【

具体实施方式

】

图1示出了根据本发明的实施方式的用于制造三维(3D)零件并检测制造过程违规的系统1的示意图。

制造过程违规检测依赖于3D零件的系谱，如下面详细解释的。系谱包括至少包含与3D零件的实际制造相关的数据的数据。

制造过程违规可以通过分析系谱来检测，在系谱中，一个或几个制造实际参数或步骤不同于预期提供指定3D零件的一个或多个拷贝的同源标称参数或步骤(homologousnominal parameters or steps)，由此，所述系谱是所述意外的。

在所例示的实施方式中，系统1包括：用于制造3D零件的第一子系统2，该第一子系统2被配置为将标记插入到所制造的3D零件中，以获得标记的3D零件P_mark；和用于制造过程违规检测的第二子系统4，该第二子系统4被配置为从标记的3D零件读取标记，然后在此基础上检索并分析标记的3D零件的系谱，并且在该分析示出在标记的3D零件的制造期间可能已经发生违规时最终发出安全警报。标记包括或允许访问与3D零件相关联的系谱数据。

在所例示的实施方式中，系谱数据用于检测制造过程违规，并在检测之后发出安全警报。意外的标记3D零件系谱可能是由于违规了标记3D零件的制造过程的安全性。这种违规可能是由在标记的3D零件的制造期间对制造过程安全性或制造系统的安全性的攻击引起的。

在实施方式中，当检测到标记的3D零件的制造过程违规时，获得具有类似违规的制造过程的至少一个补充的标记的(supplementary marked)3D零件。

第一子系统2和第二子系统4实际上可以放置在不同的地理位置，并且可以由不同的实体操作。在实施方式中，第一子系统2由3D零件制造商操作，而第二子系统4由安全评估操作员或安全认证机构操作。

第一子系统2包括3D零件计算机辅助制造系统6，该系统包括接收输入制造数据8的制造机器，例如在实施方式中为3D打印机。

打印材料9也作为输入提供给制造系统6。

输入制造数据8包括几个数据集：

-与3D零件的形状有关的数据8A，例如,包括零件的3D模型的CAD文件；

-与所需打印材料及其所需特性有关的数据8B；

-与制造参数有关的数据8C，通常记录在计算机辅助制造文件(CAM)中。

最后，输入制造数据8包括适用的规章约束。

输入制造数据通常取决于制造过程(例如增材或减材)以及制造装置的类型。

此外，数据8D由传感器在制造本身期间收集，例如关于增材制造过程中的各个层。这种数据8D分别包括操作和环境参数，例如激光和扫描参数(例如激光平均和峰值功率、频率或偏振、或扫描策略或速度)以及构建环境参数(例如环境温度、压力、湿度和氧气水平)。数据8D还可以包括在制造期间传感器捕获的照片/视频。

在实施方式中，这些数据集8A、8B、8C、8D中的每一个都被例如以文件记录在专用网络地址处。

根据另选实施方式，数据集8A、8B、8C、8D被共同存储(jointly memorize)，并且可以在唯一的网络地址处访问。

根据实施方式，数据集8A、8B、8C、8D中的一个或几个被压缩，并且进一步以压缩格式存储。

优选地，数据集8A、8B、8C、8D被存储在可由处理系统读取的非暂时性存储装置上，例如服务器系统的非暂时性储存器，诸如可通过直接连接、有线或无线或其组合访问的随机存取存储器(RAM)、只读存储器(ROM)、远程访问硬件驱动器(常规硬盘驱动器或云储存器)。

优选地，数据集8A、8B、8C、8D被存储在集中式或分布式储存器中，诸如集中式或分布式数据库、或者区块链启用的分类账。

系谱数据由输入制造数据8A、8B、8C、8D的至少一部分形成。

在实施方式中，系谱数据包括所有数据集8A、8B、8C、8D。

在下文描述的实施方式中，系谱数据包括数据集8D的至少一部分。

系谱数据指示10被提供给将在下文中详细描述的标记计算模块18。

系谱数据指示10是允许访问系谱数据的指示(诸如网络地址)，或者是压缩或未压缩格式的系谱数据本身，或者是部分系谱数据和允许访问系谱数据的其余部分的一个或几个网络地址的组合。

