CN111318695A - 使用机器学习的熔池监控的方法 - Google Patents
使用机器学习的熔池监控的方法 Download PDFInfo
- Publication number
- CN111318695A CN111318695A CN201911273375.4A CN201911273375A CN111318695A CN 111318695 A CN111318695 A CN 111318695A CN 201911273375 A CN201911273375 A CN 201911273375A CN 111318695 A CN111318695 A CN 111318695A
- Authority
- CN
- China
- Prior art keywords
- image
- machine learning
- learning algorithm
- additive manufacturing
- manufacturing process
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B22F10/36—Process control of energy beam parameters
-
- 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
- B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
-
- 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
- B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- B22F10/25—Direct deposition of metal particles, e.g. direct metal deposition [DMD] or laser engineered net shaping [LENS]
-
- 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
- B22F10/70—Recycling
- B22F10/73—Recycling of 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
- 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
- B22F12/22—Driving means
- B22F12/224—Driving means for motion along a direction within the plane of a layer
-
- 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
- B22F12/60—Planarisation devices; Compression devices
- B22F12/67—Blades
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30144—Printing quality
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Powder Metallurgy (AREA)
Abstract
一种控制增材制造处理的方法,其中使用定向能量源来选择性地熔化材料以形成工件,在熔化过程中形成熔池。该方法包括:使用成像设备来产生包括个体图像元素的阵列的熔池的图像,图像包括对于每个个体图像元素的至少一个物理性质的测量值;使用软件机器学习算法将每个图像分类为可接受的或不可接受的;和参考图像分类,控制增材制造处理的至少一方面。
Description
技术领域
本发明大体上涉及增材制造和相关处理,并且更具体地,涉及用于增材制造中的熔池监控和处理控制的设备和方法。
背景技术
增材制造是逐层堆积材料以形成部件的处理。增材制造主要受限于机器的位置分辨率,而不受限于铸造所需的提供拔模角度、避免悬垂等的需求。增材制造也用诸如“分层制造”、“反向加工”、“直接金属激光熔化”(DMLM)和“3-D打印”之类的术语来指代。为了本发明的目的,这些术语被视为同义词。
一种类型的增材制造机器被称为“粉末床”机器并且包括构建室,该构建室包围大量的粉末,该粉末通过激光被选择性地熔合以形成工件。
现有技术的增材制造机器的一个问题是它们在开环环境中操作并且不能返回向操作者报告所应用的处理的稳定性。在构建已经完成之后,用于确定处理的健康状况的系统以质量步骤出现。当发现问题时,可能有进行中的工作,该进行中的工作由于机器问题而报废,该机器问题直到事后质量系统能够发现它们之前还没有被检测到。
发明内容
