AI Kullanarak 3D Baskılı Parçaları Doğrulama

Grainger College of Engineering’den bir düşünür ekibi, 3D baskılı parçaları doğru bir şekilde parmak izine dökebilen bir Yapay Zeka modeli geliştirdi. AI, insan gözüyle görülemeyen ana detayları inceler ve bulgularını her bir 3D printernın bıraktığı belirli detaylarla çapraz referans eder.

Bu keşif, üretim, izleme ve tedarik zinciri yönetimi sorunlarını hafifletmeye yardımcı olabilir ve şirketlerin milyarlarca dolar tasarruf etmesini sağlayabilir. İşte bilmeniz gerekenler.

Tedarik Zinciri Doğrulamadaki Zorluklar

Günümüz ürünlerinin karmaşıklığı, binlerce bileşenin, yüzlerce üreticiden temin edilmesini gerektirebilir. Ne yazık ki, bu durum bazı sorunlara yol açmıştır; çünkü üreticilerin kalitesinin değişmemesini sağlamak zor bir görev olmuştur.

Tipik bir üretim anlaşmasında, her iki taraf da ürünün temel detayları konusunda bir anlayışa varır. Bu detaylar kesin süreçleri, kullanılan malzemeleri ve fabrika prosedürlerini içerebilir. Parçanın ve amacının bağlı olarak, yapılan değişikliklerin bir süre boyunca fark edilmesi ya da arıza meydana gelene kadar fark edilmemesi kolay olmayabilir.

Bir Parçanın Kaynağını Belirleme

Geçmişte, bir parçanın belirtilen yerde üretildiğini doğrulamak için kullanılan yaygın yöntemler, parça etiketleri, izleyiciler ve hatta baskı içine gömülmüş seri numaraları gibi çok ilkel yaklaşımları içeriyordu. Bu yaklaşımlar kolayca görülebilirken, aynı zamanda kolayca kopyalanabilir, sahte yapılabilir ve taklit edilebilir. Bu sorunlar, üreticilerin bazı bileşenlerde gizli etiketler kullanmasını zorunlu kıldı.

3D Baskı ve Zayıflıkları

3D baskının tanıtılması, endüstriyel süreci sonsuza dek değiştirdi. Bu esnek üretim seçeneği, üreticilerin bileşenleri dış kaynaklardan temin etmelerini kolaylaştırdı. Aynı zamanda, 3D baskılı parçalar daha kolay değiştirilebilir ve sahtecilik yapılabilir hale geldi.

Katmanlı imalatı tartışırken yönetilip izlenmesi gereken daha fazla faktör vardır; bunlar arasında hammadde kalitesi, süreç kontrolleri ve kullanılan makine türleri bulunur. Özellikle, bu kategorilerdeki herhangi bir değişiklik düşük kaliteli parçalara yol açabilir.

Kalite Kontrolüne Geleneksel Yaklaşımlar

Üreticiler, denetim süreçlerini iyileştirmek için büyük çaba harcamışlardır. Ürünlerin kökenini doğrulamak için daha fazla yerinde ziyaret yapabilir ve ek işaretlemeler talep edebilirler. Ancak, gerçekte bu yaklaşım büyük ölçekte etkisiz olduğu kanıtlanmıştır.

Geçmişte, AM ile üretilen bileşenlerin kökenini belirlemek için insan uzmanları devreye alınırdı. Ancak bu süreç zaman alıcıdır. Ayrıca, üreticiler genellikle bir sorun üretimin ilerleyen aşamalarında ortaya çıkana kadar farkında olmazlar; bu da hangi parçanın nasıl değiştirildiğini kesin olarak belirlemeyi son derece zorlaştırır.

AI Parmak İzi Çalışması Genel Bakışı

Çalışma¹ “Additive manufacturing source identification from photographs using deep learning”, Nature ortak dergisi Advanced Manufacturing’de yayınlanmış ve önümüzdeki yıllarda bu sorunların çoğunu çözebilecek bir AI modeli tanıtıyor. Sistem, katman dokularının analiz edilen görüntülerini kullanarak AP parçalarının kalite ve özgünlüğünü sertifikalandırabilir.

Üretim Parmak İzi

Her 3D yazıcı, sensörler ve AI sistemleri tarafından algılanabilen benzersiz bir parmak izine sahiptir. Parça boyut toleransları, süreç ayarları ve kullanılan malzemeler gibi ana detaylar, bireysel makinelerle ilişkilidir.

Kaynak – Advanced Manufacturing

AI Parmak İzi Süreci Nasıl Çalışır

Parmak izi sistemi, üreticinizin iş birliğine sahip olduğunuz varsayımıyla çalışır, ancak bu zorunlu değildir. İlk adım, karşılaştırma amacıyla ideal ürün örnekleri toplamaktır. Makinenin marka ve modeli, üretim süreci ve üretim sırasında kullanılan malzemeler gibi belirli detayları sağlamanız gerekir. Bundan sonra, AI sistemi geri kalanını yönetir.

