CN113840675A - 用于增材制造的原位监测系统辅助材料和参数开发 - Google Patents
用于增材制造的原位监测系统辅助材料和参数开发 Download PDFInfo
- Publication number
- CN113840675A CN113840675A CN202080036465.6A CN202080036465A CN113840675A CN 113840675 A CN113840675 A CN 113840675A CN 202080036465 A CN202080036465 A CN 202080036465A CN 113840675 A CN113840675 A CN 113840675A
- Authority
- CN
- China
- Prior art keywords
- parts
- situ monitoring
- stack
- monitoring data
- additive manufacturing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 97
- 238000012544 monitoring process Methods 0.000 title claims abstract description 97
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 77
- 238000011161 development Methods 0.000 title claims abstract description 58
- 239000000654 additive Substances 0.000 title claims abstract description 49
- 230000000996 additive effect Effects 0.000 title claims abstract description 49
- 239000000463 material Substances 0.000 title claims description 60
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 239000000843 powder Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000010249 in-situ analysis Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000011960 computer-aided design Methods 0.000 description 5
- 230000001066 destructive effect Effects 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 239000000155 melt Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013400 design of experiment Methods 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012634 optical imaging Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000013031 physical testing Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011066 ex-situ storage Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010100 freeform fabrication Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- B29C64/10—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
- 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
- B22F10/30—Process control
- B22F10/31—Calibration of process steps or apparatus settings, e.g. before or during manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/80—Data acquisition or data processing
- 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
- 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
-
- 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
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/36—Process control of energy beam parameters
- B22F10/366—Scanning parameters, e.g. hatch distance or scanning strategy
-
- 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
- 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
- B22F3/00—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces
- B22F3/24—After-treatment of workpieces or articles
- B22F2003/245—Making recesses, grooves etc on the surface by removing material
-
- 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
- B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
-
- 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
-
- 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
Abstract
提供了一种系统和方法,包括:经由包括处理器的参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,利用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;根据对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;以及基于确定堆叠应该接收附加的零件来制造每个附加的零件。提供了许多其他方面。
Description
优先权信息
本申请要求于2019年3月21日提交的美国专利申请序列号16/360,180的优先权,其通过引用并入本文。
背景技术
