Använda AI för att autentisera 3D‑utskrivna delar

Ett team av tänkare från Grainger College of Engineering utvecklade en artificiell intelligensmodell som kan exakt fingeravtrycka 3D‑utskrivna delar. AI:n undersöker nyckeldetaljer som inte kan observeras med blotta ögat och korsrefererar sina fynd med de specifika detaljer som varje 3D‑printer lämnar.

Upptäckten kan hjälpa till att lindra problem inom tillverkning, övervakning och leveranskedjehantering, vilket potentiellt kan spara företag miljarder. Här är vad du behöver veta.

Utmaningar i leveranskedjeverifiering

Komplexiteten i dagens produkter innebär att deras konstruktion kan kräva tusentals komponenter, hämtade från hundratals tillverkare. Tyvärr har detta scenario lett till vissa problem, eftersom det har visat sig vara en knepig uppgift att säkerställa att tillverkarnas kvalitet förblir oförändrad.

I ett typiskt tillverkningsavtal kommer båda parter överens om nyckeldetaljer för produkten.  Dessa detaljer kan inkludera exakta processer, använda material och fabriksprocedurer. Beroende på delen och dess syfte kan det vara svårt att märka att några förändringar har gjorts under en period eller tills ett fel uppstår.

Identifiera källan till en del

Tidigare inkluderade de vanliga metoderna för att säkerställa att en del kom från den angivna platsen mycket rudimentära tillvägagångssätt som del‑etiketter, spårare och till och med inpräglade serienummer. Dessa metoder var lätta att se, men de kunde också enkelt kopieras, förfalskas och imiteras. Dessa problem ledde till att tillverkare insisterade på dolda taggar på vissa komponenter.

3D‑utskrift och dess sårbarheter

Införandet av 3D‑utskrift förändrar den industriella processen för alltid. Detta flexibla tillverkningsalternativ gjorde det enklare för tillverkare att outsourca komponenter. Samtidigt är 3D‑utskrivna delar lättare att förändra och förfalska.

Det finns fler faktorer att hantera och övervaka när man diskuterar additiv tillverkning, inklusive råmaterialkvalitet, processtyrning och vilken typ av maskiner som används. Noterbart är att förändringar i dessa kategorier kan leda till undermålig delkvalitet.

Traditionella metoder för kvalitetskontroll

Tillverkare har gått långt för att förbättra sina revisionsprocesser. De kan genomföra fler platsbesök och kräva ytterligare märkningar för att säkerställa produkternas ursprung. Men sanningen är att detta tillvägagångssätt har visat sig vara ineffektivt i stor skala.

Tidigare kallades mänskliga experter in för att hjälpa till att fastställa ursprunget för AM‑tillverkade komponenter. Denna process är dock tidskrävande. Dessutom är tillverkare ofta omedvetna om problem förrän ett fel uppstår senare i produktionen, vilket gör det extremt svårt att exakt avgöra vilken del som förändrats och hur.

Översikt av AI‑fingeravtrycksstudien

Studien¹ “Additive manufacturing source identification from photographs using deep learning”, publicerad i Nature‑partnerjournalen Advanced Manufacturing, presenterar en AI‑modell som kan hjälpa till att lösa många av dessa problem under de kommande åren. Systemet kan intyga kvaliteten och äktheten hos AP‑delar genom att använda analyserade bilder av deras lagertäxturer.

Tillverkningsfingeravtryck

Varje 3D‑skrivare har unika egenskaper som ger den ett fingeravtryck som kan upptäckas av sensorer och AI‑system. Nyckeldetaljer som toleranser i delens dimensioner, processinställningar  och använda material korrelerar med enskilda maskiner.

Källa – Advanced Manufacturing

Hur AI‑fingeravtrycksprocessen fungerar

Fingeravtryckssystemet bygger på antagandet att du har ditt tillverkares samarbete, även om det inte är ett krav. Första steget är att samla in prover av den ideala produkten för jämförelseändamål. Du måste ange specifika detaljer, inklusive maskinens märke och modell, tillverkningsprocessen och de material som användes under produktionen. Därefter hanterar AI‑systemet resten.

