La spin-off dell’Università di Sheffield vuole trasformare i dati di processo LPBF in un fingerprint utilizzabile per decidere più rapidamente se una parte possa proseguire verso il post-processing
Instruct3D ha presentato Additive Build Intelligence, una piattaforma destinata alla produzione additiva metallica che combina modellazione fisica, monitoraggio in-process e analisi dei dati con l’obiettivo di seguire una build lungo un percorso continuo: prevedere dove potrebbero emergere problemi, osservare ciò che accade realmente durante la fusione, confrontare il comportamento della parte con riferimenti precedentemente qualificati e utilizzare i nuovi dati per migliorare le build successive. La società di Sheffield non propone quindi semplicemente una nuova telecamera per osservare il powder bed. L’obiettivo è creare un livello di intelligence che colleghi il file di costruzione, la storia termica prevista, quella osservata e le evidenze necessarie per prendere decisioni sulla qualità. È una sfida particolarmente importante per il Laser Powder Bed Fusion, dove produrre una geometria complessa è ormai relativamente consolidato, mentre dimostrare che ogni componente sia stato costruito all’interno di condizioni sufficientemente controllate continua a rappresentare uno dei principali ostacoli alla produzione seriale nei settori aerospace, space, defence ed energy.
Instruct3D nasce da oltre vent’anni di ricerca sulla produzione additiva a Sheffield
La società è stata costituita nel 2024 come spin-off dell’Università di Sheffield. Il gruppo fondatore comprende Henry Saunders, Ben Thomas e Rob Snell e deriva da attività di ricerca sviluppate nell’ecosistema universitario di Sheffield attorno a metallurgia, Laser Powder Bed Fusion, modellazione e controllo dei processi.
L’idea originaria dell’azienda era già legata alla generazione di istruzioni di build più intelligenti.
Non semplicemente:
caricare un STL → scegliere parametri → stampare
ma utilizzare conoscenza fisica e dati per adattare la strategia di costruzione a ciò che realmente accade all’interno del materiale.
Con Additive Build Intelligence questa filosofia viene ampliata fino a comprendere l’intero ciclo:
Predict → Build → Prove → Learn
È questa sequenza, più che il singolo sensore, a definire il prodotto.
Il punto di partenza è che il metal AM è essenzialmente un processo termico
Durante il LPBF un laser fonde localmente una quantità estremamente piccola di polvere.
La zona fusa:
- raggiunge temperature molto elevate;
- solidifica rapidamente;
- viene successivamente riscaldata di nuovo dai layer circostanti.
La parte attraversa quindi una storia termica estremamente complessa.
Non esiste una singola temperatura di processo.
Ogni punto della geometria possiede una propria sequenza di:
riscaldamento → fusione → raffreddamento → reheating.
Questa storia influenza:
- melt pool;
- microstruttura;
- stress residui;
- deformazione;
- difetti.
Instruct3D concentra proprio su questo aspetto una parte significativa della propria piattaforma.
Stesso parametro laser non significa stessa condizione termica in ogni punto della build
Supponiamo che una macchina utilizzi:
- stessa potenza;
- stessa velocità;
- stesso hatch spacing.
Una piccola parete sottile e un grande blocco massivo non assorbono e dissipano calore nello stesso modo.
Anche la posizione sul build plate può modificare:
- dissipazione;
- interazione con le parti vicine;
- tempo tra esposizioni.
La stessa ricetta nominale può quindi generare storie termiche differenti.
È uno dei motivi per cui trasferire un parameter set da una geometria all’altra non garantisce necessariamente proprietà identiche.
Additive Build Intelligence cerca di prevedere queste differenze prima della stampa
La prima fase della piattaforma analizza il build file attraverso un motore di previsione basato sulla fisica.
L’obiettivo è individuare regioni nelle quali la strategia scelta potrebbe produrre variazioni termiche significative.
Il software può quindi aiutare l’ingegnere a identificare zone potenzialmente critiche prima che la macchina consumi:
- polvere;
- argon;
- ore di laser.
Questo concetto è particolarmente interessante perché sposta parte della qualità a monte.
Invece di chiedere esclusivamente:
“la build è andata male?”
la domanda diventa:
“dove è probabile che vada male prima di iniziare?”
Predizione non significa simulazione perfetta di ogni melt pool
È importante distinguere velocità e livello fisico del modello.
Una simulazione completa di:
- fluido;
- keyhole;
- vapore;
- recoil pressure;
- spatter;
- solidificazione;
su un’intera build composta da miliardi di voxel sarebbe estremamente costosa dal punto di vista computazionale.
Gli strumenti industriali devono quindi utilizzare modelli ridotti e approssimazioni sufficientemente rapide da risultare realmente utilizzabili.
Il valore non consiste nel riprodurre ogni fenomeno atomico.
Consiste nel prevedere indicatori termici abbastanza bene da aiutare l’ingegnere a scegliere una strategia più robusta.
La piattaforma non si ferma però alla simulazione
Uno dei problemi dei modelli predittivi è capire quanto rappresentino realmente ciò che accade nella macchina.
Instruct3D affronta questo punto collegando direttamente la previsione ai dati misurati da VertX.
La piattaforma può quindi confrontare:
thermal behaviour previsto
con
thermal behaviour osservato
Questo permette di utilizzare ogni build come nuova fonte di informazione.
Il modello non rimane isolato dal processo fisico.
VertX rappresenta gli “occhi” del sistema
Il modulo hardware utilizza una configurazione a doppia lunghezza d’onda che combina:
- imaging ottico;
- near-infrared imaging.
Le due modalità osservano aspetti differenti della build.
