CN112118949A - 增材制造中用于人工智能反馈控制的系统、方法和介质 - Google Patents

增材制造中用于人工智能反馈控制的系统、方法和介质 Download PDF

Info

Publication number
CN112118949A
CN112118949A CN201980032570.XA CN201980032570A CN112118949A CN 112118949 A CN112118949 A CN 112118949A CN 201980032570 A CN201980032570 A CN 201980032570A CN 112118949 A CN112118949 A CN 112118949A
Authority
CN
China
Prior art keywords
print
layer
printed
anomaly
artificial intelligence
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
Application number
CN201980032570.XA
Other languages
English (en)
Other versions
CN112118949B (zh
Inventor
马修·C·普特曼
瓦迪姆·潘斯基
詹姆斯·威廉姆斯
达马斯·利莫格
阿什温·拉加夫·尼马莱斯瓦兰
马里奥·克里斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nano Electronic Imaging Co ltd
Original Assignee
Nano Electronic Imaging Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nano Electronic Imaging Co ltd filed Critical Nano Electronic Imaging Co ltd
Priority to CN202210941812.0A priority Critical patent/CN115302780A/zh
Publication of CN112118949A publication Critical patent/CN112118949A/zh
Application granted granted Critical
Publication of CN112118949B publication Critical patent/CN112118949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • B22F10/10—Formation of a green body
    • 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
    • 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
    • B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
    • 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
    • B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B29C64/205—Means for applying layers
    • B29C64/209—Heads; Nozzles
    • 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
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • 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
    • 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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional 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
    • B22F2203/00—Controlling
    • B22F2203/03—Controlling for feed-back
    • 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
    • B22F2999/00—Aspects linked to processes or compositions used in powder metallurgy
    • 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
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G01N2021/8438—Mutilayers
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G06V2201/12—Acquisition of 3D measurements of objects
    • G06V2201/121—Acquisition of 3D measurements of objects using special illumination

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • General Factory Administration (AREA)
  • Control Of Non-Electrical Variables (AREA)
  • Optical Integrated Circuits (AREA)

Abstract

使用人工智能的增材制造系统可以从生成的打印层的地形图像中识别对象的打印层中的异常。增材制造系统还可以使用人工智能来确定所识别的异常与一个或更多个打印参数之间的相关性，并自适应地调整一个或更多个打印参数。增材制造系统还可以使用人工智能来优化一个或更多个打印参数，以实现所期望的机械、光学和/或电性能。

