Bruke AI til å autentisere 3D‑printede deler

Et team av tenkere fra Grainger College of Engineering utviklet en kunstig intelligens‑modell som nøyaktig kan avgi et fingeravtrykk på 3D‑printede deler. AI‑en undersøker viktige detaljer som ikke kan observeres med det menneskelige øyet, og kryssrefererer funnene med de spesifikke detaljene hver 3D‑printer etterlater.

Oppdagelsen kan bidra til å lindre problemer innen produksjon, overvåking og forsyningskjede‑styring, og potensielt spare selskaper milliarder. Her er det du trenger å vite.

Utfordringer i verifisering av forsyningskjeden

Kompleksiteten i dagens produkter betyr at deres konstruksjon kan kreve tusenvis av komponenter, hentet fra hundrevis av produsenter. Dessverre har dette scenarioet ført til noen problemer, da det har vist seg vanskelig å sikre at produsentenes kvalitet forblir uendret.

I en typisk produksjonsavtale kommer begge parter til en forståelse om nøkkeldetaljer ved produktet. Disse detaljene kan inkludere eksakte prosesser, materialer som brukes, og fabrikkprosedyrer. Avhengig av delen og dens formål, kan det være vanskelig å merke at endringer er gjort over tid eller inntil en feil oppstår.

Identifisering av en parts opprinnelse

Tidligere inkluderte de vanlige metodene for å sikre at en del kom fra den oppgitte produksjonsstedet svært rudimentære tilnærminger som del‑etiketter, sporingsenheter og til og med innpressede serienumre. Disse tilnærmingene kunne lett sees, men de var også lett å kopiere, forfalske og etterligne. Disse problemene førte til at produsenter insisterte på skjulte merker på enkelte komponenter.

3D‑printing og dets sårbarheter

Innføringen av 3D‑printing endrer den industrielle prosessen for alltid. Dette fleksible produksjonsalternativet gjorde det enklere for produsenter å outsource komponenter. Samtidig er 3D‑printede deler lettere å endre og forfalske.

Det er flere faktorer å håndtere og overvåke når man diskuterer additiv produksjon, inkludert råmaterialkvalitet, prosesskontroller og typen maskiner som brukes. Merk at endringer i disse kategoriene kan føre til understandard delkvalitet.

Tradisjonelle tilnærminger til kvalitetskontroll

Produsenter har gått langt for å forbedre sine revisjonsprosesser. De kan gjennomføre flere besøk på stedet og kreve ekstra merking for å sikre produktenes opprinnelse. Imidlertid har denne tilnærmingen vist seg ineffektiv i stor skala.

Tidligere ble menneskelige eksperter innkalt for å hjelpe med å fastslå opprinnelsen til AM‑produserte komponenter. Denne prosessen er imidlertid tidkrevende. I tillegg er produsenter ofte uvitende om problemer før de oppstår senere i produksjonen, noe som gjør det svært vanskelig å fastslå nøyaktig hvilken del som ble endret og hvordan.

Oversikt over AI‑fingeravtrykksstudien

Studien¹ «Additive manufacturing source identification from photographs using deep learning», publisert i Nature‑partnerjournalen Advanced Manufacturing, introduserer en AI‑modell som kan bidra til å løse mange av disse problemene i årene som kommer. Systemet er i stand til å sertifisere kvaliteten og ektheten til AP‑deler ved å bruke analyserte bilder av deres lagteksturer.

Produksjonsfingeravtrykk

Hver 3D‑printer har unike egenskaper som gir den et fingeravtrykk som kan oppdages av sensorer og AI‑systemer. Nøkkeldetaljer som toleranser i delens dimensjoner, prosessinnstillinger og brukte materialer korrelerer med individuelle maskiner.

Kilde – Advanced Manufacturing

Hvordan AI‑fingeravtrykksprosessen fungerer

Fingeravtrykksystemet fungerer under antakelsen om at du har samarbeid med produsenten, selv om dette ikke er påkrevd. Første steg er å samle inn prøver av det ideelle produktet for sammenligningsformål. Du må oppgi spesifikke detaljer, inkludert maskinens merke og modell, fremstillingsprosessen og materialene som ble brukt under produksjonen. Deretter håndterer AI‑systemet resten.

