CN114641386A - 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
- CN114641386A CN114641386A CN202080077361.XA CN202080077361A CN114641386A CN 114641386 A CN114641386 A CN 114641386A CN 202080077361 A CN202080077361 A CN 202080077361A CN 114641386 A CN114641386 A CN 114641386A
- Authority
- CN
- China
- Prior art keywords
- component
- control module
- manufacturing
- station
- 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 108
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013442 quality metrics Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 50
- 230000009471 action Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 13
- 238000010146 3D printing Methods 0.000 claims description 11
- 238000000151 deposition Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000008021 deposition Effects 0.000 claims description 6
- 238000007639 printing Methods 0.000 claims description 6
- 238000005137 deposition process Methods 0.000 claims description 2
- 239000000306 component Substances 0.000 description 69
- 239000003795 chemical substances by application Substances 0.000 description 18
- 238000012937 correction Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 206010048669 Terminal state Diseases 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000004033 plastic Substances 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
- 238000005259 measurement Methods 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
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000007613 environmental effect Effects 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
- 238000000227 grinding Methods 0.000 description 1
- 231100001261 hazardous Toxicity 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
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 230000009466 transformation 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
- B29C64/30—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
- 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
- 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
- B22F12/80—Plants, production lines or modules
- B22F12/82—Combination of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/86—Serial processing with multiple devices grouped
-
- 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
- G06N3/02—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y10/00—Processes of additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- G—PHYSICS
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Magnetic Heads (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Game Rules And Presentations Of Slot Machines (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本文公开了一种制造系统。该制造系统可以包括监测平台、控制模块以及一个或更多个站。每个站被配置为执行部件的多步骤制造过程中的至少一个步骤。监测平台被配置为监测部件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的每个步骤的处理参数,以实现部件的期望的最终质量度量。
Description
相关申请的交叉引用
本申请要求于2019年11月7日提交的美国临时申请序列号No.62/932,043的优先权,其全部内容通过引用并入本文。
技术领域
本公开总体上涉及一种用于制造过程的系统、方法和介质。
背景技术
为了安全、及时地并且以最少的浪费来制造始终符合所期望的设计规格的部件,通常需要对制造过程进行持续的监测和调整。