增材制造(AM)工艺用于从数字模型制造精密的三维物体。此类物体是在计算机控制下使用增材制造机器(AMM)执行的增材工艺制造的,以使用来自3D模型的数字模型数据创建物体。增材制造的同义词包括增材制造、增材工艺、增材技术、增材层制造、层制造、自由成型制造、3D打印、快速原型制作和直接数字制造(DDM)。AMM的示例是3D打印机,它可以使用各种技术来熔化、熔合、烧结、合并或以其他方式物理或化学地修改分配的材料,以形成具有所需属性的结构。AM工艺可用于多种材料,包括但不限于聚合物、金属、陶瓷等。对于金属,一些AM模式包括但不限于激光、电子束、粘合剂喷射等。在某些情况下,AMM可以通过在构建板上一层一层地固化材料的连续层来形成物体。一些AM系统使用激光(或其他能量源)和一系列透镜和反射镜,来以数字模型提供的图案将激光引导到粉末材料上(例如,粉末床AM,其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结粉末材料。术语“直接金属激光熔化”(DMLM)可以更准确地反映该过程的性质,因为它通常在凝固时实现完全发育、均质的熔池和完全致密的块状结构。
DMLM过程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(part)构建的几何形状,并可以根据需要向设计添加支撑结构。一旦这个“构建文件”完成,它就会被“切片”成适合特定DMLM制造机器的适当厚度的层,并下载到机器上以允许构建开始。通过使用聚焦激光束局部熔化,将构建板上的金属粉末熔合成固体零件。以这种方式,零件被逐层地添加式地构建。此过程允许直接从3D CAD数据自动创建高度复杂的几何形状,无需任何工具。DMLM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属性。
在传统的增材制造实践中,为特定的零件设计生成零件构建计划(PBP)并由AMM执行零件构建计划。基于PBP,AMM控制在构建过程中应用的多个构建参数(例如,DMLM过程中机器和激光参数的组合),包括材料添加区的行进路径以及控制材料的应用和处理(例如,熔化)的参数。通常,这些参数与构建零件的质量和性能之间存在复杂的关系。
传统的构建参数优化是一个迭代过程,包括基于试验参数集构建零件,然后对产生的试验零件质量进行异地评估,然后修改试验参数集以调整预期零件质量、使用调整后的参数集构建下一个零件、评估新零件质量等。满足整体制造要求(例如零件质量和生产率)的试验参数集的这种迭代可能需要多次迭代才能达到所需的制造要求。这个过程非常耗时、昂贵并且需要大量的材料、设备时间和劳动力资源。即使在多次构建迭代之后,如果构建参数集尚未优化以满足零件的设计要求,打印、分析和测试仍可能需要额外的时间和资源。
因此,希望提供一种优化构建零件的参数开发的系统和方法。
发明内容
根据一些实施例,一种方法包括:经由包括处理器的参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;基于对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和基于确定堆叠应该接收附加的零件来制造每个附加的零件。
根据一些实施例,一种系统包括:参数开发模块;参数开发处理器;和存储器,存储器存储程序指令,参数开发处理器和参数开发模块与程序指令一起操作以执行如下功能:经由参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,利用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;基于对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和基于确定堆叠应该接收附加的零件来制造每个附加的零件。
根据一些实施例,一种非暂时性计算机可读介质,该非暂时性计算机可读介质存储指令,该指令当被计算机处理器执行时,使计算机处理器执行一种方法,该方法包括:经由包括处理器的参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,利用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;基于对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和基于确定堆叠应该接收附加的零件来制造每个附加的零件。
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。实施例提供优化用于构建零件的参数开发过程和机器参数,不仅具有高质量而且具有最佳生产率(例如,质量、性能、成本和速度)。实施例提供对单独或多个度量的优化。一些实施例提供构建参数的快速优化,以使用原位监测系统和预测材料建模(例如,基于物理/物理告知的或机器学习,或两者的组合(即,混合模型))以可复现和可靠的方式制造零件。实施例可以将构建参数开发的周期时间从几个月减少到几周,甚至几天(或更少)。缩短的时间可以为各种应用快速鉴定和插入新的增材材料。缩短的构建参数开发周期可以允许更有效地利用资源(人员、材料、增材机器、表征和物理和机械测试设备等),并且可以生成构建参数集以获得最佳零件性能。一个或多个实施例可以提供预测材料模型,以便可以预测零件属性,而无需针对任何给定的工艺参数、几何特征类型等进行额外的实验。与串行工作的传统方法不同,一个或多个实施例可以生成设计成在同一构建内测试多个参数集以并行开发和优化参数的零件。应注意,由一个或多个实施例描述的原位监测工具和预测材料建模辅助参数开发可应用于以串行方式打印在构建板上的零件/试样。然而,堆叠它们可能会减少整体机器/后处理/分析时间,从而缩短参数开发周期。在堆叠打印零件的情况下,可以基于原位响应加上预测材料模型并行优化不同几何形状或特征的参数。然而,原位响应加上给出下一构建参数集的预测材料模型可用于在单独的构建板上打印零件,而不必将多个零件堆叠在同一构建板上。
还注意到,AM中的传统的工艺参数开发开始于本体(bulk)截面的参数开发。一旦识别了本体零件的操作窗口(例如,用于本体缺陷/异常,例如孔隙、裂纹和未熔合缺陷),将进一步细化薄截面(例如壁、孔隙/裂纹的表皮;用于轮廓、下侧和上侧表面的表面光洁度等)的工艺参数。通常,这些特征中的大多数可能在参数开发过程中逐个构建地打印,如果其中一个特征出现问题,则可能会从头开始重复该过程。这样,传统工艺可能会浪费大量的时间、材料和设备资源。为了解决这些问题,一个或多个实施例在单个构建板上提供这些特征中的许多特征,并且并行/同时地开发参数。虽然一个或多个实施例仍可包括迭代过程以优化不同特征类型的参数,但一个或多个实施例需要比传统方法更少数量级的样本和构建。由一个或多个实施例提供的具有堆叠零件的创新零件设计和构建允许以较少数量的试样并行评估不同特征,然后提供更快的参数开发/优化。
实施例可提供原位监测系统辅助的设计参数集或传感器告知的构建参数集以最小化或完全消除对试样(例如,零件的测试样品)的物理或机械测试或任何其他测量的需要,这可能会加快参数开发过程。应注意,传感器可以是原位监测系统的非详尽示例,并且术语“实验设计(DOE)”和“参数集”在本文中可以互换使用。从先前构建、堆叠、零件或层收集的原位监测数据可用于给后续构建、堆叠、零件或层提供关于构建参数集的信息。例如,由原位监测系统提供信息的构建参数可以针对一些或所有零件上的渐进层进行更改,而无需中断构建且无需物理测试(即,无需从构建中提取零件用于非原位非破坏性评估或切割和表征)或机械测试,或任何其他测量。一个或多个实施例的结果是一组构建参数以构建具有所需性能的零件。此外,结果还可包括构建参数响应表面(构建参数与材料属性),其可用于为具有不同目标(例如,生产力和质量之间的权衡,或一种属性(例如蠕变)与另一种属性(例如低周疲劳))的其他应用生成构建参数。注意,关于响应表面,可能有多个输入变量和测量或预测的输出变量。这些输入和输出变量可以表示为材料异常、表面光洁度、物理或机械属性或微观结构的多维图,作为激光参数(例如,功率、速度、光斑尺寸和影线间距,对于每个几何特征(例如,本体、薄壁/表皮、通孔、下侧/上侧表面))的函数。还应注意的是,由于它们在过程中经历的熔池温度(以及相关联的熔池宽度、深度)不同,异常的形成、表面光洁度微结构和材料属性在不同特征类型(即几何形状)中可能存在显著差异。类似地,可以为每个输出变量生成预测材料模型。