通过在制造处理中对熔池进行成像并提取熔池的图像分类的方法来解决该问题。
根据本文描述的技术的一个方面,提供了一种用于控制增材制造处理的方法,其中使用定向能量源来选择性地熔化材料以形成工件,在熔化过程中形成熔池。该方法包括:使用成像设备来产生包括个体图像元素的阵列的熔池的图像,图像包括对于每个个体图像元素的至少一个物理性质的测量值;使用软件机器学习算法将每个图像分类为可接受的或不可接受的;和参考图像分类,控制增材制造处理的至少一方面。
根据本文描述的技术的另一个方面,提供了一种用于制作工件的方法,该方法包括:在构建室内沉积材料;引导来自定向能量源的构建射束,从而以与工件的横截面层相对应的图案选择性地熔合材料,其中由定向能量源形成熔池;使用成像设备来产生包括个体图像元素的阵列的熔池的图像,图像包括对于每个个体图像元素的至少一个物理性质的测量值;使用软件机器学习算法将每个图像分类为可接受的或不可接受的;和参考图像分类,控制制作工件的至少一方面。
附图说明
通过参考以下结合附图的描述,可以最好地理解本发明,在附图中:
图1是示例性增材制造机器的示意性局部截面的正视图;
图2是图1的机器的示意性局部截面的侧视图;
图3是包括熔池的粉末床的图像的示意性俯视图图形;
图4是一部分熔池图像的放大视图;
图5是已知可接受的熔池的图像的示意性俯视图;和
图6是深度学习算法的示意性流程图。
具体实施方式
参考附图,其中相同的参考数字贯穿各种视图表示相同的元件,图1示意性地示出了适合于执行增材制造方法的增材制造机器10。机器10及其操作是“粉末床机器”的代表性实例。
将理解的是,机器10仅用作实例以提供用于描述本发明的原理的上下文。本文描述的原理可应用于粉末床机器的其他构造,以及其他类型的增材制造机器和相关处理。更一般地,本文描述的原理将可应用于产生熔池的任何制造处理。这种处理的非限制性实例包括电子束熔化(“EBM”),定向能量沉积(“DED”)和激光焊接。术语“制造处理”还可以包括修理处理,其中使用产生熔池的技术将部件组合或接合在一起。
机器10的基本部件包括工作台12、粉末供应源14、重涂覆器16、溢流容器18、被构建室22包围的构建平台20、定向能量源24、和射束转向设备26,所有这些部件都被壳体28包围。下面将更详细地描述这些部件中的每个部件。
工作台12是限定平面工作表面30的刚性结构。工作表面30与虚拟工作平面共面并且限定虚拟工作平面。在所示的实例中,其包括与构建室22连通并露出构建平台20的构建开口32,与粉末供应源14连通的供应开口34,以及与溢流容器18连通的溢流开口36。
重涂覆器16是位于工作表面30上的刚性横向伸长的结构。重涂覆器16连接至致动器38,致动器38可操作以选择性地使重涂覆器16沿着工作表面30移动。图1示意性地示出了致动器38,可以理解的是,例如气动或液压缸、滚珠丝杠或线性电动致动器等的装置可以用于此目的。
粉末供应源14包括供应容器40和升降器42,供应容器40在供应开口34下方并且与供应开口34连通。升降器42是能够在供应容器40内垂直滑动的板状结构。升降器42连接至致动器44,致动器44可操作以选择性地向上或向下移动升降器42。图1示意性地示出了致动器44,可以理解的是,例如气动或液压缸、滚珠丝杠或线性电动致动器等的装置可以用于此目的。当升降器42下降时,可以将期望成分(例如,金属、陶瓷和/或有机粉末)的粉末“P”的供应源装载到供应容器40中。当升降器42上升时,其在工作表面30上方露出粉末P。可以使用其他类型的粉末供应源;例如,粉末可以通过高架装置(未示出)落入构建室22中。
构建平台20是能够在构建开口32下方垂直滑动的板状结构。构建平台20连接到致动器46,致动器46可操作以选择性地向上或向下移动构建平台20。图1示意性地示出了致动器46,可以理解的是,例如气动或液压缸、滚珠丝杠或线性电动致动器等的装置可以用于此目的。当构建平台20在构建处理期间降低到构建室22中时,构建室22和构建平台20共同围绕并支撑大量粉末P以及正在构建的任何部件。该大量粉末大体上被称为“粉末床”,并且这种特定类型的增材制造处理可以被称为“粉末床处理”。
溢流容器18在溢流开口36下方并与溢流开口36连通,并且用作多余粉末P的储存库。
定向能量源24可以包括可操作以产生具有适当功率和其他操作特性的射束以在构建处理期间熔化和熔合粉末P的任何装置,这将在下面更详细地描述。例如,定向能量源24可以是激光器。其他定向能量源,例如电子束枪,是激光的合适替代品。
射束转向装置26可以包括一个或多个反射镜、棱镜和/或透镜,并且设置有合适的致动器,并且被布置为使得来自定向能量源24的射束“B”可以被聚焦到期望斑点尺寸并且将其转向到与工作表面30相重合的平面中的期望位置。为了方便说明,该平面可以称为XY平面,而与XY平面垂直的方向称为Z方向(X、Y和Z是三个相互垂直的方向)。射束B在本文中可以被称为“构建射束”。