Description

增材制造中用于人工智能反馈控制的系统、方法和介质
技术领域
本公开涉及用于在增材制造中提供人工智能反馈控制的机制。
背景技术
增材制造系统(诸如3D打印机和单元打印机)被广泛用于沉积天然的、合成的或生物材料的多层，以通过挤压、烧结、光聚合、机械合成或电动流体动力的过程来制造对象。增材制造的过程通过层沉积过程制造对象，其中，增材制造打印机不断添加连续的层，直到打印对象完成。
通常，由增材制造打印机打印的对象是基于生产设计的。可以使用三维建模软件(例如CAD程序)为所需规格的对象创建生产设计。然后，切片程序可以将生产设计转换为数控代码(例如G代码)，然后切片程序将设计分为多个层，然后切片程序可以用来指示增材制造打印机打印生产设计的每个单独层的物理表示。增材制造的目标是打印与生产设计的规格密切相关的对象。
根据生产设计的尺寸和复杂度，无论如何完成一个打印对象可能要花费数小时到几天的时间。当前的增材制造系统在其可提供的反馈类型以及在对象的每一层被打印后可采取的纠正措施方面受到限制。通常，直到整个对象都已打印，才提供反馈。当在对象的打印过程中提供反馈时，通常是为了确定是停止打印对象还是继续打印对象。
在一些增材制造系统中，当光照射在对象上时，由打印对象产生的阴影提供反馈。该方法受到限制，因为阴影会遮挡打印对象的区域并阻止精确反馈。增材制造中的精确反馈对于维持质量和可复制的打印对象很有用。
因此，期望为对象的每个打印层提供人工智能反馈控制(AIFC)，以便可以在对象的打印过程中及时采取纠正措施。还期望提供AIFC以实现打印对象期望的机械、光学和/或电特性，以及实现与其生产设计非常相似的打印对象或改进生产设计。
发明内容
根据一些实施例，提供了在增材制造中用于人工智能反馈控制的系统、方法和介质。更特别地，在一些实施例中，提供了增材制造系统，该系统包括：被配置为以逐层方式打印对象的打印头；用于向对象的打印层的表面提供照明的照明源；被配置为捕获所述打印层的图像的图像传感器；以及至少一个硬件处理器，该至少一个硬件处理器被配置为：接收捕获的图像；生成打印层的三维地形图像；使用第一人工智能算法从生成的地形图像中识别打印层中的异常；使用第二人工智能算法确定所识别的异常与一个或更多个打印参数之间的相关性；以及为一个或更多个打印参数分配值。
在一些实施例中，提供了用于增材制造的方法，该方法包括：接收由图像传感器产生的捕获图像，该图像传感器被配置为捕获以逐层方式打印的对象的打印层的图像；使用硬件处理器生成打印层的三维地形图像；使用第一人工智能算法从所生成的地形图像中识别打印层中的异常；使用第二人工智能算法确定所识别的异常与一个或更多个打印参数之间的相关性；以及为一个或更多个打印参数分配值。
在一些实施例中，提供了包括计算机可执行指令的非暂时性计算机可读介质，该计算机可执行指令在由处理器执行时使处理器执行用于增材制造的方法，该方法包括：接收由图像传感器产生的捕获图像，所述图像传感器被配置为捕获以逐层方式打印的对象的打印层的图像；生成所述打印层的三维地形图像；使用第一人工智能算法从所生成的地形图像中识别打印层中的异常；使用第二人工智能算法确定所识别的异常与一个或更多个打印参数之间的相关性；以及为一个或更多个打印参数分配值。
附图说明
图1是根据一些实施例的增材制造系统的示例。
图2是根据一些实施例的可以与增材制造打印机一起使用的照相机和光源的示例。
图3是根据一些实施例的操作员将打印参数输入到数控代码生成器中的界面的示例。
图4是根据一些实施例的打印层的图像的示例，其示出了可以捕获的沉积细丝中的意外间隙。
图5A、图5B和图5C是根据一些实施例的各种打印层的图像的示例，其示出了可以捕获的打印层中的意外线状伪影和其他破坏。
图6是根据一些实施例的增材制造打印操作(高水平)的示例。
图7A是根据一些实施例的可能包括在数控代码中的打印层的一组设定点的仿真的示例。
图7B是根据一些实施例的所穿过的打印路径可能样子的仿真示例。
图8是根据一些实施例的用于基于不同的填充密度和填充图案来学习异常图案和异常率以及该异常图案和异常率如何影响打印对象的机械性能的训练过程的示例。
具体实施方式
根据公开主题的一些实施例，提供了用于增材制造人工智能反馈控制(AIFC)的机制(机制可以包括系统、方法、设备、装置等)。AIFC可用于例如，优化增材制造系统的打印参数，以实现与生产设计相比所期望的机械、光学和/或电学特性和/或打印对象所期望的精度。AIFC还可以用于识别打印层中的异常并在打印过程中采取纠正措施。
如本文所公开的，在一些实施例中，人工智能可用于从本文所述的增材制造中学习并改进本文所述的增材制造，并用于输出反馈、信息、数据和/或指令(“AIFC”)。人工智能算法可以单独地或组合地包括以下中的一项或更多项：机器学习、隐马尔可夫模型(hiddenMarkov models)；递归神经网络(recurrent neural networks)；卷积神经网络；贝叶斯符号方法；通用对抗网络；支持向量机；和/或任何其他适当的人工智能算法。尽管AIFC基于AI算法，但AIFC也可以使用在增材制造过程中收集的数据，该数据并非基于人工智能算法。
图1示出了根据所公开的主题的一些实施例的可以实现AIFC的示例性增材制造系统100。在高水平上，根据一些实施例，增材制造系统100的基本部件包括数控代码生成器110、增材制造打印机115、图像生成器170和图像分析器180。增材制造打印机115可以包括图像传感器120、光源130、打印头140、细丝供应系统145、构建板150和控制模块160。用于增材制造系统100的部件的功能可以组合为单个部件，也可以跨多个部件散布。在一些实施例中，部件(例如，数控代码生成器110、图像生成器170和/或图像分析器180)的一些功能可以由增材制造打印机115远程执行。
注意，增材制造系统100可以包括未示出的其他适当的部件。附加地或替代地，包括在增材制造系统100中的一些部件可以被省略。
尽管以下描述涉及将AIFC与熔融沉积建模增材制造打印机一起使用，但是在一些实施例中，本文所述的AIFC可以与任何适当的3D打印技术一起使用，该3D打印技术包括立体光固化技术(stereolithography，SLA)、电子束熔化、直接金属沉积(电动流体动力打印)和选择性激光烧结。
在一些实施例中，增材制造打印机115可以包括用于在打印过程中捕获图像和/或视频的一个或更多个图像传感器120。图像传感器120可以被配置为在对象的每一层被打印时和/或被打印之后捕获对象的图像(或视频)。图像传感器120可以是像可以在数字照相机和/或摄像机中使用的例如电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)传感器，。图像传感器120还可以包括用于捕获对象的热图像和/或视频并执行温度计算的红外(IR)摄像机。图像传感器120可以相对于构建板150和/或打印头140位于不同的位置和角度。
在一些实施例中，增材制造打印机115可以包括单个光源130或多个光源(例如，多光矢量)，单个光源130或多个光源相对于构建板150和/或相对于图像传感器120位于不同的位置和角度(例如，光源可以周向地围绕图像传感器120放置)。照明可以随尺寸、所用光源的数量和/或照明的位置和角度而变化。照明可以用于照亮对象的打印层，使得图像传感器120可以捕获对象的图像和/或视频。
捕获的图像和/或视频可以存储在存储器中，并且可以用于创建打印层的三维地形图像和/或其他适当的图像，如本文结合图像生成器170所讨论的。
图2示出了可以与增材制造打印机115一起使用的照相机120和光源130的示例。图2包括照相机120，该照相机120由搁置在LED固定器230中的发光二极管(LED)环210包围。在一些实施例中，控制模块160控制LED环210内的各个LED，以确定应点亮哪些LED。LED环210内的各个LED的控制可以通过用于生成打印层的图像的地形成像技术的要求来确定。
如上所述，增材制造打印机115还可以包括一个或更多个打印头140和一个或更多个构建板150。打印头140和/或构建板150可以在X(宽度)方向、Y(长度)方向和Z(高度)方向上相对于彼此移动。打印头140可以持有由细丝供应系统145供应的细丝，该细丝通过打印头140的一个或更多个喷嘴以逐层方式被挤出。在一些实施例中，打印头喷嘴的温度可以被控制以加热存储在打印头140中的细丝，以保持细丝在可以被沉积的可流动形式(例如，当打印头140和/或构建板150相对于彼此移动时，和/或当打印头140和/或构建板150静止时)。挤出的材料可以熔合到构建板150(与第一挤出层的情况相同)或熔合到先前沉积的挤出层。可以控制的打印头140和/或构建板150的其他方面包括：例如，打印头140和/或构建板150在移动过程中遵循的路径；当在生产设计的层之间转换时，打印头和/或构建板150沿Z轴方向相对于彼此移动的数量，打印头140和/或构建板150相对于彼此的定向；打印头140和/或构建板150的移动速度；以及打印头140沉积的细丝的数量和速率。在一些实施例中，打印路径可以由至少两组X-Y-Z坐标定义。在操作期间，可以控制打印头和/或构建板相对于彼此移动，并且打印头可以以期望的填充图案释放细丝。在一些实施例中，打印头140和/或构建板150可以由来自数控代码生成器110和/或控制模块160的代码控制。
在一些实施例中，可以将构建板150加热到预定温度并且构建板150可以在不同方向上定向。
在一些实施例中，控制模块160可以控制增材制造系统100的部件(例如，数控代码生成器110、图像传感器120、光源130、打印头140、构建板150、图像生成器170和图像分析器180)以及由增材制造系统的部件执行并在增材制造系统的部件之间执行的通信、操作(例如，捕获打印对象的图像、启动光源130等)和计算的任何适当的一个或更多个设置(例如，温度、速度、定向等)，在一些实施例中，该控制模块160可以包括控制器和控制器界面。控制系统108可以包括任何适当的(在一些实施例中可以执行软件的)硬件，诸如(任何一个都可以被称为硬件处理器的)计算机、微处理器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FGPA)和数字信号处理器(DSP)，(包括一个或更多个EPROMS、一个或更多个EEPROM、动态随机存取存储器(“DRAM”)、静态随机存取存储器(“SRAM”)和/或闪存的)编码器、读取编码器的电路、存储设备，和/或任何其他适当的硬件元件。在一些实施例中，增材制造系统100内的各个部件可以包括它们自己的软件、固件和/或硬件，以控制各个部件并与增材制造系统100中的其他部件通信。
在一些实施例中，控制模块160与增材制造系统100的其他部件之间的通信和/或控制模块160与增材制造打印机115内的其他部件之间的通信可以使用任何适当的通信技术，诸如模拟技术(例如，中继逻辑)、数字技术(例如，RS232、以太网或无线)、网络技术(例如，局域网(LAN)、广域网(WAN)、互联网)、蓝牙技术、近场通信技术、安全RF技术和/或任何其他适当的通信技术。
在一些实施例中，可以使用任何适当的输入设备(例如，键盘、鼠标或控制杆)将操作员输入传达至控制模块160。
