CN113119470A - 实时反馈控制3d打印过程的方法以及用于其的3d打印系统 - Google Patents

实时反馈控制3d打印过程的方法以及用于其的3d打印系统 Download PDF

Info

Publication number
CN113119470A
CN113119470A CN202011592407.XA CN202011592407A CN113119470A CN 113119470 A CN113119470 A CN 113119470A CN 202011592407 A CN202011592407 A CN 202011592407A CN 113119470 A CN113119470 A CN 113119470A
Authority
CN
China
Prior art keywords
printing
quality
printing quality
printed object
abnormal
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
CN202011592407.XA
Other languages
English (en)
Other versions
CN113119470B (zh
Inventor
孙勋
全益槿
刘沛沛
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.)
Korea Advanced Institute of Science and Technology KAIST
Original Assignee
Korea Advanced Institute of Science and Technology KAIST
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 Korea Advanced Institute of Science and Technology KAIST filed Critical Korea Advanced Institute of Science and Technology KAIST
Publication of CN113119470A publication Critical patent/CN113119470A/zh
Application granted granted Critical
Publication of CN113119470B publication Critical patent/CN113119470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • B22F10/20—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
    • B22F10/30—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
    • B22F10/30—Process control
    • B22F10/36—Process control of energy beam parameters
    • B22F10/368—Temperature or temperature gradient, e.g. temperature of the melt pool
    • 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
    • B22F12/40—Radiation means
    • B22F12/41—Radiation means characterised by the type, e.g. laser or electron beam
    • 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
    • B29C64/30—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
    • 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
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
    • G01B21/085—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness using thermal means
    • 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
    • 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
    • G06T7/50—Depth or shape recovery
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0037—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the heat emitted by liquids
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Plasma & Fusion (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Powder Metallurgy (AREA)

Abstract

本发明公开了一种实时反馈控制3D打印过程的方法及其系统。所述方法包括收集通过3D打印实验生成的与3D打印的过程变量、测量信号以及3D打印对象的3D打印质量相关的大数据；通过基于所述收集的大数据执行机器学习来构建人工神经网络模型；基于所述3D打印对象的实际测量信号和所述人工神经网络模型来实时估计所述3D打印对象的3D打印质量是否异常；以及基于关于所述3D打印对象的所述3D打印质量是否异常的所述估计结果来实时地反馈控制所述3D打印对象的打印质量。