La camera ottica registra lo stato fisico del powder bed prima e dopo le esposizioni.
Può quindi evidenziare fenomeni come:
- recoating irregolare;
- detriti;
- zone apparentemente alterate.
La componente NIR osserva invece la risposta termica della regione durante la lavorazione.
Il risultato è un’immagine composita che evidenzia zone relativamente più calde o più fredde e variazioni nella stabilità termica.
Ottico e NIR sono quindi complementari
Un’immagine visibile può mostrare che la superficie sembra corretta.
Non significa che il comportamento termico sia stato normale.
Instruct3D ha mostrato proprio questo in test su cubi di densità in Inconel 718 prodotti su una Aconity3D Mini.
Le immagini ottiche post-exposure mostravano campioni apparentemente simili.
Il NIR evidenziava invece differenze di intensità e fenomeni associati a:
- spatter;
- balling;
- differente stabilità termica.
È un esempio utile di perché una singola modalità di monitoraggio possa non essere sufficiente.
Ma intensità NIR e temperatura assoluta non sono necessariamente la stessa cosa
È una distinzione importante quando si interpretano immagini termiche.
Il segnale osservato dipende da:
- temperatura;
- emissività;
- materiale;
- lunghezza d’onda;
- ottica;
- calibrazione.
Un pixel più brillante non può essere trasformato automaticamente in una temperatura assoluta accurata senza un modello di calibrazione appropriato.
Il valore di VertX è soprattutto nella possibilità di confrontare pattern e deviazioni in condizioni controllate.
Il filtro NIR viene adattato al materiale
La documentazione Instruct3D indica che VertX può supportare differenti materiali e polveri, ma il sistema monitora una configurazione di materiale alla volta.
Per cambiare materiale è necessario sostituire manualmente il filtro NIR appropriato.
Questo dettaglio mostra quanto il monitoraggio termico non sia completamente material-agnostic.
Titanio, Inconel e alluminio:
- emettono;
- riflettono;
- dissipano;
in maniera differente.
La configurazione del sensore deve tenerne conto.
VertX viene installato all’esterno della macchina
È una delle caratteristiche commercialmente più interessanti.
Il sistema è progettato per osservare la build attraverso la finestra esistente della macchina LPBF.
Questo riduce la necessità di:
- modificare la camera;
- intervenire sul sistema laser;
- integrare sensori vicino al recoater.
Instruct3D lo presenta come retrofit compatibile con i principali OEM.
È particolarmente importante per aziende che possiedono flotte miste composte da macchine differenti.
Un sistema esterno ha però anche dei compromessi
Guardare attraverso una finestra significa che il percorso ottico contiene:
- vetro;
- eventuali coating;
- angolo di osservazione.
Nel tempo sulla finestra possono inoltre depositarsi:
- particolato;
- condensati;
- spatter.
Questi fenomeni possono alterare l’intensità misurata.
Per ottenere dati confrontabili diventa quindi importante la calibrazione e il controllo dello stato della finestra.
Non basta montare una telecamera sopra qualsiasi macchina e assumere che ogni immagine sia direttamente comparabile.
La portabilità è quindi possibile, ma richiede calibrazione
Instruct3D indica tempi di installazione relativamente brevi.
La documentazione commerciale parla di retrofit rapido, mentre le FAQ descrivono installazione e calibrazione generalmente completabili entro alcune ore.
Sono numeri compatibili se si distingue tra:
- montaggio fisico;
- commissioning completo.
Il punto realmente importante è che l’installazione non richiede una riprogettazione della macchina.
Questo potrebbe rendere economicamente possibile estendere il monitoraggio a un’intera flotta anziché limitarlo a un sistema speciale di R&D.
Il costo del monitoraggio è un problema reale nell’AM industriale
Un sistema estremamente sofisticato può essere tecnicamente eccellente ma economicamente difficile da installare su:
- 10 macchine;
- 30 macchine;
- 100 macchine.
Instruct3D pone molta enfasi sul termine cost-effective sensor hardware.
Non rende pubblici prezzi standard, ma la strategia è esplicitamente quella di rendere VertX abbastanza economico da poter essere distribuito su più sistemi.
È una filosofia diversa rispetto a sistemi di metrologia estremamente complessi montati soltanto su una macchina di sviluppo.
Il vero valore arriva però quando i dati entrano in AdditiveOS
Una camera che produce immagini crea rapidamente un nuovo problema:
troppi dati.
Una build LPBF può contenere:
- migliaia di layer;
- immagini ottiche;
- dati NIR;
- metadata;
- informazioni sul percorso laser.
Il risultato può raggiungere diversi gigabyte.
Non è realistico chiedere a un quality engineer di aprire manualmente ogni immagine e cercare anomalie.
Serve una trasformazione.
AdditiveOS è il “cervello” della piattaforma
Il software raccoglie i dati provenienti da VertX e li collega al:
- build file;
- modello fisico;
- storico delle build.
L’obiettivo è trasformare immagini e segnali grezzi in informazioni direttamente associate alle parti prodotte.
Questo passaggio è particolarmente importante in una build con più componenti.
Un’anomalia in una regione del powder bed deve essere collegata alla specifica parte che occupava quella posizione.
Solo allora il dato diventa utile al controllo qualità.
L’unità logica diventa la singola parte e non soltanto l’intera build
Immaginiamo un build plate contenente 30 componenti.
Un problema potrebbe interessare:
- parte numero 7;
- layer 1.250-1.400.
Le altre 29 parti potrebbero essersi comportate normalmente.
