CN114450135A - 用于制造过程的系统、方法和介质 - Google Patents
用于制造过程的系统、方法和介质 Download PDFInfo
- Publication number
- CN114450135A CN114450135A CN202080064310.3A CN202080064310A CN114450135A CN 114450135 A CN114450135 A CN 114450135A CN 202080064310 A CN202080064310 A CN 202080064310A CN 114450135 A CN114450135 A CN 114450135A
- Authority
- CN
- China
- Prior art keywords
- product
- control module
- subsequent
- manufacturing
- quality metric
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims description 45
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000013442 quality metrics Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 17
- 238000010146 3D printing Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000008021 deposition Effects 0.000 claims description 6
- 238000005137 deposition process Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 50
- 230000015654 memory Effects 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 17
- 238000012937 correction Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 239000000306 component Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 206010048669 Terminal state Diseases 0.000 description 6
- 230000004913 activation Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 239000012467 final product Substances 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 238000000151 deposition Methods 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003000 extruded plastic Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis 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
- B29C64/30—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
- B33Y10/00—Processes of additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- G—PHYSICS
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92504—Controlled parameter
- B29C2948/92571—Position, e.g. linear or angular
-
- 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
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92504—Controlled parameter
- B29C2948/9258—Velocity
-
- 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
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92504—Controlled parameter
- B29C2948/9258—Velocity
- B29C2948/926—Flow or feed rate
-
- 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
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92819—Location or phase of control
- B29C2948/92857—Extrusion unit
- B29C2948/92904—Die; Nozzle zone
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/10—Processes of additive manufacturing
- B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
- B29C64/118—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using filamentary material being melted, e.g. fused deposition modelling [FDM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
- B29C64/205—Means for applying layers
- B29C64/209—Heads; Nozzles
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
Abstract
本文公开了一种制造系统。该制造系统包括一个或更多个工位、监控平台和控制模块。一个或更多个工位中的每个工位被配置为在产品的多步骤制造过程中执行至少一个步骤。监控平台被配置为监控产品在整个多步骤制造过程中的进度。控制模块被配置为动态地调整多步骤制造过程中的每个步骤的加工参数,以实现产品期望的最终质量度量。
Description
相关申请的交叉引用
本申请主张2019年9月10日提交的美国临时申请序列号62/898,535的优先权,现将其全部内容通过引用并入本申请。
技术领域
本公开一般涉及用于制造过程的系统、方法和介质。
背景技术
为了安全、及时且以最少的浪费制造出始终符合期望设计规范的产品,通常需要对制造过程进行持续监控和调整。
发明内容
