CN113474736A - 用于从试样构建生成定制零件参数的传递学习/字典生成和使用 - Google Patents

用于从试样构建生成定制零件参数的传递学习/字典生成和使用 Download PDF

Info

Publication number
CN113474736A
CN113474736A CN202080016644.3A CN202080016644A CN113474736A CN 113474736 A CN113474736 A CN 113474736A CN 202080016644 A CN202080016644 A CN 202080016644A CN 113474736 A CN113474736 A CN 113474736A
Authority
CN
China
Prior art keywords
parameter
processor
dictionary
optimized
geometries
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080016644.3A
Other languages
English (en)
Inventor
苏布拉吉特·罗伊乔杜里
亚历山大·陈
平小虎
约翰·埃里克·赫尔希
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN113474736A publication Critical patent/CN113474736A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • 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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • B22F10/20—Direct sintering or melting
    • B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/30—Process control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/90—Means for process control, e.g. cameras or sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/141—Processes of additive manufacturing using only solid materials
    • B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35134—3-D cad-cam
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49007—Making, forming 3-D object, model, surface
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49018—Laser sintering of powder in layers, selective laser sintering SLS
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

根据一些实施例，提供了系统和方法，包括：经由包括处理器的零件参数字典模块的通信接口接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造零件；使用零件参数字典模块的处理器为每个几何结构确定特征集；使用零件参数字典模块的处理器为特征集生成试样和试样集中的一个；使用零件参数字典模块的处理器，经由对每个试样执行迭代学习控制处理来为每个试样生成优化参数集；使用零件参数字典模块的处理器将优化参数集中的一个或多个参数映射到特征集中的一个或多个特征；以及生成优化扫描参数集的字典以利用增材制造中使用的材料制造几何结构。提供了许多其他方面。