发明内容
在一些实施例中,本文公开了一种制造系统。该制造系统可以包括监测平台、控制模块以及一个或更多个站。每个站被配置为在部件的多步骤制造过程中执行至少一个步骤。监测平台被配置成监测部件在整个多步骤制造过程中的进度。控制模块被配置为动态调整多步骤制造过程的每个步骤的处理参数,以实现部件的期望的最终质量度量。控制模块被配置为执行操作。操作包括在多步骤制造过程的步骤处从监测平台接收与部件相关联的输入。操作还包括由控制模块确定多个步骤中的至少第一步骤没有经历不可恢复故障,并且确定多个步骤中的至少第二步骤已经经历不可恢复故障。该操作进一步包括:基于该确定,由控制模块基于输入生成用于部件的状态编码。操作还包括由控制模块基于部件的状态编码和输入来确定最终质量度量不在可接受值的范围内。该操作还包括:基于该确定,由控制模块调整用于至少一个后续站的控制逻辑,其中,该调整包括将由后续站执行的校正动作和用于停止至少第二步骤的处理的指令。
在一些实施例中,本文公开了一种多步骤制造方法。计算系统从制造系统的监测平台接收一个或更多个站中的站的部件的图像。每个站被配置成执行多步骤制造过程的步骤。计算系统确定多个步骤中的至少一个步骤没有经历不可恢复故障,并且确定多个步骤中的至少第二步骤已经经历不可恢复故障。基于该确定,计算系统基于部件的图像来生成部件的状态编码。计算系统基于部件的状态编码和图像来确定部件的最终质量度量不在可接受值的范围内。基于该确定,计算系统调整用于至少一个后续站的控制逻辑。该调整包括将由后续站执行的校正动作和停止至少第二步骤的处理的指令。
在一些实施例中,本文公开了一种三维(3D)打印系统。该三维打印系统包括处理站、监测平台和控制模块。该处理站被配置成沉积多个层以形成部件。监测平台被配置为监测部件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个层的处理参数以实现部件的期望的最终质量度量。控制模块被配置为执行操作。操作包括在已经沉积层之后从监测平台接收部件的图像。操作还包括由控制模块确定多个步骤中的至少第一步骤没有经历不可恢复故障,并且多个步骤中的至少第二步骤已经经历不可恢复故障。操作还包括由控制模块基于部件的图像来生成部件的状态编码。操作还包括由控制模块基于部件的状态编码和图像来确定最终质量度量不在可接受值的范围内。该操作进一步包括:基于该确定,由该控制模块调整用于沉积多个层中的至少一个后续层的控制逻辑。该调整包括将在后续层的沉积期间执行的校正动作和停止至少第二步骤的处理的指令。
附图说明
为了可以详细理解本公开的上述特征所阐述的方式,可以参考实施例(在附图中展示了这些实施例中的一些实施例)得到以上简要概述的本公开的更具体描述。然而,应注意,附图仅说明本公开的典型实施例,且因此不应视为限制其范围,因为本公开可允许其他等效实施例。
图1是示出根据示例实施例的制造环境的框图。
图2是示出根据示例实施例的制造环境的预测引擎的框图。
图3是示出根据示例实施例的预测引擎的状态自动编码器的架构的框图。
图4是示出根据示例实施例的用于预测引擎的校正代理的演员-评论家范例的架构的框图。
图5是示出根据示例实施例的执行多步骤制造过程的方法的流程图。
图6A示出了根据示例实施例的系统总线计算系统架构。
图6B示出了根据示例实施例的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,已经使用相同的附图标记来指代这些附图共有的相同元件。预期在一个实施例中公开的元件可有益地用于其他实施例而无需具体叙述。
具体实施方式
本文描述的一种或更多种技术总体上针对一种监测平台,该监测平台被配置成监测多步骤制造过程的每个步骤。对于多步骤制造过程的每个步骤,监测平台可以监测部件的进度并且确定部件的当前状态如何影响与最终部件相关联的最终质量度量。通常,最终质量度量是在多步骤制造过程的每个步骤中不能被测量的度量。示例性最终质量度量可以包括但不限于最终部件的拉伸强度、硬度、热性质等。对于某些最终质量度量(诸如拉伸强度),破坏性测试被用于测量这样的度量。
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处预记最终质量度量。例如,本文所描述的一个或更多个技术可以利用一个或更多个强化算法来基于多步骤制造过程的特定步骤处的部件的状态来预记最终质量度量。
进一步地,本文提供的一种或更多种技术可以包括用于检测是否存在不可恢复故障的机制。例如,在给定处理站处处理部件之后,本系统可以包括用于分析部件以确定是否存在不可恢复故障的机制。然而,不是在整个部件上提供二进制输出(例如,存在故障、不存在故障),本系统可以包括对用于制造部件的多个步骤中的每个步骤进行故障确定的一个或更多个机器学习技术。
将强化学习应用于物理环境不是容易解决的任务。一般而言,强化学习不像其他类型的机器学习技术那样有益于真实的物理环境。这可归因于训练预测模型通常需要的大量训练示例。在物理环境中,由于制造物理部件的成本和时间,经常难以生成必需数量的训练示例。为了解决这一限制,本文提供的一个或更多个技术可利用无模型强化学习技术,该技术允许预测模型在遍历环境时学习环境。这对于物理测量表现良好,因为它需要较少的测量来预测最佳动作。
制造过程可能是复杂的并且包括由不同的处理站(或“站”)处理直到生产最终部件的原材料。在一些实施例中,每个处理站接收用于处理的输入并且可以输出中间输出,该中间输出可以被传递到后续(下游)处理站以用于另外的处理。在一些实施例中,最终处理站可接收用于处理的输入并且可输出最终部件或更一般地输出最终输出。
在一些实施例中,每个站可以包括一个或更多个工具/设备,该一个或更多个工具/设备可以执行一组处理步骤。示例性处理站可以包括但不限于传送带、注射模制机、切割机、冲模机、挤出机、计算机数控(CNC)铣床、研磨机、组装站、三维打印机、质量控制站、验证站等。
在一些实施例中,每个处理站的操作可以由一个或更多个过程控制器管理。在一些实施例中,每个处理站可包括一个或更多个过程控制器,所述过程控制器可被编程以控制处理站的操作。在一些实施例中,操作员或控制算法可以为站控制器提供站控制器设定点,该站控制器设定点可以表示每个控制值的期望值或值的范围。在一些实施例中,用于制造过程中的反馈或前馈的值可以被称为控制值。示例性控制值可以包括但不限于:速度、温度、压力、真空度、旋转、电流、电压、功率、粘度、在站处使用的材料/资源、吞吐速率、中断时间、有害烟雾等。
在一些实施例中,部件可以指制造过程的输出。例如,制造过程的输出可以是作为移动设备的一部分的电路板、作为移动设备的一部分的屏幕、和/或完整的移动设备。