除了图1所示的部件之外，增材制造打印机115还可以包括其他部件，例如，温度传感器、湿度传感器、用于测量打印头140的加速度和任何意外运动(诸如，颠簸、颤抖等)的加速度计以及用于显示图像的显示监视器。增材制造打印机115还可以包括用于定向和/或移动图像传感器120、照明源130、打印头140和/或构建板150的一个或更多个致动器。
图1还示出了数控代码生成器110。在一些实施例中，数控代码生成器110可以被配置为接收要打印的对象的三维设计(例如，计算机辅助设计(CAD)模型)(在本文中称为“生产设计”)。可以以可由数控代码生成器110处理的任何适当的格式(例如，标准镶嵌语言(.stl)、图形标准(DWS)或图形(DWG)文件格式)接收生产设计。
数控代码生成器110可以被配置为将生产设计转换为增材制造打印机115的指令，以打印生产设计的物理表示。在一些实施例中，数控代码生成器110可以包括用于操作员将结合图3所述的某些打印参数输入的界面。打印参数还可包括但不限于以下一项或更多项：增材制造机115的打印特征(例如，打印头尺寸、挤出的细丝类型、3D打印技术等)；打印路径；细丝进给速率；以及生产设计的规格(例如，打印设计应该的样子，设计所需的机械、光学和/或电特性等)。
基于一个或更多个打印参数，数控代码生成器110可以应用切片算法以使生产设计与在Z方向上以预定距离间隔开的平行平面相交以创建二维层或三维层。例如，如果要打印的对象在Z方向上为5mm，并且在Z方向上所需的层的厚度为0.2mm，则可以将该对象的生产设计切成在Z方向上厚度为0.2mm的25个层。除了切片生产设计之外，数控代码生成器110还可以被配置为基于以下一个或更多个生成用于要打印的每一层的数控代码：打印参数；来自当前正在打印的打印对象的一个或更多个先前打印层的AIFC；来自其他打印对象的(其中一些可能已合并到生产设计中的)AIFC；以及增材制造打印机115的打印特征，。
在其他实施例中，切片算法可以被配置为仅确定第一层并为该第一层生成数控代码。可以基于以下中的一个或更多个来生成打印对象的每个后续层的数控代码：来自当前正在打印的打印对象的一个或更多个先前打印层的AIFC；来自其他打印对象的(其中一些可能已合并到生产设计中的)AIFC；打印对象的生产设计所需的机械、光学和/或电特性以及规格；以及由操作员输入的输入参数和/或增材制造打印机115的打印特征。在一些实施例中，切片算法可以完全省略，并且可以基于以下一项或更多项来生成数控代码：来自其他打印对象的(其中一些可能已合并到生产设计中的)AIFC；打印对象的生产设计所需的机械、光学和/或电特性以及规格；由操作员输入的输入参数；和/或增材制造打印机115的打印特征。在一些实施例中，数控代码生成器还可以考虑不可控变量(即在没有人工干预的情况下不可控的变量)，例如，包括但不限于环境湿度、温度和曝光，电压变化，增材制造打印机115的磨损以及可用于打印头140的总细丝供应量。
图3示出了根据所公开主题的一些实施例的供操作员将打印参数输入到数控代码生成器110中的示例界面300。
注意，界面300可以包括用于控制其他适当的打印参数的字段(未示出)。附加地或替代地，在一些实施例中，界面300中包括的一些打印参数可以被省略。此外，可选地，界面300中包括的任何打印参数和所有打印参数可以由数控代码生成器自动生成，而不由操作员输入。在一些实施例中，操作员可以输入用于生产设计的第一层的打印参数，并且数控代码生成器110可以使用人工智能算法和本文公开的其他方法来生成用于打印设计的后续层的打印参数。
如图所示，界面300可以包括用于控制打印质量参数的字段，诸如层高、壳厚和撤回之类。
层高是指打印对象的层的高度。层的高度会影响打印分辨率。例如，与较高的层相比，较短的层可以创建更详细的打印和更平滑的表面。但是，具有较短层的对象可能花费更长的打印时间。相反，较高的层可以对应于较低分辨率的打印和较粗糙的表面。与具有较短层的相同对象相比，包括较高层的对象可以更快地打印。在一些实施例中，可以使用任何适当的层高。
壳厚指打印对象的外壁的厚度。在一些实施例中，可以使用任何适当的壳厚。
撤回是指当打印头在没有指定打印的区域上移动时，确保没有细丝从打印头中挤出。在一些实施例中，撤回可以被启用或禁用。
界面300还可以包括用于控制打印速度设置的字段，该打印速度设置用于控制打印头的速度和/或构建板的速度。打印速度是指当打印头打印时，打印头和/或构建板移动的多快。在一些实施例中，可以使用任何适当的打印速度。基于打印速度，可以计算需要挤出的材料量(即进给速率)。在一些实施例中，可以使用任何适当的进给速率。
界面300还可以包括用于控制温度设置的字段，该温度设置用于控制打印头的温度和/或构建板的温度。当打印速度改变时，可能有必要改变打印头的温度，以确保将挤出的细丝充分加热以沉积。在一些实施例中，可以使用任何适当的打印头温度。
界面300还可以包括用于控制填充密度和填充图案设置的字段。
填充密度是指在对象内部打印的结构，并且填充密度可以例如以百分比指定。在一些实施例中，可以使用任何适当的填充密度。100％填充密度是指没有预期间隙的实线填充密度。
填充图案是指填充的图案。在一些实施例中，可以使用任何适当的填充图案。例如，在一些实施例中，填充图案可以包括蜂窝、三角形、网格和矩形。填充密度和填充图案可以影响打印重量、打印对象的强度、总打印时间和外部特性。填充图案还可以影响机械、光学和/或电特性。在一些实施例中，可以为特定层或整个对象设置填充密度和填充图案。
此外，界面300可以包括用于控制支撑设置的字段，该支撑设置包括支撑类型和平台粘附力类型。
一些打印对象可能具有悬垂部分，因此可能需要支撑以防止挤出的细丝在打印过程中掉落。支撑设置可用于指定支撑的放置位置。在一些实施例中，可以使用任何适当的支撑设置。
平台粘附力设置可以用于改善打印层对构建板150的粘附力。可以指定的不同类型的平台粘附力设置包括：筏设置、边设置以及裙设置；筏设置在打印对象的基层和构建板之间以粗网格的形式添加额外的细丝；边设置在第一打印层上的对象周围增加额外的细丝线；裙设置在第一打印层上的对象周围增加细丝线。使用某些平台粘附力设置可以帮助减少打印对象中的翘曲量。在一些实施例中，可以使用任何适当的平台粘附力设置。
界面300还可以包括与对象放置和定向有关的字段设置。这些设置包括构建板150上的打印对象位置，以及构建板150上的打印对象的定向。在一些实施例中，可以使用任何适当的对象放置和/或定向设置。
在一些实施例中，生成的数控代码可以描述打印头140和/或构建板150的相对运动的打印路径。打印路径可以由X-Y-Z维度中的两组坐标(设定点)以及指定在设定点之间移动的方式的指令来定义，。生成的数控代码可以指定在沿着打印路径的一对连续点之间移动时打印头140和/或构建板150相对于彼此的移动速度、一对连续点之间的细丝的温度(或打印头喷嘴的温度)和/或一对连续点之间的细丝的进给速率。生成的数控代码可以指定打印头140应该在何处挤出细丝和/或打印头应该在何处避免细丝的释放。生成的数控代码中包括的所有参数也被视为“打印参数”。
上述描述的一个或更多个打印参数以及不可控制变量会影响打印对象的性能，诸如层异常、表面粗糙度、打印分辨率、总构建时间、用于打印对象的挤出材料的数量以及打印对象的机械、光学和/或电性能。机械性能可包括最大抗张强度(Rm)、屈服强度(Rp2％)、断裂伸长率(A％)、杨氏模量(E)、疲劳(σd)、泊松比、质量和比重。光学性能可以包括吸收、反射、透射(transmission)和折射。电性能可以包括电阻率和电导率。所公开的机械、光学和电性能仅是示例，并不旨在进行限制。
AIFC可用于针对正在被打印的对象的期望的机械性能、光学性能、电性能和/或任何适当的特性进行优化。在打印对象时，AIFC也可用于采取纠正措施。纠正措施可以包括更改当前正在打印的对象的下一层或目标未来层的打印参数。在一些实施例中，AIFC可用于改进生产设计。
如图1所示，增材制造系统100可以包括图像生成器170，该图像生成器170可以处理捕获的图像和/或对象的打印层的视频。在一些实施例中，图像生成器170可以包括硬件或软件，该硬件或软件被配置为用于存储捕获的图像和/或视频并且用于从捕获的图像和/或视频中生成打印层和/或其他适当图像的三维地形图像。
可以将不同的地形成像技术(包括但不限于，聚焦形状算法(shape-from-focusalgorithms)、阴影形状算法(shape-from-shading algorithms)、光度立体算法(photometric stereo algorithms)和傅里叶叠层调制算法(Fourierptychographymodulation algorithms))与照明光的预定尺寸、数目和位置与一起使用以生成每个打印层的一个或更多个三维地形图像。所生成的地形图像可以提供与打印对象和/或部分打印对象的完整层有关的体积信息、打印对象和/或部分打印对象的每一层的总体尺寸、打印对象和/或部分打印对象的每一层的特征以及在打印对象和/或部分打印对象的一层或更多层上发现的有关异常的信息(诸如数量、分布、异常类型等)。
Said Pertuz等人在“Analysis of Focus Measure Operators for Shape-from-Focus(聚焦形状的聚焦测量算子的分析)”，Pattern Recognition(图案识别)，第45卷，第5期，第1415-1432页中描述了可以适用于增材制造系统100中的图像生成器170的聚焦形状算法的示例，其全部内容通过引用合并于此。所公开的方法仅是示例，并不旨在进行限制。
Byungil Kim等人在“Depth and Shape from Shading using the PhotometricStereo method(使用光度立体方法的阴影的深度和形状)”，CVGIP：Image Understanding(图像理解)，第一卷54号1991年第3卷，第416-427页中描述了可以适用于增材制造系统100中的图像生成器170的阴影形状算法的示例，其全部内容通过引用合并于此。所公开的方法仅是示例，并不旨在进行限制。
Jose R.A.Torreao在“Estimating 3-D Shape from the Optical Flow ofPhotometric Stereo Images(从光度立体图像的光流中估计3D形状)”，Proceedingsofthe 6th Ibero-American Conference onAI(第六届伊比利亚美洲AI会议论文集)：Progress inArtificial Intelligence(人工智能的进展)(IBERAMIA，1998年)，HelderCoelho(编辑)，Springer-Verlag，伦敦，英国，英国，253-261，中描述了可以适用于增材制造系统100中的图像生成器170的光度立体算法的例子，其全部内容通过引用合并于此。所公开的方法仅是示例，并不旨在进行限制。
Guoan Zeng等人在“Wide-field High-resolution Fourier PtychographicMicroscopy(宽域高分辨率傅里叶叠层显微镜)”，Nature Photonics(自然光子学)，第7卷，第739-745页，2013年，描述了可以适用于增材制造系统100中的图像生成器170的傅里叶叠层调制算法的示例，其全部内容通过引用合并于此。所公开的方法仅是示例，并不旨在进行限制。
