CN115039040A - 制造过程的系统、方法和介质 - Google Patents

制造过程的系统、方法和介质 Download PDF

Info

Publication number
CN115039040A
CN115039040A CN202180011676.9A CN202180011676A CN115039040A CN 115039040 A CN115039040 A CN 115039040A CN 202180011676 A CN202180011676 A CN 202180011676A CN 115039040 A CN115039040 A CN 115039040A
Authority
CN
China
Prior art keywords
quality metric
final quality
sample
images
control module
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
CN202180011676.9A
Other languages
English (en)
Inventor
马修·C·普特曼
瓦迪姆·潘斯基
达马斯·W·利摩日
萨德格·努里·古什基
阿什温·拉加夫·尼马莱斯瓦兰
法比安·霍夫
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.)
Nano Electronic Imaging Co ltd
Original Assignee
Nano Electronic Imaging Co ltd
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 Nano Electronic Imaging Co ltd filed Critical Nano Electronic Imaging Co ltd
Publication of CN115039040A publication Critical patent/CN115039040A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • 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
    • 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
    • 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
    • G05B19/18—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
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/32177—Computer assisted quality surveyance, caq
    • 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
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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
    • G05B2219/32181—Monitor production, assembly apparatus with multiple sensors
    • 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
    • G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
    • 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
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • 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
    • G05B2219/32193—Ann, neural base quality management
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32197—Inspection at different locations, stages of 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
    • G05B2219/49—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • General Factory Administration (AREA)
  • Saccharide Compounds (AREA)
  • Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)
  • Vehicle Body Suspensions (AREA)
  • Compositions Of Macromolecular Compounds (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本文公开了一种制造系统。制造系统包括一个或更多个站、监控平台和控制模块。一个或更多个站中的每一个站配置为执行在部件的多步骤制造过程中的至少一个步骤。监控平台配置为监控部件在整个多步骤制造过程中的进度。控制模块配置为动态调整多步骤制造过程的每一个步骤的加工参数，以实现部件的期望最终质量度量标准。