图1是示出根据示例实施例的制造环境100的框图。制造环境100可以包括制造系统102、监测平台104和控制模块106。制造系统102可以广泛地表示多步骤制造系统。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可以表示在减材制造(例如,CNC机械加工)中使用的制造系统。在一些实施例中,制造系统102可以表示在增材制造和减材制造的组合中使用的制造系统。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站1081-108n(通常,“站108”)。每个站108可以表示多步骤制造过程中的步骤和/或站。例如,每个站108可以表示3D打印过程中的层沉积操作(例如,站1081可以对应于层1,站1082可以对应于层2等)。在另一实例中,每个站108可对应于特定处理站。在一些实施例中,部件的制造过程可以包括多个步骤。在一些实施例中,多个步骤可以包括步骤的有序序列。在一些实施例中,这多个步骤可包括步骤的无序(例如,随机或伪随机)序列。
每个站108可以包括过程控制器114和控制逻辑116。每个过程控制器1141-114n可被编程以控制每个相应站108的操作。在一些实施例中,控制模块106可给每个过程控制器114提供站控制器设定点,该站控制器设定点可表示用于每个控制值的期望值或值的范围。控制逻辑116可参考与站108的处理步骤相关联的属性/参数。在操作中,取决于最终质量度量的当前轨迹,可以由控制模块106在整个制造过程中动态地更新用于每个站108的控制逻辑116。
监测平台104可以配置成监测制造系统102的每个站108。在一些实施例中,监测平台104可以是制造系统102的部件。例如,监测平台104可以是3D打印系统的部件。在一些实施例中,监测平台104可以独立于制造系统102。例如,监测平台104可以改装到现有制造系统102上。在一些实施例中,监测平台104可表示配置成在多步骤过程的每个步骤捕获部件的图像的成像设备。例如,监测平台104可配置成在每个站108处捕获部件的图像。通常,监测平台104可以被配置为捕获与部件的生产相关联的信息(例如,图像、电压读数、速度读数等),并且将该信息作为输入提供给控制模块106用于评估。
控制模块106可以经由一个或更多个通信信道与制造系统102和监测平台104通信。在一些实施例中,一个或更多个通信信道可表示经由互联网的各个连接(诸如蜂窝或Wi-Fi网络)。在一些实施方式中,一个或更多个通信信道可使用诸如射频识别(RFID)、近场通信(NFC)、蓝牙TM、低能量蓝牙TM(BLE)、Wi-FiTM、紫蜂(ZigBeeTM)、环境后向散射通信(ABC)协议、USB、WAN或LAN等的直接连接来连接终端、服务和移动设备。
控制模块106可以被配置为控制制造系统102的每个过程控制器。例如,基于由监测平台104捕获的信息,控制模块106可以被配置为调整与特定站108或处理步骤相关联的过程控制。在一些实施例中,控制模块106可配置成基于预计的最终质量度量来调整特定站108的过程控制或处理步骤。
控制模块106可包括预测引擎112。预测引擎112可表示一个或更多个机器学习模块,该一个或更多个机器学习模块被训练成基于多步骤制造过程的每个单独步骤处的测量数据来预计部件的最终质量度量。在操作中,控制模块106可以从监测平台104接收输入。在一些实施例中,这样的输入可以采取在多步骤制造过程的步骤之后的部件的当前状态的图像的形式。基于该输入,控制模块106可以预计部件的最终质量度量。根据部件的预计最终质量度量,控制模块106可以确定在后续制造步骤中要采取的一个或更多个动作。例如,如果预计的最终质量度量落在可接受值的范围之外,则控制模块106可采取一个或更多个动作以纠正制造过程。在一些实施例中,控制模块106可以与后续站108中的站控制器连接,以调整它们相应的控制参数和/或站参数。这些调整可有助于校正制造过程,使得最终质量度量可在可接受质量度量的范围内。
图2是示出根据示例性实施例的预测引擎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和校正代理206。故障分类器202、状态自动编码器204和校正代理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)上的代码或指令的集合,该集合表示实施一个或更多个算法步骤的一系列机器指令(例如,程序代码)。这样的机器指令可以是处理器解释以实现指令的实际计算机代码,或者可替换地,可以是被解释以获得实际计算机代码的指令的更高级编码。一个或更多个软件模块还可以包括一个或更多个硬件部件。示例算法的一个或更多个方面可由硬件部件(例如,电路)本身执行,而不是作为指令的结果。进一步地,在一些实施例中,故障分类器202、状态自动编码器204和校正代理206中的每一个可以被配置为在部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和校正代理206可以经由一个或更多个本地网络205通信。网络205可以是任何合适的类型,包括经由互联网的各个连接(诸如蜂窝或Wi-Fi网络)。在一些实施例中,网络205可以使用直接连接(如射频识别(RFID)、近场通信(NFC)、蓝牙TM、低能量蓝牙TM(BLE)、Wi-FiTM、ZigBeeTM、环境后向散射通信(ABC)协议、USB、WAN、或LAN)连接终端、服务、和移动设备。由于所传输的信息可以是私密的或机密的,安全问题可规定这些类型的连接中的一个或更多个被加密或以其他方式被保护。然而,在一些实施例中,所传输的信息可能不太私密,且因此,为了方便而不是安全,可选择网络连接。
故障分类器202可以被配置成确定对制造技术的校正动作是否可能。例如,故障分类器202可以从监测平台104接收输入作为输入。基于该输入,故障分类器202可以确定是否存在不可恢复故障。使用3D打印领域中的特定示例,当零件可能从3D打印机的热床中移出或细丝被打磨至进给齿轮不能抓握表面的程度时,层将固有地被错误打印。这通常是不可恢复故障,因为在后续层上沉积任何量的塑料不会影响印刷的最终形式。以这种方式,故障被分类为在其当前活性层上不能印刷的样品。为了校正这些情况,一种方法是停止印刷其中检测到故障的区域,使得另外的未熔合的塑料将不影响其他样品并且不会导致该故障级联成批次故障。
在一些实施例中,故障分类器202可以被配置成识别部件的一部分是否已经存在故障。例如,在一些制造过程中,部件可以包括若干处理步骤(例如,3D打印过程)。在此类实施例中,对于步骤的子集可存在故障,而其余步骤保持内联以用于下游处理。通常,在确定整个部件已经经历故障(即,存在故障的若干步骤和不存在故障的其余步骤)时,系统将受到限制。故障分类器202通过提供允许故障分类器202识别多个步骤中的存在故障的那些特定步骤的功能来改进常规系统。通过识别那些特定步骤,故障分类器202可以实现部件的进一步处理,否则该部件将被分类为完全故障。