Description

实时反馈控制3D打印过程的方法以及用于其的3D打印系统
技术领域
本发明涉及一种三维(3D)打印系统和方法，并且更具体地涉及一种能够实时反馈控制3D打印过程的3D打印系统和方法。
背景技术
3D打印被称为用于产生3D对象的制造技术。对于3D对象的3D打印而言，是以基于3D模型数据处理信息来逐层堆叠的方式进行处理的。3D打印技术具有便于实现复杂的形状、在产品内形成的形状等的优点。由于这些优点，3D打印技术作为高附加值的技术而备受关注，其使得易于制造各种产品，诸如各种工业零件和医疗材料。
可以通过将3D产品的形状划分为多个具有均匀或可变厚度的2D横截面并且形成要逐个堆叠的2D横截面来执行3D打印过程。有几种已知的3D打印方法，诸如材料挤出方法、材料喷射方法、粘合剂喷射方法、片材层压方法、还原光聚合方法、粉末床融合方法、直接能量沉积(DED)方法等。其中，DED方法是将激光能量施加到要熔化和融合的金属粉末或线材的方法，并且由于其下列优点而得到广泛使用：与其他方法相比，其可以使用较廉价的商业材料，在现有的3D形状上形成叠层以及与其他方法相比具有卓越的机械性能。
在根据DED方法的3D打印中，当将从激光源照射的激光束照射到基板时，形成熔池，并且将金属粉末供应到熔池上以形成叠层。
3D打印对象的物理性能、形状和缺陷是确定3D打印质量的重要因素。其是用于提高3D打印质量以通过检查3D打印对象的物理性能、形状和缺陷来估计3D打印质量以及基于估计结果来控制3D打印过程的必要技术。然而，尚未开发出通过实时估计3D打印质量并且反馈估计结果来控制过程的技术。
发明内容
为了解决如上所述的现有技术的问题，本发明的实施例将提供一种3D打印系统和方法，其能够在3D打印过程期间实时地估计3D打印质量并且基于估计结果执行反馈过程控制。
在一个方面，本发明的一些实施例提供了一种在3D打印过程期间实时反馈控制3D打印过程的方法，其中被供应至3D打印对象的基材由用于3D打印的激光源熔化并且打印以形成3D对象。方法包括收集通过3D打印实验生成的与3D打印的过程变量、测量信号以及3D打印对象的3D打印质量相关的大数据；通过基于收集的大数据执行机器学习来构建人工神经网络模型；基于3D打印对象的实际测量信号和人工神经网络模型来实时估计3D打印对象的3D打印质量是否异常；以及基于关于3D打印对象的3D打印质量是否异常的估计的结果来实时地反馈控制3D打印对象的打印质量。“收集大数据”包括收集3D打印的过程变量；测量用于3D打印对象的热图像和超声波信号；通过分析收集的过程变量以及测量的热图像和超声波信号来估计3D打印质量；以及在3D打印过程期间实时地收集与估计的3D打印质量相关的大数据。
在一个实施例中，可以在用于拍摄3D打印对象的热图像的热成像相机和用于测量超声波信号的激光超声波装置，与用于3D打印的激光源同轴设置的状态下，执行方法。
在一个实施例中，“估计3D打印质量”可以包括基于响应超声波的到达时间和波速，以及在热图像中的热能转移速度中的至少一个来估计3D打印对象的物理性能或形状。
在一个实施例中，“估计3D打印质量”可以包括基于附加反射波、响应超声波的到达时间和波速，以及在热图像的热能分布的变化中的至少一个来检测在3D打印对象中的缺陷的存在。
在一个实施例中，人工神经网络模型可以是通过机器学习过程变量的数据和3D打印质量的数据之间的相关性来构建的，并且被配置为当提供过程变量的新数据作为输入数据时估计3D打印质量的预测值。
在一个实施例中，人工神经网络模型可以是通过机器学习测量信号和3D打印质量的数据之间的相关性来构建的，并且被配置为当提供新的测量信号作为输入数据时估计3D打印质量的预测值。
在一个实施例中，“估计3D打印对象的3D打印质量是否异常”可以包括：通过将3D打印对象的新测量的热图像和超声波信号输入人工神经网络模型中来得出3D打印质量的预测值；通过分析与3D打印对象相关的实际测量信号来获取3D打印质量的实际测量值；计算在通过人工神经网络模型得出的3D打印质量的预测值和3D打印质量的实际测量值之间的误差；以及当计算的误差超过预定公差阈值时确定3D打印质量异常。
在一个实施例中，“估计3D打印对象的3D打印质量是否异常”可以包括：监测3D打印质量的实际测量值；以及当3D打印质量的实际测量值不是在预定的可允许范围内的值时，确定3D打印质量异常。
在一个实施例中，“估计3D打印对象的3D打印质量是否异常”可以包括：通过分析热图像和超声波信号来监测是否在3D打印对象中生成包括内部空隙和表面裂纹中的至少一个的缺陷；以及当估计缺陷存在时，确定3D打印质量异常。
在一个实施例中，对3D打印对象的打印质量的反馈控制可以包括：检查打印质量是否正常；当打印质量异常时，实时执行反馈控制；以及通过实时反馈控制来调整3D打印过程的过程变量的数据。
在一个实施例中，过程变量可以在3D打印过程中主动地进行调整并且可以包括用于3D打印的激光束的强度、处理速度、用于3D打印的激光束的大小以及基材的排放量中的至少一个。
在一个实施例中，3D打印质量可以包括3D打印对象的物理性能、缺陷和形状中的至少一个。
在一个实施例中，测量信号可以包括热图像、超声波信号、视觉相机图像和声音信号中的至少一个。
在一个实施例中，3D打印过程可以是基于直接能量沉积(DED)的3D打印过程。
在另一个方面，本发明的一些实施例提供了一种能够进行3D打印过程的实时反馈控制的3D打印系统。3D打印系统包括激光源、基材供应源、热成像相机、激光超声波装置和控制单元。激光源构造成通过照射激光束以熔化供应到3D打印对象的基材来在3D打印对象中形成熔池。基材供应源构造成将基材供应到3D打印对象上。热成像相机构造成获取形成在3D打印对象上的熔池的热图像。激光超声波装置构造成接收从3D打印对象反射的激光超声波。控制单元构造成执行以下功能：收集通过3D打印实验生成的与3D打印的过程变量、测量信号以及3D打印对象的3D打印质量相关的大数据；通过基于所述收集的大数据执行机器学习来构建人工神经网络模型；基于所述3D打印对象的实际测量信号和所述人工神经网络模型来实时估计所述3D打印对象的3D打印质量是否异常；以及基于关于所述3D打印对象的所述3D打印质量是否异常的所述估计结果来实时地反馈控制所述打印对象的打印质量。收集大数据的功能包括以下子功能：收集3D打印的过程变量；测量用于3D打印对象的热图像和超声波信号；通过分析收集的过程变量以及测量的热图像和超声波信号来估计3D打印质量；以及在3D打印过程期间实时地收集与估计的3D打印质量相关的大数据。热成像相机和激光超声波装置与用于3D打印的激光源同轴设置。
