CN115461175A - 系统和方法 - Google Patents
系统和方法 Download PDFInfo
- Publication number
- CN115461175A CN115461175A CN202180027190.4A CN202180027190A CN115461175A CN 115461175 A CN115461175 A CN 115461175A CN 202180027190 A CN202180027190 A CN 202180027190A CN 115461175 A CN115461175 A CN 115461175A
- Authority
- CN
- China
- Prior art keywords
- build
- parameters
- sensor
- manufacturing process
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 240
- 239000000463 material Substances 0.000 claims abstract description 174
- 230000008569 process Effects 0.000 claims abstract description 154
- 238000004519 manufacturing process Methods 0.000 claims abstract description 115
- 238000012544 monitoring process Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010309 melting process Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 89
- 230000005855 radiation Effects 0.000 claims description 66
- 239000000155 melt Substances 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 239000000654 additive Substances 0.000 claims description 15
- 230000000996 additive effect Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000011065 in-situ storage Methods 0.000 claims description 7
- 230000017525 heat dissipation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000008021 deposition Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 4
- 239000000843 powder Substances 0.000 description 34
- 238000005259 measurement Methods 0.000 description 21
- 238000002844 melting Methods 0.000 description 15
- 230000008018 melting Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 239000002184 metal Substances 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 239000007789 gas Substances 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000002994 raw material Substances 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000000275 quality assurance Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 235000000332 black box Nutrition 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005245 sintering Methods 0.000 description 3
- 108020001568 subdomains Proteins 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 230000005461 Bremsstrahlung Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000110 selective laser sintering Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000009969 flowable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000000874 microwave-assisted extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000012254 powdered material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
- 239000003496 welding fume Substances 0.000 description 1