一个或多个实施例可以提供一个或多个构建参数和结果属性的数据集的库,并因此为用户提供灵活性以进行多目标优化,例如高质量与高生产率构建参数集。在一个或多个实施例中,预测和基于控制的模型可用于对打印的试样进行预筛选和分类以用于后处理和属性测量,以及指导用于优化构建参数的下一次迭代。
借助将在下文中变得明显的这个和其他优点和特征,可以通过参考以下详细描述和所附附图来获得对本发明的本质的更完整的理解。
其他实施例与存储指令的系统和/或计算机可读介质相关联,以执行在此描述的任何方法。
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多特征试样/零件设计的非详尽示例。
图4示出了根据一些实施例的熔池轨迹和图像。
图5A-B示出了根据一些实施例的多个零件和分析。
图6示出了根据一些实施例的库。
图7图示了根据一些实施例的系统的框图。
具体实施方式
传统地,开发用于构建零件的最佳参数集的过程可能需要数周至数月。当前过程可以包括为单个零件或零件的一个几何特征开发构建参数集,然后依次为零件的下一个几何特征开发构建参数集。在许多情况下,为第一个特征开发的过程可能有助于为下一个特征提供起点(初始构建参数操作窗口)。通常,此参数开发是通过试错法进行的,并且在实现最佳构建参数集之前可能需要多次构建零件。需要注意的是,参数开发通常通过试样执行,试样是零件几何形状的代表,如下文进一步描述。此外,在典型的构建参数开发中,零件在进行分析以确定其是否如无损评估或破坏性物理或机械测试所表征的那样可接受之前,至少大部分已构建。因此,在构建整个零件之前可能无法检测到早期构建步骤的问题。
在一个非详尽示例中,测试试样(“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,可以包含一个或多个特征并且可以代表正在构建的零件。例如,特征可以包括但不限于本体、轮廓、薄壁、下侧(不同角度的悬垂)、通孔(用于尺寸公差)和上侧(零件的顶表面,穹顶等)。在一个或多个实施例中,AM装置内的原位监测系统可以在试样的制造期间收集数据。如上所述,在AM中,试样(或零件)可以由多层形成,并且一个或多个零件可以形成堆叠。在一个或多个实施例中,原位监测系统可以提供零件、堆叠或层的数据。然后可以分析数据以确定下一组构建参数,如原位监测系统的响应和/或预测材料模型所告知的。这允许使用较少数量的试样和最少的物理或机械测试或其他测量来评估更大的一组参数。
转向图1-6,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提供了根据一些实施例的过程200的流程图。过程200和本文描述的其他过程可以使用硬件(例如,电路)、软件或手动方式的任何合适的组合来执行。在一个或多个实施例中,系统100被调节以执行过程200,使得系统是专用元件,其被构造为执行通用计算机或装置不能执行的操作。体现这些过程的软件可以由任何非暂时性有形介质存储,包括固定盘、软盘、CD、DVD、闪存驱动器或磁带。下面将关于系统的实施例描述这些过程的示例,但实施例不限于此。
最初在S210,在系统100的平台106上的构建参数开发模块104处接收一个或多个零件102的用户指定几何形状101。在一个或多个实施例中,通过AM工艺制造的每个零件102可以包括一个或多个几何特征101。可以通过CAD文件或其他合适的文件接收用户指定几何形状。
在一个或多个实施例中,系统100可以包括一个或多个处理元件108和存储器/计算机数据存储110。处理器108可以例如是微处理器,并且可以操作以控制构建参数开发模块104的整体功能。在一个或多个实施例中,构建参数开发模块104可以包括通信控制器,用于允许处理器108以及因此构建参数开发模块104通过数据网络与其他装置(例如,增材制造装置114和用户界面116)进行通信。
在一个或多个实施例中,系统100可包括存储可由模块使用的数据的一个或多个存储器和/或数据存储装置110。存储在数据存储110中的数据可以从与AMM相关联的不同硬件和软件系统接收,或者,其中一些不能相互操作。系统可以包括由商业、工业或个人环境采用的后端数据环境。
在一个或多个实施例中,数据存储110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意组合。存储器/数据存储装置110可以存储对处理器108和参数开发模块104进行编程以执行如本文所述的功能的软件。
如这里所使用的,装置,包括与系统100相关联的那些和这里描述的任何其他装置,可以经由任意数量的不同系统交换信息和传输输入和输出(“通信”)。例如,广域网(WAN)和/或局域网(LAN)可以使系统中的装置能够相互通信。在一些实施例中,通信可以经由因特网,包括由多个WAN和/或LAN之间的逻辑和物理连接形成的全球互联网络。替代地或附加地,通信可以经由一个或多个电话网络、蜂窝网络、光纤网络、卫星网络、红外网络、射频网络、可用于在装置之间传输信息的任何其他类型的网络、和/或一个或多个有线和/或无线网络,例如但不限于蓝牙接入点、无线接入点、基于IP的网络等。通信也可以经由使一种类型的网络能够与另一种类型的网络接口的服务器。此外,任何描述的装置之间的通信可以通过任何一个或多个当前或以后已知的传输协议(例如异步传输模式(ATM)、互联网协议(IP)、超文本传输协议(HTTP)和无线应用协议(WAP))进行。
回到过程200,在S212中,基于一组构建参数(例如,第一参数集)用增材制造机器制造一个或多个零件304。在一个或多个实施例中,可以通过任何合适的方式(例如,生成、从装置接收等)来获得参数集。如上所述,试样(或零件)可由多个层303形成,并且一个或多个零件304可形成堆叠306,如图3B-3C所示。如图3A所示,构建板302可能已经通过AM工艺在其上构建了一个或多个零件或试样304。构建板302上的每个圆圈可以代表零件或试样。在一个或多个实施例中,“构建”可以是平行的,使得具有多个特征的多个零件被制造在单个构建板上。这与传统的串行参数优化方法形成对比,在传统的串行参数优化方法中,首先为板上的所有零件制造一个或两个不同的特征(一般用于本体),然后为板上的所有零件制造相似或更复杂的特征(一般用于轮廓),等等。需要注意的是,通常使用传统的串行过程,因为可能需要向下选择操作窗口(对于本体截面通常更大),然后进一步细化其他复杂特征。它可能是线性过程,其中随着特征的复杂性增加,来自先前步骤的知识/数据/参数集/测量结果会给下一步提供信息。一个或多个实施例通过并行化打印在同一构建板上的堆叠形式的多个特征的参数开发来消除大部分传统上使用的线性步骤。不同于如常规过程中的在顺序构建上打印具有不同特征和复杂性的试样,然后提取、分析和使用测量数据来给下一个构建提供信息,一个或多个实施例提供了一种方法,其包括原位监测系统,预测材料模型,创新的试样设计、控制和分析,以给下一构建提供信息。原位监测系统和预测材料模型提供有关层、零件或堆叠的信息,而无需切割零件(或至少最小化后处理),以生成下一组实验(构建参数)以优化特征的工艺参数。
如图3B和3C所示,每个堆叠306可以包括一个或多个零件(试样)304,其中每个零件可以包括一个或多个层303。在一个或多个实施例中,每个零件304可包括一个特征或多于一个特征。图3B中的一个零件(“a”)304可以代表本体或核心特征。图3B中的另一零件(“b”)304可以表示轮廓特征。图3B中的其他零件304可以分别代表贯穿水平孔(例如,0.5、1、2、3mm等)、壁特征(例如,变化的壁厚(例如,0.5、1、2、3mm)),下侧表面角度(例如,00、300、600)/上侧表面/角度。应注意,虽然此处仅示出堆叠中的五个零件,但可使用任何数量的零件来形成试样/堆叠。
继续图3B所示的堆叠/零件,“a”和“b”可以在S212中制造,如图5A所示。如图5B所示,然后在S214中从AMM 114的一个或多个监测系统120收集每个零件的原位监测工具数据504。在一个或多个实施例中,所收集的原位监测数据可以是针对一个或多个层303或一个或多个零件304中的至少一个。原位监测数据504可以表示为例如热图、强度图或任何其他合适的数据。在一个或多个实施例中,所收集的原位监测数据包括激光-材料和激光-环境相互作用以及熔池响应中的至少一种。