Se il sistema producesse soltanto una valutazione:
“build anomala”
il produttore rischierebbe di dover investigare o scartare tutto il lotto.
Una valutazione part-level può invece permettere una decisione molto più granulare.
È uno dei modi con cui l’in-process monitoring può avere un impatto economico concreto.
Instruct3D introduce il concetto di fingerprint della parte
AdditiveOS comprime il comportamento osservato durante la build in un profilo molto più compatto rispetto ai gigabyte di immagini originarie.
Questo profilo viene definito fingerprint.
L’idea è rappresentare in forma sintetica alcuni indicatori fondamentali del modo in cui quella parte è stata costruita.
La fingerprint può essere confrontata con quella di componenti precedentemente qualificati.
Da qui deriva la possibilità di una decisione rapida:
go / no-go.
Ma un fingerprint non è la stessa cosa di una certificazione del componente
Questa è probabilmente la distinzione più importante dell’intera piattaforma.
Un algoritmo può dire:
“questa build assomiglia alle build qualificate”.
Non significa automaticamente:
“questa parte possiede sicuramente le proprietà meccaniche certificate”.
La relazione deve essere costruita sperimentalmente.
Serve dimostrare che determinate caratteristiche del fingerprint correlino in modo affidabile con:
- densità;
- porosità;
- microstruttura;
- proprietà.
Solo dopo questa fase il fingerprint può diventare evidenza significativa all’interno di un sistema qualità.
Il processo di qualificazione deve quindi precedere l’uso produttivo del riferimento
Una strategia realistica può essere:
1. costruire parti rappresentative
2. monitorarle con VertX
3. caratterizzarle attraverso metodi tradizionali
4. identificare le build accettabili
5. creare fingerprint di riferimento
Successivamente una nuova parte può essere confrontata con quel database.
Questo permette potenzialmente di ridurre il numero di controlli ripetitivi sulle parti che mostrano un comportamento molto vicino al riferimento.
Ma non elimina il lavoro iniziale di qualifica.
La qualità del fingerprint dipende quindi dalla qualità della popolazione di riferimento
Se la build definita “buona” contiene un difetto che non è stato rilevato durante la qualificazione, il sistema potrebbe imparare un riferimento sbagliato.
Garbage in, garbage out vale anche nel quality assurance.
Serve quindi una caratterizzazione iniziale robusta.
È particolarmente importante per applicazioni safety-critical.
Il fingerprint può però risolvere un problema molto costoso: decidere cosa ispezionare
CT industriale e altri metodi NDT possono essere:
- costosi;
- lenti;
- limitati dalla geometria.
Un produttore potrebbe oggi inviare praticamente ogni componente critico a CT perché non possiede informazioni sufficienti per distinguere una build normale da una sospetta.
L’in-process monitoring potrebbe permettere una strategia risk-based.
Per esempio:
fingerprint normale → inspection standard
fingerprint sospetto → CT approfondita
Questo non significa sostituire la CT.
Significa utilizzarla in modo più intelligente.
Il vero business case potrebbe quindi essere ridurre l’over-inspection
Nel metal AM ad alto valore il costo non deriva soltanto dagli scarti.
Esiste anche un costo legato alla sfiducia nel processo.
Quando il produttore non è sufficientemente sicuro della build, aggiunge:
- test;
- coupon;
- CT;
- review manuali.
Una tecnologia che aumenta la confidence potrebbe ridurre parte di questi passaggi.
Il risparmio può diventare significativo soprattutto su produzioni ripetitive.
L’altro vantaggio è scoprire prima le parti sicuramente compromesse
Immaginiamo un componente che richiede:
- 30 ore di build;
- HIP;
- CNC;
- coating;
- CT finale.
Se un grave problema avviene durante la stampa ma viene scoperto soltanto dopo tutto il post-processing, l’azienda ha speso denaro su una parte destinata allo scarto.
Se il monitoraggio permette di identificare immediatamente il componente sospetto, il produttore può decidere di non investirvi ulteriormente.
Questo è uno dei più semplici e concreti modi in cui l’in-process monitoring può ridurre il cost of quality.
Non significa necessariamente interrompere automaticamente la build
C’è una differenza tra:
- detection;
- decisione;
- closed-loop control.
Instruct3D si concentra principalmente sull’analisi e sulla verifica.
Non risulta che Additive Build Intelligence venga presentato come sistema universale capace di osservare un difetto e correggere autonomamente in tempo reale:
- potenza;
- velocità;
- hatch.
Il closed-loop control è un livello ulteriore.
La piattaforma aiuta soprattutto a capire e documentare ciò che sta accadendo.
Monitoraggio e controllo non devono essere confusi
Un termometro può rilevare che la temperatura è sbagliata.
Non significa che possieda il controllo del forno.
Allo stesso modo:
VertX vede
AdditiveOS interpreta
ma l’eventuale modifica dei parametri della macchina richiede una catena differente.
La distinzione è importante perché nel marketing industriale “AI monitoring” viene talvolta presentato quasi come sinonimo di processo autonomo.
Non lo è.
La parte “Predict” potrebbe però ridurre il bisogno di correzione durante la build
La filosofia Instruct3D sembra essere soprattutto:
correggere la strategia prima di stampare.
Se il modello fisico identifica una zona con accumulo termico, l’ingegnere può modificare:
- scan strategy;
- parametri;
- orientamento;
- disposizione.
La build parte quindi da una configurazione più robusta.
È una logica di right-first-time manufacturing.
Non elimina l’incertezza.
La riduce a monte.
Il feedback delle build precedenti migliora le previsioni successive
La quarta parola della sequenza Instruct3D è:
Learn.