Description

制造过程的系统、方法和介质
相关申请的交叉引用
本申请要求于2020年2月21日提交的美国临时申请序号为62/979,639的申请的优先权，该申请通过引用以其整体合并在此。
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、最少浪费地制造始终符合预期设计规范的样本，通常需要对制造过程进行持续监测和调整。
发明内容
在一些实施例中，本文公开了一种制造系统。制造系统包括一个或更多个站、监控平台和控制模块。一个或更多个站中的每一个站被配置为执行在部件的多步骤制造过程中的至少一个步骤。监控平台配置为监控部件在整个多步骤制造过程中的进度。控制模块配置为动态调整多步骤制造过程的每一个步骤的加工参数，以实现部件的期望最终质量度量标准。控制模块配置为执行操作。这些操作包括从监控平台接收在所述多步骤制造过程中的步骤处的与部件相关的输入。操作还包括由控制模块基于样本的图像生成最终质量度量标准预测。操作还包括由控制模块确定最终质量度量标准预测值不在可接受值的范围内。所述操作还包括基于所述确定，由所述控制模块调节针对至少后续站的控制逻辑。调整控制逻辑包括应用将由随后站执行的纠正动作。
在一些实施例中，本文公开了一种多步骤制造方法。计算系统从制造系统的监控平台接收一个或更多个站中的站上的样本的图像。每一个站配置为执行多步骤制造过程中的步骤。计算系统根据样本的图像生成最终质量度量标准预测。计算系统确定最终质量度量标准预测不在可接受值的范围内。基于所述确定，计算系统调整至少后续站的控制逻辑，其中，所述调整包括应用将由后续站执行的纠正动作。
在一些实施例中，本文公开了一种三维打印系统。所述系统包括处理站、监控平台和控制模块。处理站配置为沉积多个层以形成样本。监控平台配置为在整个沉积过程中监控样本的进展。控制模块配置为动态调整多个层中每一层的处理参数，以实现部件的期望最终质量度量标准。控制模块配置为执行操作。操作包括从监控平台接收在层被沉积后样本的图像。操作还包括由控制模块基于样本的图像生成最终质量度量标准预测值。操作还包括由控制模块确定最终质量度量标准预测值不在可接受值的范围内。所述操作还包括基于所述确定，由所述控制模块调整用于待被沉积的至少后续层的控制逻辑，其中，所述调整包括应用通过后续层的沉积而执行的纠正动作。
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来对本公开进行更具体的描述，其中，一些在附图中进行了说明。然而，应注意，附图仅示出了本公开的典型实施例，因此不应被视为限制其范围，因为本公开可以允许其他同等有效的实施例。
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预测引擎的框图。
图3是示出根据示例实施例的聚类模块的示例性架构的框图。
图4是示出根据示例实施例的机器学习模块的架构的框图。
图5是示出根据示例实施例的机器学习模块架构框图。
图6是示出根据示例实施例的执行多步骤制造过程的纠正方法的流程图。
图7A示出了根据示例实施例的系统总线计算系统架构。
图7B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，使用了相同的附图标记来表示图中常见的相同元件。可以设想，在一个实施例中公开的元件可以有权用于其他实施例，而无需具体叙述。
具体实施方式
本文所述的一种或多种技术通常针对配置为监测多步骤制造过程的每一个步骤的监控平台。对于多步骤制造过程的每一个步骤，监控平台可以监控样本的进度，并确定样本的当前状态如何影响与最终样本相关的最终质量度量标准。通常，最终质量度量标准是无法在多步骤制造过程的每一个步骤中测量的指标。示例性最终质量度量标准可包括但不限于最终样本的抗拉强度、硬度、热性能等。对于某些最终质量度量标准，如抗拉强度，使用破坏性测试来测量此类指标。
本文所述的一种或多种技术能够使用一种或多种人工智能技术在多步骤制造过程的每一步预测最终质量度量标准。例如，本文所述的一种或多种技术可以利用无监督K均值聚类和深度学习网络来学习聚类特征。可以为不可靠的前馈设定点创建高保真标签。随后，可以使用回归深度学习网络对所述方法进行推广，以重新标记所有图像。使用重新标记的图像，可以训练两个网络来预测制造过程中特定点的样本质量指标。
制造过程可以是复杂的，包括由不同处理站(或“站”)正在加工直到生产出最终样本的原材料。在一些实施例中，每一个处理站接收用于处理的输入，并可以输出中间输出，中间输出可以传递给后续(下游)处理站以进行其他处理。在一些实施例中，最终处理站可以接收用于处理的输入，以及可以输出最终样本，或者更概括地说，输出最终输出。
在一些实施例中，每一个站可以包括一个或更多个工具/设备，这些工具/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、注塑机、切割机、模压机、挤出机、计算机数控(computernumerical control，CNC)铣床、研磨机、装配站、三维打印机、质量控制站、验证站等。
在一些实施例中，每一个处理站的操作可由一个或更多个过程控制器控制。在一些实施例中，每一个处理站可以包括一个或更多个过程控制器，可以对其进行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向站控制器提供站控制器设定点，所述设定点可以表示每一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、旋转、电流、电压、功率、粘度、站使用的材料/资源、生产率、停机时间、有毒烟雾等。
在一些实施例中，样本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一部分的电路板、作为移动设备一部分的屏幕和/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可以代表用于增材制造的制造系统(例如，三维(three-dimensional，3D)打印系统)。在一些实施例中，制造系统102可以代表用于减材制造(例如，CNC加工)的制造系统。在一些实施例中，制造系统102可以代表用于增材制造和减材制造组合的制造系统。更概括地说，在一些实施例中，制造系统102可以代表用于一般制造过程的制造系统。
