AI gebruiken om 3D‑geprinte onderdelen te authenticeren

Een team van denkers van de Grainger College of Engineering ontwikkelde een kunstmatig intelligentiemodel dat 3D-geprinte onderdelen nauwkeurig kan fingerprinten. De AI onderzoekt belangrijke details die niet met het blote oog waarneembaar zijn en vergelijkt haar bevindingen met de specifieke details die elke 3D-printer achterlaat.

Deze ontdekking kan helpen de problemen in productie, monitoring en supply chain‑beheer te verlichten, waardoor bedrijven mogelijk miljarden kunnen besparen. Hier is wat u moet weten.

Uitdagingen bij verificatie van de toeleveringsketen

De complexiteit van hedendaagse producten betekent dat hun constructie duizenden componenten kan vereisen, afkomstig van honderden fabrikanten. Helaas heeft dit scenario tot enkele problemen geleid, omdat het waarborgen van een constante kwaliteit van fabrikanten een lastige taak blijkt te zijn.

In een typische productieovereenkomst komen beide partijen tot een overeenkomst over de belangrijkste details van het product. Deze details kunnen exacte processen, gebruikte materialen en fabrieksprocedures omvatten. Afhankelijk van het onderdeel en het doel ervan, is het mogelijk niet gemakkelijk merkbaar dat er gedurende enige tijd wijzigingen zijn aangebracht of tot een storing optreedt.

De bron van een onderdeel identificeren

In het verleden omvatten de gangbare methoden om te garanderen dat een onderdeel afkomstig was van de aangegeven locatie zeer rudimentaire benaderingen, zoals onderdeellabels, trackers en zelfs ingedrukte serienummers. Deze benaderingen waren gemakkelijk te zien, maar konden ook eenvoudig worden gekopieerd, vervalst en nagemaakt. Deze problemen leidden ertoe dat fabrikanten aandrongen op verborgen tags op sommige componenten.

3D-printen en de kwetsbaarheden ervan

De introductie van 3D-printen verandert het industriële proces voorgoed. Deze flexibele productiemogelijkheid maakt het voor fabrikanten eenvoudiger om componenten uit te besteden. Tegelijkertijd zijn 3D-geprinte onderdelen gemakkelijker te wijzigen en te vervalsen.

Er zijn meer factoren om te beheren en te monitoren bij additive manufacturing, waaronder de kwaliteit van de grondstof, procescontroles en het type gebruikte machines. Opmerkelijk is dat elke wijziging in deze categorieën kan leiden tot ondermaatse onderdeelkwaliteit.

Traditionele benaderingen van kwaliteitscontrole

Fabrikanten hebben grote inspanningen geleverd om hun auditprocessen te verbeteren. Ze kunnen meer on‑site bezoeken uitvoeren en extra markeringen eisen om de herkomst van producten te waarborgen. De realiteit is echter dat deze aanpak op grote schaal ondoeltreffend is gebleken.

Voorheen werden menselijke experts ingeschakeld om de herkomst van AM‑geproduceerde componenten te bepalen. Dit proces is echter tijdrovend. Bovendien zijn fabrikanten vaak niet op de hoogte van problemen totdat zich later in de productie een storing voordoet, waardoor het uiterst moeilijk is precies te achterhalen welk onderdeel is aangepast en hoe.

Overzicht van de AI‑fingerprintstudie

De studie¹ “Additive manufacturing source identification from photographs using deep learning”, gepubliceerd in het Nature‑partner tijdschrift Advanced Manufacturing, introduceert een AI‑model dat in de komende jaren veel van deze problemen kan helpen oplossen. Het systeem is in staat de kwaliteit en authenticiteit van AM‑onderdelen te certificeren door geanalyseerde afbeeldingen van hun laagstructuren te gebruiken.

Productie‑fingerprint

Elke 3D-printer heeft unieke kenmerken die een fingerprint opleveren die door sensoren en AI‑systemen kan worden gedetecteerd. Belangrijke details zoals de toleranties van onderdeelafmetingen, procesinstellingen en gebruikte materialen correleren met individuele machines.

Bron – Advanced Manufacturing

Hoe het AI‑fingerprintproces werkt

Het fingerprint‑systeem werkt op de veronderstelling dat u de medewerking van uw fabrikant heeft, hoewel dit niet vereist is. De eerste stap is het verzamelen van monsters van het ideale product voor vergelijkingsdoeleinden. U moet specifieke details verstrekken, waaronder het merk en model van de machine, het fabricageproces en de gebruikte materialen tijdens de productie. Vanaf dat punt behandelt het AI‑systeem de rest.