在一个实施例中，过程变量可以在3D打印过程中主动地进行调整并且可以包括用于3D打印的激光束的强度、处理速度、用于3D打印的激光束的大小以及基材的排放量中的至少一个。
在一个实施例中，“估计3D打印对象的3D打印质量是否异常”的功能可以包括以下子功能：通过将3D打印对象的新测量的热图像和超声波信号输入人工神经网络模型中来得出3D打印质量的预测值；通过分析与3D打印对象相关的实际测量信号来获取3D打印质量的实际测量值；计算在通过人工神经网络模型得出的3D打印质量的预测值和3D打印质量的实际测量值之间的误差；以及当计算的误差超过预定公差阈值时确定3D打印质量异常。
在一个实施例中，过程变量可以在3D打印过程中主动地进行调整，并且包括激光束的强度、处理速度、激光束的大小和基粉的排出量中的至少一个。
在一个实施例中，人工神经网络模型可以是通过机器学习过程变量的数据和3D打印质量的数据之间的相关性来构建的，并且被配置为当提供过程变量的新数据作为输入数据时估计3D打印质量的预测值。
在一个实施例中，人工神经网络模型可以是通过机器学习测量信号和3D打印质量的数据之间的相关性来构建的，并且被配置为当提供新的测量信号作为输入数据时估计3D打印质量的预测值。
根据本发明的实施例，使用热成像相机和超声波装置来实时地估计在3D打印过程期间形成的3D打印对象的打印质量，以及分析用于3D打印的过程变量和3D打印质量之间的相关性。基于估计和分析，有效的反馈过程控制是可能的。
根据本发明的实施例，基于在3D打印过程期间分析在用于3D打印的过程变量和3D打印质量之间的相关性的结果来构建人工神经网络模型。可以通过人工神经网络模型来确定用于当前所执行的3D打印过程的3D打印质量。在使用人工神经网络模型获得3D打印质量的预测值之后，可以通过比较3D打印质量的预测值与3D打印质量的实际测量值来很容易地辨别3D打印质量中的异常。
另外，根据本发明的实施例，当确定3D打印过程的打印质量异常时，可以通过根据人工神经网络模型分析的在过程变量和3D打印质量之间的相关性调整3D打印过程变量来实时控制3D打印对象的打印质量。
根据本发明的实施例，由于在控制3D打印过程变量的同时实时地执行了过程控制，可以提高3D打印对象的质量并且可以提高过程效率。
附图说明
通过以下结合附图的详细描述，将更清楚地理解说明性的非限制性示例实施例。
图1是根据本发明的一个实施例的3D打印系统的框图；
图2是示意性地示出在根据本发明的一个实施例的3D打印系统中由激光源在3D打印对象中生成熔池、热波和激光超声波的图；
图3是示意性地示出在根据本发明的一个实施例的3D打印系统中使用脉冲回波技术根据激光超声波和热图像进行基于数据融合的缺陷检测的示例的图；
图4是示意性地示出在根据本发明的一个实施例的3D打印系统中使用一发一收技术根据激光超声波和热图像进行基于数据融合的物理性能估计的示例的图；
图5是用根据本发明的一个实施例的3D打印系统的3D打印过程的实时反馈控制方法的流程图；
图6是示出用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中收集大数据的详细程序的流程图；
图7是示出通过用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中分析超声波信号来估计3D打印质量的详细程序的流程图；
图8是示出用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中构建人工神经网络模型的详细程序的流程图；
图9是示出用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中估计在3D打印质量中是否存在异常的详细程序的流程图；
图10是示出用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中监测在3D打印质量的预测值和测量值之间的误差的详细程序的流程图；
图11是示出在根据本发明的一个实施例的3D打印系统的实时反馈过程控制方法中对3D打印质量的反馈控制的详细程序的流程图；
图12是示出在根据本发明的一个实施例的3D打印系统中的实时反馈过程控制和大数据收集的示意性框图；
图13是示出通过使用机器学习基于人工神经网络模型来分析在过程变量和/或测量信号与3D打印质量之间的相关性的示意图；
图14示出实时监测3D打印质量是否异常的过程；
图15是示出当检测到3D打印中的质量异常时反馈控制过程变量的过程的框图。
具体实施方式
在下文中，将参考附图详细描述本发明的实施例。本发明可以按各种不同的形式实施且不限于本文所述的实施例。在附图中，为了清晰地描述本发明，省略了与本说明书无关的部分，且在整个说明书中，将相同的附图标记分配给相同或相似的元件。
根据本发明的一个实施例的3D打印系统是能够使用激光熔化基材以形成三维对象，并且还能够通过在3D打印过程期间执行在线无损估计(NDE)来进行实时反馈过程控制的系统。在这种情况下，根据本发明的一个实施例的3D打印系统可以是能够通过用激光熔化金属粉末或金属线来形成3D对象的DED型3D打印系统。
图1示出了根据本发明的一个实施例的3D打印系统的配置。
参考图1，在示例实施例中，3D打印系统1可以包括用于3D打印的激光源20、基材供应源30、聚焦透镜40、喷嘴50、热成像相机60(诸如红外相机、视觉相机70)、激光超声波装置80和控制单元90。
在这里，激光源20、基材供应源30、聚焦透镜40和喷嘴50可以组成一般的DED型3D打印机10。然而，可应用于根据本发明的一个实施例的3D打印系统1的3D打印机10不限于DED方法。能够形成金属熔池的3D打印机可以可应用于根据本发明的3D打印系统1。
在示例实施例中，3D打印系统1可以包括与DED型3D打印机10同轴地设置的热成像相机60、视觉相机70和激光超声波装置80。换句话说，热成像相机60、视觉相机70和激光超声波装置80可以与激光源20同轴地设置。在这里，同轴设置表示相关的组件被布置成使得多个激光束共享相同的光路，并且分束器、分色镜、滤波器等使激光束分离和/或透射，使得激光束共享光路。
因此，可以在不控制热成像相机60、视觉相机70和激光超声波装置80的位置的情况下连续拍摄和检查3D打印对象4。
在一个示例实施例中，热成像相机60、视觉相机70、激光超声波装置80和控制单元90可以形成用于3D打印过程的热图像和激光超声波集成检查系统100。因此，3D打印系统1包括3D打印机10以及用于3D打印过程的热图像和激光超声波集成检查系统100。