制造系统102可包括一个或更多个站1081-108n(通常称为“站108”)。每一个站108可以代表多步骤制造过程中的步骤和/或站。例如，每一个站108可以代表三维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)。在另一示例中，每一个站108可对应于特定处理站。在一些实施例中，样本的制造过程可包括多个步骤。在一些实施例中，多个步骤可以包括有序的步骤序列。在一些实施例中，多个步骤可以包括无序(例如，随机或伪随机)的步骤序列。
每一个站108可以包括过程控制器114和控制逻辑116。每一个过程控制器1141-114n可编程为控制每一个相应站108的操作。在一些实施例中，控制模块106可以为每一个过程控制器114提供站控制器设定点，所述设定点可以表示每一个控制值的期望值或值的范围。控制逻辑116可以参考与站108的过程步骤相关联的属性/参数。在操作中，每一个站108的控制逻辑116可以由控制模块106在整个制造过程中动态更新，这取决于最终质量度量标准的当前发展轨迹。
监控平台104可配置为监控制造系统102的每一个站108。在一些实施例中，监控平台104可以是制造系统102的部件。例如，监控平台104可以是3D打印系统的部件。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可以装配到现有制造系统102上。在一些实施例中，监控平台104可以代表配置为在多步骤过程的每一个步骤捕获样本的图像的成像设备。例如，监控平台104可配置为捕获在每一个站108处的样本图像。通常，监控平台104可配置为捕获与样本生产相关的信息(例如，图像、电压读数、速度读数等)，并将所述信息作为输入提供给控制模块106进行评估。
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通信。在一些实施例中，一个或更多个通信信道可以代表经由互联网的单个连接，例如蜂窝或无线保真(wireless fidelity，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直接连接来连接终端、服务器和移动设备，所述直接连接例如射频识别(radiofrequency identification，RFID)、近场通信(near-field communication，NFC)、蓝牙(Bluetooth)TM、低能量蓝牙(low-energy Bluetooth，BLE)TM、Wi-FiTM、紫蜂(ZigBee)TM、环境反向散射通信(ambient backscatter communication，ABC)协议、通用串行总线(Universal Serial Bus，USB)、广域网(Wide Area Network，WAN)或局域网(Local AreaNetwork，LAN)。
控制模块106可配置为控制制造系统102的每一个过程控制器。例如，基于监控平台104捕获的信息，控制模块106可以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可以配置为基于预测的最终质量度量标准来调整特定站108或处理步骤的过程控制。
控制模块106可以包括预测引擎112。预测引擎112可以代表一个或更多个经过训练的机器学习模块，以基于在多步骤制造过程的每一个单独步骤处测量的数据预测样本的最终质量度量标准。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，此类输入可以采取在多步骤制造过程中的步骤之后样本当前状态的图像的形式。基于输入，控制模块106可以预测样本的最终质量度量标准。根据样本的预测最终质量度量标准，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，如果预测的最终质量度量标准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，以调整其各自的控制和/或站参数。这些调整可以有助于纠正制造过程，使得最终质量度量标准可以在可接受的质量指标范围内。
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可以至少包括聚类模块202和机器学习模块204。聚类模块202和机器学习模块204中的每一个模块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，所述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，程序代码)。此类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，替代地，也可以是解释以获得实际计算机代码的指令的更高级别编码。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以由硬件部件(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，聚类模块202和机器学习模块204中的每一个都可以配置为在部件之间传输一个或更多个信号。在这些实施例中，这些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，聚类模块202和机器学习模块204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个连接，例如蜂窝或Wi-Fi网络。在一些实施例中，网络205可以使用直接连接来连接终端、服务和移动设备，所述直接连接例如射频识别(RFID)、近场通信(NFC)、BluetoothTM、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。由于传输的信息可能是个人信息或机密信息，出于安全考虑，可以对这些类型连接中的一种或多种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，正在传输的信息可以不太个人化，因此，网络连接可以为了便利而不是为了安全而选择。