Description

用于从试样构建生成定制零件参数的传递学习/字典生成和 使用
优先权信息
本申请要求于2019年2月25日提交的美国专利申请序列号16/284,409的优先权，其通过引用并入本文。
背景技术
增材制造(AM)处理用于从数字模型制造精密的三维物体。此类物体是使用由在计算机控制下以使用来自3D模型的数字模型数据创建物体的增材制造机器(AMM)执行的增材处理制造的。AMM可以通过在构建板上一层一层地固化连续材料层来形成物体。一些AM系统使用激光(或类似的能量源)和一系列透镜和反射镜，以数字模型提供的图案在粉末材料上引导激光(例如，粉末床AM，其一个示例是直接金属激光烧结(DMLS))。激光通过烧结或熔化粉末材料来固化粉末材料。术语“直接金属激光熔化”(DMLM)可以更准确地反映该处理的性质，因为它通常会在固化时实现完全发育、均质的熔池和完全致密的块体。在应用任何必要的热处理后，熔化材料的快速、局部加热和冷却的性质实现近乎锻造的材料特性。
DMLS处理使用要制造的物体的3D计算机辅助设计(CAD)模型，由此创建CAD模型数据文件并将其发送到制造设施。技术人员可以使用3D模型正确定位零件构建的几何形状，并可以根据需要向设计添加支撑结构。一旦该“构建文件”完成，它就会被“切片”成特定DMLS制造机器的适当厚度的层，并下载到机器上以允许开始构建。通过使用聚焦激光束局部熔化，将构建板上的金属粉末熔融成固体零件。以这种方式，零件是逐层叠加地构建的。此处理允许直接从3D CAD数据自动创建高度复杂的几何形状，无需任何工具。DMLS生产的零件具有高精度和细节分辨率、良好的表面质量和优异的机械性能。
在传统的增材制造实践中，零件构建计划(PBP)针对特定的零件设计生成并由增材制造机器(AMM)执行。基于PBP，AMM控制在构建期间应用的多个构建参数，包括材料添加区的行进路径以及控制添加到该区中的零件的材料的施加和处理的参数。通常，这些参数与构建零件的质量之间存在复杂的关系。
PBP的设计是迭代过程，其包括基于试验PBP构建零件，随后评估产生的试验零件质量，然后修改试验PBP以调整预期零件质量，构建下一个零件，随后评估等。为满足整体制造要求(例如零件质量和生产率)的这种试验PBP的迭代可能需要多次迭代才能达到期望的制造要求。传统上，试验零件质量的评估是通过使用破坏性或非破坏性技术对零件进行实验测试来完成的。特别是，DMLS零件可以被剖切，从处理的部分产生光学显微照片，并处理显微照片以量化异常。试验零件质量的评估基于这种测试。这种测试费力、昂贵且耗时，并且显著增加了开发可接受的PBP以发布到最终产品的时间和成本。
基于粉末的AM中的一个挑战是，在生成可接受的PBP之前，可能需要多次制造多个零件以进行测试。
因此，期望提供优化零件的构建时间的系统和方法。
发明内容
根据一些实施例，一种方法包括：经由包括处理器的零件参数字典(dictionary)模块的通信接口接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造零件；使用零件参数字典模块的处理器为每个几何结构确定特征集；使用零件参数字典模块的处理器为特征集生成试样(coupon)和试样集中的一个；使用零件参数字典模块的处理器，经由对每个试样执行迭代学习控制处理为每个试样生成优化参数集；使用零件参数字典模块的处理器将优化参数集中的一个或多个参数映射到特征集中的一个或多个特征；以及生成优化扫描参数集的字典以利用增材制造中使用的材料制造几何结构。
根据一些实施例，一种系统包括：零件参数字典模块，零件参数字典模块包括处理器；以及存储器，存储器存储程序指令，零件参数字典模块与程序指令一起操作以执行如下功能：接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造零件；为每个几何结构确定特征集；为特征集生成试样和试样集中的一个；经由对每个试样执行迭代学习控制处理来为每个试样生成优化参数集；将优化参数集中的一个或多个参数映射到特征集中的一个或多个特征；生成优化扫描参数集的字典以利用增材制造中使用的材料制造几何结构。
根据一些实施例，一种非暂时性计算机可读介质包括：经由包括处理器的零件参数字典模块的通信接口接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造零件；使用零件参数字典模块的处理器为每个几何结构确定特征集；使用零件参数字典模块的处理器为特征集生成试样和试样集中的一个；使用零件参数字典模块的处理器，经由对每个试样执行迭代学习控制处理来为每个试样生成优化参数集；使用零件参数字典模块的处理器将优化参数集中的一个或多个参数映射到特征集中的一个或多个特征；以及生成优化扫描参数集的字典以利用增材制造中使用的材料制造几何结构。
本发明的一些实施例的技术效果是用于经由AM处理制造零件的改进技术和系统。一些实施例提供优化扫描参数集(例如，激光参数-输入功率、速度、焦点、激光穿过零件的位置等)的字典和预定义试样构建的特征特性的生成。实施例可以对零件几何形状的试样使用迭代学习控制(ILC)处理以生成字典。然后可以使用字典来生成定制的最优扫描参数集/策略以构建复杂零件。例如，特征集中的特征可以包括热泄漏。使用非详尽的热泄漏示例，可以计算复杂零件的热泄漏图，并且可以关于热泄漏特征参考特定材料的字典以导出零件的扫描参数集，而无需实际构建复杂零件。一些实施例的技术效果是，与常规AM处理相比，材料时间线开发的压缩以及材料/零件参数开发的时间和成本的减少。一些实施例的另一个技术效果是，与次优分割相关联的材料借方(debit)的减少。在传统系统中，线可能会被分成几段，并且可能会在参数发生变化的区域中产生接缝。接缝是由于材料性质借方而导致的潜在故障点。一个或多个实施例不在段内开始和停止，因此不产生接缝且不产生材料借方。一些实施例还可以提供更高质量的零件以及“第一次正确”(例如，使用字典处理，如下文进一步描述的，可以在开始时提供更好的参数，从而减少手动迭代和开发所需的次数)。这个和其他优点和特征将在下文中变得显而易见，通过参考以下详细描述和所附附图可以获得对本发明的本质的更完整理解。
其他实施例与存储指令以执行本文描述的任何方法的系统和/或计算机可读介质相关联。
附图说明
图1示出了根据一些实施例的系统。
图2示出了根据一些实施例的流程图。
图3A-C示出了根据一些实施例的试样和映射图。
图4示出了根据一些实施例的框图。
图5示出了根据一些实施例的流程图。
图6示出了根据一些实施例的图表。
图7示出了根据一些实施例的图表。
图8图示了根据一些实施例的字典条目。
图9示出了根据一些实施例的系统的框图。
具体实施方式
因为DMLM是热处理，所以需要适量的能量来接触粉末以确保粉末被适当地熔化。熔化处理控制物体的质量，当粉末没有适当熔化时，生成的物体可能没有合适的性能(例如合适的拉伸强度)，或者物体可能具有抗蠕变性。使用为零件几何形状中的所有位置固定的参数集执行增材制造构建可能不会产生令人满意的结果。
例如，在DMLM期间，经由激光束施加到粉末的能量或者被粉末材料接收以熔化粉末材料，或者作为热泄漏从材料流出。当第一次接收材料时，可以执行分析以导出与该材料一起使用的参数集。参数集可包括但不限于激光功率、扫描速度、激光光斑尺寸(焦点)、层厚度、影线(hatch)间距等。当设计使用基于制造物体所用材料的特性而开发的固定参数集时，该参数集可能在物体的大块区域(即，具有相对均匀几何形状的部分)中工作良好，这是固定参数集如何常规应用的。然而，固定参数集可能不适用于制造具有复杂形状(即，非均匀几何形状)的物体。当正在制造的物体具有复杂几何形状时，跨该物体的热泄漏可能会有所不同，从而难以确定施加到粉末材料上的能量的量，使得物体在任何地方都能接收到均匀量的能量。
通常，模型可用于估计物体的热泄漏。然而，即使使用这些模型，估计热泄漏仍可能需要数周或数月的时间。