在一些实施例中,本文公开了一种制造系统。制造系统包括一个或更多个加工工位、监控平台和控制模块。一个或更多个加工工位中的每个加工工位配置为在产品的多步骤制造过程中执行至少一个步骤。监控平台被配置为监控产品在整个多步骤制造过程中的进度。控制模块被配置为动态地调整多步骤制造过程中每个步骤的加工参数,以实现产品的期望的最终质量度量。控制模块配置为执行操作。操作包括从监控平台接收与在多步骤制造过程中的步骤处的产品相关联的输入。操作还包括由控制模块基于输入生成产品的状态编码。操作还包括由控制模块基于状态编码和输入而确定最终质量度量不在可接受值的范围内。操作还包括由控制模块基于所述确定来对至少后续加工工位的控制逻辑进行调整。调整包括由后续加工工位执行的纠正动作。
在一些实施例中,本文公开了一种多步骤制造方法。由计算系统从制造系统的监控平台接收加工工位处的产品图像。加工工位可被配置为至少执行多步骤制造过程中的步骤。计算系统基于产品图像生成产品的状态编码。计算系统基于状态编码和产品图像确定产品的最终质量度量不在可接受值的范围内。基于所述确定,由计算系统对至少后续加工工位的控制逻辑进行调整,其中,所述调整包括将由后续加工工位执行的纠正动作。
在一些实施例中,本文公开了一种三维(three-dimensional,3D)打印系统。3D打印系统包括加工工位、监控平台和控制模块。加工工位被配置为沉积多个层以形成产品。监控平台配置为监控产品在整个沉积过程中的进度。控制模块被配置为动态地调整多个层中的每一层的加工参数,以实现产品的期望的最终质量度量。控制模块配置为执行操作。操作包括从监控平台接收已经沉积了层之后的产品图像。操作还包括由控制模块基于产品图像生成产品的状态编码。操作还包括由控制模块基于状态编码和产品图像确定最终质量度量不在可接受值的范围内。操作还包括基于所述确定由控制模块对沉积多个层中的至少后续层的控制逻辑进行调整。调整包括将在沉积后续层期间执行的纠正动作。
附图说明
为了能够详细理解本公开的上述特征,可以通过参考实施例(附图中示出了其中一些实施例)对本公开进行更具体的描述(上文进行了简要概述)。然而,应当注意的是,附图仅示出了本发明的典型实施例,因此不应被视为限制本发明的范围,因为本发明可以允许其他同样有效的实施例。
图1是根据示例实施例示出的制造环境的框图。
图2是根据示例实施例示出的制造环境的预测引擎的框图。
图3是根据示例实施例示出的预测引擎的状态自动编码器的框图。
图4是根据示例实施例示出的用于预测引擎的纠正代理的演员评论家范式(actor-critic paradigm)的框图。
图5是根据示例实施例示出的执行多步骤制造过程的方法的流程图。
图6A根据示例实施例示出了系统总线计算系统架构。
图6B根据示例实施例示出了具有芯片组架构的计算机系统。
为了便于理解,在可能的情况下,使用了相同的参考数字来指定图中常见的相同元素。可以设想的是,在一个实施例中公开的元素可以有益地用于其他实施例,而无需具体叙述。
具体实施方式
制造过程可能很复杂,包括由不同加工工位(或“工位”)加工直到生产出最终产品的原材料。在一些实施例中,每个加工工位接收加工的输入,并可输出中间输出,该中间输出可被传递到随后的(下游)加工工位以进行额外的加工。在一些实施例中,最终加工工位可以接收加工的输入,并且可以输出最终产品,或者更一般地,输出最终输出。
在一些实施例中,每个工位可包括可执行一组加工步骤的一个或更多个工具/设备。示例性加工工位可包括但不限于传送带、注塑机、切割机、冲模机、挤出机、计算机数字控制(computer numerical control,CNC)磨机、研磨机、装配工位、三维打印机、质量控制工位、验证工位等。
在一些实施例中,可由一个或更多个加工控制器管理每个加工工位的操作。在一些实施例中,每个加工工位可包括一个或更多个加工控制器,这些加工控制器可被编程以控制加工工位的操作。在一些实施例中,操作员或控制算法可向工位控制器提供工位控制器设定点,设定点可表示每个控制值的期望值或值的范围。在一些实施例中,在制造过程中用于反馈或前馈的值可称为控制值。示例性控制值可包括但不限于:速度、温度、压力、真空、旋转、电流、电压、功率、粘度、工位处使用的材料/资源、吞吐量、停机时间、有毒烟雾等。
本文描述的一种或更多种技术通常指监控平台,监控平台配置为监控多步骤制造过程中的每个步骤。对于多步骤制造过程中的每个步骤,监控平台可以监控产品的进度,并确定产品的当前状态如何影响与最终产品相关的最终质量度量。通常,最终质量度量是一种无法在多步骤制造过程中的每个步骤测量的度量。示例性最终质量度量可包括但不限于最终产品的抗拉强度、硬度、热性能等。对于某些最终质量度量,如抗拉强度,破坏性试验用于测量此类度量。
本文描述的一种或更多种技术能够使用一种或更多种人工智能技术在多步骤制造过程的每个步骤预测最终质量度量。例如,本文描述的一种或更多种技术可以利用一种或更多种强化算法,以基于处于多步骤制造过程的特定步骤的产品状态来预测最终质量度量。
将强化学习应用到物理环境中并不是一项不重要的任务。一般来说,强化学习不像其他类型的机器学习技术那样有利于真实的物理环境。这可能是因为训练预测模型通常需要的大量的训练示例。在物理环境中,由于制造物理产品的成本和时间,通常很难生成所需数量的训练示例。为了说明该限制,本文提供的一种或更多种技术可以利用无模型强化学习技术(model-free reinforcement learning technique),该技术允许预测模型在被遍历时对环境进行学习。这对物理测量很好,因为该技术需要较少的测量来预测最佳动作。
图1是根据示例实施例示出的制造环境100的框图。制造环境100可以包括制造系统102、监控平台104和控制模块106。制造系统102可以广泛代表多步骤制造系统。在一些实施例中,制造系统102可以表示用于增材制造的制造系统(例如,3D打印系统)。在一些实施例中,制造系统102可以表示用于减材制造的制造系统(例如,CNC机械加工)。在一些实施例中,制造系统102可以表示用于增材制造和减材制造的组合的制造系统。更一般地,在一些实施例中,制造系统102可以表示用于一般制造过程的制造系统。
制造系统102可以包括一个或更多个工位1081-108n(通常称为“工位108”)。每个工位108可以表示多步骤制造过程中的步骤和/或工位。例如,每个工位108可以表示3D打印过程中的层沉积操作(例如,工位1081可以对应于第1层,工位1082可以对应于第2层,等等)。在另一示例中,每个工位108可以对应于特定的加工工位。
每个工位108可以包括加工控制器114和控制逻辑116。每个加工控制器1141-114n可被编程以控制每个相应工位108的操作。在一些实施例中,控制模块106可向每个加工控制器114提供工位控制器设定点,设定点可表示每个控制值的期望值或值的范围。控制逻辑116可参考与工位108的加工步骤相关联的属性/参数。在操作中,根据最终质量度量的当前轨迹,控制模块106可以在整个制造过程中动态地更新每个工位108的控制逻辑116。
监控平台104可被配置为监控制造系统102的每个工位108。在一些实施例中,监控平台104可以是制造系统102的组件。例如,监控平台104可以是3D打印系统的组件。在一些实施例中,监控平台104可以独立于制造系统102。例如,监控平台104可以被改装到现有的制造系统102上。在一些实施例中,监控平台104可以代表成像设备,成像设备配置为捕获在多步骤过程的每个步骤处的产品的图像。例如,监控平台104可被配置为在每个工位108处捕获产品图像。通常,监控平台104可被配置为捕获与产品生产相关联的信息(例如,图像、电压读数、速度读数等),并将信息作为输入提供给控制模块106以供评估。