聚类模块202可配置为在制造过程中为样本的图像分配标签。例如，制造过程的多个维度可能会发生变化。特别是对于增材制造，印刷品的几个维度可能会发生变化。站108可以接收关于制造过程中的制造步骤的指令的一个或更多个参数。例如，在增材制造中，制造系统102可以利用控制模块106提供的代码(例如G代码)，所述代码可以包含第i层上第j指令的一个或更多个参数，xi，j，yi，j，zi，j，ei，j，和fi，j，其中，xi，j，yi，j，yi，j，zi，j是位置设定点，ei，j可以表示为特定打印移动而挤出的细丝长度，以及fi，j可以表示打印头移动的速度。在一些实施例中，代码还可以包括元指令温度控制或轴归位。
在一些实施例中，例如利用增材制造的实施例，为了将最终质量度量标准(例如，抗拉强度)与层图像相关联，可以建立每一层的偏差系数γe，i，j，使得：
Figure BDA0003771262410000061
其中，
Figure BDA0003771262410000062
可以表示打印移动产生的明显挤出。每一个挤出值ei，j都可以有结果修改器γe，i，j。对于层中的N个打印移动，这种结果修改器可以抽象地跨层平均，定义为：
Figure BDA0003771262410000063
因此，可以通过测量平均偏差系数γe，i来评估整个层的挤出偏差。对于性能完美的制造系统102或站108，γe，i＝1.0；然而，自然发生的变化可以确保情况并非如此。在一些实施例中，为了将自然变化与最终质量度量标准(例如抗拉强度)相关联，可以假设其标签不可靠，人为干扰这些设定点。
在一些实施例中，挤压系数γe，i可以是直接影响增材制造中制造零件的质量结果的参数。在一些实施例中，可以使用来自化学制造过程的排出气流的氧/二氧化碳含量，而不是挤出系数。在一些实施例中，可以使用薄膜沉积的椭圆偏振测量。可以建立挤出系数向量Γe＝[γe，0，...，γe，N]T。在一些实施例中，作为与正常基线的偏差的速度系数向量可以类似的方式使用，Γf＝[γf，0，...，γf，N]T。这些向量可以作为所选质量度量的函数的参数。在所选质量指标为抗拉强度的一些实施例中，ts：
ts＝f(Γe，Γf)其中，f(·)的精确公式可以是未知的，并且近似值将由聚类模块202学习。
在一些实施例中，直接测量所选设定点的结果，例如γe，i，可能不可行。因此，聚类模块202可以配置为估算站108的偏差系数γe，i。此类估算可设计为：
Figure BDA0003771262410000071
其中，
Figure BDA0003771262410000072
可以代表对γe，i的估计值，Ii可以代表第i层自顶向下的图像，以及θh可以代表映射函数h(·）的学习参数。
聚类模块202可以利用端到端聚类方法，所述方法可训练为同时学习生成特征向量的神经网络的参数和所得特征向量的聚类分配。在一些实施例中，K均值聚类技术可用于将数据点划分为K组聚类，其中，每一个数据点可低于具有最近均值的聚类簇，从而实现无监督、自动生成标记。在一些实施例中，卷积层和池化层可以在网络中按顺序使用，以从图像中提取特征，卷积层和池化层之后是一个或更多个可使用反向传播的全连接网络层。在一些实施例中，特征向量上的K均值聚类分配可以用作计算梯度的标签，以更新神经网络。
图3是示出根据示例性实施例的聚类模块202的示例性架构的框图。如图所示，聚类模块202可以包括卷积神经网络302、分类模块304和回归模块306。
卷积神经网络302可以从图像集合308接收一个或更多个输入图像作为输入。在一些实施例中，用于训练的一个或更多个输入图像可以代表由监控平台104捕获的实际图像和/或合成生成的图像。卷积神经网络302可以训练为从一个或更多个输入图像中的每一个输入图像提取特征向量。例如，卷积神经网络302可以训练为所得K个聚类簇内方差的最小化，给出卷积神经网络302产生的特征向量。
分类模块304可配置为接收由卷积神经网络302提取的一个或更多个特征向量作为输入。分类模块304可被配置为将K均值聚类应用于一个或更多个特征向量以对特征进行分类。在一些实施例中，可以使用聚类簇的拟合来计算反向传播的梯度。在一些实施例中，可以通过分类模块304的K均值聚类和卷积神经网络302的前向传播来计算聚类。在一些实施例中，可以计算卷积神经网络302在预测所有图像的指定聚类簇标签时的精度。可以选择具有Z迭代中精度最高的聚类图像组以供进一步使用。
回归模块306可配置为生成图像的偏差分数。例如，回归模块306可以使用卷积神经网络302生成的特征向量的输入来生成图像的离差分数。在一些实施例中，回归模块306可以通过K均值聚类实现的投票过程收集标签来训练。在一些实施例中，聚类数据集可以使用来自用已知偏差系数人为扰动的过程的图像，但所述过程的不可靠性增加了这些图像作为纯标签的不确定性。对于每一个聚类簇，可以将已知偏差系数的模态值作为标签应用于所述组。然后，可以使用由卷积神经网络302生成的特征向量的输入和与所述特征向量相关联的模态聚类值的标签来训练回归模块306。以此方式，聚类模块202可以将图像输入卷积神经网络302，使用输出特征向量作为回归模块306的输入，然后回归模块306可以输出图像的离差分数。
在一些实施例中，回归模块306可以包括多个可以利用线性激活函数的全连接层。
使用聚类模块202，可以为每一个图像生成新的数据对集。使用视觉特征的新标签分配可以有助于缓解传统使用不可靠的设定点时发现的问题，这些设定点被证明不足以进行监督学习。映射函数可以使用带权重θh的深度神经网络来求近似，并且可以使用经过训练的网络h(Ii，θm)来估计新的挤出标签集
