CN114001771A - 使用物理辅助机器学习模型诊断增材制造设备的系统及方法 - Google Patents

使用物理辅助机器学习模型诊断增材制造设备的系统及方法 Download PDF

Info

Publication number
CN114001771A
CN114001771A CN202110853171.9A CN202110853171A CN114001771A CN 114001771 A CN114001771 A CN 114001771A CN 202110853171 A CN202110853171 A CN 202110853171A CN 114001771 A CN114001771 A CN 114001771A
Authority
CN
China
Prior art keywords
component
additive manufacturing
parameters
manufacturing apparatus
data
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
CN202110853171.9A
Other languages
English (en)
Inventor
V·S·S·斯里瓦萨·本那达
文卡塔·达尔马·苏利亚·纳拉亚那·拉查肯达
梅加·纳瓦尔冈德
帕·克里斯托弗·阿鲁姆斯克格
马蒂亚斯·法杰
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 CN114001771A publication Critical patent/CN114001771A/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G05B19/406—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 monitoring or safety
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/33286—Test, simulation analysator
    • 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
    • G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/06—Remote monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/10—Additive manufacturing, e.g. 3D printing
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Powder Metallurgy (AREA)

Abstract

本发明提供一种用于诊断增材制造设备的系统。系统包括第一模块，第一模块被构造为：基于来自增材制造设备的部件的原始数据获得增材制造设备的部件的数字孪生的一个或多个参数；以及基于一个或多个参数和一个或多个传递函数，生成为增材制造设备的部件的数字孪生的物理特征；第二模块，其被构造为获得用于基于物理特征将部件分类为第一状况或第二状况的一个或多个分类器；以及第三模块，其被构造为基于第一模型的生成的物理特征和一个或多个分类器来确定部件的健康状况。

