CN107206495A - 用于模拟添加制造体的系统和方法 - Google Patents
用于模拟添加制造体的系统和方法 Download PDFInfo
- Publication number
- CN107206495A CN107206495A CN201680007648.9A CN201680007648A CN107206495A CN 107206495 A CN107206495 A CN 107206495A CN 201680007648 A CN201680007648 A CN 201680007648A CN 107206495 A CN107206495 A CN 107206495A
- Authority
- CN
- China
- Prior art keywords
- layer
- particle
- pixel
- bianry image
- metal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/20—Direct sintering or melting
- B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/31—Calibration of process steps or apparatus settings, e.g. before or during manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/80—Data acquisition or data processing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/10—Processes of additive manufacturing
- B29C64/141—Processes of additive manufacturing using only solid materials
- B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y10/00—Processes of additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
- G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/40—Minimising material used in manufacturing processes
Abstract
公开了用于创建添加制造的金属体的三维体积质量模型的方法。在一个实施例中,方法包括添加制造金属体的每个金属层。获得第一金属层的一个或多个图像。处理图像以检测并且映射第一金属层中的潜在的制造缺陷。根据三维CAD模型生成第一金属层的二维轮廓。映射的缺陷集成到二维轮廓中。基于集成的二维轮廓创建金属体的三维体积质量模型的第一层。
Description
相关申请的交叉引用
本申请是于2015年1月29日提交的、标题为“Methods for Creating Three-Dimensional Volume Quality Models of Additively Manufactured Metal Bodies”的美国申请序列号62/109,411的非临时申请并且要求其优先权,通过引用将其全部内容合并至此。
背景技术
添加制造可以用来经由计算机控制构建金属体的连续层。作为添加制造过程的结果,金属体中的缺陷可能发生。
技术领域
广泛地,本公开涉及用于创建添加制造的金属体的三维体积质量模型的系统和方法。更具体地,本公开针对利用在AM构建期间获得的图像并且处理那些图像以提取指示在构建期间在AM零件上就地检测到的缺陷的信息的系统和方法。
发明内容
广泛地,本专利申请涉及用于创建添加制造的金属体的三维体积质量模型的系统和方法。更具体地,本公开针对利用在AM构建期间获得的图像并且处理那些图像以提取指示缺陷(例如,拖动、超高和/或热事件)的信息。
在一些实施例中,遍及AM构建或者在构建内的离散时间期间发生的事件可以导致具有畸变和/或收缩的AM零件中的剩余应力、热传导和/或过程参数。在构建期间(在AM期间就地)畸变和/或收缩的两个非限制性指示包括所构建零件内的特性,包括:拖动(例如,不均匀的粉末分布)和超高(高于阈值构建高度的高度)。构建中的畸变和/或问题的两个指示包括不均匀的温度和/或不均匀的零件质量。
在一些实施例中,提供用于在AM零件构建期间检测和量化拖动的系统和方法。在一些实施例中,提供用于在AM零件构建期间检测和映射拖动的系统和方法。在一些实施例中,提供用于检测和量化在AM零件构建期间发生的超高的系统和方法。在一些实施例中,提供用于在AM零件构建期间检测和映射超高的系统和方法。在一些实施例中,提供用于在AM零件构建期间检测和量化热事件(峰值温度)的系统和方法。在一些实施例中,提供用于在AM零件构建期间检测和映射热事件(峰值温度)的系统和方法。
在一些实施例中,提供用于对于在AM零件构建期间发生的缺陷创建三维质量模型的系统和方法。
在一些实施例中,提供用于对于在AM零件构建期间发生的拖动创建三维质量模型的系统和方法。在一些实施例中,提供用于对于在AM零件构建期间发生的超高创建三维质量模型的系统和方法。在一些实施例中,提供用于对于在AM零件构建期间发生的热事件(缺陷)创建三维质量模型的系统和方法。
在一些实施例中,提供用于对于在AM零件构建期间发生的热事件(缺陷)创建三维质量模型,并且将模型与NDE测试评估(CT、X射线和/或UT)相比较的系统和方法。
在一些实施例中,提供用于创建三维质量模型的系统和方法,三维质量模型被配置为能够在AM零件生产期间较早地检测指示“停止构建”事件的缺陷。在一些实施例中,提供用于创建三维质量模型的系统和方法,三维质量模型被配置为能够在AM零件生产期间较早地检测缺陷并且调整AM过程参数以便改善/修补缺陷。
在一方面,提供一种方法,包括:(A)使用相机获得第一数字图像,其中第一数字图像具有粉末床(powder bed)的至少一部分,粉末床包括分布在添加制造体的一层上的一层金属粉末;其中第一数字图像具有多个像素;其中多个像素中的每个像素具有特定强度值;(B)由处理器将第一数字图像转化成具有非拖动粒子的第一二值图像;(C)由处理器从第一二值图像中过滤非拖动粒子;(D)由处理器将第一二值图像中所有剩余粒子识别成与金属粉末层的铺开(spreading)步骤(A)相关联的拖动粒子;(E)由处理器映射与金属粉末层的铺开步骤(A)相关联的拖动,其中映射包括映射关于金属粉末层的每个各自拖动粒子的一系列位置坐标(例如,x、y、z位置)、大小和类型;(f)以列表形式登记映射;(g)对于连续数量的层重复(a)-(f)以创建包括关于每层的列表的缺陷登记列表;(h)由处理器将3D CAD模型转换成关于每层的2D轮廓;(i)由处理器从关于单个层的登记列表中提取检测到的缺陷的坐标,并且嵌入/映射到关于那个层的相应2D轮廓中;(j)对于所有层重复g&h,以产生包括位于每层的所有检测到的缺陷的金属体的三维体积质量模型。
在一方面,提供一种方法,包括:(A)获得粉末床的至少一部分的第一数字图像,粉末床包括分布在添加制造体的一层上的一层金属粉末;其中第一数字图像具有多个像素;其中多个像素中的每个像素具有特定强度值;(B)将第一数字图像转化成具有非拖动粒子的第一二值图像;(C)从第一二值图像中过滤非拖动粒子;(D)将第一二值图像中所有剩余粒子识别成与金属粉末层的铺开步骤(A)相关联的拖动粒子;(E)映射与金属粉末层的铺开步骤(A)相关联的拖动,其中映射包括每个各自拖动粒子的位置和大小;(F)至少部分基于与金属粉末层的铺开步骤(A)相关联的每个拖动粒子的位置和大小,创建金属体的三维体积质量模型的第一层。
在一方面,提供一种方法,其中转化步骤还包括:(i)确定多个像素的全局平均强度值;(ii)将超过阈值的任何特定强度值重置成等于全局平均强度值;(iii)对于多个像素中的每个像素,确定局部平均强度值;(iv)从局部平均强度值中减去多个像素中的每个像素的特定强度值,由此对于多个像素中的每个像素,确定经背景校正的强度值;(v)使用每个像素的所确定的经背景校正的强度值取代它的特定强度值;以及(vi)对数字图像执行阈值运算,由此创建第一二值图像;其中第一二值图像具有多个二值像素;而且其中多个二值像素包括多个粒子。
在一方面,过滤步骤还包括:(i)在多个二值像素中的每个二值像素上执行x轴闭运算;(ii)从第一二值图像中移除粒子宽度小于阈值宽度的所有粒子;(iii)从第一二值图像中移除粒子伸长率低于阈值比率的所有粒子;(iv)对第一二值图像执行膨胀运算;(v)确定第一二值图像的每行中开像素的数量;(vi)确定第一二值图像的每行中粒子的数量;以及(vii)对于第一二值图像的行中的任何像素,将任何开像素切换成关像素,其中该行具有小于阈值开像素数量的开像素数量,或者大于阈值粒子数量的粒子数量。
在一方面,映射步骤包括:(i)确定第一二值图像中每个拖动粒子的位置;(ii)确定每个拖动粒子的大小,其中包括每个拖动粒子的像素的总数量代表每个各自拖动粒子的大小;以及(iii)将每个拖动粒子的位置和大小映射到粉末床中各自的位置。
在一方面,提供一种方法,包括:(A)利用相机获得粉末床的至少一部分的第一数字图像,粉末床包括分布在添加制造体的一层上的一层金属粉末以及指示添加制造部分的固化的熔化金属的一部分;其中第一数字图像具有多个像素;其中多个像素中的每个像素具有特定强度值;(B)使用处理器经由矩量保持(moment-preserving)阈值运算将第一数字图像第一转化成第一初始二值图像;其中第一初始二值图像具有包括开像素的第一多个粒子;(C)使用处理器经由预先确定的阈值运算将第一数字图像第二转化成第一替代二值图像;其中第一替代二值图像具有包括开像素的第二多个粒子;(D)使用处理器从第一替代二值图像中过滤至少一些非超高粒子,其中过滤包括:(i)从第一替代二值图像中移除开像素数量小于开像素的阈值数量的所有粒子,由此创建第一经过滤的二值图像;(E)将第一初始二值图像与第一经过滤的二值图像相乘,由此创建第一相乘二值图像;其中第一相乘二值图像具有包括开像素的第三多个粒子;(F)将第三多个粒子识别成与步骤(A)中添加制造部分相关联的超高粒子;(G)映射超高,其中映射包括:
(i)确定第一相乘二值图像中每个超高粒子的位置;
(ii)确定第一相乘二值图像中每个超高粒子的大小,
其中包括每个超高粒子的像素的总数量代表那个超高粒子的大小;(iii)将每个超高粒子的位置和大小映射到金属体中各自的位置;以及(H)至少部分基于映射步骤创建金属体的三维体积质量模型的第一层。
在一方面,提供一种方法,包括:(A)使用相机获得伴随添加制造AM体的熔池的红外图像的第一顺序集合;其中每个红外图像包括多个像素;其中多个像素中的每个像素具有特定强度值;(B)将第一顺序集合的每个红外图像的每个像素的特定强度值与温度相关;(C)映射与来自步骤(A)的熔池的那个相关联的峰值温度,其中映射包括:(i)确定第一顺序集合的每个红外图像中的峰值温度点;其中每个峰值温度点对应于代表每个各自红外图像中最高温度的像素;(ii)确定每个峰值温度点在它的各自红外图像中的位置;(iii)将每个峰值温度点在它的各自红外图像中的位置映射到第一金属层上的位置,由此创建第一金属层的第一数字温度映射;(D)基于映射步骤(C)创建金属体的三维体积质量模型的第一层。
在一个实施例中,创建添加制造金属体的三维体积质量模型的方法包括:在粉末床上铺开金属粉末的第一层;(例如,使用激光器)选择性地熔化金属粉末的第一层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;将熔化金属固化成金属体的第一金属层;以及在粉末床上铺开金属粉末的第二层。方法也可以包括获得粉末床的至少一部分的第一数字图像,其中第一数字图像具有多个像素,并且其中多个像素中的每个像素具有特定强度值。
方法也可以包括将由于数字相机的位置和视角而可能具有透视畸变的第一数字图像校准和校正成经校正的数字图像,在经校正的数字图像中,每个图像像素的位置与粉末床中各自的位置有关。
方法也可以包括将第一数字图像转化成第一二值图像,其中转化包括:确定多个像素的全局平均强度值;将超过阈值的任何特定强度值重置成等于全局平均强度值;对于多个像素中的每个像素,确定局部平均强度值;从局部平均强度值中减去多个像素中的每个像素的特定强度值,由此对于多个像素中的每个像素,确定经背景校正的强度值;使用每个像素的所确定的经背景校正的强度值取代它的特定强度值;以及对数字图像执行阈值运算,由此创建第一二值图像;其中第一二值图像具有多个二值像素,而且其中多个二值像素包括多个粒子。方法可以包括从第一二值图像中过滤非拖动粒子,其中过滤包括:在多个二值像素中的每个二值像素上执行x轴闭运算;从第一二值图像中移除粒子宽度小于阈值宽度的所有粒子;从第一二值图像中移除粒子伸长率低于阈值比率的所有粒子;对第一二值图像执行膨胀运算;确定第一二值图像的每行中开像素的数量;确定第一二值图像的每行中粒子的数量;对于第一二值图像的行中的任何像素,将任何开像素切换成关像素,其中该行具有小于阈值开像素数量的开像素数量,或者大于阈值粒子数量的粒子数量;将第一二值图像中所有剩余粒子识别成与铺开第二层步骤相关联的拖动粒子;以及映射与铺开第二层步骤相关联的拖动。映射拖动的步骤可以包括:确定第一二值图像中每个拖动粒子的位置;确定每个拖动粒子的大小,其中包括每个拖动粒子的像素的总数量代表每个各自拖动粒子的大小;以及将每个拖动粒子的位置和大小映射到粉末床中各自的位置。方法可以包括至少部分基于与铺开第二层步骤相关联的每个拖动粒子的位置和大小创建金属体的三维体积质量模型的第一层。