还应注意,图3A-3C和5A-5C示出了用于复杂零件几何形状的工艺参数开发/优化的多特征试样设计的非详尽示例。可以使用包括一个或多个特征/几何形状的其他设计,一个或多个特征/几何形状例如但不限于本体截面、薄壁和通孔(水平和竖直)、圆形表面、倾斜表面(下侧/悬垂)、上侧表面。一个或多个实施例适用于具有一个或多个特征的试样/零件。
如本文所用,(构建)参数集可以指用于在AMM中操作激光的一个或多个机器和激光参数。例如,激光参数可以包括但不限于激光速度、激光功率、激光束直径和影线间距。在获得第一参数集124之前,生成初始构建参数集112。
在一个或多个实施例中,初始构建参数集112可以基于用户针对特定AM机器和粉末材料指定的激光的机器的操作功率范围和速度组合内的参数。机器的操作范围内的一个或多个功率和速度组合,结合接收的用户指定几何形状101,在初步物理或虚拟实验或模型预测(例如,粉上珠或板上珠工艺)的执行中被用作初始构建参数集112,以生成一个或多个线扫描402(图4)。如本文所用,“线扫描”是指单个熔池轨迹。需要注意的是,激光轨迹(单个或重叠)可以是由激光产生的线扫描,最终熔化材料(例如,粉末床或固体板)并形成熔池。熔池的特征可以在于熔池宽度、深度和形状以产生响应表面。响应表面可以指导下一组实验,并提供来自基于物理或机器学习模型的校准和验证的数据。这些模型可用于以下步骤以协助参数开发过程(例如,指导实验设计或属性预测)。然后通过非破坏性或破坏性测试或测量或横截面光学成像来离线分析线扫描402。在一个实施例中,熔池轨迹可以被剖切并分析熔池形状。在一个或多个实施例中,一个或多个熔池轨迹的原位分析可以用增材制造机器的一个或多个原位监测系统来执行。至少一个预测材料模型118可以基于对从一个或多个熔池轨迹收集的原位监测数据的分析以及在一个或多个熔池轨迹上执行的一个或多个测试或测量来生成。在一个或多个实施例中,响应表面404数据可以经由来自AMM内的一个或多个原位监测系统120的原位监测数据分析、或经由预测材料模型的方式或经由熔池轨迹的非破坏性或破坏性物理测试或横截面光学成像(离线)来产生,用于熔池宽度、深度和形状的测量。参数开发模块104可以将测试结果或测量103(例如,熔池、微结构等)映射到响应表面404,并且比较结果。当测试结果和光学成像结果满足预设水平时,该初始构建参数集112可用于生成至少一个预测材料模型118。预测材料模型118的示例包括但不限于机器学习模型(例如,元模型贝叶斯混合模型(BHM)、人工神经网络(ANN)、深度学习方法)和基于物理的模型。在一个或多个实施例中,系统被优化的阈值可以是可接受缺陷分数的值。
在一个或多个实施例中,初始构建参数集112、测试结果103和原位监测数据(即响应表面)404也可存储在库122中,库122可用于为预测材料模型提供针对未来构建参数的基线原位监测系统响应。
将原位监测数据考虑在内的生成的预测材料模型118然后可以在一些实施例中用于生成第一组构建参数124或实验设计(DOE)。在一个或多个实施例中,一个或多个零件的制造可以基于第一组构建参数。在一个或多个实施例中,除了预测材料模型之外,可以使用基于模型的控制和材料物理学来生成第一组构建参数124。更具体地,预测材料模型可用于识别构建参数空间的区域,其中模型对预测不准确或不够确定,并且该信息可用于生成要在该构建参数空间中执行的新实验以用于第一组构建参数124。通常,可以使用多个目标来驱动第一组和后续组构建参数的生成。一些示例包括但不限于最小化整个构建参数空间中的预测材料模型不确定性,或最小化(优化)试样/零件中的异常或缺陷分数。
回到过程200,接下来,在S216中,构建参数开发模块104分析从监测系统数据收集的信息。然后在S218中,确定是否满足预限定标准。关于预限定标准,当收集的原位监测数据的分析表明数据落在预定值或值范围之内或之外之一时,一个或多个堆叠可以接收附加零件。作为非穷举的示例,如果数据落在预定范围之外,每个堆叠可以接收附加的零件,并且如果数据落在预定范围内,每个堆叠将不会接收附加的零件(反之亦然)。在一个或多个实施例中,基于所收集的原位监测数据的分析和预测材料模型告知的构建参数集中的至少一个来确定每个堆叠是否应该接收附加的零件。当在S218中满足预限定标准时,过程200在S220中结束。在一个或多个实施例中,构建参数开发模块104可以基于由来自原位监测系统的数据提供的响应来确定在S212中用于制造一个或多个零件的第一组参数124是否应该被修改。当在S218中不满足预限定标准时,在S222中通过原位监测数据和/或预测材料模型生成或向下选择构建参数。例如,如本文所用,“向下选择”可以指基于从原位监测数据504提供的试样获得的统一属性优化响应来选择构建参数集。在一个或多个实施例中,向下选择可以基于对在S212中制造的一个或多个零件的分析。在一个或多个实施例中,向下选择可以基于收集的原位监测数据与从机器学习或其他预测材料模型接收的预测值的比较。
在S222之后,过程返回到S212,并且制造一个或多个附加的零件。需要注意的是,在一个或多个实施例中,S216中的分析可能会中断构建过程,但这种中断可能是最小的。还应注意,未被向下选择的参数可用于以下中的至少一个:被丢弃或用于增强模型。此外,参数集中的最佳(例如,向下选择的)参数可以被添加到库122中以用于未来的实施和调查。
还应注意,来自先前构建/试样的原位监测系统数据分析可用于确定可用作优化不同特征类型的起点的操作窗口和向下选择的参数。虽然此处的示例将优化过程描述为在同一构建中堆叠的渐进式零件上进行,但这是非详尽示例,并且优化过程可以通过在单独的构建板上打印多个零件而不是相同的构建板上的堆叠形式来进行。
图6中示出了包括一个或多个条目602的库122/600的非详尽示例。响应表面的库122是通过将原位监测数据的执行分析映射到一个或多个测试测量和/或结果来生成的。条目602可以包括原位监测系统响应与测试测量值(例如,光电二极管强度与孔隙率);激光参数与测试测量值(例如,功率、速度与孔隙率);或激光参数与原位监测系统响应(例如,功率、速度与光电二极管强度)。可以使用其他合适的条目。
继续图5A中所示的示例零件304,希望在制造图5C中所示的零件“c-e”中的任一个之前确认“零件a”和“零件b”是可接受的零件。可接受性的确认可以避免在不可接受的零件上形成附加的零件。不可接受的零件可能会使整个堆叠无效。作为非详尽示例,构建板302包括50个零件,并且如果两个零件由第一组构建参数制造,则可以通过对零件的分析来分析100个构建参数集(DOE)。根据S218中的该分析,可以只向下选择4个构建参数集来制造“零件c”和“零件d”。
在一个或多个实施例中,下一个构建参数集126可以由第一组构建参数(或任何紧接在前的构建参数集或处理窗口)结合任何预测材料模型来提供信息。在一个或多个实施例中,这可以是使用原位监测数据的迭代过程,其中可变校正或调整应用于第一组中的参数以用于生成下一个构建参数集时可预测的干扰(例如,校正作为激光位置的函数的激光功率水平))。校正可以基于来自传感器(或其他原位监测系统)的数据。迭代过程可以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佳参数扫描集,该最佳参数扫描集又可用于制造零件。应注意,迭代过程可包括优化一种或多种几何特征类型(例如,仅本体,本体和轮廓,或本体、轮廓、薄壁等)的构建参数。下一零件可由相同的特征类型或不同的特征类型组成。
在一个或多个实施例中,库122和任何构建参数集可以输出到用户平台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)以查看关于根据本文描述的任何实施例的AM装置的操作的信息和/或管理根据本文描述的任何实施例的AM装置的操作。在一个或多个实施例中,库条目(例如,构建参数集)可用于控制AMM以制造零件。在一个或多个实施例中,从构建参数开发模块104输出的库(包括条目)可以适当地传输到各种用户平台或其他系统(未示出)(例如,用于显示给用户,以及由用户操纵)。注意,在一个或多个实施例中,可以通过原位监测辅助参数优化来创建至少三种类型的库:1.通过原位监测系统收集的分析数据与零件测试之间的映射(例如,光电二极管强度与测量的孔隙率);2.激光参数与原位监测系统响应之间的映射(例如,激光功率和/或速度与光电二极管强度);和3.激光参数和测试结果之间的映射(例如,激光功率和/或速度与测量的孔隙率)。此外,可以通过使用预测的属性而不是测量的测试结果来生成库。