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
- G05B19/4097—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/20—Direct sintering or melting
- B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/36—Process control of energy beam parameters
- B22F10/366—Scanning parameters, e.g. hatch distance or scanning strategy
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/36—Process control of energy beam parameters
- B22F10/368—Temperature or temperature gradient, e.g. temperature of the melt pool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/38—Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
-
- 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
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- 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
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Plasma & Fusion (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Analytical Chemistry (AREA)
- Powder Metallurgy (AREA)
Abstract
本申请描述了一种用于模拟在增层制造过程中通过传感器系统进行的过程监测的系统,增层制造过程尤其为选择性激光熔化过程,用于对生产三维工件所用的材料进行固化,其中该系统包括:数据输入端,可耦接到传感器系统的数据输出端并被配置为从传感器系统接收与通过传感器系统监测的过程相关的传感器数据,其中,数据输入端还被配置为接收一个或多个输入参数,该一个或多个输入参数(i)与增层制造过程相关,和/或(ii)与用于增层制造过程的增层制造设备相关,和/或(iii)与过程监测和/或传感器系统相关;以及处理单元,被耦接到数据输入端并被配置为根据传感器数据和一个或多个输入参数生成用于模拟过程监测的模型。
Description
技术领域
本发明总体上涉及一种系统,该系统用于模拟在用来对生产三维工件所用的材料进行固化的增层制造(特别是选择性激光熔化)过程中通过传感器系统(例如,熔池监测系统)对过程(例如,熔池)进行的监测;一种计算机程序产品,包括程序代码部分,该程序代码部分用于使用通过系统生成的模型来模拟在增层制造过程中通过传感器系统对过程进行的监测;一种用于确定影响增层制造过程的参数的方法,该增层制造过程用于对生产三维工件所用的材料进行固化;一种用于模拟在增层制造过程中通过传感器系统对过程进行的监测的方法,该增层制造过程用于固化生产三维工件所用的材料;一种用于通过增层构造方法生产三维工件的设备;一种用于基于传感器数据与使用模型所模拟的传感器数据之间的比较来分析传感器数据的方法;一种用于提供使用一种或多种前述方法分析的传感器数据的方法;一种计算机可读记录介质,其上存储有根据一种或多种前述方法分析的传感器数据;以及一种用于对增层制造的现场过程(例如,熔池)监测系统进行建模的神经网络。
背景技术
在增层(additive layering)方法中,通过生成一系列固化的和相互连接的工件层来逐层地生产工件。这些工艺可以通过原材料的类型和/或固化所述原材料以生产工件的方式来区分。
例如,粉末床熔合是一种增层工艺,通过该增层工艺,可以将特别是金属和/或陶瓷的粉末状原材料加工成具有复杂形状的三维工件。为此,将原材料粉末层施加到载架(carrier)上并且取决于待生产的工件的期望几何形状而以选择位置的方式来使该原材料粉末层经受例如电子辐射或激光辐射。穿透到粉末层中的辐射引起对原材料粉末颗粒的加热并因此使该原材料粉末颗粒熔化或烧结。然后,将另外的原材料粉末层依次施加到在载架上已经经过辐射处理的层上,直到工件具有所期望的形状和尺寸。选择性电子束熔化、选择性激光熔化或激光烧结尤其可被用于基于CAD数据生产原型、工具、替换部件或例如为牙科假体或矫形假体的医疗假体。
在整个本发明中,对选择性激光熔化的任何引用同样适用于选择性激光烧结、选择性电子束熔化、立体光刻、MELATO、选择性热烧结或任何其它基于能量束的增材加工方法。因此,对增层制造的任何引用可适用于选择性激光熔化、选择性激光烧结、选择性电子束熔化、立体光刻、MELATO、选择性热烧结和任何其它基于能量束的增材加工方法中的一种或多种。
增层构造方法的重要参数是所生产的工件的质量。此外,例如在保持生产周期尽可能短的意义上,生产效率是至关重要的。例如,已知许多用于加速单个工件层的生产的策略。然而,当生产大型工件时,已知的解决方案并不总能实现所期望的效率和/或质量。
增材制造(Additive Manufacturing,AM)涉及许多复杂的需要在过程中监测和控制的变量,以便实现所打印的部件的可接受的质量。过程监测的一种常用方法是测量熔池特性。由于所收集的数据量以及过程参数和部件几何形状的未知影响,对特性进行分析可能很复杂。