在一个实施例,创建三维体积质量模型的第一层步骤包括:根据预先设计的金属体的三维模型生成金属体的第一金属层的二维轮廓;将每个拖动粒子的位置和大小集成到第一金属层的二维轮廓中;以及至少部分基于第一金属层的集成轮廓创建金属体的三维体积质量模型的第一层。在一个实施例中,可以从CLI(通用层接口)文件中提取第一金属层的二维轮廓。在一个实施例中,预先设计的金属体的三维模型包括STL文件。如这里所使用的,STL意思是:由机器使用以构建物理零件的3D模型数据的文件格式(例如,其中STL是用于AM系统的标准接口)。
在一个实施例中,创建添加制造金属体的三维体积质量模型的方法包括:(例如,使用激光器)选择性地熔化金属粉末的第二层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;将熔化金属固化成金属体的第二金属层;在粉末床上铺开金属粉末的第三层;获得粉末床的至少一部分的第二数字图像;将第二数字图像转化成第二二值图像;从第二二值图像中过滤非拖动粒子;将第二二值图像中所有剩余粒子识别成与铺开第三层步骤相关联的拖动粒子;映射拖动,由此确定与铺开第三层步骤相关联的每个拖动粒子的位置和大小;以及至少部分基于与铺开第三层步骤相关联的每个拖动粒子的位置和大小创建金属体的三维体积质量模型的第二层。在一个实施例中,执行阈值运算步骤可以包括对数字图像执行类间方差阈值运算。
在另一方面,创建添加制造金属体的三维体积质量模型的方法包括:在粉末床上铺开金属粉末的第一层;(例如,使用激光器)选择性地熔化金属粉末的第一层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;将熔化金属固化成金属体的第一金属层;在粉末床上铺开金属粉末的第二层;获得粉末床的至少一部分的第一数字图像;经由矩量保持阈值运算将第一数字图像转化成第一初始二值图像,其中第一初始二值图像具有包括开像素的第一多个粒子;经由预先确定的阈值运算将第一数字图像第二转化成第一替代二值图像,其中第一替代二值图像具有包括开像素的第二多个粒子;以及从第一替代二值图像中过滤非超高粒子,其中过滤包括从第一替代二值图像中移除开像素数量小于开像素的阈值数量的所有粒子,由此创建第一经过滤的二值图像;将第一初始二值图像与第一经过滤的二值图像相乘,由此创建第一相乘二值图像,其中第一相乘二值图像具有包括开像素的第三多个粒子;将第三多个粒子识别成与选择性熔化步骤相关联的超高粒子;以及映射超高。映射超高可以包括:确定第一相乘二值图像中每个超高粒子的位置;确定第一相乘二值图像中每个超高粒子的大小,其中包括每个超高粒子的像素的总数量代表那个超高粒子的大小;以及将每个超高粒子的位置和大小映射到金属体中各自的位置。方法可以包括至少部分基于与选择性熔化步骤相关联的每个超高粒子的位置和大小创建金属体的三维体积质量模型的第一层。
在一个实施例中,创建步骤包括:根据预先设计的金属体的三维模型,生成金属体的第一金属层的二维轮廓;将每个超高粒子的位置和大小集成到第一金属层的二维轮廓中;以及至少部分基于第一金属层的集成轮廓创建金属体的三维体积质量模型的第一层。
在一个实施例中,第一转化步骤包括对第n个数字图像执行预先确定的阈值运算。在一个实施例中,第二转化步骤包括对第n个数字图像执行矩量保持阈值运算。
在一个实施例中,创建添加制造金属体的三维体积质量模型的方法包括:(例如,使用激光器)选择性地熔化金属粉末的第二层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;将熔化金属固化成金属体的第二金属层;在粉末床上铺开金属粉末的第三层;获得粉末床的至少一部分的第二数字图像;将第二数字图像转化成第二初始二值图像;将第二数字图像第二转化成第二替代二值图像;过滤第二替代二值图像,由此创建经过滤的第二替代二值图像;将第二初始二值图像与经过滤的第二替代二值图像相乘,由此创建第二相乘二值图像;将第二相乘二值图像的所有粒子识别成与选择性地熔化第二层的至少一部分步骤相关联的超高粒子;映射超高,由此确定每个超高粒子的位置和大小;以及至少部分基于每个超高粒子的位置和大小创建金属体的三维体积质量模型的第二层。
在另一方面,创建添加制造金属体的三维体积质量模型的方法包括:在粉末床上铺开金属粉末的第一层;选择性地熔化金属粉末的第一层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;将熔化金属固化成金属体的第一金属层;伴随选择性熔化步骤(b),获得熔池的红外图像的第一顺序集合,其中每个红外图像包括多个像素,以及其中多个像素中的每个像素具有特定强度值;将第一顺序集合的每个红外图像的每个像素的特定强度值与温度相关;将由于数字相机的位置和视角而可能具有透视畸变的红外图像的顺序集合校准和校正成经校正的数字图像集合,在经校正的数字图像集合中,每个图像中每个图像像素的位置与粉末床中各自的位置有关;映射与选择性熔化步骤相关联的峰值温度。映射峰值温度可以包括:确定第一顺序集合的每个红外图像中的峰值温度点,其中每个峰值温度点对应于代表每个各自红外图像中最高温度的像素;确定每个峰值温度点在它的各自红外图像中的位置;将每个峰值温度点在它的各自红外图像中的位置映射到关于第一金属层的粉末床中的位置,由此创建第一金属层的第一数字温度映射;以及基于映射步骤创建金属体的三维体积质量模型的第一层。
在一个实施例中,创建步骤包括:根据预先设计的金属体的三维模型,生成金属体的第一金属层的二维轮廓;将每个峰值温度点的位置和大小集成到第一金属层的二维轮廓中;以及至少部分基于第一金属层的集成轮廓创建金属体的三维体积质量模型的第一层。
在一个实施例中,创建添加制造金属体的三维体积质量模型的方法包括:在粉末床上铺开金属粉末的第二层;选择性地熔化金属粉末的第二层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;将熔化金属固化成金属体的第二金属层;伴随选择性熔化步骤,获得熔池的红外图像的第二顺序集合;将第二顺序集合的每个红外图像的每个像素的特定强度值与温度相关;以及映射与选择性地熔化第二层的至少一部分步骤相关联的峰值温度,其中映射包括基于映射步骤创建金属体的三维体积质量模型的第一层。
附图说明
图1a是用于创建添加制造金属体的三维体积质量模型的方法的一个实施例的示意例示。
图1b-d是粉末床的图像的示例。
图2a-c是用于基于在添加制造金属体中检测到的拖动缺陷创建三维体积质量模型的方法的一个实施例的示意例示。
图3是用于基于在添加制造金属体中检测到的超高缺陷创建三维体积质量模型的方法的一个实施例的示意例示。
图4是用于基于所生成的添加制造金属体中的峰值温度映射创建三维体积质量模型的方法的一个实施例的示意例示。
图5a-d是根据所公开的方法产生的图像的示例。
图6是示出在用来形成金属体的金属粉末的每层中检测到的拖动的量的时间序列图的示例。
图7是示出在金属体的每个金属层中检测到的超高的量的时间序列图的示例。
图8a是几个金属体的第n个金属层的温度映射的一个实施例的例示。
图8b是图8a的金属体的第n个金属层的数字图像。
图9a是金属体的第n个金属层的温度映射的例示。
图9b是图9a的金属体的第n个金属层的数字图像。
图9c是图9a的金属体的第n个金属层的二维轮廓的例示。
图10是根据本公开创建体积质量模型的方法的一个实施例的示意图。
图11是创建体积质量模型的方法的另一个实施例的示意图。
图12是根据本公开,连同校准方法一起利用的校准构建图案的实施例的平面视图。如图12中所描绘的,构建图案由彼此间隔配置的四个正方形组成,使得它们的边是平行的。平面视图提供构建板(基板或者底板),并且网格标记对应于AM机器的x、y坐标。用于图12中描绘的校准的零件设计包括在AM构建中几百层上构建的四个正方形框架。零件(正方形)位于并且构建在AM机器的构建平台的内部。每个正方形框架的外部边缘的4个拐角点的X和Y坐标预先确定并且是已知参数,使得总共16个拐角点的X和Y坐标是相对于构建平台的机器坐标。
图13A-D描绘(例如,经由被配置为在可见光谱中获取图像的数字相机)获得可见图像的顺序/进展,其中13A和13B是添加制造零件构建的连续视图,并且图13C和13D分别是已经经由阈值运算处理的那些相同视图,以在图像中仅描绘零件构建。图13A是“第一”捕获的可见图像(原始)的示例;图13B是“第二”捕获的可见图像(原始)的示例,示出根据本公开用来校准监控系统组件(相机)的构建图案上的添加制造构建进展。图13C是在经由处理器执行的阈值运算之后,图13A的“第一”阈值图像的示例。图13D是在经由处理器对原始图像执行阈值运算之后,图13B的“第二”阈值图像的示例。可见光相机具有每个图像1秒的曝光时间,其累积来自对粉末进行加热的激光器的可见光并且记录多个层以提高坐标系统变换准确度。
图14A-B是描绘将顺序阈值图像相加在一起以创建“部分”相加可见图像(图14A,其描绘图13C与图13D相加)以及“完整”相加可见图像(图14B)的顺序/运算的示例,描绘整个校准图案构建,基于与机器位置(例如,平面视图,如图12中)相比较的可见相机的位置(角),例示可见相机的透视畸变。
图15A-D描绘(例如,经由被配置为获取热图像的热成像相机)获得热图像的顺序/进展,其中图15A和15B是添加制造零件构建的连续视图,并且图15C和15D分别是已经经由阈值运算处理的那些相同视图,以在图像中仅描绘零件构建。图15A是“第一”捕获的热图像(原始)的示例;图15B是“第二”捕获的热图像(原始)的示例,示出根据本公开用来校准监控系统组件(相机)的构建图案上的添加制造构建进展。图15C是在经由处理器执行的阈值运算之后,图15A的“第一”阈值图像的示例。图15D是在经由处理器对原始图像执行阈值运算之后,图15B的“第二”阈值图像的示例。用于热成像的相机曝光长达每个图像6秒(例如,轻微地长于用于该AM零件的4-5秒的构建时间),其累积由对粉末进行加热的激光器发射的红外光并且再次捕获多个层。
图16A-B描绘将顺序阈值图像相加在一起以创建“部分”相加热图像(图16A,其描绘图15C与图15D相加)以及“完整”相加热图像(图16B)的顺序/运算的示例,描绘整个校准图案构建,基于与机器位置(例如,平面视图,如图12中)相比较的热成像相机的位置(角),例示热成像相机的透视畸变。
图17A-D描绘根据本公开的校准方法的运算(子步骤)。图17A描绘边缘检测步骤,提供被配置用于获得校准图案构建的x、y坐标的校准零件构建的‘相加可见图像’,并且网格图案中的多个直线在图像上重叠以便检测校准零件构建的边缘和拐角点。图17B是图17A的经校准的可见图像,示出根据与机器坐标(例如,来自图12中描绘的校准零件构建的平面视图坐标)相比较并且由机器坐标校正的可见相机的透视,从校准零件的透视变换矩阵(例如,x、y坐标的数学模型)中创建的经校正的可见图像。
图17C描绘边缘检测步骤,提供被配置用于获得校准图案构建的x、y坐标的校准零件构建的‘相加热图像’,并且网格图案中的多个直线在图像上重叠以便检测边缘并且(基于检测到的边缘)提取校准零件构建的拐角点。获得全部16个拐角点的X和Y图像坐标,其与机器坐标系统比较并且校准到机器坐标系统。同样获得并且保存透视变换矩阵,然后使用透视变换矩阵移除透视畸变。图17D是图17C的经校准的可见图像,示出根据与机器坐标(例如,来自图12中描绘的校准零件构建的平面视图坐标)相比较并且由机器坐标校正的热成像相机的透视,从校准零件的透视变换矩阵(例如,x、y坐标的数学模型)中创建的经校正的热图像。新图像没有透视畸变,并且可见图像和热图像与相同的机器坐标共享零件的平面视图的相同透视。由于该相同的透视和相同的机器坐标,逐层捕获的可见图像和热图像可以集成并且用来根据这里描述的各种实施例重构三维质量模型。
图18是可以在其中执行本公开中的各种方法的一个或多个的系统的示意图的实施例。添加制造机器(例如,基于粉末床)提供有它的组件、原料(feed stock)/材料(金属粉末)以及操作参数。两个相机,C1(例如,数字相机,包括被配置为以可见光形式获得AM构建过程的图像的组件(滤光器、光学器件、布线等))和C2(例如,数字相机,包括被配置为以热图像形式获得AM构建过程的图像的组件(滤光器、光学器件、布线等))被配置到AM机器,使得相机相对于AM构建同步地获得数字图像(例如,迭代地、逐层,随着原料变换成AM零件构建层)。控制系统/计算机连接到C1、C2以及AM机器,使得控制系统被配置为与这些项目通信,并且根据本公开的一个或多个实施例,从所获得的并且经由计算机处理器、算法以及相关模块转化的图像中创建三维体积质量模型。AM机器被配置为接收关于“预先设计的AM零件”的信息并且将预先设计的AM零件转化成“竣工(as-built)AM零件”。竣工AM零件具有基于构建参数的性质,构建参数可以与预先设计的AM零件相对应或者不对应。可以利用非破坏性评估技术确定竣工AM零件如何接近地对应于预先设计的AM零件和/或确认缺陷的存在和/或流行。NDE的一些非限制性示例包括超声波测试、x射线测试以及计算机断层扫描。
图19是体积质量模型的实施例的透视图,描绘包括三维AM零件模型中的拖动、超高和热特征(冷点)的缺陷。
图20是预先设计的AM零件的透视图,这是具有变化直径的中空体圆柱体形状形式的特征(缺陷)的AM零件的CAD设计,其中计划缺陷的度量在图20上的表格中概述。该CAD模型用作例示性示例(具有图20-30中的相应细节)以描绘VQM可以如何接近地/准确地识别根据本公开的一个或多个实施例获得的数据中的相应缺陷/特征(计划的和/或作为AM构建过程的功能)。计划的圆柱体特征/缺陷在AM零件构建的层100和105之间开始。
