Paggamit ng AI upang Patunayan ang mga 3D Printed na Bahagi

Isang pangkat ng mga palaisip mula sa Grainger College of Engineering ang bumuo ng isang modelo ng Artificial Intelligence na maaaring tumpak na magbigay ng fingerprint sa mga 3D-printed na bahagi. Sinusuri ng AI ang mga mahahalagang detalye na hindi nakikita ng mata ng tao at kinukumpara ang mga natuklasan nito sa mga tiyak na detalye na iniiwan ng bawat 3D printer.

Mga Hamon sa Pagpapatunay ng Supply Chain

Ang komplikasyon ng mga produktong pangkasalukuyan ay nangangahulugang maaaring kailanganin ng libu-libong sangkap na nagmumula sa daan-daang tagagawa. Sa kasamaang palad, nagdudulot ito ng ilang problema, dahil ang pagpapanatili ng pare-parehong kalidad ng mga tagagawa ay naging isang mahirap na gawain.

Sa isang tipikal na kasunduan sa pagmamanupaktura, nagkakasundo ang parehong panig sa mga mahahalagang detalye ng produkto. Maaaring kabilang dito ang eksaktong mga proseso, materyales na ginamit, at mga pamamaraan sa pabrika. Depende sa bahagi at layunin nito, maaaring hindi agad mapansin na may mga pagbabago na ginawa sa loob ng ilang panahon o hanggang sa maganap ang pagkabigo.

Pagtukoy sa Pinagmulan ng Isang Bahagi

Noong nakaraan, ang mga karaniwang pamamaraan upang matiyak na ang isang bahagi ay nagmula sa sinasabing pinagmulan ay kinabibilangan ng napaka-simpleng mga paraan tulad ng mga label ng bahagi, mga tracker, at kahit na nakapindot na serial number. Ang mga pamamaraang ito ay madaling makita, ngunit madaling gayahin, pekein, at kopyahin. Dahil dito, nag-insist ang mga tagagawa na maglagay ng mga tagong marka sa ilang mga sangkap.

3D Printing at ang mga Kahinaan Nito

Ang pagpasok ng 3D printing ay nagbago magpakailanman sa proseso ng industriya. Ang nababagong opsyon sa pagmamanupaktura ay nagpadali sa mga tagagawa na mag-outsource ng mga sangkap. Kasabay nito, ang mga 3D printed na bahagi ay mas madaling baguhin at pekein.

Marami pang mga salik ang kailangang pamahalaan at subaybayan kapag tinatalakay ang additive manufacturing, kabilang ang kalidad ng feedstock, kontrol sa proseso, at uri ng mga makinang ginagamit. Kapansin-pansin, anumang pagbabago sa mga kategoryang ito ay maaaring magdulot ng mababang kalidad ng bahagi.

Tradisyonal na Mga Pamamaraan sa Kontrol sa Kalidad

Naglaan ng malaking pagsisikap ang mga tagagawa upang paigtingin ang kanilang mga proseso ng pag-audit. Maaaring magsagawa sila ng mas maraming onsite na pagbisita at humiling ng karagdagang marka upang matiyak ang pinagmulan ng mga produkto. Gayunpaman, napatunayan na ang pamamaraang ito ay hindi epektibo sa malawakang sukat.

Noong nakaraan, tinawag ang mga eksperto upang matulungan tukuyin ang pinagmulan ng mga AM-manufactured na komponent. Subalit, ang prosesong ito ay matagal. Bukod pa rito, madalas na hindi nalalaman ng mga tagagawa ang anumang isyu hanggang sa lumitaw ang problema sa produksyon, na nagiging napakahirap tukuyin kung aling bahagi ang binago at paano.

Pangkalahatang-ideya ng AI Fingerprinting Study

Ang pag-aaral¹ “Additive manufacturing source identification from photographs using deep learning”, na inilathala sa Nature partner journal na Advanced Manufacturing, ay nagpakilala ng isang AI model na maaaring makatulong sa paglutas ng maraming problema sa mga darating na taon. Ang sistema ay kayang magpatunay ng kalidad at pagiging tunay ng mga AP na bahagi sa pamamagitan ng pagsusuri ng mga imahe ng kanilang mga layer texture.

