3D printers leave hidden 'fingerprints' that reveal part origins

伊利诺伊大学厄巴纳-香槟分校机械科学与工程教授比尔·金领导的研究团队发现，通过增材制造（亦称3D打印）生产的零件携带特定制造设备的独特标记。这一发现催生出一套人工智能系统，可从零件照片中检测此类标记（或称"指纹"），并追溯其生产源头。

"我们至今仍惊叹于此技术的有效性：即便在两台完全相同的设备上——相同型号、相同工艺参数、相同材料——打印相同设计的零件，每台设备仍会留下可供AI模型追溯的独特指纹，"金教授表示。"这意味着我们能精确判定产品的制造地点与工艺，无需再轻信供应商的单方面承诺。"

此项研究成果近期发表于《自然》合作期刊《先进制造》。

金教授指出，该技术对供应商管理与质量控制具有重大意义。当制造商委托供应商生产产品零件时，供应商通常承诺采用特定设备、工艺及工厂流程，未经许可不得擅自变更。然而该条款难以有效监管，供应商常在未告知情况下变更制造工艺或使用材料。此类变更通常无害，但也可能引发最终产品的严重问题。

"现代供应链建立在信任基础上，"金教授解释道，"合作初期会通过审计和实地考察进行尽职调查。但对多数企业而言，持续监控供应商并不现实。制造工艺的变更可能长期未被察觉，直到出现次品批次才暴露问题。制造业从业者都有类似经历：供应商擅自改动流程导致重大事故。"

金教授课题组在研究3D打印机可重复性时，注意到零件尺寸公差与具体设备存在关联。这一现象促使研究人员深入分析零件照片，最终实现通过"生产指纹"精准识别制造设备、工艺流程及所用材料。

"这些制造指纹一直存在于显眼之处，"金教授强调，"全球现有数千台3D打印机，数千万3D打印零件应用于飞机、汽车、医疗器械、消费品等领域。每个零件都携带可通过AI识别的独特签名。"

课题组开发的人工智能模型能通过智能手机拍摄的照片识别生产指纹。该模型基于大规模数据集训练，涵盖六家企业、21台设备、四种不同制造工艺生产的9,192个零件照片。模型校准阶段发现，仅需零件表面1平方毫米区域即可实现98%的指纹识别准确率。

"研究结果表明，AI模型仅需10个零件样本训练即可做出精准预测，"金教授指出，"通过少量供应商样品，即可验证其后续全部交付物。"

金教授认为该技术有望彻底变革供应链管理：制造商能在生产早期发现问题，节省追溯错误根源的时间和资源。该技术同样适用于非法制品的来源追踪。

迈尔斯·比姆罗斯、戴维斯·麦格雷戈、查理·伍德与萨梅·陶菲克亦对本研究作出贡献。