在一些实施例中,故障分类器202可以包括被训练成识别何时存在不可恢复的故障的卷积神经网络(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,随后是具有缺失的全连接网络,以及执行二进制分类的柔性最大激活。在一些实施例中,CNN212可以在制造步骤开始之前接收部件的图像作为来自监测平台104的输入。基于图像,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,存在故障或不存在故障)。
在一些实施例中,CNN 212可以在以下类别上训练—存在故障或不存在故障。训练集可以包括部件的不同图像,该图像包括存在故障的部件的特征和不存在故障的部件的特征。在一些实施例中,训练集可以包括每个类别的数千个示例。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)层的已存档打印可以具有N个表示可打印层的示例,以及Y-N个故障的示例,其中N可以表示存在故障的打印的层。在一些实施例中,给定批次可以包括十二个印刷的样品,每批次总计6000张图像。可以用标记来收集训练图像的大集合,该标记包括在视觉上识别单个感兴趣区域中的在其上打印存在故障的层,并相应地分割数据集。
在一些实施例中,CNN 212可以在具有更细微差别的训练集上进行训练,其中,对于包括两个或更多个处理步骤的每个部件,每个步骤被标记为存在故障或不存在故障。训练集可以包括部件的不同图像,该图像包括存在故障的步骤的特征和不存在故障的步骤的特征。在一些实施例中,训练集可以包括每个类别的数千个示例。
状态自动编码器204可以配置为生成特定部件的状态编码。在一些实施例中,状态自动编码器204可以被配置为在故障分类器202确定部件包括至少一个尚不存在故障的步骤时,生成状态自动编码器。例如,状态自动编码器204可以被配置为生成用于代理行动的状态。在一些实施例中,状态自动编码器204可以被训练为用户非监督方法,以便生成用于代理行动的状态。
图3是示出根据示例实施例的状态自动编码器204的架构的框图。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可为其自身的镜像版本,这允许训练权重将信息减少到能够表示图像的核心部件的任意维度。
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可以表示从目标部件或样品的监测平台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可以表示几个卷积层,其中每个卷积层被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,来自一个或更多个卷积层308的输出可以被提供给池化层310。池化层310可以被配置成用于减小图像的总大小。池化层310的输出可被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可以表示若干全连接层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,该特征向量314可以用作校正代理206的状态定义。特征向量314可以是目标样品(例如,样品的图像)的一个或更多个高维特征的编码的低维表示。编码特征向量314可以是固定维度的潜在变量。特征向量314维度可被选择作为神经网络设计过程的一部分,以最佳地表示编码的潜在空间中的高维度特征。
解码器部分304可被配置成根据由编码器部分302生成的输出重建输入图像。解码器部分304可包括一个或更多个全连接层316、一个或更多个上采样层318、一个或更多个解卷积层320和一个或更多个图像322。一个或更多个全连接层316可从一个或更多个全连接层312接收输入。例如,一个或更多个全连接层316可从编码器部分302接收去缩放的图像数据作为输入。全连接层316可将输入提供到一个或更多个上采样层318。上采样层318可被配置为上采样或增加由全连接层316提供的输入的尺寸。上采样层318可将上采样的图像提供给一个或更多个解卷积层320以生成一个或更多个图像322。
返回参见图2,由状态自动编码器204生成的特征向量可以作为输入被提供给校正代理206。校正代理206可以被配置为基于部件的当前状态来预计部件的最终质量度量,并且假设所预计的最终质量度量不在可接受的值范围内,则识别要采取的一个或更多个校正动作。
图4是示出根据示例实施例的校正代理206的演员-评论家(actor-critic)范例的架构的框图。如图所示,校正代理206可以包括当前状态402、演员网络(“演员”)404、以及评论家网络(“评论家”)406。当前状态402可表示由状态自动编码器204生成的特征向量314。例如,校正代理206可以接收特征向量314,并且将其并行地用作到两个单独的网络(演员404和评论家406)的输入。
演员404可被配置成基于给定状态定义来生成要采取的校正动作的预测。例如,基于特征向量314,演员404可以被配置为基于最终质量度量生成将要采取的一个或更多个校正动作。在一些实施例中,可由用户预先设置要采取的可能的可允许动作的集合。例如,在3D打印的情况下,要采取的可允许的动作的集合可以包括改变挤出的塑料的长度和改变挤出机头部的速度。选择这些动作是因为它们通常包括在3D打印过程的每次打印移动中,并且规定每个指令要挤出的塑料量,以及打印头部移动的速度。这两个变量都与挤出工艺的精度相关。
如图所示,演员404可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可以是双曲正切(tanh)激活函数。作为输出,演员404可以被配置为基于如由特征向量314定义的部件的当前状态生成要采取的动作集(例如,奖励集416)。
评论家406可包括类似于演员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建议适当的变换将包含演员404和评论家406的相同网络架构,直到级联为止。演员404和评论家406两者的架构可以相应地设计。对演员404和评论家406采用类似的架构可以允许设计过程简单、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以取决于该级联。来自一个或更多个全连接层418、422的输出可与由演员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在动作轨迹上对质量进行预测(例如,预测432)。
返回参见图2,预测引擎112可以与数据库208通信。数据库208可以存储一个或更多个先前体验210。先前体验210可表示针对给定状态向量所采取的推荐动作和作为那些推荐动作的结果的对应最终质量度量。以此方式,预测引擎112可以不断地调整其参数以便学习针对部件的给定状态将采取哪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是示出根据示例实施例的校正执行多步骤制造过程的方法500的流程图。方法500可以在步骤502处开始。