Fingerprint ng Paggawa

Bawat 3D printer ay may natatanging katangian na nagbibigay dito ng fingerprint na maaaring matukoy ng mga sensor at AI system. Mahahalagang detalye tulad ng toleransya ng sukat ng bahagi, mga setting ng proseso, at mga materyales na ginamit ay may kaugnayan sa indibidwal na makina.

Pinagmulan – Advanced Manufacturing

Paano Gumagana ang AI Fingerprinting Process

Ang fingerprint system ay gumagana sa batayang mayroon kang kooperasyon mula sa iyong tagagawa, bagaman hindi ito kinakailangan. Ang unang hakbang ay mangolekta ng mga sample ng perpektong produkto para sa paghahambing. Kailangan mong magbigay ng tiyak na detalye, kabilang ang gumawa at modelo ng makina, proseso ng paggawa, at mga materyales na ginamit sa produksyon. Mula roon, ang AI system na ang bahala sa natitira.

Arkitektura ng Deep Learning at Disenyo ng Modelo

Ang AI model ay maaaring matukoy ang fingerprint ng isang 3D printer mula sa isang high-resolution na imahe ng bahagi. Kinukuha nito ang mga detalye ng imahe tulad ng surface texture gamit ang image downscaling, random sampling, at voting scheme. Ang imahe ay pagkatapos ay dinadadownscale upang payagan ang mas maraming imahe bawat modelo.

Sinuri ng mga inhinyero ang ilang iba’t ibang AI structures bago napagpasyahang ang EfficientNetV2 ang pinakamainam na opsyon. Ipinakita ng pagsusuri na ang AI model ay nakakamit ng mataas na katumpakan. Bukod pa rito, ito ang pinakamabilis pagdating sa oras ng pagsasanay. Iniuugnay ng mga inhinyero ang pagganap na ito sa kakayahang mag-input ng mas kaunting mga parameter at sa disenyo ng layer ng modelo.

Pagsasanay ng Modelo Gamit ang 9,000+ na Imahe ng Bahagi

Upang sanayin ang AI, nagbuo ang koponan ng dataset na naglalaman ng mga litrato ng 9,192 na bahagi. Ang mga bahaging ito ay nagmula sa 6 na magkaibang tagagawa at ginawa sa 21 na makina gamit ang isa sa apat na magkaibang proseso ng paggawa. Ang bawat bahagi ay prinint at pagkatapos ay sincan sa isang high-resolution na Epson Perfection V39.

Ang mga scan ay may resolusyong 4800-dpi, at ang bawat bahagi ay sincan nang maraming beses upang maisama ang isang scanned serial number. Ang nagresultang 5.3 μm pixel na mga imahe ay sincan sa mga batch na 21 na litrato bawat isa, at ang kanilang lokasyon ng path ay ipinadala sa isang randomizer. Ang pamamaraang ito ay nakatulong upang mapabuti ang oras ng pagkuha ng data.

Pagsusuri ng Pamamaraan ng Fingerprinting

Upang subukan ang kanilang teorya, lumikha ang mga inhinyero ng isang magkakaibang hanay ng mga bahagi mula sa 21 natatanging makina sa apat na magkaibang proseso ng pagmamanupaktura. Ang AI model ay random na kumuha ng 448 × 448 pixel na rehiyon ng interes (ROI) mula sa bawat imahe ng bahagi bilang bahagi ng yugto ng pagsusuri.

Mga Resulta ng Katumpakan ng Fingerprinting

Pinatunayan ng AI ang kakayahan nito, na nakakuha ng 98% na katumpakan sa 1,050 na bahagi. Nakilala ng modelo ang lahat ng mahahalagang sukatan ng mga bahagi, kabilang ang proseso ng pagmamanupaktura, materyal, at lokasyon sa makina kung saan prinint ang bahagi. Ipinakita nito na kailangan lamang ng kasingkaunting 10 bahagi upang matiyak ang fingerprint ng isang printer.