Derin Öğrenme Mimarisi ve Model Tasarımı

AI modeli, parçanın yüksek çözünürlüklü görüntüsünden bir 3D yazıcının parmak izini belirleyebilir. Daha sonra görüntünün yüzey dokusu gibi detaylarını görüntü küçültme, rastgele örnekleme ve oy çokluğu şemasıyla işler. Görüntü, model başına daha fazla görüntü alabilmek için küçültülür.

Mühendisler, EfficientNetV2’nin en iyi seçenek olduğuna karar vermeden önce çeşitli AI yapılarını incelediler. Testler, AI modelinin yüksek doğruluk sağladığını ortaya koydu. Ayrıca, eğitim süresi açısından en hızlı olduğunu gösterdi. Mühendisler bu performansı, daha az parametre girişi ve modelin katman tasarımına bağladılar.

Modeli 9.000+ Parça Görüntüsüyle Eğitmek

AI’yi eğitmek için ekip, 9.192 parçanın fotoğraflarını içeren bir veri seti oluşturdu. Parçalar 6 farklı üreticiden geliyordu ve dört farklı üretim sürecinden birini kullanan 21 makinede üretildi. Her parça basıldı ve ardından yüksek çözünürlüklü Epson Perfection V39 ile tarandı.

Taramalar 4800 dpi çözünürlükte yapıldı ve her parça, taranmış bir seri numarası eklemek için birden fazla kez tarandı. Ortaya çıkan 5,3 μm piksel görüntüler, her biri 21 fotoğraflık gruplar halinde tarandı ve yol konumları rastgele bir dağıtıma gönderildi. Bu yaklaşım, veri toplama giriş sürelerini iyileştirmeye yardımcı oldu.

Parmak İzi Yöntemini Test Etme

Teorilerini test etmek için mühendisler, dört farklı üretim sürecinde 21 benzersiz makineden çeşitli parçalar oluşturdu. AI modeli, test aşamasının bir parçası olarak her parça görüntüsünden rastgele 448×448 piksel bir ilgi bölgesi (ROI) örnekledi.

Parmak İzi Doğruluk Sonuçları

AI yeteneğini kanıtlayarak 1050 parça üzerinde %98 doğruluk elde etti. Model, parçaların üretim süreci, malzeme ve parçanın yazıcıda basıldığı konum gibi tüm temel metriklerini tanımladı. Yazıcının parmak izini güvence altına almak için sadece 10 parçaya ihtiyaç duyduğunu gösterdi.

Bu Neden Endüstri İçin Önemli

Bu yaklaşımın piyasaya birçok fayda getireceği söylenebilir. Öncelikle, kalite kaybını önlemeye ve üreticilerin arıza kökenlerini belirlemeye yardımcı olur. Hava yolu gibi gelişmiş ve kritik sistemlerle uğraşırken, bu yaklaşım yaşam ile ölüm arasındaki farkı yaratabilir.

Arızalı Parçaların Erken Tespiti

Bu AI modeli, 3D baskılı bileşenlerin kurulumundan önce sorunlarını tespit etmeye de yardımcı olacak. Bu yaklaşım, üreticilerin maliyetlerini azaltacak ve hatalı parçanın eksikliklerinden kaynaklanan güvenlik risklerini azaltacaktır. Ayrıca, bu yaklaşım insan uzmanlarına kıyasla ölçeklenebilirlik sunar.

Ölçeklenebilirlik ve Model Uyarlanabilirliği

AI modeli zamanla öğrenip uyum sağlayabilir. Bu, sistemin diğer üretim özelliklerini tahmin etmek için tanımlanabilir özellikleri belirleyebileceği anlamına gelir. Bu özellikler, süreci, malzemeyi ve bir bileşeni basmak için kullanılan makineyi içerir.

Endüstri, Tedarik Zinciri ve Adli Bilim Uygulamaları

Bu teknolojinin birkaç gerçek dünya uygulaması vardır. Tedarikçi yönetiminden kalite kontrolüne ve hatta kolluk kuvvetlerine kadar. 3D baskılı parçaların kaynağını belirleme yeteneği, hayat kurtarmaya yardımcı olabilecek bir dönüm noktasıdır. İşte temel uygulamaları ve zaman çizelgesi.

Endüstriyel

Endüstri sektörü bu teknolojiyi hemen kullanabilir. Kök neden problem çözümünde kritik olabilir. Gelecekte, üreticiler görüntü tabanlı kaynak tanımlamayı kullanarak AM parçalarının kalite ve özgünlüğünü izleyebilir, 3D yazıcı çağında veri kalite kontrolünün etkili kalmasını sağlayabilir.