在步骤502,规范指令集可以被提供给制造系统102。规范指令集可以表示用于制造过程的一组指令。在一些实施例中,可以向每个站108提供规范指令集。在这种实施例中,每个规范指令集可以规定对应于相应站108的特定制造步骤的处理参数。
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。换言之,控制模块106可以确定制造系统102是否已经完成目标部件。如果控制模块106确定制造系统102处于终端状态(即,部件已经被制造),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可以进行到步骤506。
在步骤506处,校正动作可以被应用于给定的制造步骤。例如,基于由校正代理206生成的预测,控制模块106可以指示给定站108调整与要应用的校正动作相对应的一个或更多个处理参数。在另一示例中,基于由校正代理206生成的预测,控制模块106可以调整后续步骤的一个或更多个处理参数。在一些实施例中,步骤506可以是可选的,如在部件正在经历第一处理步骤或当校正代理206确定不需要校正动作的情况下。
在步骤508处,预测引擎112可以在处理步骤结束时检查部件。例如,预测引擎112可以在特定处理步骤结束时从监测平台104接收部件的输入(例如,一个或更多个图像)。使用所述输入,故障分类器202可以确定是否存在不可恢复故障。例如,故障分类器202可以将图像提供给CNN212,CNN 212被训练来识别图像的不同特征以确定是否存在不可恢复故障。
在步骤510,预测引擎112可以确定是否存在不可恢复故障。在一些实施例中,如果在制造过程中用于处理部件的所有步骤都存在故障,则可能存在不可恢复故障。如果在步骤510,预测引擎112确定存在不可恢复故障(即,所有步骤都存在故障),则可以终止制造过程。然而,如果在步骤510,预测引擎112确定用于处理部件的至少一个步骤没有存在故障,则不存在不可恢复故障,并且方法500可以进行到步骤514。
在步骤514,预测引擎112可生成特定处理步骤的状态编码。例如,状态自动编码器204可以被配置为在故障分类器202确定至少一个步骤没有存在故障时,为制造步骤生成状态编码。状态自动编码器204可以基于由监测平台104捕获的所接收的输入(例如,部件的一个或更多个图像)来生成状态编码。
在步骤516,预测引擎112可以基于输入和状态编码确定将在下一站点采取的校正动作。例如,假设所预计的最终质量度量不在可接受值的范围内,则校正代理206可以被配置为基于部件的当前状态来预计该部件的最终质量度量并且识别要采取的一个或更多个校正动作。预测引擎112可将校正动作传输到对应于下一处理步骤的对应过程控制器114。在一些实施例中,校正动作可以包括以下指令:下游站108停止用于制造已经经历故障的部件的步骤的处理,同时继续处理没有经历故障的步骤。
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,部件已被制造),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可以进行到步骤506。
在步骤506,校正动作可以被应用于给定的制造步骤。例如,基于校正代理206在步骤516处生成的预测,控制模块106可以指示给定站108调整与要应用的校正动作相对应的一个或更多个处理参数。在另一示例中,基于校正代理206在步骤516处生成的预测,控制模块106可以调整与要应用的校正动作相对应的后续步骤的一个或更多个处理参数。
以下过程可以重复,直到控制模块106确定制造系统102处于终端状态。
图6A示出了根据示例实施例的系统总线计算系统架构600。系统600的一个或更多个部件可以使用总线605彼此电通信。系统600可以包括处理器(例如,一个或更多个CPU、GPU或其他类型的处理器)610和系统总线605,其中系统总线605将包括诸如只读存储器(ROM)620和随机存取存储器(RAM)625等的系统存储器615的各种系统部件耦接到处理器610。系统600可以包括高速存储器的高速缓存,该高速缓存直接与处理器610连接、与处理器610紧密相邻或集成为处理器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,以便由处理器610快速访问。这样,高速缓存612可以提供性能提升,这避免了处理器610在等待数据时的延迟。这些和其它模块可以控制或被配置成控制处理器610执行各种动作。其它系统存储器615也可以使用。存储器615可以包括具有不同性能特性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(如存储在存储设备630中的服务1 632、服务2 634和服务3 636)中的一个或更多个,通用处理器或硬件模块或软件模块中的一个或更多个被配置为控制处理器610以及其中软件指令被并入实际处理器设计中的专用处理器。处理器610本质上可以是完全自包含的计算系统,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。
为了使用户能够与计算设备600交互,输入设备645可以是任何数量的输入机构,诸如用于语音的麦克风、用于手势或图形输入的触敏屏幕、键盘、鼠标、运动输入、语音等。输出设备635也可以是本领域技术人员已知的多种输出机构中的一种或更多种。在一些实例中,多模态系统可以使得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通常可以管理和控制用户输入和系统输出。对任何特定硬件配置的操作没有限制,因此这里的基本特征可以容易地替换开发的改进的硬件或固件配置。
存储设备630可以是非易失性存储器,并且可以是硬盘或能够存储可由计算机访问的数据的其它类型的计算机可读介质,诸如磁带盒、闪存卡、固态存储器设备、数字多功能盘、盒式磁带、随机存取存储器(RAM)625、只读存储器(ROM)620、以及其混合。
存储设备630可以包括用于控制处理器610的服务632、634和636。可以考虑其它硬件或软件模块。存储设备630可以连接到系统总线605。在一个方面,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部件,该软件部件与诸如处理器610、总线605、显示器635等的必要硬件部件相结合,以执行该功能。
图6B示出了根据示例实施例的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的技术的计算机硬件、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,其表示能够执行被配置为执行所识别的计算的软件、固件和硬件的任意数量的物理上和/或逻辑上不同的资源。一个或更多个处理器655可以与芯片组660通信,该芯片组可以控制到一个或更多个处理器655的输入和来自一个或更多个处理器655的输出。在该示例中,芯片组660将信息输出到诸如显示器的输出665,并且可以对存储设备670读取和写入信息,该存储设备670可以包括例如磁介质和固态介质。芯片组660还可以从RAM675读取数据并向RAM 675写入数据。可以提供用于与各种用户接口部件685连接的桥接器680以用于与芯片组660连接。这样的用户接口部件685可以包括键盘、麦克风、触摸检测和处理电路、诸如鼠标的指示设备等等。通常,对系统650的输入可以来自机器生成和/或人类生成的各种源中的任何一种。