La piattaforma collega la previsione e l’osservazione reale.
Se il modello prevede una certa distribuzione termica e VertX osserva sistematicamente una deviazione, questa informazione può essere utilizzata per migliorare le analisi successive.
Si crea quindi un ciclo:
modello → build → misura → confronto → nuovo modello
È qui che approcci physics-based e data-driven possono diventare complementari.
Physics-informed non significa semplicemente usare più AI
Un sistema puramente data-driven potrebbe cercare pattern statistici in migliaia di immagini senza conoscere nulla della metallurgia.
Un sistema puramente fisico potrebbe calcolare il comportamento senza utilizzare dati reali.
Instruct3D cerca di combinare entrambi.
La fisica fornisce:
- struttura;
- relazioni causali;
- limiti.
I dati reali correggono e migliorano il modello.
È una strategia particolarmente utile quando il dataset disponibile non è enorme, situazione comune nella produzione additiva industriale.
Una fabbrica non dispone dei miliardi di campioni disponibili ai grandi modelli AI
Una specifica combinazione può comprendere:
- una lega;
- una macchina;
- un parameter set;
- una geometria.
Il produttore potrebbe avere soltanto poche decine di build realmente confrontabili.
Basare tutto su machine learning puramente statistico può essere difficile.
Inserire vincoli fisici può ridurre la quantità di dati necessaria.
È una delle ragioni per cui la physics-informed modelling sta ricevendo tanta attenzione nell’AM.
La storia termica è particolarmente rilevante per la microstruttura
Cooling rate e reheating influenzano:
- dimensione dei grani;
- orientamento;
- fasi;
- precipitati.
Questo significa che un sistema capace di stimare e monitorare correttamente la storia termica potrebbe, in prospettiva, aiutare a prevedere non soltanto:
difetto / nessun difetto
ma anche alcune caratteristiche del materiale.
Instruct3D ha già indicato la microstructure prediction tra le aree di sviluppo della piattaforma.
È una direzione molto interessante.
Ma richiede una validazione ancora più complessa.
Prevedere microstruttura è più difficile che individuare un hotspot
Una determinata temperatura non produce automaticamente una determinata microstruttura.
Bisogna conoscere:
- velocità di solidificazione;
- gradienti termici;
- composizione;
- cicli successivi.
E successivamente correlare il modello con:
- EBSD;
- microscopia;
- hardness;
- prove meccaniche.
È quindi una direzione promettente, ma non deve essere interpretata come una funzione che oggi sostituisce la caratterizzazione metallurgica.
Il valore più immediato rimane probabilmente nella process development
Quando si sviluppa un nuovo materiale, vengono spesso prodotti grandi numeri di:
- density cube;
- coupon;
- parameter island.
Il processo tradizionale può richiedere:
- stampare;
- tagliare;
- lucidare;
- misurare;
- selezionare nuovi parametri;
- ristampare.
Se il monitoraggio identifica già differenze significative tra le condizioni durante la build, l’ingegnere può eliminare più rapidamente parametri chiaramente instabili.
Questo può ridurre il numero di iterazioni.
L’esperimento sull’Inconel 718 mostra esattamente questo utilizzo
Cubetti che sembravano equivalenti nelle immagini ottiche mostravano comportamenti differenti nel NIR.
Questo permette di identificare una condizione instabile prima ancora di completare tutta la caratterizzazione.
Non elimina:
- densità;
- micrografia.
Ma può indicare:
quali campioni meritano attenzione.
È un modo molto più efficiente di utilizzare strumenti di laboratorio costosi.
L’approccio cross-platform è un altro elemento importante
Molti sistemi di monitoraggio sono profondamente integrati nell’hardware di uno specifico OEM.
Questo offre vantaggi:
- accesso diretto;
- ottica dedicata;
- sincronizzazione.
Ma crea anche lock-in.
Un grande produttore aerospace può possedere una flotta comprendente:
- EOS;
- Nikon SLM;
- Renishaw;
- Aconity;
- altri sistemi.
Se ogni macchina utilizza dati e strumenti completamente differenti, confrontare la produzione diventa difficile.
VertX prova a creare un livello esterno comune
Un sensore retrofit potrebbe permettere di osservare più piattaforme con una metodologia simile.
Questo è particolarmente importante per:
- supplier;
- qualificazione multi-machine;
- scale-up.
Il concetto è:
macchine differenti sotto, intelligence comune sopra.
È ambizioso perché le macchine differiscono per:
- finestra;
- ottica;
- layer strategy;
- recoater;
- atmosfera.
Serve quindi una calibrazione specifica.
Cross-platform non significa che il dato grezzo sia automaticamente identico
Un segnale NIR registrato su una macchina A non può necessariamente essere confrontato direttamente con quello della macchina B.
Cambiano:
- distanza;
- angolo;
- trasmissione della finestra;
- campo visivo.
Il software deve normalizzare o calibrare.
La promessa di cross-platform deve quindi essere valutata sulla capacità di trasformare dati differenti in indicatori realmente comparabili, non soltanto sul fatto che la telecamera possa essere montata fisicamente su più macchine.
La proprietà dei dati è un’altra questione molto importante
Il metal AM aerospace contiene spesso informazioni estremamente sensibili:
- geometrie;
- parametri proprietari;
- build strategy.
Instruct3D dichiara che i dati raccolti appartengono all’utilizzatore e possono essere esportati.
AdditiveOS può essere utilizzato:
- in cloud;
- on-premise.
Quest’ultima opzione è particolarmente importante per:
- defence;
- aerospace;
- programmi classificati.
Un sistema che richiedesse obbligatoriamente upload cloud sarebbe inutilizzabile in molti ambienti.
