Utilizzare l’IA per Autenticare le Parti Stampate in 3D

Un team di pensatori del Grainger College of Engineering ha sviluppato un modello di Intelligenza Artificiale in grado di identificare con precisione le impronte delle parti stampate in 3D. L’IA esamina dettagli chiave che non possono essere osservati a occhio nudo e confronta i risultati con i dettagli specifici lasciati da ogni stampante 3D.

La scoperta potrebbe contribuire ad alleviare i problemi di produzione, monitoraggio e gestione della catena di fornitura, potenzialmente risparmiando miliardi alle aziende. Ecco cosa c’è da sapere.

Sfide nella Verifica della Catena di Fornitura

La complessità dei prodotti odierni implica che la loro costruzione possa richiedere migliaia di componenti, provenienti da centinaia di produttori. Purtroppo, questo scenario ha generato alcuni problemi, poiché garantire che la qualità dei produttori rimanga invariata si è rivelato un compito difficile.

In un tipico accordo di produzione, entrambe le parti raggiungono un’intesa sui dettagli chiave del prodotto. Questi dettagli possono includere processi esatti, materiali utilizzati e procedure di fabbrica. A seconda della parte e del suo scopo, potrebbe non essere facilmente evidente che siano state apportate modifiche per un certo periodo o fino al verificarsi di un guasto.

Identificazione della Provenienza di una Parte

In passato, i metodi comuni usati per garantire che una parte provenisse da dove dichiarava di essere stata realizzata includevano approcci molto rudimentali come etichette, tracciatori e persino numeri di serie pressati. Questi approcci erano facilmente visibili, ma anche facilmente copiati, falsificati e contraffatti. Questi problemi hanno spinto i produttori a insistere su tag nascosti su alcuni componenti.

Stampa 3D e le Sue Vulnerabilità

L’introduzione della stampa 3D ha cambiato per sempre il processo industriale. Questa opzione di produzione flessibile ha semplificato per i produttori l’esternalizzazione dei componenti. Allo stesso tempo, le parti stampate in 3D sono più facili da modificare e contraffare.

Ci sono più fattori da gestire e monitorare quando si discute di manifattura additiva, inclusi la qualità delle materie prime, i controlli di processo e il tipo di macchine utilizzate. In particolare, qualsiasi cambiamento in queste categorie può portare a una qualità delle parti inferiore.

Approcci Tradizionali al Controllo di Qualità

I produttori hanno compiuto grandi sforzi per potenziare i loro processi di audit. Possono effettuare più visite in loco e richiedere marcature aggiuntive per garantire l’origine dei prodotti. Tuttavia, la verità è che questo approccio si è dimostrato inefficace su larga scala.

In passato, esperti umani venivano chiamati per aiutare a determinare l’origine dei componenti prodotti con AM. Tuttavia, questo processo è dispendioso in termini di tempo. Inoltre, i produttori spesso non sono consapevoli di eventuali problemi finché non si verifica un guasto più avanti nella produzione, rendendo estremamente difficile determinare esattamente quale parte è stata modificata e come.

Panoramica dello Studio sull’Impronta IA

Lo studio¹ “Additive manufacturing source identification from photographs using deep learning”, pubblicato nella rivista partner di Nature Advanced Manufacturing, presenta un modello di IA che potrebbe aiutare a risolvere molti di questi problemi nei prossimi anni. Il sistema è in grado di certificare la qualità e l’autenticità delle parti AM utilizzando immagini analizzate delle loro texture di strato.

Impronta di Produzione

Ogni stampante 3D ha aspetti unici che le conferiscono un’impronta rilevabile da sensori e sistemi di IA. Dettagli chiave come le tolleranze delle dimensioni delle parti, le impostazioni di processo e i materiali utilizzati sono correlati alle singole macchine.

Fonte – Advanced Manufacturing

Come Funziona il Processo di Impronta IA

Il sistema di impronta funziona assumendo che si abbia la collaborazione del produttore, sebbene non sia obbligatoria. Il primo passo è raccogliere campioni del prodotto ideale a scopo comparativo. È necessario fornire dettagli specifici, inclusi marca e modello della macchina, il processo di fabbricazione e i materiali utilizzati durante la produzione. Da lì, il sistema IA gestisce il resto.