Figure BDA0003771262410000081
在一些实施例中，高保真度标签可用于进一步的预测性训练。
回到图2，机器学习模块204可以配置为基于站108处样本的图像和与所述图像相关联的一个或更多个标签来预测制造过程中样本的最终质量度量标准。在一些实施例中，设定点标签
Figure BDA0003771262410000082
可用于训练机器学习模块204。在一些实施例中，机器学习模块204可以代表全连接神经网络。在一些实施例中，机器学习模块204可以代表具有内部注意力机制的门控循环单元。机器学习模块204可以配置为使用
Figure BDA0003771262410000091
的高保真标签映射ts＝f(Γe，Γf)。这可以重写为：
Figure BDA0003771262410000092
其中，
Figure BDA0003771262410000093
可以代表预测抗拉强度，以及θt可以代表预测函数g(·)的学习参数。
一旦充分的训练，预测引擎112可以使用机器学习模块204进行与样本的最终质量度量标准相关的预测。当最终用户或管理员想要重新训练预测引擎112时，可以使用聚类模块202。
图4是示出根据示例实施例的机器学习模块204的架构的框图。如所示和先前讨论的，机器学习模块204可以代表全连接神经网络。
如图所示，机器学习模块204可以包括利用具有修正线性单元(RectifiedLinearUnits，ReLU)激活的全连接层的分支合并架构400。在将
Figure BDA0003771262410000094
和Γf传递到一系列全连接层之前，架构400可以利用将
Figure BDA0003771262410000095
和Γf分别转换为更高维度，其中一系列全连接层压缩在测量的抗拉强度ts的标签上进行训练的预测值
Figure BDA0003771262410000096
如所提供，架构400可以包括第一分支402和第二分支404。第一分支402可以接收
Figure BDA0003771262410000097
作为输入。输入
Figure BDA0003771262410000098
可以提供给第一全连接层406。来自全连接层406的输出可以提供给修正线性激活函数(ReLU)408。来自ReLU 408的输出可以传递到第二全连接层410，其次是第二ReLU 412和随机失活(dropout)层414。
第二分支404可以接收Γf作为输入。类似地，输入Γf可以提供给第一完全连接层416。来自全连接层416的输出可以提供给ReLU 418。来自ReLU 418的输出可以传递到第二完全连接层420，然后是第二ReLU 422和随机失活层424。
来自每一个分支402和404的输出可以合并，并作为输入提供给全连接层430。来自全连接层430的输出可以提供给随机失活层432。来自ReLU 432的输出可以传递给全连接回归器434，然后是双曲正切(hyperbolic tangent，tanh)激活函数436。来自机器学习模块204的输出可以是预测值
Figure BDA0003771262410000099
图5是示出根据示例实施例的机器学习模块204的架构的框图。如所示和先前讨论的，机器学习模块204可以代表具有内部注意力机制的门控循环单元。
如图所示，机器学习模块204可以包括门控循环单元架构500。门控循环单元可以配置为预测给定
Figure BDA0003771262410000101
和Γf的最终质量度量标准(例如，抗拉强度
Figure BDA0003771262410000102
)。可以使用架构500，因为它能够很好地处理序列数据，并且能够通过其预测值保存关于故障层的信息。
输入502可以包括样本的关键层或样本的关键工艺步骤的
Figure BDA0003771262410000103
和Γf值。例如，在制造过程中，可能有一些过程步骤比其他步骤对最终质量度量标准的贡献更大。这些步骤的识别可以通过相关或理论分析来完成。在增材制造的情况下，最小表面积的层在拉伸过程中的应力最高。因此，可以定义层区域，在挤压的正常偏差下，所述区域可以符合所述定义。这些层或步骤可称为“关键层”或“关键步骤”。在一些实施例中，使用的输入标签是来自聚类模块202的输出的估计值
Figure BDA0003771262410000104
在一些实施例中，可以基于所使用的门控循环单元块的数量来划分或分布每一个样本的数据序列。如图5的实施例所示，输入502可分为四组，对应于四个门控循环单元块504。每组数据可以提供给各自的门控循环单元块504。
在一些实施例中，来自每一个门控循环单元块504的输出可以串联并传递到全连接层506和回归器输出层508，以估计对应于最终质量度量标准(例如抗拉强度
Figure BDA0003771262410000105
)的连续值。
图6是示出根据示例实施例的执行多步骤制造过程的纠正方法600的流程图。方法600可以从步骤602开始。
在步骤602，可以向制造系统102提供规范指令集。规范指令集可以代表制造过程的指令的集合。在一些实施例中，可以向每一个站108提供规范指令集。在这些实施例中，每一个规范指令集可以规定对应于各个站108的特定制造步骤的处理参数。
在步骤604，监控平台104可以在多步骤过程的处理步骤结束时捕捉样本的图像。例如，监控平台104可以配置为在各个站108处进行处理后，捕捉样本的图像。在一些实施例中，监控平台104可配置为捕获与样本生产相关的信息(例如，图像、电压读数、速度读数等)，并将所述信息作为输入提供给控制模块106进行评估。
在步骤606，预测引擎112可以检查样本的一个或更多个图像。例如，预测引擎112可以在特定处理步骤结束时从监控平台104接收样本的输入(例如，一个或更多个图像)。使用所述输入，预测引擎112可以为样本生成预测的最终质量度量标准。
在步骤608，纠正动作可应用于后续制造步骤。例如，基于预测的最终质量度量标准，控制模块106可以命令给定站108调整与要应用的纠正动作相对应的一个或更多个处理参数。