控制模块106可以通过一个或更多个通信信道与制造系统102和监控平台104进行通信。在一些实施例中,一个或更多个通信信道可以表示经由互联网的单独连接,例如蜂窝网络或Wi-Fi网络。在一些实施例中,一个或更多个通信信道可以使用诸如射频识别(radiofrequency identification,RFID)、近场通信(near-field communication,NFC)、蓝牙TM、低能量蓝牙TM(low-energy Bluetooth,BLE)、Wi-FiTM、ZigBeeTM、环境反向散射通信(ambient backscatter communication,ABC)协议、通用串行总线(Universal SerialBus,USB)、广域网(Wide Area Network,WAN)、或局域网(Local Area Network,LAN)之类的直接连接与终端、服务器和移动设备连接。
控制模块106可被配置为控制制造系统102的每个加工控制器。例如,基于由监控平台104捕获的信息,控制模块106可被配置为对与特定工位108相关联的过程控制进行调整。在一些实施例中,控制模块106可被配置为基于预测的最终质量度量来对特定工位108的过程控制进行调整。
控制模块106可以包括预测引擎112。预测引擎112可以表示一个或更多个经过训练的机器学习模块,以基于多步骤制造过程的每个单独步骤的测量数据来预测产品的最终质量度量。在操作中,控制模块106可以接收来自监控平台104的输入。在一些实施例中,这种输入可以采取在多步骤制造过程的步骤之后产品的当前状态的图像的形式。基于该输入,控制模块106可以预测产品的最终质量度量。根据经预测的产品的最终质量度量,控制模块106可以确定在后续制造步骤中将采取的一个或更多个动作。例如,如果经预测的最终质量度量落在可接受值的范围之外,则控制模块106可以采取一个或更多个动作来校正制造过程。在一些实施例中,控制模块106可以与后续工位108中的工位控制器进行接合,以对这些后续工位108各自的控制和/或工位参数进行调整。这些调整可能有助于纠正制造过程,以便最终质量度量可能在可接受质量度量的范围内。
图2是根据示例性实施例示出的预测引擎112的框图。如图所示,预测引擎112可以包括故障分类器202、状态自动编码器204和纠正代理206。故障分类器202、状态自动编码器204和纠正代理206中的每一个可以包括一个或更多个软件模块。一个或更多个软件模块可以是存储在介质(例如,与控制模块106相关联的计算系统的存储器)上的编码或指令的集合,该集合表示实现一个或更多个算法步骤的一系列机器指令(例如,程序编码)。此类机器指令可以是实际的计算机编码,处理器解析这些实际的计算机编码以实现指令,或者,实际的计算机编码也可以是被解析以获得实际的计算机编码的指令的更高级别的编码。一个或更多个软件模块还可以包括一个或更多个硬件组件。示例算法的一个或更多个方面可以由硬件组件(例如,电路)本身执行,而不是作为指令的结果。此外,在一些实施例中,故障分类器202、状态自动编码器204和纠正代理206中的每一个都可以被配置为在组件之间传输一个或更多个信号。在这样的实施例中,这样的信号可以不限于由计算设备执行的机器指令。
在一些实施例中,故障分类器202、状态自动编码器204和纠正代理206可以经由一个或更多个本地网络205进行通信。网络205可以是任何合适的类型,包括经由互联网的单独连接,例如蜂窝网络或Wi-Fi网络。在一些实施例中,网络205可以使用诸如射频识别(RFID)、近场通信(NFC)、蓝牙TM、低能量蓝牙TM(BLE)、Wi-FiTM、ZigBeeTM、环境反向散射通信(ABC)协议、USB、WAN或LAN之类的直接连接与终端、服务和移动设备连接。由于传输的信息可能是私密的或机密的,出于安全考虑,可能决定对一种或更多种类型连接进行加密或以其他方式进行保护。然而,在一些实施例中,所传输的信息可能不够私密性,因此,可以选择为了方便的网络连接而不是为了安全的网络连接。
故障分类器202可配置为确定是否可以对制造技术采取纠正动作。例如,故障分类器202可以接收来自监控平台104的输入作为输入。基于该输入,故障分类器202可以确定是否存在不可恢复的故障。使用3D打印领域的一个具体示例,当零件可能从3D打印机的热床上脱落时,或当细丝被磨至给料机齿轮无法抓住表面的程度时,层将固有地被错误打印。这通常是无法恢复的故障,因为在后续层上沉积任意数量的塑料都不会影响打印的最终形式。通过这种方式,故障被归类为其当前的有效层不能打印的样本。为了纠正这些情况,一种方法是停止打印检测到故障的区域,使得额外的未熔合塑料不会影响其他样本,从而导致故障级联为批次故障。
在一些实施例中,故障分类器202可以包括经训练以识别何时存在不可恢复故障的卷积神经网络(convolutional neural network,CNN)212。在一些实施例中,CNN 212可以包括用于特征学习的三个卷积层/最大池化层,随后是具有随机丢弃(dropout)的全连接网络,以及执行二进制分类的soft-max激活。在一些实施例中,CNN 212可以在制造步骤开始之前接收产品图像,作为来自监控平台104的输入。基于该图像,CNN 212可被配置为生成指示是否存在不可恢复故障的二进制输出(例如,故障的或无故障的)。
在一些实施例中,可在以下类别上训练CNN 212——故障的或无故障的。训练集可以包括各种产品图像,这些产品图像包括故障产品的特征和无故障产品的特征。在一些实施例中,训练集可以包括每个类的数千个示例。使用3D打印领域中的特定示例,训练集可以包括每个分类的足够数量的实例,因为具有Y(例如,500)层的存档打印可以具有表示可打印层的N个示例以及故障的Y-N个示例,其中,N可以表示打印故障的层。在一些实施例中,给定批次可以包括打印的12个样本,每批次总计6000个图像。可以使用标签收集大量的训练图像集,包括在单个感兴趣区域中视觉识别在其上发生打印故障的层,并相应地分割该数据集。
状态自动编码器204可以被配置为在故障分类器202确定产品没有故障时,为特定产品生成状态编码。例如,状态自动编码器204可被配置为生成代理从其动作的状态。在一些实施例中,状态自动编码器204可以是经训练的用户无监督方法,以便生成代理从其动作的状态。
图3是根据示例实施例示出的状态自动编码器204的框图。如图所示,状态自动编码器204可以包括编码器部分302和解码器部分304。编码器部分302和解码器部分304可以是它们自身的镜像版本,这允许将被训练的权重将信息减少到能够表示图像的核心组成部分的任意维度。
如图所示,编码器部分302可以包括图像306、一个或更多个卷积层308、池化层310和一个或更多个全连接层312。在一些实施例中,图像306可以表示从目标产品或样本的监控平台104接收的输入图像。在一些实施例中,一个或更多个卷积层308可以表示多个卷积层,每个卷积层配置为识别输入图像中存在的某些特征。在通过一个或更多个卷积层308之后,可以将来自一个或更多个卷积层308的输出提供给池化层310。池化层310可以被配置为减小图像的整体尺寸。可以将池化层310的输出提供给一个或更多个全连接层312。在一些实施例中,一个或更多个全连接层312可以表示多个全连接层312。一个或更多个全连接层312可以生成特征向量314作为输出,特征向量314可以用作纠正代理206的状态定义。特征向量314可以是目标样本的一个或更多个高维特征(例如,样本的图像)的经编码的低维表示。经编码的特征向量314可以是固定维度的潜在变量。可以选择特征向量314维度作为神经网络设计过程的一部分,以最佳地表示经编码的潜在空间中的高维特征。
