Riconoscere la macchina di stampa 3D tramite impronte digitali di produzione
Un gruppo di ricerca guidato dal professor Bill King del Dipartimento di Ingegneria Meccanica dell’University of Illinois Urbana-Champaign ha realizzato un sistema basato su intelligenza artificiale in grado di attribuire con alta precisione un componente 3D alla stampante che lo ha prodotto. Alla base del metodo c’è una rete neurale convoluzionale addestrata a riconoscere microscopiche variazioni superficiali – le cosiddette “impronte di produzione” – che ogni macchina lascia durante il processo di fusione di polvere.
Differenze inevitabili tra macchine identiche
Durante gli esperimenti, i ricercatori hanno utilizzato 21 stampanti fornite da sei produttori diversi e operanti con quattro tecnologie additive (inclusi sistemi SLM e E-PBF). Pur configurate con gli stessi parametri di stampa e lo stesso materiale, le macchine hanno generato pattern di deposizione leggermente differenti: variazioni di trama, direzione di solidificazione e disposizione dei legami tra polvere fusa. Pur impercettibili a occhio nudo, questi dettagli emergono in fotografie ad alta risoluzione e costituiscono la base per l’analisi automatica.
Addestramento del modello e accuratezza
Il team ha fotografato più di 9.000 componenti, raccogliendo immagini di superfici di appena un millimetro quadrato. Con quel campione minimo il modello ha identificato la stampante di origine con un’accuratezza del 98%. Secondo King, bastano dieci pezzi di prova per creare un dataset iniziale sufficiente a riconoscere tutte le parti successive prodotte dallo stesso impianto.
Applicazioni in filiera e controllo qualità
Questa tecnologia offre nuovi strumenti di tracciabilità nella supply chain: i produttori possono verificare che i fornitori utilizzino effettivamente le macchine e i processi concordati, senza dover ricorrere a ispezioni fisiche costose e laboriose. Settori a rischio elevato come aerospaziale, automotive e medicale beneficeranno di un controllo ulteriore sui lotti di produzione, prevenendo modifiche non autorizzate che potrebbero compromettere la sicurezza dei componenti.
Affidabilità e trasparenza
Come sottolinea King, negli attuali modelli di collaborazione industriale la fiducia iniziale si traduce in audit e visite in azienda, ma non sempre è sostenibile uno schema di controllo continuo. Con il sistema di riconoscimento basato su IA, eventuali deviazioni di processo emergono fin dal primo pezzo difettoso, rendendo evidente chi non rispetta le specifiche tecniche e consentendo interventi correttivi tempestivi.
Prospettive future
L’articolo pubblicato su Advanced Manufacturing evidenzia che milioni di componenti 3D già prodotti contengono impronte digitali finora inespresse: grazie a questo approccio, sarà possibile implementare sistemi di sorveglianza qualità automatica, certificazione materiale e autenticazione della provenienza, potenzialmente estendendo il controllo anche alla contraffazione di parti critiche.