在一些实施例中，由图像生成器170生成的地形图像和/或其他适当的图像可以提供信息，诸如异常率和分布、异常类型、沿着打印路径的各个点处沉积的细丝等。例如，如图4所示，打印层的捕获图像400示出了沉积的细丝中的意外间隙。在另一组示例中，如图5A、图5B和图5C所示，各种打印层的捕获图像示出了打印层中的意外的线状伪影和其他破坏。
在一些实施例中，图像分析器180可以被配置为从图像生成器170接收生成的地形图像和/或其他适当的图像，并在视觉上确认和识别打印层上的一个或更多个异常。在一些实施例中，可以通过比较以下内容以识别差异来完成：从二维或三维地形图像获得的打印层的实际特征、检测到的打印层的的打印路径图和/或层的图像；以及打印层的特征，如生成的数字代码和/或该层的生产设计中所指定的。在一些实施例中，一种或更多种人工智能算法可以用于基于差异来识别异常。这些异常可以包括，例如实际打印层与生产设计之间的差异和/或关于以下方面针对打印层产生的数字代码：层的周长尺寸；设定点之间沉积的细丝尺寸；填充密度；填充图案；表面粗糙度；打印路径；和/或任何其他变体。异常的识别可以包括对异常进行分类以及识别异常尺寸、形状、X-Y-Z位置和/或任何其他适当的特性。在一些实施例中，可以使用任何适当的人工智能算法。例如，在一些实施例中，人工智能算法可以单独或组合地包括以下一项或更多项：机器学习；隐马尔可夫模型；递归神经网络；卷积神经网络；贝叶斯符号方法；通用对抗网络；支持向量机；和/或任何其他适当的人工智能算法。
在一些实施例中，可以使用不基于人工智能的算法来识别异常。
在一些实施例中，图像分析器180可以被预编程序为识别打印层的接收图像中的某些异常(例如，意外的间隙或卷曲的边缘，翘曲或不均匀的图案，过度挤出的点，线状或其他外来伪影和/或打印层中的任何其他破坏)。基于预编程序的异常，图像分析器180可以为完整的打印层处理生成的图像，以确定处理后的图像是否包括与预编程序的异常相似的任何异常，并识别打印层上的任何此类异常的一个或更多个位置。
在一些实施例中，图像分析器180还可以被配置为确定并记录所检测到的异常与一个或更多个打印参数之间的相关性。例如，通过使用适当的人工智能算法，图像分析器可以确定与检测到的异常相关的一个或更多个打印参数。例如，图像分析器180可以发现以下示例相关性：当打印头处于某些温度而不是处于其他温度时发生中断；某些打印速度而非其他会导致许多意外间隔；以及在对象中某些位置的某些填充图案会导致某种类型的异常。
在一些实施例中，响应于检测被检测到的异常与一个或更多个打印图案之间的相关性，图像分析器180可以提供信息、数据和/或指令,该信息、数据和/或指令会改变打印正在被打印的对象的一层或更多层的方式或将来要打印的一个或更多个对象的方式。例如，在一些实施例中，图像分析器可以将发现的用于自适应地调整打印参数设置的相关性和/或指令传送给数控代码生成器110、控制模块160和/或任何其他设备。然后，数控代码生成器110和/或控制模块160可以使用该信息对用于当前正在打印的对象的任何后续层的数控代码中的打印参数进行调整。在一些实施例中，可以调整打印参数，使得下一层或任何将来的层补偿在先前层中发现的异常。例如，如果在打印层中检测到意外间隙，则用于下一层的数控代码可以包括沉积位于间隙上方的细丝时填充间隙的指令。在另一示例中，当在对象的下部中发现意外的间隙时，用于对象上部中的对称层的数控代码可以包括用于补偿该间隙的指令。
在一些实施例中，图像分析器180可以被配置为测量完成的打印对象的机械、光学和/或电学。
在一些实施例中，图像分析器180可以被配置为检测一个或更多个打印参数与打印层和/或完整的打印对象中的较少异常之间的相关性。在进一步的实施例中，图像分析器180可以被配置为检测一个或更多个打印参数与完成的打印对象的测量的机械、光学和/或电性能之间的相关性。响应于检测一个或更多个这样的相关性，图像分析可以提供信息、数据和/或指令，该信息、数据和/或指令会改变打印正在被打印的对象的一层或更多层的方式或将来要打印的一个或更多个对象的方式。在一些实施例中，图像分析器180可以向，例如三维建模软件提供信息、数据和/或指令，以改善生产设计。
在一些实施例中，图像分析器180可以使用用于打印层的生成的地形图像和/或其他生成的图像以及用于打印层的生成的数控代码，以学习不可控变量(即，在没有人工干预的情况下无法控制的变量)与打印头运动结果以及沉积层中的异常(例如，意外的间隙或卷曲的边缘，翘曲或不均匀的图案，过度挤出的点，与数控代码中指定的打印路径的偏差，意外的线状或其他外来伪影和/或打印层中的任何其他破坏)之间的关系。响应于检测不可控变量与打印头运动结果以及异常之间的相关性，图像分析器180可以提供信息、数据和/或指令，该信息、数据和/或指令会改变打印正在被打印的对象的一层或更多层的方式或将来要打印的一个或更多个对象的方式。
在一些实施例中，关于相关性的信息可以用于训练本文所述的一种或更多种AI机制。
在一些实施例中，在层被打印之后，图像分析器180可以被配置为将完成的打印层与一个或更多个先前的层进行比较以检测和记录异常，以比较和记录异常率和图案并给数控代码生成器110和/或控制模块160提供指令来调整打印参数以优化对象的总体设计(例如，获得所期望的机械、光学和/或电性能或实现与生产设计非常相似的打印设计)或优化打印作业的操作(例如，加快沉积速率，或使所需的材料量最小化)。在完成的层和先前的层之间的比较以识别异常也可以用于更好地将因果关系分配给增材制造系统100的打印参数，并且还可以对部分打印对象的下一层或任何后续层进行适当的调整，以及优化将来相似或不同对象的打印作业。
在一些实施例中，图像分析器180可以被配置为分析部分打印对象的当前和/或先前层的总体异常率，并且基于来自相似打印作业的AIFC，向数控代码生成器110和/或控制模块160提供指令来调整部分打印对象的下一层和/或任何未来层的打印参数，以获得所期望的机械、光学和/或电性能。
在一些实施例中，在层被打印之后，可以使用不基于人工智能的算法来识别与所使用的指定增材制造打印机的特定校准有关的异常。可以对后续层和将来的打印作业的数控代码进行适当的调整，以解决指定增材制造打印机的校准问题。
在一些实施例中，如果一个或更多个打印层中的异常超过某些预定公差，则可以在完成之前停止打印对象的打印作业。失败的打印作业收集的数据可以向数控代码生成器110、控制模块160和/或收集与增材制造打印机115执行的打印处理有关的训练数据的任何计算机系统提供信息、数据和/或指令。
在一些实施例中，图像分析器180还可以被配置为发送打印对象的异常数据(例如，异常的分布、图案和速率)，以及向三维建模软件自动推荐打印调整以消除或修改设计中与异常相对应的结构。
图6进一步参考图1至图3示出了根据所公开主题的一些实施例的以高水平使用AIFC的增材制造打印操作的示例。在一些实施例中，增材制造过程600可以使用增材制造系统100。
在610处，将指定打印对象应该的样子以及该打印对象所期望的机械、光学和/或电性能的生产设计提供给数控代码生成器110。在一些实施例中，一些初始打印参数由操作员输入。在一些实施例中，将生产设计提供给数控代码生成器110，并且图像分析器180使用AIFC确定生产设计所期望的机械、光学和/或电性能。
在一些实施例中，操作员可以输入用于图像分析器180的一组规则以解决增材制造打印过程中的冲突目标。例如，用户可以指定与打印速度，完整的生产设计以及减少使用的细丝数量相比，应优先实现打印对象的最佳机械性能。操作者还可以指定打印对象最重要的机械、光学和/或电性能，以便图像分析器180可以提供用于调整针对那些机械、光学和/或电性能优化的打印参数的指令。
在620处，数控代码生成器110可以基于以下一项或更多项来为打印对象的层生成数控代码：由操作员输入的输入参数、增材制造打印机115的打印特征；生产设计的规格(包括机械、光学和/或电性能)；来自部分打印对象的一个或更多个先前打印层的AIFC和/或来自其他打印对象的AIFC。所生成的数控代码可以包括用于打印头140和/或构建板150穿过的一组设定点(例如，多个X-Y-Z坐标)。图7A示出了可能包括在数控代码中的打印层的一组设定点的示例仿真。生成的数控代码还可以包括定义打印头和/或构建板应如何穿过各个设定点的指令。例如，在图7B中示出了基于所包括的指令，穿过的打印路径可能的样子的示例仿真。
在一些实施例中，所生成的数控代码还可指定某些打印参数，包括但不限于打印头140和/或构建板150在设定点之间的速度、在设定点之间的打印头140的喷嘴的温度和/或构建板150的温度、在设定点之间沉积的细丝数量、在设定点之间的填充密度以及在设定点之间的填充图案。
在630处，打印头140可以根据由数控代码生成器110和/或控制模块160提供的指令来沉积用于生产设计的层的细丝。
在640处，光源130可以基于指定的地形成像技术和/或其他成像技术(如上所述)对打印层进行照明。
在650处，图像传感器120可以捕获所照明的打印层的图像。
在660处，图像生成器170可以基于由图像传感器120捕获的图像来生成打印层的一个或多个地形图像和/或任何其他适当的图像。在一些实施例中，所生成的打印层的图像可以包括平铺或缝合在一起的一系列捕获图像。
在进一步的实施例中，可以从一个或更多个地形图像和/或由图像生成器170生成的其他适当的图像来确定打印层的实际打印路径。
在670处，图像分析器180可以使用用于打印层的生成的地形图像和/或其他生成的图像，以及用于打印层的生成的数控代码来确定并记录挤出层中的异常(例如，意外的间隙或卷曲边缘，翘曲或不均匀的图案，过度挤出的点，与数控代码中指定的打印路径的偏差，意外的线状或其他外来伪影和/或打印层中的任何其他破坏)。
在一些实施例中，图像分析器180可以从包括在所生成的数控代码中的设定点和指令中提取并绘制用于打印层的打印路径。图像分析器可以将绘制的打印路径转换为像素，在从生成的打印层的图像获得的打印路径上叠加像素，并确定像素和打印路径之间的差异。在一些实施例中，图像分析器180可以将从用于打印层的生成的图像获得的打印路径转换为坐标系中的打印点，并将这些打印点与沿着从生成的数控代码中提取的绘制路径的打印点进行比较。
如果从生成的图像获得的用于打印层的打印路径与从生成的数控代码提取的打印路径相同，则它们之间的差异将为零或接近于零。大于零的数字描述实际打印路径与在生成的数控代码中指定的打印路径之间检测到的错误量。打印路径的比较还可以指示沿着打印路径发生错误的位置。
在680，图像分析器180可以分析图像分析器从打印层和/或先前的层检测到的异常的数目和异常的图案(包括实际路径与在所生成的数控代码中的打印路径之间的偏差)。基于来自其他打印工作的AIFC，图像分析器180可以鉴于检测到的异常确定是否应当对部分打印对象的下一层或后续层的打印参数进行任何调整以实现期望的机械、光学和/或电性能。例如，如果基于检测到的异常，图像分析器180针对部分打印对象的当前和/或先前层确定完成的打印对象的机械性能将比期望的弱，则图像分析器180可以指示控制代码生成器110和/或控制模块160在下一层或任何后续层上调整某些打印参数(例如，增加填充密度和/或改变填充图案)，以便可以实现期望的机械性能。