参考图1，在一个示例实施例中，激光源20可以将激光束22照射到3D打印对象4。从激光源20照射的激光束22通过聚焦透镜40并且入射在3D打印对象4上。从激光源20照射的激光束22可以在激光束到达熔池2的同时通过用于供应基材的喷嘴50。在这里，激光源20可以具有1.07μm或更小的波长带。
在一个示例实施例中，从基材供应源30供应的基材可以通过单独的供应管32以例如，金属粉末或金属线的形式供给到喷嘴50。为了将基材供应至3D打印对象4，在喷嘴50中的基材移动路径可以形成为平行于或倾斜于激光束22所通过的路径。供应至3D打印对象4的基材可以由激光源20熔化，以在3D打印对象4上形成熔池2。
可以通过层压多个层来将3D打印对象4形成为三维对象。在图1中，示出了示例状态，其中3D打印对象4由例如第一层6和第二层8形成，并且熔池2形成在第二层8上。
热成像相机60可以获取形成在3D打印对象4中的熔池2的热图像。在这里，热成像相机60可以具有与激光源20不同的波长带。作为一个示例，热成像相机60可以具有2至5μm的波长带。
为了将热成像相机60构造成与激光源20同轴布置，可以将第一分束器62设置在从激光源20照射的激光束22的路径上。第一分束器62可以将从3D打印对象4反射的激光束22的一部分朝向热成像相机60分离出来。
另外，第一滤波器单元64可以设置在第一分束器62和热成像相机60之间。在这种情况下，第一滤波器单元64可以允许热成像相机60的波长带通过自身。因此，热成像相机60可以通过从激光束22仅提取其自身波长带的激光束来获得热图像。
视觉相机70可以获取3D打印对象4的真实图像。在这里，视觉相机70可以具有与激光源20不同的波长带。作为一个示例，视觉相机70可以具有600nm至900nm的波长带。
在一个示例实施例中，为了将视觉相机70构造成与激光源20同轴布置，可以将第三分束器82设置在从激光源20照射的激光束22的路径上。第三分束器72可以将从3D打印对象4反射的激光束22的一部分朝向视觉相机70分离出来。
在一个示例实施例中，第三滤波器单元74可以设置在第三分束器72和视觉相机70之间。在这种情况下，第三滤波器单元74可以允许视觉相机70的波长带通过自身。因此，视觉相机70可以从激光束22仅提取其自身波长带的激光束，以获得在处理状态中的3D打印对象4的图像。
激光超声波装置80可以接收从3D打印对象4反射的激光超声波。在这里，激光超声波装置80可以具有与激光源20不同的波长带。作为一个示例，激光超声波装置80可以具有515nm或更小的波长带。另外，激光超声波装置80可以是飞秒激光装置。
在一个示例实施例中，第二分束器82可以设置在从激光源20照射的激光束22的路径上，以将激光超声波装置80构造成与激光源20同轴布置。第二分束器82可以将从3D打印对象4反射的激光束22的一部分朝向激光超声波装置80分离出来。
在一个示例实施例中，第二滤波器单元84可以设置在第二分束器82和激光超声波装置80之间。在这种情况下，第二滤波器单元84可以允许激光超声波装置80的波长带通过自身。由此，激光超声波装置80可以选择性地从激光束22仅接收其自身波长带的激光超声波。
在这里，对于热成像相机60、视觉相机70和激光超声波装置80的同轴布置而言，其被示为和描述为仅具有分束器和滤波器单元，但是其也可以包括光路转换器，诸如具有恒定反射角的镜子或者通过或反射特定波长带的分色镜。
在图1中，热成像相机60、视觉相机70和激光超声波装置80被示为设置在激光束22的一侧上，但不限于此。例如，根据分束器的变形，热成像相机60、视觉相机70和激光超声波装置80可以设置在激光束22的两侧上。
在一个示例实施例中，控制单元90可以基于包括由热成像相机60获取的热图像，由激光超声波装置80接收的激光超声波的响应，由视觉相机70获取的视觉图像和声音中的至少一个的测量信号来执行3D打印对象4的3D打印质量检查。
在一个示例实施例中，如稍后将描述的，控制单元90可以使用脉冲回波技术或一发一收技术来计算激光超声波响应。
在下文中，将参考图2至图4描述基于对测量信号，诸如热图像和激光超声波响应的分析的3D打印质量检查。在这里，3D打印质量表示3D打印对象的层压打印状态。3D打印质量可以包括3D打印对象的物理性能、缺陷和形状中的至少一个作为指示3D打印质量的指标。具体地说，物理性能可以包括3D打印对象的刚性和弹性模量，并且缺陷可以包括3D打印对象的内部空隙和表面裂纹。另外，形状可以包括3D打印对象的长度、厚度、宽度、深度和大小。
图2示意性地示出由根据本发明的一个实施例的3D打印系统的激光源在3D打印对象中生成的熔池、热波和激光超声波。
参考图2，从激光源20照射的激光束22可以照射到3D打印对象4上以形成熔池2。
在一个示例实施例中，热波3可以由激光束22的热能或熔池2的热量生成。所生成的热波3可以沿着3D打印对象4传播。在这里，热波3可能与3D打印对象4的热能分布、热能传输率或热扩散率有关。即，热能分布、热能传输率或热扩散率可能受到3D打印对象4的3D打印质量的影响。
另外，当激光束22从3D打印对象4反射时，可能会生成激光超声波3a。即，在3D打印对象4的厚度方向上行进的激光束22可以从其表面(上或下)反射并且发射回3D打印对象4的外部。反射波可以是激光超声波3a。
激光超声波3a可以与作为对3D打印对象4的响应的到达时间或波速有关。即，激光超声波3a的到达时间和波速可能受到3D打印对象4的打印质量的影响。在这里，到达时间是指从照射激光束22的时间到通过反射接收到激光超声波3a的时间所花费的时间。
如上所述，热图像和激光超声波3a的响应可以根据3D打印对象4的打印状态进行交互，以显示3D打印质量。换句话说，可以根据3D打印对象4的打印质量来改变热图像和激光超声波3a的响应。
因此，在一个示例实施例中，可以通过分析3D打印对象4的热图像和测量信号(诸如激光超声波3a)来估计3D打印对象4的打印质量。
图3示出在根据本发明的一个实施例的3D打印系统中通过脉冲回波方法基于激光超声波和热图像进行缺陷检测的示例。
当在3D打印对象4中没有缺陷时，照射到3D打印对象4的激光束22可以生成由3D打印对象4的顶表面反射的反射波St和由3D打印对象4的底表面反射的反射波Sr。在这里，可以使用脉冲回波方法来获得激光超声波3a的响应，并且激光束22的照射位置和激光超声波3a的接收位置可以是相同的。