因此，以标称参数集执行的构建会导致材料特性中的缺陷。可以调整标称参数集以尝试改进材料表面的特性。例如，可以在整个构建中或在分段区域中降低激光功率。然而，这种调整可能会引入或增加材料的孔隙率。
在迭代学习控制(ILC)处理中，可变校正或调整被应用于可预测干扰的构建参数(例如，以校正作为激光位置的函数的激光功率水平)。对于ILC，校正可以基于来自位于AMM中的传感器120的数据，传感器120记录关于作为激光位置的函数的热发射的数据。然后ILC处理确定传感器数据和零件质量之间的相关性。相关性可用于生成最优参数扫描集，最优参数扫描集又可以用于制造物体。ILC的一个挑战是，虽然该处理可以比其他传统(非ILC)处理在更短的时间内产生优化参数扫描集，但ILC处理仍然需要多次构建物体。当物体很大时(例如，直径为半米)，使用ILC处理可能具有挑战性，因为大零件可能需要多次构建，并且仍然可能需要相对较长时间(例如，几个月)以生成优化参数集。
在公开的实施例中，为一个或多个几何结构生成字典，这些几何结构可以用给定材料形成任何零件。每个字典条目可以包括用于制造具有给定特征的几何结构的最优参数。在生成字典之后，用户可以参考字典来生成最优(或次优)参数集以使用增材制造处理和机器制造零件。参数集可以针对用于形成零件的每个几何结构。
转向图1-8，提供了根据一些实施例的系统100和操作示例的图。特别地，图2和图5提供了根据一些实施例的处理200/500的流程图。处理200/500和本文描述的其他处理可以使用硬件(例如，电路)、软件或手动方式的任何合适组合来执行。在一个或多个实施例中，系统100被调节以执行处理200/500，使得系统是被构造为执行通用计算机或装置不能执行的操作的专用元件。体现这些处理的软件可以由任何非暂时性有形介质(包括固定盘、软盘、CD、DVD、闪存驱动器或磁带)存储。下面将关于系统的实施例描述这些处理的示例，但实施例不限于此。
最初，在S210处，在零件参数字典模块104处接收一组基础几何形状101。在一个或多个实施例中，通过AM处理制造的每个零件106可以包括一个或多个几何结构(例如，孔、拱形、梯形、悬垂几何形状、线性薄壁、同心薄壁、倾斜圆柱、螺旋、圆形薄壁、悬垂样品、悬垂开口端、限制销、卡扣块、LCF试样等)。需要注意的是，LCF试样可以是字典生成的基础几何形状，或者LCF试样可以用作验证几何形状，并且LCF条的基础几何形状可以是小拱形。还应注意，验证几何形状是具有与完整零件中的特征相似的特征的几何形状，但可能不是基础几何形状的一部分。通过这种方式，字典可以基于不相关的零件(例如，小拱形)构建，但在不同的零件上进行验证。基础几何形状的集合代表一个或多个几何结构的一个或多个几何形状，使得可以将零件分解为更小的部分/几何结构以进行分析。需要注意的是，基础几何形状可以是可以构建的较大零件的部分，并且可以选择基础几何形状，因为它们具有代表性特征，或者基础几何形状可以是具有重复结构的零件的一个横截面。还可以选择基础几何形状以供接收，因为它们是已知在增材制造中可能更难构建的结构(例如，拱形、薄壁和其他薄结构)。进一步注意，当为复杂几何形状构建字典时，如下文进一步描述的，可以选择基础几何形状以包含在其中，覆盖复杂几何形状的大部分特征。基础几何形状可以包括已知基础几何形状，例如上面列出的那些，以及复杂几何形状的一些代表性部分。
在一个或多个实施例中，零件参数字典模块104可以包括一个或多个处理元件108和存储器110。处理器108可以例如是微处理器，并且可以操作以控制零件参数字典模块104的整体功能。在一个或多个实施例中，零件参数字典模块104可以包括通信控制器，用于允许处理器108，并且因此零件参数字典模块104通过数据网络与其他装置(例如，增材制造装置114和用户接口116)进行通信。在一个或多个实施例中，零件参数字典模块104可以包括一个或多个存储器和/或数据存储装置110，其可以包括硬盘驱动器、RAM(随机存取存储器)、ROM(只读存储器)、闪存等中的一个或多个的任何组合。存储器/数据存储装置110可以存储对处理器108和零件参数字典模块104进行编程以执行如本文所述的功能的软件。
然后在S212中，在零件参数字典模块104处接收特征集103。在一个或多个实施例中，特征集103可以是模型的输出。例如，当特征是热泄漏时，特征集可以是热泄漏模型的输出，热泄漏模型可以包括影响每个体素中的热泄漏的特征。特征集103可以包括一个或多个特征。特征103是可以被评估的零件的一个或多个结构方面。在一个或多个实施例中，特征是影响零件的局部部分(例如，体素)的热特性并因此影响熔池特性和材料性质的一组零件特性。一些非详尽的特征示例是热泄漏、体素尺寸、扫描方向、影线间距、热滞后等。注意，特征集103可以是特定材料所特有的。无论材料如何，某些特征可能是相同的，但其他特征可能会取决于所使用的材料接收不同的处理。
接下来，在S214中，零件参数字典104为特征集103生成试样304(图3A-C)和试样集(例如，两个或更多个试样)中的一个。试样，也可以称为“测试试样”，是由AM制造的零件的代表性测试样品。试样可以是适合分析的简单形状，其包含一个或多个特征103并且可以代表正在构建的零件。在一个或多个实施例中，试样304可以包括生成零件106的扫描特征文件118(例如，“构建文件”)所需的所有特征。更具体地，在一个或多个实施例中，试样可以包括几何结构(其可以是零件的至少一部分)，几何结构包括特征集。在一个或多个实施例中，每个试样可以捕获几何结构的一个或多个特征。在一个或多个实施例中，试样的构建时间(即，制造时间)可以是由一个或多个几何结构组成的零件的构建时间的一小部分。
转向图3C，全LFC条形零件106被示为零件的非详尽示例。全LFC条形零件106可以分解为一个或多个几何结构302，并且为每个几何结构302生成试样304。在本文所示的非详尽示例中，特征集103是体积分数，其是热泄漏的替代物，因为当3D几何形状可用时，它可以以特定分辨率(例如，100微米)被体素化以生成体积分数图306，并且可以在每个体素点处确定热泄漏。在一个或多个实施例中，体积分数/特征集可以从热泄漏模型的执行中输出并且由零件参数字典模块104接收。热泄漏模型可以计算探针(probe)内的体积分数。如本文所示，体积分数图306中的颜色变化可以模拟热泄漏的变化。几何结构302的大部分可以是图像301的中心和顶部附近的主要阴影，并且可能具有最高的热泄漏，同时朝向构建板的底部303，其中几何结构302在构建板附近，颜色较深，并且散热面积可能较小。
回到处理200，在S216中执行迭代学习控制(ILC)处理112以生成优化参数集412。优化参数集是一组参数，用于构建或生成几何零件平衡结构问题(例如，“优化”)，例如维持良好的孔隙率和表面光洁度特性。ILC处理112的框图400在图4中示出。在ILC处理112期间，接收几何形状文件402。该文件可以从用户或任何其他合适的一方接收。然后可以经由任何合适的处理将几何形状文件402转换为构建文件404。在一个或多个实施例中，构建文件可以包括几何形状文件的特征以及用于经由AMM114构建零件的参数。然后AMM114构建零件106。AMM114可以在其中包括一个或多个传感器120，这些传感器在零件的制造期间记录数据119。记录的数据可以是反映熔池特征的任何数据(例如，相机数据)。作为非详尽示例，传感器120可以是光电二极管，其测量来自每个位置处的表面的热响应。其他非详尽示例包括熔池尺寸(例如，光电二极管(PD)、相机、熔池深度光学相干断层扫描(OCT)、熔池冷却速率)、PD阵列、多色PD/相机等。然后可以在后处理分析406期间分析零件106以确定零件质量。传感器数据119然后可以与零件质量数据相关。确定408制造的零件是否具有足够的质量或者是否需要更多迭代。该确定可以由用户进行或由机器自动进行。如果确定质量足够，则可以在最终构建文件410中输出几何形状和参数。最终构建文件410可以是包括特定材料的给定几何形状的优化参数集412的扫描文件。如果确定质量不足，则可以生成几何形状和修改参数的更新的构建文件414并将其返回到AMM114。修改的参数可以基于传感器数据119和零件质量数据之间的相关性。