经过二十多年的发展,金属增材制造在工业生产环境中建立了高要求的市场,例如:基于日益提高的生产力、可重复性和可靠性的汽车市场、航空航天市场或能源市场。除了所有已知的技术优势之外,例如高几何自由度和创建各种几何特征的高可能性,通过部件重新设计和应用轻量化构造方法而降低成本或者由于经优化的流体特性或应力降低而获得更高的部件性能,终端用户行业需要如何记录整个构建过程以及如何确保部件质量的解决方案,这不仅仅是因为高承压部件被用于与安全性相关的应用场合。选择性激光熔化包括许多复杂的变量,例如构建部件的放置和朝向、过程参数以及机器和环境条件,这使得确保稳定和可靠的条件、生产具有达到部件的假设质量要求的可重复的质量特征的最终部件变得具有挑战性。
现有的商用和工业化金属增材制造机器的现状是,各种在轴上或离轴工作的质量保证方法和技术已经到位或正在开发中,并且新的方法在科学环境中被不断向前推进,以便监测和/或记录在构建工作期间可能影响部件质量的异常情况。
发明内容
因此,本发明的目的尤其是要提高使用增层制造过程(additive layermanufacturing process)生产的三维工件的质量。本发明的另一目的是模拟增层制造过程,从而调整该过程以提高三维工件的质量。本发明的另一目的是确定影响增层制造过程达到预定的程度的参数。
因此,本申请描述了一种用于模拟在增层制造(尤其为选择性激光熔化)过程中通过传感器系统进行的过程监测的系统,所述增层制造过程用于对生产三维工件所用的材料进行固化,其中,系统包括:数据输入端,该数据输入端能够被耦接到传感器系统的数据输出端并且被配置为从传感器系统接收与通过传感器系统监测的过程有关的传感器数据,其中,数据输入端进一步被配置为接收一个或多个输入参数,该一个或多个输入参数(i)与增层制造过程相关和/或(ii)与用于增层制造过程的增层制造设备相关和/或(iii)与过程监测和/或传感器系统相关;以及处理单元,耦接到数据输入端并且被配置为根据传感器数据和一个或多个输入参数生成用于模拟所述过程监测的模型。
发明人意识到,虽然过程监测的常用方法是通过例如热辐射来测量现场(例如熔池)特性,但在没有进一步了解系统行为的情况下,由于收集的数据量以及过程参数和三维工件的部件几何形状的未知影响,去分析数据,尤其是分析特性可能是复杂的或甚至是不可能的。
如本文所描述的系统(和方法)的示例实施方式尤其允许对过程(例如熔池)进行现场监测并且在增层制造过程(例如选择性激光熔化过程)期间或甚至在制造三维工件的某一层之前采取行动,以便提高三维工件的质量。系统由此被配置为模拟对尤其取决于过程参数的过程(例如熔池)进行的监测,该过程参数与增层制造过程相关和/或(ii)与用于增层制造过程的增层制造设备相关和/或(iii)与过程监测和/或传感器系统相关。
在整个本发明中,熔池可被定义为在增层制造过程期间被加热到使得材料(例如,其最初可以呈粉末形式,特别是金属粉末的形式)熔化成液态的程度的材料。
传感器系统例如可以包括一个或多个摄像头。
本文所述的示例实施方式可以除熔池之外或替代熔池地被用于监测/模拟烟雾和/或碎屑和/或飞溅物,其在粉末床中的轨迹和坠落位置可以在一个层的曝光期间被监测/模拟,该烟雾和/或碎屑和/或飞溅物一方面会干扰直接照射,另一方面由于飞溅物部分地残留在粉末床中而会影响下一层的曝光。
另外地或替代地,监测/模拟可以涉及层施加(或者在施加层之后以及在通过激光曝光之前拍摄图像),其中,一方面,可以检测到对层的均匀性的干扰以及工件结构中的偏差(如果施加的功率不正确,则固化区域可能例如整体升高或显示出局部升高(例如,由于在熔池处发生熔体喷射)),另一方面,通过热成像图像可以得出关于刚刚曝光的层和局部层厚度的结论。
在系统的某些示例中,过程监测包括对熔池的监测,传感器系统包括熔池监测系统,并且用于模拟过程监测的模型包括用于模拟对熔池进行的监测的模型,并且其中,与被熔池监测系统监测的熔池相关的传感器数据包括与以下中的一项或多项相关的传感器数据:熔池的特性;源自于熔池的辐射,特别是源自于熔池或者源自于包围熔池或在熔池后面的区域的热辐射或韧致辐射;源自于固化的材料(其可以被包括在包围熔池或在熔池后面的区域中,或者与该区域相同)的辐射;源自于用于产生熔池的增层制造过程的等离子体的特性,等离子体源自于从熔池蒸发的材料;源自于等离子体的辐射,特别是源自于等离子体的热辐射;以及从熔池和/或等离子体反射和/或衍射的辐射,特别是源自于用于产生熔池的激光器的激光辐射。在向系统的数据输入端馈送一个或多个输入参数时可以考虑到这些传感器数据,以便系统的处理单元基于传感器数据和一个或多个输入参数生成模型。考虑到熔池的特性、源自于熔池的辐射,特别是源自于熔池或者源自于包围熔池或在熔池后面的区域的热辐射或韧致辐射、源自于固化的材料的辐射、源自于用于产生熔池的增层制造过程的等离子体的特性,等离子体源自于从熔池蒸发的材料、源自于等离子体的辐射,特别是源自于等离子体的热辐射、以及从熔池和/或等离子体反射和/或衍射的辐射,特别是源自于用于产生熔池的激光器的激光辐射中的一项或多项能够改进由处理单元生成的模型,在制备三维工件时这可以被考虑在内,以便提高工件的质量。
在系统的某些示例中,一个或多个输入参数涉及在传感器系统的检测范围内的未固化材料和固化材料的面积和/或体积相对于彼此的分布和/或排列,或者基于该传感器系统的检测范围内的未固化材料和固化材料的面积和/或体积相对于彼此的分布和/或排列来计算一个或多个输入参数。另外地或替代地,一个或多个输入参数与在传感器系统的检测范围内的未固化材料与固化材料之间的比率相关,或者基于该比率来计算一个或多个输入参数,特别地,其中在检测范围内的未固化材料与固化材料之间的比率包括在预定数量的(一个或多个)材料层中,在检测范围内的未固化材料与固化材料之间的比率。在本发明中,未固化材料可被定义为没有被能量束/辐射束照射的材料,尽管应当理解,在一些示例中,该材料可以以固体状态存在,即作为粉末、箔或片材。相反,固化的材料可以根据本发明而被定义为被能量束/辐射束照射过以使材料熔化并随后固化为工件的一部分的材料。另外地或替代地,一个或多个输入参数包括限定出在传感器系统的检测范围内的固化材料或未固化材料的位置的一个或多个参数。当生成模型时可以考虑到诸如为检测区域的热导率、辐射特性和温度的这些特性,这些特性可以通过固化材料和未固化材料相对于彼此的分配、分布和排列来确定。这些参数在固化材料和未固化材料之间可能不同。当基于模型的模拟被用于调整增层制造过程时,这尤其能够改进模型以便提高待生产的三维工件的质量。