图7A说明了根据示例实施例的系统总线计算系统架构700。系统700的一个或更多个部件可以使用总线705彼此进行电气通信。系统700可以包括处理器(例如，一个或更多个中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)或其他类型的处理器)710和系统总线705，所述系统总线705将包括系统存储器715(例如只读存储器(read only memory，ROM)720和随机存取存储器(random access memory，RAM)725)的各种系统部件耦接到处理器710。系统700可以包括与处理器710直接连接、靠近处理器710或集成为处理器710一部分的高速存储器的高速缓存。系统700可以将数据从存储器715和/或存储设备730复制到高速缓存712，以供处理器710快速访问。这样，高速缓存712可以提供性能提升，该性能提升避免处理器710在等待数据时出现延迟。这些和其他模块可以控制或配置为控制处理器710以执行各种动作。也可以使用其他系统存储器715。存储器715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710可以代表单个处理器或多个处理器。处理器710可以包括通用处理器或者配置为控制处理器710的硬件模块或软件模块(例如存储在存储设备730中的服务1732、服务2734和服务3736)，以及将软件指令合并到实际处理器设计中的专用处理器中的一个或更多个。处理器710基本上可以是完全自独立的(self-contained)计算系统，包含多个核或处理器、总线、内存控制器、缓存等。多核处理器可以是对称的或非对称的。
为了实现用户与计算设备700的交互，输入设备745可以是任意数量的输入机制，例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735也可以是本领域技术人员已知的许多输出机制中的一个或更多个输出机制。在一些实例中，多模式系统可以使用户能够提供多种类型的输入以与计算设备700通信。通信接口740通常可以控制和管理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，在开发时，改进的硬件或固件配置可以很容易地替代此处的基本特征。
存储设备730可以是非易失性存储器，并且可以是可以存储计算机可访问数据的硬盘或其他类型的计算机可读介质，例如盒式磁带、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)725、只读存储器(ROM)720及其组合。
存储设备730可以包括用于控制处理器710的服务732、734和736。考虑其他硬件或软件模块。存储设备730可以连接到系统总线705。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部件，所述软件部件与执行所述功能所需的硬件部件(例如处理器710、总线705、显示器735等)相关。
图7B示出了根据示例实施例的具有芯片组架构的计算机系统750。计算机系统750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750可以包括一个或更多个处理器755，代表任何数量的物理和/或逻辑上不同的资源，能够实行配置为执行识别计算的软件、固件和硬件。一个或更多个处理器755可以与芯片组760通信，芯片组760可以控制一个或更多个处理器755的输入和输出。在所述示例中，芯片组760将信息输出到输出765，例如显示器，并且可以将信息读写到存储设备770，所述存储设备770可以包括例如磁性介质和固态介质。芯片组760还可以从RAM 775读取数据和将数据写入RAM 775。可以提供用于与各种用户接口部件785连接的桥接器780，用于与芯片组760接口。这种用户界面部件785可以包括键盘、麦克风、触摸检测和处理电路、定点设备，例如鼠标，等。一般来说，系统750的输入可以来自机器生成和/或人工生成的各种来源中的任何一种。
芯片组760还可以与一个或更多个具有不同物理接口的通信接口790连接。这种通信接口可以包括有线和无线局域网、宽带无线网络以及个人局域网的接口。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，或者由机器本身通过一个或更多个处理器755分析存储在存储器770或775中的数据生成。此外，机器可以通过用户界面部件785接收来自用户的输入，并通过使用一个或更多个处理器755解释这些输入来执行适当的功能，例如浏览功能。
可以理解，示例系统700和750可以具有多个处理器710，或者是联网在一起的计算设备组或聚类簇的一部分，以提供更大的处理能力。
虽然上述内容针对本文所述的实施例，但可以在不脱离其基本范围的情况下设计其他的和进一步的实施例。例如，本公开的各个方面可以在硬件或软件或硬件和软件的组合中实现。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)，并且可以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)永久存储信息的不可写存储介质(例如，计算机内的诸如可通过只读光盘存储器(Compact disc read-only memory，CD-ROM)驱动器读取的CD-ROM磁盘、闪存、ROM芯片或任何类型的固态非易失性存储器读取的CD-ROM磁盘的只读存储器(ROM)设备)；以及(ii)存储可变信息的可写存储介质(例如，软盘驱动器或硬盘驱动器或任何类型的固态随机存取存储器中的软盘)。当携带针对所公开实施例的功能的计算机可读指令时，这种计算机可读存储介质是本公开的实施例。
本领域技术人员应当了解，前面的示例是示例性的，而不是限制性的。本领域技术人员在阅读说明书和研究附图后，其所有排列、增强、等价物和改进都是显而易见的，都包含在本公开的真正精神和范围内。因此，以下所附权利要求旨在包括这些教导的真正精神和范围内的所有此类修改、组合和等价物。

