TRUSTAM porta l’AI federata nel controllo qualità della stampa 3D industriale
La produzione additiva industriale sta entrando in una fase in cui non basta più stampare un componente corretto dal punto di vista geometrico. Per aerospace, difesa, energia e altri settori regolati, un pezzo deve essere anche tracciabile, qualificabile e accompagnato da dati di processo utilizzabili per dimostrare la qualità. Il problema è che quei dati sono spesso sensibili: descrivono parametri macchina, strategie produttive, anomalie, materiali, geometrie e informazioni legate alla proprietà intellettuale.
Da questa esigenza nasce TRUSTAM, acronimo di Trusted Federated Intelligence for Additive Manufacturing, progetto svedese finanziato da Vinnova, l’agenzia nazionale per l’innovazione della Svezia. Il database ufficiale di Vinnova indica Interspectral AB come coordinatore, un finanziamento di 7.413.300 corone svedesi e una durata da aprile 2026 ad aprile 2028. Il progetto risulta inserito nel programma “Advanced digitalization – Industrial needs-driven innovation”, nell’ambito della call dedicata all’AI industriale applicata.
Il consorzio coinvolge Interspectral, Saab, AMEXCI e Scaleout Systems. L’obiettivo è sviluppare un sistema di controllo qualità basato su intelligenza artificiale federata, cioè un modello in cui più siti produttivi possono contribuire all’addestramento dell’AI senza trasferire all’esterno i dati grezzi generati dalle macchine.
Perché il controllo qualità è un nodo centrale nella stampa 3D metallica
Nella stampa 3D metallica, soprattutto nei processi a letto di polvere e nelle applicazioni critiche, la qualità non dipende solo dal file CAD o dal materiale dichiarato. Ogni layer produce dati: immagini del letto di polvere, segnali termici, parametri laser, log macchina, condizioni ambientali, informazioni di monitoraggio in situ, controlli dimensionali, tomografie, analisi post-build e report di ispezione.
Questi dati possono raccontare molto sul comportamento del processo. Possono aiutare a individuare anomalie, prevedere difetti, ridurre scarti, migliorare la ripetibilità e documentare la produzione. Però presentano due difficoltà. La prima è tecnica: ogni macchina, lega, strategia di scansione e geometria produce dati diversi. La seconda è industriale: le aziende non vogliono condividere liberamente i propri dati di produzione, perché dentro quei dati ci sono informazioni competitive.
TRUSTAM prova a lavorare su questa tensione. La domanda di partenza è semplice da formulare ma complessa da risolvere: come si può far crescere un modello AI usando l’esperienza di più impianti, senza obbligare le aziende a centralizzare dati riservati?
Che cos’è il federated learning e perché interessa alla manifattura additiva
Il federated learning, o apprendimento federato, è un approccio in cui l’addestramento dell’intelligenza artificiale avviene dove i dati vengono generati. Il dato grezzo resta nel sito produttivo, mentre verso l’esterno vengono inviati solo aggiornamenti del modello, come pesi, gradienti o parametri appresi. In questo modo più nodi possono contribuire a un modello condiviso senza creare un grande archivio centralizzato di dati sensibili.
Nel caso di TRUSTAM, questo significa che un modello AI può imparare da più macchine e da più ambienti produttivi, ma senza spostare fuori sede le immagini, i log o le misure associate a una specifica produzione. Interspectral descrive il progetto come un framework in cui i modelli migliorano collettivamente tra ambienti produttivi diversi, mentre solo gli aggiornamenti del modello vengono scambiati.
Il contributo di Scaleout Systems è importante proprio su questo punto. L’azienda svedese sviluppa infrastrutture per machine learning distribuito e federato. La sua piattaforma Scaleout Edge viene descritta come un’infrastruttura in cui il training avviene dove risiedono i dati, con i dati grezzi che non lasciano il dispositivo o il nodo locale; la piattaforma parla anche di aggiornamenti cifrati dei pesi del modello condivisi tra nodi.
Il ruolo di Interspectral e della piattaforma AM Explorer
Nel consorzio TRUSTAM, Interspectral ha il ruolo tecnico centrale. L’azienda ha sede a Norrköping ed è specializzata in visualizzazione 3D, fusione dati e analisi AI per la produzione additiva. Il suo prodotto principale è AM Explorer, una piattaforma software per la stampa 3D metallica che permette di unire e analizzare dati di simulazione, monitoraggio in situ e ispezione post-build.
AM Explorer è pensata per affrontare un problema molto concreto: nella produzione additiva i dati sono tanti, ma spesso separati. La simulazione vive in un ambiente, il monitoraggio macchina in un altro, la metrologia in un altro ancora. Se queste informazioni restano isolate, il controllo qualità diventa più lento e meno robusto. Interspectral presenta AM Explorer come un sistema per visualizzare l’intera build, combinare dati da macchine e sensori diversi, rilevare anomalie e standardizzare la logica di ispezione.