Deep‑learning‑architectuur en modelontwerp

Het AI‑model kan de fingerprint van een 3D-printer bepalen aan de hand van een hoge‑resolutie afbeelding van het onderdeel. Het verwerkt vervolgens de details van de afbeelding, zoals de oppervlaktetextuur, door beeldverkleining, willekeurige sampling en een stemmingsschema toe te passen. De afbeelding wordt daarna verkleind om meer afbeeldingen per model mogelijk te maken.

De ingenieurs onderzochten verschillende AI‑structuren voordat ze bepaalden dat EfficientNetV2 de beste optie was. De tests toonden aan dat het AI‑model een hoge nauwkeurigheid behaalt. Bovendien was het het snelste wat betreft trainingstijd. De ingenieurs schreven deze prestaties toe aan het feit dat er minder parameters nodig waren en aan het laagontwerp van het model.

Het model trainen met meer dan 9.000 onderdeelafbeeldingen

Om de AI te trainen, bouwde het team een dataset die foto’s van 9.192 onderdelen bevatte. De onderdelen kwamen van 6 verschillende fabrikanten en werden vervaardigd op 21 machines met een van vier verschillende fabricageprocessen. Elk onderdeel werd geprint en vervolgens gescand met een hoge‑resolutie Epson Perfection V39.

De scans hadden een resolutie van 4800 dpi, en elk onderdeel werd meerdere keren gescand om een gescand serienummer op te nemen. De resulterende 5,3 μm pixelafbeeldingen werden vervolgens in batches van 21 foto’s per batch gescand, en hun padlocatie werd naar een randomizer gestuurd. Deze aanpak hielp de invoertijden voor gegevensverzameling te verbeteren.

Testen van de fingerprintmethode

Om hun theorie te testen, creëerden de ingenieurs een diverse set onderdelen van 21 unieke machines over vier verschillende productieprocessen. Het AI‑model nam willekeurig een 448 × 448 pixel regio van belang (ROI) uit elke onderdeelafbeelding als onderdeel van de testfase.

Resultaten van fingerprintnauwkeurigheid

De AI bewees haar vermogen door een nauwkeurigheid van 98 % te behalen over 1050 onderdelen. Het model identificeerde alle belangrijke metrics van de onderdelen, waaronder het productieproces, het materiaal en de locatie in de machine waarop het onderdeel werd geprint. Het toonde aan dat er slechts 10 onderdelen nodig waren om de fingerprint van een printer vast te leggen.

Waarom dit belangrijk is voor de industrie

Deze aanpak zal tal van voordelen voor de markt opleveren. Ten eerste helpt het kwaliteitsverlies te voorkomen en fabrikanten te laten bepalen waar een storing is ontstaan. Bij geavanceerde en kritieke systemen zoals luchtvaartmaatschappijen kan deze aanpak het verschil betekenen tussen leven en dood.

Vroegtijdige detectie van defecte onderdelen

Dit AI‑model zal ook helpen problemen met 3D-geprinte componenten te vinden vóór hun installatie. Deze aanpak bespaart fabrikanten kosten en vermindert veiligheidsrisico’s die zouden ontstaan door de tekortkomingen van een onjuist onderdeel. Bovendien biedt deze aanpak schaalbaarheid vergeleken met het inzetten van menselijke experts.

Schaalbaarheid en modelaanpasbaarheid

Het AI‑model kan leren en zich aanpassen naarmate de tijd verstrijkt. Dit betekent dat het systeem identificeerbare kenmerken kan bepalen om andere productie‑attributen te voorspellen. Deze kenmerken omvatten het proces, het materiaal en de machine die werden gebruikt om een component te printen.

Toepassingen in industrie, toeleveringsketen en forensisch onderzoek

Er zijn verschillende toepassingen in de praktijk voor deze technologie. Van leveranciersbeheer tot kwaliteitscontrole, en zelfs wetshandhaving. Het vermogen om de oorsprong van 3D-geprinte onderdelen te bepalen is een game‑changer die levens kan redden. Hieronder staan de belangrijkste toepassingen en de tijdlijn.

Industrieel

De industriële sector zal een directe toepassing voor deze technologie vinden. Het kan cruciaal blijken bij het oplossen van de onderliggende oorzaak van problemen. In de toekomst kunnen fabrikanten beeldgebaseerde bronidentificatie gebruiken om de kwaliteit en authenticiteit van AM‑onderdelen te monitoren, waardoor de datakwaliteitscontrole effectief blijft in het tijdperk van 3D‑printers.