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现。例如,图7图示了可以例如与图1的系统100相关联的构建参数开发处理平台700。构建参数开发处理平台700包括构建参数开发处理器710(“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),构建参数开发处理器710联接到通信装置720,通信装置720构造为经由通信网络(图7中未示出)进行通信。通信装置720可用于例如与一个或多个用户通信。构建参数开发处理平台700还包括输入装置740(例如,输入关于零件的信息的鼠标和/或键盘)和输出装置750(例如,输出和显示数据和/或推荐)。
处理器710还与存储器/存储装置730通信。存储装置730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/或半导体存储器装置的组合。存储装置730可以存储用于控制处理器710的程序712和/或参数开发处理逻辑714。处理器710执行程序712、714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710可以接收输入并且然后可以经由程序712、714的指令应用参数开发模块104以生成用于制造零件的一组构建参数。
程序712、714可以以压缩的、未编译的和/或加密的格式存储。程序712、714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710用来与外围装置接口的装置驱动器。
如本文所使用的,信息可以被例如:(i)来自另一装置的平台700;或(ii)平台700内的来自另一软件应用、模块或任何其他源的软件应用或模块,“接收”或“传输”到其。
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,本发明的各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,这些方面通常在本文中都可以被称为“电路”、“模块”或“系统”。此外,本发明的各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图示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。在这方面,流程图或框图中的每个框可表示代码的模块、段或一部分,其包括用于实现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附图中标注的顺序出现。例如,根据所涉及的功能,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/或流程图说明中的每个框,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/或本文中描述的任何或所有元素;作为示例而非限制,参数开发模块。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710(图7)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,该代码适于被实现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:经由包括处理器的参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,利用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;基于对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和基于确定堆叠应该接收附加的零件来制造每个附加的零件。
2.根据任何前述条项所述的方法,其中每个零件包括一个或多个层。
3.根据任何前述条项所述的方法,其中确定每个堆叠是否应该接收附加的零件基于所收集的原位监测数据和预测材料模型中的至少一个。
4.根据任何前述条项所述的方法,其中所收集的原位监测数据包括激光-材料和激光-环境相互作用中的至少一种。
5.根据任何前述条项所述的方法,其中所收集的原位监测数据包括熔池响应。
6.根据任何前述条项所述的方法,其中当所收集的原位监测数据落在预定值或值范围之内或之外之一时,确定每个堆叠是否应该接收附加的零件。
7.根据任何前述条项所述的方法,其中第一参数集基于至少一个预测材料模型。
8.根据任何前述条项所述的方法,其中预测材料模型的制造进一步包括:使用初始参数集执行粉上珠和板上珠工艺中的至少一种,以输出一个或多个熔池轨迹;从一个或多个熔池轨迹收集原位监测数据;基于所收集的原位监测数据,利用增材制造机器的一个或多个原位监测系统对一个或多个熔池轨迹进行原位分析;和基于原位监测数据分析和在一个或多个熔池轨迹上执行的一个或多个测试或测量中的至少一个生成至少一个预测材料模型。
9.根据任何前述条项所述的方法,进一步包括:通过将原位监测数据的分析映射到一个或多个测试、测量或结果来生成响应表面的库。
10.根据任何前述条项所述的方法,其中预测材料模型是机器学习模型和基于物理的模型中的至少一个。
11.根据任何前述条项所述的方法,其中第一参数集包括激光功率、激光速度、激光束直径和影线间距中的至少一个。
12.一种系统,包括:参数开发模块;参数开发处理器;和存储器,存储器存储程序指令,参数开发处理器和参数开发模块与程序指令一起操作以执行如下功能:经由参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,利用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;基于对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和基于确定堆叠应该接收附加的零件来制造每个附加的零件。
13.根据任何前述条项所述的系统,其中确定每个堆叠是否应该接收附加的零件是基于所收集的原位监测数据和预测材料模型中的至少一个。
14.根据任何前述条项所述的系统,其中所收集的原位监测数据包括激光-材料、激光-环境相互作用和熔池响应中的至少一个。
15.根据任何前述条项所述的系统,其中当所收集的原位监测数据落在预定值或值范围之内或之外之一时,确定每个堆叠是否应该接收附加的零件。
16.根据任何前述条项所述的系统,其中第一参数集基于至少一个预测材料模型。
17.根据任何前述条项所述的系统,其中预测材料模型的制造进一步包括用于执行如下功能的程序指令:利用初始参数集执行粉上珠和板上珠工艺中的至少一种,以输出一个或多个熔池轨迹;从一个或多个熔池轨迹收集原位监测数据;基于所收集的原位监测数据,利用增材制造机器的一个或多个原位监测系统对一个或多个熔池轨迹执行原位分析;和基于原位监测分析和在一个或多个熔池轨迹上执行的一个或多个测试或测量中的至少一个生成至少一个预测材料模型。
18.一种非暂时性计算机可读介质,该非暂时性计算机可读介质存储指令,该指令当被计算机处理器执行时,使计算机处理器执行一种方法,该方法包括:经由包括处理器的参数开发模块的通信接口接收一个或多个零件的限定几何形状,其中零件用增材制造机器制造,并且其中堆叠由一个或多个零件形成;基于第一参数集,利用增材制造机器制造一个或多个零件;从增材制造机器的一个或多个原位监测系统收集一个或多个零件的原位监测数据;基于对所收集的原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和基于确定堆叠应该接收附加的零件来制造每个附加的零件。
19.根据任何前述条项所述的介质,其中确定每个堆叠是否应该接收附加的零件基于所收集的原位监测数据和预测材料模型中的至少一个。