然而，当在3D打印对象4中存在缺陷，诸如空隙时，照射至3D打印对象4的激光束22可以生成由空隙引起的附加反射波Sr’，如图3的(a)中所示。即，可以根据是否生成附加反射波Sr'来确定3D打印对象4是否有缺陷。换句话说，当除了正常反射波St和Sr之外还检测到附加反射波Sr’时，可以估计在3D打印对象4中存在空隙。
另一方面，可以基于反射波St和Sr确定3D打印对象4的厚度。在这种情况下，可能不清楚附加反射波Sr’是由于缺陷还是由于3D打印对象4的厚度变化导致的。为了对此进行补偿，可以通过将热图像的数据组合至其来确定是否存在缺陷。
更详细地，如图3的(b)中所示，当在3D打印对象4中存在缺陷，诸如空隙时，可以改变3D打印对象4的热能历史。即，可以改变3D打印对象4的热能分布。以这种方式，可以基于热图像根据3D打印对象4的热能分布是否改变来确定3D打印对象4是否有缺陷。换句话说，如果3D打印对象4的热图像中的热能分布改变，则可以估计在3D打印对象4中存在缺陷。
在一个示例实施例中，控制单元90可以基于激光超声波的响应的附加反射波Sr’和热图像的热能分布中的变化来检测在3D打印对象4中的任何缺陷的存在。结果，与仅监测激光超声波的响应或热图像的热能分布中的变化的情况相比，本发明可以更准确地检测3D打印对象4是否有缺陷。
图4示出在根据本发明的一个实施例的3D打印系统中使用一发一收方法基于激光超声波和热图像估计物理性能的示例。
如图4的(a)中所示，激光超声波3a的到达时间可能会根据3D打印对象4的物理性能，诸如刚性、弹性模量等变化。在这里，可以使用一发一收方法来获得激光超声波3a的响应，并且激光束22的照射位置和激光超声波3a的接收位置是不同的。
参考图4的(a)，当3D打印对象4为刚硬的时，激光超声波3a的到达时间(t1)相对较短，如①所示。此外，当3D打印对象4为柔软的时，激光超声波3a的到达时间(t2)相对较长。即，根据激光超声波3a的到达时间，可以估计3D打印对象4的物理性能，诸如刚性。
同时，由于激光超声波3a的到达时间是由3D打印物体4的反射波测量的，因此其可能取决于3D打印对象4的厚度变化。即，3D打印对象4的物理性能可能无法仅通过激光超声波3a的到达时间来清楚地进行估计。为了对此进行补偿，可以通过使用热图像的数据结合到达时间的数据来确定是否存在缺陷。
如图4的(b)中所示，热传播特性可以根据3D打印对象4的物理性能而变化。即，3D打印对象4的热能传输率可以变化。在这里，热能传输率可以取决于3D打印对象4的热扩散率。以这种方式，可以根据3D打印对象4的热能传输率来估计3D打印对象4的物理性能，诸如刚性。
在这种情况下，控制单元90可以根据激光超声波3a的响应的到达时间和波速以及热图像中热能传输率来估计3D打印对象4的刚性。与仅监测激光超声波的响应或热图像中热能传输率的变化的情况相比，像这样使用几个数据来进行估计可以提供对3D打印对象4的物理性能更准确的估计。
在一个示例实施例中，当使用控制单元90基于3D打印质量检查的结果检测到异常质量时，3D打印系统1可以在3D打印过程期间实时地执行反馈过程控制，以便提高3D打印质量。
在下文中，将用不同的附图描述使用控制单元90的3D打印过程的实时反馈控制方法。
图5是在根据本发明的一个实施例的3D打印系统中在3D打印过程期间的实时反馈过程控制方法的流程图。图12是示出在根据一个示例实施例的3D打印系统1中的实时反馈过程控制和大数据收集的框图。
参考图5和图12，3D打印过程的实时反馈控制方法可以包括以下步骤：收集与3D打印过程变量、用于测量3D打印过程的状态的测量信号以及3D打印质量相关的大数据(S10)；基于大数据构建人工神经网络模型(S20)；实时估计3D打印的质量是否异常(S30)；以及基于人工神经网络模型反馈控制3D打印质量(S40)。
图6是示出在根据本发明的一个实施例的3D打印系统中在实时反馈过程控制方法中收集大数据的详细程序的流程图。
参考图6，收集大数据的步骤(S10)可以包括收集过程变量(S11)，测量热图像和超声波信号(S12)，以及分析热图像和超声波信号以估计3D打印质量(S13)。
在本发明的一个示例实施例中，在收集过程变量的步骤S11中，即可以收集为能够在3D打印过程中主动调整的变量的过程输入。在一个示例中，过程变量可以包括激光束的强度、过程速度、激光束的大小以及基粉的排放量中的至少一个。然而，应用于3D打印的过程变量不限于此。
在一个示例实施例中，3D打印系统1可以测量3D打印对象4的热图像和超声波信号(S12)。
另外，控制单元90可以通过分析测量的热图像和超声波信号来估计3D打印质量(S13)。例如，通过分析超声波信号，可以估计3D打印对象4的弹性模量，或者可以根据由热成像相机60测量的熔池4的表面温度来估计熔池2的深度。
图7是示出通过用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中分析超声波信号来估计3D打印质量的详细程序的流程图。
参考图7，在通过分析热图像和超声波信号来估计3D打印质量的步骤S13中，可以基于受3D打印对象4的物理性能和形状影响的超声波的响应的到达时间和波速，以及热图像中的热能传输率中的至少一个来估计3D打印对象4的物理性能和/或形状，如上所述(S131)。
此外，在通过分析热图像和超声波信号来估计3D打印质量的步骤(S13)中，可以基于超声波的响应的附加反射波，受3D打印对象的缺陷影响的到达时间和波速以及热图像中热能分布的变化来检测缺陷的存在(S132)。
在一个示例实施例中，控制单元90可以收集过程变量的数据，用于测量3D打印过程的状态的测量信号以及与根据测量信号估计的3D打印质量相关的数据。在构造稍后将描述的人工神经网络模型时，可以收集所有这些数据以用作大数据。在这种情况下，可以在实际的3D打印过程之前通过大量的3D打印的重复实验收集大数据。
图8是示出用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中构建人工神经网络模型的步骤的详细程序的流程图。图13是示出通过使用机器学习基于人工神经网络模型来分析在过程变量和/或测量信号与3D打印质量之间的相关性的示意图。
参考图8和图13，控制单元90可以分析大数据之间的相关性并且基于所收集的大数据来构建人工神经网络模型以预测期待的3D打印质量(S20)。
在一个示例实施例中，控制单元90可以使用机器学习来分析在3D打印过程变量和测量信号与3D打印质量之间的相关性。机器学习已知为研究和构建一种系统的技术，该系统通过基于用于其的经验数据和算法进行学习和预测来改善其自身性能。3D打印系统1的控制单元90可以结合执行机器学习的机器学习算法使用已知算法或程序。