在一些实施例中，为打印对象沉积的每一层或任意数目的层重复操作610-680。图像分析器180可以使用在每一层获得的数据以及来自其他打印作业的AIFC来修改下一层和/或后续层的打印参数，以实现期望的机械、光学和/或电性能和/或期望的打印对象的设计。在另外的实施例中，完成的打印对象的机械、光学和/或电性能可以被测量。
当执行过程600的特定部分时的分配可以变化，并且没有分配或不同的分配在本文公开的主题的范围内。注意，在一些实施例中，过程600的块可以在任何适当的时间执行。应该理解的是，本文描述的过程600的至少一些部分可以以任何顺序或序列被执行，而不限于在一些实施例中结合图6示出和描述的顺序和序列。而且，在一些实施例中，本文描述的过程600的一些部分可以在适当的情况下基本同时地执行或者并行地执行。另外地或可替代地，在一些实施例中，过程600的一些部分可以被省略。
过程600可以在任何适当的硬件和/或软件中实现。例如，在一些实施例中，过程600可以在图像分析器180或数控代码生成器110中实现。
在一些实施例中，图像分析器180可以学习打印对象的每一层的异常图案，以使得图像分析器180能够针对相似或不同的对象在打印过程期间在层级上自适应地调整打印参数(例如，如结合图6所描述的)，以实现所期望的机械、光学和/或电性能。
某些打印参数影响打印对象的机械、光学和/或电性能。例如，填充密度和填充图案可以影响机械性能，像最大抗张强度(Rm)、屈服强度(Rp2％)、断裂伸长率(A％)、杨氏模量(E)、疲劳(σd)、泊松比、质量和比重。
为了理解异常图案和某些打印参数实际上如何影响打印对象的机械、光学和/或电性能，对象可以多次被打印，同时对影响打印对象的机械、光学和/或电性能的打印参数进行改变。可以在例如结合图6(例如在670)所描述的层级别上确定并记录每个打印对象的异常图案。另外，每个打印对象的机械、光学和/或电性能可以被测量和记录。
图8示出了根据一些实施例的，用于基于不同的填充密度和填充图案来学习异常图案和异常率以及该异常图案和该异常率如何影响打印对象的机械性能的训练过程的示例800。
在810处，影响对象的机械性能的一个或更多个打印参数可以被识别。例如，填充密度和填充图案可以识别为影响对象的机械性能。在一些实施例中，人工智能算法可以用于识别影响对象的机械性能的其他打印参数。
在820处，可以打印预定数目(“组”)的目标对象，并且对于整个组，已经被识别为影响目标对象的机械性能的一个或更多个打印参数可以保持相同。例如，可以指定相同的填充图案和填充密度打印参数来打印组中的每个对象。
在830处，对于组中的每个打印对象，可以在如结合图6的670所描述的层级上检测和记录异常。例如，可以为每层确定实际打印路径和从所生成的控制代码提取的打印路径之间的差异。在组中的每个目标对象被打印之后，可以测量和记录该目标对象的机械性能。
在830之后，过程800可以循环回到820，并且可以以不同的填充密度和/或填充图案来打印另一预定数目的目标对象。
820和830可以重复必要的次数，以训练图像分析器180以学习异常图案和不同的所识别的打印参数(例如，填充密度和填充图案)如何影响对象的机械性能。每次打印预定数目的目标对象(“组”)时，可以改变所识别的参数(例如，填充密度和/或填充图案)。下表反应了目标对象的示例组及其指定的填充密度和填充图案打印参数：
目标对象 填充密度 填充图案
组1 100％ 实线
组2 85％ 蜂窝
组3 85％ 三角形
组4 50％ 蜂窝
组5 50％ 三角形
组6 20％ 蜂窝
组7 20％ 三角形
在一些实施例中，对于打印对象的每层，填充密度和填充图案打印参数保持不变。在其他实施例中，填充物密度和/或填充图案对于对象的不同层而变化，这取决于该层位于何处或随机。
一旦图像分析器180已经获悉不同的异常率和图案以及所识别的打印参数(例如，不同的填充密度和填充图案)如何影响对象的机械性能，图像分析器就可以在打印作业期间(例如，在层级别)自适应地调整所识别的打印参数的值以实现所期望的机械性能。例如，图像分析器180可以检测具有一定异常率和异常图案的部分打印对象的打印层，如果未调整填充密度和填充图案，则一旦完成，该异常率和异常图案将有可能导致打印对象的机械性能低于预期水平。然后图像分析器180可以调整下一层和/或任何后续层的填充率和填充图案打印参数，以实现期望的机械性能，同时还试图减少异常的发生。
可以执行相似的过程，以学习异常图案如何影响对象的光学和/或电性能。例如，可以识别影响对象的光学和/或电性能的打印参数。如上所述，通过在目标对象的各组之间控制识别的打印参数，可以打印目标对象的组。一旦图像分析器180获悉了不同的异常率和异常图案以及所识别的打印参数如何影响对象的电和/或光学性能，图像分析器就可以在打印作业期间在层级别自适应地调整所识别的打印参数的值，以实现所期望的电和/或光学性能。
可以执行相似的过程，以学习不可控变量(即在没有人为干预的情况下不可控的变量)如何影响对象的机械、光学和/或电性能。例如，可以识别影响对象的机械、光学和/或电性能的不可控变量。通过如上所述在目标对象的各组之间控制识别的不可控制变量，可以打印目标对象的组。一旦图像分析器180获悉了不同的异常率和异常图案以及所识别的打印不可控变量如何影响对象的机械、电和/或光学性能，图像分析器就可以在打印作业期间在层级别自适应地调整打印参数的值，以补偿不可控制变量并实现所期望的电和/或光学性能。
当执行过程800的特定部分时的分配可以改变，并且没有分配或不同的分配在本文公开的主题的范围内。注意，在一些实施例中，过程800的块可以在任何适当的时间执行。应该理解的是，本文描述的过程800的至少一些部分可以以任何顺序或序列被执行，而不限于在一些实施例中结合图8示出和描述的顺序和序列。而且，在一些实施例中，本文描述的过程800的一些部分可以在适当的情况下基本同时地执行或者并行地执行。另外地或可替代地，在一些实施例中，过程800的一些部分可以被省略。
处理800可以在任何适当的硬件和/或软件中实现。例如，在一些实施例中，过程800可以在图像分析器180或数控代码生成器110中实现。
在一些实施例中，图像分析器180可以使用生成的地形图像和/或(如图6的660中所描述的)用于打印层的其他生成的图像，以及用于打印层的生成的数控代码，来学习打印参数与打印头运动结果之间的关系，以及挤出层中的异常(例如，意外的间隙或卷曲的边缘，翘曲或不均匀的图案，过度挤出的点，卷曲的边缘，与数控代码中指定的打印路径的偏差，意外的线状或其他伪影和/或打印层中的任何其他破坏)。图像分析器180还可以反转学习的关系，以计算最佳的数控代码输入参数，该最佳的数控代码输入参数产生期望的打印头运动并使在挤出层中的异常最小化。更具体地说，人工智能算法的输入变量可以包括：打印机头的先前测量位置(由
Figure BDA0002779104230000191
表示)；产生打印头先前位置的控制代码打印参数(由θi-1表示)；以及打印机头的当前测量位置(由
Figure BDA0002779104230000192
表示)。输出变量可以是产生打印机头的当前位置(由θ表示)的数控代码参数。输入变量和输出变量一起可以作为人工智能算法的单个训练样本。单个打印层可以产生数百个这样的训练样本。这些训练样本连同先前层中的异常知识、生产设计的期望的规格、增材制造打印机的打印特征和/或环境条件一起可以用于计算最佳打印参数以生成所期望的打印头运动。在一些实施例中，训练样本连同先前层中的异常知识、生产设计的期望的规格、增材制造打印机的特征和/或环境条件一起可以用于计算最佳打印参数，以及用于计算后续层中的X-Y-Z设定点的最佳位置和打印路径指令。
在一些实施例中，图像分析器180还可以用于学习打印参数与层的整体性能之间的关系。例如，图像分析器180可以用于学习挤出层中的异常的总数目、打印头和/或构建板的运动与生成的数控代码中的打印路径指令的相似程度如何以及指定的填充密度。在一些实施例中，图像分析器180可以反转学习的关系以计算打印参数，该打印参数将产生最接近生产设计的规格的层，包括所期望的机械、光学和/或电性能。
在一些实施例中，图像分析器180可以使用用于打印层的生成的地形图像和/或用于打印层的其他生成的图像，以及用于打印层的生成的数控代码，来学习不可控变量(即，在没有人工干预的情况下无法控制的变量)与打印头运动结果之间的关系，以及在沉积层中的异常(例如，意外的间隙或卷曲的边缘，翘曲或不均匀的图案，过度挤出的点，与数控代码中指定的打印路径的偏差，意外的线状或其他伪影和/或打印层中的任何其他破坏)。如果图像分析器180发现超出阈值公差的不可控制变量正在不利地影响打印头运动结果和/或沉积层中的异常，则图像分析器180可以向控制模块160发送警报。控制模块160在接收到警报之后，可以在增材制造系统100的显示器上显示警告和/或通过电子邮件、文本或任何其他适当的电子机制来警告操作员。在一些实施例中，图像分析器180可以被配置为通过电子邮件、文本或任何其他适当的电子机制来直接警告操作员。例如，在一些实施例中，如果图像分析器180确定环境湿度、温度和/或光负面地影响打印头运动结果，或者层中的异常数目超过预定公差，则图像分析器180可以向控制模块160和/或操作员发送警报。在一些实施例中，如果图像分析器180确定增材制造打印机115的磨损和/或可用于打印头140的细丝的总量(例如，少量的细丝)正在负面影响打印头运动结果，或者层中的异常数目超过预定的公差，则图像分析器180可以向控制模块160和/或操作员发送警报以更换增材制造打印机和/或再填充细丝。在一些实施例中，如果图像分析器180确定电压变化正在负面地影响打印头运动结果，或者层中的异常数目超出预定公差，则图像分析器180可以向控制模块160和/或操作员发送警报以检查电压源。
在一些实施例中，任何适当的计算机可读介质可以用于存储用于执行本文描述的功能和/或过程的指令。例如，在一些实施例中，计算机可读介质可以是暂时的或非暂时的。例如，非暂时性计算机可读介质可以包括诸如非暂时性磁性介质(诸如硬盘、软盘等)、非暂时性光学介质(诸如光盘、数字视频盘，蓝光光碟盘等)、非暂时性半导体介质(例如闪存、电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)等)、在传输过程中不会是短暂的或缺乏任何永久性的表象的任何适当介质和/或任何适当的有形介质等之类的介质。作为另外的示例，暂时性计算机可读介质可以包括在网络上的、在电线中、导体中、光纤中、电路中以及在传输过程中是短暂的且缺乏任何永久性的表象的任何适当的介质中和/或任何适当的无形介质中的信号。
本文描述的示例的提供(以及用短语表达为“诸如”、“例如”、“包括”等的条款)不应被解释为将所要求保护的主题限于特定示例；相反，这些示例仅旨在说明许多可能方面中的一些。还应注意，如本文所使用的，术语“机制”可以包括硬件、软件、固件或它们的任何适当的组合。
已经具体参考这些示出的实施例详细描述了增材制造系统和方法。然而，将显而易见的是，可以在如上文说明书中所描述的本公开的精神和范围内进行各种修改和改变，并且这样的修改和改变应被视为本公开的等同物和一部分。本发明的范围仅由所附权利要求书限制。