Sono previste anche installazioni air-gapped
Un ambiente air-gapped non è collegato alla rete pubblica.
È frequente nei sistemi:
- defence;
- altamente protetti.
In questo caso il supporto remoto diventa naturalmente più difficile.
Instruct3D prevede gestione locale dei dati e assistenza compatibile con queste configurazioni.
È un dettaglio meno spettacolare del machine learning, ma industrialmente fondamentale.
Il fingerprint potrebbe essere utile proprio per condividere evidenze senza condividere l’IP
Secondo Instruct3D, una versione compatta della fingerprint può essere trasmessa attraverso la supply chain senza esporre direttamente:
- geometria;
- materiale;
- parametri completi.
È un problema reale.
Un OEM può voler ricevere evidenza che la parte sia stata prodotta correttamente senza chiedere al supplier di consegnargli ogni dettaglio del processo proprietario.
La fingerprint potrebbe diventare una sorta di attestazione tecnica sintetica.
Ma il valore legale e certificativo della fingerprint non esiste per definizione
Perché una fingerprint venga accettata formalmente servirà che:
- OEM;
- supplier;
- authority;
definiscano come utilizzarla.
Un nuovo formato dati non diventa automaticamente parte di un processo certificato perché tecnicamente ben costruito.
Questo passaggio richiede:
- procedure;
- standard;
- qualification.
È probabilmente uno dei lavori più importanti che Instruct3D dovrà affrontare con i primi clienti industriali.
Il termine “certified part” va quindi utilizzato con cautela
Il sito dell’azienda descrive una catena dal build file alla parte certificata.
È una visione del workflow.
Non significa che AdditiveOS possa autonomamente certificare:
- aerospace component;
- medical implant;
- pressure vessel.
La certificazione appartiene all’intero sistema di produzione e alle autorità applicabili.
La piattaforma fornisce evidenze che possono entrare in quel sistema.
Questa distinzione è fondamentale.
Un go/no-go automatico può comunque essere molto utile senza essere una certificazione
Immaginiamo una produzione ripetitiva di 1.000 parti.
L’ingegnere non vuole analizzare manualmente ogni layer di ogni build.
Il sistema può confrontare automaticamente ogni parte con un envelope di comportamento già approvato.
Se il fingerprint rimane all’interno:
go.
Se esce:
review.
In pratica il vero sistema potrebbe essere più simile a:
go / investigate
piuttosto che:
buona / difettosa in senso assoluto.
Questo riduce enormemente il carico del quality engineer.
È una filosofia simile allo Statistical Process Control
In una linea convenzionale non si distrugge ogni pezzo per verificarne le proprietà.
Si monitora il processo.
Se:
- temperatura;
- pressione;
- dimensioni;
rimangono all’interno di limiti qualificati, si assume che il processo continui a produrre correttamente, con controlli periodici di conferma.
Il metal AM cerca da anni di raggiungere un livello equivalente.
Il problema è che il processo possiede molte più variabili e genera enormi quantità di dati.
Instruct3D vuole trasformare quei dati in una carta di controllo molto più sofisticata
Invece di monitorare un unico valore come la temperatura del forno, il sistema può considerare:
- pattern termici;
- anomalie;
- posizione;
- storia layer-by-layer.
Il fingerprint diventa una rappresentazione compatta di un processo multidimensionale.
È qui che la tecnologia può offrire un valore molto superiore alla semplice registrazione video.
La qualità deve però essere correlata alla posizione del difetto
Un’anomalia identica può avere conseguenze completamente differenti.
Un piccolo poro vicino a una superficie fortemente sollecitata può essere critico.
Lo stesso poro in una regione sovradimensionata potrebbe avere effetto trascurabile.
Il futuro del quality assurance AM dovrà quindi combinare:
process data + part geometry + engineering criticality.
Non basta contare il numero di anomalie.
Qui nasce un interessante conflitto con la protezione dell’IP geometrico
Per valutare la criticità di un’anomalia serve spesso conoscere la funzione della regione.
Ma per condividere la fingerprint lungo la supply chain si desidera evitare di condividere la geometria.
La piattaforma deve quindi trovare un equilibrio tra:
- informazioni sufficienti alla decisione;
- minimizzazione dell’IP divulgato.
È un problema che diventerà sempre più importante man mano che l’AM entra nella supply chain distribuita.
Un altro limite del monitoraggio ottico è che non vede tutto ciò che accade nel volume
Una camera osserva principalmente fenomeni sulla superficie del powder bed e segnali associati al processo.
Non può vedere direttamente un poro già sepolto 20 mm sotto la superficie.
Può eventualmente identificare il fenomeno che probabilmente lo ha generato.
È una differenza sostanziale.
NDT e monitoring osservano cose diverse.
Un CT misura il difetto, il monitoring misura il processo che potrebbe averlo creato
Questo rende i due strumenti complementari.
CT:
“qui esiste un void di 180 µm”
monitoring:
“al layer corrispondente si è verificato un evento termico anomalo”
Se i due dati vengono correlati su molte build, in futuro il secondo può diventare predittivo del primo.
Ma questa correlazione deve essere dimostrata sperimentalmente.
È proprio questa correlazione a rappresentare il vero capitale informativo
Installare una telecamera è relativamente facile.
Costruire un database che collega:
- segnale;
- difetto;
- proprietà;
richiede anni.
L’esperienza accumulata da Sheffield può quindi essere più importante dell’hardware VertX stesso.
Il sensore può essere replicato.
La relazione tra ciò che misura e ciò che realmente significa metallurgicamente è molto più difficile da costruire.