Description

使用物理辅助机器学习模型诊断增材制造设备的系统及方法
交叉申请的相关引用
本专利来源于2020年7月28日提交的美国临时专利申请序列号63/057,554。美国临时专利申请序列号63/057,554在此通过引用被整体结合到本文中。要求美国临时专利申请序列号63/057,554的优先权。
技术领域
本发明涉及用于诊断增材制造设备的系统和方法，更具体地，涉及用于使用物理辅助机器学习模型诊断增材制造设备的部件或子系统的系统和方法。
背景技术
在增材制造处理中，例如电子束熔化粉末层以创建制品，在诊断增材制造设备的中止或失效构建或识别增材制造设备的性能问题方面存在一些挑战。具体而言，专家必须手动诊断设备的构建，这需要大量的时间和人力。另外，寻找增材制造设备故障的根本原因是困难且耗时的过程。因此，可能需要以缩短的时间诊断增材制造设备的故障，并找出增材制造设备的故障的确切原因。
附图说明
图1描绘了根据本文所示和描述的一个或多个实施例的本公开的增材制造系统；
图2是根据本文所示和描述的一个或多个实施例的示例系统的框图；
图3描绘了根据本文所示和描述的一个或多个实施例的增材制造系统的控制部件的各种内部部件；
图4描绘了根据本文所示和描述的一个或多个实施例的与增材制造系统通信的用户计算设备的各种内部部件；
图5A-C描绘了根据本文所示和描述的一个或多个实施例的诊断增材制造设备并提供诊断结果的示例方法的流程图。
图6描绘了根据本文所示和描述的一个或多个实施例的用于预测和校正增材构建处理的健康状况的物理辅助机器学习模型；
图7A描绘了根据本文所示和描述的一个或多个实施例的基于一组不良构建和一组良好构建来确定烟雾错误参数的阈值；
图7B描绘了根据本文所示和描述的一个或多个实施例的基于一组不良构建和一组良好构建来确定耙故障检测参数的阈值；
图8描绘了根据本文所示和描述的一个或多个实施例的显示增材制造系统的子系统的状态的用户界面；和
图9描绘了根据本文所示和描述的一个或多个实施例的数据科学模型结果。
图10示出了示例增材制造诊断系统，其包括监测、诊断和调整增材制造设备的电路或模块。
这些附图不是按比例的。相反，可以在附图中增大层或区域的厚度。一般而言，在整个附图和随附的书面说明书中使用相同的参考编号来指代相同或类似的部分。如在该专利中使用的，声明任何部分(例如，层、膜、区、区域或板)以任何方式在(例如，定位在、位于、设置在或形成在等)另一部分上，指示参考部分与另一部分接触，或者参考部分位于另一部分上方且一个或多个中间部分位于其间。除非另有说明，否则连接参考(例如，附接、联接、连接和接合)将被广义地解释，并且可以包括元件集合之间的中间构件和元件之间的相对移动。因此，连接引用不一定推断两个元件直接连接并且以固定关系彼此连接。说明任何部分与另一部分“接触”意味着两个部分之间没有中间部分。
当识别可单独引用的多个元件或部件时，在此使用描述符“第一”、“第二”、“第三”等。除非基于它们的使用上下文另有规定或理解，否则这些描述符不旨在将优先级、物理顺序或排列的任何含义归入列表中，或及时地归入排序，而是仅仅用作单独引用多个元件或部件的标签，以便于理解所公开的示例。在一些示例中，描述符“第一”可以用于指详细描述中的元件，而相同元件可以在权利要求书中用不同的描述符例如“第二”或“第三”来指代。在这种情况下，应当理解，这种描述符仅仅是为了便于引用多个元件或部件而使用的。
具体实施方式
“包括”和“包含”(及其所有形式和时态)在本文中用作开放式术语。因此，每当权利要求书采用任何形式的“包括”或“包含”(例如，包括、具有等)作为序言或在任何种类的权利要求书中时，应当理解，可以存在附加元件、术语等而不会落在相应权利要求书或详述的范围之外。如本文所使用的，当短语“至少”用作例如权利要求的前序部分中的过渡术语时，它以与术语“包括”和“包含”相同的方式开放结束。当以例如A、B和/或C的形式使用时，术语“和/或”指A、B、C的任何组合或子集，例如(1)仅A、(2)仅B、(3)仅C、(4)A与B、(5)A与C、(6)B与C和(7)A与B和C。如本文所述，在描述结构、部件、项目、对象和/或事物的上下文中，短语“A和B中的至少一个”意指包括以下中的任一个的实施方式：(1)至少一个A、(2)至少一个B和(3)至少一个A和至少一个B。类似地，如本文所述，在描述结构、部件、项目、对象和/或事物的上下文中，短语“A或B中的至少一个”意指包括以下中的任一个的实施方式：(1)至少一个A、(2)至少一个B和(3)至少一个A和至少一个B。如本文所述，在描述进行或执行处理、指令、动作、活动和/或步骤的上下文中，短语“A或B中的至少一个”意指包括以下中的任一个的实施方式：(1)至少一个A、(2)至少一个B和(3)至少一个A和至少一个B。类似地，如本文所述，在描述结构、部件、项目、对象和/或事物的上下文中，短语“A或B中的至少一个”意指包括以下中的任一个的实施方式：(1)至少一个A，(2)至少一个B，和(3)至少一个A和至少一个B。
如本文所使用的，单数引用(例如，“一”、“一个”、“第一”、“第二”等)不排除复数。本文中使用的术语“一”或“一个”实体是指该实体中的一个或多个。术语“一”(或“一个”)、“一个或多个”和“至少一个”在这里可以互换使用。此外，尽管单独列出，但是多个设备、元件或方法动作可以通过例如单个单元或处理器来实现。另外，虽然个别特征可以包括在不同的示例或权利要求中，但是这些特征可以被组合，并且包括在不同的示例或权利要求中并不意味着特征的组合是不可行的和/或有利的。
本发明大体涉及用于诊断增材制造设备的设备、系统和方法。所述系统和方法基于来自增材制造设备的部件的原始数据获得增材制造设备的部件的数字孪生的一个或多个参数，基于所述一个或多个参数和一个或多个传递函数生成所述增材制造设备的部件的物理特征，获得用于基于物理特征将所述部件分类为第一状况或第二状况的一个或多个分类器，以及基于所述增材制造设备的部件的生成的物理特征和所述一个或多个分类器来确定所述部件的健康状况。根据本公开的系统和方法在不需要手动分析的情况下在几分钟内诊断增材制造设备的问题。另外，根据本公开的系统和方法通过考虑由于增材制造设备的磨损和撕裂而预期的效率下降来提高诊断构建和/或增材制造设备的准确性。
增材制造系统可以使用电子束或激光束来进行制造构建。增材制造系统可以包括多个电子束枪或激光设计。电子束增材制造，也可称为电子束熔化(EBM)，是通常用于金属制品的增材制造(3D打印)处理的类型。EBM利用金属粉末或金属丝形式的原材料，其置于真空下(例如，在真空密封的构建腔室内)。一般来说，原材料通过电子束加热而熔合在一起。
使用EBM的系统通常从3D计算机辅助设计(CAD)模型获得数据，并使用该数据利用装置(例如粉末分配器)散布原材料来放置原材料的连续层。利用计算机控制的电子束将连续层熔化在一起。如上所述，该处理在真空密封的构建腔室内的真空下进行，这使得该处理适合于使用对氧具有高亲和力的反应性材料(例如，钛)来制造零件。在实施例中，相对于其他增材制造处理，该处理在较高温度(至多约1200℃)下操作，这可导致通过固化和固态相变在相形成方面的差异。
直接金属激光熔化(DMLM)是另一种增材制造处理，其使用激光熔化超薄金属粉末层以构建三维物体。直接由CAD(计算机辅助设计)数据生成的文件构建对象。使用激光选择地熔化细小颗粒的薄层生成表现出精细、致密和均匀特性的物体。DMLM处理从辊在打印床上散布一层薄薄的金属粉末开始。接下来，基于CAD数据引导激光，以通过完全熔化金属颗粒来创建物体的横截面。然后降低打印床，以便可以重复该处理以创建下一物体层。在所有的层被打印之后，多余的未熔化的粉末被刷洗、吹送或冲走。物体通常需要很少的(如果有的话)抛光。本文描述的实施例可应用于采用除了本文公开的那些之外的其它类型的增材制造设备的其它增材制造模式。
图1描绘了根据本文示出和描述的一个或多个实施例的本公开的增材制造设备。如图1所示，增材制造系统100至少包括构建腔室102、成像设备114和控制部件120。构建腔室102限定经由一个或多个腔室壁103与外部环境105分离的内部104。在一些实施例中，构建腔室102的一个或多个腔室壁103的至少一部分可以在其中包括窗口106。成像设备114通常位于外部环境105中邻近构建腔室102(即，不位于构建腔室102的内部104内)，并且被布置成使得成像设备114的视场116延伸穿过窗口106进入腔室的内部104。
在一些实施例中，构建腔室102的内部104可以是真空密封的内部，使得在构建腔室102内形成的物品142在用于EBM或DMLM的最佳条件下形成，如一般理解的。构建腔室102能够经由真空系统维持真空环境。如一般理解的，说明性真空系统可以包括但不限于涡轮分子泵、涡旋泵、离子泵和一个或多个阀。在一些实施例中，真空系统可以通信地联接到控制部件120，使得控制部件120指导真空系统的操作，以在构建腔室102的内部104内维持真空。在一些实施例中，在整个构建循环中，真空系统可以维持大约1×10-5mbar或更小的基础压力。在另外的实施例中，真空系统可以在熔化处理中提供约2×10-3mbar的He或其他反应性或惰性控制气体的分压。
在其他实施例中，构建腔室102可设置在提供有环境空气和大气压力的可封闭腔室中。在另一些实施例中，构建腔室102可设置在露天中。
构建腔室102通常包括在内部104内的粉末床110以及粉末分配器108，该粉末床110在其上支撑粉末层112。在一些实施例中，构建腔室102可进一步包括一个或多个原材料料斗140a、140b，原材料料斗140a、140b在其中保持原材料141。在一些实施例中，构建腔室102可进一步包括发射器130。构建腔室102可以进一步包括其它部件，特别是有助于EBM或DMLM的部件，包括此处未具体描述的部件。
粉末床110通常是位于构建腔室102的内部104内的平台或容器，平台或容器布置成从一个或多个原材料料斗140a、140b接收原材料141。根据本公开内容，粉末床110的尺寸或构造不受限制，而是可以大致被设计形状和尺寸，从而以粉末层112、物品142的一个或多个部分和/或未熔融的原材料141的形式保持来自原材料料斗140a、140b的原材料141的量，如本文更详细描述的。
在一些实施例中，粉末床110可包括由提升部件113支撑的可移动构建平台111。可移动构建平台111通常可以是粉末床110内的表面，该表面可通过提升部件113在系统竖直方向(例如，在图1的坐标轴的+y/-y方向)上移动以增加和/或减少粉末床110的总体积。例如，粉末床110内的可移动构建平台111可以通过提升部件113在向下的方向(例如，朝向图1的坐标轴的-y方向)上移动，以便增加粉末床110的体积。此外，可移动构建平台111可通过提升部件113移动，以将每个连续的粉末层112添加到所形成的制品42，如本文更详细地描述。
提升部件113不受本公开的限制，并且通常可以是能够联接到可移动构建平台111并且能够移动以在系统竖直方向(例如，在图1的坐标轴的+y/-y方向)上升高或降低可移动构建平台111的任何设备或系统。在一些实施例中，提升部件113可利用线性致动器型机构来实现可移动构建平台111的移动。适于用作提升部件113的设备或系统的说明性示例包括但不限于剪式升降机、诸如基于螺杆的致动器的机械线性致动器、轮轴致动器(例如齿条齿轮型致动器)、液压致动器、气动致动器、压电致动器，机电致动器等。在一些实施例中，提升部件113可位于构建腔室102内。在其他实施例中，提升部件113可仅部分地位于构建腔室102内，特别是在其中可能期望隔离提升部件113的对构建腔室102的内部104内的恶劣条件(高热、过量灰尘等)敏感的部分的实施例中。