因此,在系统的某些示例中,一个或多个输入参数分别包括在传感器系统的检测范围内的未固化材料的热导率、辐射特性、温度以及固化材料的温度中的一个或多个。另外地或替代地,一个或多个输入参数包括两个波长光谱的强度的与温度相关的商。
在某些示例中,系统被配置为随时间计算一个或多个输入参数。这尤其使得能够调整模型,以便模拟在增层制造过程期间对过程的现场监测,从而通过考虑到当前情况来改进模型,这最终可以提高三维工件的质量。
在某些示例中,系统被配置为基于一个或多个输出参数来计算用于限定的材料层的一个或多个输入参数,该一个或多个输出参数是基于对位于限定的材料层下方的一个或多个材料层进行的模拟而被输出的。考虑到对位于限定的材料层下方的一个或多个材料层进行的模拟,可以基于与位于限定的材料层下方的所模拟的一个或多个材料层相关的一个或多个特性来针对限定的材料层改进模型。限定的材料层的特性尤其可以取决于位于限定的材料层下方的一个或多个材料层的特性。
在某些示例中,系统被配置为基于一个或多个输出参数来计算用于多个第一材料层的一个或多个输入参数,该一个或多个输出参数是基于对位于多个第一材料层下方的多个第二材料层进行的模拟而被输出的。考虑到对位于多个第一材料层下方的多个第二材料层进行的模拟,可以基于与所模拟的多个第二材料层相关的一个或多个特性来针对多个第一材料层改进模型。特别地,计算多个第一材料层的一个或多个输入参数可以进一步提高针对各个材料层生成模型的效率。
在某些示例中,系统被配置为基于一个或多个参数来计算用于一个材料层或多个材料层的一个或多个输入参数,该一个或多个参数指示一个或多个位于下方的层何时被辐射或已经被辐射。这可能是特别有利的,因为一个或多个位于下方的层的辐射特性取决于自从位于下方的层被辐射以来经过的时间和/或取决于位于下方的层被辐射了或已经被辐射了多长时间的时间段。由此可以针对应用模型的材料层来改进生成的模型。
在某些示例中,指示一个或多个位于下方的层何时被辐射或已经被辐射的一个或多个参数是位置相关的参数。这使得能够基于这些一个或多个位置相关的参数来进一步改进模型。
在系统的某些示例中,一个或多个输入参数包括在增层制造过程中使用的辐射束的辐射束功率(例如激光功率)、扫描速度、在增层制造过程中使用的填充距离和材料的材料层厚度中的一个或多个。这使得能够改进生成的模型,因为在某些示例中,这些输入参数可能会显著影响过程监测的测量信号。
在某些示例中,一个或多个输入参数涉及或包括以下参数中的一个或多个:辐射(例如激光)束直径;增层制造过程期间的热耗散;待固化的材料的物理特性;增层制造设备的光学表面和/或扫描单元和/或激光器和/或层沉积单元和/或增层制造设备内的气流和/或温度分布;以及在增层制造过程中使用的扫描策略,特别是辐射束在材料层上的位置和/或辐射束的偏转角和/或用于扫描跨材料层的辐射束的矢量的矢量角和/或矢量长度和/或用于相对于气流方向扫描跨材料层的辐射束的扫描方向。
在系统的某些示例中,处理单元包括人工神经网络,并且其中,生成模型包括:生成包括传感器数据和一个或多个输入参数的数据集;将数据集分为测试数据集和训练数据集;为人工神经网络选择神经网络模型;基于神经网络模型使用训练数据集对人工神经网络进行训练;以及使用测试数据集来评估神经网络模型。通过基于人工神经网络(Artificial Neuronal Network,ANN)的机器学习算法来模拟、分析和评估现场使用的传感器(例如熔池监测(Melt Pool Monitoring,MPM))系统的数据,能够有效地分析过程监测的数据,即使是针对可能收集到的大量数据。
在系统的某些示例中,所述评估包括:定义对人工神经网络的要求;以及如果与人工神经网络相关的度量不满足要求,则改变人工神经网络的结构和/或拓扑结构,直到满足要求为止。由此可以针对被应用于对过程监测(例如,熔池)进行模拟的模型的特定用例来改进人工神经网络的结构和/或拓扑结构。模型的生成可以包括基于人工神经网络的改变后的结构和/或拓扑结构来训练人工神经网络。
在某些示例中,系统被配置为对传感器数据进行模拟,该传感器数据是由传感器系统基于模型和一个或多个输入参数而输出的。由传感器系统输出的传感器数据可包括用于由处理单元生成模型的传感器数据和/或在模型已被生成后由传感器系统输出的传感器数据。然后,可以有利地随后使用所模拟的传感器数据来调整增层制造过程。
在某些示例中,系统被配置为:将由传感器系统输出的传感器数据与模拟的传感器数据进行比较;以及基于所述比较,对在增层制造过程期间的异常和/或过程错误进行检测。另外地或替代地,甚至在进行增层制造过程之前,可以基于比较来确定异常和/或过程错误。
在某些示例中,系统被配置为在增层制造过程期间现场执行所述比较。当需要时,这有利地使得能够现场调整增层制造过程。
在某些示例中,系统被配置为基于所述比较对增层制造设备提供信号,以便特别是通过停止当前的增层制造过程来调整当前的增层制造过程。这尤其使得能够调整用于增层制造过程的参数,从而最终提高待生产的三维工件的质量。根据测量到的参数,例如可以自动调整参数或仅提出更改建议。另外地或替代地,部分取消构造过程也是可行的,例如可以取消具有数个部件的订单中的个别部件。
在某些示例中,系统被配置为生成数据库,该数据库包括所生成的用于后续在模拟中使用的模型。可以更新数据库中生成的模型,以便提高模型在一种或多种用例下的性能。
在某些示例中,系统被进一步配置为基于模拟模型,来调整用于增层制造过程的过程参数和/或使用增层制造过程生产的三维工件的几何形状。这尤其有利地使得能够干预当前过程和/或改变三维工件的预期几何形状,以便调整过程和/或几何形状,从而最终改进工件的质量。例如,这可以是几何形状的自动调整,或者只是更改的建议。甚至在生产开始之前就建议出最优的几何形状也是可行的。