优化参数集412接下来在S218中被映射到特征集103。在一个或多个实施例中，映射可以经由传递函数或任何其他合适的处理进行。作为非详尽示例，对于体积分数的特征(代表每个体素中的热泄漏)，优化参数集是优化功率图。特征和参数集(即，传递函数)的映射600(图6)是体积分数水平到相应优化功率水平之间的映射。作为非详尽示例，图6提供了优化参数集412到给定几何结构302的特征集103的映射600，给定几何结构302在这种情况下是图3C中所示的全LCF条106。如本文所示，对于全LCF条，功率的优化参数集映射到体积分数/热泄漏特征。更具体地，使用优化参数来用特定材料生成全LCF条可能导致优化体素点/热泄漏，(例如，图3A-C中所示的优化功率图308)。该优化功率图308可用于确定制造零件的激光强度(或其他激光参数，包括但不限于激光的速度和焦点)。
零件参数字典模块104然后可以使用一个或多个映射来生成字典122。字典122可以包括一个或多个条目702。字典122可以包括优化扫描参数集以制造几何结构(例如，激光参数-输入功率、速度、焦点、激光穿过零件的位置)。每个条目702可以包括作为关键字的体积分数和作为与关键字相关联的值的参数集。参数集可以包括功率、速度、焦点(光斑尺寸)等或任何其他合适的参数。在一个或多个实施例中，形成包括在字典中的参数集的参数可能已经通过本文描述的ILC处理进行了优化。图7中示出了包括一个或多个条目702的字典122的非详尽示例。
在一个或多个实施例中，可以将字典输出到用户平台116(控制系统、台式计算机、膝上型计算机、个人数字助理、平板电脑、智能手机等)以根据本文描述的任何实施例查看关于AM装置的信息和/或管理AM装置的操作。在一个或多个实施例中，字典条目可用于控制AMM以制造零件。在一个或多个实施例中，从参数字典模块104输出的字典(包括条目)可以被传输到各种用户平台或其他系统(未示出)，视情况而定(例如，用于显示给用户并由用户操纵)。
在一些情况下，零件可能具有在其表面上的多个支撑件和支撑接触件的构建要求，以在这些接触件处提供和维持不同的力承受能力(例如，压缩和扭矩剪切应力)。在一个或多个实施例中，除了包括用于几何结构的优化参数的条目之外，图8中所示的字典800还可以针对每个几何结构302包括用于生成有不同特性或结果(例如，材料质量-与可以构建的最优试样相比较弱但仍然可以接受的强度或耐久性)的试样的条目802(图8)，例如，这些特性或结果可以更快地构建并且仍然满足特定构建的要求。材料质量指标的非详尽示例是LCF寿命、孔隙率、表面光洁度、抗蠕变性、开裂等。这些不同的特性可以为要构建的零件提供次优特性(例如，与可以构建的最优试样相比，上述的较弱但仍然可以接受的强度或耐久性)。如下文进一步描述的，选择具有次优特性的条目的优点在于，与制造具有与最优特性相关联的条目的零件相比，制造具有该条目的零件可能花费更少的时间。因此，可以构建“足够好”的产品，即足以满足用户的要求，而在零件质量方面却不是最优的。
在一个或多个实施例中，不同特性的试样可以具有相互不同的特定于区域的微结构。例如，如果试样构建处理应用不同的能量密度，则可以实现这一点。此外，激光扫描序列可能会影响试样的热分布。
作为非详尽示例，孔隙率可以是可影响试样的构建时间的特性。如果没有适当限制，孔隙率可能会影响试样的单调强度和预期疲劳失效时间。为了几乎消除孔隙率，可以重新熔化试样的每一层并使试样的密度最大化。这可能会显著增加零件的该试样的部分的生产时间和成本。虽然全密度(即没有孔隙率)可能是理想条件，但并非零件的所有试样都需要它，因为该零件可能仍会在低于全密度的情况下获得预期用途的认证，并且在更短构建时间内稍微减少生产时间，这可能会导致单位时间内更大的利润。
在一个或多个实施例中，例如，可以由零件参数字典模块104生成不同特性试样的条目802。每个不同的条目802可以包括对优化几何结构的构建文件的微小调整。
转向图5，提供了用于使用字典122来确定参数集并生成用于使用特定材料制造零件的构建文件118的处理500。
最初，在S510处，在零件参数字典模块104处接收包括将由AMM114制造的零件的文件。然后，在S512中，几何结构提取器124可以将零件106分解成一个或多个几何结构302。一个或多个实施例可以使用体积分数、分割或任何其他合适的分解处理。零件参数字典模块104然后可以在S514中将几何结构中的每一个分配给一个或多个体素。应注意，分配给体素是与热泄漏特征相关的非详尽示例。对于其他特征(例如，扫描方向、热滞后等)，零件参数字典模块104可以将几何结构中的每一个分配给体素或影线或扫描文件的任何其他合适成分。如上所述，特征是一组共同的基本特性，用于表示更大的元素类别。例如，直线和圆弧可以是用来表示各种几何图形的特征；热泄漏、热滞后、扫描方向、激光入射角、轨迹形状等可以是表示一组广泛几何结构的特征。在S516中查询字典122以获得第一几何结构302的分配体素中的第一个，并且返回分配体素的条目702(包括优化参数集)。然后在S518中确定是否有更多的分配体素。当在S518中有更多的分配体素时，处理返回到S516。当在S518中没有更多的分配体素时，处理进行到S520，并确定是否有更多几何结构。当S520中有更多几何结构时，处理返回到S516并迭代用于下一个几何结构。当在S520中没有更多几何结构时，零件参数字典模块104可以输出零件106的最优参数集作为构建文件118，在S522中包括每个几何结构的参数集。在一个或多个实施例中，构建文件118可由AMM114和/或用户平台116接收。应注意，虽然本文关于输出最优参数集描述了处理500，但当在S510中接收到文件时，或在查询字典之前的另一点，零件参数字典模块104可接收返回的输出是次优参数集的输出的请求作为输入选择，如上所述。在一个或多个实施例中，次优参数集可以与最优参数集一起返回到用户平台116，使用户可以选择决定将哪个构建文件传输到AMM114以制造零件106。
注意本文描述的实施例可以使用任何数量的不同硬件构造来实施。例如，图9示出了可以例如与图1的系统100相关联的零件参数字典处理平台900。零件参数字典处理平台900包括联接到通信装置920的零件参数字典处理器910(“处理器”)(例如单片微处理器形式的一个或多个商用中央处理单元(CPU))，通信装置920被构造为经由通信网络(图9中未示出)进行通信。通信装置920可用于例如与一个或多个用户通信。零件参数字典处理平台900还包括输入装置940(例如，输入关于零件的信息的鼠标和/或键盘)和输出装置950(例如，输出和显示数据和/或推荐)。
处理器910还与存储器/存储装置930通信。存储装置930可以包括任何适当的信息存储装置，包括磁存储装置(例如，硬盘驱动器)、光存储装置、移动电话和/或半导体存储装置的组合。存储装置930可以存储用于控制处理器910的程序912和/或零件参数字典处理逻辑914。处理器910执行程序912、914的指令，从而根据本文所述的任何实施例进行操作。例如，处理器910可以接收输入并且然后可以经由程序912、914的指令应用零件参数字典模块104，以生成用于制造零件的构建文件。
程序912、914可以以压缩的、未编译的和/或加密的格式存储。程序912、914还可以包括其他程序元素，例如操作系统、数据库管理系统和/或处理器910用来与外围装置接口的装置驱动程序。
如本文所使用的，信息可以被“接收”或“传输”到例如：(i)来自另一装置的平台900；或(ii)平台900内的来自另一软件应用程序、模块或任何其他源的软件应用程序或模块。