芯片组660还可以与可以具有不同物理接口的一个或更多个通信接口690连接。这样的通信接口可以包括用于有线和无线局域网、用于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,或者由机器本身通过一个或更多个处理器655分析存储在存储装置670或675中的数据来生成。此外,机器可以通过用户接口部件685从用户接收输入,并且执行适当的功能,诸如通过使用一个或更多个处理器655解释这些输入来浏览功能。
可以理解,示例系统600和650可以具有多于一个的处理器610,或者可以是联网在一起以提供更大处理能力的计算设备组或集群的一部分。
虽然前述内容针对本文所描述的实施例,但在不脱离本发明的基本范围的情况下,可设计出其它和另外的实施例。例如,本公开的各方面可以用硬件或软件或硬件和软件的组合来实现。本文描述的一个实施例可以被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实施例的功能(包括本文描述的方法),并且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)其上永久地存储信息的非可写存储介质(例如,计算机内的只读存储器(ROM)设备,诸如可由CD-ROM驱动器读取的CD-ROM盘、闪存、ROM芯片或任何类型的固态非易失性存储器);以及(ii)其上存储有可变信息的可写存储介质(例如,磁盘驱动器或硬盘驱动器内的软盘或任何类型的固态随机存取存储器)。当携带指导所公开的实施例的功能的计算机可读指令时,这样的计算机可读存储介质是本公开的实施例。
本领域技术人员将理解的是,前述示例是示范性的而非限制性的。在阅读说明书和研究附图时,所有排列、增强、等同物、及其改进对于本领域技术人员而言都是显而易见的,并且被包括在本公开的真实精神和范围内。因此,所附权利要求旨在包含落入这些教导的真实精神和范围内的所有这些修改、排列和等同物。
Claims (20)
1.一种制造系统,包括:
一个或更多个站,每个站被配置为执行部件的多步骤制造过程中的至少一个步骤;
监测平台,所述监测平台被配置为监测所述部件在所述多步骤制造过程中的进度;以及
控制模块,所述控制模块被配置为动态地调整所述多步骤制造过程的每个步骤的处理参数,以实现所述部件的期望的最终质量度量,所述控制模块被配置为执行操作,所述操作包括:
在所述多步骤制造过程的步骤处从所述监测平台接收与所述部件相关联的输入;
由所述控制模块确定多个步骤中的至少第一步骤没有经历不可恢复故障,并且确定所述多个步骤中的至少第二步骤已经经历所述不可恢复故障;
基于所述确定,由所述控制模块基于所述输入生成用于所述部件的状态编码;
由所述控制模块基于所述部件的状态编码和输入,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,由所述控制模块调整用于至少一个后续站的控制逻辑,其中,所述调整包括将由所述后续站执行的校正动作和用于停止至少所述第二步骤的处理的指令。
2.根据权利要求1所述的制造系统,其中,在所述部件的处理完成之前,不能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,由所述控制模块调整用于至少一个所述后续站的所述控制逻辑包括:
识别将由所述后续站执行的校正动作;以及
基于所述校正动作和所述状态编码来预计所述最终质量度量。
4.根据权利要求1所述的制造系统,其中,所述操作还包括:
训练卷积神经网络以识别何时存在所述不可恢复故障。
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,所述控制模块使用卷积神经网络确定存在所述不可恢复故障。
6.根据权利要求1所述的制造系统,其中,由所述控制模块调整用于至少一个后续站的所述控制逻辑包括:
调整用于另一后续站的另一控制逻辑。
7.根据权利要求1所述的制造系统,其中,一个或更多个处理站中的每个处理站对应于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测平台接收一个或更多个站中的站的部件的图像,每个站被配置为执行多步骤制造过程的步骤;
由所述计算系统确定多个步骤中的至少第一步骤没有经历不可恢复故障,并且确定所述多个步骤中的至少第二步骤已经经历了所述不可恢复故障;
基于所述确定,由所述计算系统基于所述部件的图像生成所述部件的状态编码;
由所述计算系统基于所述部件的状态编码和图像来确定所述部件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,由所述计算系统调整用于至少一个后续站的控制逻辑,其中,所述调整包括将由所述后续站执行的校正动作和停止至少所述第二步骤的处理的指令。
9.根据权利要求8所述的多步骤制造方法,其中,在所述部件的处理完成之前,不能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,由所述计算系统调整用于至少一个后续站的所述控制逻辑包括:
识别将由所述后续站执行的校正动作;以及
基于所述校正动作和所述状态编码来预计所述最终质量度量。
11.根据权利要求8所述的多步骤制造方法,还包括:
由所述计算系统训练卷积神经网络以识别何时存在所述不可恢复故障。
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,由所述计算系统调整用于至少一个后续站的所述控制逻辑包括:
调整用于另一后续站的另一控制逻辑。
14.根据权利要求8所述的多步骤制造方法,其中,所述一个或更多个站中的每一个对应于3D打印过程中的层沉积。
15.一种三维(3D)打印系统,包括:
处理站,所述处理站被配置成沉积多个层以形成部件;
监测平台,所述监测平台被配置成监测所述部件在整个沉积过程中的进度;以及
控制模块,所述控制模块被配置为动态地调整所述多个层中的每一层的处理参数以实现所述部件的期望最终质量度量,所述控制模块被配置以执行操作,所述操作包括:
在已经沉积层之后,从所述监测平台接收所述部件的图像;
由所述控制模块确定多个步骤中的至少第一步骤没有经历不可恢复故障,并且确定所述多个步骤中的至少第二步骤已经经历所述不可恢复故障;
由所述控制模块基于所述部件的图像来生成所述部件的状态编码;