Claims (21)

1.一种增材制造系统，包括：
被配置为以逐层方式打印对象的打印头；
用于向所述对象的打印层的表面提供照明的照明源；
被配置为捕获所述打印层的图像的图像传感器；以及
至少一个硬件处理器，所述至少一个硬件处理器被配置为：
接收捕获的图像；
获得所述对象的一个或更多个期望的机械性能；
生成所述打印层的三维地形图像；
使用被配置为检测打印层中的异常的第一人工智能算法从生成的地形图像中识别打印层中的异常；
使用第二人工智能算法来确定识别的异常与用于打印打印层的填充密度和填充图案之一之间的相关性，所述第二人工智能算法被配置为确定识别的异常与所述填充密度和填充图案之一之间的相关性；
调整将由所述打印头使用的所述填充密度和填充图案之一的值，以打印所述对象的后续层；以及
使用所述填充密度和填充图案之一的所述值，使所述打印头打印所述对象的后续层，以基本实现所述一个或更多个期望的机械性能。
2.根据权利要求1所述的增材制造系统，其中，使用聚焦形状算法、阴影聚焦形状算法、光度立体算法和傅里叶叠层调制算法中的一种来生成所述打印层的所述三维地形图像。
3.根据权利要求1所述的增材制造系统，其中，所述第一人工智能算法和所述第二人工智能算法中的至少一个包括机器学习、隐马尔可夫模型、递归神经网络、卷积神经网络、贝叶斯符号方法、支持向量机和通用对抗网络中的至少一个。
4.根据权利要求1所述的增材制造系统，其中，通过将生成的三维地形图像与以下至少一项进行比较来执行识别所述异常：用于所述打印层的生成的数控代码、所述打印对象的一个或更多个先前层或用于所述打印对象的生产设计。
5.根据权利要求1所述的增材制造系统，其中，所述至少一个硬件处理器还被配置为：
识别影响所述对象的机械性能、光学性能和电性能中的至少一项的打印参数；
在所述对象被打印后，测量所述机械性能、所述光学性能和所述电性能中的至少一项；
确定所述对象的异常率和异常图案中的至少一项；以及
确定所述异常率和所述异常图案中的至少一项以及所述打印参数如何影响所述对象的所述机械性能、所述光学性能和所述电性能中的至少一项。
6.根据权利要求5所述的增材制造系统，其中，使用人工智能算法对打印参数进行识别。
7.根据权利要求5所述的增材制造系统，其中，使用人工智能算法来确定所述异常率和所述异常图案中的至少一项以及所述打印参数如何影响所述机械性能、所述光学性能和所述电性能中的至少一项。
8.一种用于增材制造的方法，包括：
接收由图像传感器产生的捕获图像，所述图像传感器被配置为捕获以逐层方式打印的对象的打印层的图像；
获得所述对象的一个或更多个期望的机械性能；
使用硬件处理器生成所述打印层的三维地形图像；
使用被配置为检测打印层中的异常的第一人工智能算法从生成的地形图像中识别所述打印层中的异常；
使用第二人工智能算法来确定识别的异常与用于打印打印层的填充密度和填充图案之一之间的相关性，所述第二人工智能算法被配置为确定识别的异常与所述填充密度和填充图案之一之间的相关性；
调整将由所述打印头使用的所述填充密度和填充图案之一的值，以打印所述对象的后续层；以及
使用所述填充密度和填充图案之一的所述值使所述打印头打印所述对象的后续层，以基本实现所述一个或更多个期望的机械性能。
9.根据权利要求8所述的方法，其中，使用聚焦形状算法、阴影聚焦形状算法、光度立体算法和傅里叶叠层调制算法中的一种来生成所述打印层的所述三维地形图像。
10.根据权利要求8所述的方法，其中，所述第一人工智能算法和所述第二人工智能算法中的至少一个包括机器学习、隐马尔可夫模型、递归神经网络、卷积神经网络、贝叶斯符号方法、支持向量机和通用对抗网络中的至少一个。
11.根据权利要求8所述的方法，其中，通过将生成的三维地形图像与以下至少一项进行比较来执行识别所述异常：用于所述打印层的生成的数控代码、所述打印对象的一个或更多个先前层和用于所述打印对象的生产设计。
12.根据权利要求8所述的方法，还包括：
识别影响所述对象的机械性能、光学性能和电性能中的至少一项的打印参数；
在所述对象被打印后，测量所述机械性能、所述光学性能和所述电性能中的至少一项；
确定所述对象的异常率和异常图案中的至少一项；以及
确定所述异常率和所述异常图案中的至少一项以及所述打印参数如何影响所述对象的所述机械性能、所述光学性能和所述电性能中的至少一项。
13.根据权利要求12所述的方法，其中，使用人工智能算法对打印参数进行识别。
14.根据权利要求12所述的方法，其中，使用人工智能算法来确定所述异常率和所述异常图案中的至少一项以及所述打印参数如何影响所述对象的所述机械性能、所述光学性能和所述电性能中的至少一项。
15.一种包括计算机可执行指令的非暂时性计算机可读介质，所述计算机可执行指令在由处理器执行时使所述处理器执行用于增材制造的方法，所述方法包括：
接收由图像传感器产生的捕获图像，所述图像传感器被配置为捕获以逐层方式打印的对象的打印层的图像；
获得所述对象的一个或更多个期望的机械性能；
生成所述打印层的三维地形图像；
使用被配置为检测打印层中的异常的第一人工智能算法从生成的地形图像中识别所述打印层中的异常；
使用第二人工智能算法来确定识别的异常与用于打印打印层的填充密度和填充图案之一之间的相关性，所述第二人工智能算法被配置为确定识别的异常与所述填充密度和填充图案之一之间的相关性；
调整将由所述打印头使用的所述填充密度和填充图案之一的值，以打印所述对象的后续层；以及
使用所述填充密度和填充图案之一的所述值使所述打印头打印所述对象的后续层，以基本实现所述一个或更多个期望的机械性能。
16.根据权利要求15所述的非暂时性计算机可读介质，其中，使用聚焦形状算法、阴影聚焦形状算法、光度立体算法和傅里叶叠层调制算法中的一种来生成所述打印层的所述三维地形图像。
17.根据权利要求15所述的非暂时性计算机可读介质，其中，所述第一人工智能算法和所述第二人工智能算法中的至少一个包括机器学习、隐马尔可夫模型、递归神经网络、卷积神经网络、贝叶斯符号方法、支持向量机和通用对抗网络中的至少一个。
18.根据权利要求15所述的非暂时性计算机可读介质，其中，通过将生成的三维地形图像与以下至少一项进行比较来执行识别所述异常：用于所述打印层的生成的数控代码、所述打印对象的一个或更多个先前层和用于所述打印对象的生产设计。
19.根据权利要求15所述的非暂时性计算机可读介质，其中，所述方法还包括：
识别影响所述对象的机械性能、光学性能和电性能中的至少一项的打印参数；
在所述对象被打印后，测量所述机械性能、所述光学性能和所述电性能中的至少一项；
确定所述对象的异常率和异常图案中的至少一项；以及
确定所述异常率和所述异常图案中的至少一项以及所述打印参数如何影响所述对象的所述机械性能、所述光学性能和所述电性能中的至少一项。
20.根据权利要求19所述的非暂时性计算机可读介质，其中，使用人工智能算法对打印参数进行识别。
21.根据权利要求19所述的非暂时性计算机可读介质，其中，使用人工智能算法来确定所述异常率和所述异常图案中的至少一项以及所述打印参数如何影响所述对象的所述机械性能、所述光学性能和所述电性能中的至少一项。
CN201980032570.XA 2018-04-02 2019-03-29 增材制造中用于人工智能反馈控制的系统、方法和介质 Active CN112118949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210941812.0A CN115302780A (zh) 2018-04-02 2019-03-29 增材制造中用于人工智能反馈控制的系统、方法和介质