Con TRUSTAM, il passo ulteriore è portare l’AI direttamente vicino alla macchina e al sito produttivo. Interspectral guiderà lo sviluppo del modello AI locale, cioè l’intelligenza on-premise capace di apprendere dai dati specifici della macchina e delle condizioni produttive. Il progetto dovrebbe anche accelerare funzioni previste nella piattaforma AM Explorer, come l’addestramento AI on-premise e l’analisi multimodale dei dati di processo.
Saab: la qualità come requisito per aerospace e difesa
La presenza di Saab nel consorzio dà al progetto un taglio applicativo molto chiaro. L’azienda svedese opera in settori in cui la qualificazione del componente e la tracciabilità di produzione sono aspetti essenziali. Saab lavora da anni sulla produzione additiva e ha già comunicato applicazioni in ambito aeronautico e difesa, compreso un test su Gripen con una parte esterna stampata in 3D. Nel racconto pubblicato dall’azienda, la produzione additiva viene collegata anche alla riduzione dei tempi di sviluppo, alla libertà progettuale e alla possibilità di produrre parti e attrezzature in modo più flessibile.
Per aziende di questo tipo, l’AI non può essere introdotta come una scatola nera. Un sistema di controllo qualità deve essere spiegabile, documentabile e compatibile con processi di qualifica severi. TRUSTAM non parla quindi solo di “AI che trova difetti”, ma di un’infrastruttura in cui la qualità possa essere incorporata nel processo, resa tracciabile e dimostrabile tra macchine, siti e ambienti sensibili.
AMEXCI come ponte con la produzione additiva industriale
Nel consorzio compare anche AMEXCI, realtà nordica specializzata in additive manufacturing industriale. L’azienda offre servizi che coprono progettazione, produzione, test materiali, post-processing, metrologia, qualità e stampa 3D metallica. Sul proprio sito si presenta come partner per accompagnare l’industria dalla progettazione al componente certificato.
La presenza di AMEXCI è importante perché un sistema di AI per il controllo qualità deve essere testato su dati e casi produttivi reali. I modelli possono essere costruiti in laboratorio, ma diventano utili solo se funzionano con variabilità di macchine, materiali, geometrie, strategie di stampa e requisiti clienti. AMEXCI porta nel progetto l’esperienza di chi lavora con processi additivi industriali e con la necessità di passare dal prototipo alla produzione controllata.
Saab stessa ha descritto AMEXCI come un partner chiave per le proprie attività additive, indicando che l’organizzazione è partecipata da Saab e da altri grandi gruppi industriali svedesi.
Perché l’AI federata può essere utile nella stampa 3D
Uno dei limiti pratici dell’intelligenza artificiale nella manifattura additiva riguarda la disponibilità dei dati. Ogni azienda può avere un certo numero di build, difetti, immagini e log, ma non sempre abbastanza per addestrare un modello generalizzabile. Inoltre, i difetti importanti sono spesso rari. Dal punto di vista produttivo è una buona notizia; dal punto di vista dell’AI è un problema, perché i modelli imparano meglio quando vedono molti casi diversi.
L’apprendimento federato può aiutare proprio qui. Un’azienda può contribuire all’addestramento con i propri dati locali, un’altra può fare lo stesso con le sue macchine e le sue leghe, una terza con geometrie e parametri differenti. Il modello comune riceve conoscenza distribuita, ma nessun partecipante deve consegnare a un database centrale i propri file di produzione.
Per la stampa 3D metallica questo scenario è interessante perché i dati di processo sono molto legati al contesto. Una singola anomalia può dipendere da polvere, umidità, strategia di scansione, ottica, manutenzione macchina, supporti, orientamento del pezzo o comportamento termico locale. Un modello addestrato su più contesti potrebbe riconoscere pattern più ampi, ma deve farlo senza rompere il perimetro di sicurezza dei dati.
Dati locali, modelli condivisi
Il funzionamento previsto da TRUSTAM può essere letto in tre livelli.
Il primo livello è quello locale. Ogni sito produttivo raccoglie dati macchina e dati di qualità. Il modello AI opera in sede e impara da ciò che avviene su quella macchina, con quelle condizioni e con quel materiale.
Il secondo livello è quello federato. Il sito non invia fuori i dati grezzi, ma invia aggiornamenti del modello. Questi aggiornamenti vengono combinati per migliorare una conoscenza condivisa.
Il terzo livello è quello operativo. I risultati devono tornare nel flusso di controllo qualità, quindi dentro strumenti che aiutano operatori, ingegneri e quality manager a prendere decisioni: accettare una build, segnare una zona da ispezionare, confrontare dati di processo, ridurre il tempo di revisione manuale o generare documentazione.
Interspectral indica tra gli output attesi modelli AI on-premise adattati a macchine e condizioni produttive specifiche, un framework validato per la collaborazione AI tra siti e dimostratori reali in ambienti aerospace e difesa. Il progetto dovrebbe concludersi con una fase dimostrativa e con la diffusione dei risultati alla comunità della manifattura additiva.
Il problema della fiducia nell’AI industriale
Nell’industria, soprattutto quando si parla di parti critiche, non basta che un algoritmo “funzioni” in media. Serve capire come è stato addestrato, su quali dati, con quali limiti, con quale versione del modello e con quale catena di responsabilità. La tracciabilità del modello diventa quindi parte della tracciabilità del processo.