由所述控制模块基于所述部件的状态编码和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,由所述控制模块调整用于沉积所述多个层中的至少一个后续层的控制逻辑,其中,所述调整包括将在所述后续层的沉积期间执行的校正动作以及停止至少所述第二步骤的处理的指令。
16.根据权利要求15所述的系统,其中,在所述部件的处理完成之前,不能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,由所述控制模块调整用于沉积至少一个后续层的所述控制逻辑包括:
识别将在所述后续层的沉积期间执行的校正动作;以及
基于所述校正动作和所述状态编码来预计所述最终质量度量。
18.根据权利要求15所述的系统,还包括:
训练卷积神经网络以识别何时存在所述不可恢复故障。
19.根据权利要求18所述的系统,其中,所述控制模块使用所述卷积神经网络确定存在所述不可恢复故障。
20.根据权利要求15所述的系统,其中,调整用于沉积至少一个后续层的所述控制逻辑包括:
调整用于另一后续层的另一控制逻辑。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962932043P | 2019-11-07 | 2019-11-07 | |
US62/932,043 | 2019-11-07 | ||
PCT/US2020/059336 WO2021092327A1 (en) | 2019-11-07 | 2020-11-06 | Systems, methods, and media for manufacturing processes |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114641386A true CN114641386A (zh) | 2022-06-17 |
Family
ID=75846324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080077361.XA Pending CN114641386A (zh) | 2019-11-07 | 2020-11-06 | 用于制造过程的系统、方法和介质 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210138735A1 (zh) |
EP (1) | EP4054819A4 (zh) |
JP (2) | JP7289171B2 (zh) |
KR (1) | KR20220077144A (zh) |
CN (1) | CN114641386A (zh) |
TW (3) | TWI765403B (zh) |
WO (1) | WO2021092327A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210311440A1 (en) * | 2019-11-06 | 2021-10-07 | Nanotronics Imaging, Inc. | Systems, Methods, and Media for Manufacturing Processes |
US20210192779A1 (en) * | 2019-11-06 | 2021-06-24 | Nanotronics Imaging, Inc. | Systems, Methods, and Media for Manufacturing Processes |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1679155A (zh) * | 2002-08-22 | 2005-10-05 | 先进微装置公司 | 在制造过程中预测装置的电气参数的方法及系统 |
US20160236414A1 (en) * | 2015-02-12 | 2016-08-18 | Arevo Inc. | Method to monitor additive manufacturing process for detection and in-situ correction of defects |
US20190004079A1 (en) * | 2017-06-30 | 2019-01-03 | General Electric Company | Systems and method for advanced additive manufacturing |
CN114450135A (zh) * | 2019-09-10 | 2022-05-06 | 纳米电子成像有限公司 | 用于制造过程的系统、方法和介质 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3380849B2 (ja) | 1997-02-06 | 2003-02-24 | 松下電器産業株式会社 | 処理レート算出方法 |
JPH11243041A (ja) * | 1998-02-26 | 1999-09-07 | Mitsubishi Electric Corp | 品質管理システムおよび記録媒体 |
JP2000094275A (ja) * | 1998-09-22 | 2000-04-04 | Yokogawa Electric Corp | 生産システム |
JP6198224B2 (ja) | 2014-02-14 | 2017-09-20 | 株式会社smart−FOA | 情報収集システム、情報収集方法、及び情報収集プログラム |
EP2988888B1 (en) * | 2013-04-26 | 2017-11-01 | United Technologies Corporation | Local contamination detection in additive manufacturing |
US9855698B2 (en) * | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
WO2017100695A1 (en) | 2015-12-10 | 2017-06-15 | Velo3D, Inc. | Skillful three-dimensional printing |
CN107839236B (zh) * | 2016-09-21 | 2019-07-30 | 三纬国际立体列印科技股份有限公司 | 3d印表机的校正方法 |
US10953647B2 (en) * | 2017-01-06 | 2021-03-23 | International Business Machines Corporation | Methods and systems for detecting and rectifying faults in 3D printing processes |