在一个示例实施例中，3D打印系统1的控制单元90可以被配置为构造特定的人工神经网络模型以预测或估计包括熔池2的形状，3D打印对象4的物理性能和缺陷中的至少一个的3D打印质量(S21)。为了进行预测或估计，控制单元90可以使用机器学习算法并且提供用于3D打印的过程变量的数据作为输入数据。
在这种情况下，控制单元90可以被配置为重复学习上述过程变量下的3D打印质量数据，并且基于累积的数据来分析在过程变量与3D打印质量之间的相关性以形成人工神经网络模型。通过使用人工神经网络模型基于相关性来得出用于改善3D打印质量的过程变量的值，使得稍后将描述的用于3D打印过程的反馈控制成为可能。
在一个示例实施例中，控制单元90可以被配置为构造特定的人工神经网络模型以通过使用包括热图像和超声波信号的测量信号作为输入数据来预测和估计3D打印质量(S22)。
在这种情况下，控制单元90可以被配置为重复学习根据特定测量信号估计的3D打印质量数据并且基于累积的数据分析在测量信号与3D打印质量之间的相关性，以形成人工神经网络模型。使用人工神经网络模型的优点在于，即使不经历分析测量信号的过程，也能够仅使用测量信号本身快速地预测3D打印质量。
在通过这种重复学习在控制单元90中构造人工神经网络模型之后，可以执行实时估计3D打印的打印质量是否异常的步骤S30。
在步骤S30中，可以监测3D打印质量，并且可以根据监测结果确定是否存在质量异常。特别地，应当注意，监测3D打印质量和确定质量异常可以根据各种标准或方法来执行，并且不仅限于本说明书稍后描述的三个标准或方法。
图9是示出使用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中估计3D打印质量是否异常的详细程序的流程图。
参考图9，在根据一个示例实施例的步骤S30中，监测在3D打印质量的预测值和3D打印质量的测量值之间的误差(S301)。如果误差超过公差阈值，则可以确定质量异常(S302)。
图10是示出用根据本发明的一个实施例的3D打印系统在实时反馈过程控制方法中监测在3D打印质量的预测值和3D打印质量的测量值之间的误差的详细程序的流程图。图14概念性地示出实时监测3D打印质量是否异常的过程。
参考图10和图14，为了通过比较3D打印质量的预测值和3D打印质量的测量值来监测误差(S301)，首先可以使用人工神经网络模型从新测量的热图像和超声波信号得出3D打印质量的预测值(S101)。即，可以将新测量的热图像和超声波信号输入到人工神经网络模型以获得3D打印质量的预测值。另外，可以通过分析实际测量的信号来获得3D打印质量的测量值(S102)。可以计算由人工神经网络模型预测的3D打印质量值与实际测量的3D打印质量值之间的误差(S103)。在这里，可以由通过分析测量信号，诸如3D打印对象的热图像和通过上述方法在3D打印过程期间获得的超声波信号得出的3D打印质量来指定实际测量的3D打印质量值。
在这种情况下，可以将在预测的3D打印质量值与实际测量的3D打印质量值之间的误差用作确定3D打印对象的打印质量异常的标准。
即，在一个示例实施例中，控制单元90可以预设用于通过人工神经网络模型得到的3D打印质量值的预测值与3D打印质量值的实际测量值之间误差的公差阈值。当误差存在于公差阈值范围内时，确定满足预定质量标准，并且3D打印过程可以继续。
如果误差在公差阈值范围之外时，则可以将其确定为异常质量(S302)。结果，可以执行稍后将描述的实时反馈过程控制以调整过程变量(S40)。
其次，再次参考图9，在步骤S30中，为了实时估计3D打印的3D打印质量是否异常，可以监测3D打印质量的测量值(S311)。如果测量值不是在公差阈值范围内的值，则可以确定质量异常(S312)。
在一个示例实施例中，可以预设用于物理性能中弹性模量的可允许测量值的范围，并且可以监测物理性能中的弹性模量的测量值是否落在预设的可允许范围内(S311)。如果测量值不在可允许范围内，则可以将其确定为异常质量(S312)。在这里，测量值可以是通过分析在3D打印过程期间获取的测量信号，诸如热图像和超声波信号而得出的3D打印质量。
第三，参考图9，在步骤S30中，为了实时估计3D打印的3D打印质量是否异常，可以通过分析用于3D打印对象4的热图像和超声波信号来监测在3D打印对象4中是否存在任何缺陷，包括内部空隙和表面裂纹中的至少任一个(S321)。如果估计在3D打印对象4中存在缺陷，则可以将其确定为异常质量(S322)。
在一个示例实施例中，当从所接收的超声波信号检测到附加反射波Sr’或超声波信号的非线性时，可以估计在3D打印对象4中存在内部空隙或表面裂纹中的至少任一个(S321)，其可以被确定为异常质量(S322)。
在一个示例实施例中，实时估计3D打印的打印质量是否异常的步骤S30可以包括上面所提的所有三种打印质量监测方法(S301、S311和S321)或仅其中的一部分。另外，打印质量监测方法不限于上面所提的三种方法，并且可以包括本文未讨论的任何其他的监测方法。
在一个示例实施例中，3D打印系统1可以根据步骤S30中的打印质量估计结果基于人工神经网络模型实时地执行针对3D打印过程的反馈控制(S40)。
图11是示出根据一个示例实施例的反馈控制3D打印质量的步骤的详细程序的流程图。图15是示出当检测到3D打印中的异常质量时反馈控制过程变量的过程的框图。
参考图11和图15，可以执行关于3D打印质量是否异常的检查(S41)。当检查结果表明打印质量不正常时，可以进行实时反馈控制(S42)。在反馈控制中，可以实时调整过程变量的值，使得上述的误差或测量信号落在可允许的阈值范围内(S43)。
在反馈控制中，考虑到通过在人工神经网络中的机器学习获取的在过程变量和3D打印质量之间的相关性，可以由控制单元90自动选择要控制的过程变量。可以重复执行过程变量的反馈控制，直到误差不超过公差阈值为止。
使用这样的配置，配备有集成的热图像和激光超声波检查系统100的3D打印系统1可以在3D打印过程期间实时地执行打印质量的在线且无损估计。另外，可以根据通过人工神经网络模型学习的相关性，在主动控制过程变量的同时实时地执行过程控制。因此，可以提高3D打印质量和过程效率。
以上是对示例实施例的说明且不应被解释为对其的限制。虽然已经描述了几个示例实施例，但是本领域的技术人员将容易地理解，在实质上不脱离本发明的新颖教义和优点的情况下，在示例实施例中可以进行许多修改。因此，所有这些修改旨在被包括在如在权利要求书中所限定的本发明的范围内。