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/943,442 US10518480B2 (en) 2018-04-02 2018-04-02 Systems, methods, and media for artificial intelligence feedback control in additive manufacturing
US15/943,442 2018-04-02
PCT/US2019/024795 WO2019195095A1 (en) 2018-04-02 2019-03-29 Systems, methods, and media for artificial intelligence feedback control in additive manufacturing

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210941812.0A Division CN115302780A (zh) 2018-04-02 2019-03-29 增材制造中用于人工智能反馈控制的系统、方法和介质

Publications (2)

Publication Number Publication Date
CN112118949A true CN112118949A (zh) 2020-12-22
CN112118949B CN112118949B (zh) 2022-08-26

Family

ID=68056754

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980032570.XA Active CN112118949B (zh) 2018-04-02 2019-03-29 增材制造中用于人工智能反馈控制的系统、方法和介质
CN202210941812.0A Pending CN115302780A (zh) 2018-04-02 2019-03-29 增材制造中用于人工智能反馈控制的系统、方法和介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210941812.0A Pending CN115302780A (zh) 2018-04-02 2019-03-29 增材制造中用于人工智能反馈控制的系统、方法和介质

Country Status (6)

Country Link
US (3) US10518480B2 (zh)
EP (2) EP3774281B1 (zh)
JP (2) JP7054268B2 (zh)
CN (2) CN112118949B (zh)
TW (2) TWI779183B (zh)
WO (1) WO2019195095A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113579253A (zh) * 2021-07-19 2021-11-02 华中科技大学 一种增材制造多尺度温度场在线监测的方法和装置
CN114368148A (zh) * 2020-10-15 2022-04-19 三纬国际立体列印科技股份有限公司 多密度内填充的切层与打印方法
CN117283743A (zh) * 2023-11-23 2023-12-26 绵阳华远同创科技有限公司 一种树脂生产成型加工流程预测控制系统及方法

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017074490A1 (en) * 2015-10-28 2017-05-04 Siemens Product Lifecycle Management Software Inc. System and method for optimizing tool paths based on thermal/structural simulations of a part being produced via a 3d-printer
CN110945568A (zh) * 2017-05-08 2020-03-31 菲兹纳股份有限公司 用于评估3d模型的系统和方法
WO2019177981A1 (en) * 2018-03-10 2019-09-19 Postprocess Technologies, Inc. System and method of manufacturing an additively manufactured object
US11084225B2 (en) 2018-04-02 2021-08-10 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
US20200041977A1 (en) 2018-08-03 2020-02-06 Walmart Apollo, Llc Mobile assembly apparatus
US11733684B2 (en) * 2018-09-27 2023-08-22 Hewlett-Packard Development Company, L.P. Overlaying production data on rendered 3D printed object
US11931950B2 (en) * 2018-09-28 2024-03-19 Lawrence Livermore National Security, Llc Machine learning informed control systems for extrusion printing processes
US11256231B2 (en) * 2019-02-27 2022-02-22 The Boeing Company Object design using machine-learning model
US11776072B2 (en) * 2019-04-25 2023-10-03 Shibaura Machine Co., Ltd. Machine learning method, information processing device, computer program product, and additive manufacturing monitoring system
JP2021003813A (ja) * 2019-06-25 2021-01-14 株式会社ジェイテクト 付加製造物の品質推定装置
US11472122B2 (en) 2019-07-02 2022-10-18 Saudi Arabian Oil Company Fabrication of composite parts by additive manufacturing and microstructure topology customization
US11014295B2 (en) * 2019-07-02 2021-05-25 Saudi Arabian Oil Company Fabrication of composite parts by additive manufacturing and microstructure topology optimization
KR20220054673A (ko) 2019-09-10 2022-05-03 나노트로닉스 이미징, 인코포레이티드 제조 공정을 위한 시스템, 방법 및 매체
WO2021073717A1 (de) * 2019-10-14 2021-04-22 Wacker Chemie Ag 3d-druckvorrichtung und verfahren zur herstellung von objekten mit erhöhter druckqualität
JP2023515015A (ja) * 2020-02-21 2023-04-12 ナノトロニクス イメージング インコーポレイテッド 製造プロセスのためのシステム、方法、及び媒体
AT17186U1 (de) * 2020-03-11 2021-08-15 Progress Maschinen & Automation Ag 3D-Druckvorrichtung, insbesondere für die Bauindustrie
EP3925760A3 (en) * 2020-04-03 2022-03-23 Ricoh Company, Ltd. Data output apparatus, three-dimensional fabrication system, and data output method
DE102020111747A1 (de) 2020-04-30 2021-11-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur additiven Herstellung von Bauteilen
TWI724921B (zh) * 2020-06-16 2021-04-11 中華學校財團法人中華科技大學 具即時監控3d列印裝置之系統
JP2023530944A (ja) * 2020-06-18 2023-07-20 ナノトロニクス イメージング インコーポレイテッド 製造プロセスのためのシステム、方法、および媒体
EP3936262A1 (de) * 2020-07-09 2022-01-12 Stephanie Ness Verfahren zur schichtweisen fertigung eines dreidimensionalen objekts, mit gezielter beleuchtung von kornrändern
US20230266740A1 (en) * 2020-08-11 2023-08-24 Essentium Ipco, Llc Optimizing print process parameters in 3d printing
US11335443B1 (en) 2020-09-07 2022-05-17 OpenNano Pte. Ltd. Phenotypic patient data derivation from economic data
US20230289947A1 (en) * 2020-09-15 2023-09-14 Massachusetts Institute Of Technology Systems and methods for in-situ, real-time additive manufacturing analysis
TW202212158A (zh) * 2020-09-22 2022-04-01 美商益森頓股份有限公司 用於判定成品三維列印部件之估計條件之數值控制碼轉
WO2022064573A1 (ja) * 2020-09-23 2022-03-31 三菱重工業株式会社 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム
US20220134647A1 (en) * 2020-11-02 2022-05-05 General Electric Company In-process optical based monitoring and control of additive manufacturing processes
CN112620652B (zh) * 2020-11-27 2022-09-27 哈尔滨工业大学 一种电弧增材制造过程的自适应控制系统及方法
KR102486714B1 (ko) * 2020-12-31 2023-01-10 서울시립대학교 산학협력단 3d 콘크리트 프린터의 인공지능 기반 토출제어 시스템
US11654634B2 (en) 2021-06-08 2023-05-23 International Business Machines Corporation Three-dimensional printing using generative adversarial network techniques
CN113650286B (zh) * 2021-08-05 2022-05-10 嘉兴学院 一种电场驱动熔融喷射沉积微结构的控制方法
US20230226771A1 (en) * 2022-01-19 2023-07-20 Markforged, Inc Apparatus and method for performing in-process testing for verification of print parameters in a 3d printing apparatus
GB202204072D0 (en) * 2022-03-23 2022-05-04 Cambridge Entpr Ltd Method, apparatus and system for closed-loop control of a manufacturing process
US20230342908A1 (en) * 2022-04-22 2023-10-26 Baker Hughes Oilfield Operations Llc Distortion prediction for additive manufacturing using image analysis