粉末分配器108通常布置和构造成在粉末床110中(例如，在粉末床110内的起始板或构建平台111上)铺设和/或散布一层原材料141作为粉末层112。也就是说，粉末分配器108被布置成使得粉末分配器108的移动在由图1中所示的坐标轴的x轴和z轴限定的水平面上。例如，粉末分配器108可以是在粉末床110上或上方(例如，从粉末床110的第一端到第二端)在图1的坐标轴的z方向上延伸一段距离的臂、杆等。在一些实施例中，粉末分配器108的长度可以比构建平台111的宽度长，使得粉末层112可以分布在构建平台111的每个位置上。在一些实施例中，粉末分配器108可以具有与构建平台111的顶表面平行的中心轴线(例如，大致平行于图1的坐标轴的+x/-x轴)。一个或多个电动机、致动器和/或类似物可联接至粉末分配器108以实现粉末分配器108的移动。例如，齿条齿轮致动器可联接至粉末分配器108，以使粉末分配器108在图1的坐标轴的+x/-x方向上在粉末床上来回移动，如图1中粉末分配器108上方的双向箭头所示。在一些实施例中，粉末分配器108的移动可以是连续的(例如，移动而不停止，而不是改变方向)。在其他实施例中，粉末分配器108的移动可以是逐步的(例如，以一系列间隔移动)。在另一些实施例中，粉末分配器108的移动可以使得在移动周期之间发生多个中断。
如本文更详细描述的，粉末分配器可进一步包括一个或多个齿107(例如，耙指状物等)，齿107从粉末分配器108延伸到来自原材料料斗140a，140b的原材料141中，以在粉末分配器108移动(例如，以分配原材料141，以散布粉末层112等)时扰动原材料141。
在实施例中，粉末分配器108包括从粉末分配器108的底表面B延伸的多个耙齿107(例如，大致朝图1的坐标轴的-y方向延伸)。在一些实施例中，耙齿107可在基本上垂直于构建平台111的平面(例如，垂直于由图1中描绘的坐标轴的x轴和z轴形成的平面)的方向上延伸。在另一实施例中，耙齿107可相对于构建平台111倾斜。倾斜的耙齿107相对于构建平台的法线的角度可以是任何值，并且在一些实施例中在约0°和约45°之间。
在一些实施例中，多个耙齿107中的每一个可以是金属箔或金属片。多个耙齿107的总长度可以比构建平台111的宽度长，以便能够在构建平台111的每个位置上分配粉末。耙齿107的形状和尺寸可以被设计成耙过原材料141以将粉末层112分配在构建平台111上。一些实施例可以不包括靶齿107。
应当理解，虽然这里描述的粉末分配器108通常在图1所示的坐标轴的x方向上延伸一段距离，并且在图1所示的坐标轴的+x/-x方向上移动以如上所述散布粉末层112，但是这仅仅是一个说明性示例。还考虑了其他构造。例如，粉末分配器108可以围绕轴线旋转以散布粉末层112，可以围绕一个或多个接头等铰接以散布粉末层112，和/或类似物，而不脱离本公开的范围。
在一些实施例中，粉末分配器108的横截面可以大致为三角形，如图1所示。然而，应当理解，横截面可以是任何形状，包括但不限于圆形、椭圆形、方形、矩形、多边形等。可以设置粉末分配器108的高度，以便在系统竖直方向(例如，沿着图1的坐标轴的+y/-y轴)给予粉末分配器108特定的机械强度。也就是说，在一些实施例中，粉末分配器108可以在系统竖直方向上具有特定可控挠曲。也可以考虑粉末分配器108推动一定量的原材料141，来选择粉末分配器的高度。如果粉末分配器108的高度太小，则粉末分配器108只能相对于高功率粉末分配器108向前推动较小的量。然而，如果粉末分配器108的高度太高，则粉末分配器108可能使从粉末筛网捕获的粉末复杂化(例如，粉末分配器108的高度越高，可能需要更大的力，以便从进入粉末筛网的方向上的第一侧到在构建平台111的方向上的第二侧，通过将粉末分配器108移动到粉末筛网中并使预定量的粉末从粉末分配器108的顶部落下而从粉末筛网捕获预定量的粉末。在另一些实施例中，粉末分配器108的高度可以使得邻近粉末分配器108的前缘和后缘的区域在成像设备114的视场116内，如本文所述。
在一些实施例中，粉末分配器108可以通信地联接到控制部件120，如在粉末分配器108和控制部件120之间的图1中的虚线所示。如本文所使用的，术语“通信地联接”通常指以便于通信的方式的任何链路。因此，“通信地联接”包括无线和有线通信，包括现在已知或以后开发的那些无线和有线通信。当粉末分配器108通信地联接到控制部件120时，控制部件120可以传输一个或多个信号、数据等，以使得粉末分配器108移动、改变方向、改变速度等。例如，由控制部件120传输到粉末分配器108的“反转方向”信号可以使粉末分配器108反转其移动的方向(例如，将在+x方向上的移动反转为在-x方向上的移动)。
原材料料斗140a、140b中的每一个通常可以是保持一定量的原材料141的容器，并包含用于从其分发原材料141的开口。虽然图1描绘了两个原材料料斗140a、140b，但本公开不限于此。即，可以在不脱离本公开的范围的情况下利用任何数量的原材料料斗。此外，虽然将原材料料斗140a、140b描绘为位于构建腔室102的内部104内，但本公开不限于此。即，在各种其他实施例中，原材料料斗140a、140b可位于构建腔室102的外部或部分位于构建腔室102外部。然而，应当理解，如果原材料料斗位于构建腔室102外部或部分位于构建腔室102外部，则供应原材料141的原材料料斗的一个或多个出口在未分配原材料141时可选择性地密封，以维持构建腔室102内的真空。
原材料料斗140a、140b的形状和尺寸不受本公开的限制。也就是说，原材料料斗140a、140b通常可以具有任何形状和/或尺寸，而不脱离本公开的范围。在一些实施例中，原材料料斗140a、140b中的每一个的形状和/或尺寸可以被设计成符合构建腔室102的尺寸，使得原材料料斗140a、140b可以在构建腔室内配合。在一些实施方式中，原材料料斗140a、140b的形状和/或尺寸可以被设计成使得原材料料斗140a、140b的总体积足以保持制造制品142所需的原材料141的量，该原材料141包括足够量的材料以形成每个连续的粉末层112和构成未熔融原材料141的附加材料。
原材料料斗140a、140b通常可具有用于排出位于原材料料斗140a、140b内的原材料141的出口，使得原材料141可通过粉末分配器108被散布，如本文所述。在一些实施例中，例如在图1所示的实施例中，原材料141可以在重力的作用下自由地流出原材料料斗140a、140b，由此形成成堆的或筛分的原材料141，以便粉末分配器108散布。在其他实施例中，原材料料斗140a、140b的出口可经由选择性关闭机构而选择性地关闭，以便在特定时间仅分配位于相应原材料料斗140a、140b内的原材料141的一部分。选择性关闭机构可以通信地联接到控制部件120，使得传输到/来自控制部件120的数据和/或信号可以用于选择性地打开和关闭原材料料斗140a、140b的出口。
包含在原材料料斗140a、140b内并用于形成制品142的原材料141不受本公开内容的限制，并且通常可以是用于现在已知或以后开发的EBM或DMLM的任何原材料。原材料141的说明性示例包括但不限于纯金属，例如钛、铝、钨等；以及金属合金，例如钛合金、铝合金、不锈钢、钴铬合金、钴铬钨合金、镍合金等。原材料141的具体示例包括但不限于Ti6Al4V钛合金、Ti6Al4 ELI钛合金、二级钛和ASTM F75钴铬合金(均可从瑞典默恩达尔的Arcam AB公司获得)。原材料141的另一个具体示例是可从特殊金属公司(亨廷顿WV(Huntington WV))获得的
Figure BDA0003183106600000081
合金718。
在实施例中，与混合物相反，原材料141是预合金化的。这可以允许使用选择性激光熔化(SLM)对EBM或DMLM进行分类，其中诸如选择性激光烧结(SLS)和直接金属激光烧结(DMLS)的其他技术在制造后需要热处理。与选择性激光熔化(SLM)和DMLS相比，由于EBM具有更高的能量密度和扫描方法，因此具有更优的构建速率。
发射器130通常是发射电子束(例如带电粒子束)的设备，例如电子枪、直线加速器等。发射器130生成能量束131，能量束131可用于当原材料141作为粉末层112散布在构建平台111上时熔化或熔融原材料141。在一些实施例中，发射器130可以包括至少一个聚焦线圈、至少一个偏转线圈和电子束电源，它们可以电连接到发射器控制单元。在一个说明性实施例中，发射器130生成可聚焦电子束，该可聚焦电子束具有约60千伏(kV)的加速电压和在约0千瓦(kW)至约10KV范围内的束功率。当通过例如能量束131熔融每个连续的粉末层112来构建制品142时，真空腔室中的压力可以在约1×10-3mBar至约1×10-6mBar的范围内。发射器130可位于枪真空腔室中。枪真空腔室中的压力可以在约1×10-4mBar至约1×10-7mBar的范围内。在一些实施例中，发射器130可以使用直接金属激光熔化来发射激光束。发射器130可以发射激光以熔化金属粉末的超薄层，以构建三维物体。当使用DMLM时，与需要真空腔室的电子束熔化制造相比，可以在构建上提供气流。
在一些实施例中，发射器130可以通信地联接到控制部件120，如图1中发射器130和控制部件120之间的虚线所示。发射器130与控制部件120的通信联接可提供在发射器130与控制部件120之间传输信号和/或数据的能力，例如来自控制部件120的控制信号，其指导发射器130的操作或来自发射器130的包含与构建处理有关的健康状况信息的原始数据。
仍然参照图1，成像设备114通常位于构建腔室102外部的外部环境105中，但定位成使得成像设备114的视场116穿过构建腔室102的窗口106。成像设备114通常定位在构建腔室102的外部，使得构建腔室102的内部104内的恶劣环境不影响成像设备114的操作。即，在构建腔室102的内部104内发生的热量、灰尘、金属化、x射线辐射等不会影响成像设备114的操作。在实施例中，成像设备114固定在适当位置，使得视场116保持恒定(例如，不改变)。此外，成像设备114布置在固定位置，使得成像设备114的视场116包围整个粉末床110。即，成像设备114能够通过窗口106对构建腔室102内的整个粉末床110进行成像。
在一些实施例中，成像设备114是特别构造成感测由粉末床110(例如，粉末层112、原材料141和/或制品142)内的各种部件生成的电磁辐射，特别是热辐射(例如，热量辐射)的设备。因此，成像设备114通常可以是被特别调谐或以其它方式构造以获得光谱中容易检测到热辐射的图像的设备，例如可见光谱和红外光谱(包括远红外和近红外光谱)。这样，被特别调谐或以其他方式构造以获得光谱中的热辐射的图像的设备的一个说明性示例包括但不限于红外相机。在一些实施例中，成像设备114可以是在约1微米(μm)至约14μm的波长范围内敏感的相机，包括约1μm、约2μm、约3μm、约4μm、约5μm、约6μm、约7μm、约8μm、约9μm，约10μm、约11μm、约12μm、约13μm、约14μm，或这些值中的任何两个值之间(包括端点)的任何值或范围。因此，成像设备114适合于在粉末层112的EBM或DMLM期间发生的成像温度。在一些实施例中，可以根据所使用的原材料的类型来选择成像设备114的波长灵敏度。可用于成像设备114的合适的设备的说明性示例包括但不限于IR相机(红外线相机)、NIR相机(近红外线相机)、VISNIR相机(视觉近红外线相机)、CCD相机(带电联接设备相机)和CMOS相机(互补金属氧化物半导体相机)。
在一些实施例中，成像设备114可以是能够提供特定于视场116内的一个或多个感兴趣区域的数据的区域扫描相机，包括在视场116内移动的感兴趣区域。即，区域扫描相机包括像素矩阵，该矩阵允许设备在具有垂直和水平元素的单个曝光周期中捕获2D图像。区域扫描相机可进一步用于获得多个连续图像，这在选择视场116内的感兴趣区域和观察感兴趣区域的变化时是有用的，如本文更详细地描述的。这种区域扫描相机的说明性示例包括可从Basler AG(阿伦斯堡，德国)、JAI有限公司(日本横滨)、国家仪器(德克萨斯州奥斯汀)和Stemmer Imaging(德国普希姆)获得的那些。