解码器部分304可以被配置为对来自由编码器部分302生成的输出的输入图像进行重构。解码器部分304可以包括一个或更多个全连接层316、一个或更多个上采样层318、一个或更多个反卷积层320以及一个或更多个图像322。一个或更多个全连接层316可以接收来自一个或更多个全连接层312的输入。例如,一个或更多个全连接层316可以从编码器部分302接收去尺度图像数据作为输入。全连接层316可以向一个或更多个上采样层318提供输入。上采样层318可被配置为上采样或增加由全连接层316提供的输入的维度。上采样层318可以将经上采样的图像提供给一个或更多个反卷积层320以生成一个或更多个图像322。
回到图2,由状态自动编码器204生成的特征向量可以作为输入提供给纠正代理206。假设经预测的最终质量度量不在可接受值的范围内,纠正代理206可被配置为基于产品的当前状态预测产品的最终质量度量,并识别将采取的一个或更多个纠正动作。
图4是根据示例实施例示出的用于纠正代理206的演员评论家范式的框图。如图所示,纠正代理206可以包括当前状态402、演员网络(“演员”)404和评论家网络(“评论家”)406。当前状态402可以表示由状态自动编码器204生成的特征向量314。例如,纠正代理206可以接收特征向量314,并且并行地将该特征向量314用作两个独立网络的输入:演员404和评论家406。
演员404可被配置为基于给定的状态定义生成将采取的纠正动作的预测。例如,基于特征向量314,演员404可被配置为基于最终质量度量生成将采取的一个或更多个纠正动作。在一些实施例中,用户可以预先设置将采取的一组可能的允许动作。例如,在3D打印的情况下,将采取的一组允许动作可以包括改变挤出塑料的长度和挤出机头的速度。之所以选择这些动作,是因为它们通常包含在3D打印过程的每次打印移动中,并指示每个指令将挤出的塑料量以及打印头移动的速度。这两个变量都与挤压过程的精度有关。
如图所示,演员404可以包括一个或更多个全连接层408、412和一个或更多个激活函数410、414。在一些实施例中,激活函数410和414可以是双曲tan(tanh)激活函数。作为输出,演员404可被配置为基于如特征向量314所定义的当前的产品状态生成一组动作(例如,奖励集416)。
评论家406可以包括类似于演员404的架构。例如,评论家406可以包括类似的一个或更多个全连接层418、422和类似的一个或更多个激活函数420、424。演员404和评论家406的相同输入的性质可能表明,在并置(concatenation)之前,适当的转换将包含演员404和评论家406的相同的网络架构。演员404和评论家406的架构都可以相应地被设计。对演员404和评论家406采用类似的架构可以使设计过程简单、快速且易于调试。在一些实施例中,后续网络层的尺寸和形状可取决于该并置。来自一个或更多个全连接层418、422的输出可以与由演员404生成的动作集(例如,奖励集416)合并(例如,合并426)。评论家406可以使用该动作集来使用全连接层428和激活函数430对动作轨迹上的质量进行预测(例如,预测432)。
回到图2,预测引擎112可以与数据库208进行通信。数据库208可以存储一个或更多个先前经验210。先前经验210可以表示给定的状态向量所采取的建议动作,以及作为那些建议动作的结果的相应的最终质量度量。以这种方式,预测引擎112可以不断调整其参数,以便了解产品的给定状态将采取哪些动作,这些动作将导致在可接受的最终质量度量的范围内的最终质量度量。
图5是根据示例实施例示出的纠正执行多步骤制造过程的方法500的流程图。方法500可在步骤502处开始。
在步骤502,可向制造系统102提供规范指令集。规范指令集可以表示用于制造过程的指令集。在一些实施例中,可以向每个工位108提供规范指令集。在这样的实施例中,每个规范指令集可以指示与各个工位108对应的特定制造步骤的加工参数。
在步骤504,控制模块106可以确定制造系统102是否处于终端状态。换句话说,控制模块106可以确定制造系统102是否已完成目标产品。如果控制模块106确定制造系统102处于终端状态(即,产品已经被制造),则方法500可以结束。然而,如果控制模块106确定制造系统102未处于终端状态,则方法500可以进入步骤506。
在步骤506,纠正动作可应用于给定的制造步骤。例如,基于由纠正代理206生成的预测,控制模块106可以通知给定的工位108来调整与将应用的纠正动作相对应的一个或更多个加工参数。在一些实施例中,诸如在产品正在经历第一加工步骤的情况下,或者当纠正代理206确定不需要纠正动作时,步骤506可以是可选的。
在步骤508,预测引擎112可以检查在加工步骤结束时的产品。例如,预测引擎112可以从监控平台104接收在特定的加工步骤结束时产品的输入(例如,一个或更多个图像)。使用该输入,故障分类器202可以确定是否存在不可恢复的故障。例如,故障分类器202可以将图像提供给CNN 212,CNN 212经训练以识别图像的各种特征以确定是否存在不可恢复的故障。
在步骤510,预测引擎112可以确定是否存在故障。在步骤510,如果预测引擎112确定存在不可恢复的故障,则制造过程可以终止。然而,在步骤510,如果预测引擎112确定不存在不可恢复的故障,则方法500可以继续到步骤514。
在步骤514,预测引擎112可以为特定的加工步骤生成状态编码。例如,状态自动编码器204可被配置为在故障分类器202确定产品没有故障时,生成制造步骤的状态编码。状态自动编码器204可以基于由监控平台104捕获的接收到的输入(例如,产品的一个或更多个图像)生成状态编码。
在步骤516,预测引擎112可以基于输入和状态编码确定下一工位将采取的纠正动作。例如,假设经预测的最终质量度量不在可接受值的范围内,纠正代理206可被配置为基于产品的当前状态预测产品的最终质量度量,并识别将采取的一个或更多个纠正动作。预测引擎112可以将纠正动作传输至对应于下一加工步骤的相应的过程控制器114。
在步骤516之后,方法500可以返回到步骤504,并且控制模块106可以确定制造系统102是否处于终端状态。如果控制模块106确定制造系统102处于终端状态(即,产品已经被制造),则方法500结束。然而,如果控制模块106确定制造系统102未处于终端状态,则方法500可进入步骤506。
在步骤506,纠正动作可被应用于给定的制造步骤。例如,基于由纠正代理206在步骤516生成的预测,控制模块106可以通知给定的工位108以调整与将被应用的纠正动作相对应的一个或更多个加工参数。
后续过程可以重复,直到控制模块106确定制造系统102处于终端状态。