在系统的某些示例中,基于使传感器数据与模拟数据之间的平均绝对误差最小化来对人工神经网络进行训练,该模拟数据与对过程监测进行的模拟相关。由此可以改进三维工件的质量。
在某些示例中,基于人工神经网络的多个拓扑结构对人工神经网络进行训练,并且其中,每个拓扑结构与其它拓扑结构的不同之处在于隐层的数量和/或每个隐层的神经元的数量。因此,可以找到人工神经网络针对特定用例的最佳拓扑结构,以便改进生成的用于模拟过程监测的模型。
在某些示例中,系统被配置为对人工神经网络的拓扑结构进行训练,直至达到最小平均绝对误差为止,这使得能够在生产三维工件时使三维工件的任何异常和/或过程误差最小化。
在某些示例中,人工神经网络包括多维人工神经网络。这对于充分处理待生产的三维工件的几何形状可能是特别有利的。
本申请还描述了一种计算机程序产品,包括程序代码部分,其用于使用通过本文所描述的示例实施方式中的任一个中的系统生成的模型来模拟在增层制造过程中由传感器系统(例如,熔池监测系统)进行的过程(例如,熔池)监测。该计算机程序产品尤其可被存储在计算机可读记录介质上。
本申请还描述了一种用于确定影响增层制造过程的参数的方法,该增层制造过程用于对生产三维工件所用的材料进行固化,该方法包括:确定一个或多个材料层的面积和/或体积;在特定的时间点确定一个或多个材料层的面积和/或体积中已固化的一个部分或多个部分;以及根据一个或多个材料层的面积和/或体积中的确定为已固化的一部分或多个部分,来确定影响增层制造过程的参数。然后,例如当生成用于对过程监测进行模拟的模型时可以使用该参数。如上所述,固化的材料和未固化的材料可具有不同的特性,特别是热耗散特性,因此在生成模型时可以考虑这些特性。
在某些示例中,基于在特定的时间点的(二维的)面积和/或体积中的固化材料与未固化材料之间的第一比率来确定参数。第一比率在此可以分别指固化材料的量与未固化材料的量之间的比率。另外地或替代地,在某些示例中,基于在特定的时间点的面积和/或体积中的固化材料与待固化材料之间的第二比率来确定参数,以便生产三维工件。
在某些示例中,基于先前固化的材料在面积和/或体积中的位置来确定参数。由此可以考虑例如该位置是否靠近例如传感器系统的检测区域的边缘区域,或者该位置是否更集中在检测区域内。
在某些示例中,面积和/或体积分别大于将在特定的时间点使用增层制造过程在其中生产三维工件的面积和/或体积,尤其是大于熔池的面积和/或体积。
本申请还描述了一种用于模拟在增层制造过程中通过传感器系统(例如,熔池监测系统)进行的过程(例如,熔池)监测的方法,该增层制造过程用于对生产三维工件所用的材料进行固化,该方法包括:使用根据前述的示例实施方式中的任一个的方法来确定参数;以及将参数馈送至用于模拟该过程监测的模型中。考虑到在生成模型时所使用的参数,该模型在此可以是特别精确的,其中该参数是根据一个或多个材料层的面积和/或体积中被确定为已固化的一个部分或多个部分来确定的。
在某些示例中,方法进一步包括使用确定的参数和输入参数来确定参考参数,其中,输入参数包括下述参数中的一种或多种:与用于增层制造过程的设备的环境相关的参数、与待固化的材料的物理特性相关的参数、与过程监测相关的参数、与用于增层制造过程的设备相关的参数、以及与增层制造过程相关的参数;并且其中,该方法还包括使用参考参数来解译由传感器系统输出的传感器信号。在某些示例中,参考参数是使用人工神经网络确定的。人工神经网络的输入可包括一个或多个常数和/或一个或多个一维时间序列。因此,人工神经网络可使得能够处理大量的数据。
在某些示例中,传感器信号用于(i)确定影响增层制造过程的参数,和/或(ii)作为人工神经网络的输入参数。因此,可以执行一个循环,以便针对用例和/或用于对过程监测进行模拟的模型改进人工神经网络。
本申请还描述了一种计算机程序产品,包括程序代码部分,该程序代码部分用于当计算机程序产品在一个或多个计算装置上被执行时,实施根据前述的示例实施方式中的任一个的方法。该计算机程序产品尤其可被存储在计算机可读记录介质上。
本申请还描述了一种用于通过增层构造(即,制造)方法来生产三维工件的设备,该设备包括:载架,其被构造为容纳用于生产三维工件的材料;材料供应单元,其被构造为向载架和/或载架顶部上的先前材料层提供材料;层沉积机构,其用于将所提供的材料形成为在载架顶部上的和/或在载架顶部上的先前材料层上的材料层;固化装置,其被构造为对被提供给载架和/或载架顶部上的先前材料层的材料进行固化,用以生产三维工件;气体供应单元,其被构造为向材料层的待由固化装置进行固化的区域提供保护气体;过程室,其包括气体供应单元和固化装置;监测系统,其用于监测材料被固化所在的区域;以及根据本文中描述的示例实施方式中的任一个的用于对过程监测进行模拟的系统。在某些示例中,设备还包括根据本文中描述的示例实施方式中的任一个的计算机程序产品。
本申请还描述了一种方法,该方法包括:提供传感器数据,该传感器数据与在增层制造过程期间由传感器系统监测的过程或由传感器系统先前监测的过程相关;提供用于模拟对过程进行的监测的模型,该模型(i)通过根据本文中描述的示例实施方式中的任一个的系统而生成,和/或(ii)通过根据本文中描述的示例实施方式中的任一个的计算机程序产品而提供,和/或(iii)使用根据本文中描述的示例实施方式中的任一个确定的参数而生成;其中,该方法还包括基于传感器数据与使用模型模拟出的传感器数据之间的比较来分析传感器数据。
在某些示例中,与由传感器系统监测的过程相关的传感器数据包括与以下中的一项或多项相关的传感器数据:熔池的特性;源自于熔池的辐射,特别是源自于熔池的热辐射;源自于固化的材料的辐射;源于用于产生熔池的增层制造过程的等离子体的特性,等离子体源自于从熔池蒸发的材料;源自于等离子体的辐射,特别是源自于等离子体的热辐射;以及从熔池和/或等离子体反射和/或衍射的辐射,特别是源于用于产生熔池的激光器的激光辐射。
本申请还描述了一种方法,该方法包括提供使用根据前述的示例实施方式中的任一个的方法分析的传感器数据。
本申请还描述了一种计算机可读记录介质,在其上存储有根据前述的示例实施方式中的任一个的方法分析的传感器数据。
附图说明
现将参考附图仅以示例的方式进一步描述本发明的这些和其它方面,其中相同的附图标记指代相同的部件,在附图中:
