor, Charlie Wood und Sameh Tawfick als Mitwirkende genannt. Das Team wird nun versuchen, ihr Modell zu erweitern, um mehr 3D‑Drucker und Hersteller einzubeziehen.

Investitionen in den 3D‑Druck‑Sektor

Viele Unternehmen im AM‑Sektor könnten von dieser Studie profitieren. Investoren haben beobachtet, wie 3D‑Druck‑Firmen vom Prototyping zur Schaffung ganzer Stadtviertel übergegangen sind. Daher ist es nicht überraschend, dass die Nutzung von 3D‑Druck‑Technologie zunimmt. Hier ist ein Unternehmen, das weiterhin wegweisende Anstrengungen zeigt.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) trat 1889 in Reading, Pennsylvania, in den Markt ein. Das Unternehmen wurde von James Henry Carpenter und mehreren Investoren gegründet, um Spezialkomponenten zu produzieren.

Beeindruckend hat Carpenter Technology Corp einen Pioniergeist bewahrt und sogar dazu beigetragen, einige der ersten panzerbrechenden Geschosse für den Spanisch‑Amerikanischen Krieg zu entwickeln. Seitdem hat es sich einen Ruf für Langlebigkeit erworben und wurde sogar im Motor des Wright‑Brüder‑Flugzeugs verwendet, als sie 1903 zum ersten Mal flogen.

1917 machte das Unternehmen eine weitere bedeutende Entdeckung, als es hochfeste Stähle auf den Markt brachte. Diese korrosionsbeständige Alternative war entscheidend für Innovationen im Luftfahrtsektor. Heute bietet das Unternehmen ein breites Produktspektrum, darunter Spezialstähle, Legierungen und Pulver für den Einsatz in 3D‑Druck‑Anwendungen.

Die Pulveroptionen von Carpenter Tech sind ein entscheidender Bestandteil komplexer Schneid-, Form- und Bohrprozesse, und seine Legierungen werden in zahlreichen Branchen eingesetzt, darunter Verkehr, Verteidigung, Luft‑ und Raumfahrt, Energie, Industrie, Medizin und Unterhaltungselektronik. All diese Faktoren machen CRS zu einer starken Ergänzung Ihres Portfolios.

Neueste Nachrichten und Entwicklungen zu Carpenter Technology Corp. Aktien

Mehr Verantwortung → Die Zukunft der Qualitätskontrolle mit KI

Wenn man die Nachrichten betrachtet und Berichte über das Versagen von Flugzeugkomponenten oder andere lebensbedrohliche Vorfälle sieht, wird schnell klar, warum die Bestimmung der Herkunft fehlerhafter Teile eine wesentliche Aufgabe für die öffentliche Sicherheit ist. Dieser neue Ansatz hilft, Kosten zu senken und eröffnet die Tür für großflächige Anwendungen.

In Zukunft wird die Qualitätskontrolle jedes Bauteil eines Produkts vor dessen Installation und Ausfall umfassen. Daher verdienen diese Ingenieure Anerkennung für ihre Bemühungen, die dazu beitragen können, Leben und Geld zu retten.

Erfahren Sie mehr über KI‑Durchbrüche hier.

Referenzierte Studien:

^{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}