Una domanda di brevetto depositata da General Electric descrive un sistema di monitoraggio della stampa 3D metallica capace di analizzare le variazioni rapide del segnale luminoso generato durante la fusione laser delle polveri. L’obiettivo è individuare anomalie del processo attraverso l’elaborazione di segnali raccolti da sensori ottici e l’impiego di modelli di apprendimento automatico.
La domanda statunitense US20260295679A1, intitolata Laser Powder Bed Fusion Additive Manufacturing Anomaly Detection, è stata pubblicata il 1° ottobre 2026, dopo il deposito del 26 marzo 2025. Gli inventori indicati sono Scott Alan Gold e Ziyad Smoqi. Fabbaloo ha analizzato il documento il 13 ottobre, evidenziando la particolare attenzione rivolta alle componenti ad alta frequenza del segnale.
Il problema del controllo del bagno di fusione
Nei processi Laser Powder Bed Fusion un fascio laser fonde selettivamente sottili strati di polvere metallica per costruire progressivamente un componente.
Il risultato dipende dall’interazione fra potenza laser, velocità di scansione, caratteristiche della polvere, temperatura e condizioni locali della zona di fusione. Variazioni anche brevi possono influenzare la stabilità del bagno fuso e contribuire alla formazione di difetti.
Per questo motivo numerosi sistemi industriali acquisiscono dati durante la produzione attraverso telecamere, fotodiodi e altri sensori. Il problema non è soltanto raccogliere informazioni, ma interpretare segnali che possono cambiare rapidamente anche in assenza di un difetto effettivo.
Una variazione della luminosità media può segnalare un evento anomalo, ma alcuni fenomeni potrebbero manifestarsi soprattutto attraverso oscillazioni rapide difficili da distinguere nel segnale complessivo.
Separare la componente lenta da quella veloce
La proposta di GE si concentra sull’elaborazione del segnale registrato durante l’interazione fra laser e materiale.
I dati raccolti vengono separati in componenti a bassa e alta frequenza. La prima descrive le variazioni più lente o l’andamento generale dell’intensità luminosa. La seconda conserva le oscillazioni rapide sovrapposte al segnale principale.
La documentazione illustra, fra gli esempi, l’analisi di una traccia acquisita su un intervallo dell’ordine di 350 microsecondi. Una volta effettuata la separazione, il segnale ad alta frequenza può essere studiato per riconoscere variazioni che risulterebbero meno evidenti osservando soltanto il livello medio della luce.
Il principio è rilevante perché il processo LPBF comprende fenomeni molto rapidi, fra cui movimento del bagno fuso, espulsione di particelle e variazioni locali nell’interazione fra energia e materiale.
L’analisi spazio-temporale e l’apprendimento automatico
Il metodo prevede l’estrazione di parametri statistici dai dati ottici. Le informazioni sono associate non soltanto al momento in cui si verifica una variazione, ma anche alla posizione della lavorazione.
Questa componente spazio-temporale è importante perché permette di collegare il comportamento del segnale a una zona specifica dello strato prodotto.
Il documento descrive l’utilizzo di un modello di apprendimento automatico per individuare perturbazioni che superano determinate soglie e generare un avviso.
L’architettura può quindi contribuire a distinguere eventi compatibili con il normale comportamento del processo da variazioni che richiedono un controllo.
Non è tuttavia corretto affermare che il brevetto dimostri già la capacità di identificare con certezza ogni poro, cricca o difetto metallurgico. Il segnale ottico è un indicatore indiretto e la sua interpretazione deve essere confrontata con controlli reali sui componenti.
Il significato per la qualità industriale
La raccolta di dati durante la costruzione è considerata una delle possibili strade per migliorare la tracciabilità e ridurre il ricorso esclusivo ai controlli effettuati dopo la stampa.
Se un’anomalia viene individuata mentre il componente è ancora in produzione, l’informazione può essere associata a uno strato e a una posizione specifica. Questo potrebbe supportare decisioni successive su ispezioni mirate, scarto del pezzo o analisi delle cause.
Il brevetto descrive una metodologia di rilevamento e segnalazione. Non costituisce, da solo, la dimostrazione di un sistema di correzione automatica capace di eliminare il difetto durante la costruzione.
Per arrivare a un controllo a ciclo chiuso servirebbe verificare che la macchina possa modificare i parametri in modo sufficientemente rapido, prevedibile e sicuro, senza introdurre nuovi problemi.
Brevetto non significa tecnologia già installata
La pubblicazione della domanda US20260295679A1 rende accessibile la descrizione tecnica dell’invenzione, ma il documento risulta ancora nello stato di domanda pendente.
Non sono disponibili, attraverso le fonti esaminate, dati sufficienti per stabilire se questo particolare sistema sia già impiegato commercialmente, quali macchine lo integrino o quale percentuale di anomalie sia in grado di rilevare in differenti leghe e condizioni di stampa.
Per valutare le prestazioni saranno necessari confronti con tecniche di controllo come tomografia computerizzata, metallografia e prove non distruttive, oltre a verifiche di ripetibilità e analisi dei falsi positivi.
Dall’immagine del bagno fuso alla sua dinamica
L’aspetto interessante della proposta è l’attenzione alla struttura temporale del segnale, anziché al solo valore di luminosità registrato dai sensori.
Due eventi possono produrre un’intensità media simile ma presentare dinamiche diverse. L’analisi delle componenti ad alta frequenza potrebbe offrire informazioni aggiuntive per distinguere condizioni operative differenti.
Il lavoro di GE si inserisce così nella ricerca di sistemi di monitoraggio sempre più capaci di collegare segnali di processo e qualità effettiva dei componenti. Il passaggio dalla descrizione brevettuale alla validazione industriale rimane l’elemento da verificare per determinarne l’impatto sulla produzione additiva metallica.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI).