图1示出了根据本文所述的一些示例实施方式的用于生产三维工件的设备的示意图;
图2示出了根据本文所述的一些示例实施方式的作为黑盒(Black-Box)的技术系统的模型;
图3示出了根据本文所述的一些示例实施方式的人工神经元的基本结构;
图4示出了根据本文所述的一些示例实施方式的使用参考立方和特征立方进行的部件对齐和定位的示意图;
图5示出了根据本文所述的一些示例实施方式的具有测试和评估概念的方法的流程图;
图6示出了根据本文所述的一些示例实施方式的具有已识别的输入参数的黑盒模型的示意图;
图7示出了根据本文所述的一些示例实施方式的实际测量的传感器值(左)和模拟的传感器值(右);
图8示出了根据本文所述的一些示例实施方式的模拟的平均绝对误差;
图9示出了根据本文所述的一些示例实施方式的示例MPM测量信号和模拟;
图10示出了根据本文所述的一些示例实施方式的模型的在线训练和离线训练;
图11示出了根据本文所述的一些示例实施方式的连接到数据库的模型的网络;
图12示出了根据本文所述的一些示例实施方式的粉末床、工件以及配准体积和面积;
图13示出了根据本文所述的一些示例实施方式的用于生产三维工件的设备的示意性框图;
图14示出了根据本文所述的一些示例实施方式的一种用于确定影响增层制造过程的参数的方法;
图15示出了根据本文所述的一些示例实施方式的一种用于使用确定的参数和输入参数来确定参考参数的方法;以及
图16示出了根据本文所述的一些示例实施方式的一种用于在计算机可读记录介质上提供经分析的传感器数据的方法。
具体实施方式
选择性激光熔化过程的工业应用中(或通常在增层制造中)的主要挑战之一是不稳定的部件质量、过程稳定性和可重复性。这些挑战的原因是多种多样的相互作用机制和因果原理,由于其复杂性而无法总是清楚地对这些原因进行追溯,且在生产过程中也可能发生变化。
因此,传感器和监测系统被越来越多地用于生产过程的质量保证和记录。
图1示出了根据本文所述的示例实施方式的用于生产三维工件的设备100的示意图。
在该示例中,设备100包括用于监测熔池的熔池监测装置或系统102,在该示例中,该熔池监测装置或系统包括第一光电二极管104和第二光电二极管106、分束器110和反射镜108。分束器110可以根据不同的波长来划分入射辐射。
设备100还包括用于监测激光功率的激光功率监测装置或系统130。在该示例中,激光功率监测装置或系统130包括光电二极管132。
在该示例中,使用激光器112产生波长为1064nm的激光束。在该示例中,使用准直器114对激光束进行准直。经准直的激光束在到达分束器118之前穿过3D聚焦单元116,其中激光束一方面朝向激光功率监测装置或系统130行进,另一方面经由扫描仪120朝向构建室122行进。尽管未示出,但显然额外的光束形成元件(即额外的聚焦元件)或光束转向元件(即附加的扫描镜),可以存在于光束路径中的任何位置。此外,可存在不影响激光束的元件,例如构建室的入口窗。
在该示例中,由熔池监测装置或系统102监测的辐射的波长大于在此为1064nm的激光束波长。在另一个示例中,可以使用小于激光束波长的波长,或者也可以使用包括激光波长的光谱。
在该示例中,提供粉末施加单元124以便将金属粉末126施加在可伸缩的平台128上。
根据通过熔池监测系统记录的数据,可以得出指向熔化过程期间的不正常情况且导致部件中的潜在缺陷的结论。
根据部件体积,并且在不断增加的工厂技术的背景下,一个或多个高分辨率过程监测系统生成的数据量太大并且太复杂,而无法通过手动和传统的数据处理方法来进行有目的性的评估。
本文所述的某些示例实施方式提供了一种使用基于神经网络的机器学习算法的数据驱动方法,以模拟现场熔池监测系统,以及提供所模拟的现场熔池监测系统的某些用例。在某些示例中,系统模型的输入特征包括过程参数以及有关构建策略的信息。通过这些输入特征,可以训练模型以便预测现场熔池监测系统的常见的传感器输出。对记录的数据与模拟的数据进行比较可以使分析能够识别出在融合期间的潜在不正常情况,这些不正常情况可以基于一基准而指示出在构建期间的异常或者指示出过程不稳定性。
通过熔池监测模型或者一个或多个监测系统的模型,可以将模拟出的传感器信号和测量到的传感器信号进行比较—基准,这种方式下是未知的,且是专门为本申请创建的。通过这种比较,可以在构造期间检测到过程波动或不稳定性和/或任何异常或部件缺陷,从而可以采取适当的纠正措施来实时调整生产参数,部件可被重新加工或从其它的过程中移除,或者可以将相应的过程事件并行地馈送至知识数据库。在有充足的知识库的基础上,还可以在制造过程之前(即,在一个或多个部件的制造过程的准备期间,尤其是在制造过程的相应制造参数的设置、定向和传递的预处理过程中)考虑到过程波动或不稳定性和/或任何异常或组件错误。这会提高制造出的部件的质量,以及提高机器在材料消耗、生产时间或下游后处理程序、以及可能不再需要进行破坏性的或非破坏性的材料测试方面的经济效率。为了公平地满足行业对“一次成功率(first-time-right)”原则的要求(即,从制造过程一开始就将工件生产成具有一定的质量),模拟该过程可能是有利的。通过熔池监测的模拟模型或者通过另外的系统或多个监测系统的相应布置,甚至可以在实际生产过程之前根据过程参数或部件/工件几何形状而优化诸如生产时间或质量之类的目标参数。与例如热模拟的商业上可用的模拟应用相比,本文基于所使用的现场过程监测,这是因为真实的过程数据被用作建模或模拟的基础。通过MPM的仿真模型,已经可以在实际构造过程之前在热负荷方面对过程参数或部件几何形状进行优化。
本发明的目的是对未进一步限定的过程稳定性进行识别以及对局部异常进行识别。过程稳定性的定义可取决于给定的质量要求。考虑到对系统以及信号特性的深入检查,可以使用本文所描述的系统和方法来开发这种高级构思(方法)和神经网络所应用的输入变量的一部分。