3D零件12或者由制造系统6完全制造和输出，或者部分制造，并且其制造在标记计算期间由制造系统6暂停，在标记计算之后，共同地，完成制造，并且执行标记插入。

唯一标识符计算模块14计算3D零件12的唯一标识符(UID)16。

在优选实施方式中，唯一标识符计算模块14计算3D零件12的物理不可克隆函数(缩写为PUF)。唯一标识符16是3D零件12的所获得的PUF值或者是基于3D零件12的所获得的PUF值来计算。

有利地，唯一标识符16固有地联系到3D零件12。

可以使用任意已知的用于计算PUF的方法，但是其实质不是本发明的目的一部分。例如，3D零件的物理不可克隆函数是构成它的材料或至少一种材料的随机物理特性中固有的3D零件的随机物理特性，诸如电磁颗粒的方位或可通过光谱测定法检测的化学分子的分布。有利地，物理不可克隆函数值对于各个制造的3D零件是不可预测的，因此是特定的，并且对于任意两个3D零件是不同的，即使它们是使用相同的输入制造数据和相同的制造条件串行制造的。因此，制造商不能制造具有与给定第一零件相同PUF值的第二零件，即克隆第一零件。

唯一标识符计算模块14包括适于计算所选择的物理不可克隆函数的装置，例如扫描仪或光谱仪。

根据实施方式，在增材制造或注射成型的背景下，修改制造，以引入物理不可克隆函数。例如，当使用第一打印材料时，添加第二打印材料，第二打印材料具有与第一打印材料的机械特性类似的机械特性，但具有随机物理特性。

根据另一变型，将半导体材料插入到3D零件中，并且基于所插入的半导体材料的电导率(例如基于热运动或基于半导体材料的杂质)来计算物理不可克隆函数，杂质是随机特性，使得所述电导率本身是随机特性。

UID 16通过标记计算模块18与系谱数据指示10密码地组合，以获得系谱信息，该系谱信息然后被编码在要插入3D零件中的标记20中。

例如，系谱数据指示10用预定的密钥加密算法加密，唯一标识符UID用作密钥。标记20是加密的结果或者是对加密结果进行编码的一条信息。

例如，标记20是字母数字串、QR码或条形码，其对系谱数据指示10和UID的密码组合的结果进行编码。

当被解码且得到的系谱信息被密码地重组时，标记20允许访问3D零件的系谱数据指示10，因此提供了对系谱数据本身的访问。

有利地，标记20对于各个3D零件是唯一的，因为它基于3D零件的PUF值来计算，所以标记的3D零件24是不可克隆的，因此，标记20提供了其系谱数据在标记的3D零件24内的不可篡改的锚定。由此，基于唯一标记的3D零件24提供了对系谱的不可篡改访问。

根据实施方式，标记计算模块18是可以由电子计算装置的一个或几个处理器执行的程序代码的形式。在另选方案中，标记计算模块18被制成诸如FPGA(现场可编程门阵列)的可编程逻辑部件的形式或者诸如ASIC(专用集成电路)的专用集成电路的形式。

标记插入模块22将所获得的标记20插入3D零件的表面或体积内部。最后，获得标记的3D零件24。

例如，当标记20是QR码或条形码时，该标记作为整体或一块一块地打印在3D零件的外表面或内层上。内层上的打印实现了将标记插入3D零件的体积内。

在子系统2的另选实施方式中，模块14、18和22集成在制造系统6内。

根据另一另选方案，模块14、18和22集成在连接到打印机6的同一装置(未表示)中。

使用第一子系统2获得的标记的3D零件可以用于各种操作背景中。

处理标记的3D零件30，以便由第二子系统4读取标记。

第二子系统4包括与已经描述的唯一标识符计算模块14类似的唯一标识符计算模块32。

唯一标识符计算模块32例如通过计算标记的3D零件30的物理不可克隆函数来计算标记的3D零件30的UID。唯一标识符(UID)34是标记的3D零件30的所获得的PUF值或者基于标记的3D零件30的所获得的PUF值来计算。所计算的物理不可克隆函数与由第一子系统2的唯一标识符计算模块14针对给定3D零件计算的物理不可克隆函数相同，并且UID以与由第一子系统2的唯一标识符计算模块14计算的相同方式基于所获得的PUF值来计算。因此，假设标记的3D零件30没有显著改变，则所获得的PUF和UID值等于由第一子系统2的唯一标识符计算模块14获得的PUF和UID值。