如本领域技术人员将理解的，本发明的方面可以体现为系统、方法或计算机程序产品。因此，本发明的方面可以采用完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施例的形式，这些软件和硬件方面在本文中通常都可以被称为“电路”、“模块”或“系统”。此外，本发明的方面可以采用体现在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有体现在其上的计算机可读程序代码。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。就这一点而言，流程图或框图中的每个框可以表示模块、段或代码的一部分，该代码包括用于实施指定逻辑功能的一个或多个可执行指令。还应当注意的是，在一些替代实施方式中，框中标注的功能可以不按照图中标注的顺序出现。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者有时可以以相反的顺序执行这些框。还将注意到，框图和/或流程图说明的每个框，以及框图和/或流程图说明中的框的组合，可以由执行指定功能或动作的基于专用硬件的系统或专用硬件和计算机指令的组合来实施。
应当注意，本文描述的任何方法可以包括提供系统的附加步骤，该系统包括体现在计算机可读存储介质上的不同软件模块；模块可以包括例如在框图中描绘和/或本文描述的任何或所有元素；作为示例而非限制，零件参数字典模块。然后可以使用系统的不同软件模块和/或子模块来执行方法步骤，如上所述，在一个或多个硬件处理器910(图9)上执行。此外，计算机程序产品可以包括具有代码的计算机可读存储介质，该代码适于被实施以执行本文描述的一个或多个方法步骤，包括为系统提供不同的软件模块。
本发明的进一步方面由以下条项的主题提供：
1.一种方法，包括：经由包括处理器的零件参数字典模块的通信接口接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造所述零件；使用所述零件参数字典模块的所述处理器为每个几何结构确定特征集；使用所述零件参数字典模块的所述处理器为所述特征集生成试样和试样集中的一个；使用所述零件参数字典模块的所述处理器，经由对每个试样执行迭代学习控制处理来为每个试样生成优化参数集；使用所述零件参数字典模块的所述处理器将所述优化参数集中的一个或多个参数映射到所述特征集中的一个或多个特征；以及生成优化扫描参数集的字典，以利用增材制造中使用的材料制造几何结构。
2.根据任何前述条项所述的方法，其中特征集是一个或多个特征，并且其中特征是所述零件的一个或多个结构方面。
3.根据任何前述条项所述的方法，其中所述特征集包括热泄漏、体素尺寸、扫描方向、影线间距和热滞后中的至少一个。
4.根据任何前述条项所述的方法，其中所述参数集包括激光功率、扫描速度、激光光斑尺寸、层厚度和影线间距中的至少一个。
5.根据任何前述条项所述的方法，其中所述字典中的每个条目包括与特定构建模型相关联的特定于零件的几何形状。
6.根据任何前述条项所述的方法，进一步包括：在所述零件参数字典模块处接收对具有3D几何形状的所述零件的扫描参数集的请求；将所述零件分解成一个或多个几何结构；将所述几何结构中的每一个分配给一个或多个体素；在所述字典处接收包括分配的所述一个或多个体素的请求；使用所述零件参数字典模块的所述处理器为分配的所述一个或多个体素生成所述优化参数集；以及将扫描文件中的优化参数输出到所述增材制造机器以生产所述零件。
7.根据任何前述条项所述的方法，其中所述优化参数集是经由传递学习算法的应用而生成的。
8.一种系统，包括：零件参数字典模块，所述零件参数字典模块包括处理器；以及存储器，所述存储器存储程序指令，所述零件参数字典模块与所述程序指令一起操作以执行如下功能：接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造所述零件；为每个几何结构确定特征集；为所述特征集生成试样和试样集中的一个；经由对每个试样执行迭代学习控制处理来为每个试样生成优化参数集；将所述优化参数集中的一个或多个参数映射到所述特征集中的一个或多个特征；生成优化扫描参数集的字典，以利用增材制造中使用的材料制造几何结构。
9.根据任何前述条项所述的系统，其中特征集是一个或多个特征，并且其中特征是所述零件的一个或多个结构方面。
10.根据任何前述条项所述的系统，其中所述特征集包括热泄漏、体素尺寸、扫描方向、影线间距和热滞后中的至少一个。
11.根据任何前述条项所述的系统，其中所述参数集包括激光功率、扫描速度、激光光斑尺寸、层厚度和影线间距中的至少一个。
12.根据任何前述条项所述的系统，其中所述字典中的每个条目包括与特定构建模型相关联的特定于零件的几何形状。
13.根据任何前述条项所述的系统，进一步包括程序指令以：在所述零件参数字典模块处接收对具有3D几何形状的所述零件的扫描参数集的请求；将所述零件分解成一个或多个几何结构；将所述几何结构中的每一个分配给一个或多个体素；在所述字典处接收包括分配的所述一个或多个体素的请求；为分配的所述一个或多个体素生成所述优化参数集；以及将扫描文件中的优化参数输出到所述增材制造机器以生产所述零件。
14.根据任何前述条项所述的系统，其中所述优化参数集是经由传递学习算法的应用而生成的。
15.一种存储指令的非暂时性计算机可读介质，当所述指令由计算机处理器执行时，使所述计算机处理器执行一种方法，所述方法包括：经由包括处理器的零件参数字典模块的通信接口接收形成多个零件的多个几何结构的几何数据，其中利用增材制造机器制造所述零件；使用所述零件参数字典模块的所述处理器为每个几何结构确定特征集；使用所述零件参数字典模块的所述处理器为所述特征集生成试样和试样集中的一个；使用所述零件参数字典模块的所述处理器，经由对每个试样执行迭代学习控制处理来为每个试样生成优化参数集；使用所述零件参数字典模块的所述处理器，将所述优化参数集中的一个或多个参数映射到所述特征集中的一个或多个特征；以及生成优化扫描参数集的字典，以利用增材制造中使用的材料制造几何结构。
16.根据任何前述条项所述的介质，其中所述字典中的每个条目包括与特定构建模型相关联的特定于零件的几何形状。
17.根据任何前述条项所述的介质，进一步包括：在所述零件参数字典模块处接收对具有3D几何形状的所述零件的扫描参数集的请求；将所述零件分解成一个或多个几何结构；将所述几何结构中的每一个分配给一个或多个体素；在所述字典处接收包括分配的所述一个或多个体素的请求；使用所述零件参数字典模块的所述处理器，为分配的所述一个或多个体素生成所述优化参数集；以及将扫描文件中的优化参数输出到所述增材制造机器以生产所述零件。
18.根据任何前述条项所述的系统，其中所述参数集包括激光功率、扫描速度、激光光斑尺寸、层厚度和影线间距中的至少一个。
19.根据任何前述条项所述的介质，其中所述特征集包括热泄漏、体素尺寸、扫描方向、影线间距和热滞后中的至少一个。
20.根据任何前述条项所述的介质，其中所述优化参数集是经由传递学习算法的应用而生成的。
该书面描述使用示例来公开本发明，包括优选实施例，并且还使本领域的任何技术人员能够实践本发明，包括制造和使用任何装置或系统以及执行任何合并的方法。本发明的可专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求的字面语言没有区别的结构元件，或者如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件，则这些其他示例意图落入权利要求的范围内。来自所描述的各个实施例的方面以及每个这样的方面的其他已知等效物可以由本领域普通技术人员混合和匹配以根据本申请的原理构造另外的实施例和技术。
本领域技术人员将理解，在不脱离权利要求的范围和精神的情况下，可以构造上述实施例的各种改编和修改。因此，应当理解，权利要求可以不同于本文具体描述的方式来实践。