图21是描绘关于总共大约370层的每层(零件构建中的层#)的拖动的总长度(以mm为单位)的图表。图表下面是两张照片,描绘(粉末重新分布之前)以及粉末重新分布之后的AM零件表面(与上面图表上在层#110和#115之间圈出的拖动相对应)。
图22是关于在该例示性示例中的相同AM零件构建,关于每层(零件构建中的层#)的超高面积(以mm2为单位)的图表。图表下面是三张照片,描绘(粉末重新分布之前)和粉末重新分布之后的AM零件表面(与在上面图表上在层#130和#135之间圈出的超高相对应)。其他图像(B和C)对应于粉末重新分布之后可观察到的超高,描绘戳穿沉积的粉末并且对应于AM构建的下一个计划层的AM零件的部分(超高点)。
图23描绘在零件构建的不同层检测到的热特征(冷点),示出零件构建的添加制造层的层4、80、108、110、122、120、133和164的比较热映射。
图24是描绘层#108的热特征的热映射的特写,其中箭头指向根据本方法的一个或多个的实施例识别的感兴趣/热特征(冷点)的位置。
图25是描绘层#110的热特征的热映射的特写,其中箭头指向根据本方法的一个或多个的实施例识别的感兴趣/热特征(冷点)的位置,其中一些位置包括多个冷点(例如,对于构建计划中的较大缺陷)。
图26是描绘层#112的热特征的热映射的特写,与层#108和#110相比较描绘更多热特征(例如,冷点),与层#110中关于单个计划缺陷而识别的多个热特征相比较,也描绘关于AM零件构建中的较小计划缺陷的一些而识别的热特征以及关于整个大规模计划缺陷而识别的热缺陷。
图27是描绘层#120的热特征的热映射的特写,与层#110和#112相比较描绘较少的热特征,这与AM零件中计划缺陷的位置一致。
图28描绘A:三维CAD模型(预先设计的AM零件)的透视图与B:根据本公开的一个或多个方法而获得的三维体积质量模型的透视图的比较。如并排视觉观察到的,VQM接近地对应于三维CAD模型,同时VQM识别与CAD模型中的计划缺陷相对应的冷点,VQM也识别拖动位置(描绘为沿着VQM的各种层的条痕)和超高点(例如,几个实例,通常与较大的计划缺陷的位置相符)。
图29是通过这里的方法的一个或多个而获得的体积质量模型的实施例的顶视图,与由在竣工AM零件上使用超声的非破坏性评估而接收的分析结果相比较。如所示,A:VQM的实施例接近地对应于包括B:超声内部振幅和C:超声飞行时间(time of flight)的超声图像。
图30是在该示例中获得的VQM的实施例的顶视图,与由在竣工AM零件上使用计算机断层摄影的非破坏性评估而接收的分析结果相比较。如视觉观察的,(A)VQM接近地对应于AM零件的(B)CT。图像C和D是CT的特写视图,描绘关于计划缺陷的一些另外更精细的细节。根据A和B的比较,VQM接近地对应于竣工零件上的NDE分析(CT)。
具体实施方式
现在将详细地参考附随附图,附图至少帮助例示由本公开提供的新技术的各种相关实施例。
现在参考图1a,例示用于创建添加制造金属体的三维体积质量模型的方法的一个实施例。在所例示的方法中,根据预先设计的三维CAD模型,在粉末床中逐层添加制造金属体。根据三维CAD模型添加制造(10)金属体的第一金属层。伴随添加制造层步骤(10)或者随后,获得(20)第一金属层和/或粉末床的一个或多个数字图像。处理(30)数字图像以检测和映射第一金属层中潜在的制造缺陷,并且生成峰值温度映射。根据三维CAD模型生成(60)第一金属层的二维轮廓。所映射的缺陷和所生成的峰值温度映射集成(65)到二维轮廓中。基于具有检测到的缺陷和检测到的峰值温度映射的二维轮廓创建(70)金属体的三维体积质量模型的第一层。对于每个连续的金属层(亦即,对于层n=1,2,…N)重复(80)上面的步骤,直到金属体被构建并且三维体积质量模型(VQM)完成。
如上面所提及的,伴随添加制造层步骤(10)和/或随后,获得(20)第一金属层和/或粉末床的一个或多个图像。关于这一点,在构建金属层之后,但是在下一层的粉末在那个金属层上铺开之前,可以获得金属层和/或粉末床的一个或多个图像。类似地,可以在下一层的粉末在金属层顶上铺开之后,获得一个或多个图像。图1b是在构建金属层之后,但是在下一层的粉末在那个金属层上铺开之前获得的数字图像的一个实施例。图1c是在一层粉末在金属层和粉末床上如所示从右到左铺开之后获得的数字图像的一个实施例。如图1c的实施例中可以看到,粉末层通常是均匀的并且完整地覆盖金属层。图1d是在一层粉末在金属层和粉末床上如所示从右到左铺开之后获得的数字图像的另一个实施例。如图1d的实施例中可以看到,金属层的月牙形部分在该层粉末的顶部上突出(亦即,超高)。而且,在月牙形超高点左边可以看到非均匀粉末分布的水平图案(亦即,拖动)。
在一个实施例中,可以组合诸如缺陷这样的特征、激光扫描路径、尺度、偏差和/或温度以在构建期间或者之后评定金属体的质量。在一个实施例中,可以在任何期望的平面和/或横截面中检查VQM。在一个实施例中,VQM可以实时地提供给操作员,允许操作员随着添加制造过程进展而评定它。关于这一点,可以设置阈值缺陷值和相关联的警报设置以向操作员警报添加制造过程中的问题。在另一个实施例中,阈值缺陷值可以触发添加制造过程的自动终止。因此,VQM可以允许随着添加制造过程的问题的快速检测和诊断,由此节省时间和材料。
如上面所提及的,三维体积质量模型可以包括金属体中诸如缺陷这样的特征。这些特征可以包括拖动、超高和/或非均匀峰值温度分布。如这里所使用的,“拖动”意思是由于金属体的畸变而导致的粉末层中非均匀粉末分布的水平图案。在一个实施例中,拖动可以由金属体的收缩引起。这种收缩可以由于例如金属体的剩余应力或者非均匀加热。在一个实施例中,拖动可以由金属体上的超高引起。如这里所使用的,“超高”意思是添加制造金属件的层的一部分,其中该部分延伸高于关于那个层的预期高度。关于这一点,在一层粉末在金属件上铺开之后,超高可以在粉末上突出。如这里所使用的,“非均匀峰值温度分布”是由于温度偏差,例如,选择性熔化步骤期间的高温偏差引起的缺陷的潜在指示。
现在参考图2a,例示用于基于检测到的拖动缺陷创建三维体积质量模型的方法的一个实施例。在所例示的实施例中,可以添加制造金属体的第一金属层。关于这一点,金属粉末的第一层可以以粉末床的形式铺开(110)(例如,和/或在构建板/基板上)。可以选择性地熔化(120)金属粉末的至少一部分,由此形成熔化金属的熔池。熔化金属可以固化(130)成金属体的第n(例如,第一)层。在一个实施例中,然后,金属粉末的第n+1(例如,第二)层可以以粉末床的形式铺开(140),由此使用粉末覆盖金属体的第一金属层。
如这里所使用的,“添加制造”等意思是通常层层加入材料以根据3D模型数据制造对象的过程。在一些实施例中,添加制造包括通过沉积原料粉末(金属粉末)并且然后选择性地熔化和/或烧结(例如,使用激光器或者其他热源)来构建金属粉末(例如,铝合金粉末)的连续层,从而逐层地创建AM产品(例如,金属产品、铝合金产品、钛合金产品、镍合金产品)。可以采用本公开的实施例的一个或多个的利用粉末原料的添加构建过程包括:举几个例子,直接金属激光烧结(例如,用来直接从金属粉末制造金属零件而没有中间的“绿色”或者“褐色”零件的粉末床融合过程);定向能量沉积(例如,聚焦的热能用来通过在材料沉积时熔化来融合材料的AM过程);粉末床融合(例如,热能选择性地融合粉末床的区域的AM过程);或者激光烧结(例如,用来使用一个或多个激光器在密闭舱室中逐层地在表面选择性地融合或者熔化粒子,从粉末状材料中生产对象的粉末床融合过程)。适当的添加制造系统的一些非限制性示例包括可从EOS GmbH(Robert-Stirling-Ring 1,82152Krailling/慕尼黑,德国)获得的EOSINT M 280直接金属激光烧结(DMLS)添加制造系统。其他适当的添加制造系统尤其包括选择性激光烧结(SLS)系统、选择性激光熔化(SLM)系统以及电子束熔化(EBM)系统。
如在图2a中所示,可以获得(200)粉末床的至少一部分的第n(例如,第一)数字图像。粉末床以及构建平台的至少一部分的数字图像的一个实施例在图5a中示出。如这里所使用的,“数字图像”是由像素构成的图像。例如,像素是数字图像的基本元素。每个像素可以具有与它相关联的特定强度值。像素的特定强度值可以指示与那个像素相关联的电磁特性(尤其例如,电磁辐射的频率、电磁辐射的强度、色彩和/或外观)。强度值可以局限于离散数量的值。例如,对于8位相机,强度值可以局限于从0到255的所有整数(亦即,8位具有局限于从0~(28-1)的所有整数的强度值)。应当注意,可以使用任何类型的相机(例如,16位相机具有局限于0~216-1的所有整数的强度值)。
返回到图2a,然后可以将第n个数字图像转化(300)成第n个二值图像。如这里所使用的,“二值图像”是由二值像素构成的数字图像。如这里所使用的,“二值像素”是它的强度值局限于两种可能性的一种的像素。在一个实施例中,二值像素可以是它的强度值局限于由1和0组成的组的像素。二值像素可以称作“开像素”和“关像素”。“开像素”是它的强度值为1的像素,例如,白色像素。“关像素”是它的强度值为0的像素,例如,黑色像素。图5b是通过转化(300)图5a的数字图像而产生的二值图像的一个示例。所例示的二值图像包括粒子,粒子的一些描绘诸如拖动或者超高这样的缺陷,并且粒子的一些是数字图像中白噪声的结果。如这里所使用的,“粒子”是二值图像中相连开像素的组。
返回到图2a,可以从第n个二值图像中过滤(400)非拖动粒子的至少一些(例如,描绘超高或者作为数字图像中白噪声的结果的粒子)。
过滤步骤(400)之后第n个二值图像中的剩余粒子可以识别(500)成拖动粒子。图5c是经过滤的二值图像的一个示例,其中粒子已经识别(500)成拖动粒子。这些识别的拖动粒子可以与在粉末床上铺开(140)金属粉末的第n+1层的添加制造步骤相关联。
可以映射(600)第n个二值图像中所识别的拖动粒子。映射步骤(600)可以包括确定第一二值图像中每个拖动粒子的位置。在一个实施例中,可以经由构成粒子的像素的坐标确定拖动粒子的位置。映射步骤(600)可以包括确定每个拖动粒子的大小。可以经由构成拖动粒子的像素的总数量测量拖动粒子的大小。映射步骤(600)可以包括将每个拖动粒子的位置和/或大小与粉末床中各自的位置相关。在一个实施例中,二值图像中拖动粒子的坐标可以连同诸如构建平台这样的图像中的一个或多个地标一起使用,以便将拖动粒子映射到粉末床和/或金属体中的位置。因此,可以确定拖动粒子(例如,相对于构建平台)的x、y空间坐标。例如,可以经由粉末层和/或金属层的层数以及预先确定的层厚度的知识,确定粉末床中拖动粒子的z坐标。
然后可以至少部分基于所映射的拖动粒子创建三维体积质量模型的第n层。在一个实施例中,可以根据预先设计的三维CAD(计算机辅助设计)模型生成金属体的第n个金属层的二维轮廓。然后,每个拖动粒子的位置和/或大小可以集成到二维轮廓中。然后可以至少部分基于集成的二维轮廓创建三维体积质量模型的第n层。
可以重复(800)上面的步骤(120至700),直到金属体以及它相应的三维体积质量模型完成。在一个实施例中,伴随金属体创建三维体积质量模型。关于这一点,当金属体的层完成时,可以创建三维体积质量模型的相应层。在另一个实施例中,不开始三维体积质量模型的创建,直到金属体完成之后。关于这一点,可以获得并且数字地存储金属体的每层的数字图像以便在随后的时间处理。
现在转到图6,作为替代或者除了拖动的三维VQM之外,可以创建在金属粉末的每层(亦即,对于层n=1,2,…N)检测到的拖动粒子的时间序列图。具体地,可以对于在粉末的每层检测到的所识别(500)的拖动粒子,确定开像素的总数量。因此,包括每个经过滤的二值图像的拖动粒子的开像素的总数量可以代表在金属粉末的各自层检测到的拖动的总数量。
现在参考图2b,例示将数字图像转化(300)成二值图像的一个实施例。在所例示的实施例中,转化步骤(300)包括子步骤(302-312)。首先,确定(302)数字图像中像素的全局平均强度值。如这里所使用的,“全局平均强度值”意思是数字图像的所有像素的平均强度值。接下来,每个像素的特定强度值与全局阈值(例如,100)相比较。如果像素的具体强度没有超过阈值,那么比较下一个像素。如果像素的具体强度超过阈值,那么使用全局平均强度值取代(304)那个特定强度值。接下来,可以对于每个像素确定(306)局部平均强度值。如这里所使用的,“局部平均强度值”意思是数字图像的像素的一部分的平均强度值。例如,局部平均强度值可以是10乘60的像素矩形的像素的平均强度值。然后,通过从像素的局部平均像素值中减去(308)它的特定强度值,对于每个像素确定经背景校正的强度值。接下来,使用每个像素的经背景校正的强度值取代(310)它的特定强度值。然后,对数字图像执行(312)阈值运算,由此创建二值图像。如这里所使用的,“阈值运算”意思是基于每个像素相对于图像中其他像素的强度值将数字图像转换成二值图像。在一个实施例中,阈值运算是类间方差(interclass variance)阈值运算(亦即,“Otsu方法”)。