图6A根据示例实施例示出了系统总线计算系统架构600。系统600的一个或更多个组件可以使用总线605彼此进行电气通信。系统600可以包括处理器(例如,一个或更多个CPU(central processing unit)、GPU(graphics processing unit)或其他类型的处理器)610和系统总线605,系统总线605将包括系统存储器615的各种系统组件(诸如只读存储器(read only memory,ROM)620和随机存取存储器(random access memory,RAM)625)耦合到处理器610。系统600可包括高速存储器的高速缓存,高速存储器与处理器610直接连接、靠近处理器610或集成为处理器610的一部分。系统600可以将数据从存储器615和/或存储设备630复制到高速缓存612,以供处理器610快速访问。以这种方式,高速缓存612可以提供性能提升,该性能提升避免处理器610在等待数据时的延迟。这些和其他模块可以控制或被配置为控制处理器610以执行各种动作。也可以使用其他系统存储器615。存储器615可以包括具有不同性能特征的多种不同类型的存储器。处理器610可以表示单个处理器或多个处理器。处理器610可以包括通用处理器或硬件模块或软件模块中的一个或更多个,诸如存储在存储设备630中的服务1 632、服务2 634和服务3 636,这些服务配置为控制处理器610以及专用处理器,在该专用处理器中,软件指令被纳入实际的处理器设计中。处理器610基本上可以是完全独立的计算系统,包含多个核或处理器、总线、存储器控制器、高速缓存等。多核处理器可以是对称的或非对称的。
为了允许用户与计算设备600交互,输入设备645可以是任意数量的输入机制,诸如用于语音的麦克风、用于手势或图形输入的触摸屏、键盘、鼠标、运动输入、语音等。输出设备635还可以是本领域的技术人员已知的多个输出机制中的一个或更多个输出机制。在一些实例中,多模式系统可使用户能够提供多种类型的输入以与计算设备600通信。通信接口640通常可以管理和完成用户输入和系统输出。对任意特定硬件配置的操作没有限制,因此,在开发过程中,本文的基本特征可以很容易地替代改进的硬件或固件配置。
存储设备630可以是可以存储计算机可访问数据的非易失性存储器,也可以是硬盘或其他类型的计算机可读介质,诸如盒式磁带、闪存卡、固态存储设备、数字多功能磁盘、盒式磁带、随机存取存储器(RAM)625、只读存储器(ROM)620,以及它们的混合体。
存储设备630可以包括用于控制处理器610的服务632、634和636。还考虑了其他硬件模块或软件模块。存储设备630可以被连接到系统总线605。在一个方面中,执行特定功能的硬件模块可以包括存储在计算机可读介质中的软件组件,该软件组件与执行该功能所需的硬件组件(诸如处理器610、总线605、显示器635等)相连接。
图6B根据示例实施例示出了具有芯片组架构的计算机系统650。计算机系统650可以是可用于实现所公开技术的计算机硬件、软件和固件的示例。系统650可以包括一个或更多个处理器655,表示任意数量的在物理上和/或逻辑上不同的资源,这些资源能够执行配置为进行识别计算的软件、固件和硬件。一个或更多个处理器655可以与芯片组660通信,芯片组660可以控制来自一个或更多个处理器655的输入和输出。在该示例中,芯片组660将信息输出到输出665(诸如显示器),并且可以将信息读取并写入到存储设备670,存储设备670可以包括例如磁性介质和固态介质。芯片组660还可以从RAM 675读取数据并将数据写入RAM 675。可以提供与各种用户接口组件685接合的桥接器680,以与芯片组660接合。这样的用户界面组件685可以包括键盘、麦克风、触摸检测和处理电路、诸如鼠标的指向设备、等等。一般来说,系统650的输入可以来自机器生成的和/或人工生成的各种来源中的任意一种。
芯片组660还可以与一个或更多个可以具有不同物理接口的通信接口690接合。这样的通信接口可以包括用于有线局域网和无线局域网、宽带无线网络以及个人区域网的接口。本文公开的用于生成、显示和使用图形用户界面(Graphical User Interface,GUI)的方法的一些应用可以包括通过物理接口接收有序数据集,或者这些方法的一些应用可以通过一个或更多个处理器655分析存储在存储器670或675中的数据由机器本身生成。此外,机器可以通过用户接口组件685接收来自用户的输入,并通过使用一个或更多个处理器655解析这些输入来执行适当的功能,诸如浏览功能。
可以理解的是,示例系统600和650可以具有多于一个处理器610,或者示例系统600和650是联网在一起以提供更强大处理能力的计算设备组或集群的一部分。
尽管前述内容用于本文描述的实施例,但在不脱离本发明的基本范围的情况下,可以设计其他的和进一步的实施例。例如,可以在硬件或软件或硬件和软件的组合来实现本公开的方面。本文描述的一个实施例可以实现为与计算机系统一起使用的程序产品。程序产品的程序定义了实施例的功能(包括本文描述的方法),并且程序产品的程序可以被包含在各种计算机可读存储介质上。说明性计算机可读存储介质包括但不限于:(i)在其上永久存储信息的不可写存储介质(例如,计算机内的只读存储器(ROM)设备,诸如由只读光盘(Compact Disc Read-Only Memory,CD-ROM)驱动器、闪存、ROM芯片或任意类型的固态非易失性存储器读取的CD-ROM磁盘);以及(ii)在其上存储可变信息的可写存储介质(例如,磁盘驱动器或硬盘驱动器或任意类型的固态随机存取存储器中的软盘)。当携带管理所公开实施例的功能的计算机可读指令时,这些存储介质是本公开的实施例。
本领域的技术人员将理解的是,前面的示例是示例性的,而不是限制性的。本领域的技术人员在阅读说明书和附图研究后,旨在将所有置换、增强、等效物及其改进显而易见地包括在本公开的真正的精神和范围内。因此,以下所附权利要求旨在包括落入这些教导的真正的精神和范围内的所有这样的修改、置换和等效物。
Claims (20)
1.一种制造系统,包括:
一个或更多个工位,每个工位配置为在产品的多步骤制造过程中执行至少一个步骤;
监控平台,配置为监控所述产品在整个所述多步骤制造过程中的进度;以及
控制模块,配置为动态地调整所述多步骤制造过程中每个步骤的加工参数,以实现产品的期望的最终质量度量,所述控制模块配置为执行操作,所述操作包括:
从所述监控平台接收与在所述多步骤制造过程的步骤中的所述产品相关联的输入;
由所述控制模块基于所述输入生成所述产品的状态编码;
由所述控制模块基于所述状态编码和产品图像来确定所述最终质量度量不在可接受值的范围内;以及
基于所述确定,由所述控制模块对至少后续工位的控制逻辑进行调整,其中,所述调整包括将由所述后续工位执行的纠正动作。
2.根据权利要求1所述的制造系统,其中,在所述产品加工完成之前无法测量所述最终质量度量。
3.根据权利要求1所述的制造系统,其中,由所述控制模块对至少所述后续工位的控制逻辑进行调整,包括:
识别所述后续工位将执行的所述纠正动作;以及
基于所述纠正动作和所述状态编码预测所述最终质量度量。
4.根据权利要求1所述的制造系统,其中,所述操作还包括:
由所述控制模块基于所述输入确定是否存在不可恢复的故障。
5.根据权利要求4所述的制造系统,其中,所述输入包括图像,并且其中,所述控制模块使用卷积神经网络确定存在所述不可恢复的故障。
6.根据权利要求1所述的制造系统,其中,由所述控制模块对至少所述后续工位的控制逻辑进行调整,包括:
调整进一步的后续工位的进一步的控制逻辑。
7.根据权利要求1所述的制造系统,其中,所述一个或更多个加工工位中的每一个加工工位对应于3D打印过程中的层沉积。
8.一种多步骤制造方法,包括:
由计算系统从制造系统的监控平台接收位于一个或更多个工位中的一个工位处的产品图像,每个工位配置为执行多步骤制造过程的步骤;
由所述计算系统基于所述产品图像生成所述产品的状态编码;
由所述计算系统基于所述状态编码和所述产品图像确定所述产品的最终质量度量不在可接受值的范围内;以及
基于所述确定,由所述计算系统对至少后续工位的控制逻辑进行调整,其中,所述调整包括将由所述后续工位执行的纠正动作。
9.根据权利要求8所述的多步骤制造方法,其中,在所述产品加工完成之前无法测量所述最终质量度量。
10.根据权利要求8所述的多步骤制造方法,其中,由所述计算系统对至少所述后续工位的控制逻辑进行调整,包括:
识别所述后续工位将采取的纠正动作;以及
基于所述纠正动作和所述状态编码预测所述最终质量度量。
11.根据权利要求8所述的多步骤制造方法,还包括:
由所述计算系统基于所述图像确定是否存在不可恢复的故障。
12.根据权利要求11所述的多步骤制造方法,其中,所述计算系统使用卷积神经网络确定存在不可恢复的故障。
13.根据权利要求8所述的多步骤制造方法,其中,由所述计算系统对至少所述后续工位的控制逻辑进行调整,包括:
调整进一步的后续工位的进一步的控制逻辑。
14.根据权利要求8所述的多步骤制造方法,其中,所述一个或更多个工位中的每一个工位对应于3D打印过程中的层沉积。
15.一种三维3D打印系统,包括:
加工工位,配置为沉积多个层以形成产品;
监控平台,配置为监控所述产品在整个沉积过程中的进度;以及
控制模块,配置为动态地调整所述多个层中的每一层的加工参数,以实现所述产品的期望的最终质量度量,所述控制模块配置为执行操作,所述操作包括:
从所述监控平台接收已经沉积了层之后的产品图像;
由所述控制模块基于所述产品图像生成所述产品的状态编码;
由所述控制模块基于所述状态编码和所述产品图像确定所述最终质量度量不在可接受值的范围内;以及
基于所述确定,由所述控制模块对沉积所述多个层中的至少后续层的控制逻辑进行调整,其中,所述调整包括将在所述后续层沉积期间执行的纠正动作。
16.根据权利要求15所述的系统,其中,在所述产品加工完成之前无法测量所述最终质量度量。
17.根据权利要求15所述的系统,其中,由所述控制模块对沉积至少所述后续层的所述控制逻辑进行调整,包括:
识别在所述后续层沉积期间将执行的所述纠正动作;以及
基于所述纠正动作和所述状态编码预测所述最终质量度量。
18.根据权利要求15所述的系统,还包括:
由所述控制模块基于所述图像确定是否存在不可恢复的故障。
19.根据权利要求18所述的系统,其中,所述控制模块使用卷积神经网络确定存在所述不可恢复的故障。
20.根据权利要求15所述的系统,其中,由所述计算系统对沉积至少所述后续层的控制逻辑进行调整,包括:
调整进一步的后续层的进一步的控制逻辑。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962898535P | 2019-09-10 | 2019-09-10 | |
US62/898,535 | 2019-09-10 | ||
PCT/US2020/049886 WO2021050508A1 (en) | 2019-09-10 | 2020-09-09 | Systems, methods, and media for manufacturing processes |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114450135A true CN114450135A (zh) | 2022-05-06 |
Family
ID=74849976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080064310.3A Pending CN114450135A (zh) | 2019-09-10 | 2020-09-09 | 用于制造过程的系统、方法和介质 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11117328B2 (zh) |
EP (1) | EP4028228A4 (zh) |
KR (1) | KR20220054673A (zh) |
CN (1) | CN114450135A (zh) |
TW (3) | TWI764272B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114641386A (zh) * | 2019-11-07 | 2022-06-17 | 纳米电子成像有限公司 | 用于制造过程的系统、方法和介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210192779A1 (en) * | 2019-11-06 | 2021-06-24 | Nanotronics Imaging, Inc. | Systems, Methods, and Media for Manufacturing Processes |
US20210311440A1 (en) * | 2019-11-06 | 2021-10-07 | Nanotronics Imaging, Inc. | Systems, Methods, and Media for Manufacturing Processes |
US20210132593A1 (en) * | 2019-11-06 | 2021-05-06 | Nanotronics Imaging, Inc. | Systems, Methods, and Media for Manufacturing Processes |
KR20220133712A (ko) * | 2021-03-25 | 2022-10-05 | 현대자동차주식회사 | 차량의 품질 관리 시스템 및 그 방법 |
WO2023107092A1 (en) * | 2021-12-06 | 2023-06-15 | Hewlett-Packard Development Company, L.P. | Manufacturing powder predictions |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102754035A (zh) * | 2010-02-19 | 2012-10-24 | Asml荷兰有限公司 | 光刻设备和器件制造方法 |
CN107498874A (zh) * | 2017-09-21 | 2017-12-22 | 杭州捷诺飞生物科技股份有限公司 | 三维打印同步微层析成像在线监控方法及系统 |
WO2018127827A1 (en) * | 2017-01-05 | 2018-07-12 | Yona Itamar Izhak | Systems and methods for automatic three-dimensional object printing |
CN108883575A (zh) * | 2016-02-18 | 2018-11-23 | 维洛3D公司 | 准确的三维打印 |
US20190004079A1 (en) * | 2017-06-30 | 2019-01-03 | General Electric Company | Systems and method for advanced additive manufacturing |
US20190105801A1 (en) * | 2017-10-11 | 2019-04-11 | Caterpillar Inc. | Monitoring system for three-dimensional printing |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1129509B (it) | 1980-01-14 | 1986-06-04 | Tasco Spa | Procedimento ed apparecchiatura per il ritrovamento in tempo reale di difetti in oggetti industriali |