壳体28用于隔离和保护机器10的其他部件。在上述构建处理期间,壳体28设置有适当的保护气流,除其他功能以外,该保护气流从构建环境中排除了氧气。为了提供这种流,机器10可以联接到气流设备54,参见图2。示例性的气流设备54以串行流体流连通的方式包括变速风扇56、过滤器58、与壳体28连通的入口管道60、以及与壳体28连通的回流管道64。气流设备54的所有部件与合适的管道相互连接,并且与壳体28组合限定气流回路。
所使用的气体的成分可以类似于作为用于常规焊接操作的保护气体所使用的气体的成分。例如,可以使用诸如氮气、氩气或其混合物的气体。可以使用任何方便的气体源。例如,如果气体是氮气,则可以将常规的氮气发生器66连接到气流设备54。替代地,可以使用一个或多个加压气缸68来供给气体。
使用上述设备的工件W的示例性基本构建处理如下。构建平台20被移动到初始高度位置。建造平台20通过选定的层增量被降低到工作表面30下方。层增量影响增材制造处理的速度和工件W的分辨率。作为实例,层增量可以为大约10到50微米(0.0003到0.002英寸)。然后,粉末“P”被沉积在构建平台20上,例如,供应容器40的升降器42可以被升高,以将粉末推过供应开口34,使其在工作表面30上方露出。重涂覆器16跨越工作表面移动,以便将升高的粉末P水平地散布在构建平台20上。当重涂覆器16从左到右经过时,任何多余的粉末P通过溢流开口36落到溢流容器18中。随后,重涂覆器16可以移回到起始位置。整平的粉末P可以被称为“构建层”,并且其露出的上表面可以被称为“构建表面”。
定向能量源24用于熔化正在构建的工件W的二维横截面或层。定向能量源24发射射束“B”,并且射束转向设备26用于使构建射束B的焦点以适当的图案在露出的粉末表面上转向。在本文中称为“熔池”52的围绕焦点的粉末P的小部分露出层通过构建射束B被加热至允许其烧结或熔化、流动和固结的温度。作为实例,熔池52的宽度可以近似为100微米(0.004英寸)。该步骤可以称为熔合粉末P。
构建平台20通过层增量垂直向下移动,并且以相似的厚度施加另一层粉末P。定向能量源24再次发射构建射束B,并且射束转向设备26用于使构建射束B的焦点以适当的图案在露出的粉末表面上转向。粉末P的露出层通过构建射束B被加热至允许其在顶层内以及与在先固化下层一起烧结或熔化、流动和固结的温度。
重复移动构建平台20、施加粉末P、并且然后定向能量熔合粉末P的这个循环,直到完成整个工件W。
增材制造机器10设置有成像设备70,成像设备70可操作以产生熔池52的数字图像,熔池52的数字图像包括各个图像元素的阵列,即,用于2-D阵列的像素或用于3-D阵列的体素。具有图像元素74的这种图像72的实例在图3中示出。成像设备70可操作以对每个图像元素产生至少一种物理性质的测量值。该测量值可以包括至少一个标量值,例如亮度、强度、频率、温度或Z高度。替代地,成像设备70可以产生代表多个因素的信号,例如RGB颜色值。成像设备70还可操作以对每个成像元素产生相对或绝对位置信息。例如,用于特定图像元素74的成像设备70的输出可以处于格式X、Y、T,其中X等于X位置,Y等于Y位置,并且T等于温度。
合适的成像设备70的非限制性实例包括光电二极管阵列、光电倍增管(“PMT”)阵列、数字相机(例如CMOS或CCD)、或光学相干断层扫描(“OCT”)设备。光学相干断层扫描(“OCT”)是能够提供Z轴线信息以及X和Y信息(例如“3-D信息”)的已知技术。在所示的实例中,成像设备70被描述为数字相机,其被放置成使其视场包围熔池52。
成像设备70可以被静态安装,或其可以被安装成使得其可以通过一个或多个致动器(未示出)被驱动,以便跟踪熔池52的位置。
成像设备70可以被构造成以规则的间隔获取一系列静态图像,或者其可以被连续操作。熔池图像72生成可以在其上进行分析的基础数据集。
分析熔池52的处理可以使用嵌入在例如微型计算机(未示出)的装置中的一个或多个处理器上运行的适当编程软件来执行。这种软件可以在与机器10分离的装置上实现,或者其可以被结合到机器10中,例如,软件可以通过下面描述的控制器被运行。
继续参考图3,示出了在其上叠加熔池52的粉末床P的一部分。示出了具有由阴影图像元素74标识的外围熔池边界76或封闭周边的熔池52,阴影图像元素74是熔池52的内部与熔池52的外部之间的分界。
作为实例,图4示出了其中每个图像元素74被分配对应于感测数据的标量值的一部分熔池52的简化表示。例如,温度数据可以以0-10标度表示。
一旦熔池52被数字成像,就可以使用一个或多个机器学习算法对其进行评估。通常,“机器学习”指的是允许计算机系统无需显式编程即可提高任务性能的软件技术。机器学习算法可以被实现为人工神经网络。机器学习分析和评估可以在包括熔池52加上粉末床的附加周围区域的图像上,仅在包括熔池边界76的熔池52上,仅在熔池边界76上,仅在位于熔池边界76内的一部分熔池52上执行,或其一些组合。
机器学习算法可操作以通过识别图像中的共同特征来将图像分类为属于定义组。算法可以基于训练(即“监督”模式)进行分类任务。
在增材制造处理的上下文中,分类任务可以包括将每个熔池图像72分类为“可接受的”(即,处理无故障)或“不可接受的”(即,处理有故障)。