20.根据任何前述条项所述的介质,其中当所收集的原位监测数据落在预定值或值范围之内或之外之一时,确定每个堆叠是否应该接收附加的零件。
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要素,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要素,则这些其他示例旨在在权利要求的范围内。来自所描述的各种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,可以在不脱离权利要求的范围和精神的情况下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这里具体描述的方式来实践。
Claims (10)
1.一种方法,其特征在于,包括:
经由包括处理器(108)的参数开发模块(104)的通信接口接收一个或多个零件(304)的限定几何形状(101),其中所述零件用增材制造机器(114)制造,并且其中堆叠(306)由一个或多个零件形成;
基于第一参数集(124),利用所述增材制造机器制造所述一个或多个零件;
从所述增材制造机器的一个或多个原位监测系统(120)收集所述一个或多个零件的原位监测数据(504);
基于对所收集的所述原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和
基于确定所述堆叠应该接收所述附加的零件来制造每个附加的零件。
2.根据权利要求1所述的方法,其特征在于,其中每个零件包括一个或多个层(303)。
3.根据权利要求1所述的方法,其特征在于,其中确定每个堆叠是否应该接收所述附加的零件基于所收集的所述原位监测数据和预测材料模型(118)中的至少一个。
4.根据权利要求1所述的方法,其特征在于,其中所收集的所述原位监测数据(504)包括激光-材料和激光-环境相互作用中的至少一种。
5.根据权利要求1所述的方法,其特征在于,其中所收集的所述原位监测数据包括熔池响应。
6.根据权利要求1所述的方法,其特征在于,其中当所收集的所述原位监测数据落在预定值或值范围之内或之外之一时,确定每个堆叠是否应该接收所述附加的零件。
7.根据权利要求1所述的方法,其特征在于,其中所述第一参数集(124)基于所述至少一个预测材料模型(118)。
8.根据权利要求7所述的方法,其特征在于,其中所述预测材料模型的制造进一步包括:
利用初始参数集(112)执行粉上珠和板上珠工艺中的至少一种,以输出一个或多个熔池轨迹;
从所述一个或多个熔池轨迹收集原位监测数据;
基于所收集的所述原位监测数据,利用所述增材制造机器的一个或多个原位监测系统(120)对所述一个或多个熔池轨迹进行原位分析;和
基于所述原位监测数据分析和在所述一个或多个熔池轨迹上执行的一个或多个测试或测量中的至少一个生成至少一个预测材料模型(118)。
9.一种系统,其特征在于,包括:
参数开发模块(104);
参数开发处理器(108);和
存储器(110),所述存储器存储程序指令,所述参数开发处理器和所述参数开发模块与所述程序指令一起操作以执行如下功能:
经由所述参数开发模块(104)的通信接口接收一个或多个零件(304)的限定几何形状(101),其中所述零件用增材制造机器(114)制造,并且其中堆叠(306)由一个或多个零件形成;
基于第一参数集(124),利用所述增材制造机器制造所述一个或多个零件;
从所述增材制造机器的一个或多个原位监测系统(120)收集一个或多个零件的原位监测数据(504);
基于对所收集的所述原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和
基于确定所述堆叠应该接收所述附加的零件来制造每个附加的零件。
10.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质存储指令,其特征在于,所述指令当被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(108)的参数开发模块(104)的通信接口接收一个或多个零件(304)的限定几何形状(101),其中所述零件用增材制造机器(114)制造,并且其中堆叠(306)由一个或多个零件形成;
基于第一参数集(124),利用所述增材制造机器制造所述一个或多个零件;
从所述增材制造机器的一个或多个原位监测系统(120)对于以下至少一项收集原位监测数据(504):一个或多个层或一个或多个零件;
基于对所收集的所述原位监测数据的分析,确定每个堆叠是否应该接收附加的零件;和
基于确定所述堆叠应该接收所述附加的零件来制造每个附加的零件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/360,180 US11472115B2 (en) | 2019-03-21 | 2019-03-21 | In-situ monitoring system assisted material and parameter development for additive manufacturing |
US16/360,180 | 2019-03-21 | ||
PCT/US2020/023776 WO2020191263A1 (en) | 2019-03-21 | 2020-03-20 | In-situ monitoring system assisted material and parameter development for additive manufacturing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113840675A true CN113840675A (zh) | 2021-12-24 |
CN113840675B CN113840675B (zh) | 2024-03-26 |
Family
ID=70277515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080036465.6A Active CN113840675B (zh) | 2019-03-21 | 2020-03-20 | 用于增材制造的原位监测系统辅助材料和参数开发 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11472115B2 (zh) |
EP (1) | EP3941667A1 (zh) |
CN (1) | CN113840675B (zh) |
WO (1) | WO2020191263A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7471214B2 (ja) | 2020-12-25 | 2024-04-19 | 株式会社日立製作所 | 付加製造条件の探索装置 |
WO2023068268A1 (ja) | 2021-10-19 | 2023-04-27 | 株式会社プロテリアル | 付加製造試験体の変形部の変形量の測定方法及び付加製造の適正条件の決定方法 |
EP4245440A1 (en) | 2022-03-15 | 2023-09-20 | Amiquam SA | Method for optimizing process parameters of an additive manufacturing process |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014106753A1 (en) * | 2013-01-07 | 2014-07-10 | Bae Systems Plc | Object production using an additive manufacturing process and quality assessment of the object |
WO2016115284A1 (en) * | 2015-01-13 | 2016-07-21 | Sigma Labs, Inc. | Material qualification system and methodology |