La piattaforma nasce infatti da un ecosistema universitario particolarmente forte nel metal AM
L’Università di Sheffield dispone di attività avanzate nel:
- Henry Royce Institute;
- AMRC;
- metallurgia;
- computational modelling.
Instruct3D può quindi utilizzare un ambiente nel quale:
- produrre build controllate;
- analizzare materiali;
- validare modelli.
È un vantaggio importante per una startup che cerca di commercializzare strumenti di quality assurance.
Il prossimo passaggio pubblico sarà ICAM 2026
Instruct3D presenterà la piattaforma alla conferenza ASTM International Conference on Advanced Manufacturing, prevista a Orlando dal 28 settembre al 2 ottobre 2026.
Ben Thomas presenterà un intervento dedicato a:
Cost-Effective, Multi-Modal Sensors for Cross-Platform AM Part Verification.
Il titolo riassume bene la strategia.
Non soltanto detection.
Part verification cross-platform.
È un obiettivo molto più ambizioso.
Il fatto che la conferenza sia organizzata nell’ecosistema ASTM è significativo
La produzione additiva sta passando progressivamente dalla fase:
“questa tecnologia funziona?”
alla fase:
“come dimostriamo in modo standard che funziona?”
Standard, qualificazione e controllo qualità sono quindi sempre più centrali.
Per una startup come Instruct3D il successo non dipenderà soltanto dal convincere gli ingegneri R&D.
Dovrà convincere anche:
- quality;
- regulatory;
- procurement.
Sono funzioni che pongono domande molto diverse.
Un ingegnere R&D vuole più dati, il quality manager vuole una decisione difendibile
È una differenza fondamentale.
Un ricercatore può essere entusiasta di avere:
- terabyte di immagini;
- heatmap;
- grafici.
Il quality manager vuole sapere:
“posso rilasciare questa parte?”
È precisamente questo il passaggio che Instruct3D cerca di affrontare attraverso il fingerprint.
Ridurre i dati.
Conservare l’evidenza.
Produrre un risultato utilizzabile.
Una piattaforma del genere ha successo soltanto se riduce davvero la complessità dei dati
Se AdditiveOS produce semplicemente:
- 50 dashboard;
- 200 grafici;
l’utente ha guadagnato sensori ma perso tempo.
Il prodotto deve invece trasformare gigabyte di informazioni in poche decisioni accompagnate da evidenze consultabili quando necessario.
È un problema di software e user experience tanto quanto di fisica.
Il concetto di “data overhead” è particolarmente importante nelle grandi flotte
Una macchina che produce 10 GB per build può essere gestibile.
Cento macchine che lavorano continuamente possono generare:
- centinaia di terabyte;
- storage;
- backup;
- networking.
Instruct3D sottolinea proprio l’idea di catturare i dati necessari senza trasformare ogni macchina in una sorgente ingestibile.
Il fingerprint compatto è anche una risposta a questo problema.
Conservare tutti i dati grezzi e conservare la prova di qualità sono due esigenze diverse
Per R&D può essere utile archiviare ogni immagine.
Per produzione seriale potrebbe bastare conservare:
- fingerprint;
- metadata;
- eventi principali.
Naturalmente questo dipende dai requisiti normativi e aziendali.
La possibilità di comprimere l’evidenza diventa però essenziale quando la produzione scala.
Il sistema può lavorare sia cloud sia on-premise proprio perché esistono casi d’uso molto differenti
Una startup può preferire:
- cloud;
- accesso rapido;
- minore infrastruttura IT.
Un prime defence può richiedere:
- on-prem;
- air gap;
- controllo completo.
La stessa piattaforma deve quindi adattarsi a due ambienti informatici quasi opposti.
È una caratteristica importante se l’obiettivo è diventare infrastruttura di quality assurance e non soltanto tool da laboratorio.
L’idea di “build intelligence” prova anche a superare una frammentazione storica del software AM
Oggi possono esistere strumenti separati per:
- simulation;
- build preparation;
- monitoring;
- QA;
- analytics.
Ogni sistema produce un dataset differente.
Il collegamento tra loro viene spesso creato:
- manualmente;
- tramite Excel;
- attraverso script custom.
Instruct3D vuole invece mantenere un thread continuo.
È una promessa importante perché il valore dei dati cresce enormemente quando è possibile collegare:
ciò che volevamo fare
a
ciò che è accaduto
e
ciò che abbiamo misurato sulla parte finale.
Questo è il vero significato di digital thread
Il termine viene spesso utilizzato in modo molto generico.
In questo caso può essere rappresentato concretamente:
CAD/build file
↓
physics prediction
↓
machine build
↓
VertX monitoring
↓
AdditiveOS fingerprint
↓
inspection/qualification evidence
Se ogni passaggio rimane associato allo stesso part ID, la fabbrica può ricostruire la storia produttiva.
È un requisito fondamentale per produzioni ad alto valore.
Il sistema non sostituisce però la tracciabilità di polvere, macchina e post-processing
Un componente metal AM qualificato dipende anche da:
- powder lot;
- reuse history;
- gas;
- macchina;
- calibration;
- operator;
- stress relief;
- HIP;
- heat treatment.
Additive Build Intelligence copre principalmente la fase di build e i dati associati.
Non deve quindi essere interpretato come un sistema MES completo che risolve automaticamente l’intera genealogia del componente.
Il digital thread finale dovrà integrarsi con altre fonti.
Il powder lot, per esempio, può cambiare il risultato senza modificare il file
Una polvere può differire per:
- PSD;
- morphology;
- oxygen;
- flowability.