可以通过向机器学习算法输入已知可接受的、已知不可接受的或其组合的图像来训练机器学习算法。这些作为比较的基础。在监督训练模式下,监督可以通过用由于处理失败而组织的特定类别的已知不可接受的图像进行训练,来促进根本原因分析。作为一个说明性实例,可以为算法提供由太厚的粉末层产生的已知不可接受的图像。因此,算法从该图像中不仅会学习到该图像是不可接受的,而且还会学习到该图像是因为粉末层太厚而不可接受。
例如,图5描绘了理想化的熔池模板78的模型。熔池模板78由图像元素80组成,并且包括代表已知良好处理(即,无故障)的预定模板边界82。在该实例中,模板边界82是近似圆形的。尽管对于可接受处理不一定需要特定形状,但是通常确实的是,作为更复杂和不规则的图3的更复杂的形状,与较不复杂的形状相比,更可能是不可接受的并且表示处理问题。类似于图3的形状可以用作已知的不可接受的图像。
一类机器学习算法是“深度学习”。深度学习算法使用多层级联来提取图像特征。每一后续层使用前一层的输出作为输入。这种算法可以在包括上述定义的分类任务的“监督”模式下学习或训练,或在包括图案分析任务的“无监督”模式下学习或训练。图6示出了其中熔池图像72被连续地分解成层的实例。第一层100包括输入图像元素74(例如,像素)。像素组合以形成边缘的层102。边缘组合以形成转角和轮廓的另一层104。转角和轮廓组合以形成对象零件的层106。对象零件最终组合以形成输出(即对象标识)108。例如,算法可以以原始图像元素74开始并且可以从其识别熔池52。
对于每个个体熔池图像72,当它们被获取时,可以重复熔池质量确定。
除了熔池图像72的简单分类以外,还可以使用其他方法。在一个实例中,每个熔池图像72的分类可以用作单个或多元统计过程控制(“SPC”)处理的输入。已知SPC方法的非限制性实例包括主成分分析(“PCA”)、独立成分分析(“ICA”)和内核PCA。
该处理可以包括基于机器学习分类来生成无故障和有故障的处理状态的种群。具体地,每个熔池图像72在被分类时会被分配给无故障或有故障的种群。
熔池监控处理可以并入到上述构建处理中。一般而言,监控处理包括使用上述成像设备70获取熔池图像72,使用上述一个或多个机器学习技术评估熔池52,然后根据需要调整一个或多个处理参数。如本文所使用的,“处理参数”可以指机器10的任何可控方面。
监控处理可以包括响应于指示处理故障的熔池分类而采取离散动作,例如向本地或远程操作者提供视觉或听觉警报。
监控处理可以包括响应于指示处理故障的熔池分类而停止构建处理。这是离散动作的另一个实例。
监控处理可以包括使用方法,例如统计过程控制,前馈控制,使用比例、比例积分或比例积分微分控制逻辑的反馈控制,神经网络控制算法,或模糊逻辑控制算法,实时控制一个或多个处理参数,例如定向能量源功率水平或射束扫描速度。
监控方法可以包括监控机器10的状况或“健康”。熔池测量值可以在几个构建周期期间被测量和存储,并且在周期之间被比较。例如,循环之间的熔池一致性的变化可以指示机器校准错误或性能下降。纠正动作可以采取机器维护或修理的形式,或者在后续构建中修改处理参数,以补偿机器性能下降。
例如,通过嵌入在诸如可编程逻辑控制器(“PLC”)或微型计算机(未显示)的一个或多个装置中的一个或多个处理器上运行的软件,可以控制包括机器10和成像设备70的上述设备的操作。这种处理器可以例如通过有线或无线连接联接到传感器和操作部件。相同的一个或多个处理器可以用来检索和分析传感器数据,用于统计分析以及用于反馈控制。图1示意性地示出了包括可操作以控制机器10的一个或多个处理器的控制器85。
本文描述的方法相对于现有技术具有多个优点。尤其,熔池的直接分析是制造处理的稳定性以及最终工件符合几何、冶金和机械要求的关键指标。
使用本文描述的方法建立熔池稳定性还可以通过验证处理符合已知的良好标准来降低机器设置成本,减少用于增材的现有材料开发,减少应用开发,并且成为用于增材开发的新型合金的促成因素。
前面已经描述了用于在制造处理中监控熔池的设备和方法。在本说明书(包括任何所附权利要求、摘要和附图)中公开的所有特征,和/或如此公开的任何方法或处理的所有步骤,可以以任何组合进行组合,除了其中至少一些这种特征和/或步骤是互斥的组合以外。
除非另有明确说明,否则本说明书中公开的每个特征(包括任何所附权利要求书、摘要和附图)可以由具有相同、等同或类似目的的替代特征代替。因此,除非另有明确说明,否则所公开的每个特征仅是一般系列的等同或类似特征的一个实例。
本发明不限于前述实施例的细节。本发明扩展本说明书(包括任何所附权利要求书、摘要和附图)中公开的任何新颖的特征或任何新颖的特征组合,或如此公开的任何方法或处理的任何新颖的步骤或任何新颖的步骤组合。
本发明的进一步方面通过以下条项的主题提供:
1.一种控制增材制造处理的方法,其中使用定向能量源来选择性地熔化材料以形成工件,在熔化过程中形成熔池,所述方法包括:使用成像设备来产生包括个体图像元素的阵列的所述熔池的图像,所述图像包括对于每个所述个体图像元素的至少一个物理性质的测量值;使用软件机器学习算法将每个图像分类为可接受的或不可接受的;和参考图像分类,控制所述增材制造处理的至少一方面。