Architettura di Deep Learning e Progettazione del Modello

Il modello IA può determinare l’impronta di una stampante 3D da un’immagine ad alta risoluzione della parte. Successivamente elabora i dettagli dell’immagine, come la texture superficiale, utilizzando riduzione della risoluzione, campionamento casuale e uno schema di voto. L’immagine viene poi ridotta per consentire più immagini per modello.

Gli ingegneri hanno valutato diverse architetture IA prima di stabilire che EfficientNetV2 fosse l’opzione migliore. I test hanno rivelato che il modello IA raggiunge un’alta precisione. Inoltre, si è classificato come il più veloce in termini di tempo di addestramento. Gli ingegneri hanno attribuito questa performance alla capacità di inserire meno parametri e al design dei layer del modello.

Addestramento del Modello con Oltre 9.000 Immagini di Parti

Per addestrare l’IA, il team ha costruito un dataset che includeva fotografie di 9.192 parti. Le parti provenivano da 6 diversi produttori e sono state realizzate su 21 macchine usando uno dei quattro diversi processi di fabbricazione. Ogni parte è stata stampata e poi scansionata con un Epson Perfection V39 ad alta risoluzione.

Le scansioni erano a una risoluzione di 4800 dpi, e ogni parte è stata scansionata più volte per includere un numero di serie scansionato. Le immagini risultanti da pixel di 5,3 μm sono state poi scansionate in lotti di 21 foto ciascuno, e il loro percorso è stato inviato a un randomizzatore. Questo approccio ha contribuito a migliorare i tempi di acquisizione dei dati.

Test del Metodo di Impronta

Per testare la loro teoria, gli ingegneri hanno creato un set diversificato di parti provenienti da 21 macchine uniche attraverso quattro diversi processi di produzione. Il modello IA ha campionato casualmente una regione di interesse (ROI) di 448 × 448 pixel da ogni immagine della parte durante la fase di test.

Risultati di Accuratezza dell’Impronta

L’IA ha dimostrato la sua capacità, ottenendo un’accuratezza del 98% su 1050 parti. Il modello ha identificato tutte le metriche chiave delle parti, inclusi il processo di produzione, il materiale e la posizione nella macchina in cui la parte è stata stampata. Ha dimostrato che bastano anche solo 10 parti per garantire l’impronta di una stampante.

Perché Questo è Importante per l’Industria

Ci sono numerosi vantaggi che questo approccio porterà sul mercato. Innanzitutto, aiuterà a prevenire la perdita di qualità e a consentire ai produttori di determinare le origini dei guasti. Quando si tratta di sistemi avanzati e critici come gli aerei, questo approccio potrebbe fare la differenza tra vita e morte.

Rilevamento Precoce di Parti Difettose

Questo modello IA aiuterà anche a individuare problemi nei componenti stampati in 3D prima della loro installazione. Questo approccio farà risparmiare ai produttori costi e ridurrà i rischi di sicurezza derivanti dalle carenze di una parte errata. Inoltre, offre scalabilità rispetto all’uso di esperti umani.

Scalabilità e Adattabilità del Modello

Il modello IA può apprendere e adattarsi nel tempo. Questo significa che il sistema può determinare caratteristiche identificabili per prevedere altri attributi di produzione. Queste caratteristiche includono il processo, il materiale e la macchina utilizzati per stampare un componente.

Applicazioni in Industria, Catena di Fornitura e Forense

Esistono diverse applicazioni reali di questa tecnologia. Dalla gestione dei fornitori al controllo di qualità, fino alle forze dell’ordine. La capacità di determinare l’origine delle parti stampate in 3D è una svolta che potrebbe contribuire a salvare vite. Ecco le sue principali applicazioni e la tempistica.

Industriale

Il settore industriale troverà un uso immediato per questa tecnologia. Potrebbe rivelarsi cruciale nella risoluzione delle cause radice dei problemi. In futuro, i produttori potrebbero utilizzare l’identificazione della fonte basata su immagini per monitorare la qualità e l’autenticità delle parti AM, contribuendo a garantire che il controllo di qualità dei dati rimanga efficace nell’era delle stampanti 3D.