现在参考图2c,例示从二值图像中过滤(400)非拖动粒子的一个实施例。在所例示的实施例中,过滤步骤(400)包括子步骤(402-414)。首先,可以对二值图像执行(402)x轴闭运算。如这里所使用的,“x轴闭运算”意思是仅在数字图像的x轴中的膨胀运算,紧接着仅在数字图像的x轴中的侵蚀运算。如这里所使用的,“膨胀运算”意思是扩张二值图像中的粒子(亦即,在边缘处将关像素切换成开像素)。膨胀运算可以使用结构元素(例如,4x4的像素正方形)用于扩张这种粒子。如这里所使用的,“侵蚀运算”意思是收缩二值图像中的粒子(亦即,在边缘处将开像素切换成关像素)。侵蚀运算可以使用结构元素用于收缩这种粒子。可以从二值图像中移除(404)粒子宽度小于阈值粒子宽度(例如,75)的所有粒子。如这里所使用的,“粒子宽度”是沿着二值图像的x轴以像素为单位测量的粒子的尺度。如这里所使用的,“移除粒子”意思是将粒子的所有开像素切换成关像素。可以从二值图像中移除(406)伸长率低于阈值伸长率(例如,6)的所有粒子。如这里所使用的,“粒子伸长率”是粒子的宽度除以粒子的粒子高度。如这里所使用的,“粒子高度”是沿着二值图像的y轴的粒子的尺度。可以对二值图像执行(408)膨胀运算。接下来,评估像素的每行,如果行具有小于阈值开像素数量(例如,500)的开像素数量,或者大于阈值粒子数量(例如,50)的粒子数量,那么对于该行,任何开像素可以切换成关像素。因此,可以产生经过滤的二值图像。
现在参考图3,例示用于基于检测到的超高缺陷创建三维体积质量模型的方法的一个实施例。在所例示的实施例中,可以添加制造金属体的第一金属层。关于这一点,可以在粉末床上铺开(110)金属粉末的第一层。可以选择性地熔化(120)金属粉末的至少一部分,由此形成熔化金属的熔池。熔化金属可以固化(130)成金属体的第n(例如,第一)层。然后,可以在粉末床上铺开(140)金属粉末的第n+1(例如,第二)层,由此使用粉末覆盖金属体的第一金属层。
如图3中所示,可以获得(200)粉末床的至少一部分的第n(例如,第一)数字图像。如上面所讨论的,粉末床以及构建平台的至少一部分的数字图像的一个实施例在图5a中示出。
粉末床的第n个数字图像可以第一转化(350)成第n个初始二值图像。粉末床的第n个数字图像可以第二转化(360)成第n个替代二值图像。第一和第二转化步骤(350,360)可以每个包括不同的阈值运算。因此,第n个初始二值图像可以是与第n个替代二值图像不同的图像。在一个实施例中,第一转化步骤(350)包括对第n个数字图像执行预先确定的阈值运算。在一个实施例中,第二转化步骤(360)可以包括对第n个数字图像执行矩量保持阈值运算。如这里所使用的,“预先确定的阈值运算”意思是基于预先确定的像素强度阈值将数字图像转换成二值图像。如这里所使用的,“矩量保持阈值转换”意思是将数字图像转换成二值图像,其中图像强度的平均值和方差通过转换过程而保持。
可以从第n个替代二值图像中过滤(370)非超高粒子的至少一些(例如,描绘拖动或者作为数字图像中白噪声的结果的粒子)。过滤步骤(370)可以包括从第n个替代二值图像中移除开像素数量小于开像素的阈值数量(例如,200)的所有粒子。因此,可以产生第n个经过滤的二值图像。
第n个初始二值图像可以与第n个经过滤的二值图像相乘(450),由此创建第n个相乘二值图像。如这里所使用的,“将第一二值图像与第二二值图像相乘”意思是将第一二值图像中每个像素的强度值与第二二值图像中相应位置中像素的强度值相乘,由此产生第三二值图像。因此,第一二值图像中的任何开像素将切换成第三二值图像中的关像素,除非第二图像中相应像素也是开像素。
第n个相乘二值图像中的粒子可以识别(550)成超高粒子。图5d是相乘二值图像的一个示例,其中粒子已经识别(550)成超高粒子。这些识别的超高粒子可以与选择性地熔化(120)金属粉末的添加制造步骤相关联。
可以映射(650)第n个相乘二值图像中所识别的超高粒子。映射步骤(650)可以包括确定第n个相乘二值图像中每个超高粒子的位置。在一个实施例中,可以经由构成那个粒子的像素的坐标确定超高粒子的位置。映射步骤(650)可以包括确定每个超高粒子的大小。可以经由构成超高粒子的像素的总数量测量超高粒子的大小。映射步骤(650)可以包括将每个超高粒子的位置和/或大小与粉末床中各自的位置相关。在一个实施例中,二值图像中超高粒子的坐标可以连同诸如构建平台这样的图像中的一个或多个地标一起使用,以便将超高粒子映射到粉末床和/或金属体中的位置。因此,可以确定超高粒子(例如,相对于构建平台)的x、y空间坐标。例如,可以经由粉末层和/或金属层的层数以及预先确定的层厚度的知识,确定粉末床中超高粒子的z坐标。
然后可以至少部分基于所映射的超高粒子创建三维体积质量模型的第n层。在一个实施例中,可以根据预先设计的三维CAD(计算机辅助设计)模型生成金属体的第n个金属层的二维轮廓。然后,每个超高粒子的位置和/或大小可以集成到二维轮廓中。然后可以至少部分基于集成的二维轮廓创建三维体积质量模型的第n层。
可以重复(800)上面的步骤(120至750),直到金属体以及它相应的三维体积质量模型完成。
现在参考图7,作为替代或者除了超高的三维VQM之外,可以创建在每个金属层(亦即,对于层n=1,2,…N)检测的超高粒子的时间序列图。具体地,可以对于在每个金属层检测的所识别(550)的超高粒子,确定开像素的总数量。因此,包括每个相乘二值图像的超高粒子的开像素的总数量可以代表在金属粉末的各自层检测的超高的总数量。
现在参考图4,例示用于基于所生成的峰值温度映射创建三维体积质量模型的方法的一个实施例。在所例示的实施例中,可以添加制造金属体的第一金属层。关于这一点,可以在粉末床上铺开(110)金属粉末的第一层。可以选择性地熔化(120)金属粉末的至少一部分,由此形成熔化金属的熔池。熔化金属可以固化(130)成金属体的第n(例如,第一)层。然后,可以在粉末床上铺开(140)金属粉末的第n+1(例如,第二)层,由此使用粉末覆盖金属体的第一金属层。
伴随选择性熔化步骤(120),可以获得(250)熔池的红外图像的第n(例如,第一)顺序集合。红外图像的第n个顺序集合也可以包括粉末床和/或构建平台的至少一部分。例如,可以经由装备有仅通过近红外(NIR)能量的滤光器的数字视频摄像机,获得红外图像的第n个顺序集合。如这里所使用的,“红外图像”是描绘红外辐射的数字图像。
红外图像的第n个顺序集合的每个红外图像的每个像素的特定强度值可以与温度相关(660)。
可以映射(670)红外图像的第n个顺序集合中的峰值温度。映射步骤(670)可以包括确定红外图像的第n个顺序集合的每个红外图像中的峰值温度点。如这里所使用的,“峰值温度点”是代表那个红外图像中最高温度的红外图像的像素。映射步骤(670)可以包括确定红外图像的第n个顺序集合的每个红外图像中峰值温度点的位置。映射步骤(670)可以包括将每个峰值温度点的位置与金属体的第一金属层上各自的位置相关,由此创建金属体的第n个金属层的峰值温度映射。在一个实施例中,红外图像中峰值温度点的坐标可以连同诸如构建平台和/或金属体自身这样的图像中的一个或多个地标一起使用,以便将峰值温度点映射到金属体上的位置。因此,可以确定峰值温度点(例如,相对于构建平台和/或金属体)的x、y空间坐标。例如,经由粉末层和/或金属层的层数以及预先确定的层厚度的知识,可以确定粉末床中峰值温度点的z坐标。图8a是在相同粉末床中并发添加制造的几个金属体的第n个金属层的峰值温度映射的例示。图8b是金属体的第n个金属层的数字图像。
然后可以至少部分基于所映射的峰值温度点创建(770)三维体积质量模型的第n层。在一个实施例中,可以根据预先设计的三维CAD(计算机辅助设计)模型生成金属体的第n个金属层的二维轮廓。然后,每个峰值温度点的位置可以集成到二维轮廓中。然后可以至少部分基于集成的二维轮廓创建三维体积质量模型的第n层。图9a是金属体的第n个金属层的峰值温度映射的例示。图9b是金属体的第n个金属层的数字图像。图9c是图9a的金属体的第n个金属层的二维轮廓的例示,其中峰值温度点已经集成到二维轮廓上。
可以重复(870)上面的步骤(120至770),直到金属体以及它相应的三维体积质量模型完成。基于峰值温度点的金属体的VQM可以有助于尤其非均匀温度分布、金属体中的空洞、多孔性、未熔合和/或金属内层的潜在层离的检测和映射。在另一个实施例中,可以分析红外图像的第n个顺序集合,以便确定冷却速率、熔池大小和/或热传递特性的一个或多个。
上面的特征(例如,拖动检测、超高检测和/或峰值温度映射)可以组合成单个三维体积质量模型。图10是创建体积质量模型的方法的一个实施例的示意图,其中拖动检测、超高检测和热特征(例如,峰值温度映射)组合在一起以产生体积质量模型。因此,可以根据在模型上叠加的2D数据收集,经由计算机显示器可视化具有潜在的拖动缺陷、超高缺陷和/或非均匀峰值温度分布的金属体。
在一些实施例中,在由AM操作员可观看的反馈中(或者作为到AM控制系统/计算机处理器中的输入)提供VQM,使得在VQM识别到显著并且不能够使用AM构建参数的改变而校正的缺陷的情况下,可以基于部分VQM(与部分AM构建相对应)终止AM构建。在一些实施例中,在注意到缺陷(不一定导致“失败”零件)对比注意到显著缺陷(例如,导致不满足用于那个特定零件应用的规范的零件)的情况下,VQM模型被配置为提供黄旗或者红旗警报到控制系统和/或用户。
在一个实施例中,用来创建VQM的相机的一个或多个不同于AM零件构建的平面视图(例如,如由机器透视观察的)而定位。如此,与机器透视相比较以及彼此相比较(可见vs热成像相机),相机具有透视畸变。在一些实施例中,透视畸变是由于数字相机的位置和/或视角。
在本公开的一个或多个实施例中,相机被校准以减小和/或消除透视畸变,使得作为结果的VQM包括来自可见和热成像相机的输入(图像),相机关于透视畸变而校正和/或可以与彼此和/或与AM机器透视容易组合。
在一个实施例中,提供校准AM系统(具有AM机器、可见相机和热成像相机,被配置为创建三维体积质量模型)的方法。在一个实施例中,方法包括:在校准构建零件(例如,具有包括多个容易识别的特征的独特图案)的AM构建期间,使用相机捕获连续图像;使用处理器对图像进行阈值转换以仅描绘零件图像;使用处理器将经阈值转换的图像相加在一起以创建整个校准零件构建的图像;获得校准构建零件(例如,校准零件构建的独特图案和/或特征,亦即,正方形校准构建图案上的拐角点)的x、y坐标/坐标点;提取具有相机透视的校准构建的x、y坐标;将具有相机透视的校准构建的坐标与机器坐标相比较;使用处理器创建包括透视变换矩阵的校正因子;使用透视变换矩阵将相机透视矫正成经校正的相机透视,以提供与机器坐标兼容的经校正的相机坐标。
在一些实施例中,方法还包括将经校正的相机坐标与机器坐标集成,以提供包括从相机图像获得的(经过滤、提取和/或处理的形式)的信息的一个坐标集合。
在一些实施例中,获得步骤包括检测相机透视图中校准构建零件的边缘。
在一些实施例中,提供配置有热成像相机和可见相机的AM机器(被配置为利用基于粉末的AM技术和过程)。例如,热成像相机根据数字CCD千兆以太网相机配置,连同阻挡添加制造机器的激光器的波长的陷波滤波器、近红外带通滤波器以及一个中性密度滤波器一起。作为另一个示例,可见相机根据数字CCD千兆以太网相机配置,连同偏光器和聚焦透镜一起。当AM机器构建具有指定图案(例如,已知尺度)的校准构建零件时,根据本方法的一个或多个将相机校准到通用坐标系统。具有已知尺度的校准构建零件的图案允许两个相机系统坐标系统变换成通用机器坐标系统。这允许所有系统(相机和机器)使用通用坐标系统操作。因此,两个相机在AM构建过程期间捕获连续图像并且能够将指示缺陷或者其他特征的信息编译到单个机器坐标系统中,同时也移除相机图像中的任何透视畸变。
因此,当构建一层时,相机被配置和同步到添加机器,使得获得经校准(经校正)的可见图像和经校准(经校正)的热图像。经由处理器关于层的信息(例如,指示任何缺陷)处理可见和热图像,并且经处理的信息合并(处理)到二维文件/映射中并且保存到登记列表。然后,编译/处理登记列表以创建三维体积质量模型,其详细说明在任何连续层中的任何缺陷的映射。
在一些实施例中,VQM与STL/cad模型比较。在一些实施例中,VQM与NDE分析数据比较。
在一些实施例中,VQM模型与由非破坏性评估方法(例如,超声波、x射线或者CT检查)获得的分析检查结果比较,以帮助关于缺陷解释NDE结果。
在一些实施例中,使用VQM模型取代NDE分析技术,以在AM零件构建期间就地测试零件和/或评估缺陷。
在一些实施例中,方法包括可见相机透视。在一些实施例中,方法包括热成像相机透视。
在一些实施例中,校准相机中的一个,而不校准和校正另一个相机。
在一些实施例中,两个相机都关于它们的透视而校准和校正,其中热成像相机和可见相机彼此不同,并且其中热成像相机和可见相机的每个配置有与AM构建平台的机器透视(机器透视、无畸变)不同的透视(例如,在每个透视是畸变透视的情况下)。
在一些实施例中,在AM零件构建之前完成校准零件构建上的校准方法,使得热成像相机透视畸变和可见相机透视畸变的每个被校正从而提供统一的坐标(例如,与机器透视一起集成到一个坐标集合中),使得相机被校准以提供经由处理器容易处理的输入,从而根据本公开产生/创建三维体积质量模型的一个或多个实施例。在该实施例中,经校正的透视产生经校正的数字图像(例如,坐标系列),使得每个图像像素的位置以对于每个相机统一的物质与粉末床中的透视位置有关。
虽然参考数字相机,应当注意,可以使用视频摄像机(一系列静止图像)和/或非数字相机(例如,使用胶卷捕获图像)完成各种实施例。