Claims (20)

1.一种在3D打印过程期间实时反馈控制所述3D打印过程的方法，其中被供应至3D打印对象的基材由用于3D打印的激光源熔化并且打印以形成3D对象，所述方法包括：
收集通过3D打印实验生成的与3D打印的过程变量、测量信号以及所述3D打印对象的3D打印质量相关的大数据；
通过基于所述收集的大数据执行机器学习来构建人工神经网络模型；
基于所述3D打印对象的实际测量信号和所述人工神经网络模型来实时估计所述3D打印对象的3D打印质量是否异常；以及
基于关于所述3D打印对象的所述3D打印质量是否异常的所述估计的结果来实时地反馈控制所述3D打印对象的打印质量，
其中“收集所述大数据”包括收集3D打印的所述过程变量；测量用于所述3D打印对象的热图像和超声波信号；通过分析所述收集的过程变量以及所述测量的热图像和所述超声波信号来估计3D打印质量；以及在所述3D打印过程期间实时地收集与所述估计的3D打印质量相关的大数据。
2.根据权利要求1所述的方法，其中在用于拍摄所述3D打印对象的热图像的热成像相机和用于测量所述超声波信号的激光超声波装置，与所述用于3D打印的激光源同轴设置的状态下执行所述方法。
3.根据权利要求1所述的方法，其中所述“估计3D打印质量”包括基于响应超声波的到达时间和波速，以及在所述热图像中的热能转移速度中的至少一个来估计所述3D打印对象的物理性能或形状。
4.根据权利要求1所述的方法，其中所述“估计3D打印质量”包括基于附加反射波、响应超声波的到达时间和波速，以及在所述热图像的热能分布的变化中的至少一个来检测在所述3D打印对象中的缺陷的存在。
5.根据权利要求1所述的方法，其中所述人工神经网络模型是通过机器学习所述过程变量的数据和所述3D打印质量的数据之间的相关性来构建的，并且被配置为当提供所述过程变量的新数据作为输入数据时估计所述3D打印质量的预测值。
6.根据权利要求1所述的方法，其中所述人工神经网络模型是通过机器学习所述测量信号和所述3D打印质量的数据之间的相关性来构建的，并且被配置为当提供新的测量信号作为输入数据时估计所述3D打印质量的预测值。
7.根据权利要求1所述的方法，其中所述“估计所述3D打印对象的3D打印质量是否异常”包括：通过将所述3D打印对象的新测量的热图像和超声波信号输入所述人工神经网络模型中来得出所述3D打印质量的预测值；通过分析与所述3D打印对象相关的实际测量信号来获取3D打印质量的实际测量值；计算在通过所述人工神经网络模型得出的3D打印质量的所述预测值和所述3D打印质量的实际测量值之间的误差；以及当所述计算的误差超过预定公差阈值时确定所述3D打印质量异常。
8.根据权利要求1所述的方法，其中所述“估计所述3D打印对象的3D打印质量是否异常”包括：监测所述3D打印质量的所述实际测量值；以及当所述3D打印质量的所述实际测量值不是在预定的可允许范围内的值时，确定所述3D打印质量异常。
9.根据权利要求1所述的方法，其中所述“估计所述3D打印对象的3D打印质量是否异常”包括：通过分析热图像和超声波信号来监测是否在所述3D打印对象中生成包括内部空隙和表面裂纹中的至少一个的缺陷；以及当估计所述缺陷存在时，确定所述3D打印质量异常。
10.根据权利要求1所述的方法，对所述3D打印对象的打印质量的所述反馈控制包括：检查所述打印质量是否正常；当所述打印质量异常时，实时执行反馈控制；以及通过实时反馈控制来调整所述3D打印过程的过程变量的数据。
11.根据权利要求1所述的方法，其中所述过程变量可以在所述3D打印过程中主动地进行调整并且包括用于所述3D打印的所述激光束的强度、处理速度、用于所述3D打印的所述激光束的大小以及所述基材的排放量中的至少一个。
12.根据权利要求1所述的方法，其中所述3D打印质量包括所述3D打印对象的物理性能、缺陷和形状中的至少一个。
13.根据权利要求1所述的方法，其中所述测量信号包括热图像、超声波信号、视觉相机图像和声音信号中的至少一个。
14.根据权利要求1所述的方法，其中所述3D打印过程是基于直接能量沉积(DED)的3D打印过程。
15.一种能够对3D打印过程进行实时反馈控制的3D打印系统，其包括：
激光源，所述激光源构造成通过照射激光束以熔化供应到3D打印对象的基材来在所述3D打印对象中形成熔池；
基材供应源，所述基材供应源构造成将所述基材供应到所述3D打印对象上；
热成像相机，所述热成像相机构造成获取形成在所述3D打印对象上的所述熔池的热图像；
激光超声波装置，所述激光超声波装置构造成接收从所述3D打印对象反射的激光超声波；以及
控制单元，所述控制单元被配置为执行以下功能：收集通过3D打印实验生成的与3D打印的过程变量、测量信号以及3D打印对象的3D打印质量相关的大数据；通过基于所述收集的大数据执行机器学习来构建人工神经网络模型；基于所述3D打印对象的实际测量信号和所述人工神经网络模型来实时估计所述3D打印对象的3D打印质量是否异常；以及基于关于所述3D打印对象的所述3D打印质量是否异常的所述估计结果来实时地反馈控制所述打印对象的打印质量，
其中收集所述大数据的所述功能包括以下子功能：收集3D打印的所述过程变量；测量用于所述3D打印对象的热图像和超声波信号；通过分析所述收集的过程变量以及所述测量的热图像和所述超声波信号来估计3D打印质量；以及在所述3D打印过程期间实时地收集与所述估计的3D打印质量相关的大数据，以及
其中所述热成像相机和所述激光超声波装置与所述用于3D打印的激光源同轴设置。
16.根据权利要求15所述的3D打印系统，其中所述过程变量可以在所述3D打印过程中主动地进行调整并且包括用于所述3D打印的所述激光束的强度、处理速度、用于所述3D打印的所述激光束的大小以及所述基材的排放量中的至少一个。
17.根据权利要求15所述的3D打印系统，其中“估计所述3D打印对象的3D打印质量是否异常”的功能包括以下子功能：通过将所述3D打印对象的新测量的热图像和超声波信号输入所述人工神经网络模型中来得出所述3D打印质量的预测值；通过分析与所述3D打印对象相关的实际测量信号来获取3D打印质量的实际测量值；计算在通过所述人工神经网络模型得出的3D打印质量的所述预测值和所述3D打印质量的实际测量值之间的误差；以及当所述计算的误差超过预定公差阈值时确定所述3D打印质量异常。
18.根据权利要求15所述的3D打印系统，其中所述过程变量可以在所述3D打印过程中主动地进行调整，并且包括激光束的强度、处理速度、激光束的大小和基粉的排出量中的至少一个。
19.根据权利要求15所述的3D打印系统，其中所述人工神经网络模型是通过机器学习所述过程变量的数据和所述3D打印质量的数据之间的相关性来构建的，并且被配置为当提供所述过程变量的新数据作为输入数据时估计所述3D打印质量的预测值。
20.根据权利要求15所述的3D打印系统，其中所述人工神经网络模型是通过机器学习测量信号和所述3D打印质量的数据之间的相关性来构建的，并且被配置为当提供新的测量信号作为输入数据时估计所述3D打印质量的预测值。
CN202011592407.XA 2019-12-31 2020-12-29 实时反馈控制3d打印过程的方法以及用于其的3d打印系统 Active CN113119470B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0179192 2019-12-31
KR1020190179192A KR102236149B1 (ko) 2019-12-31 2019-12-31 3d 프린팅 시스템 및 이의 실시간 피드백 공정제어 방법