Bakit Mahalaga Ito para sa Industriya

Maraming benepisyo ang hatid ng pamamaraang ito sa merkado. Una, makakatulong ito upang maiwasan ang pagkawala ng kalidad at matulungan ang mga tagagawa na tukuyin ang pinagmulan ng pagkabigo. Kapag humaharap sa mga advanced at kritikal na sistema tulad ng mga eroplano, maaaring magdala ang pamamaraang ito ng pagkakaiba sa pagitan ng buhay at kamatayan.

Maagang Pagtuklas ng mga Defektibong Bahagi

Tutulungan din ng AI model na ito na mahanap ang mga problema sa mga 3D printed na komponent bago pa man ito ikabit. Makakatipid ito sa mga tagagawa ng gastos at magbabawas ng anumang panganib sa kaligtasan na maaaring mangyari dahil sa mga kakulangan ng maling bahagi. Bukod pa rito, nag-aalok ang pamamaraang ito ng scalability kumpara sa paggamit ng mga eksperto.

Scalability at Adaptability ng Modelo

Ang AI model ay maaaring matuto at mag-adjust habang lumilipas ang panahon. Ibig sabihin, maaaring matukoy ng sistema ang mga natatanging katangian upang hulaan ang iba pang mga katangian ng pagmamanupaktura. Kabilang dito ang proseso, materyal, at makina na ginamit sa pag-imprenta ng isang komponent.

Mga Aplikasyon sa Industriya, Supply Chain, at Forensics

May ilang totoong aplikasyon ang teknolohiyang ito. Mula sa pamamahala ng supplier hanggang sa kontrol sa kalidad, at pati na rin sa pagpapatupad ng batas. Ang kakayahang tukuyin ang pinagmulan ng mga 3D printed na bahagi ay isang game-changer na maaaring makatulong sa pagsagip ng buhay. Narito ang mga pangunahing aplikasyon at timeline nito.

Industriyal

Makakakita agad ng gamit ang sektor ng industriya para sa teknolohiyang ito. Maaaring maging kritikal ito sa pagresolba ng mga ugat na problema. Sa hinaharap, maaaring gamitin ng mga tagagawa ang image-based source identification upang subaybayan ang kalidad at pagiging tunay ng mga AM na bahagi, na tumutulong upang matiyak na epektibo ang kontrol sa kalidad ng datos sa panahon ng 3D printer.

Supply chain

Ang parehong mga benepisyo ay magpapasigla sa sistema para sa pamamahala ng supply chain. Libu-libong kontratang tagagawa ang nasa isang malaking supply chain. Tutulungan ng AI system ang mga kumpanya na subaybayan at pamahalaan ang mga indibidwal na produkto na nagmumula sa iba’t ibang lokasyon at sa iba’t ibang oras. Ang scalability ng sistema ay magbibigay-daan sa mga susunod na tagagawa na pre-verify na tama ang mga bahagi bago ito ikabit o magdulot ng pagkabigo.

Imbestigasyon

Isa pang larangan kung saan makakatulong ang teknolohiyang ito ay sa pagtukoy ng pinagmulan ng mga iligal na kalakal. Mula sa mga pekeng bahagi hanggang sa mga 3D printed na baril, mas magiging madali nang subaybayan ito dahil sa teknolohiyang ito. Noon, ang mga isyu tulad ng ghost guns ay nag-iwan ng mga pulitiko na walang sagot. Sa hinaharap, tutulong ang teknolohiyang ito sa mga ahensya ng batas upang madala ang mas maraming tao sa hustisya habang pinipigilan ang pagdaloy ng mga 3D-printed na armas sa buong mundo.