在一些实施例中，成像设备114可以具有单色图像传感器。在其他实施例中，成像设备114可具有彩色图像传感器。在各种实施例中，成像设备114可包括一个或多个光学元件，诸如透镜、滤色镜等。在特定实施例中，成像设备114可包括拜耳滤色镜。如一般理解的，拜耳滤色镜是用于在光电传感器的方格上布置RGB滤色镜以生成彩色图像的滤色镜阵列(CFA)，例如约50％绿色、约25％红色和约25％蓝色的滤色镜图案。
在一些实施例中，成像设备114还可以是特别被构造成向控制部件120提供对应于感测的电磁辐射的信号和/或数据的设备。因此，成像设备114可以通信地联接到控制部件120，如图1中在成像设备114和控制部件120之间的虚线所示。
应当理解，通过将成像设备114定位在构建腔室102的内部104之外的外部环境105中，可以使用包括成像设备114的套件来容易地改造在腔室壁103中具有窗口的现有构建腔室，以便利用本文描述的能力升级现有构建腔室。
控制部件120通常是通信地联接到增材制造系统100的一个或多个部件(例如，粉末分配器108、成像设备114和/或发射器130)的设备，并且被特别地布置和构造成向增材制造系统100的一个或多个部件发送和/或从增材制造系统100的一个或多个部件接收信号和/或数据。
图2是根据在此示出和描述的一个或多个实施例的示例性系统200的框图。在实施例中，系统200可以包括增材制造系统100、服务器210、用户计算设备220和移动计算设备230。增材制造系统100可以通过网络240通信地联接到服务器210、用户计算设备220和移动计算设备230。在实施例中，网络240可以包括一个或多个计算机网络(例如，个域网、局域网或广域网)、蜂窝网络、卫星网络和/或全球定位系统及其组合。因此，用户计算设备220可以经由广域网、经由局域网、经由个域网、经由蜂窝网络、经由卫星网络等通信地联接到网络240。合适的局域网可以包括有线以太网和/或无线技术，例如无线保真(Wi-Fi)。合适的个域网可以包括无线技术，例如IrDA、
Figure BDA0003183106600000111
无线USB、Z-Wave、ZigBee和/或其他近场通信协议。合适的蜂窝网络包括但不限于诸如LTE、WiMAX、UMTS、CDMA和GSM的技术。
在实施例中，增材制造系统100可以将捕获的与构建相关的图像和/或日志文件传输到服务器210、用户计算设备220和/或移动计算设备230。日志文件可以包括从增材制造系统100的多个子系统输出的多个参数，诸如真空系统、束系统、粉末分层系统等。多个参数可以是从增材制造系统100输出的原始数据，或者基于机器操作进一步处理的参数。例如，可以基于领域知识和/或物理来处理参数以生成新特征和/或参数。图像数据和/或日志文件可以存储在服务器210、用户计算设备220和/或移动计算设备230中。
服务器210通常包括用于经由网络240传递资源的处理器、存储器和芯片组。资源可以包括例如经由网络240从服务器210向用户计算设备220提供处理、存储、软件和信息。服务器210可以存储关于来自增材制造系统100的参数的机器学习模型或统计模型。
用户计算设备220通常包括用于经由网络240传送数据的处理器、存储器和芯片组。下面将参照图4描述用户计算设备220的细节。
参考图2，移动计算设备230可以是具有用于与网络240通信联接的硬件(例如，芯片组、处理器、存储器等)的任何设备。具体地，移动计算设备230可以包括用于通过上述无线计算机网络中的一个或多个进行通信的天线。此外，移动计算设备230可以包括用于与网络240通信的移动天线。因此，移动天线可以被构造成根据任何一代(例如，1G、2G、3G、4G、5G等)的移动电信标准来发送和接收数据。移动计算设备230的具体示例包括但不限于智能手机、平板设备、电子阅读器、膝上型计算机等。移动计算设备230可以具有类似于用户计算设备220的显示设备408的显示器和显示用户界面，例如，图8中所示的界面。
参考图2，网络240通常包括多个基站，这些基站被构造成根据移动电信标准来接收和发送数据。基站还被构造成通过诸如公共交换电话网络(PSTN)和回程网络的有线系统来接收和传输数据。网络240还可以包括经由诸如广域网、城域网、因特网、卫星网络等的回程网络可访问的任何网络。因此，基站通常包括执行机器可读指令以通过各种有线和/或无线网络交换数据的一个或多个天线、收发器和处理器。
转到图3，示出了图1所示的控制部件120的各种内部部件。特别地，图3描绘了用于收集用于操作增材制造系统100的参数和图像、分析参数和图像数据和/或协助控制图1中描绘的增材制造系统100的各种部件的各种系统部件。
如图3所示，控制部件120可以包括一个或多个处理设备302、非暂时性存储器部件304、网络接口硬件308、设备接口硬件310和数据存储部件306，所有这些都通过诸如总线等的本地接口300互连。
一个或多个处理设备302，例如计算机处理单元(CPU)，可以是控制部件120的中央处理单元，进行计算和逻辑操作以执行程序。一个或多个处理设备302单独地或与其他部件结合地是说明性处理设备、计算设备、处理器或其组合。一个或多个处理设备302可以包括被构造为接收和执行指令(例如来自数据存储部件306和/或存储器部件304)的任何处理部件。
存储器部件304可以被构造为易失性和/或非易失性计算机可读介质，并且因此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、光盘(CD)、数字多功能光盘(DVD)和/或其他类型的存储部件。存储器部件304可以包括在其上的一个或多个编程指令，当由一个或多个处理设备302执行时，编程指令使得一个或多个处理设备302完成各种处理。
仍参照图3，存储在存储器部件304上的编程指令可以实施为多个软件逻辑模块，其中每个逻辑模块提供用于完成一个或多个任务的编程指令。
仍然参照图3，网络接口硬件308可以包括任何有线或无线联网硬件，诸如调制解调器、LAN端口、无线保真(Wi-Fi)卡、WiMax卡、移动通信硬件和/或用于与其他网络和/或设备通信的其他硬件。例如，网络接口硬件308可用于促进增材制造系统100与诸如服务器210、用户计算设备220、移动计算设备230等的外部设备之间经由图2所示的网络240的通信。
参考图3，设备接口硬件310可以在本地接口300和图1的增材制造系统100的一个或多个部件之间传送信息。例如，设备接口硬件310可用作本地接口300与图1的成像设备114、粉末分配器108等之间的接口。在一些实施例中，设备接口硬件310可以向图1的成像设备114传输信号和/或数据，或从图1的成像设备114接收信号和/或数据。
仍然参照图3，通常可以是存储介质的数据存储部件306可以包含用于存储被接收和/或生成的数据的一个或多个数据存储库。数据存储部件306可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储等。虽然数据存储部件306被描述为本地设备，但是应当理解，数据存储部件306可以是远程存储设备，例如服务器计算设备、基于云的存储设备等。可以包含在数据存储部件306中的说明性数据包括但不限于图像数据322、机器学习(ML)数据324和/或操作数据326。图像数据322通常可以是由控制部件120用来识别特定物体、确定粉末层112(图1)上的一个或多个点、监测一个或多个点处的电磁辐射量、确定电磁辐射的变化等的数据。例如，控制部件120可以访问图像数据322以获得从成像设备114接收的多个图像，确定来自图像数据322的电磁辐射量，并相应地生成一个或多个命令。
仍然参照图3，ML数据324可以是作为用于从图像数据322确定粉末层112的特征的一个或多个机器学习处理或统计建模处理的结果而生成的数据。仍参照图3，操作数据326可包括从来自增材制造系统100的多个子系统输出的参数。例如，操作数据326可以包括从真空系统、束系统、粉末分层系统等输出的参数。具体地，束系统的参数可以包括但不限于：最大电源电压、最小电源电压、灯丝燃烧时间、平均预热栅极电压、电弧跳闸后栅极电压降、平均阴极功率、平均有效功函数、平均烟雾计数、烟雾警告、平均柱压、电弧跳闸次数、栅极电压的最大偏差、2mA时的栅极电压等。真空系统的参数可以包括，但不限于，最大腔室压力、最小腔室压力、最大柱压、最小柱压、真空故障错误、腔室真空的平均变化、最小氦气供应管线压力、腔室涡轮泵中的平均电流、柱涡轮泵中的平均电流、涡轮泵怠速持续时间、平均内部电路温度、平均进入的冷却水温度等。
应当理解，图3中所示的部件仅仅是说明性的，并且不旨在限制本公开的范围。更具体地，虽然图3中的部件被图示为驻留在控制部件120内，但这是非限制性示例。在一些实施例中，一个或多个部件可以位于控制部件120的外部。
图4描绘了图2中描绘的用户计算设备220的各种内部部件。如图所示，用户计算设备220可以包括一个或多个处理设备402、非暂时性存储器部件404、网络接口硬件406、显示设备408和数据存储部件410，所有这些都通过诸如总线等的本地接口400互连。虽然图4描绘了用户计算设备220的部件，但是图2中的服务器210可以具有如图4所示的相同或类似的部件。
一个或多个处理设备402，例如计算机处理单元(CPU)，可以是用户计算设备220的中央处理单元，进行计算和逻辑操作以执行程序。一个或多个处理设备402单独地或与其他部件结合地是说明性处理设备、计算设备、处理器或其组合。一个或多个处理设备402可以包括被构造为接收和执行指令(例如来自数据存储部件410和/或存储器部件404)的任何处理部件。
存储器部件404可以被构造为易失性和/或非易失性计算机可读介质，并且因此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、光盘(CCD)、数字多功能光盘(DVD)和/或其他类型的存储部件。存储器部件404可以包括在其上的一个或多个编程指令，当由一个或多个处理设备402执行时，编程指令使得一个或多个处理设备402诊断增材制造系统的部件或构建。
仍然参照图4，显示设备408可以包括能够传输光学输出的任何介质，例如阴极射线管、发光二极管(LED)显示器、有机发光二极管(OLED)显示器、液晶显示器、等离子体显示器等。在实施例中，显示设备408可以是触摸屏，除了可视地显示信息之外，触摸屏还检测在显示设备408的表面上或邻近显示设备408的触觉输入的存在和位置。
仍然参照图4，通常可以是存储介质的数据存储部件410可以包含用于存储被接收和/或生成的数据的一个或多个数据存储库。数据存储部件410可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储器等。虽然数据存储部件410被描述为本地设备，但是应当理解，数据存储部件410可以是远程存储设备，例如服务器计算设备、基于云的存储设备等。数据存储部件410可以包括但不限于包括物理模型411、数据科学模型412、参数数据414、诊断模型416和混合分类模型418。
物理模型411、数据科学模型412、参数数据414、诊断模型416和混合模型418中的每一个可以是存储在数据存储部件410中的操作系统、应用程序模块和其他程序模块的形式的程序模块。这样的程序模块可以包括但不限于例程、子例程、程序、对象、部件、数据结构等，用于进行将在下面描述的特定任务或执行特定数据类型。
