KI-Technologie entschlüsselt Herkunft von 3D-gedruckten Teilen

Auch wenn die Merkmale auf den ersten Blick kaum zu erkennen sind: Identisch konstruierte 3D‑gedruckte Bauteile zeigen maschinenspezifische Unterschiede. Ein Forscherteam der University of Illinois Urbana-Champaign hat eine auf KI-Algorithmen basierende Methode entwickelt, diese Merkmale zur Rückverfolgung des Produktionsweges bis zum Ursprungsdrucker zu nutzen.

Der Leiter des Forschungsteams, Professor Bill King, erklärte, dass jedes 3D‑gedruckte Bauteil subtile Unterschiede aufweist, selbst wenn baugleiche Maschinen unter identischen Bedingungen drucken. Individuelle Merkmale des jeweiligen 3D-Druckers verursachen diese Unterschiede, die sich in winzigen, für das menschliche Auge oft unsichtbaren Oberflächenmerkmalen, den sogenannten "Fingerabdrücken", zeigen.

King war nach eigenen Worten erstaunt darüber, dass die Methode so klare Ergebnisse liefert. "Wir waren selbst überrascht, dass es funktioniert. Zwei identische Maschinen, dieselben Einstellungen, gleiches Material – trotzdem erkennt die KI exakt, welche Maschine welches Teil gefertigt hat." Dabei geht es nicht nur um die Prüfung von Prototypen und Kleinserien, mit denen Maker häufig zu tun haben. Die Technologie schafft neue Möglichkeiten für das Lieferkettenmanagement und die Qualitätssicherung in der additiven Fertigung.

Qualitätssicherung auf neuem Level

Das KI-System analysierte über 9.000 fotografierte Bauteile, die 21 Maschinen von sechs verschiedenen Unternehmen mit vier unterschiedlichen Verfahren herstellten. Ein Bildausschnitt von nur einem Quadratmillimeter genügte dabei, um die Herkunft mit 98-prozentiger Genauigkeit zu bestimmen. Die KI benötigt lediglich zehn Beispielteile, um künftig alle Lieferungen eines bestimmten Drucksystems zu verifizieren. Neben dem Einsatz in der Industrie sieht das Forscherteam auch ein Potenzial in der Nachverfolgung illegal hergestellter Produkte, etwa im Bereich Produktpiraterie.

Unternehmen erhoffen sich durch das Verfahren mehr Transparenz und Kontrolle bei der Überwachung von Zulieferern. Bisher stützten sie sich bei der Einhaltung von Produktionsvorgaben meist auf Vertrauen und stichprobenartige Audits. Änderungen an Prozessen oder Materialien blieben dabei oft unentdeckt – mit potenziell gravierenden Folgen. Die Forscher veröffentlichten ihre Ergebnisse im Fachjournal "Advanced Manufacturing" unter dem Titel "Additive manufacturing source identification from photographs using deep learning".

(usz)