DE3750285T2 (de) | 1986-10-03 | 1995-03-30 | Omron Tateisi Electronics Co | Gerät zur Untersuchung einer elektronischen Vorrichtung in fester Baugruppe. |
US5815198A (en) | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
US6266436B1 (en) | 1999-04-09 | 2001-07-24 | Kimberly-Clark Worldwide, Inc. | Process control using multiple detections |
US6847854B2 (en) | 2001-08-10 | 2005-01-25 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US7032816B2 (en) | 2001-12-28 | 2006-04-25 | Kimberly-Clark Worldwide, Inc. | Communication between machines and feed-forward control in event-based product manufacturing |
US7202793B2 (en) | 2002-10-11 | 2007-04-10 | Attention Technologies, Inc. | Apparatus and method of monitoring a subject and providing feedback thereto |
US8909926B2 (en) | 2002-10-21 | 2014-12-09 | Rockwell Automation Technologies, Inc. | System and methodology providing automation security analysis, validation, and learning in an industrial controller environment |
US8103087B2 (en) | 2006-01-20 | 2012-01-24 | Hitachi High-Technologies Corporation | Fault inspection method |
US8131055B2 (en) | 2008-01-31 | 2012-03-06 | Caterpillar Inc. | System and method for assembly inspection |
DE112009005510A5 (de) | 2008-01-31 | 2013-06-20 | Fisher-Rosemount Systems, Inc. | Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung |
US7974723B2 (en) | 2008-03-06 | 2011-07-05 | Applied Materials, Inc. | Yield prediction feedback for controlling an equipment engineering system |
WO2012000650A1 (en) | 2010-06-28 | 2012-01-05 | Precitec Kg | A method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same |
US20150009301A1 (en) | 2012-01-31 | 2015-01-08 | 3M Innovative Properties Company | Method and apparatus for measuring the three dimensional structure of a surface |
EP2965286A1 (en) | 2013-03-04 | 2016-01-13 | Rite-Hite Holding Corporation | Methods and apparatus for video based process monitoring and control |
US10386827B2 (en) | 2013-03-04 | 2019-08-20 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics platform |
US9056422B2 (en) * | 2013-04-09 | 2015-06-16 | Massachusetts Institute Of Technology | Methods and apparatus for encoded textures |
US9855698B2 (en) | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US20150184549A1 (en) | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
TWI526797B (zh) | 2014-09-02 | 2016-03-21 | 三緯國際立體列印科技股份有限公司 | 立體列印裝置的校正裝置以及校正方法 |
JP6751871B2 (ja) | 2014-11-25 | 2020-09-09 | ピーディーエフ ソリューションズ,インコーポレイテッド | 半導体製造プロセスのための改善されたプロセス制御技術 |
US10421267B2 (en) | 2015-02-12 | 2019-09-24 | Arevo, Inc. | Method to monitor additive manufacturing process for detection and in-situ correction of defects |
US10805538B2 (en) | 2015-12-16 | 2020-10-13 | Martineau & Associates, Inc. | Method and apparatus for remanent imaging control |
US10234848B2 (en) * | 2017-05-24 | 2019-03-19 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
US11511373B2 (en) | 2017-08-25 | 2022-11-29 | Massachusetts Institute Of Technology | Sensing and control of additive manufacturing processes |
US10394229B2 (en) | 2017-09-27 | 2019-08-27 | International Business Machines Corporation | Orchestration of learning and execution of model predictive control tool for manufacturing processes |