Dyp‑læringsarkitektur og modellutforming

AI‑modellen kan bestemme en 3D‑printers fingeravtrykk fra et høyoppløselig bilde av delen. Den bruker deretter bildedetaljer som overflatestruktur ved hjelp av bildenedskalering, tilfeldig prøvetaking og en avstemningsmekanisme. Bildet nedskaleres deretter for å tillate flere bilder per modell.

Ingeniørene undersøkte flere ulike AI‑strukturer før de fastslo at EfficientNetV2 var det beste alternativet. Testene viste at AI‑modellen oppnår høy nøyaktighet. I tillegg var den den raskeste når det gjelder treningstid. Ingeniørene tilskrev denne ytelsen evnen til å bruke færre parametere og modellens lagdesign.

Trening av modellen med over 9 000 del‑bilder

For å trene AI‑en bygde teamet et datasett som inkluderte fotografier av 9 192 deler. Delene kom fra 6 ulike produsenter og ble laget på 21 maskiner ved bruk av en av fire forskjellige fremstillingsprosesser. Hver del ble printet og deretter skannet med en høyoppløselig Epson Perfection V39.

Skanningene hadde 4800 dpi oppløsning, og hver del ble skannet flere ganger for å inkludere et skannet serienummer. De resulterende 5,3 μm piksel‑bildene ble deretter skannet i partier på 21 bilder hver, og deres filsti ble sendt til en randomiserer. Denne tilnærmingen bidro til å forbedre innsamlingstiden for data.

Testing av fingeravtrykksmetoden

For å teste teorien deres, laget ingeniørene et variert sett av deler fra 21 unike maskiner på tvers av fire forskjellige produksjonsprosesser. AI‑modellen tok tilfeldig en 448 × 448 piksel region av interesse (ROI) fra hvert delbilde som en del av testfasen.

Resultater for fingeravtrykksnøyaktighet

AI‑en beviste sin evne, med en nøyaktighet på 98 % på tvers av 1050 deler. Modellen identifiserte alle nøkkelparametere for delene, inkludert produksjonsprosessen, materialet og posisjonen i maskinen der delen ble printet. Den viste at den kun trengte så få som 10 deler for å sikre en printers fingeravtrykk.

Hvorfor dette er viktig for industrien

Dette tilnærmingen vil gi mange fordeler til markedet. For det første vil den bidra til å forhindre tap av kvalitet og hjelpe produsenter med å fastslå årsaken til feil. Når man håndterer avanserte og kritiske systemer som flyselskaper, kan denne tilnærmingen utgjøre forskjellen mellom liv og død.

Tidlig oppdagelse av defekte deler

Denne AI‑modellen vil også hjelpe med å finne problemer med 3D‑printede komponenter før deres installasjon. Tilnærmingen vil spare produsenter for kostnader og redusere sikkerhetsrisikoer som kan oppstå på grunn av mangler i feil del. I tillegg gir denne tilnærmingen skalerbarhet sammenlignet med bruk av menneskelige eksperter.

Skalerbarhet og modelltilpasning

AI‑modellen kan lære og tilpasse seg over tid. Dette innebærer at systemet kan identifisere karakteristiske trekk for å forutsi andre produksjonsattributter. Disse egenskapene inkluderer prosessen, materialet og maskinen som ble brukt til å printe en komponent.

Applikasjoner i industri, forsyningskjede og rettsmedisin

Det finnes flere virkelige anvendelser av denne teknologien. Fra leverandørstyring til kvalitetskontroll, og til og med rettshåndhevelse. Evnen til å fastslå opprinnelsen til 3D‑printede deler er en spillveksler som kan bidra til å redde liv. Her er de viktigste anvendelsene og tidslinjen.

Industriell

Industrisektoren vil finne umiddelbar nytte av denne teknologien. Den kan vise seg avgjørende i rotårsaksanalyse. I fremtiden kan produsenter bruke bildebasert kildeidentifikasjon for å overvåke kvaliteten og ektheten til AM‑deler, og bidra til at datakvalitetskontroll forblir effektiv i 3D‑printer‑alderen.