应当注意,关于图18中以及遍及申请的计算机/控制系统(处理器和/或存储器)参考,计算机包括能够发送和接收信息/消息(例如,经由网络,到其他计算设备(例如,服务器等)或者来自其他计算设备)的任何这种计算设备。计算设备包括笔记本电脑、个人计算机、多处理器系统、基于微处理器的系统、网络PC和/或可编程消费者电子设备(例如,相机)。计算机/控制系统可以无线地或者有线地配置以启用组件之间和/或其他计算设备之间的通信。值得注意,这里描述的实施例的一个或多个可以使用任何适当的计算机系统硬件和/或计算机系统软件实现。关于这一点,本领域那些普通技术人员非常精通可以使用的计算机硬件的类型(例如,大型机、微型计算机、个人计算机、网络(内联网和/或因特网))、可以使用的计算机编程技术的类型(例如,面向对象的编程)以及可以使用的计算机编程语言的类型(例如,lab view、C++、Basic、AJAX、Javascript等)。前述示例是例示性而不是限制性的。虽然已经详细地描述了本公开的各种实施例,显然那些实施例的修改和改编将容易由本领域那些技术人员想到。然而,应当明白地理解,这种修改和改编在本公开的精神和范围内。
Claims (20)
1.一种方法,包括:
(A)在粉末床上铺开金属粉末的第一层;
(B)选择性地熔化金属粉末的第一层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;
(C)将熔化金属固化成金属体的第一金属层;
(D)在粉末床上铺开金属粉末的第二层;
(E)获得粉末床的至少一部分的第一数字图像;
其中第一数字图像具有多个像素;
其中多个像素中的每个像素具有特定强度值;
(F)将第一数字图像转化成第一二值图像,其中转化包括:
(i)确定多个像素的全局平均强度值;
(ii)将超过阈值的任何特定强度值重置成等于全局平均强度值;
(iii)对于所述多个像素中的每个像素,确定局部平均强度值;
(iv)从局部平均强度值中减去多个像素中的每个像素的特定强度值,由此对于多个像素中的每个像素,确定经背景校正的强度值;
(v)使用每个像素的所确定的经背景校正的强度值取代它的特定强度值;以及
(vi)对数字图像执行阈值运算,由此创建第一二值图像;
其中第一二值图像具有多个二值像素;
其中多个二值像素包括多个粒子;
(G)从第一二值图像中过滤非拖动粒子,其中过滤包括:
(i)在多个二值像素中的每个二值像素上执行x轴闭运算;
(ii)从第一二值图像中移除粒子宽度小于阈值宽度的所有粒子;
(iii)从第一二值图像中移除粒子伸长率低于阈值比率的所有粒子;
(iv)对第一二值图像执行膨胀运算;
(v)确定第一二值图像的每行中开像素的数量;
(vi)确定第一二值图像的每行中粒子的数量;
(vii)对于第一二值图像的行中的任何像素,将任何开像素切换成关像素,其中该行具有小于阈值开像素数量的开像素数量,或者大于阈值粒子数量的粒子数量;
(H)将第一二值图像中所有剩余粒子识别成与铺开第二层步骤(D)相关联的拖动粒子;
(I)映射与铺开第二层步骤(D)相关联的拖动,其中映射包括:
(i)确定第一二值图像中每个拖动粒子的位置;
(ii)确定每个拖动粒子的大小,其中包括每个拖动粒子的像素的总数量代表每个各自拖动粒子的大小;
(iii)将每个拖动粒子的位置和大小映射到粉末床中各自的位置;
(J)至少部分基于与铺开第二层步骤(D)相关联的每个拖动粒子的位置和大小创建金属体的三维体积质量模型的第一层。
2.根据权利要求1所述的方法,其中创建步骤包括:
根据预先设计的金属体的三维模型生成金属体的第一金属层的二维轮廓;
将每个拖动粒子的位置和大小集成到第一金属层的二维轮廓中;以及
至少部分基于第一金属层的集成的轮廓创建金属体的三维体积质量模型的第一层。
3.根据权利要求1所述的方法,其中从CLI(通用层接口)文件中提取第一金属层的二维轮廓,并且其中预先设计的金属体的三维模型包括STL文件。
4.根据权利要求1所述的方法,包括:
选择性地熔化金属粉末的第二层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;
将熔化金属固化成金属体的第二金属层;
在粉末床上铺开金属粉末的第三层;
获得粉末床的至少一部分的第二数字图像;
将第二数字图像转化成第二二值图像;
从第二二值图像中过滤非拖动粒子;
将第二二值图像中所有剩余粒子识别成与铺开第三层步骤相关联的拖动粒子;
映射拖动,由此确定与铺开第三层步骤相关联的每个拖动粒子的位置和大小;
至少部分基于与铺开第三层步骤相关联的每个拖动粒子的位置和大小创建金属体的三维体积质量模型的第二层。
5.根据权利要求1所述的方法,其中执行阈值运算步骤(F)(vi)包括对数字图像执行类间方差阈值运算。
6.一种方法,包括:
(A)在粉末床上铺开金属粉末的第一层;
(B)选择性地熔化金属粉末的第一层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;
(C)将熔化金属固化成金属体的第一金属层;
(D)在粉末床上铺开金属粉末的第二层;
(E)获得粉末床的至少一部分的第一数字图像;
(F)经由矩量保持阈值运算将第一数字图像第一转化成第一初始二值图像;
其中第一初始二值图像具有包括开像素的第一多个粒子;
(G)经由预先确定的阈值运算将第一数字图像第二转化成第一替代二值图像;
其中第一替代二值图像具有包括开像素的第二多个粒子;
(H)从第一替代二值图像中过滤非超高粒子,其中过滤包括:
(i)从第一替代二值图像中移除开像素数量小于开像素的阈值数量的所有粒子,由此创建第一经过滤的二值图像;
(I)将第一初始二值图像与第一经过滤的二值图像相乘,由此创建第一相乘二值图像;
其中第一相乘二值图像具有包括开像素的第三多个粒子;
(J)将第三多个粒子识别成与选择性熔化步骤(B)相关联的超高粒子;
(K)映射超高,其中映射包括:
(i)确定第一相乘二值图像中每个超高粒子的位置;
(ii)确定第一相乘二值图像中每个超高粒子的大小,其中包括每个超高粒子的像素的总数量代表该超高粒子的大小;
(iii)将每个超高粒子的位置和大小映射到金属体中各自的位置;
(L)至少部分基于与选择性熔化步骤(B)相关联的每个超高粒子的位置和大小创建金属体的三维体积质量模型的第一层。
7.根据权利要求6所述的方法,其中创建步骤包括:
根据预先设计的金属体的三维模型,生成金属体的第一金属层的二维轮廓;
将每个超高粒子的位置和大小集成到第一金属层的二维轮廓中;以及
至少部分基于第一金属层的集成的轮廓创建金属体的三维体积质量模型的第一层。
8.根据权利要求6所述的方法,其中第一转化步骤包括对第n个数字图像执行预先确定的阈值运算。
9.根据权利要求6所述的方法,其中第二转化步骤包括对第n个数字图像执行矩量保持阈值运算。
10.根据权利要求8所述的方法,包括:
选择性地熔化金属粉末的第二层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;
将熔化金属固化成金属体的第二金属层;
在粉末床上铺开金属粉末的第三层;
获得粉末床的至少一部分的第二数字图像;
将第二数字图像第一转化成第二初始二值图像;
将第二数字图像第二转化成第二替代二值图像;
过滤第二替代二值图像,由此创建经过滤的第二替代二值图像;
将第二初始二值图像与经过滤的第二替代二值图像相乘,由此创建第二相乘二值图像;
将第二相乘二值图像的所有粒子识别成与选择性地熔化第二层的至少一部分的步骤相关联的超高粒子;
映射超高,由此确定每个超高粒子的位置和大小;
至少部分基于每个超高粒子的位置和大小创建金属体的三维体积质量模型的第二层。
11.一种方法,包括:
(A)在粉末床上铺开金属粉末的第一层;
(B)选择性地熔化金属粉末的第一层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;
(C)将熔化金属固化成金属体的第一金属层;
(D)伴随选择性熔化步骤(b),获得熔池的红外图像的第一顺序集合;
其中每个红外图像包括多个像素;
其中多个像素中的每个像素具有特定强度值;
(E)将第一顺序集合的每个红外图像的每个像素的特定强度值与温度相关;
(F)映射与选择性熔化步骤(B)相关联的峰值温度,其中映射包括:
(i)确定第一顺序集合的每个红外图像中的峰值温度点;
其中每个峰值温度点对应于代表每个各自红外图像中最高温度的像素;
(ii)确定每个峰值温度点在它的各自红外图像中的位置;
(iii)将每个峰值温度点在它的各自红外图像中的位置映射到第一金属层上的位置,由此创建第一金属层的第一数字温度映射;
(G)基于映射步骤(F)创建金属体的三维体积质量模型的第一层。
12.根据权利要求11所述的方法,其中创建步骤包括:
根据预先设计的金属体的三维模型,生成金属体的第一金属层的二维轮廓;
将每个峰值温度点的位置和大小集成到第一金属层的二维轮廓中;以及
至少部分基于第一金属层的集成的轮廓创建金属体的三维体积质量模型的第一层。
13.根据权利要求11所述的方法,包括:
在粉末床上铺开金属粉末的第二层;
选择性地熔化金属粉末的第二层的至少一部分,由此形成包括金属粉末的熔化金属的熔池;
将熔化金属固化成金属体的第二金属层;
伴随选择性熔化步骤,获得熔池的红外图像的第二顺序集合;
将第二顺序集合的每个红外图像的每个像素的特定强度值与温度相关;
映射与选择性地熔化第二层的至少一部分的步骤相关联的峰值温度,其中映射包括:
基于映射步骤创建金属体的三维体积质量模型的第一层。
14.一种方法,包括:
(A)使用相机获得第一数字图像,其中第一数字图像属于粉末床的至少一部分,粉末床包括分布在添加制造体的一层上的一层金属粉末;
其中第一数字图像具有多个像素;
其中多个像素中的每个像素具有特定强度值;
(B)由处理器将第一数字图像转化成具有非拖动粒子的第一二值图像;
(C)由处理器从第一二值图像中过滤非拖动粒子;
(D)由处理器将第一二值图像中所有剩余粒子识别成与金属粉末层的铺开步骤(A)相关联的拖动粒子;
(E)由处理器映射与金属粉末层的铺开步骤(A)相关联的拖动,其中映射包括映射关于金属粉末层的每个各自拖动粒子的一系列位置坐标(例如x、y、z位置)、大小和类型;
(f)以列表形式登记映射;
(g)对于连续数量的层重复(a)-(f)以创建包括关于每层的列表的缺陷登记列表;
(h)由处理器将3D CAD模型转换成关于每层的2D轮廓;
(i)由处理器从关于单个层的登记列表中提取检测到的缺陷的坐标,并且嵌入/映射到关于该层的相应2D轮廓中;
(j)对于所有层重复(g)和(h),以产生包括位于每层的所有检测到的缺陷的金属体的三维体积质量模型。
15.一种方法,包括:
(A)获得粉末床的至少一部分的第一数字图像,粉末床包括分布在添加制造体的一层上的一层金属粉末;
其中第一数字图像具有多个像素;
其中多个像素中的每个像素具有特定强度值;
(B)将第一数字图像转化成具有非拖动粒子的第一二值图像;
(C)从第一二值图像中过滤非拖动粒子;
(D)将第一二值图像中所有剩余粒子识别成与金属粉末层的铺开步骤(A)相关联的拖动粒子;
(E)映射与金属粉末层的铺开步骤(A)相关联的拖动,其中映射包括每个各自拖动粒子的位置和大小;
(F)至少部分基于与金属粉末层的铺开步骤(A)相关联的每个拖动粒子的位置和大小,创建金属体的三维体积质量模型的第一层。
16.根据权利要求15所述的方法,其中转化步骤还包括:
(i)确定多个像素的全局平均强度值;
(ii)将超过阈值的任何特定强度值重置成等于全局平均强度值;
(iii)对于多个像素中的每个像素,确定局部平均强度值;
(iv)从局部平均强度值中减去多个像素中的每个像素的特定强度值,由此对于多个像素中的每个像素,确定经背景校正的强度值;
(v)使用每个像素的所确定的经背景校正的强度值取代它的特定强度值;以及
(vi)对数字图像执行阈值运算,由此创建第一二值图像;
其中第一二值图像具有多个二值像素;
而且其中多个二值像素包括多个粒子。
17.根据权利要求15所述的方法,其中过滤步骤还包括:
(i)在多个二值像素中的每个二值像素上执行x轴闭运算;
(ii)从第一二值图像中移除粒子宽度小于阈值宽度的所有粒子;
(iii)从第一二值图像中移除粒子伸长率低于阈值比率的所有粒子;
(iv)对第一二值图像执行膨胀运算;
(v)确定第一二值图像的每行中开像素的数量;
(vi)确定第一二值图像的每行中粒子的数量;以及
(vii)对于第一二值图像的行中的任何像素,将任何开像素切换成关像素,其中该行具有小于阈值开像素数量的开像素数量,或者大于阈值粒子数量的粒子数量。
18.根据权利要求15所述的方法,其中映射还包括:
(i)确定第一二值图像中每个拖动粒子的位置;
(ii)确定每个拖动粒子的大小,其中包括每个拖动粒子的像素的总数量代表每个各自拖动粒子的大小;以及
(iii)将每个拖动粒子的位置和大小映射到粉末床中各自的位置。
19.一种方法,包括:
(A)利用相机获得粉末床的至少一部分的第一数字图像,粉末床包括分布在添加制造体的一层上的一层金属粉末以及指示添加制造部分的固化的熔化金属的一部分;
其中第一数字图像具有多个像素;
其中多个像素中的每个像素具有特定强度值;
(B)使用处理器经由矩量保持阈值运算将第一数字图像第一转化成第一初始二值图像;
其中第一初始二值图像具有包括开像素的第一多个粒子;
(C)使用处理器经由预先确定的阈值运算将第一数字图像第二转化成第一替代二值图像;
其中第一替代二值图像具有包括开像素的第二多个粒子;
(D)使用处理器从第一替代二值图像中过滤至少一些非超高粒子,其中过滤包括:
(i)从第一替代二值图像中移除开像素数量小于开像素的阈值数量的所有粒子,由此创建第一经过滤的二值图像;
(E)将第一初始二值图像与第一经过滤的二值图像相乘,由此创建第一相乘二值图像;
其中第一相乘二值图像具有包括开像素的第三多个粒子;
(F)将第三多个粒子识别成与步骤(A)中添加制造部分相关联的超高粒子;
(G)映射超高,其中映射包括:
(i)确定第一相乘二值图像中每个超高粒子的位置;