Lo stesso parameter set può quindi comportarsi in modo leggermente differente.
È proprio qui che il monitoraggio può essere interessante.
Può osservare che il processo non sta reagendo come nelle build di riferimento.
Ma per capire la causa occorre avere anche i metadata del materiale.
Root cause analysis è quindi più difficile della semplice anomaly detection
Vedere:
“qui è successo qualcosa di diverso”
è relativamente semplice.
Stabilire:
“è successo perché l’ossigeno della polvere era maggiore”
è molto più complesso.
Serve collegare molti dataset.
Instruct3D descrive VertX come sistema capace di evidenziare anche la causa delle anomalie, ma il livello di causalità realmente ottenibile dipenderà dal tipo di evento e dai dati disponibili.
È prudente distinguere:
identificazione di pattern coerenti con una causa
da
prova causale automatica.
Spatter e balling sono esempi più diretti
Alcuni fenomeni hanno una firma visiva/termica relativamente evidente.
Una scia di particelle espulse può essere osservata direttamente.
Altre proprietà, come una particolare fase metallurgica, non sono invece direttamente visibili.
La piattaforma sarà probabilmente più forte inizialmente sugli eventi per i quali esiste una correlazione fisica chiara.
Il valore cresce enormemente nelle produzioni ripetitive
Una build sperimentale unica offre poco storico.
Un componente prodotto centinaia di volte crea invece una popolazione.
È possibile stabilire:
- fingerprint normale;
- dispersione;
- outlier.
Questo rende l’approccio particolarmente interessante quando l’AM passa da:
prototipo
a
serie.
È precisamente la fase in cui aumentano anche i costi del quality assurance tradizionale.
Una produzione seriale genera abbastanza dati da migliorare continuamente il sistema
Ogni build aggiunge nuove informazioni.
Il range considerato normale può essere raffinato.
Nuove anomalie possono essere correlate con risultati downstream.
La fabbrica costruisce quindi un proprio modello del processo.
È una forma di manufacturing intelligence estremamente difficile da ottenere quando ogni parte viene prodotta una sola volta.
Questo può diventare un vantaggio competitivo difficilmente trasferibile
Due aziende possono possedere:
- stessa macchina;
- stesso materiale.
Una delle due può avere cinque anni di dati correlati alle proprie parti.
L’altra no.
La prima possiede un patrimonio di process knowledge.
Una piattaforma come AdditiveOS potrebbe aiutare a strutturarlo.
È un tipo di vantaggio industriale molto diverso dall’acquistare una macchina più recente.
Il rischio opposto è creare dipendenza dal software proprietario
Se il fingerprint diventa parte critica della qualifica, il produttore deve considerare:
- portabilità;
- accesso ai dati;
- continuità del fornitore.
È positivo che Instruct3D dichiari l’esportabilità dei dati grezzi.
Ma un sistema qualità industriale deve comunque definire cosa accade se:
- software cambia;
- algoritmo viene aggiornato;
- vendor non è più disponibile.
La validation del software stesso diventa quindi parte della qualifica.
Aggiornare l’algoritmo può essere simile a cambiare un processo produttivo
Se una versione AdditiveOS classifica una fingerprint come buona e la versione successiva utilizza un modello differente, bisogna capire:
- cosa è cambiato;
- perché;
- se i risultati rimangono equivalenti.
In un ambiente regulated non è possibile aggiornare continuamente un algoritmo senza change control.
È un problema sempre più importante per software e AI utilizzati nel manufacturing.
Il “Learn” deve quindi convivere con il “Freeze” della produzione qualificata
R&D vuole che il modello migliori continuamente.
Quality vuole che il processo rimanga controllato.
Una possibile soluzione è separare:
- modello production frozen;
- modello development.
Le nuove conoscenze vengono testate.
Solo dopo la validazione vengono trasferite alla produzione.
È la stessa logica utilizzata con parameter set e software macchina.
Additive Build Intelligence dovrà dimostrare di funzionare proprio in questo equilibrio
Essere abbastanza intelligente da imparare.
Ma abbastanza controllabile da essere auditabile.
È una sfida più difficile di quella puramente tecnologica.
La piattaforma può essere particolarmente interessante per aerospace proprio perché il costo dello scarto è elevato
Una parte aerospace LPBF può accumulare valore attraverso:
- polvere;
- build;
- stress relief;
- HIP;
- machining;
- CT.
Scoprire alla fine che deve essere scartata può significare perdere migliaia o decine di migliaia di euro.
Più avanti nella catena viene scoperto il difetto, maggiore è il valore già incorporato.
Il monitoring anticipa la decisione.
È il principio del cost of poor quality
Un difetto trovato:
durante la build
costa meno di uno trovato:
dopo CNC
e molto meno di uno trovato:
dopo assembly.
Una parte importante della digital manufacturing consiste quindi nel portare il rilevamento quanto più a monte possibile.
Additive Build Intelligence si colloca esattamente in questa strategia.
Ma l’altro obiettivo è evitare falsi scarti
Un sistema troppo sensibile potrebbe segnalare ogni piccola deviazione.
Il risultato sarebbe:
- molti false positive;
- review continue;
- parti buone scartate.
Il valore reale dipenderà quindi da:
sensitivity + specificity.
Non basta trovare tutte le anomalie.
Bisogna distinguere quelle che hanno realmente un impatto.
È probabilmente una delle sfide più difficili per qualsiasi sistema di monitoring AM.
Una piccola deviazione termica non è automaticamente un difetto
Il processo possiede una propria variabilità naturale.
Alcune differenze possono essere perfettamente accettabili.