Forsyningskjede

De samme fordelene gjør systemet ideelt for styring av forsyningskjeden. Det finnes tusenvis av kontraktprodusenter i en stor forsyningskjede. AI‑systemet vil hjelpe selskaper med å overvåke og administrere de enkelte produktene som kommer fra ulike lokasjoner og på forskjellige tidspunkter. Systemets skalerbarhet vil gjøre det mulig for fremtidige produsenter å forhåndsverifisere at delene er korrekte før installasjon eller feil.

Etterforskning

Et annet område hvor denne teknologien kan hjelpe er i å fastslå opprinnelsen til ulovlige varer. Alt fra forfalskede deler til 3D‑printede våpen kan nå bli mye enklere å overvåke takket være denne teknologien. Tidligere har problemer som «ghost guns» forvirret politikere. I fremtiden vil denne teknologien hjelpe rettshåndhevelsen med å bringe flere personer til rettferdighet, samtidig som den bidrar til å dempe strømmen av 3D‑printede skytevåpen globalt.

Tidslinje for fingeravtrykk av 3D‑printede deler

Denne AI‑fingeravtrykks­teknologien kan tas i bruk i løpet av de neste 1–3 årene. Det er stor etterspørsel etter fordelene AI‑modellen gir, og den kan enkelt tilpasses og integreres i forsynings‑ og produksjonskjeder. Disse faktorene bidrar til å redde liv og spare selskaper for penger.

Forskere bak fingeravtrykk av 3D‑printede deler

Studien ble skrevet av forskere fra Grainger College of Engineering. Spesielt nevnes Bill King, Miles Bimrose, Davis McGregor, Charlie Wood og Sameh Tawfick som bidragsytere. Nå vil teamet søke å utvide modellen til å inkludere flere 3D‑printere og produsenter.

Investering i 3D‑printing‑sektoren

Mange selskaper i AM‑sektoren kan dra nytte av denne studien. Investorer har sett 3D‑printing‑firmaer gå fra prototyping til å skape hele nabolag. Derfor er det ikke overraskende at bruken av 3D‑printing‑teknologi øker. Her er ett selskap som fortsetter å vise en banebrytende innsats.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) gikk inn i markedet i 1889 i Reading, Pennsylvania. Selskapet ble grunnlagt av James Henry Carpenter og flere investorer for å lage spesialkomponenter.

Imponerende har Carpenter Technology Corp opprettholdt en banebrytende ånd og til og med bidratt til å lage noen av de første panserbrytende prosjektilene for den spansk‑amerikanske krigen. Siden da har selskapet bygget et rykte for holdbarhet og ble til og med brukt i Wright‑brødrenes flymotor da de tok av for første gang i 1903.

I 1917 gjorde selskapet en ny stor oppdagelse da de introduserte høystyrkestål på markedet. Dette korrosjonsbestandige alternativet var avgjørende for innovasjon i luftfartssektoren. I dag tilbyr selskapet et bredt spekter av produkter, inkludert spesialstål, legeringer og pulver for bruk i 3D‑printing‑applikasjoner.

Carpenter Techs pulveralternativer er en viktig komponent i komplekse kutte-, form‑ og boreprosesser, og deres legeringer brukes på tvers av flere industrier, inkludert transport, forsvar, romfart, energi, industri, medisinsk og forbrukerelektronikk. Alle disse faktorene gjør CRS til et sterkt tillegg til porteføljen din.

Siste nyheter og utviklinger for Carpenter Technology Corp‑aksjen

Mer ansvarlighet → Fremtiden for kvalitetskontroll med AI

Når du ser på nyhetene og ser rapporter om at flykomponenter svikter eller andre livstruende hendelser, er det lett å forstå hvorfor fastsettelse av opprinnelsen til defekte deler er en viktig oppgave for offentlig sikkerhet. Denne nye tilnærmingen bidrar til å redusere kostnader og åpner døren for storskalige anvendelser.

I fremtiden vil kvalitetskontroll omfatte hver komponent i et produkt, før installasjon og feil. Derfor fortjener disse ingeniørene en hyllest for deres innsats som kan bidra til å redde liv og penger.

Lær mer om AI‑gjennombrudd her.

Studier referert:

^{1. Bimrose, M. V., McGregor, D. J., Wood, C., Tawfick, S., & King, W. P. (2025). Identifisering av kilden til additiv produksjon fra fotografier ved bruk av dyp læring. npj Advanced Manufacturing, 2(20). https://doi.org/10.1038/s44334-025-00031-2}