Claims (20)

1.一种制造系统，包括：
一个或更多个站，每一个站配置为在样本的多步骤制造过程中执行至少一个步骤；
监控平台，配置为监控所述样本在整个所述多步骤制造过程中的进展；以及
控制模块，配置为动态调整所述多步骤制造过程中的每一个步骤的处理参数，以实现所述样本的期望最终质量度量标准，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在所述多步骤制造过程中的步骤处的所述样本的图像；
由所述控制模块基于所述样本的图像生成最终质量度量标准预测值；
由所述控制模块确定所述最终质量度量标准预测值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站的控制逻辑进行调整，其中所述调整包括应用由所述后续站执行的纠正动作。
2.根据权利要求1所述的制造系统，其中，在所述样本处理完成之前无法测量最终质量度量标准。
3.根据权利要求1所述的制造系统，其中，所述操作进一步包括：
训练神经网络以基于多个样本的多个图像生成所述最终质量度量标准预测值。
4.根据权利要求1所述的制造系统，其中，所述操作进一步包括：
训练门控循环单元以基于多个样本的多个图像生成所述最终质量度量标准预测值。
5.根据权利要求1所述的制造系统，其中，所述操作进一步包括：
训练聚类模块以标记多个样本的多个图像，以便训练机器学习模块，所述机器学习模块配置为基于所述多个图像生成所述最终质量度量标准预测值。
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站的控制逻辑进行调整，包括：
为又一后续站调整又一控制逻辑。
7.根据权利要求1所述的制造系统，其中，所述一个或更多个站中的每一个站对应于三维打印过程中的层沉积。
8.一种多步骤制造方法，包括：
通过计算系统从制造系统的监控平台接收一个或更多个站中的站处的样本的图像，每一个站配置为执行多步骤制造过程中的步骤；
由所述计算系统基于所述样本的图像生成最终质量度量标准预测值；
由所述计算系统确定所述最终质量度量标准预测值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站的控制逻辑进行调整，其中，所述调整包括待由所述后续站执行的纠正动作。
9.根据权利要求8所述的方法，其中，在所述样本处理完成之前，无法测量所述最终质量度量标准。
10.根据权利要求8所述的方法，还包括：
训练神经网络以基于多个样本的多个图像生成所述最终质量度量标准预测值。
11.根据权利要求8所述的方法，还包括：
训练门控循环单元以基于多个样本的多个图像生成所述最终质量度量标准预测值。
12.根据权利要求8所述的方法，还包括：
训练聚类模块以标记多个样本的多个图像，以便训练机器学习模块，所述机器学习模块配置为基于多个图像生成所述最终质量度量标准预测值。
13.根据权利要求8所述的方法，其中，由所述计算系统对至少后续站的控制逻辑进行调整，包括：
为又一后续站调整又一控制逻辑。
14.根据权利要求8所述的方法，其中，一个或更多个处理站中的每一个处理站对应于3D打印过程中的层沉积。
15.一种三维打印系统，包括：
处理站，配置为沉积多个层以形成样本；
监控平台，用于监测所述样本在整个沉积过程中的进展；以及
控制模块，配置为动态调整多个层中每一层的处理参数，以实现所述样本的期望最终质量度量标准，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层被沉积后的样本的图像；
由所述控制模块基于所述样本的图像生成最终质量度量标准预测值；
由所述控制模块确定所述最终质量度量标准预测值不在可接受值的范围内；以及
基于所述确定，由所述控制模块对待沉积的至少后续层的控制逻辑进行调整，其中，所述调整包括通过后续层的沉积而执行的纠正动作。
16.根据权利要求15所述的系统，其中，在所述样本处理完成之前，无法测量最终质量度量标准。
17.根据权利要求15所述的系统，其中，所述操作进一步包括：
训练神经网络以基于多个样本的多个图像生成所述最终质量度量标准预测值。
18.根据权利要求15所述的系统，其中，所述操作进一步包括：
训练门控循环单元以基于多个样本的多个图像生成所述最终质量度量标准预测值。
19.根据权利要求15所述的系统，其中，所述操作进一步包括：
训练聚类模块以标记多个样本的多个图像，以便训练机器学习模块，所述机器学习模块配置为基于多个图像生成所述最终质量度量标准预测值。
20.根据权利要求15所述的系统，其中，由所述控制模块对至少后续层的控制逻辑进行调整，包括：
调整又一后续层的又一控制逻辑。
CN202180011676.9A 2020-02-21 2021-02-19 制造过程的系统、方法和介质 Pending CN115039040A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062979639P 2020-02-21 2020-02-21
US62/979,639 2020-02-21
PCT/US2021/018858 WO2021168308A1 (en) 2020-02-21 2021-02-19 Systems, methods, and media for manufacturing processes