WO2017087451A1 (en) * | 2015-11-16 | 2017-05-26 | Materialise N.V. | Error detection in additive manufacturing processes |
CN108290219A (zh) * | 2015-11-16 | 2018-07-17 | 瑞尼斯豪公司 | 增材制造方法及设备 |
DE102018115324A1 (de) * | 2017-06-30 | 2019-01-03 | General Electric Company | Systeme und Verfahren für eine verbesserte Additivherstellung |
WO2019055576A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1340583A1 (en) | 2002-02-20 | 2003-09-03 | ALSTOM (Switzerland) Ltd | Method of controlled remelting of or laser metal forming on the surface of an article |
US20040254665A1 (en) | 2003-06-10 | 2004-12-16 | Fink Jeffrey E. | Optimal dimensional and mechanical properties of laser sintered hardware by thermal analysis and parameter optimization |
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 |
US8756039B2 (en) | 2010-03-02 | 2014-06-17 | Fisher-Rosemount Systems, Inc. | Rapid process model identification and generation |
US9855698B2 (en) | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US10073424B2 (en) | 2014-05-13 | 2018-09-11 | Autodesk, Inc. | Intelligent 3D printing through optimization of 3D print parameters |
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 |
US9999924B2 (en) | 2014-08-22 | 2018-06-19 | Sigma Labs, Inc. | Method and system for monitoring additive manufacturing processes |
US10421267B2 (en) * | 2015-02-12 | 2019-09-24 | Arevo, Inc. | Method to monitor additive manufacturing process for detection and in-situ correction of defects |
US11642725B2 (en) | 2016-01-19 | 2023-05-09 | General Electric Company | Method for calibrating laser additive manufacturing process |
US10926328B2 (en) * | 2016-10-20 | 2021-02-23 | Huntington Ingalls Incorporated | System and method for in-situ inspection of additive manufacturing materials and builds |
US11318535B2 (en) | 2016-12-23 | 2022-05-03 | General Electric Company | Method for process control in additive manufacturing |
EP3630394A4 (en) * | 2017-05-23 | 2021-03-31 | Huntington Ingalls Incorporated | SYSTEM AND METHOD FOR IN-SITU PROCESSING OF MATERIALS AND CONSTRUCTIONS OF GENERATIVE MANUFACTURING |
US20210146613A1 (en) | 2017-06-06 | 2021-05-20 | Dmg Mori Advanced Solutions | Systems and Methods for Solidification Rate Control During Additive Manufacturing |
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 |
US11009863B2 (en) * | 2018-06-14 | 2021-05-18 | Honeywell International Inc. | System and method for additive manufacturing process monitoring |
-
2019
- 2019-03-21 US US16/360,180 patent/US11472115B2/en active Active
-
2020
- 2020-03-20 CN CN202080036465.6A patent/CN113840675B/zh active Active
- 2020-03-20 WO PCT/US2020/023776 patent/WO2020191263A1/en active Application Filing
- 2020-03-20 EP EP20718491.2A patent/EP3941667A1/en active Pending
-
2022
- 2022-10-17 US US17/967,391 patent/US20230029806A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014106753A1 (en) * | 2013-01-07 | 2014-07-10 | Bae Systems Plc | Object production using an additive manufacturing process and quality assessment of the object |
WO2016115284A1 (en) * | 2015-01-13 | 2016-07-21 | Sigma Labs, Inc. | Material qualification system and methodology |
WO2017087451A1 (en) * | 2015-11-16 | 2017-05-26 | Materialise N.V. | Error detection in additive manufacturing processes |
CN108290219A (zh) * | 2015-11-16 | 2018-07-17 | 瑞尼斯豪公司 | 增材制造方法及设备 |
CN108463838A (zh) * | 2015-11-16 | 2018-08-28 | 物化股份有限公司 | 增材制造过程中的差错检测 |