EP3375607A1 (de) * | 2017-03-15 | 2018-09-19 | Heraeus Additive Manufacturing GmbH | Verfahren zum bestimmen von druckprozessparameterwerten, verfahren zum steuern eines 3d-druckers, computer-lesbares speichermedium und 3d-drucker |
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 |
JP2019159510A (ja) | 2018-03-09 | 2019-09-19 | キヤノン株式会社 | 印刷物製造計画作成装置 |
KR20190118300A (ko) | 2018-04-10 | 2019-10-18 | 이성범 | 적립 포인트 또는 스마트폰의 폰빌링을 이용한 톨게이트 통행료 지불방법 |
JP7121649B2 (ja) | 2018-12-18 | 2022-08-18 | 株式会社ミマキエンジニアリング | 生産管理システムおよび生産管理プログラム |
KR20230141955A (ko) | 2018-12-18 | 2023-10-10 | 아르셀러미탈 | 중간 금속 제품(들)의 그룹으로부터의 최종 금속 제품(들)의 그룹의 제조를 제어하기 위한 방법 및 전자 장치, 관련 컴퓨터 프로그램, 제조 방법 및 설비 |
CN113272748A (zh) | 2019-01-15 | 2021-08-17 | 杰富意钢铁株式会社 | 解析系统和解析方法 |
JP2020127968A (ja) | 2019-02-07 | 2020-08-27 | パナソニックIpマネジメント株式会社 | 学習装置および切断加工評価システム |
JP7192190B2 (ja) | 2019-06-27 | 2022-12-20 | 三菱ケミカルエンジニアリング株式会社 | 生産システム、生産方法、及び制御装置 |
JP6833090B2 (ja) | 2020-05-22 | 2021-02-24 | 三菱電機株式会社 | 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム |
-
2020
- 2020-11-06 KR KR1020227015026A patent/KR20220077144A/ko unknown
- 2020-11-06 TW TW109138940A patent/TWI765403B/zh active
- 2020-11-06 CN CN202080077361.XA patent/CN114641386A/zh active Pending
- 2020-11-06 JP JP2022525444A patent/JP7289171B2/ja active Active
- 2020-11-06 US US17/091,209 patent/US20210138735A1/en active Pending
- 2020-11-06 WO PCT/US2020/059336 patent/WO2021092327A1/en unknown
- 2020-11-06 EP EP20885939.7A patent/EP4054819A4/en active Pending
- 2020-11-06 TW TW112113076A patent/TW202330242A/zh unknown
- 2020-11-06 TW TW111114696A patent/TWI802374B/zh active
-
2023
- 2023-05-23 JP JP2023084779A patent/JP2023113719A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1679155A (zh) * | 2002-08-22 | 2005-10-05 | 先进微装置公司 | 在制造过程中预测装置的电气参数的方法及系统 |
US20160236414A1 (en) * | 2015-02-12 | 2016-08-18 | Arevo Inc. | Method to monitor additive manufacturing process for detection and in-situ correction of defects |
US20190004079A1 (en) * | 2017-06-30 | 2019-01-03 | General Electric Company | Systems and method for advanced additive manufacturing |
CN114450135A (zh) * | 2019-09-10 | 2022-05-06 | 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 |
---|---|
TWI802374B (zh) | 2023-05-11 |
EP4054819A1 (en) | 2022-09-14 |
KR20220077144A (ko) | 2022-06-08 |
JP2023113719A (ja) | 2023-08-16 |
JP7289171B2 (ja) | 2023-06-09 |
TW202134025A (zh) | 2021-09-16 |
WO2021092327A1 (en) | 2021-05-14 |
TWI765403B (zh) | 2022-05-21 |
TW202228975A (zh) | 2022-08-01 |
JP2022554303A (ja) | 2022-12-28 |
TW202330242A (zh) | 2023-08-01 |
EP4054819A4 (en) | 2023-11-29 |
US20210138735A1 (en) | 2021-05-13 |
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 | |
TWI823382B (zh) | 用於增材或減材製造程序之系統、方法及媒介 | |
KR20220093171A (ko) | 제조 공정을 위한 시스템, 방법 및 매체 | |
JP7320884B2 (ja) | 製造プロセスのためのシステム、方法、および媒体 | |
TWI801820B (zh) | 用於製造流程之系統及方法 | |
KR20230025698A (ko) | 제조 공정을 위한 시스템, 방법 및 매체 |
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 |