物理模型411可以是增材制造系统100的一个或多个部件或子系统的数字孪生。在实施例中，物理模型411可以是增材制造系统100的真空子系统、束子系统和/或粉末分层子系统的基于物理的数字孪生。物理模型411从增材制造系统100输出的原始数据建造并提取特征。例如，在物理模型411是束子系统的基于物理的数字孪生的情况下，可以从增材制造系统100输出的原始数据提取诸如栅极电压和束电流的参数。这些参数可以分解成它们各自的处理。例如，可以使用以下传递函数来设计和开发用于阴极健康状况的基于物理的模型：
阴极温度＝f(阴极功率)
阴极亮度＝f(束电流、栅极电压)
真空环境可以是实际真空水平与理想真空水平的比率。阴极亮度函数可以设计为阴极功率、束电流和/或栅极电压的函数。
物理模型411可提供阴极的严重性健康状况指标。阴极健康状况严重性指标可用于开发累积损伤模型以估计剩余寿命。
数据科学模型412是从训练的机器学习模型或统计模型获得的置信度模型。训练的机器学习模型或统计模型是基于包括许多参数、期望参数列表和/或时间序列数据的日志文件训练的机器学习模型或统计模型。数据科学模型412可以基于四个步骤开发：数据提取、数据转换和压缩、特征提取和特征选择。数据提取可以包括提取时间序列、诸如处理开始和结束时间的事件、以及与由增材制造系统100制造的构建相关的状态/错误消息。一旦被提取，则可以根据对随后使用这种数据的需要来转换和/或压缩数据。特征提取可以提取与由增材制造系统100制造的构建相关的特征，诸如统计特征、瞬态行为特征、异常偏差/超越、基于域(处理和机器)的特征等。特征选择可以包括选择统计分析方法和机器学习分类器或统计模型分类器。数据科学模型412可包括用于确定增材制造系统100的子系统的状况的阈值参数。
参数数据414可以包括从增材制造系统100的多个子系统(诸如真空系统、束系统、粉末分层系统等)输出的多个参数。多个参数可以是从增材制造系统100输出的原始数据和/或例如基于机器操作进一步处理的参数。参数可以包括从控制部件120的图像数据322提取的参数。
诊断模型416可以包括多个故障模式。每个故障模式可以与增材制造系统100的一个或多个子系统相关联。故障模式可以包括但不限于更多的耙卡死故障、阴极污染或损坏故障模式、真空故障模式等。故障模式可以包括一个或多个根本原因标识。例如，阴极污染或损坏的故障模式可能包括诸如阴极污染、电弧跳闸或阴极的错误位置等的根本原因。每个根本原因可以与增材制造系统100的参数的分析相关联。例如，如果增材制造系统100的参数指示较低的亮度，则阴极污染可被确定为根本原因。可以基于增材制造系统100的参数与存储在数据科学模型412中的阈值参数的比较来确定每个故障模式。
混合模型418可以比较来自物理模型411和数据科学模型412的结果，并评估增材制造系统100的子系统的健康状况。例如，物理模型411可以被构建(例如，训练和测试)以使用多种故障模式来确定阴极状况以提供阴极损坏评分。类似地，使用真实世界阴极故障数据(Y)和不同的过程特征(Xs)开发受监督的数据科学模型412。数据科学模型412用于确定阴极状况。混合模型418从两个模型411、412获取输出并且将输出与根据与每个模型411、412相关联的预测的相对置信度水平分配的权重组合。加权输出形成与混合模型418一起使用的比较，以评估健康状况(例如，阴极子系统健康状况等)。
图5A-C描绘了流程图，其图示了根据本文中示出和描述的一个或多个实施例的用于诊断增材制造设备并提供诊断结果的示例方法。
在图5A中在框502，系统从增材制造系统100内的传感器或用于由增材制造设备制造的构建的日志文件中获取来自增材制造设备的一个或多个部件的原始数据。例如，如果增材制造设备的部件是阴极，则原始数据包括用于阴极的栅极电压和束电流。
在框504，系统可以基于来自增材制造设备的部件的原始数据获得增材制造设备的部件的数字孪生的一个或多个参数。例如，该参数可以包括从增材制造系统100的多个子系统输出的多个参数，诸如烟雾错误参数、耙故障检测参数等。
在框506，特征提取模块604可以提取与由增材制造设备制造的构建相关的特征，诸如统计特征、瞬态行为特征、异常偏差/超越、基于域(处理和机器)的特征等。特征提取模块604可以从增材制造系统100输出的原始数据建造并提取特征。参考图6，物理模型610可以是增材制造设备的自适应数字孪生。例如，在物理模型是增材制造系统100的阴极的基于物理的数字孪生的情况下，可以从增材制造系统100输出的原始数据提取诸如栅极电压和束电流的参数。例如，可以将这些参数分解到它们各自的处理。
返回参考图5A，在框508，系统可以基于一个或多个参数和一个或多个传递函数来生成用于增材制造设备的部件的物理特征。例如，一个或多个传递函数可以包括将束电流和栅极电压传递到阴极亮度的函数。可以基于增材制造系统100的使用时间或增材制造系统100的磨损和撕裂来调整传递函数。例如，如图6所示，来自诊断模型630的输出可用于更新物理模型610的传递函数，以捕获由于制造装置的部件的正常磨损和撕裂而预期的效率下降。
返回参考图5A，在框510处，系统可获得用于基于物理特征将部件分类为第一状况或第二状况的一个或多个分类器。在某些实施例中，诸如图4中的数据科学模型412的数据科学模型可以存储一个或多个分类器。例如，一个或多个分类器可以基于一组阈值与物理特征的比较来将部件分类为正常状况或故障状况。
返回参考图5A，在框512，系统确定物理特征的阈值集。可以基于良好或不良数据、提取的特征和期望的模块，基于机器学习或统计模型来确定阈值。例如，参考图7A，烟雾错误阈值可以基于良好或不良构建数据以及不良构建数据之间的区别来确定。具体地说，图7A示出了与烟雾错误参数相关联的一组良好构建722和与烟雾错误参数相关联的两组不良构建712和714。这两组不良构建包括一组烟雾问题相关的不良构建712和一组非烟雾相关的不良构建714。将烟雾问题相关的不良构建712的一组烟雾错误参数和非烟雾相关的不良构建714的一组烟雾错误参数之间的值730确定为用于检测烟雾错误的阈值。例如，值730可以是0.5。作为另一个示例，参考图7B，可以基于良好或不良构建数据以及不良构建数据之间的区别来确定耙故障检测阈值。具体地说，图7B示出了与耙故障检测参数相关联的一组良好构建742和与耙故障检测参数相关联的两组不良构建732和734。这两组不良构建包括一组与耙问题相关的不良构建732和一组与非耙相关的不良构建734。将与耙问题相关的不良构建732的一组耙故障检测参数和与非耙相关的不良构建734的一组耙故障检测参数之间的值750确定为用于检测耙故障的阈值。例如，值750可以是18。
返回参考图5A，在框514，系统确定所选物理特征是否超过阈值。如果物理特征未超过阈值，则处理前进到框A，如图5B中所示。如果物理特征确实超过阈值，则处理前进到框B，如图5C中所示。
图5B描绘了如果/当物理特征不超过阈值时，用于诊断增材制造设备的指令的子集。在框516处，图6的数据科学模型620的一个或多个分类器基于物理特征将部件状况分类为正常(例如，在预期操作参数内等)。例如，一个或多个分类器基于阈值与物理特征的比较将部件状况分类为正常。如果确定物理特征未超过阈值，则一个或多个分类器指示部件状况正常。例如，分类器可以评估/分类发生在十分钟滚动时间窗口内的不超过一个的电弧跳闸。例如，另一个示例分类器可以对不会降至0.3以下的入口阀开度的最小值进行分类。
在框518处，图6的分类模型640将部件的健康状况的指标输出为最佳、正常或预期。该系统基于针对增材制造部件的部件生成的物理特征和一个或多个分类器来确定部件的健康状况。混合模型可以将针对增材制造设备的部件生成的物理特征与一个或多个分类器的阈值进行比较。例如，生成的阴极的物理特征可以是阴极亮度。混合模型418基于阴极亮度与分类器的阈值的比较来确定阴极的健康状况。在一些示例中，通过利用与物理模型610和数据科学模型620的偏差，分类模型640可以使用加权平均方法来确定阴极的健康状况是最佳的(或者被称为正常的或预期的)。
在框520，数据科学模型620可以维持训练数据集或阈值。例如，数据科学模型620可响应于分类模型640将部件的健康状况输出为最佳而维持诸如烟雾错误阈值或耙故障检测阈值的阈值。在相应地维持训练数据集或阈值之后，处理前进到图5A的框530。
图5C示出了用于在物理特征超过阈值时诊断增材制造设备的指令的子集。在框522，图6的数据科学模型620的一个或多个分类器基于物理特征将部件状况分类为故障。例如，一个或多个分类器基于阈值与物理特征的比较，将部件状况分类为故障。如果确定物理特征超过阈值，则一个或多个分类器指示部件状况是故障。
在框524，系统可以基于第一模型生成的物理特征和一个或多个分类器的比较来确定部件故障的原因。例如，如果故障模式是耙故障，则故障的原因可以包括但不限于旧软件、零件膨胀或耙机构中的润滑损失。在某些实施例中，用户计算设备220的处理器可以基于构建的参数来确定故障的原因。例如，如果耙电流相对较高(例如，大于6安培等)，则用户计算设备220的处理器可以确定旧软件是故障模式的原因。
在框526处，图6的分类模型640将部件的健康状况输出为非最佳。该系统基于针对增材制造部件的部件生成的物理特征和一个或多个分类器来确定部件的健康状况。混合模型可以将针对增材制造设备的部件的生成的物理特征与一个或多个分类器的阈值进行比较。例如，生成的阴极的物理特征可以是阴极亮度。在该示例中，混合模型418基于阴极亮度与分类器的阈值的比较来确定阴极的健康状况。在一些示例中，通过利用与物理模型610和数据科学模型620的偏差，分类模型640可以使用加权平均方法来确定阴极的健康状况是非最佳的。
在框528，数据科学模型620可以更新或调整训练数据集或阈值。在某些实施例中，来自混合分类模型的输出可用于丰富数据科学模型的训练数据集。例如，可以基于混合分类模型640的输出来更新或调整数据科学模型620的训练数据集，以便反映增材制造系统100的使用时间或增材制造系统100的磨损和撕裂，如图6所示。当混合分类模型640的输出被确定为非最佳时，混合分类模型640的输出可以被输入到数据科学模型620以更新或调整训练数据集。在相应地更新或调整训练数据集或阈值之后，处理前进到图5A的框530。
返回参考图5A，在框530，来自诊断模型的输出可用于更新物理模型的传递函数，以捕获由于增材制造设备的正常磨损和撕裂所引起的检测到的效率下降。例如，可以基于诊断模型630的输出来更新或调整物理模型610的传递函数，以便反映增材制造系统100的使用时间或增材制造系统100的磨损和撕裂，如图6所示。诊断模型630可以输出对增材制造设备的非最佳的根本原因(例如，构建问题的根本原因和/或增材制造设备的构造和/或操作的其他问题等)的预测。例如，诊断模型630的输出(例如，对非最佳的根本原因的预测等)可用于更新物理模型610的传递函数，以捕获由于制造设备的部件的正常磨损和撕裂而引起的预期的效率下降。
例如，束质量劣化的根本原因可能是由于真空环境差。电弧跳闸的根本原因可能是由于增材机器100清洁度不足导致的不良真空环境。例如，在构建封套上干扰耙的根本原因可能是零件膨胀。
在框532，系统可以显示部件、部件的健康状况或部件故障的原因。例如，通过参照图8，用户计算设备220的显示设备408可以显示页面800，页面800示出用于增材制造系统100的三个子系统的窗口：真空子系统窗口810、束子系统窗口820和粉末分层子系统窗口830。用户计算设备220的处理器可以确定对于构建已经发生阴极污染的故障模式。显示设备408可以在束子系统窗口820中显示阴极污染的故障模式822。故障模式822的指示和位置不限于图8中所示的指示和位置，并且可以在不同的位置处显示用于故障模式的任何其他指示。显示设备408还可以显示各种动作824，用户可以从各种动作824中查看与增材构建处理的健康状况校正相关的选项。动作824包括关于检测到的故障模式的根本原因的信息以及对机器/用户纠正/校正这些问题的建议。在一些实施例中，对于部件需要下一个服务和/或维护动作之前的时间量也可以显示在动作824、对应的子系统窗口或任何其他适当位置中。在其他示例中，动作824包括现在要实施的动作。按钮840可以被包括在显示器800中，其翻转“卡片”或显示的内容以显示包括在构建期间发生的错误事件的趋势的图。