2.根据任何在前条项的方法,其中所述机器学习算法是深度学习算法。
3.根据任何在前条项的方法,其中所述机器学习算法使用无监督训练来操作。
4.根据任何在前条项的方法,其中使用已知为可接受的熔池图像来训练所述机器学习算法。
5.根据任何在前条项的方法,其中使用已知为不可接受的熔池图像来训练所述机器学习算法。
6.根据任何在前条项的方法,进一步包括评估所述图像分类,用于指示处理故障。
7.根据任何在前条项的方法,其中将所述图像分类用作用于所述增材制造处理的统计过程控制方法的输入。
8.根据任何在前条项的方法,其中所述图像分类用于生成无故障和有故障处理状态的种群。
9.根据任何在前条项的方法,其中控制步骤包括响应于指示处理故障的所述图像分类而采取离散动作。
10.根据任何在前条项的方法,其中所述离散动作是停止所述增材制造处理。
11.根据任何在前条项的方法,其中所述离散动作是向本地或远程操作者提供视觉或听觉警报。
12.根据任何在前条项的方法,其中控制步骤包括改变所述增材制造处理的至少一个处理参数。
13.根据任何在前条项的方法,其中受控的所述处理参数包括以下至少之一:定向能量源功率水平和射束扫描速度。
14.一种制作工件的方法,包括:在构建室内沉积材料;引导来自定向能量源的构建射束,从而以与所述工件的横截面层相对应的图案选择性地熔合材料,其中由所述定向能量源形成熔池;使用成像设备来产生包括个体图像元素的阵列的所述熔池的图像,所述图像包括对于每个所述个体图像元素的至少一个物理性质的测量值;使用软件机器学习算法将每个图像分类为可接受的或不可接受的;和参考图像分类,控制制作所述工件的至少一方面。
15.根据任何在前条项的方法,进一步包括评估所述图像分类,用于指示处理故障。
16.根据任何在前条项的方法,其中将所述图像分类用作用于所述增材制造处理的统计过程控制方法的输入。
17.根据任何在前条项的方法,其中所述图像分类用于生成无故障和有故障处理状态的种群。
18.根据任何在前条项的方法,其中所述分类仅基于包含在所述图像的熔池边界中的图像元素。
19.根据任何在前条项的方法,其中所述分类仅基于包含在由所述图像的熔池边界所界定的区域中的图像元素。
Claims (10)
1.一种控制增材制造处理的方法,其中使用定向能量源来选择性地熔化材料以形成工件,在熔化过程中形成熔池,其特征在于,所述方法包括:
使用成像设备来产生包括个体图像元素的阵列的所述熔池的图像,所述图像包括对于每个所述个体图像元素的至少一个物理性质的测量值;
使用软件机器学习算法将每个图像分类为可接受的或不可接受的;和
参考图像分类,控制所述增材制造处理的至少一方面。
2.根据权利要求1所述的方法,其特征在于,其中所述机器学习算法是深度学习算法。
3.根据权利要求2所述的方法,其特征在于,其中所述机器学习算法使用无监督训练来操作。
4.根据权利要求1所述的方法,其特征在于,其中使用已知为可接受的熔池图像来训练所述机器学习算法。
5.根据权利要求2所述的方法,其特征在于,其中使用已知为不可接受的熔池图像来训练所述机器学习算法。
6.根据权利要求1所述的方法,其特征在于,进一步包括评估所述图像分类,用于指示处理故障。
7.根据权利要求1所述的方法,其特征在于,其中将所述图像分类用作用于所述增材制造处理的统计过程控制方法的输入。
8.根据权利要求1所述的方法,其特征在于,其中所述图像分类用于生成无故障和有故障处理状态的种群。
9.根据权利要求6所述的方法,其特征在于,其中控制步骤包括响应于指示处理故障的所述图像分类而采取离散动作。
10.根据权利要求9所述的方法,其特征在于,其中所述离散动作是停止所述增材制造处理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/219,594 | 2018-12-13 | ||
US16/219,594 US20200189199A1 (en) | 2018-12-13 | 2018-12-13 | Method for melt pool monitoring using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111318695A true CN111318695A (zh) | 2020-06-23 |
Family
ID=68835063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911273375.4A Pending CN111318695A (zh) | 2018-12-13 | 2019-12-12 | 使用机器学习的熔池监控的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200189199A1 (zh) |