Timeline ng Fingerprint ng mga 3D-Printed na Bahagi

Maaaring magamit ang AI fingerprinting technology na ito sa susunod na 1-3 taon. Malakas ang demand para sa mga benepisyo na hatid ng AI model na ito, at madaling maiangkop at maisama sa mga supply at manufacturing chain. Ang mga salik na ito ay tumutulong sa pagsagip ng buhay at pera ng mga kumpanya.

Mga Mananaliksik ng Fingerprint ng mga 3D-Printed na Bahagi

Ang pag-aaral ay isinulat ng mga mananaliksik mula sa Grainger College of Engineering. Partikular, binanggit nito sina Bill King, Miles Bimrose, Davis McGregor, Charlie Wood, at Sameh Tawfick bilang mga kontribyutor sa gawain. Ngayon, magpapatuloy ang koponan na palawakin ang kanilang modelo upang isama ang mas maraming 3D printer at mga tagagawa.

Pag-iinvest sa Sektor ng 3D-Printing

Maraming kumpanya sa sektor ng AM ang maaaring makinabang mula sa pag-aaral na ito. Nakita ng mga mamumuhunan ang mga 3D printing na kumpanya na mula sa prototyping hanggang sa paglikha ng buong mga komunidad. Kaya’t hindi nakapagtataka na malaman na ang paggamit ng 3D printing technology ay patuloy na tumataas. Narito ang isang kumpanya na patuloy na nagpapakita ng mapanuring pagsisikap.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) ay pumasok sa merkado noong 1889 sa Reading, Pennsylvania. Itinatag ang kumpanya ni James Henry Carpenter at ilang mamumuhunan upang lumikha ng mga espesyal na komponent.

Kahanga-hanga, pinanatili ng Carpenter Technology Corp ang isang mapanuring espiritu at tumulong pa nga sa paglikha ng ilan sa mga unang armor-piercing na proyekto para sa Spanish-American War. Mula noon, nakabuo ito ng reputasyon para sa tibay at ginamit pa sa makina ng eroplano ng Wright brothers noong unang paglipad nila noong 1903.

Noong 1917, nagkaroon muli ng malaking tuklas ang kumpanya nang ipakilala nito ang high-strength steel sa merkado. Ang anti-corrosive na alternatibong ito ay mahalaga sa inobasyon sa sektor ng aviation. Ngayon, nag-aalok ang kumpanya ng malawak na hanay ng mga produkto, kabilang ang specialty steel, alloys, at powders para sa paggamit sa mga 3d printing application.

Ang mga powder option ng Carpenter Tech ay isang mahalagang bahagi ng mga komplikadong proseso ng pagputol, paghubog, at pagbabarena, at ang mga alloy nito ay ginagamit sa maraming industriya, kabilang ang transportasyon, depensa, aerospace, enerhiya, industriyal, medikal, at consumer electronics. Ang lahat ng mga salik na ito ay ginagawang matibay na karagdagan ang CRS sa iyong portfolio.

Pinakabagong Balita at Pag-unlad sa Stock ng Carpenter Technology Corp.

Mas maraming pananagutan → Ang Hinaharap ng Kontrol sa Kalidad Gamit ang AI

Kapag tinitingnan mo ang mga balita at nakikita ang mga ulat tungkol sa pagkabigo ng mga bahagi ng eroplano o iba pang mga pangyayaring maaaring magbanta sa buhay, madaling maunawaan kung bakit mahalaga ang pagtukoy sa pinagmulan ng mga depektibong bahagi para sa kaligtasan ng publiko. Ang bagong pamamaraang ito ay tumutulong upang mabawasan ang gastos at nagbubukas ng pinto para sa malawakang aplikasyon.

Sa hinaharap, isasama ang kontrol sa kalidad sa bawat komponent ng isang produkto, bago pa man ito ikabit at mag-fail. Dahil dito, nararapat na kilalanin ang mga inhinyerong ito para sa kanilang mga pagsisikap na maaaring makatulong sa pagsagip ng buhay at pera.

Alamin ang mga breakthrough sa AI dito.

Mga Sanggunian na Binanggit:

^{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}