在框534，确定是否重复该处理。例如，对于数字孪生的部件的不同参数可以重复该处理。如果要重复该处理，则该处理的控制返回到框502。否则，处理结束。
图6描述了根据本文示出和描述的一个或多个实施例的用于预测和校正增材构建处理的健康状况的物理辅助机器学习模型600。
原始数据602可以从增材制造设备的传感器获得。在一些实施例中，原始数据602可以存储在由增材制造设备制造的构建的日志文件中。特征提取模块604可接收原始数据602，并从原始数据提取与由增材制造设备制造的构建相关的特征，诸如统计特征、瞬态行为特征、异常偏差/超标、基于域(处理和机器)的特征等。特征提取模块604可以从原始数据建造和提取特征。提取的特征可以提供给物理模型610和数据科学模型620。
物理模型610可以是增材制造设备100的自适应数字孪生。例如，在物理模型610是增材制造系统100的阴极的基于物理的数字孪生的情况下，可以从增材制造系统100输出的原始数据提取诸如栅极电压和束电流的参数。例如，原始数据可以包括栅极电压和束电流的参数。然后可以基于束操作的阶段分解原始参数。可以采用逐相参数的传递函数的统计聚合来形成或驱动物理模型610(基于物理的数字孪生模型)。数据科学模型620是从训练的机器学习模型或统计模型获得的置信度模型。训练的机器学习模型或统计模型是基于包括许多参数、期望参数列表和/或时间序列数据的日志文件而训练的机器学习模型或统计模型。
例如，当物理模型610被实施为增材系统100和/或增材系统100的一个或多个子系统的数字孪生时，示例系统100可以包括三个建模部件，例如，每个部件都具有激活输入。例如，部件1向部件2和部件3提供激活输入。部件2向部件3提供部件输出。部件3产生最终输出。数字孪生包括部件1的数字孪生、部件2的数字孪生和部件3的数字孪生。部件1的数字孪生为部件2的数字孪生和部件3的数字孪生提供激活/派生输入。部件2的数字孪生向部件3的数字孪生提供派生输出。部件3的数字孪生生成最终派生输出。因此，系统100的数字孪生模型610代表系统100中每个部件的健康状况。数字孪生模型610可以优化或改进模型610的参数以匹配部件3的数字孪生的最终派生输出与部件3的最终输出。
诊断模型630可以接收物理模型610的输出和数据科学模型620的输出，并确定非最佳的根本原因。例如，诊断模型630可以分析阴极健康状况指标中哪些因素对阴极健康状况的影响最大。然后，基于所识别的非最佳的根本原因，诊断模型630可以为解决非最佳的根本原因提出建议。
混合模型640可以比较物理模型610的输出和数据科学模型620的输出，以将部件的健康状况确定为最佳或非最佳。例如，生成的阴极的物理特征可以是阴极亮度。混合分类模型640可基于阴极亮度与来自数据科学模型620的分类器的阈值的比较来确定阴极的健康状况。然后，通过利用与物理模型610和数据科学模型620的偏差，分类模型640可以使用加权平均方法来将阴极的健康状况分类为最佳或非最佳。混合分类模型640还可以预测直到需要下一个服务和/或维护动作为止的时间量。
图9描绘了根据在此示出和描述的一个或多个实施例的数据科学模型结果。图示了完成的或良好构建920和中止的或不良构建910的示例。30个构建被归分类为不良构建，而133个构建被归类为良好构建。数据科学模型分析了用于构建30个不良构建910的增材制造系统的部件。如图9所示，数据科学模型检测到不良构建913的真空问题912、不良构建915的功率分配问题914以及不良构建917的束单元问题916。数据科学模型没有遗漏关于不良构建的任何缺陷。
关于良好构建920，数据科学模型识别15个假呼叫。具体地，数据科学模型识别先前被识别为良好构建的构建932的真空问题、先前被识别为良好构建的构建934的粉末分配问题、以及先前被识别为良好的束单元问题936。因此，数据科学模型提高了识别由增材制造设备制造的不良构建的准确性。
图10图示了示例性增材制造诊断系统1000，其包括用于监测、诊断和调整增材制造设备的电路或模块。示例系统1000包括数字孪生构造模块1010、分类模块1020、健康状况模块1030和调整模块1040。系统1000的示例模块1010-1040可以使用硬件、固件和/或软件以各种组合来实现，以收集数据；处理数据以将数据转换为模型、分析和/或可操作性输出；存储数据和相关模型/分析/输出；输出数据/模型/分析/可操作性输出；调整增材制造设备设置；生成警报和消息；等等。在某些示例中，系统1000可以实现为控制部件120的一部分。在某些示例中，可以使用服务器210、用户计算设备220和移动计算设备230中的一个或多个来实现系统1000。
在某些示例中，数字孪生构造模块1010基于来自增材制造设备100的部件的原始数据，获得增材制造设备100的部件的数字孪生(例如，物理模型411)的一个或多个参数。示例数字孪生构造模块1010例如基于一个或多个参数和一个或多个传递函数来生成用于增材制造设备的部件的数字孪生的物理特征。
在某些示例中，分类模块1020获得用于基于物理特征将部件分类为第一状况或第二状况的一个或多个分类器。例如，由特征提取模块604从增材制造设备100输出的数据中提取的特征可以与物理模型411、数据科学模型412和/或混合模型418一起使用，以形成分类器来根据特征对部件的一个或多个状况进行分类。以上参照图5A-C进一步描述这种分类。
在某些示例中，健康状况模块1030基于生成的第一模块的物理特征和一个或多个分类器来确定部件的健康状况。例如，可以例如通过将特征的值与由对应分类器表示的阈值进行比较来使用特征和分类器，以确定对应部件的健康状况。如以上关于图5A-C所述，例如，阴极亮度特征值可以与由阴极亮度分类器指定的阴极亮度阈值进行比较，以确定阴极亮度是否健康、不健康、失效等。可以由健康状况模块1030评估诸如烟雾错误、耙故障等其它状况。
在某些示例中，调整模块1040对健康状况模块1030的健康状况确定作出反应，以向增材系统100、用户、控制部件120、服务器210、用户计算设备220和/或移动计算设备230等提供警报。调整模块1040可以基于例如在系统/设备100的部件的健康状况中识别的问题来调整增材制造设备100(例如，与用于处理校正的机器控制软件连通)的一个或多个参数。例如，可以基于阴极亮度的健康状况来调整阴极功率/强度。调整模块1040还可以基于所确定的一个或多个部件的健康状况来更新一个或多个传递函数、分类器等。此外，调整模块1040可以通过比较特征和分类器来确定部件的故障的原因，从而调整设置或构造、错误警告/警报、调整构建等。
现在应当理解，这里描述的设备、系统和方法诊断增材制造设备。系统和方法基于来自增材制造设备的部件的原始数据获得增材制造设备的部件的数字孪生的一个或多个参数，基于所述一个或多个参数和一个或多个传递函数生成所述增材制造设备的部件的物理特征，获得用于基于物理特征将所述部件分类为第一状况或第二状况的一个或多个分类器，以及基于所述增材制造设备的部件的生成的物理特征和所述一个或多个分类器来确定所述部件的健康状况。根据本公开的系统和方法在不需要手动分析的情况下，在几分钟内诊断增材制造设备的问题。另外，根据本公开的系统和方法通过考虑由于增材制造设备的磨损和撕裂而预期的效率下降来提高诊断构建和/或增材制造设备的准确性。
虽然在此已经示出和描述了特定实施例，但是应当理解，可以在不脱离所要求保护的主题的精神和范围的情况下进行各种其他改变和修改。此外，尽管在此描述了所要求保护的主题的各个方面，但这些方面不需要组合使用。因此，所附权利要求书意在涵盖在所要求保护的主题范围内的所有这些变化和修改。
本发明的其它方面由以下条款的主题提供。
提供一种用于诊断增材制造设备的系统。系统包括：第一模块，第一模块被构造为：基于来自增材制造设备的部件的原始数据获得增材制造设备的部件的数字孪生的一个或多个参数；和基于一个或多个参数和一个或多个传递函数，生成增材制造设备的部件的数字孪生的物理特征；第二模块，第二模块被构造为获得用于基于物理特征将部件分类为第一状况或第二状况的一个或多个分类器；和第三模型，第三模型被构造为：基于第一模块的生成的物理特征和一个或多个分类器来确定部件的健康状况。
根据任一前述条款的系统，其中，一个或多个参数是增材制造设备的部件的原始数据。
根据任一前述条款的系统，其中，部件是阴极，并且原始数据包括用于阴极的栅极电压和束电流。
根据任一前述条款的系统，其中，部件是阴极，并且物理特征包括阴极温度、阴极亮度和真空环境中的至少一个。
根据任一前述条款的系统，其中，基于与增材制造设备的部件的磨损和撕裂相关的参数来更新一个或多个传递函数。
根据任一前述条款的系统，其中，第二模块被构造为基于与增材制造设备的部件的磨损和撕裂相关的参数来更新一个或多个分类器。
根据任一前述条款的系统，其中，一个或多个分类器包括基于机器学习或统计模型关于构建的评估以及构建的参数而确定的阈值。
根据任一前述条款的系统，还包括第四模块，第四模块被构造为基于第一模型的生成的物理特征和一个或多个分类器的比较来确定部件的故障原因。
一种用于诊断增材制造设备的方法，方法包括：基于来自增材制造设备的部件的原始数据，获得增材制造设备的部件的数字孪生的一个或多个参数；基于一个或多个参数和一个或多个传递函数，生成增材制造设备的部件的物理特征；获得用于基于物理特征将部件分类为第一状况或第二状况的一个或多个分类器；和基于增材制造设备的部件的生成的物理特征和一个或多个分类器来确定部件的健康状况。
根据任一前述条款的方法，其中，一个或多个参数是增材制造设备的部件的原始数据。
根据任一前述条款的方法，其中，部件是阴极，并且原始数据包括用于阴极的栅极电压和束电流。
根据任一前述条款的方法，其中，部件是阴极，并且物理特征包括阴极温度、阴极亮度和真空环境中的至少一个。
根据任一前述条款的方法，进一步包括基于与增材制造设备的部件的磨损和撕裂相关的参数来更新一个或多个传递函数。
根据任一前述条款的方法，进一步包括基于与增材制造设备的部件的磨损和撕裂相关的参数来更新一个或多个分类器。
根据任一前述条款的方法，其中，一个或多个分类器包括基于机器学习或统计模型关于构建的评估以及构建的参数而确定的阈值。
根据任一前述条款的方法，进一步包括基于第一模型的生成的物理特征与一个或多个分类器的比较来确定部件的故障原因。
一种非暂时性机器可读介质，非暂时性机器可读介质包括计算机可执行指令，当由一个或多个处理器执行时，计算机可执行指令被构造为：基于来自增材制造设备的部件的原始数据，获得增材制造设备的部件的数字孪生的一个或多个参数；基于一个或多个参数和一个或多个传递函数，生成增材制造设备的部件的物理特征；获得用于基于物理特征将部件分类为第一状况或第二状况的一个或多个分类器；和基于增材制造设备的部件的生成的物理特征和一个或多个分类器来确定部件的健康状况。
根据任一前述条款的非暂时性机器可读介质，其中，一个或多个参数是增材制造设备的部件的原始数据。
根据任一前述条款的非暂时性机器可读介质，其中，部件是阴极，并且原始数据包括用于阴极的栅极电压和束电流。
根据任一前述条款的非暂时性机器可读介质，其中当由一个或多个处理器执行时，计算机可执行指令被构造为基于与增材制造设备的部件的磨损和撕裂相关的参数来更新一个或多个传递函数。
尽管在此描述了某些示例性方法、装置和制品，但本专利的覆盖范围不限于此。相反，本专利涵盖了属于本专利权利要求范围内的所有方法、装置和制品。

