AI:n käyttö 3D-tulostettujen osien todentamiseen

Illinoisin yliopiston Grainger College of Engineeringin tutkijat kehittivät kuvantunnistusmenetelmän, joka voi päätellä, millä 3D-tulostimella osa on valmistettu. Malli oppii osan pinnan pienistä tekstuurieroista, joita ihminen ei välttämättä huomaa. Tutkimuksessa 1 050 testiosan valmistuskone tunnistettiin 98,7 prosentin tarkkuudella. Tulos koskee rajattua tutkimusaineistoa, eikä pelkkä kuvan perusteella tehty tunnistus todista osan olevan virheetön.

Miksi valmistuslähteen tunnistaminen on tärkeää?

Monimutkaisen tuotteen osat voivat tulla eri toimittajilta ja valmistuspaikoista. Jos osa myöhemmin osoittautuu vialliseksi, tieto käytetystä koneesta voi auttaa jäljittämään mahdollisen ongelman lähteen. Tarrat ja sarjanumerot kertovat valmistajasta, mutta voivat irrota tai olla väärennettävissä. Pintarakenteeseen perustuva tunnistus olisi täydentävä työkalu toimittajien valvontaan.

Lisäävässä valmistuksessa pintaan jää valmistusmenetelmästä ja koneesta riippuvia jälkiä. Tutkimus testasi, voiko oppiva malli erottaa jälkiä eri laitteista myös silloin, kun ihminen ei pysty tunnistamaan niiden alkuperää valokuvasta.

Miten malli opetettiin?

Ryhmän aineistossa oli 9 192 osaa, jotka valmistettiin 21 tulostimella. Mukana oli kolme erilaista osamallia, kuusi materiaalia ja neljä lisäävän valmistuksen prosessia. Osat kuvattiin tarkalla tasoskannerilla. Malli tarkasteli kuvista valittuja pieniä alueita, pienensi niitä ja yhdisti useista alueista saadut ennusteet äänestysmenetelmällä. Tutkijat käyttivät EfficientNetV2-pohjaista syväoppimismallia.

Lähde: npj Advanced Manufacturing

Mitä kokeissa havaittiin?

Testijoukon 1 050 osan kone tunnistettiin 98,7 prosentin tarkkuudella. Malli pystyi ennustamaan myös valmistusprosessin, materiaalin ja osan sijainnin valmistuserässä. Nämä ovat tutkimuksessa mitattuja luokittelutuloksia; ne eivät merkitse, että jokaisen osan lujuus, turvallisuus tai aitous olisi riippumattomasti sertifioitu. Malli tarvitsee vertailukuvia ja sen luotettavuus voi muuttua, kun mukaan tulee uusia koneita, kuluneita laitteita, erilaisia materiaaleja tai jälkikäsiteltyjä pintoja.

Menetelmä voi tulevaisuudessa auttaa tunnistamaan virheellisiä toimituksia tai selvittämään, mistä tuotantoerästä ongelma alkoi. Ennen käyttöä kriittisissä osissa tarvitaan kuitenkin riippumatonta validointia, laaduntarkastuksia ja tietoa virheellisistä tunnistuksista. Tutkimus ei osoittanut, että menetelmä voisi yksin havaita vaaralliset viat tai tunnistaa kaikkien 3D-tulostettujen esineiden alkuperän.

Mahdolliset sovellukset ja yritysesimerkki

Toimitusketjujen auditointi ja tuoteväärennösten selvittäminen ovat mahdollisia käyttökohteita. Tutkimuksessa ei kuitenkaan määritelty varmaa yhden–kolmen vuoden kaupallista aikataulua. Carpenter Technology toimittaa erikoismetalleja ja jauheita muun muassa lisäävään valmistukseen, mutta ei osallistunut tähän kuvantunnistustutkimukseen. Sen osakkeen arvoa ei voi päätellä mallin testitarkkuudesta.

Carpenter Technology (CRS) (CRS )

Carpenter Technologyn uusimmat uutiset

Tutkimus: Bimrose, M. V. ym., ”Additive manufacturing source identification from photographs using deep learning”, npj Advanced Manufacturing 2, 20 (2025). doi:10.1038/s44334-025-00031-2.