Claims (15)

1.一种方法，其特征在于，包括：
经由包括处理器(108)的零件参数字典模块(104)的通信接口(920)接收形成多个零件(106)的多个几何结构(101)的几何数据，其中利用增材制造机器(114)制造所述零件；
使用所述零件参数字典模块的所述处理器为每个几何结构确定特征集(103)；
使用所述零件参数字典模块的所述处理器为所述特征集生成试样(304)和试样集中的一个；
使用所述零件参数字典模块的所述处理器，经由对每个试样执行迭代学习控制处理(112)来为每个试样生成优化参数集(412)；
使用所述零件参数字典模块的所述处理器将所述优化参数集中的一个或多个参数映射(600)到所述特征集中的一个或多个特征；以及
生成优化扫描参数集的字典(122)，以利用增材制造中使用的材料制造几何结构。
2.根据权利要求1所述的方法，其特征在于，其中特征集是一个或多个特征，并且其中特征是所述零件的一个或多个结构方面。
3.根据权利要求2所述的方法，其特征在于，其中所述特征集(103)包括热泄漏、体素尺寸、扫描方向、影线间距和热滞后中的至少一个。
4.根据任何前述权利要求所述的方法，其特征在于，其中所述参数集包括激光功率、扫描速度、激光光斑尺寸、层厚度和影线间距中的至少一个。
5.根据任何前述权利要求所述的方法，其特征在于，其中所述字典(122)中的每个条目(702)包括与特定构建模型相关联的特定于零件的几何形状。
6.根据权利要求5所述的方法，其特征在于，进一步包括：
在所述零件参数字典模块处接收对具有3D几何形状的所述零件的扫描参数集(118)的请求；
将所述零件分解成一个或多个几何结构(101)；
将所述几何结构中的每一个分配给一个或多个体素；
在所述字典(122)处接收包括分配的所述一个或多个体素的请求；
使用所述零件参数字典模块的所述处理器为分配的所述一个或多个体素生成所述优化参数集；以及
将扫描文件(410)中的优化参数输出到所述增材制造机器以生产所述零件。
7.根据任何前述权利要求所述的方法，其特征在于，其中所述优化参数集是经由传递学习算法的应用而生成的。
8.一种系统，其特征在于，包括：
零件参数字典模块(104)，所述零件参数字典模块(104)包括处理器(108)；以及
存储器(110)，所述存储器(110)存储程序指令(912)，所述零件参数字典模块与所述程序指令一起操作以执行如下功能：
接收形成多个零件(106)的多个几何结构的几何数据，其中利用增材制造机器(114)制造所述零件；
为每个几何结构(101)确定特征集(103)；
为所述特征集生成试样(304)和试样集中的一个；
经由对每个试样执行迭代学习控制处理(112)来为每个试样生成优化参数集(412)；
将所述优化参数集中的一个或多个参数映射(600)到所述特征集中的一个或多个特征；
生成优化扫描参数集的字典(122)，以利用增材制造中使用的材料制造几何结构。
9.根据权利要求8所述的系统，其特征在于，其中特征集(103)是一个或多个特征，并且其中特征是所述零件的一个或多个结构方面。
10.一种存储指令(912)的非暂时性计算机可读介质(930)，其特征在于，当所述指令(912)由计算机处理器(910)执行时，使所述计算机处理器执行一种方法，所述方法包括：
经由包括处理器的零件参数字典模块(104)的通信接口接收形成多个零件(106)的多个几何结构(101)的几何数据，其中利用增材制造机器(114)制造所述零件；
使用所述零件参数字典模块的所述处理器为每个几何结构确定特征集(103)；
使用所述零件参数字典模块的所述处理器为所述特征集生成试样(304)和试样集中的一个；
使用所述零件参数字典模块的所述处理器，经由对每个试样执行迭代学习控制处理(112)来为每个试样生成优化参数集(412)；
使用所述零件参数字典模块的所述处理器，将所述优化参数集中的一个或多个参数映射(600)到所述特征集中的一个或多个特征；以及
生成优化扫描参数集的字典(122)，以利用增材制造中使用的材料制造几何结构。
11.根据权利要求10所述的介质，其特征在于，其中所述字典中的每个条目包括与特定构建模型相关联的特定于零件的几何形状。
12.根据权利要求11所述的介质，其特征在于，进一步包括：
在所述零件参数字典模块处接收对具有3D几何形状的所述零件的扫描参数集的请求；
将所述零件分解成一个或多个几何结构；
将所述几何结构中的每一个分配给一个或多个体素；
在所述字典处接收包括分配的所述一个或多个体素的请求；
使用所述零件参数字典模块的所述处理器，为分配的所述一个或多个体素生成所述优化参数集；以及
将扫描文件中的优化参数输出到所述增材制造机器以生产所述零件。
13.根据权利要求15所述的系统，其特征在于，其中所述参数集包括激光功率、扫描速度、激光光斑尺寸、层厚度和影线间距中的至少一个。
14.根据权利要求15所述的介质，其特征在于，其中所述特征集包括热泄漏、体素尺寸、扫描方向、影线间距和热滞后中的至少一个。
15.根据权利要求15所述的介质，其特征在于，其中所述优化参数集是经由传递学习算法的应用而生成的。
CN202080016644.3A 2019-02-25 2020-02-18 用于从试样构建生成定制零件参数的传递学习/字典生成和使用 Pending CN113474736A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/284,409 2019-02-25
US16/284,409 US11079739B2 (en) 2019-02-25 2019-02-25 Transfer learning/dictionary generation and usage for tailored part parameter generation from coupon builds
PCT/US2020/018558 WO2020176283A1 (en) 2019-02-25 2020-02-18 Transfer learning/dictionary generation and usage for tailored part parameter generation from coupon builds