Scaleout Systems sottolinea concetti come provenienza del modello, versionamento, osservabilità della flotta e audit trail dell’addestramento. Questi elementi sono rilevanti perché un modello AI usato per il controllo qualità deve poter essere gestito come un asset industriale, non come un esperimento isolato.
Nel caso della produzione additiva, questo tema è ancora più evidente. Se un modello segnala una possibile anomalia in una zona del componente, l’azienda deve poter risalire al dato, al layer, al segnale, alla versione del modello e alla decisione presa. Senza questa catena, l’AI rischia di restare fuori dai processi di qualifica più esigenti.
Un progetto svedese con implicazioni più ampie
TRUSTAM nasce in Svezia, ma affronta un problema globale. Molte aziende che usano la stampa 3D industriale hanno macchine distribuite tra siti diversi, fornitori diversi o reparti con livelli di sicurezza differenti. In aerospace e difesa, la condivisione dei dati può essere limitata da contratti, proprietà intellettuale, normative o sicurezza nazionale. Nell’energia e nel medicale entrano in gioco anche requisiti di tracciabilità e validazione.
Un modello centralizzato classico richiederebbe di raccogliere dati da tutti questi ambienti in un unico luogo. È una soluzione potente dal punto di vista informatico, ma spesso difficile da accettare sul piano industriale. Il federated learning offre una strada diversa: far viaggiare l’apprendimento, non il dato grezzo.
Questo non elimina tutti i problemi. Bisogna comunque proteggere gli aggiornamenti del modello, gestire attacchi o dati non coerenti, validare le prestazioni su casi reali, evitare bias legati a macchine o materiali specifici e definire responsabilità chiare. Però introduce una struttura più adatta a settori in cui dati e proprietà intellettuale non possono essere trattati come risorse liberamente centralizzabili.
Cosa può cambiare per chi produce con la stampa 3D
Per un service industriale o un’azienda manifatturiera, un sistema come quello studiato da TRUSTAM potrebbe portare benefici in diverse aree.
La prima è la riduzione del lavoro manuale di ispezione. Oggi molti dati di monitoraggio devono essere esaminati da tecnici esperti. Un modello AI più robusto può aiutare a filtrare le aree sospette e concentrare l’attenzione sulle zone più importanti.
La seconda è la ripetibilità tra macchine e siti. Se una stessa famiglia di parti viene prodotta in stabilimenti diversi, diventa utile avere criteri di analisi più coerenti, pur mantenendo i dati locali.
La terza è la qualificazione. Un controllo qualità basato su dati strutturati, modelli versionati e report tracciabili può sostenere il passaggio dalla prototipazione alla produzione di parti finali.
La quarta è la protezione della proprietà intellettuale. Le aziende potrebbero contribuire a un ecosistema di apprendimento comune senza consegnare i propri file sensibili o i propri dati macchina a un soggetto centrale.
Non solo difetti: verso un controllo qualità continuo
Il controllo qualità nella stampa 3D non dovrebbe essere visto solo come il momento in cui si decide se un pezzo è buono o scartato. Nei processi più maturi diventa una catena continua: progettazione, simulazione, preparazione della build, monitoraggio, ispezione post-processo, analisi dei dati, correzione dei parametri e documentazione finale.
AM Explorer si colloca già in questa logica, perché unisce dati di simulazione, monitoraggio e analisi post-build in un ambiente 3D. TRUSTAM aggiunge il livello federato, cioè la possibilità di far crescere modelli AI distribuiti tra ambienti produttivi senza creare un unico deposito di dati.
Per l’additive manufacturing questo passaggio è rilevante perché la qualità non può essere separata dal processo. A differenza di una lavorazione tradizionale, in cui spesso il materiale di partenza è già certificato e la lavorazione rimuove materiale, nella stampa 3D il materiale e la geometria nascono insieme. La storia termica, la fusione, la solidificazione e le condizioni locali di ogni layer fanno parte della qualità finale del componente.
TRUSTAM mette insieme quattro competenze complementari: Interspectral per analisi dati, visualizzazione e piattaforma AM Explorer; Scaleout Systems per infrastruttura AI federata e machine learning distribuito; AMEXCI per produzione additiva industriale; Saab per applicazioni aerospace e difesa ad alto requisito di qualità.
Il progetto non promette una scorciatoia semplice alla qualificazione della stampa 3D. Lavora invece su un problema concreto: costruire sistemi AI capaci di imparare da più ambienti produttivi senza esporre dati sensibili. Per un settore in cui la qualità deve essere dimostrata, documentata e difendibile, questo approccio può diventare una componente importante del passaggio verso una produzione additiva più stabile e scalabile.
Il punto chiave non è solo usare l’intelligenza artificiale per trovare difetti. È creare un’infrastruttura in cui i dati restano protetti, i modelli migliorano con l’esperienza distribuita e il controllo qualità diventa parte integrante del flusso produttivo. TRUSTAM prova a portare questa logica dentro la stampa 3D industriale, partendo da un consorzio svedese ma affrontando una sfida che riguarda tutta la manifattura additiva avanzata.