(ii)确定第一相乘二值图像中每个超高粒子的大小,其中包括每个超高粒子的像素的总数量代表该超高粒子的大小;
(iii)将每个超高粒子的位置和大小映射到金属体中各自的位置;以及
(H)至少部分基于映射步骤创建金属体的三维体积质量模型的第一层。
20.一种方法,包括:
(A)使用相机获得伴随添加制造AM体的熔池的红外图像的第一顺序集合;
其中每个红外图像包括多个像素;
其中多个像素中的每个像素具有特定强度值;
(B)将第一顺序集合的每个红外图像的每个像素的特定强度值与温度相关;
(C)映射与来自步骤(A)的熔池的那个相关联的峰值温度,其中映射包括:
(i)确定第一顺序集合的每个红外图像中的峰值温度点;
其中每个峰值温度点对应于代表每个各自红外图像中最高温度的像素;
(ii)确定每个峰值温度点在它的各自红外图像中的位置;
(iii)将每个峰值温度点在它的各自红外图像中的位置映射到第一金属层上的位置,由此创建第一金属层的第一数字温度映射;
(D)基于映射步骤(C)创建金属体的三维体积质量模型的第一层。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562109411P | 2015-01-29 | 2015-01-29 | |
US62/109,411 | 2015-01-29 | ||
PCT/US2016/015777 WO2016123549A1 (en) | 2015-01-29 | 2016-01-29 | Systems and methods for modelling additively manufactured bodies |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107206495A true CN107206495A (zh) | 2017-09-26 |
CN107206495B CN107206495B (zh) | 2019-07-02 |
Family
ID=55405464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680007648.9A Expired - Fee Related CN107206495B (zh) | 2015-01-29 | 2016-01-29 | 用于创建三维体积质量模型的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10353376B2 (zh) |
EP (1) | EP3250337A1 (zh) |
JP (1) | JP2018507325A (zh) |
CN (1) | CN107206495B (zh) |
CA (1) | CA2972155A1 (zh) |
WO (1) | WO2016123549A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109332691A (zh) * | 2018-10-31 | 2019-02-15 | 有研工程技术研究院有限公司 | 一种纳米铜粉3d打印激光烧结参数确定方法 |
CN109856042A (zh) * | 2019-02-22 | 2019-06-07 | 武汉理工大学 | Slm成型金属产品的整体耐腐蚀性检测方法 |
CN110243674A (zh) * | 2019-04-25 | 2019-09-17 | 武汉理工大学 | 一种slm成型金属产品的力学性能无损检测方法 |
CN111318697A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 使用分形维数的熔池监控的方法 |
CN111319260A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 熔池监控的方法 |
CN111479667A (zh) * | 2017-12-15 | 2020-07-31 | 惠普发展公司,有限责任合伙企业 | 构建体积的零件填充 |
CN114929412A (zh) * | 2019-11-18 | 2022-08-19 | 卡尔蔡司工业测量技术有限责任公司 | 快速开发增材制造参数集的方法 |
CN116021770A (zh) * | 2022-11-17 | 2023-04-28 | 中国人民解放军国防科技大学 | 一种挤出式生物3d打印几何缺陷的评价方法及系统 |
CN116277973A (zh) * | 2023-03-02 | 2023-06-23 | 河南大学 | 一种3d打印检测系统 |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9770869B2 (en) * | 2014-03-18 | 2017-09-26 | Stratasys, Inc. | Additive manufacturing with virtual planarization control |
US10011071B2 (en) | 2014-03-18 | 2018-07-03 | Evolve Additive Solutions, Inc. | Additive manufacturing using density feedback control |
US10488846B2 (en) * | 2015-01-30 | 2019-11-26 | Hewlett-Packard Development Company, L.P. | Adjustment of a halftoning threshold |
JP2017016169A (ja) * | 2015-06-26 | 2017-01-19 | キヤノン株式会社 | 検査方法、検査装置、画像処理装置、プログラム及び記録媒体 |
JP6241458B2 (ja) * | 2015-07-14 | 2017-12-06 | トヨタ自動車株式会社 | 肉盛層の品質判定方法及びレーザ肉盛装置 |
US10539474B2 (en) * | 2015-07-21 | 2020-01-21 | Hewlett-Packard Development Company, L.P. | Object generation temperature measurement |
EP3159081B1 (en) * | 2015-10-21 | 2023-12-06 | Nikon SLM Solutions AG | Powder application arrangement comprising two cameras |
JP2019507040A (ja) * | 2016-03-04 | 2019-03-14 | レニショウ パブリック リミテッド カンパニーRenishaw Public Limited Company | 付加製造方法およびシステム |
US9835568B2 (en) * | 2016-04-12 | 2017-12-05 | General Electric Company | Defect correction using tomographic scanner for additive manufacturing |
KR102192779B1 (ko) * | 2016-05-12 | 2020-12-21 | 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. | 3d 물체 부품의 품질 예측 |
US10104313B2 (en) * | 2016-07-08 | 2018-10-16 | United Technologies Corporation | Method for turbine component qualification |
US10825165B2 (en) * | 2016-07-22 | 2020-11-03 | Lynx Inspection Inc. | Inspection method for a manufactured article and system for performing same |
ES2652507B1 (es) * | 2016-08-01 | 2019-04-01 | Villalobos Fernando Monge | Procedimiento de reconstruccion fotografica en fabricacion aditiva por fusion de polvo metalico |
GB2557658A (en) * | 2016-12-14 | 2018-06-27 | Addam Innovation Ltd | Additive manufacturing |
US10556418B2 (en) * | 2017-02-14 | 2020-02-11 | Autodesk, Inc. | Systems and methods of open-cell internal structure and closed-cell internal structure generation for additive manufacturing |
US11014163B2 (en) * | 2017-04-14 | 2021-05-25 | Desktop Metal, Inc. | Calibration of 3D printer via computer vision |
EP3622275A1 (en) * | 2017-05-09 | 2020-03-18 | Arconic Inc. | Systems and methods for defect detection in additively manufactured bodies |
WO2018204981A1 (en) * | 2017-05-10 | 2018-11-15 | Monash University | Method and system for quality assurance and control of additive manufacturing process |
JP6939082B2 (ja) * | 2017-05-18 | 2021-09-22 | 大同特殊鋼株式会社 | 粉末床評価方法 |
US10562229B2 (en) * | 2017-06-22 | 2020-02-18 | Hamilton Sundstrand Corporation | Determining the uniformity of powder layer distribution across the build plate during a powder bed fusion process |
US11422725B2 (en) | 2017-07-25 | 2022-08-23 | General Electric Company | Point-cloud dataset storage structure and method thereof |
JP6825109B2 (ja) * | 2017-08-08 | 2021-02-03 | 三菱重工業株式会社 | 三次元積層造形装置、三次元積層造形方法、及び、三次元積層造形物 |
WO2019070644A2 (en) * | 2017-10-02 | 2019-04-11 | Arconic Inc. | SYSTEMS AND METHODS FOR UTILIZING MULTICRITERIAL OPTIMIZATION IN ADDITIVE MANUFACTURING |
GB2568313B (en) * | 2017-11-14 | 2023-03-08 | Lpw Technology Ltd | Method and apparatus for determining powder condition |
US11029666B2 (en) * | 2017-11-17 | 2021-06-08 | Raytheon Technologies Corporation | Fabrication of process-equivalent test specimens of additively manufactured components |
GB2568536B (en) * | 2017-11-20 | 2021-04-28 | Gkn Aerospace Services Ltd | Boundary detection and defect detection during additive manufacture of an object |
WO2019130308A1 (en) * | 2017-12-29 | 2019-07-04 | Stratasys Ltd. | Apparatus and methods for additive manufacturing of three dimensional objects |
WO2019190449A1 (en) * | 2018-03-26 | 2019-10-03 | Hewlett-Packard Development Company, L.P. | Generation of kernels based on physical states |