Djupinlärningsarkitektur och modelldesign

AI‑modellen kan bestämma en 3D‑skrivares fingeravtryck från en högupplöst bild av delen. Den tar sedan bildens detaljer, såsom ytantäthet, genom bildnedskalning, slumpmässigt urval och ett röstningssystem. Bilden nedskalas sedan för att möjliggöra fler bilder per modell.

Ingenjörerna granskade flera olika AI‑strukturer innan de fastställde att EfficientNetV2 var det bästa alternativet. Testerna visade att AI‑modellen uppnår hög noggrannhet. Dessutom var den snabbast när det gäller träningstid. Ingenjörerna tillskrev denna prestanda förmågan att mata in färre parametrar och modellens lagerdesign.

Träning av modellen med över 9 000 delbilder

För att träna AI:n byggde teamet ett dataset som innehöll fotografier av 9 192 delar. Delarna kom från 6 olika tillverkare och tillverkades på 21 maskiner med en av fyra olika tillverkningsprocesser. Varje del trycktes och skannades sedan med en högupplöst Epson Perfection V39.

Skanningarna hade 4800 dpi upplösning, och varje del skannades flera gånger för att inkludera ett skannat serienummer. De resulterande 5,3 μm pixelbilderna skannades sedan i satser om 21 foton vardera, och deras sökvägsplats skickades till en randomiserare. Detta tillvägagångssätt hjälpte till att förbättra insamlingstiderna för data.

Testning av fingeravtrycksmetoden

För att testa sin teori skapade ingenjörerna en mångsidig uppsättning delar från 21 unika maskiner över fyra olika tillverkningsprocesser. AI‑modellen slumpmässigt valde ett 448 × 448‑pixel intresseområde (ROI) från varje delbild som en del av testfasen.

Resultat för fingeravtrycksnoggrannhet

AI:n bevisade sin förmåga och nådde 98 % noggrannhet över 1050 delar. Modellen identifierade alla nyckelmått för delarna, inklusive tillverkningsprocess, material och maskinens plats där delen trycktes. Den visade att den bara behövde så få som 10 delar för att säkra en skrivares fingeravtryck.

Varför detta är viktigt för industrin

Det finns många fördelar som detta tillvägagångssätt kommer att ge på marknaden. För det första hjälper det till att förhindra kvalitetsförlust och hjälper tillverkare att fastställa orsakerna till fel. När man hanterar avancerade och kritiska system som flygplan kan detta tillvägagångssätt vara skillnaden mellan liv och död.

Tidigt upptäck av defekta delar

Denna AI‑modell kommer också att hjälpa till att hitta problem med 3D‑utskrivna komponenter innan de installeras. Detta tillvägagångssätt sparar tillverkare kostnader och minskar säkerhetsrisker som kan uppstå på grund av brister i felaktiga delar. Dessutom erbjuder detta tillvägagångssätt skalbarhet jämfört med att använda mänskliga experter.

Skalbarhet och modellanpassning

AI‑modellen kan lära sig och anpassa sig över tid. Detta innebär att systemet kan identifiera kännetecken för att förutsäga andra tillverkningsattribut. Dessa egenskaper inkluderar processen, materialet och maskinen som användes för att skriva ut en komponent.

Tillämpningar inom industri, leveranskedja och forensik

Det finns flera verkliga tillämpningar av denna teknik. Från leverantörshantering till kvalitetskontroll och även rättsväsendet. Förmågan att fastställa ursprunget för 3D‑utskrivna delar är en spelväxlare som kan hjälpa till att rädda liv. Här är dess viktigaste tillämpningar och tidslinje.

Industriell

Den industriella sektorn kommer att hitta en omedelbar användning för denna teknik. Den kan bli avgörande för att lösa grundorsaksproblem.  I framtiden kan tillverkare använda bildbaserad källidentifiering för att övervaka kvalitet och äkthet hos AM‑delar, vilket hjälper till att säkerställa att datakvalitetskontrollen förblir effektiv i 3D‑skrivaråldern.