EP (1) | EP3667565A1 (zh) |
CN (1) | CN111318695A (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11536671B2 (en) * | 2020-08-07 | 2022-12-27 | Sigma Labs, Inc. | Defect identification using machine learning in an additive manufacturing system |
JP7096311B2 (ja) * | 2020-11-12 | 2022-07-05 | 株式会社ソディック | 積層造形装置及び積層造形物の製造方法 |
CN112967259B (zh) * | 2021-03-16 | 2023-10-13 | 山东建筑大学 | 基于熔池图像的等离子弧焊接穿孔状态预测方法及系统 |
GB2623964A (en) * | 2022-10-31 | 2024-05-08 | Donaa Ltd | Vision system and software detecting defects in real-time during additive manufacturing. |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044154A (zh) * | 2015-07-01 | 2015-11-11 | 西安理工大学 | 激光金属成形中材质缺陷红外热成像检测及靶向消除方法 |
US20160179064A1 (en) * | 2014-12-17 | 2016-06-23 | General Electric Company | Visualization of additive manufacturing process data |
US20160224017A1 (en) * | 2015-01-29 | 2016-08-04 | Alcoa Inc. | Systems and methods for modelling additively manufactured bodies |
CN106925784A (zh) * | 2017-04-14 | 2017-07-07 | 华南理工大学 | 一种基于相机实时拍摄的3d打印过程监控方法及装置 |
US20180126670A1 (en) * | 2016-11-07 | 2018-05-10 | General Electric Company | Method and system for x-ray backscatter inspection of additive manufactured parts |
US20180136633A1 (en) * | 2016-05-20 | 2018-05-17 | Moog Inc. | Outer space digital logistics system |
CN108608118A (zh) * | 2018-05-03 | 2018-10-02 | 哈尔滨工业大学(威海) | 基于熔池温度和尺寸测量的激光增材制造缺陷诊断方法 |
WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9878495B2 (en) * | 2012-09-07 | 2018-01-30 | Makerbot Industries, Llc | Three-dimensional printing of large objects |
US9999924B2 (en) * | 2014-08-22 | 2018-06-19 | Sigma Labs, Inc. | Method and system for monitoring additive manufacturing processes |
US20160098825A1 (en) * | 2014-10-05 | 2016-04-07 | Sigma Labs, Inc. | Feature extraction method and system for additive manufacturing |
US20170239719A1 (en) * | 2016-02-18 | 2017-08-24 | Velo3D, Inc. | Accurate three-dimensional printing |
US10747202B2 (en) * | 2017-06-30 | 2020-08-18 | General Electric Company | Systems and method for advanced additive manufacturing |
-
2018
- 2018-12-13 US US16/219,594 patent/US20200189199A1/en not_active Abandoned