WO2020076304A1 (en) | 2018-10-09 | 2020-04-16 | Hewlett-Packard Development Company, L.P. | Modifying object geometries based on radiant heating distribution |
DE102018127407A1 (de) * | 2018-11-02 | 2020-05-07 | Industrieanlagen-Betriebsgesellschaft Mbh | Verfahren zur Aufbereitung und zur Untersuchung eines Pulvers mittels instrumenteller Analytik und Verwendung |
US10718724B2 (en) | 2018-11-06 | 2020-07-21 | Jon M Frenn | Systems and methods of comparative computed tomography (CT) for qualification of commercial grade items |
EP3659727A1 (en) * | 2018-11-27 | 2020-06-03 | Siemens Aktiengesellschaft | Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device |
US20200189199A1 (en) * | 2018-12-13 | 2020-06-18 | General Electric Company | Method for melt pool monitoring using machine learning |
US10828837B2 (en) * | 2018-12-13 | 2020-11-10 | General Electric Company | Method for melt pool monitoring using algebraic connectivity |
WO2020153949A1 (en) | 2019-01-23 | 2020-07-30 | Hewlett-Packard Development Company, L.P. | Detecting three-dimensional (3d) part drag |
US11407179B2 (en) * | 2019-03-20 | 2022-08-09 | General Electric Company | Recoater automated monitoring systems and methods for additive manufacturing machines |
EP3725499A1 (de) * | 2019-04-15 | 2020-10-21 | Siemens Aktiengesellschaft | Kalibrierung einer zur überwachung eines additiven fertigungsverfahrens vorgesehenen kamera |
JP7363132B2 (ja) * | 2019-07-03 | 2023-10-18 | 株式会社ジェイテクト | 付加製造物の品質推定装置 |
US11080900B2 (en) * | 2019-07-08 | 2021-08-03 | Korea Advanced Institute Of Science And Technology | Method and apparatus for metal artifact reduction in industrial 3-dimensional cone beam computed tomography |
US20210283717A1 (en) * | 2020-03-13 | 2021-09-16 | General Electric Company | Systems and methods for compression, management, and analysis of downbeam camera data for an additive machine |
CN111272785A (zh) * | 2020-04-02 | 2020-06-12 | 航发优材(镇江)增材制造有限公司 | 3d打印金属粉末夹杂率的计算方法 |
CN111203538B (zh) * | 2020-04-22 | 2020-07-28 | 中国航发上海商用航空发动机制造有限责任公司 | 预制裂纹缺陷、内置裂纹缺陷的制备方法及预制件 |
CN111203537B (zh) * | 2020-04-22 | 2020-07-28 | 中国航发上海商用航空发动机制造有限责任公司 | 通过控制lmd工艺预制熔合不良缺陷的方法 |
FR3112858B1 (fr) * | 2020-07-22 | 2022-06-24 | Addup | Procédé de détection de défauts dans une couche de poudre de fabrication additive déposée sur une zone de travail » |
DE102020004514A1 (de) | 2020-07-25 | 2022-01-27 | Laempe Mössner Sinto Gmbh | Verfahren zur Überwachung eines Oberflächenprofils in einem 3D-Drucker |
US20220176455A1 (en) * | 2020-12-08 | 2022-06-09 | Board Of Regents, The University Of Texas System | Spectral Emissivity and Temperature Measurements of Metal Powders during Continuous Processing in Powder Bed Fusion Additive Manufacturing |
GB2607575A (en) * | 2021-06-01 | 2022-12-14 | Stratasys Powder Production Ltd | Method, controller and apparatus for correcting thermal images |
CN113681014B (zh) * | 2021-10-22 | 2022-03-15 | 南通豪派金属制品有限公司 | 一种金属粉末加工设备的智能调控方法及系统 |
DE102021129548A1 (de) * | 2021-11-12 | 2023-05-17 | Trumpf Laser- Und Systemtechnik Gmbh | Verfahren zum Betreiben einer Fertigungsanlage zur additiven Herstellung von Bauteilen aus einem Pulvermaterial |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1466718A2 (en) * | 2003-04-09 | 2004-10-13 | 3D Systems, Inc. | Sintering using thermal image feedback |
CN101228550A (zh) * | 2005-07-29 | 2008-07-23 | 诺基亚公司 | 图像的二值化 |
CN102517579A (zh) * | 2012-01-09 | 2012-06-27 | 苏州大学 | 激光加工装置及监测方法 |
CN102962452A (zh) * | 2012-12-14 | 2013-03-13 | 沈阳航空航天大学 | 基于红外测温图像的金属激光沉积制造扫描路径规划方法 |
WO2014095200A1 (en) * | 2012-12-17 | 2014-06-26 | Arcam Ab | Additive manufacturing method and apparatus |
CN104023948A (zh) * | 2011-12-28 | 2014-09-03 | 阿卡姆股份公司 | 用于在无模成形中检测缺陷的方法和设备 |
WO2014144255A2 (en) * | 2013-03-15 | 2014-09-18 | Matterfab Corp. | Laser sintering apparatus and methods |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0241577A (ja) * | 1988-08-02 | 1990-02-09 | Sanyo Electric Co Ltd | 部品装着検査装置 |
GB9321866D0 (en) | 1993-10-22 | 1993-12-15 | Kinsman Grant | Fuzzy logic control of laser welding |
JPH0878489A (ja) * | 1994-09-02 | 1996-03-22 | Toshiba Corp | 外観検査装置 |
JP2004510363A (ja) * | 2000-08-31 | 2004-04-02 | ライテック コーポレイション | センサおよびイメージングシステム |
JP4320990B2 (ja) * | 2001-11-30 | 2009-08-26 | セイコーエプソン株式会社 | 画面欠陥検出方法及び装置並びに画面欠陥検出のためのプログラム |
JP2003340924A (ja) * | 2002-05-23 | 2003-12-02 | Fuji Photo Film Co Ltd | 積層造形装置 |
WO2004039531A2 (en) * | 2002-10-31 | 2004-05-13 | Ehsan Toyserkani | System and method for closed-loop control of laser cladding by powder injection |
JP4042615B2 (ja) * | 2003-04-17 | 2008-02-06 | 株式会社デンソー | 画像処理方法及び画像処理装置 |
WO2007147221A1 (en) | 2006-06-20 | 2007-12-27 | Katholieke Universiteit Leuven | Procedure and apparatus for in-situ monitoring and feedback control of selective laser powder processing |
DE102007056984A1 (de) * | 2007-11-27 | 2009-05-28 | Eos Gmbh Electro Optical Systems | Verfahren zum Herstellen eines dreidimensionalen Objekts mittels Lasersintern |
US8666142B2 (en) | 2008-11-18 | 2014-03-04 | Global Filtration Systems | System and method for manufacturing |
CN109937387B (zh) | 2012-11-08 | 2022-08-23 | Ddm系统有限责任公司 | 金属部件的增材制造及维修 |
US20150177158A1 (en) * | 2013-12-13 | 2015-06-25 | General Electric Company | Operational performance assessment of additive manufacturing |
EP2918395B1 (en) * | 2014-03-12 | 2018-07-04 | Rolls-Royce Corporation | Additive manufacturing including layer-by-layer imaging |
US9925715B2 (en) | 2014-06-30 | 2018-03-27 | General Electric Company | Systems and methods for monitoring a melt pool using a dedicated scanning device |
KR102263025B1 (ko) * | 2014-12-18 | 2021-06-09 | 주식회사 실리콘웍스 | 레벨 쉬프터 및 이를 포함하는 디스플레이 장치 |
JP6514370B2 (ja) | 2015-06-12 | 2019-05-15 | マテリアライズ・ナムローゼ・フエンノートシャップMaterialise Nv | 付加製造における一貫性を熱画像化手段により確かめるためのシステムと方法 |
-
2016