Publications (1)

Publication Number Publication Date
CN115039040A true CN115039040A (zh) 2022-09-09

Family

ID=77365512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180011676.9A Pending CN115039040A (zh) 2020-02-21 2021-02-19 制造过程的系统、方法和介质

Country Status (7)

Country Link
US (1) US20210263495A1 (zh)
EP (1) EP4107588A4 (zh)
JP (1) JP2023515015A (zh)
KR (1) KR20220133998A (zh)
CN (1) CN115039040A (zh)
TW (3) TW202407478A (zh)
WO (1) WO2021168308A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759698A (zh) * 2022-12-06 2023-03-07 中山联合鸿兴造纸有限公司 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统
CN116167251A (zh) * 2023-04-24 2023-05-26 四川省比杰智会科技有限公司 基于加工设备的自聚类工时定额建模方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7032816B2 (en) * 2001-12-28 2006-04-25 Kimberly-Clark Worldwide, Inc. Communication between machines and feed-forward control in event-based product manufacturing
EP1546827A1 (en) * 2002-09-30 2005-06-29 Tokyo Electron Limited Method and apparatus for the monitoring and control of a semiconductor manufacturing process
US7634151B2 (en) * 2005-06-23 2009-12-15 Hewlett-Packard Development Company, L.P. Imaging systems, articles of manufacture, and imaging methods
US7962237B2 (en) * 2008-08-06 2011-06-14 Objet Geometries Ltd. Method and apparatus for optimizing a scanning plan in three-dimensional printing
JP2014526148A (ja) * 2011-07-25 2014-10-02 エレクトロ サイエンティフィック インダストリーズ インコーポレーテッド 対象物を特徴付けて製造プロセスをモニタリングするための方法及び装置
JP6214889B2 (ja) * 2013-03-14 2017-10-18 株式会社東芝 プロセス監視診断装置
US10953609B1 (en) * 2013-03-22 2021-03-23 Markforged, Inc. Scanning print bed and part height in 3D printing
US9056422B2 (en) * 2013-04-09 2015-06-16 Massachusetts Institute Of Technology Methods and apparatus for encoded textures
GB201313841D0 (en) * 2013-08-02 2013-09-18 Rolls Royce Plc Method of Manufacturing a Component
US9855698B2 (en) * 2013-08-07 2018-01-02 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
WO2015120047A1 (en) * 2014-02-05 2015-08-13 United Technologies Corporation A self-monitoring additive manufacturing system and method of operation
CN103978307B (zh) * 2014-04-30 2015-08-05 中国科学院化学研究所 一种用于精确控温的高分子材料紫外激光3d打印方法及装置
CN105223914B (zh) * 2014-06-30 2018-09-07 中芯国际集成电路制造(上海)有限公司 管控机台生产数据的系统及其方法
TWI553436B (zh) * 2015-06-10 2016-10-11 A control system that monitors and obtains production information through a remote mobile device
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity
US11204597B2 (en) * 2016-05-20 2021-12-21 Moog Inc. Outer space digital logistics system
TWI655105B (zh) * 2017-01-05 2019-04-01 三緯國際立體列印科技股份有限公司 多色3d物件的切層列印方法
US10365640B2 (en) * 2017-04-11 2019-07-30 International Business Machines Corporation Controlling multi-stage manufacturing process based on internet of things (IoT) sensors and cognitive rule induction
JP7149291B2 (ja) * 2017-05-10 2022-10-06 モナッシュ ユニバーシティ 付加製造プロセスの品質保証及び制御のための方法及びシステム
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
US10360671B2 (en) * 2017-07-11 2019-07-23 Kla-Tencor Corporation Tool health monitoring and matching
US11511373B2 (en) * 2017-08-25 2022-11-29 Massachusetts Institute Of Technology Sensing and control of additive manufacturing processes
KR102516673B1 (ko) * 2017-12-20 2023-03-31 무그 인코포레이티드 우주 공간 디지털 물류 시스템
US10857738B2 (en) * 2018-03-19 2020-12-08 Tytus3D System Inc. Systems and methods for real-time defect detection, and automatic correction in additive manufacturing environment
US10518480B2 (en) * 2018-04-02 2019-12-31 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence feedback control in additive manufacturing
KR20190118300A (ko) 2018-04-10 2019-10-18 이성범 적립 포인트 또는 스마트폰의 폰빌링을 이용한 톨게이트 통행료 지불방법
JP2020001302A (ja) * 2018-06-29 2020-01-09 株式会社リコー 造形予測システム、造形予測表示システム、情報処理装置およびプログラム
CN208705198U (zh) * 2018-08-24 2019-04-05 泉州众鑫达信息科技有限公司 一种扬尘在线监测控制系统
CN109635875A (zh) * 2018-12-19 2019-04-16 浙江大学滨海产业技术研究院 一种基于深度学习的端到端网口检测方法
CN109919058A (zh) * 2019-02-26 2019-06-21 武汉大学 一种基于Yolo V3的多源视频影像重点目标快速检测方法
US10481579B1 (en) * 2019-02-28 2019-11-19 Nanotronics Imaging, Inc. Dynamic training for assembly lines
CN110328878A (zh) * 2019-05-17 2019-10-15 黑金刚（福建）自动化科技股份公司 一种鞋面的3d打印方法及其设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759698A (zh) * 2022-12-06 2023-03-07 中山联合鸿兴造纸有限公司 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统
CN116167251A (zh) * 2023-04-24 2023-05-26 四川省比杰智会科技有限公司 基于加工设备的自聚类工时定额建模方法
CN116167251B (zh) * 2023-04-24 2023-07-04 四川省比杰智会科技有限公司 基于加工设备的自聚类工时定额建模方法

Also Published As

Publication number Publication date
TW202136936A (zh) 2021-10-01
EP4107588A1 (en) 2022-12-28
TW202407478A (zh) 2024-02-16
TWI767576B (zh) 2022-06-11
TW202232257A (zh) 2022-08-16
WO2021168308A1 (en) 2021-08-26
EP4107588A4 (en) 2024-03-20
JP2023515015A (ja) 2023-04-12
US20210263495A1 (en) 2021-08-26
TWI823382B (zh) 2023-11-21
KR20220133998A (ko) 2022-10-05

Similar Documents

Publication Publication Date Title
CN115039040A (zh) 制造过程的系统、方法和介质
US11117328B2 (en) Systems, methods, and media for manufacturing processes
JP7320885B2 (ja) 製造プロセスのためのシステム、方法、および媒体
JP2023113719A (ja) 製造プロセスのためのシステム、方法、および媒体
US20210311440A1 (en) Systems, Methods, and Media for Manufacturing Processes
TWI801820B (zh) 用於製造流程之系統及方法
US20210192779A1 (en) Systems, Methods, and Media for Manufacturing Processes
JP7320884B2 (ja) 製造プロセスのためのシステム、方法、および媒体
JP2023530944A (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