如果从今天开始过程监测系统指示出不正常情况,则大部分数据或分析在整个构建作业之后(离线)都是可用的。根据本文所述的示例实施方式的目标是在不得不将成本和时间有效的后处理非破坏性检测(Non-Destructive Testing,NDT)方法,尤其是计算机断层摄影(Computer Tomography,CT)用于所有最终部件之前,识别出条件或部件不正常情况。可能需要在过程期间(在线)可用的可靠质量指标,以便能够使用其他控制方法,从而删除作业的单个部件或转发并将此信息用于局部后处理NDT。本发明解决了特别是用于对MPM建模的人工神经网络(Neural Network,NN)的开发、实施和评估。为此,可能有必要确定所有相关的物理输入参数。对于模型的输入参数和输出参数,需要选择合适的NN并开发相应的拓扑结构。经预处理的数据可被用于训练和测试实施的NN。目的是开发一个足够精确的输入输出模型,该模型能够对模拟的传感器信号和测量的传感器信号进行比较,而与制造的部件/工件的几何形状无关。随后,该比较可被用于检测将与未来部件的质量特性相关的信号异常和过程变化。
如本领域技术人员应理解的,大数据(bid data)指的是太大、太复杂、太快速移动或结构太弱,而例如无法使用手动和传统的数据处理方法进行评估的数据量。人工智能(Artificial Intelligence,AI)是指与提供以前为人类保留的智力服务关联使用的所有技术。“机器学习”(Machine Learning,MI)、“深度学习”(Deep Learning,DL)、“自然语言处理”(Natural Language Processing,NLP)和“神经网络”(NN)是AI的对应子领域,部分是这些子领域内的子领域。人工神经网络(ANN)已被用于科学应用达几十年的时间。然而,近年来,用于并行计算的硬件的重大进步和海量数据集的可用性使得NN在不同领域的许多应用中越来越受欢迎。鉴于NN的架构灵活性,它们可以根据特定要求进行定制,并且可以针对许多不同的应用而被训练。ANN是一种模拟生物NN中的信息处理的数学模型。神经细胞的数学映射以及由此开发的ANN可以追溯到本领域已知的基础工作。
与神经网络的系统建模有关,技术系统的建模通常旨在理解真实系统的因果原理并且以数学方式表示该因果原理。这样的系统也被称为黑盒,如图2所示,仅仅其输入变量和输出变量可被用于识别。在人工智能和机器学习方面,黑盒模型被理解为在统计性质上与基于分析和物理描述并因此非常复杂的白盒模型形成对比。灰盒模型正在结合这些方法。尽管三个模型全都可被用于本发明的目的,但黑盒是最优选的,而白盒是次优选的。
根据对输入变量和输出变量的测量确定系统行为的数学模型被称为实验系统识别。复杂、非线性和动态系统的ANN适合作为通用近似手段。这些网络的重要特征是它们的适应性。通过用真实系统的输入变量和输出变量来训练ANN,网络的内部参数被调整,目的在于得到尽可能准确的系统图像。ANN的结构或拓扑结构可取决于待建模的系统的应用和特性。ANN可以被划分为三类:多层感知器(Multilayer Perceptron,MLP)、递归神经网络(Recurrent Neural Network,RNN)和卷积神经网络(Convolutional Neural Network,CNN)。
人工神经元以生物神经细胞为基础,构成了ANN的最小处理单元。人工神经元的基本结构如图3所示。
一神经元y具有一个或多个输入xi和一个输出yi。权重wij描述了沿着链路的信息流的强度。根据权重的符号,加入(entrance)可以起到抑制或激励的作用。在权重为零时,可以认为连接不存在。传播函数将经加权的输入链接到所谓的网络输入netj,其中该函数通常只形成输入的总和。其它的理论相关性是可行的。因此,神经元的网络输入可被总结为以下等式:
根据网络输入并借助于激活函数f来形成神经元输出,该函数f通常是sigmoid函数。根据网格拓扑结构,可以使用另一种非线性函数、分段线性函数或跳跃函数。一般来说,激活函数是单调递增的。因此,可以用以下等式描述神经元输出:
ANN由至少一个或多个并行的神经元组成。NN的类型或拓扑结构决定了不同神经元的连接方式。网络由至少一个输入层和一个输出层组成,通常在这两个层之间有隐层。输入层中的神经元的数量取决于要考虑的输入参数的数量。根据问题,输出层中的神经元的数量可以发生变化。
为了减少网络误差,通常使用基于梯度的方法来确定误差下降最快的方向,这类似于在非线性方程系统(例如成本函数)中找到全局最小值。训练的目标是在不过度拟合ANN的情况下使成本函数最小化,以便ANN不会记忆训练数据集,并且避免成本函数的常见变化,例如噪声。为了解决这个问题,使用训练集和测试集来设置方差与偏差之间的最佳成本函数。
现在,在开发阶段有许多方法,在这些方法中,可以在使用人工智能对增材制造进行过程监测的期间使用AI进行错误检测。这些方法中的大多数首先在所使用的传感器上有所不同。可以使用高分辨率反光摄像头在曝光前后拍摄图片。构建过程完成后,使用CT来测量部件,并且发现的错误作为参考,随后可以使用该参考来实施有监督的机器学习算法,该机器学习算法将所采集的图像数据与CT测量值相关联。然后,经训练的算法能够仅使用在过程期间获取的图像数据来检测部件中的缺陷。或者,使用被限制在工作平面的一小块区域的高速摄像机来记录熔池的形状。或者,借助于高温计来分析熔池的热辐射或热辐射的同轴组合,借助于高速摄像机来分析熔池动力学,并将其与制造的部件的缺陷或机械特性相关联。
发明人意识到现有工作的一大部分都集中在对简单立方几何形状中的缺陷进行检测和定位,并且只能在有限的程度上转移到其它更复杂的部件几何形状上。所使用的传感器常常无法被集成到市售的金属AM机器中。
本公开中提出的一些研究是在具有80pm至115pm焦点直径和700W激光的SLM 280HL单光学机器上进行的,该单光学机器配备有MPM过程监测系统以及工作在100kHz下并且具有16位x/y坐标表示的FPGA,该MPM过程监测系统是一种基于两个光电二极管的同轴现场测量装置。在以下方法中,光电二极管1的传感器数据对应通道1,而光电二极管2的传感器数据对应通道2。