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7343900A (en) * 1999-09-03 2001-04-10 American Inter-Metallics, Inc. Apparatus and methods for the production of powders
EP1437882A1 (en) * 2002-12-11 2004-07-14 Agfa-Gevaert Method and apparatus for creating 3-D prints and a 3-D printing system
JP2005345359A (ja) * 2004-06-04 2005-12-15 Ricoh Co Ltd 走行体マークセンサ、回転体駆動装置及び画像形成装置
CN103338880A (zh) * 2011-01-28 2013-10-02 阿卡姆股份有限公司 三维物体生产方法
US20150009308A1 (en) * 2011-02-14 2015-01-08 Sony Corporation Display device and display method
CN104890238A (zh) * 2015-04-30 2015-09-09 北京敏速自动控制设备有限公司 三维打印方法及系统
CN105452895A (zh) * 2013-06-13 2016-03-30 巴斯夫欧洲公司 用于光学地检测至少一个对象的检测器
US20160096318A1 (en) * 2014-10-03 2016-04-07 Disney Enterprises, Inc. Three dimensional (3d) printer system and method for printing 3d objects with user-defined material parameters
US20160250810A1 (en) * 2015-02-26 2016-09-01 Stratasys, Inc. Surface Angle Model Evaluation Process for Additive Manufacturing
US9656429B1 (en) * 2016-08-09 2017-05-23 Arevo, Inc. Systems and methods for structurally analyzing and printing parts
FR3046370A1 (fr) * 2015-12-31 2017-07-07 Nantes Ecole Centrale Procede et systeme pour le reglage d'un dispositif de fabrication additive
CN107180451A (zh) * 2016-03-09 2017-09-19 北京大学口腔医院 三维打印方法和装置
US20180079125A1 (en) * 2013-08-07 2018-03-22 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2597778B2 (ja) * 1991-01-03 1997-04-09 ストラタシイス，インコーポレイテッド 三次元対象物組み立てシステム及び組み立て方法
US7853351B2 (en) 2002-02-21 2010-12-14 Gary John Corey CNC machine tool and integrated machine tool controller incorporating 3D and up to 8-axes real time interactive tool compensation
JP4075670B2 (ja) 2003-04-09 2008-04-16 トヨタ自動車株式会社 変化情報認識装置および変化情報認識方法
US20050031186A1 (en) * 2003-08-10 2005-02-10 Luu Victor Van Systems and methods for characterizing a three-dimensional sample
CN101943896B (zh) 2010-07-16 2012-02-29 浙江大学 数控机床误差的轨迹再生补偿方法
KR20140116551A (ko) * 2012-01-31 2014-10-02 쓰리엠 이노베이티브 프로퍼티즈 캄파니 표면의 삼차원 구조를 측정하는 방법 및 장치
US9274065B2 (en) 2012-02-08 2016-03-01 Rapiscan Systems, Inc. High-speed security inspection system
US9172829B2 (en) * 2012-07-31 2015-10-27 Makerbot Industries, Llc Three-dimensional printer with laser line scanner
WO2014172687A2 (en) 2013-04-18 2014-10-23 Massachusetts Institute Of Technology, Inc. Methods and apparati for implementing programmable pipeline for three-dimensional printing including multi-material applications
WO2014210374A1 (en) 2013-06-27 2014-12-31 Massachusetts Institute Of Technology System and method for designing three-dimensional objects
US9724876B2 (en) 2013-12-13 2017-08-08 General Electric Company Operational performance assessment of additive manufacturing
JP6367560B2 (ja) 2014-01-20 2018-08-01 ローランドディー．ジー．株式会社 三次元造形装置および三次元造形方法
US9747394B2 (en) 2014-03-18 2017-08-29 Palo Alto Research Center Incorporated Automated design and manufacturing feedback for three dimensional (3D) printability
US10252466B2 (en) 2014-07-28 2019-04-09 Massachusetts Institute Of Technology Systems and methods of machine vision assisted additive fabrication
US20160167306A1 (en) 2014-12-11 2016-06-16 Massachusetts Institute Of Technology Systems and methods of hierarchical material design for additive fabrication
US9895845B2 (en) 2015-02-16 2018-02-20 Arevo Inc. Method and a system to optimize printing parameters in additive manufacturing process
US20170056970A1 (en) 2015-08-24 2017-03-02 Desktop Metal, Inc. Control of a three-dimensional printing process using estimated thermal parameters
WO2017189064A1 (en) 2016-01-29 2017-11-02 Massachusetts Institute Of Technology Topology optimization with microstructures
WO2017136206A1 (en) 2016-02-01 2017-08-10 Seurat Technologies, Inc. Additive manufacturing simulation system and method
US20170252813A1 (en) 2016-03-03 2017-09-07 Desktop Metal, Inc. Energy directors for additive fabrication using semi-solid metallic extrusion
US10906102B2 (en) 2016-03-03 2021-02-02 Desktop Metal, Inc. Controlling wetting for magnetohydrodynamic metal manufacturing
US10118337B2 (en) 2016-06-06 2018-11-06 Xerox Corporation Electrostatic 3-D printer controlling layer topography using aerosol applicator
US20180036964A1 (en) 2016-08-08 2018-02-08 General Electric Company Method and system for inspection of additive manufactured parts
EP3496934A4 (en) 2016-08-09 2020-04-01 Arevo, Inc. SYSTEMS AND METHODS FOR STRUCTURAL ANALYSIS AND PRINTING OF PARTS
WO2018039614A1 (en) 2016-08-26 2018-03-01 Massachusetts Institute Of Technology Systems, devices, and methods for inkjet-based three-dimensional printing
US20210276083A1 (en) 2017-02-21 2021-09-09 Desktop Metal, Inc. Nanoparticles in binder jetting fabrication of metal objects
CN106802626A (zh) 2017-03-07 2017-06-06 武汉理工大学 数控机床g代码内嵌参数的热误差补偿方法及其系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7343900A (en) * 1999-09-03 2001-04-10 American Inter-Metallics, Inc. Apparatus and methods for the production of powders
EP1437882A1 (en) * 2002-12-11 2004-07-14 Agfa-Gevaert Method and apparatus for creating 3-D prints and a 3-D printing system
JP2005345359A (ja) * 2004-06-04 2005-12-15 Ricoh Co Ltd 走行体マークセンサ、回転体駆動装置及び画像形成装置
CN103338880A (zh) * 2011-01-28 2013-10-02 阿卡姆股份有限公司 三维物体生产方法
US20150009308A1 (en) * 2011-02-14 2015-01-08 Sony Corporation Display device and display method
CN105452895A (zh) * 2013-06-13 2016-03-30 巴斯夫欧洲公司 用于光学地检测至少一个对象的检测器
US20180079125A1 (en) * 2013-08-07 2018-03-22 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
US20160096318A1 (en) * 2014-10-03 2016-04-07 Disney Enterprises, Inc. Three dimensional (3d) printer system and method for printing 3d objects with user-defined material parameters
US20160250810A1 (en) * 2015-02-26 2016-09-01 Stratasys, Inc. Surface Angle Model Evaluation Process for Additive Manufacturing
CN104890238A (zh) * 2015-04-30 2015-09-09 北京敏速自动控制设备有限公司 三维打印方法及系统
FR3046370A1 (fr) * 2015-12-31 2017-07-07 Nantes Ecole Centrale Procede et systeme pour le reglage d'un dispositif de fabrication additive
CN107180451A (zh) * 2016-03-09 2017-09-19 北京大学口腔医院 三维打印方法和装置
US9656429B1 (en) * 2016-08-09 2017-05-23 Arevo, Inc. Systems and methods for structurally analyzing and printing parts

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114368148A (zh) * 2020-10-15 2022-04-19 三纬国际立体列印科技股份有限公司 多密度内填充的切层与打印方法
CN113579253A (zh) * 2021-07-19 2021-11-02 华中科技大学 一种增材制造多尺度温度场在线监测的方法和装置
CN117283743A (zh) * 2023-11-23 2023-12-26 绵阳华远同创科技有限公司 一种树脂生产成型加工流程预测控制系统及方法
CN117283743B (zh) * 2023-11-23 2024-02-02 绵阳华远同创科技有限公司 一种树脂生产成型加工流程预测控制系统及方法

Also Published As

Publication number Publication date
EP3774281A4 (en) 2021-12-15
WO2019195095A1 (en) 2019-10-10
US20210387421A1 (en) 2021-12-16
US10518480B2 (en) 2019-12-31
EP4230385A1 (en) 2023-08-23
TW201945162A (zh) 2019-12-01
US20200247061A1 (en) 2020-08-06
CN115302780A (zh) 2022-11-08
CN112118949B (zh) 2022-08-26
JP2022084860A (ja) 2022-06-07
EP3774281A1 (en) 2021-02-17
US20190299536A1 (en) 2019-10-03
TW202308833A (zh) 2023-03-01
TWI779183B (zh) 2022-10-01
TWI817697B (zh) 2023-10-01
JP2021517525A (ja) 2021-07-26
EP3774281B1 (en) 2023-06-07
JP7307509B2 (ja) 2023-07-12
JP7054268B2 (ja) 2022-04-13
US11097490B2 (en) 2021-08-24

Similar Documents

Publication Publication Date Title
CN112118949B (zh) 增材制造中用于人工智能反馈控制的系统、方法和介质
US11084225B2 (en) Systems, methods, and media for artificial intelligence process control in additive manufacturing
KR102584982B1 (ko) 적층 제조에서 인공 지능 공정 제어를 위한 시스템, 방법 및 매체
US10994462B2 (en) Planarizing build surfaces in three-dimensional printing
EP3689508B1 (en) Additive manufacturing system including an imaging device
EP3495904A1 (en) Method and apparatus for predicting manufacturing parameters of a product to be manufactured in a 3d-printing process
Sohnius et al. Data-driven Prediction of Surface Quality in Fused Deposition Modeling using Machine Learning: Datengetriebene Prädiktion der Oberflächenqualität beim Fused Deposition Modeling mittels Machine Learning
KR20210039291A (ko) 금속 액적 토출식 3차원(3d) 물체 프린터를 액적 크기 변동들을 보상하도록 동작시키기 위한 방법 및 시스템
CN110732667A (zh) 造型物的造型方法
TW202408784A (zh) 加成製造中人工智慧反饋控制系統、方法及媒介
CN115298020A (zh) 用于形成三维结构的布置及其相关方法

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