WO2019125970A1 (en) * | 2017-12-20 | 2019-06-27 | Moog Inc. | Convolutional neural network evaluation of additive manufacturing images, and additive manufacturing system based thereon |
KR20200124304A (ko) | 2018-03-20 | 2020-11-02 | 도쿄엘렉트론가부시키가이샤 | 통합형 종단간 자기 정렬 다중 패터닝 공정을 위한 플랫폼 및 작업 방법 |
US10518480B2 (en) | 2018-04-02 | 2019-12-31 | Nanotronics Imaging, Inc. | Systems, methods, and media for artificial intelligence feedback control in additive manufacturing |
US11084225B2 (en) | 2018-04-02 | 2021-08-10 | Nanotronics Imaging, Inc. | Systems, methods, and media for artificial intelligence process control in additive manufacturing |
US10930531B2 (en) | 2018-10-09 | 2021-02-23 | Applied Materials, Inc. | Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes |
JP7103274B2 (ja) * | 2019-02-28 | 2022-07-20 | 日本電信電話株式会社 | 検知装置及び検知プログラム |
US10481579B1 (en) | 2019-02-28 | 2019-11-19 | Nanotronics Imaging, Inc. | Dynamic training for assembly lines |
-
2020
- 2020-09-09 CN CN202080064310.3A patent/CN114450135A/zh active Pending
- 2020-09-09 EP EP20864085.4A patent/EP4028228A4/en active Pending
- 2020-09-09 US US17/015,674 patent/US11117328B2/en active Active
- 2020-09-09 KR KR1020227011079A patent/KR20220054673A/ko not_active Application Discontinuation
- 2020-09-10 TW TW109131190A patent/TWI764272B/zh active
- 2020-09-10 TW TW112138756A patent/TW202402507A/zh unknown
- 2020-09-10 TW TW111114008A patent/TWI821985B/zh active
-
2021
- 2021-09-08 US US17/447,144 patent/US20210394456A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102754035A (zh) * | 2010-02-19 | 2012-10-24 | Asml荷兰有限公司 | 光刻设备和器件制造方法 |
CN108883575A (zh) * | 2016-02-18 | 2018-11-23 | 维洛3D公司 | 准确的三维打印 |
WO2018127827A1 (en) * | 2017-01-05 | 2018-07-12 | Yona Itamar Izhak | Systems and methods for automatic three-dimensional object printing |
US20190004079A1 (en) * | 2017-06-30 | 2019-01-03 | General Electric Company | Systems and method for advanced additive manufacturing |
CN107498874A (zh) * | 2017-09-21 | 2017-12-22 | 杭州捷诺飞生物科技股份有限公司 | 三维打印同步微层析成像在线监控方法及系统 |
US20190105801A1 (en) * | 2017-10-11 | 2019-04-11 | Caterpillar Inc. | Monitoring system for three-dimensional printing |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114641386A (zh) * | 2019-11-07 | 2022-06-17 | 纳米电子成像有限公司 | 用于制造过程的系统、方法和介质 |
Also Published As
Publication number | Publication date |
---|---|
US11117328B2 (en) | 2021-09-14 |
TWI821985B (zh) | 2023-11-11 |
TW202402507A (zh) | 2024-01-16 |
EP4028228A4 (en) | 2023-09-27 |
US20210069990A1 (en) | 2021-03-11 |
TW202228992A (zh) | 2022-08-01 |
TWI764272B (zh) | 2022-05-11 |
US20210394456A1 (en) | 2021-12-23 |
KR20220054673A (ko) | 2022-05-03 |
EP4028228A1 (en) | 2022-07-20 |
TW202126473A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI764272B (zh) | 製造系統、多步驟製造方法及三維列印系統 | |
JP2023113719A (ja) | 製造プロセスのためのシステム、方法、および媒体 | |
JP7320885B2 (ja) | 製造プロセスのためのシステム、方法、および媒体 | |
TWI823382B (zh) | 用於增材或減材製造程序之系統、方法及媒介 | |
JP7320884B2 (ja) | 製造プロセスのためのシステム、方法、および媒体 | |
TWI847645B (zh) | 用於校正製造程序之系統、方法及非暫態電腦可讀媒體 | |
TWI801820B (zh) | 用於製造流程之系統及方法 | |
JP7517740B2 (ja) | 製造プロセスのためのシステム、方法、および媒体 |
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 |