Publications (1)

Publication Number Publication Date
CN113474736A true CN113474736A (zh) 2021-10-01

Family

ID=69811954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080016644.3A Pending CN113474736A (zh) 2019-02-25 2020-02-18 用于从试样构建生成定制零件参数的传递学习/字典生成和使用

Country Status (4)

Country Link
US (2) US11079739B2 (zh)
EP (1) EP3931651A1 (zh)
CN (1) CN113474736A (zh)
WO (1) WO2020176283A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11079739B2 (en) 2019-02-25 2021-08-03 General Electric Company Transfer learning/dictionary generation and usage for tailored part parameter generation from coupon builds
US11256231B2 (en) * 2019-02-27 2022-02-22 The Boeing Company Object design using machine-learning model
US11858042B2 (en) 2021-08-24 2024-01-02 Formalloy Technologies, Inc. Open loop parameter optimization for additive manufacturing
JPWO2023068268A1 (zh) 2021-10-19 2023-04-27
US20230410412A1 (en) * 2022-06-14 2023-12-21 General Electric Company Methods and apparatus for sensor-assisted part development in additive manufacturing

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101379271A (zh) * 2006-01-31 2009-03-04 兰德马克绘图公司 使用代理仿真器的用于实时油气田生产优化的方法、系统和计算机可读介质
US20150331402A1 (en) * 2014-05-13 2015-11-19 Autodesk, Inc. Intelligent 3d printing through optimization of 3d print parameters
CN105313336A (zh) * 2015-10-27 2016-02-10 杭州师范大学 一种薄壳体3d打印优化方法
CN106778035A (zh) * 2017-01-10 2017-05-31 首都医科大学附属北京友谊医院 特征参数确定方法及装置
CN107428081A (zh) * 2015-01-13 2017-12-01 西格马实验室公司 材料鉴定系统和方法
US20170357671A1 (en) * 2016-06-14 2017-12-14 Eos Gmbh Electro Optical Systems Method and Device for Manufacturing Objects Having Improved Surface Characteristic
US20180018810A1 (en) * 2015-01-30 2018-01-18 Hewlett-Packard Development Company, L.P. Generating previews of 3d objects
CN107848209A (zh) * 2015-06-12 2018-03-27 物化股份有限公司 使用热成像确保增材制造中的一致性的系统和方法
CN108312547A (zh) * 2018-01-30 2018-07-24 清华大学 在增材制造过程中实时监控零件形状的方法
CN108388739A (zh) * 2018-03-01 2018-08-10 吉林大学 一种非匀质仿生结构増材制造方法
CN108907453A (zh) * 2018-08-03 2018-11-30 英诺激光科技股份有限公司 一种具有自学习功能的激光加工分析装置和方法
US20190001655A1 (en) * 2017-06-30 2019-01-03 General Electric Company Systems and method for advanced additive manufacturing