此外，第二子系统4包括标记读取模块36，该标记读取模块被配置为读取第一子系统1的标记插入模块22插入的标记，并对读取的标记进行解码，以获得由该标记编码的系谱信息。例如，在标记是QR码的情况下，标记读取模块36包括从QR码获得编码的系谱信息的扫描仪和图像处理工具。

因此，假如所标记的3D零件30没有显著改变，则所读取的标记和所获得的系谱信息值分别等于由第一子系统2的标记插入模块22插入的值和由标记计算模块18计算的值。

系谱信息和UID 34被提供给计算模块40，该计算模块被配置为提取系谱数据指示，这通过密码地重组UID 34和由标记38编码的系谱信息来允许访问系谱数据42。与第一子系统2中相同，系谱数据指示是系谱数据本身，或者是所存储的系谱数据的指示，诸如网络地址。

密码重组联系到由第一子系统的标记计算模块18应用的密码组合。例如，密码重组在于以UID作为密钥来应用解密，解密算法对应于由标记计算模块18应用的加密算法。

因此，假如标记的3D零件30没有显著改变，则所提取的系谱数据指示等于提供给第一子系统2的标记计算模块18的系谱数据指示。

在实施方式中，计算模块40递送系谱数据42的一个或几个网络地址，作为输出。最后，检索分别对应于上述数据集8A、8B、8C、8D的系谱数据的一个或几个数据集42A、42B、42C、42D。

在实施方式中，检索所有数据集42A、42B、42C和42D，包括输入制造数据和在制造过程本身期间收集的制造数据。

假如标记的3D零件30没有显著改变，则所检索的42A、42B、42C和42D中的数据集等于8A、8B、8C和8D中的同源数据集。相反，所检索的数据集本身不可用，并且处理被中断。

根据实施方式，模块32、36和40集成在同一装置内。

所获得的系谱数据42被提供给用于检测制造违规的系统3。

在实施方式中，子系统3包括模块45，该模块被配置为通过应用人工智能机器学习算法来生成用于制造过程违规检测的分类装置，如下文更详细地描述的。

在实施方式中，分类装置存储在电子存储器46中。

模块48被配置为将分类装置应用于从标记的3D零件检索的系谱数据，然后决定是否已经发生制造过程违规检测。

分类装置允许用系谱类别的预定集合中的一个系谱类别的标识符来标记系谱。该系谱类别的预定集合包括未违规(即，没有示出制造过程违规)系谱类别和至少一个违规(即，示出制造过程违规)系谱类别。可以定义至少两个违规系谱类别，以例如根据它们示出的制造过程违规的类型来区分违规的系谱。到分类结束时，可以将标记的3D零件的系谱数据与形成系谱类别的预定集合的类别描述的存储参数进行比较。

例如，系谱数据可以示出3D零件30在具有低于标称温度阈值的温度的环境中制造，并且可以知道这种低温可能由对制造过程的给定类型的攻击引起。

在实施方式中，可以由警报发出模块50发出警报。

在另一实施方式中，可以检索制造被类似地违规的至少一个附加3D零件。

作为补充，实现了安全评估、保证和/或改进。

优选地，制造违规的检测以可以由电子计算装置的一个或多个处理器执行的程序代码的形式来实施。在另选方案中，制造违规的检测以诸如FPGA(现场可编程门阵列)的可编程逻辑部件的形式或者诸如ASIC(专用集成电路)的专用集成电路的形式进行。