Claims (10)

1.一种用于诊断增材制造设备的系统，其特征在于，所述系统包括：
第一模块，所述第一模块被构造为：
基于来自所述增材制造设备的部件的原始数据获得所述增材制造设备的所述部件的数字孪生的一个或多个参数；和
基于所述一个或多个参数和一个或多个传递函数，生成所述增材制造设备的所述部件的所述数字孪生的物理特征；
第二模块，所述第二模块被构造为获得用于基于物理特征将所述部件分类为第一状况或第二状况的一个或多个分类器；和
第三模块，所述第三模块被构造为：
基于所述第一模块的生成的物理特征和所述一个或多个分类器来确定所述部件的健康状况。
2.根据权利要求1所述的系统，其特征在于，其中，所述一个或多个参数是所述增材制造设备的所述部件的原始数据。
3.根据权利要求1所述的系统，其特征在于，其中，所述部件是阴极，并且所述原始数据包括用于所述阴极的栅极电压和束电流。
4.根据权利要求1所述的系统，其特征在于，其中，所述部件是阴极，并且所述物理特征包括阴极温度、阴极亮度和真空环境中的至少一个。
5.根据权利要求1所述的系统，其特征在于，其中，基于与所述增材制造设备的所述部件的磨损和撕裂相关的参数来更新所述一个或多个传递函数。
6.根据权利要求1所述的系统，其特征在于，其中，所述第二模块被构造为基于与所述增材制造设备的所述部件的磨损和撕裂相关的参数来更新所述一个或多个分类器。
7.根据权利要求1所述的系统，其特征在于，其中，所述一个或多个分类器包括基于机器学习或统计模型关于构建的评估以及所述构建的参数而确定的阈值。
8.根据权利要求1所述的系统，其特征在于，进一步包括第四模块，所述第四模块被构造为基于所述第一模块的生成的物理特征和所述一个或多个分类器的比较来确定所述部件的故障原因。
9.一种用于诊断增材制造设备的方法，其特征在于，所述方法包括：
基于来自所述增材制造设备的部件的原始数据，获得所述增材制造设备的所述部件的数字孪生的一个或多个参数；
基于所述一个或多个参数和一个或多个传递函数，生成所述增材制造设备的所述部件的物理特征；
获得用于基于物理特征将所述部件分类为第一状况或第二状况的一个或多个分类器；和
基于所述增材制造设备的所述部件的生成的物理特征和所述一个或多个分类器来确定所述部件的健康状况。
10.根据权利要求9所述的方法，其特征在于，其中，所述一个或多个参数是所述增材制造设备的所述部件的原始数据。
CN202110853171.9A 2020-07-28 2021-07-27 使用物理辅助机器学习模型诊断增材制造设备的系统及方法 Pending CN114001771A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063057554P 2020-07-28 2020-07-28
US63/057,554 2020-07-28