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7181296B2 (en) 2003-08-06 2007-02-20 Asml Netherlands B.V. Method of adaptive interactive learning control and a lithographic manufacturing process and apparatus employing such a method
US20150235143A1 (en) 2003-12-30 2015-08-20 Kantrack Llc Transfer Learning For Predictive Model Development
US20120065755A1 (en) * 2010-08-13 2012-03-15 Sensable Technologies, Inc. Fabrication of non-homogeneous articles via additive manufacturing using three-dimensional voxel-based models
US9855698B2 (en) * 2013-08-07 2018-01-02 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
CN104200087B (zh) 2014-06-05 2018-10-02 清华大学 用于机器学习的参数寻优及特征调优的方法及系统
DE102015011013B4 (de) 2014-08-22 2023-05-04 Sigma Additive Solutions, Inc. Verfahren zur Überwachung von generativen Fertigungsprozessen
CN104504535B (zh) 2015-01-06 2018-09-14 北京索为系统技术股份有限公司 钛合金构件激光增材制造工艺数据系统的构建方法
JP6461846B2 (ja) * 2016-03-24 2019-01-30 株式会社東芝 積層造形装置、及びプログラム
US11204597B2 (en) 2016-05-20 2021-12-21 Moog Inc. Outer space digital logistics system
ES2909578T3 (es) 2016-05-24 2022-05-09 Divergent Tech Inc Sistemas y métodos para la fabricación aditiva de estructuras de transporte
DE112016007331T5 (de) * 2016-10-11 2019-08-01 Hewlett-Packard Development Company, L.P. Erzeugen von daten für ein dreidimensionales (3d) druckbares objekt
WO2018129089A1 (en) * 2017-01-05 2018-07-12 Velo3D, Inc. Optics in three-dimensional printing
US10753955B2 (en) * 2017-06-30 2020-08-25 General Electric Company Systems and method for advanced additive manufacturing
EP3610462A4 (en) * 2017-07-10 2020-12-09 Hewlett-Packard Development Company, L.P. TRANSFORMATION OF OBJECT DATA MODELS TO DISPERSING OBJECT PROPERTIES
EP3495904A1 (en) * 2017-12-07 2019-06-12 Siemens Aktiengesellschaft Method and apparatus for predicting manufacturing parameters of a product to be manufactured in a 3d-printing process
US10857738B2 (en) * 2018-03-19 2020-12-08 Tytus3D System Inc. Systems and methods for real-time defect detection, and automatic correction in additive manufacturing environment
US20200004225A1 (en) * 2018-06-29 2020-01-02 Velo3D, Inc. Manipulating one or more formation variables to form three-dimensional objects
JP2022506523A (ja) * 2018-11-02 2022-01-17 インクビット， エルエルシー インテリジェント付加製造方法
US11079739B2 (en) 2019-02-25 2021-08-03 General Electric Company Transfer learning/dictionary generation and usage for tailored part parameter generation from coupon builds

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101379271A (zh) * 2006-01-31 2009-03-04 兰德马克绘图公司 使用代理仿真器的用于实时油气田生产优化的方法、系统和计算机可读介质
US20150331402A1 (en) * 2014-05-13 2015-11-19 Autodesk, Inc. Intelligent 3d printing through optimization of 3d print parameters
CN107428081A (zh) * 2015-01-13 2017-12-01 西格马实验室公司 材料鉴定系统和方法
US20180018810A1 (en) * 2015-01-30 2018-01-18 Hewlett-Packard Development Company, L.P. Generating previews of 3d objects
CN107848209A (zh) * 2015-06-12 2018-03-27 物化股份有限公司 使用热成像确保增材制造中的一致性的系统和方法
CN105313336A (zh) * 2015-10-27 2016-02-10 杭州师范大学 一种薄壳体3d打印优化方法
US20170357671A1 (en) * 2016-06-14 2017-12-14 Eos Gmbh Electro Optical Systems Method and Device for Manufacturing Objects Having Improved Surface Characteristic
CN106778035A (zh) * 2017-01-10 2017-05-31 首都医科大学附属北京友谊医院 特征参数确定方法及装置
US20190001655A1 (en) * 2017-06-30 2019-01-03 General Electric Company Systems and method for advanced additive manufacturing
CN108312547A (zh) * 2018-01-30 2018-07-24 清华大学 在增材制造过程中实时监控零件形状的方法
CN108388739A (zh) * 2018-03-01 2018-08-10 吉林大学 一种非匀质仿生结构増材制造方法
CN108907453A (zh) * 2018-08-03 2018-11-30 英诺激光科技股份有限公司 一种具有自学习功能的激光加工分析装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李大伟;戴宁;姜晓通;程筱胜;: "密度感知质心的3D打印平衡性优化建模", 计算机辅助设计与图形学学报, no. 07, 15 July 2016 (2016-07-15) *
郝京辉;李红军;孙树栋;沙全友;: "制造协作组织形成过程不确定性任务性能参数的区间优化", 机械工程学报, no. 03, 15 March 2007 (2007-03-15) *

Also Published As

Publication number Publication date
WO2020176283A1 (en) 2020-09-03
US11609549B2 (en) 2023-03-21
EP3931651A1 (en) 2022-01-05
US20210325849A1 (en) 2021-10-21
US11079739B2 (en) 2021-08-03
US20200272127A1 (en) 2020-08-27

Similar Documents

Publication Publication Date Title
CN113474736A (zh) 用于从试样构建生成定制零件参数的传递学习/字典生成和使用
EP3308945B1 (en) Method and system for topographical based inspection and process control for additive manufactured parts
Yang et al. From scan strategy to melt pool prediction: A neighboring-effect modeling method
US10753955B2 (en) Systems and method for advanced additive manufacturing
US10747202B2 (en) Systems and method for advanced additive manufacturing
US11027535B2 (en) Systems and method for advanced additive manufacturing
US20190001658A1 (en) Systems and method for advanced additive manufacturing
US11487271B2 (en) Machine learning with fast feature generation for selective laser melting print parameter optimization
US11537111B2 (en) Methods and apparatus for 2-D and 3-D scanning path visualization
Zhang et al. Fast adaptive modeling method for build time estimation in additive manufacturing
CN113840675B (zh) 用于增材制造的原位监测系统辅助材料和参数开发
US11733678B2 (en) Method for determining building instructions for an additive manufacturing method, method for generating a database with correction measures for controlling the process of an additive manufacturing method
Samuel et al. Additive manufacturing of Ti-6Al-4V aero engine parts: qualification for reliability
Dinda et al. Expediting build time, material, and cost estimation for material extrusion processes to enable mobile applications
CA3226666A1 (en) Representative part, methods of designing representative parts, methods of forming and testing representative parts, and methods of qualifying additive manufacturing systems
Pavan CT-based optimization of Laser Sintering of Polyamide-12
Feng et al. Functional Requirements of Data Analytic Tools and Software for Metal Additive Manufacturing
US20240094702A1 (en) Machine learning based rapid parameter development for additive manufacturing and related methods
Rupal Geometric tolerance quantification and prediction framework for additive manufacturing processes
Chekurov Additive manufacturing needs and practices in the Finnish industry
Yuan et al. From Art-to-Part: Multidisciplinary Virtual Toolset for Laser Power-Bed Fusion Additive Manufacturing and Multi-Step Post Processing Certification
Echeta Analysis of defects in additively manufactured lattice structures
JP2021109401A (ja) 強度予測方法及びプログラム
Feng et al. Paper number: IMECE2020-24117
Yang et al. DETC2019-98215

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