Il fingerprint deve quindi definire un envelope.
La domanda è:
quanto può differire una build e rimanere buona?
Questa soglia può essere stabilita soltanto attraverso dati correlati a proprietà finali.
Il termine “quality verification” deve essere letto proprio in questo senso
Non osservare semplicemente la build.
Ma collegare ciò che viene osservato a una decisione sulla qualità.
È molto più ambizioso.
Ed è anche il motivo per cui Instruct3D preferisce parlare di Additive Build Intelligence anziché posizionarsi come normale produttore di sistemi di in-process monitoring.
La differenza tra monitoring e intelligence può essere riassunta così
Monitoring:
“al layer 1.845 abbiamo visto una zona più calda.”
Intelligence:
“la zona più calda è statisticamente fuori dall’envelope delle build qualificate, riguarda la parte 17 e richiede review prima del post-processing.”
Il secondo risultato è quello che può generare una decisione industriale.
Rimane da dimostrare quanto questa promessa sia generalizzabile
Una startup può ottenere ottimi risultati su:
- Inconel 718;
- una specifica macchina.
Il vero test arriva quando deve gestire:
- Ti6Al4V;
- AlSi10Mg;
- acciai;
- rame;
su macchine differenti.
Ogni combinazione introduce nuovi comportamenti.
È qui che la strategia cross-platform di Instruct3D dovrà dimostrare la propria scalabilità.
Non esiste ancora una prova pubblica che il sistema sostituisca la CT o altre tecniche NDT su larga scala
Ed è importante non attribuirgli questo risultato.
La piattaforma viene appena lanciata commercialmente e Instruct3D dichiara installazioni presso un numero crescente di siti industriali.
Non sono ancora pubblicati dataset estesi che mostrino:
- migliaia di parti;
- false positive rate;
- false negative rate;
- riduzione percentuale della CT;
- risparmio economico validato.
Sono proprio questi dati a determinare, nei prossimi anni, il valore industriale della piattaforma.
Il lancio del 2026 rappresenta quindi soprattutto il passaggio dalla ricerca a un prodotto integrato
I singoli elementi non sono nuovi in senso assoluto.
Esistono:
- simulation;
- optical monitoring;
- NIR monitoring;
- anomaly detection.
La novità proposta da Instruct3D è integrarli in un workflow nel quale la previsione prima della build e l’evidenza raccolta durante la build utilizzano lo stesso thread informativo.
È questa integrazione il vero prodotto.
E può risolvere uno dei paradossi della produzione additiva moderna
Le macchine LPBF sono sempre più veloci.
Possiedono:
- 4 laser;
- 8 laser;
- 12 laser.
Ma aumentare la capacità di stampa aumenta anche la quantità di parti da:
- verificare;
- ispezionare;
- qualificare.
Se quality assurance non cresce alla stessa velocità, la fabbrica sposta semplicemente il bottleneck.
Dalla macchina:
al laboratorio CT.
L’in-process verification può diventare necessaria proprio perché la produttività sta aumentando
Una fabbrica con una macchina che produce 20 parti al mese può permettersi molte verifiche manuali.
Una flotta che ne produce 2.000 deve automatizzare una parte del quality decision making.
È qui che tecnologie come quella di Instruct3D possono diventare infrastrutturali.
Non servono soltanto a rendere la parte migliore.
Servono a rendere scalabile il sistema qualità.
La domanda finale non è quindi se VertX riesca a vedere una zona calda
È molto più importante chiedere:
“Possiamo usare quel dato per decidere con maggiore sicurezza e minore costo cosa fare della parte?”
Se la risposta diventerà sì su un numero sufficientemente ampio di materiali, macchine e applicazioni, il valore della piattaforma sarà considerevole.
La produzione additiva ha già dimostrato di saper costruire componenti estremamente complessi.
La fase successiva consiste nel dimostrare di poterli costruire:
- ripetutamente;
- prevedibilmente;
- documentando il perché della loro qualità.
Additive Build Intelligence nasce esattamente per affrontare questa seconda fase.
Instruct3D non promette quindi semplicemente più immagini della build, ma meno incertezza attorno alla build
Ed è una distinzione fondamentale.
L’industria non ha bisogno di un altro terabyte di fotografie del powder bed se nessuno riesce a trasformarlo in una decisione.
Ha bisogno di sapere:
- cosa stava per accadere;
- cosa è realmente accaduto;
- se la deviazione conta;
- quale parte riguarda;
- se vale la pena continuare a investirvi.
VertX fornisce gli occhi.
AdditiveOS cerca di costruire il ragionamento attorno a ciò che gli occhi osservano.
Il fingerprint prova infine a condensare tutto questo in una prova sufficientemente compatta da essere utilizzata nel quality workflow.
Resta ancora da dimostrare su scala industriale quanto questo fingerprint possa ridurre controlli downstream e quanto bene mantenga la propria capacità discriminante trasferendosi tra materiali e piattaforme differenti.
Ma è proprio questo il problema che oggi sta diventando centrale nel metal additive manufacturing: non più soltanto sapere come stampare una parte complessa, ma riuscire a dimostrare in modo rapido, ripetibile e difendibile che ogni parte della serie è stata costruita come previsto.
Se Instruct3D riuscirà a trasformare i propri dati di processo in un’evidenza realmente accettata da OEM, quality manager e organismi di qualifica, Additive Build Intelligence potrebbe diventare molto più importante della singola telecamera da cui parte: potrebbe rappresentare uno dei tasselli necessari per trasformare il monitoraggio in-process da interessante strumento di ricerca a componente ordinario del sistema qualità della produzione metal AM.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI).