Publications (2)

Publication Number Publication Date
CN113119470A true CN113119470A (zh) 2021-07-16
CN113119470B CN113119470B (zh) 2023-05-05

Family

ID=75473274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011592407.XA Active CN113119470B (zh) 2019-12-31 2020-12-29 实时反馈控制3d打印过程的方法以及用于其的3d打印系统

Country Status (3)

Country Link
US (2) US11484945B2 (zh)
KR (1) KR102236149B1 (zh)
CN (1) CN113119470B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138867A (zh) * 2022-07-22 2022-10-04 南京航空航天大学 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102236149B1 (ko) * 2019-12-31 2021-04-06 한국과학기술원 3d 프린팅 시스템 및 이의 실시간 피드백 공정제어 방법
KR102235761B1 (ko) * 2019-12-31 2021-04-02 한국과학기술원 3d 프린팅 공정의 펨토초 레이저 기반 초음파 계측 장치 및 이를 구비한 3d 프린팅 시스템
AU2021296039A1 (en) * 2020-06-25 2023-02-09 Bae Systems Plc Structural simulation of additively manufactured components
US20220230292A1 (en) * 2021-01-20 2022-07-21 Scott Powers Machine learning and computer vision based 3d printer monitoring systems and related methods
KR102396959B1 (ko) * 2021-05-31 2022-05-12 한국전자기술연구원 금속 3d 프린팅의 출력 안정화를 위한 열 빠짐 특성 분석 기반 모델 출력 방향 결정 방법 및 시스템
KR102435874B1 (ko) * 2021-06-21 2022-08-25 한국생산기술연구원 3d 프린터의 공정 관리 장치
KR102501153B1 (ko) 2021-07-21 2023-02-21 한국과학기술원 자기 증분 투자율을 이용한 금속 3d 프린팅 부재 항복강도 계측 방법 및 이를 위한 계측 시스템
KR102595671B1 (ko) * 2021-11-08 2023-10-27 성균관대학교산학협력단 적층물의 가시화 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR102652097B1 (ko) * 2021-11-10 2024-03-27 경상국립대학교산학협력단 레이저 용융 기반한 고밀도 및 고강도 타이타늄 합금 적층 시스템 및 이를 이용한 고밀도 및 고강도 타이타늄 합금 적층 조형물 제조방법
KR20230091524A (ko) * 2021-12-16 2023-06-23 한국전자기술연구원 3d 프린팅 열 배출 해석을 위한 서포트 싱크 적용 방법
CN115358159B (zh) * 2022-10-24 2023-04-07 浙江大学计算机创新技术研究院 一种多目标3d打印工艺参数优化方法
CN116051562B (zh) * 2023-03-31 2023-06-13 北京大学 基于深度生成网络的金属3d打印质量预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150351896A1 (en) * 2013-01-14 2015-12-10 Scripps Health Tissue array printing
US20180104742A1 (en) * 2016-10-18 2018-04-19 General Electric Company Method and system for thermographic inspection of additive manufactured parts
CN109261219A (zh) * 2018-08-31 2019-01-25 深圳信息职业技术学院 一种面向高效制氢的多尺度纤维载体节能烧结成形方法
CN109937387A (zh) * 2012-11-08 2019-06-25 Ddm系统有限责任公司 金属部件的增材制造及维修
CN110121404A (zh) * 2016-12-20 2019-08-13 吉玛克·迪·马卡南·乔治公司 用于增材制造过程的系统和相关控制方法
CN110352105A (zh) * 2017-01-30 2019-10-18 西门子能源有限公司 组件的增材制造的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2493398B (en) * 2011-08-05 2016-07-27 Univ Loughborough Methods and apparatus for selectively combining particulate material
EP3229996A4 (en) * 2014-12-12 2018-09-05 Velo3d Inc. Feedback control systems for three-dimensional printing
TW201811542A (zh) * 2016-07-28 2018-04-01 應用材料股份有限公司 控制用於積層製造的能量束之強度分佈
US10471695B2 (en) * 2016-10-26 2019-11-12 General Electric Company Methods and thermal structures for additive manufacturing
KR102042156B1 (ko) * 2017-12-08 2019-11-07 성균관대학교산학협력단 3d 프린터의 건전성 진단 방법 및 장치
KR102567947B1 (ko) * 2018-05-03 2023-08-17 한국전자통신연구원 G-code를 이용한 3D 프린팅 관리 방법 및 장치
CN109171998B (zh) * 2018-10-22 2020-07-21 西安交通大学 基于超声深度学习的热消融区域识别监测成像方法与系统
KR102194694B1 (ko) * 2019-12-31 2020-12-24 한국과학기술원 3d 프린팅 공정의 열 화상 및 레이저 초음파 통합 검사 시스템 및 이를 구비한 3d 프린팅 시스템
KR102194695B1 (ko) * 2019-12-31 2020-12-24 한국과학기술원 3d 프린팅 공정 중 형성되는 적층부의 높이를 추정하는 방법 및 장치, 이를 구비한 3d 프린팅 시스템
KR102236149B1 (ko) * 2019-12-31 2021-04-06 한국과학기술원 3d 프린팅 시스템 및 이의 실시간 피드백 공정제어 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109937387A (zh) * 2012-11-08 2019-06-25 Ddm系统有限责任公司 金属部件的增材制造及维修
US20150351896A1 (en) * 2013-01-14 2015-12-10 Scripps Health Tissue array printing
US20180104742A1 (en) * 2016-10-18 2018-04-19 General Electric Company Method and system for thermographic inspection of additive manufactured parts
CN110121404A (zh) * 2016-12-20 2019-08-13 吉玛克·迪·马卡南·乔治公司 用于增材制造过程的系统和相关控制方法
CN110352105A (zh) * 2017-01-30 2019-10-18 西门子能源有限公司 组件的增材制造的方法
CN109261219A (zh) * 2018-08-31 2019-01-25 深圳信息职业技术学院 一种面向高效制氢的多尺度纤维载体节能烧结成形方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138867A (zh) * 2022-07-22 2022-10-04 南京航空航天大学 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法
CN115138867B (zh) * 2022-07-22 2024-04-26 南京航空航天大学 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法

Also Published As

Publication number Publication date
CN113119470B (zh) 2023-05-05
US11484945B2 (en) 2022-11-01
KR102236149B1 (ko) 2021-04-06
US20230051394A1 (en) 2023-02-16
US11628502B2 (en) 2023-04-18
US20210197283A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN113119470B (zh) 实时反馈控制3d打印过程的方法以及用于其的3d打印系统
US20210197287A1 (en) Integrated inspection system for 3d printing process based on thermal image and laser ultrasound wave and 3d printing system having the same
CN110799286B (zh) 用于增材制造的方法和设备
US11493906B2 (en) Online monitoring of additive manufacturing using acoustic emission methods
JP6301951B2 (ja) サーモグラフィを用いた試料の検査方法およびシステム
US20210197275A1 (en) Three dimensional printing system and method capable of controlling size of molten pool formed during printing process
RU2650449C1 (ru) Устройство и способ ультразвуковой дефектоскопии
US10578586B2 (en) Weld analysis using Lamb waves and a neural network
US11590579B2 (en) Method and apparatus for estimating depth of molten pool during printing process, and 3D printing system
US20230201956A1 (en) Method for analyzing a laser machining process, system for analyzing a laser machining process, and laser machining system comprising such a system
JP2020189305A (ja) レーザ加工システム、学習装置および学習装置の学習方法
Yang et al. Measurement of weld penetration depths in thin structures using transmission coefficients of laser-generated Lamb waves and neural network
CN113874141A (zh) 用于工件的增材制造的方法和设备
JP2021058927A (ja) レーザ溶接品質検査の方法及びレーザ溶接品質検査装置
WO2021054127A1 (ja) 積層造形システム
US20210197282A1 (en) Method and apparatus for estimating height of 3d printing object formed during 3d printing process, and 3d printing system having the same
Prem et al. A review on application of acoustic emission testing during additive manufacturing
JP5920401B2 (ja) 電縫管の超音波探傷装置及び方法ならびに品質保証方法
US20230004142A1 (en) Method, system and device for acquisition and processing of elastic waves and field sensor data for real-time in-situ monitoring of additive manufacturing
EP3447480B1 (en) In-process monitoring; automated decision-making; and process control for composite manufacturing using part-referenced ply-by-ply infrared thermography and other non-contact non-destructive inspection
Tran et al. Process monitoring and inspection
JP2002210575A (ja) レーザ溶接における溶接状態判定方法
Pajić et al. AI APPLICATION IN QUALITY ASSURANCE OF INDUSTRIAL LASER WELDING PROCESSES
CN117805248A (zh) 利用声学测量实现增材制造质量监测的方法和系统

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