Tedarik Zinciri

Aynı faydalar, sistemi tedarik zinciri yönetimi için ideal kılar. Büyük bir tedarik zincirinde binlerce sözleşmeli üretici vardır. AI sistemi, şirketlerin farklı konumlardan ve farklı zamanlarda gelen bireysel ürünleri izlemelerine ve yönetmelerine yardımcı olur. Sistem ölçeklenebilirliği, gelecekteki üreticilerin parçaları kurulum veya arıza öncesinde önceden doğrulamasını sağlayacaktır.

Soruşturma

Bu teknolojinin yardımcı olabileceği bir diğer alan, yasa dışı malların kaynağını belirlemektir. Sahte parçalar ve 3D baskılı silahlar gibi her şey, bu teknoloji sayesinde izlenmesi çok daha kolay hale gelebilir. Geçmişte, hayalet silahlar gibi sorunlar politikacıları şaşkına çevirmişti. Gelecekte, bu teknoloji kolluk kuvvetlerinin daha fazla kişiyi adalete teslim etmesine ve küresel olarak 3D baskılı silah akışını azaltmasına yardımcı olacaktır.

3D Baskılı Parçaların Parmak İzi Zaman Çizelgesi

Bu AI parmak izi teknolojisi önümüzdeki 1-3 yıl içinde kullanılabilir. Bu AI modelinin getirdiği faydalara güçlü bir talep var ve tedarik ve üretim zincirlerine kolayca uyarlanıp entegre edilebilir. Bu faktörler, hayatları ve şirketlerin para tasarrufunu sağlamaya yardımcı olur.

3D Baskılı Parçaların Parmak İzi Araştırmacıları

Çalışma, Grainger College of Engineering’den araştırmacılar tarafından yazıldı. Özellikle, Bill King, Miles Bimrose, Davis McGregor, Charlie Wood ve Sameh Tawfick’i katkıda bulunanlar olarak listeliyor. Şimdi ekip, modellerini daha fazla 3D yazıcı ve üreticiyi kapsayacak şekilde genişletmeyi hedefliyor.

3D Baskı Sektörüne Yatırım

AM sektöründeki birçok şirket bu çalışmadan faydalanabilir. Yatırımcılar, 3D baskı firmalarının prototiplemeden tüm mahalleler yaratmaya kadar ilerlediğini gördüler. Bu nedenle, 3D baskı teknolojisinin kullanımının artıyor olması şaşırtıcı değil. İşte öncü bir çaba sergilemeye devam eden bir şirket.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS ) 1889 yılında Pennsylvania, Reading’de piyasaya girdi. Şirket, James Henry Carpenter ve birkaç yatırımcı tarafından özel bileşenler üretmek amacıyla kuruldu.

Etkileyici bir şekilde, Carpenter Technology Corp öncü ruhunu korumuş ve İspanyol-Amerikan Savaşı için ilk zırh delici mermilerin bazılarını üretmeye yardımcı olmuştur. O zamandan beri dayanıklılık konusunda bir itibar kazanmış ve 1903’te Wright kardeşlerin ilk uçuşunda uçak motorunda bile kullanılmıştır.

1917’de şirket, piyasaya yüksek mukavemetli çelik sunarak bir başka büyük keşif yaptı. Bu korozyona dayanıklı alternatif, havacılık sektöründeki yenilikler için kritik oldu. Bugün şirket, 3D baskı uygulamaları için özel çelik, alaşımlar ve tozlar dahil olmak üzere geniş bir ürün yelpazesi sunmaktadır.

Carpenter Tech’in toz seçenekleri, karmaşık kesme, şekillendirme ve delme süreçlerinin kritik bir bileşenidir ve alaşımları, ulaşım, savunma, havacılık, enerji, endüstri, tıp ve tüketici elektroniği gibi birçok sektörde kullanılmaktadır. Tüm bu faktörler CRS’yi portföyünüze güçlü bir ek yapar.

Carpenter Technology Corp. Hisse Senedi Haberleri ve Gelişmeleri

Daha fazla sorumluluk → AI ile Kalite Kontrolünün Geleceği

Haberleri izleyip uçak bileşenlerinin arızalanması veya diğer hayatı tehdit eden olaylarla ilgili raporları gördüğünüzde, hatalı parçaların kaynağını belirlemenin kamu güvenliği için hayati bir görev olduğunu anlamak kolaydır. Bu yeni yaklaşım maliyetleri azaltmaya yardımcı olur ve büyük ölçekli uygulamaların önünü açar.

Gelecekte kalite kontrol, bir ürünün kurulumundan ve arızalanmasından önce her bileşenini kapsayacak. Bu nedenle, bu mühendisler hayatları ve parayı kurtarabilecek çabaları için bir selam almayı hak ediyor.

Learn about AI breakthroughs buradan öğrenin.

Referans Alınan Çalışmalar:

^{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}