-
2019
- 2019-12-09 EP EP19214331.1A patent/EP3667565A1/en not_active Withdrawn
- 2019-12-12 CN CN201911273375.4A patent/CN111318695A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160179064A1 (en) * | 2014-12-17 | 2016-06-23 | General Electric Company | Visualization of additive manufacturing process data |
US20160224017A1 (en) * | 2015-01-29 | 2016-08-04 | Alcoa Inc. | Systems and methods for modelling additively manufactured bodies |
CN105044154A (zh) * | 2015-07-01 | 2015-11-11 | 西安理工大学 | 激光金属成形中材质缺陷红外热成像检测及靶向消除方法 |
US20180136633A1 (en) * | 2016-05-20 | 2018-05-17 | Moog Inc. | Outer space digital logistics system |
US20180126670A1 (en) * | 2016-11-07 | 2018-05-10 | General Electric Company | Method and system for x-ray backscatter inspection of additive manufactured parts |
CN106925784A (zh) * | 2017-04-14 | 2017-07-07 | 华南理工大学 | 一种基于相机实时拍摄的3d打印过程监控方法及装置 |
WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
CN108608118A (zh) * | 2018-05-03 | 2018-10-02 | 哈尔滨工业大学(威海) | 基于熔池温度和尺寸测量的激光增材制造缺陷诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3667565A1 (en) | 2020-06-17 |
US20200189199A1 (en) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7054268B2 (ja) | 積層造形における人工知能フィードバック制御のためのシステム、方法および媒体 | |
CN111319260B (zh) | 熔池监控的方法 | |
CN111318695A (zh) | 使用机器学习的熔池监控的方法 | |
CN108290219B (zh) | 增材制造方法及设备 | |
CN110114203B (zh) | 用于增材制造中的处理控制的方法 | |
US11806925B2 (en) | Additive manufacturing process | |
JP2010530809A (ja) | 機械加工システム制御装置及び方法 | |
EP3659727A1 (en) | Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device | |
EP3666427A1 (en) | Method for melt pool monitoring using geometric length | |
CN113382846A (zh) | 用于增材制造中的处理监测的方法和设备 | |
CN111319265B (zh) | 使用代数连通度的熔池监控的方法 | |
CN111318696B (zh) | 使用格林定理的熔池监控的方法 | |
CN111318697B (zh) | 使用分形维数的熔池监控的方法 | |
CN114670440B (zh) | 熔池监控的方法 | |
EP3991947A1 (en) | In-process optical based monitoring and control of additive manufacturing processes | |
KR20200045028A (ko) | 영상처리를 이용한 실시간 자동 높이 추적 제어 시스템 및 그 방법 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200623 |
|
WD01 | Invention patent application deemed withdrawn after publication |