Catena di fornitura

Gli stessi vantaggi renderebbero il sistema ideale per la gestione della catena di fornitura. Ci sono migliaia di produttori sotto contratto in una grande catena di fornitura. Il sistema IA aiuterà le aziende a monitorare e gestire i singoli prodotti provenienti da diverse sedi e in tempi differenti. La scalabilità del sistema consentirà ai futuri produttori di pre-verificare che le parti siano corrette prima dell’installazione o del guasto.

Indagine

Un altro ambito in cui questa tecnologia potrebbe essere utile è la determinazione dell’origine di beni illeciti. Tutto, dalle parti contraffatte alle armi stampate in 3D, potrebbe ora essere più facile da monitorare grazie a questa tecnologia. In passato, problemi come le armi fantasma hanno lasciato i politici perplessi. In futuro, questa tecnologia aiuterà le forze dell’ordine a portare più persone alla giustizia, contribuendo a contenere il flusso di armi stampate in 3D a livello globale.

Tempistica dell’Impronta delle Parti Stampate in 3D

Questa tecnologia di impronta AI potrebbe essere messa in pratica nei prossimi 1-3 anni. C’è una forte domanda per i benefici che questo modello IA offre, ed è facilmente adattabile e integrabile nelle catene di fornitura e produzione. Questi fattori aiutano a salvare vite e a far risparmiare denaro alle aziende.

Ricercatori dell’Impronta delle Parti Stampate in 3D

Lo studio è stato redatto da ricercatori del Grainger College of Engineering. In particolare, elenca Bill King, Miles Bimrose, Davis McGregor, Charlie Wood e Sameh Tawfick come contributori. Ora il team cercherà di ampliare il loro modello per includere più stampanti 3D e produttori.

Investire nel Settore della Stampa 3D

Molte aziende nel settore AM potrebbero trarre beneficio da questo studio. Gli investitori hanno visto le imprese di stampa 3D passare dal prototipare alla creazione di interi quartieri. Pertanto, non sorprende apprendere che l’uso della tecnologia di stampa 3D è in crescita. Ecco un’azienda che continua a dimostrare uno sforzo pionieristico.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) è entrata sul mercato nel 1889 a Reading, Pennsylvania. L’azienda è stata fondata da James Henry Carpenter e diversi investitori per creare componenti speciali.

In modo impressionante, Carpenter Technology Corp ha mantenuto uno spirito pionieristico e ha persino contribuito a creare alcuni dei primi proiettili perforanti per la guerra ispano-americana. Da allora, ha costruito una reputazione di durabilità ed è stata persino utilizzata nel motore dell’aereo dei fratelli Wright quando hanno effettuato il primo volo nel 1903.

Nel 1917, l’azienda ha fatto un’altra importante scoperta introducendo sul mercato acciaio ad alta resistenza. Questa alternativa anticorrosiva è stata cruciale per l’innovazione nel settore aeronautico. Oggi, l’azienda offre una vasta gamma di prodotti, tra cui acciaio speciale, leghe e polveri per applicazioni di stampa 3D.

Le opzioni di polvere di Carpenter Tech sono un componente cruciale per processi complessi di taglio, sagomatura e foratura, e le sue leghe sono utilizzate in diversi settori, tra cui trasporti, difesa, aerospazio, energia, industria, medico e elettronica di consumo. Tutti questi fattori rendono CRS un’aggiunta solida al tuo portafoglio.

Ultime Notizie e Sviluppi sul Titolo di Carpenter Technology Corp.

Maggiore responsabilità → Il Futuro del Controllo di Qualità con l’IA

Quando si osservano le notizie e si leggono rapporti su componenti di aeroplani che falliscono o altri eventi pericolosi per la vita, è facile capire perché determinare la provenienza delle parti difettose sia un compito vitale per la sicurezza pubblica. Questo nuovo approccio aiuta a ridurre i costi e apre la porta a applicazioni su larga scala.

In futuro, il controllo di qualità includerà ogni componente di un prodotto, prima della sua installazione e del suo eventuale guasto. Pertanto, questi ingegneri meritano un plauso per i loro sforzi che potrebbero aiutare a salvare vite e denaro.

Scopri le novità sull’IA qui.

Studi Citati:

^{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}