图2是由制造和制造过程违规检测系统的第一子系统2进行的用于制造3D零件的方法的实施方式的主要步骤的框图。

该方法包括由下文描述的步骤52至64形成的补充阶段，该补充阶段在3D零件的制造期间或在3D零件已经被制造之后被应用。

应用3D零件的唯一标识符(UID)的计算52。例如，计算3D零件的物理不可克隆函数(PUF)。可以应用任意已知的用于计算PUF的方法。

3D零件的UID是PUF的值，或者从PUF的值计算，例如通过将诸如散列函数或加密函数的预定密码函数应用于PUF值。

根据另选实施方式，通过递增序列号或者通过生成随机值来获得3D零件的唯一标识符。

接下来，在接收步骤54接收系谱数据，该系谱数据包括与输入的制造数据和3D零件的实际制造条件有关的各种数据集。

例如，如上所述，系谱数据包括在制造期间收集的数据8D，并且还可以包括与3D零件的形状有关的数据8A、和/或与打印材料及其所需材料特性有关的数据8B、和/或与制造参数相关的数据8C。

系谱数据可以以数据集本身的形式或者以允许访问数据集的一个或几个地址的形式来接收。另选地，系谱数据可以以系谱数据子集的形式或者以允许访问系谱数据子集的一个或几个地址的形式逐条接收。

在实施方式中，在压缩步骤56中，通过用于该目的任意已知的装置压缩系谱数据的至少一个子集，并且与系谱数据子集相关联地存储所得到的摘要。

最后，在步骤58获得系谱数据指示，该指示可以是比特流形式或字符串形式，例如指示网络地址。

如果为形成系谱数据的数据集提供了若干网络地址，则将这些网络地址例如级联(或聚集)成字符串。

将唯一标识符和系谱数据指示提供给密码组合步骤60，以便计算系谱信息。

例如，应用基于密钥的对称加密算法，以使用UID作为密钥来加密系谱数据指示。例如，应用算法AES(高级加密标准)。

接下来，根据系谱信息计算要插入3D零件的体积上或体积内的标记(步骤62)。

例如，计算QR码，该QR码是编码系谱信息的黑白像素的矩阵。

然后在标记步骤64将标记插入3D零件。例如，将QR码形式的标记打印在3D零件的外表面上。

根据另选方案，将标记打印在3D零件的内表面上或内部体积内，因此在完全实现3D零件的制造之前计算标记。在该另选方案中，在计算标记之后，完成3D零件的制造，并且执行在3D零件的内表面上或内部体积内的标记的打印。

图3是基于系谱数据的制造过程违规检测方法的主要步骤的框图。

该方法包括：获得检查标记的3D零件的请求(步骤70)，该3D零件例如为呈现故障的标记的3D零件、或者操作背景呈现故障的标记的3D零件。

我们将操作中的3D零件的操作背景称为系统，3D零件在该系统的操作中是子系统。例如，飞行器可以被认为是其一个机翼、该机翼的高升力襟翼或该高升力襟翼的铆钉的操作背景。飞行器机翼可以被认为是其一个高升力襟翼或者该高升力襟翼的铆钉的操作环境。

接下来，应用标记读取步骤72。通过适当的装置，例如通过光学读取装置，诸如用于读取QR码图像的扫描仪，来读取先前插入在标记的3D零件的表面上或体积内的标记。

在解码步骤74中，对标记进行解码，以获得与标记的3D零件相关联的系谱信息。

此外，在步骤76，例如通过计算标记的3D零件的物理不可克隆函数(PUF)来计算标记的3D零件的唯一标识符(UID)。

类似于已经描述的步骤52，标记的3D零件的UID是PUF的值，或者从PUF值计算，例如通过将诸如散列函数的预定密码函数应用于PUF值。

与标记的3D零件相关联的UID和系谱信息作为输入提供给步骤78，用于通过密码重组来计算系谱数据指示。

密码重组对应于在前述步骤60中应用的密码组合。例如，应用基于密钥的对称解密算法，以使用UID作为密钥来解密系谱数据指示。例如，应用算法AES(高级加密标准)。

然后在步骤80中处理系谱数据指示，以获得系谱数据本身。如果系谱数据被压缩，则应用对应的解压缩。

如果通过级联(concatenating)(或聚集(aggregating))系谱数据集或系谱数据集的网络地址获得了系谱指示，则应用对应的去级联(de-concatenation)(或解聚(de-aggregation))。