Toeleveringsketen

Dezelfde voordelen maken het systeem ideaal voor beheer van de toeleveringsketen. Er zijn duizenden contractfabrikanten in een grote toeleveringsketen. Het AI‑systeem zal bedrijven helpen de individuele producten die uit verschillende locaties en op verschillende tijdstippen komen te monitoren en beheren. De schaalbaarheid van het systeem stelt toekomstige fabrikanten in staat om vooraf te verifiëren dat de onderdelen correct zijn vóór installatie of falen.

Onderzoek

Een ander gebied waar deze technologie kan helpen, is het bepalen van de oorsprong van illegale goederen. Alles, van vervalste onderdelen tot 3D-geprinte wapens, kan nu veel gemakkelijker worden gemonitord dankzij deze technologie. In het verleden hebben kwesties zoals ghost‑guns politici verbijsterd. In de toekomst zal deze technologie wetshandhaving helpen meer mensen voor de rechter te brengen en tegelijkertijd de wereldwijde stroom van 3D‑geprinte vuurwapens te beperken.

Tijdlijn van fingerprint van 3D-geprinte onderdelen

Deze AI‑fingerprinttechnologie kan de komende 1‑3 jaar in gebruik worden genomen. Er is een sterke vraag naar de voordelen die dit AI‑model biedt, en het kan gemakkelijk worden aangepast en geïntegreerd in toeleverings‑ en productieketens. Deze factoren helpen levens te redden en bedrijven geld te besparen.

Onderzoekers van fingerprint van 3D-geprinte onderdelen

De studie is geschreven door onderzoekers van de Grainger College of Engineering. Concreet worden Bill King, Miles Bimrose, Davis McGregor, Charlie Wood en Sameh Tawfick genoemd als bijdragers aan het werk. Het team zal nu proberen hun model uit te breiden zodat meer 3D-printers en fabrikanten worden meegenomen.

Investeren in de 3D‑printsector

Veel bedrijven in de AM‑sector kunnen profiteren van deze studie. Investeerders hebben gezien hoe 3D‑printbedrijven zijn geëvolueerd van prototyping tot het creëren van volledige buurten. Het is dan ook niet verrassend dat het gebruik van 3D‑printtechnologie toeneemt. Hier is een bedrijf dat een pioniersinspanning blijft tonen.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) betrad de markt in 1889 in Reading, Pennsylvania. Het bedrijf werd opgericht door James Henry Carpenter en verschillende investeerders om gespecialiseerde componenten te creëren.

Indrukwekkend heeft Carpenter Technology Corp een pioniersgeest behouden en zelfs bijgedragen aan de ontwikkeling van enkele van de eerste pantserdoorborende projectielen voor de Spaans‑Amerikaanse Oorlog. Sindsdien heeft het een reputatie voor duurzaamheid opgebouwd en werd het zelfs gebruikt in de vliegtuigmotor van de gebroeders Wright toen zij in 1903 voor het eerst vlogen.

In 1917 deed het bedrijf een andere belangrijke ontdekking door hoogwaardig staal op de markt te brengen. Deze corrosiebestendige variant was cruciaal voor innovatie in de luchtvaartsector. Vandaag biedt het bedrijf een breed scala aan producten, waaronder speciaal staal, legeringen en poeders voor gebruik in 3D‑printtoepassingen.

De poederopties van Carpenter Tech zijn een cruciaal onderdeel van complexe snij-, vorm- en boorprocessen, en hun legeringen worden gebruikt in meerdere sectoren, waaronder transport, defensie, lucht- en ruimtevaart, energie, industrie, medische en consumentenelektronica. Al deze factoren maken CRS een sterke toevoeging aan uw portefeuille.

Laatste nieuws en ontwikkelingen rond Carpenter Technology Corp.-aandelen

Meer verantwoordelijkheid → De toekomst van kwaliteitscontrole met AI

Wanneer u het nieuws bekijkt en rapporten ziet over falende vliegtuigonderdelen of andere levensbedreigende incidenten, is het duidelijk waarom het bepalen van de bron van defecte onderdelen een cruciale taak is voor de openbare veiligheid. Deze nieuwe aanpak helpt kosten te verlagen en opent de deur naar grootschalige toepassingen.

In de toekomst zal kwaliteitscontrole elk component van een product omvatten, vóór installatie en falen. Daarom verdienen deze ingenieurs een hulde voor hun inspanningen die levens en geld kunnen redden.

Leer meer over AI‑doorbraken hier.

Gerefereerde studies:

^{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}