Leveranskedja

Samma fördelar gör systemet idealiskt för leveranskedjehantering. Det finns tusentals kontraktstillverkare i en stor leveranskedja. AI‑systemet hjälper företag att övervaka och hantera de enskilda produkterna som kommer från olika platser och vid olika tidpunkter. Systemets skalbarhet gör det möjligt för framtida tillverkare att förhandsverifiera att delarna är korrekta innan installation eller fel.

Undersökning

Ett annat område där denna teknik kan hjälpa är att fastställa ursprunget för illegala varor. Allt från förfalskade delar till 3D‑utskrivna vapen kan nu bli mycket enklare att övervaka tack vare denna teknik. Tidigare har problem som så kallade ghost‑guns förbluffat politiker. I framtiden kommer denna teknik att hjälpa rättsväsendet att lagföra fler personer samtidigt som den bidrar till att minska flödet av 3D‑utskrivna vapen globalt.

Tidslinje för fingeravtryck av 3D‑utskrivna delar

Denna AI‑fingeravtrycksteknik kan komma i bruk inom de kommande 1–3 åren. Det finns en stark efterfrågan på de fördelar som AI‑modellen ger, och den kan enkelt anpassas och integreras i leverans- och tillverkningskedjor. Dessa faktorer hjälper till att rädda liv och företag pengar.

Forskare bakom fingeravtryck av 3D‑utskrivna delar

Studien skrevs av forskare från Grainger College of Engineering. Specifikt listas Bill King, Miles Bimrose, Davis McGregor, Charlie Wood och Sameh Tawfick som bidragsgivare till arbetet. Nu kommer teamet att försöka expandera sin modell för att inkludera fler 3D‑skrivare och tillverkare.

Investera i 3D‑utskriftssektorn

Många företag inom AM‑sektorn kan dra nytta av denna studie. Investerare har sett 3D‑utskriftsföretag gå från prototypframtagning till att skapa hela bostadsområden. Därför är det inte förvånande att användningen av 3D‑utskriftsteknik ökar. Här är ett företag som fortsätter att visa ett banbrytande arbete.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) gick in på marknaden 1889 i Reading, Pennsylvania. Företaget grundades av James Henry Carpenter och flera investerare för att skapa specialkomponenter.

Imponerande har Carpenter Technology Corp behållit en pionjäranda och till och med hjälpt till att skapa några av de första pansarpenetrerande projektilerna för det spansk-amerikanska kriget. Sedan dess har företaget byggt ett rykte för hållbarhet och användes till och med i Wright-brödernas flygmotorn när de tog sin första flygning 1903.

1917 gjorde företaget ett annat stort genombrott när det introducerade högstyrkestål på marknaden. Detta korrosionsbeständiga alternativ var avgörande för innovation inom flygsektorn. Idag erbjuder företaget ett brett sortiment av produkter, inklusive specialstål, legeringar och pulver för användning i 3D‑utskriftsapplikationer.

Carpenter Tech:s pulveralternativ är en avgörande komponent i komplexa skär‑, form‑ och borrprocesser, och dess legeringar används i flera industrier, inklusive transport, försvar, rymd,  energi, industri, medicin och konsumentelektronik. Alla dessa faktorer gör CRS till ett starkt tillskott i din portfölj.

Senaste nyheter och utveckling för Carpenter Technology Corp.-aktien

Mer ansvar → Framtiden för kvalitetskontroll med AI

När du tittar på nyheterna och ser rapporter om flygkomponenter som fallerar eller andra livshotande händelser, är det lätt att förstå varför fastställandet av källan till defekta delar är en viktig uppgift för allmän säkerhet. Detta nya tillvägagångssätt hjälper till att minska kostnader och öppnar dörren för storskaliga tillämpningar.

I framtiden kommer kvalitetskontrollen att omfatta varje komponent i en produkt, innan installation och fel. Därför förtjänar dessa ingenjörer en hyllning för sina insatser som kan hjälpa till att rädda liv och pengar.

Läs mer om AI-genombrott här.

Studier som refereras:

^{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}