- 2016-01-29 US US15/011,184 patent/US10353376B2/en not_active Expired - Fee Related
- 2016-01-29 WO PCT/US2016/015777 patent/WO2016123549A1/en active Application Filing
- 2016-01-29 JP JP2017540265A patent/JP2018507325A/ja not_active Ceased
- 2016-01-29 EP EP16705875.9A patent/EP3250337A1/en not_active Withdrawn
- 2016-01-29 CA CA2972155A patent/CA2972155A1/en not_active Abandoned
- 2016-01-29 CN CN201680007648.9A patent/CN107206495B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1466718A2 (en) * | 2003-04-09 | 2004-10-13 | 3D Systems, Inc. | Sintering using thermal image feedback |
CN101228550A (zh) * | 2005-07-29 | 2008-07-23 | 诺基亚公司 | 图像的二值化 |
CN104023948A (zh) * | 2011-12-28 | 2014-09-03 | 阿卡姆股份公司 | 用于在无模成形中检测缺陷的方法和设备 |
CN102517579A (zh) * | 2012-01-09 | 2012-06-27 | 苏州大学 | 激光加工装置及监测方法 |
CN102962452A (zh) * | 2012-12-14 | 2013-03-13 | 沈阳航空航天大学 | 基于红外测温图像的金属激光沉积制造扫描路径规划方法 |
WO2014095200A1 (en) * | 2012-12-17 | 2014-06-26 | Arcam Ab | Additive manufacturing method and apparatus |
WO2014144255A2 (en) * | 2013-03-15 | 2014-09-18 | Matterfab Corp. | Laser sintering apparatus and methods |
Non-Patent Citations (2)
Title |
---|
MIRELES JORGE ET AL: "Closed-loop automatic feedback control in electron beam melting", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
S.CLIJSTERS ET AL: "In situ quality control of the selective laser melting process using a high-speed,real-time melt pool monitoring system", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11338521B2 (en) | 2017-12-15 | 2022-05-24 | Hewlett-Packard Development Company, L.P. | Parts packing for a build volume |
CN111479667B (zh) * | 2017-12-15 | 2022-04-15 | 惠普发展公司,有限责任合伙企业 | 构建体积的零件填充 |
CN111479667A (zh) * | 2017-12-15 | 2020-07-31 | 惠普发展公司,有限责任合伙企业 | 构建体积的零件填充 |
CN109332691A (zh) * | 2018-10-31 | 2019-02-15 | 有研工程技术研究院有限公司 | 一种纳米铜粉3d打印激光烧结参数确定方法 |
CN111319260A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 熔池监控的方法 |
CN111318697A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 使用分形维数的熔池监控的方法 |
CN111319260B (zh) * | 2018-12-13 | 2022-04-15 | 通用电气公司 | 熔池监控的方法 |
CN114670440A (zh) * | 2018-12-13 | 2022-06-28 | 通用电气公司 | 熔池监控的方法 |
CN111318697B (zh) * | 2018-12-13 | 2023-01-03 | 通用电气公司 | 使用分形维数的熔池监控的方法 |
CN109856042A (zh) * | 2019-02-22 | 2019-06-07 | 武汉理工大学 | Slm成型金属产品的整体耐腐蚀性检测方法 |
CN110243674A (zh) * | 2019-04-25 | 2019-09-17 | 武汉理工大学 | 一种slm成型金属产品的力学性能无损检测方法 |
CN114929412A (zh) * | 2019-11-18 | 2022-08-19 | 卡尔蔡司工业测量技术有限责任公司 | 快速开发增材制造参数集的方法 |
CN114929412B (zh) * | 2019-11-18 | 2023-09-29 | 卡尔蔡司工业测量技术有限责任公司 | 快速开发增材制造参数集的方法 |
CN116021770A (zh) * | 2022-11-17 | 2023-04-28 | 中国人民解放军国防科技大学 | 一种挤出式生物3d打印几何缺陷的评价方法及系统 |
CN116021770B (zh) * | 2022-11-17 | 2023-09-19 | 中国人民解放军国防科技大学 | 一种挤出式生物3d打印几何缺陷的评价方法及系统 |
CN116277973A (zh) * | 2023-03-02 | 2023-06-23 | 河南大学 | 一种3d打印检测系统 |
Also Published As
Publication number | Publication date |
---|---|
US10353376B2 (en) | 2019-07-16 |
EP3250337A1 (en) | 2017-12-06 |
US20160224017A1 (en) | 2016-08-04 |
JP2018507325A (ja) | 2018-03-15 |
CA2972155A1 (en) | 2016-08-04 |
WO2016123549A1 (en) | 2016-08-04 |
CN107206495B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107206495B (zh) | 用于创建三维体积质量模型的方法 | |
Mitchell et al. | Linking pyrometry to porosity in additively manufactured metals | |
Gobert et al. | Application of supervised machine learning for defect detection during metallic powder bed fusion additive manufacturing using high resolution imaging. | |
US20210146447A1 (en) | Additive manufacturing method and apparatus | |
Abdelrahman et al. | Flaw detection in powder bed fusion using optical imaging | |
US20160098825A1 (en) | Feature extraction method and system for additive manufacturing | |
Zenzinger et al. | Process monitoring of additive manufacturing by using optical tomography | |
Huang et al. | Rapid surface defects detection in wire and arc additive manufacturing based on laser profilometer | |
JP6939082B2 (ja) | 粉末床評価方法 | |
Lu et al. | Identification and evaluation of defects in selective laser melted 316L stainless steel parts via in-situ monitoring and micro computed tomography | |
CN110573977B (zh) | 提供用于增材制造的数据集的方法及对应的质量控制方法 | |
Bowoto et al. | Analytical modelling of in situ layer-wise defect detection in 3D-printed parts: additive manufacturing | |
Binega et al. | Online geometry monitoring during directed energy deposition additive manufacturing using laser line scanning | |
Lough et al. | Local prediction of Laser Powder Bed Fusion porosity by short-wave infrared imaging thermal feature porosity probability maps | |
Guerra et al. | High resolution-optical tomography for in-process layerwise monitoring of a laser-powder bed fusion technology | |
Kopsacheilis et al. | In Situ Visual Quality Control in 3D Printing. | |
Guerra et al. | In-process dimensional and geometrical characterization of laser-powder bed fusion lattice structures through high-resolution optical tomography | |
US20220197262A1 (en) | Computer-Implemented Method for Determining Defects of an Object Produced Using an Additive Manufacturing Process | |
Dickins et al. | Design of a multi-sensor in-situ inspection system for additive manufacturing | |
Colosimo et al. | On-machine measurement, monitoring and control | |
Colosimo et al. | A novel method for in-process inspection of lattice structures via in-situ layerwise imaging | |
Boschetto et al. | Powder bed monitoring via digital image analysis in additive manufacturing | |
Baucher et al. | Defect characterization through automated laser track trace identification in SLM processes using laser profilometer data | |
Binder et al. | Linking thermal images with 3D models for FFF printing | |
EP3526766A1 (en) | Method of detecting process irregularities by means of volume image data of the manufactured object |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190702 Termination date: 20210129 |