DE102018115324A1 (de) * | 2017-06-30 | 2019-01-03 | General Electric Company | Systeme und Verfahren für eine verbesserte Additivherstellung |
WO2019055576A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE |
Non-Patent Citations (1)
Title |
---|
徐丽丽: "基于熔池监控的激光沉积制造成形精度控制研究" * |
Also Published As
Publication number | Publication date |
---|---|
US20200298499A1 (en) | 2020-09-24 |
CN113840675B (zh) | 2024-03-26 |
US11472115B2 (en) | 2022-10-18 |
WO2020191263A1 (en) | 2020-09-24 |
US20230029806A1 (en) | 2023-02-02 |
EP3941667A1 (en) | 2022-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230029806A1 (en) | In-situ monitoring system assisted material and parameter development for additive manufacturing | |
EP3308945B1 (en) | Method and system for topographical based inspection and process control for additive manufactured parts | |
Khanzadeh et al. | In-situ monitoring of melt pool images for porosity prediction in directed energy deposition processes | |
RU2722525C1 (ru) | Адаптивное управление процессами аддитивного производства в реальном масштабе времени с использованием машинного обучения | |
Yang et al. | Investigation of deep learning for real-time melt pool classification in additive manufacturing | |
Yang et al. | From scan strategy to melt pool prediction: A neighboring-effect modeling method | |
US11079739B2 (en) | Transfer learning/dictionary generation and usage for tailored part parameter generation from coupon builds | |
US11927927B2 (en) | Computer implemented method of and optimisation tool for refinement of laser cutting processing parameters by means of an optimization tool | |
EP3232353B1 (en) | System and process for evaluating and validating additive manufacturing operations | |
US10884396B2 (en) | Sensor based smart segmentation | |
Mu et al. | Toward a smart wire arc additive manufacturing system: A review on current developments and a framework of digital twin | |
EP3931650B1 (en) | Method and system for optimizing process parameters in an additive manufacturing process | |
d'Antonio et al. | A framework for manufacturing execution system deployment in an advanced additive manufacturing process | |
Wegener et al. | A conceptual vision for a bio-intelligent manufacturing cell for Selective Laser Melting | |
Xi | Model predictive control of melt pool size for the laser powder bed fusion process under process uncertainty | |
Zhou et al. | Semantic ML for Manufacturing Monitoring at Bosch. | |
Gröning et al. | Method of process optimization for LMD-processes using machine learning algorithms | |
Okaro et al. | Automatic Fault Detection for Selective Laser Melting using Semi-Supervised Machine Learning | |
WO2023009981A9 (en) | Representative part, methods of designing representative parts, methods of forming and testing representative parts, and methods of qualifying additive manufacturing systems | |
Gomez-Omella et al. | Optimizing porosity detection in wire laser metal deposition processes through data-driven AI classification techniques | |
Al-Meslemi | Predictive modeling for metal additive manufacturing: key characteristics and porosity characterization | |
Yang | Model-based predictive analytics for additive and smart manufacturing | |
Feng et al. | Functional Requirements of Data Analytic Tools and Software for Metal Additive Manufacturing | |
JP7471214B2 (ja) | 付加製造条件の探索装置 | |
US20240139815A1 (en) | Additive manufacturing development method and three-dimensional additive manufacturing system |
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 |