如果系谱数据指示是网络地址，则获得对应的数据集。根据另选实施方式，系谱数据指示表示系谱数据本身，并且跳过步骤80。

最后，假如读取的标记实际上是在制造阶段期间附加或插入的标记，并且3D零件的计算的UID与在制造期间计算的UID相同，则获得与标记的3D零件相关联的系谱数据。

接下来，在处理步骤82处理系谱数据，以实现制造过程违规检测。

在实施方式中，制造过程违规检测包括：应用分类器来将所检索的系谱分类到若干预定类别中的一种，并且基于分类的结果来决定在所检查的标记的3D零件的制造期间是否发生制造过程违规。在先前的分析步骤中生成分类器和预定类别84，并且随后存储它们。如下文进一步详细描述的，先前的分析步骤应用监督的或无监督的方法。

在实施方式中，在制造过程违规检测之后，发出安全警报(步骤86)，这可以包括：将安全警报发送给标记的3D零件的制造商和/或制造标记3D零件的客户。

在实施方式中，在基于给定的标记的3D零件的系谱检测到制造过程违规之后，实施识别具有类似被违规的制造过程的至少一个附加的标记的3D零件的步骤88。

该至少一个附加标记的3D零件的系谱被检索为被分类在与给定标记的3D零件的系谱相同的类别中。然后，附加标记的3D零件的标识符被检索为与其系谱相关联地存储。因此，附加标记的3D零件本身可以例如通过制造商或其客户的数据库或任意其他类型的数据储存器来获得，这允许在操作中定位附加标记的3D零件。然后，在类似于步骤72到80的步骤中，可以利用附加标记的3D零件的系谱到该3D零件中的不可篡改的锚定，以便安全地检索其系谱。然后，将该检索的系谱与附加标记的3D零件的系谱相比较，以安全地验证其实际上是否相同。如果比较成功，即如果两个系谱都相同，则附加标记零件比起最初被识别为对应于附加标记的3D零件的系谱更安全地被识别为具有该系谱，这是由于使用了3D零件的系谱到该零件中的不可篡改的锚定。

图4是根据实施方式的生成分类装置的方法的主要步骤的框图。

在该实施方式中，提供了大量3D零件系谱作为被称为训练数据集的输入。

该实施方式意味着大量的计算，并且优选地使用例如根据分布式计算系统或云计算系统组织的多个处理器来实施。

将标签与训练数据集的一些或所有3D零件系谱相关联(步骤90)。

如果训练数据集的各个系谱的预期类别是已知的，并且还作为输入提供给生成分类装置方法，那么训练数据集的各个系谱用其预期类别的标识符来标记。

如果训练数据集的一些系谱的预期类别是已知的，并且还作为输入提供给生成分类装置方法，那么训练数据集的各个有关系谱用其预期类别的标识符来标记。

如果训练数据集的各个系谱的预期类别未知，那么首先使用任意人工智能非监督方法(例如异常检测或聚类方法)来确定训练数据集的系谱的类别。

为了确定训练数据集的系谱的类别，应用人工智能(AI)异常检测算法(步骤92)来识别训练数据集的系谱中的离群值。例如，该异常检测算法选自：局部离群因子(LocalOutlier Factor)、孤立森林(Isolation Forest)、一类支持向量机(One-class SupportVector Machine)或任意其它离群值检测算法，包括使用聚类算法(诸如对具有噪声的应用的分层聚类和基于密度的空间聚类)来检测离群值。

例如，如在孤立森林的情况下基于由异常检测算法产生的异常分数，或者通过比较离群值和正常值距正常值的质心的距离，或者通过评估所识别的异常程度的任意其他装置，来计算各个离群值的异常程度的分数(步骤94)。

然后根据任意类型的分类算法对离群值和正常值进行分类，分类算法包括深度神经网络、卷积神经网络、随机森林(Random Forest)、极端梯度提升、朴素贝叶斯、支持向量机、逻辑回归(步骤96)。

将训练数据集的各个系谱与对应于其分类的标签相关联地存储(步骤98)。

最后，在所有情况下，用训练数据集训练机器学习算法，以获得分类装置，也称为分类器。输出并存储表征系谱类别的参数值列表(步骤100)，该参数列表取决于所选择的分类算法，并形成分类装置，该分类装置将应用于标记的三维零件系谱，以便检测其制造过程中的违规。