Publications (1)

Publication Number Publication Date
CN114001771A true CN114001771A (zh) 2022-02-01

Family

ID=77358101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110853171.9A Pending CN114001771A (zh) 2020-07-28 2021-07-27 使用物理辅助机器学习模型诊断增材制造设备的系统及方法

Country Status (3)

Country Link
US (3) US11507072B2 (zh)
EP (1) EP3945387A1 (zh)
CN (1) CN114001771A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3945387A1 (en) 2020-07-28 2022-02-02 General Electric Company Systems, and methods for diagnosing an additive manufacturing device using a physics assisted machine learning model
US20230021899A1 (en) * 2021-07-13 2023-01-26 KAIROS, Inc. Dynamically creating three-dimensional object files for components needing to be replaced at point of need

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306804A1 (en) * 2008-06-06 2009-12-10 Inotera Memories, Inc. Method for prognostic maintenance in semiconductor manufacturing equipments
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
US20190005200A1 (en) * 2017-06-28 2019-01-03 General Electric Company Methods and systems for generating a patient digital twin
US20190049929A1 (en) * 2017-08-08 2019-02-14 General Electric Company Systems and methods for selecting and distributing process parameters within a fleet of additive manufacturing machines based on sensor data received during manufacturing processes
US20190090840A1 (en) * 2017-09-28 2019-03-28 General Electric Company X-ray tube bearing failure prediction using digital twin analytics
CN110046716A (zh) * 2017-11-10 2019-07-23 通用电气公司 用以生成资产工作范围的系统、方法和存储介质
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
CN110832614A (zh) * 2017-05-08 2020-02-21 Gkn航空服务有限公司 电子束分析
CN111063026A (zh) * 2019-12-26 2020-04-24 南京悠淼科技有限公司 基于数字孪生的智能生产过程精确建模仿真系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4852018A (en) 1987-01-07 1989-07-25 Trustees Of Boston University Massively parellel real-time network architectures for robots capable of self-calibrating their operating parameters through associative learning
SE524421C2 (sv) 2002-12-19 2004-08-10 Arcam Ab Anordning samt metod för framställande av en tredimensionell produkt
TWI267012B (en) 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
US7872886B2 (en) 2008-02-20 2011-01-18 Virginia Tech Intellectual Properties, Inc. Quasi-parallel voltage regulator
DE102013217422A1 (de) 2013-09-02 2015-03-05 Carl Zeiss Industrielle Messtechnik Gmbh Koordinatenmessgerät und Verfahren zur Vermessung und mindestens teilweisen Erzeugung eines Werkstücks
US9908289B2 (en) 2015-03-11 2018-03-06 Xerox Corporation System and method for correcting object defects formed by a three-dimensional object printing system
DE102016211313A1 (de) 2016-06-23 2017-12-28 Eos Gmbh Electro Optical Systems Automatische Justierung einer Heizungsregelung in einer generativen Schichtbauvorrichtung
KR101974722B1 (ko) 2017-05-26 2019-05-02 전북대학교산학협력단 3차원 적층 가공의 실시간 가공 상태 검사와 보정 장치 및 이를 적용한 방법
EP3945387A1 (en) 2020-07-28 2022-02-02 General Electric Company Systems, and methods for diagnosing an additive manufacturing device using a physics assisted machine learning model

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306804A1 (en) * 2008-06-06 2009-12-10 Inotera Memories, Inc. Method for prognostic maintenance in semiconductor manufacturing equipments
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
CN110832614A (zh) * 2017-05-08 2020-02-21 Gkn航空服务有限公司 电子束分析
US20190005200A1 (en) * 2017-06-28 2019-01-03 General Electric Company Methods and systems for generating a patient digital twin
US20190049929A1 (en) * 2017-08-08 2019-02-14 General Electric Company Systems and methods for selecting and distributing process parameters within a fleet of additive manufacturing machines based on sensor data received during manufacturing processes
US20190090840A1 (en) * 2017-09-28 2019-03-28 General Electric Company X-ray tube bearing failure prediction using digital twin analytics
CN110046716A (zh) * 2017-11-10 2019-07-23 通用电气公司 用以生成资产工作范围的系统、方法和存储介质
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
CN111063026A (zh) * 2019-12-26 2020-04-24 南京悠淼科技有限公司 基于数字孪生的智能生产过程精确建模仿真系统及方法

Also Published As

Publication number Publication date
US20240210930A1 (en) 2024-06-27
US11906955B2 (en) 2024-02-20
US20220035358A1 (en) 2022-02-03
EP3945387A1 (en) 2022-02-02
US20230092383A1 (en) 2023-03-23
US11507072B2 (en) 2022-11-22

Similar Documents

Publication Publication Date Title
US11906955B2 (en) Systems, and methods for diagnosing an additive manufacturing device using a physics assisted machine learning model
EP3769865A1 (en) Devices, systems, and methods for monitoring a powder layer in additive manufacturing processes
US20140265046A1 (en) Laser sintering apparatus and methods
US11951567B2 (en) Systems, and methods for diagnosing an additive manufacturing device
CN106312062B (zh) 一种检验铺粉质量的方法及增材制造设备
CN104023948B (zh) 用于在无模成形中检测缺陷的方法和设备
CN108290219A (zh) 增材制造方法及设备
US11925983B2 (en) Devices, systems, and methods for using an imaging device to calibrate and operate a plurality of electron beam guns in an additive manufacturing system
CN106990114A (zh) 增材制造缺陷检测方法及增材制造装置
US11999102B2 (en) Devices, systems, and methods for monitoring a powder layer in additive manufacturing processes
US20220072649A1 (en) Devices, systems, and methods for encoding and decoding data in an additive manufacturing build chamber
JP7024111B2 (ja) 電子ビーム製造中にビルド品質を監視及び制御するシステム並びに方法
CN206794757U (zh) 增材制造装置
JP2014165607A (ja) 基板処理装置、基板処理装置の監視装置及び基板処理装置の監視方法
EP4144463A1 (en) Apparatus, systems, and methods for monitoring, analyzing, and adjusting additive machine and build health and configuration
US20200306867A1 (en) Additive manufacturing device and additive manufacturing method
US20220395904A1 (en) Devices, systems, and methods for calibrating and maintaining a temperature of materials in an additive manufacturing build chamber
Boone Near Infrared Thermal Imaging for Process Monitoring in Additive Manufacturing
EP4338867A1 (en) Devices, systems, and methods for monitoring a spot quality of an electron beam
US11925981B2 (en) Method, apparatus and control unit for selectively sintering a powder layer in additive manufacturing processes to achieve a future, desired heat conductivity
CN109304871A (zh) 一种铺粉控制方法及其增材制造设备
US20220288696A1 (en) Three-Dimensional Powder Bed Fusion Additive Manufacturing Apparatus and Three-Dimensional Powder Bed Fusion Additive Manufacturing Method
EP4134188A1 (en) System and method for additive manufacturing control
CN114433869A (zh) 用压电晶体监控电子束增材制造的操作
CN116530213A (zh) 电弧炉设备

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