有关机器和光学系统设置以及MPM系统的硬件、软件和测量原理的更多详细信息被公布在D.Alberts、D.Schwarze和G.Witt的“用于选择性激光熔化的高速熔池和激光功率监测”,第9届国际光子技术会议,LANE,2016年,https://www.lane-confer-ence.org/app/download/11537198949/LANE2016_1219_Alberts_IC_endformat.pdf?t=1534490222,以及在D.Alberts、D.Schwarze和G.Witt的“用于选择性激光熔化的质量保证的现场熔池监测和718的部件密度的相关性”,固体自由形状制造:第28届国际年度会议论文集,2017年,第1481-1495页。
使用了IN718当时由SLM Solutions Group 开发和验证的官方材料文件。研究得出平均部件密度为99.8%,从而制造的部件可被用作为几乎无缺陷的参考。例如为惰性气体气氛(氩气)、氧气含量(<0.1%)、气体流速、预热温度(200℃)或压力比的边界条件在整个过程中被监测,并且在恒定条件下借助于集成控制系统进行制造。所用的粉末材料具有球形形状,其颗粒尺寸分布为10-45pm。
对于这种方法,已经产生了两个构建作业,一个作业具有五个部件和基于基本立方几何形状(参考立方)的参考参数,以及一个作业具有五个部件和包含不同几何形状特征(特征立方)的参考参数。部件对齐和定位如图4所示。
几何形状特征包括竖直的、薄而尖的壁或粉末夹杂物、具有不同悬角和张角的三角形以及具有不同直径的水平圆柱形孔和具有不同长度的矩形。对于每一层,单部件曝光从左到右逆着气流进行。在每一层之后使用双向条纹曝光和一定的角度增量作为填充图案。
图5示出了包含测试和评估概念的方法的流程图。
对于产生的每一层,MPM生成例如二进制文件,该二进制文件包含每个测量周期的测量值和构建过程的过程数据,然后根据该二进制文件计算与ANN相关的所有输入参数。
由输入数据(过程数据和计算出的输入参数)和输出数据(来自通道1和通道2的传感器数据)组成的数据集(1到n二进制数据)构成了用于训练和测试ANN的基础。
对编译后的数据集进行预处理(具有不同格式的数据可被转换成具有相同的格式,数值可以缩放,并且边界值可以定义),并将该数据集分为测试数据集和训练数据集。
在性能评估期间,测试数据集被用于使用未用于训练的数据来测试经训练的网络。
对于性能评估,使用适当的度量来评价ANN。如果这些度量不满足系统模型的要求,则可能需要优化网络结构或拓扑结构。然后可能需要再次训练和评估具有更改后的拓扑结构的网络。可以重复这些步骤,直到找到能够以最佳方式映射MPM的系统行为的网络拓扑结构。
随后,在本示例中,通过使用特征立方的数据集(在最广泛的意义上,具有信号异常或过程错误,因为这些以前是未知的)来评估系统模型作为选择性激光熔化和金属AM过程中的质量保证工具的适用性。系统模型基于所使用的数据集的输入数据来模拟传感器输出。
然后可以将模拟出的传感器输出与真实的传感器输出进行比较。然后评估系统模型的检测或指示任何信号异常和/或过程错误的能力。
对于另一种方法,如果确定了几何依赖性,则可以通过使用来自特征立方的构建过程的数据集对现有的模型进行训练并且评估性能来扩展系统模型。
对于待开发的系统模型,可能需要分析包括MPM的架构或功能和现有数据库的整个系统。在此基础上,识别物理上相关的输入参数,为系统模型选择合适的网络模型(例如基于关于精度的要求),并定义该网络模型的要求。仅将过程考虑在内。在该示例中,没有进一步考虑过程的上游过程步骤和下游过程步骤以及金属粉末。选择性激光熔化过程和MPM被假设为黑盒,并且仅考虑输入参数和输出参数。分析的目的是要表征重要的影响参数。其影响大于随机散布的参数在统计上可能是至关重要的。
熔池根据其温度、面积和位置发出热辐射。在此示例中,两个光电二极管的检测范围相同并且可以假设为圆形。在检测范围内测量到的辐射强度在例如10μs的测量速率基础上被插值和求平均,并且与当前位置一起被存储,该当前位置代表测量区域。尽管过程参数以及由此的熔池的温度和尺寸(在一些示例中)大致恒定,但矢量的测量强度可以变化。
除了这些强度变化之外,通常还有更高频率的噪声。为了定性地估计所使用的构造过程中的噪声,可以通过移动平均值来使所使用的构建作业的传感器值平滑。
相关的输入参数对应于影响因素,其受MPM的测量信号的影响很大。对部件质量和测量数据都有影响的包括激光功率、填充距离、层厚和扫描速度的过程参数可能是相关的。可能需要考虑到要使用的材料与特定于机器的条件之间的根本差异。可以得出对部件质量的与原因相关的负面影响以及在此总结出的原因。改变的光束直径可能意味着熔池的扩大,并因此可能需要加以考虑。在考虑到扫描方向的情况下,另一个影响是激光相对于粉末床的入射角。在某些情况下,激光辐射与金属蒸汽的相互作用与部件质量之间可能存在较小的相关性。相对于气流的扫描方向会对测量信号产生影响。沿流动方向的矢量进行曝光意味着熔池的热辐射被焊烟遮蔽并导致测量信号的减小。
此外,可能需要考虑到测量和几何相关性,它们对诸如为检测区域的热导率、辐射特性和温度之类的特性进行映射,并且由固化材料和粉末材料相对于彼此的分配、分布和排列、扫描策略和过程参数决定。部件周围的粉末起到隔热体的作用,并具有低于熔融的和固化的金属的热导率。由于固化的材料和粉末材料具有不同的发射特性,因此在检测范围内考虑它们的比例是相关的。已经固化的材料的温度取决于大量的影响因子,而层的热平衡由各个扫描矢量的时间顺序、过程参数、构建室的温度控制和热耗散来表征。
除了对流和热辐射外,热耗散还取决于固化材料和粉末材料相对于彼此的分配、分布和排列的热传导,这将被视为几何形状相关的输入参数。
图6给出了识别出的输入参数的概述,这些参数被分为不同的组,包括环境、人为影响的参数、材料、熔池测量值、特定于机器的条件、过程参数、扫描策略和几何形状依赖性,并且图6示出了使用人工神经网络602对黑盒系统进行实验建模的过程。
输入类、子类和参数表示众多不同加权的影响变量对于待描述的系统模型(此处为热模型)的质量的可能组合。区别仅用于结构化的表示,而不表示各个输入参数的值。
输入类环境描述了在制造过程期间发生的环境因素的选集的总和。在此库存和过程外围都将被提及。
输入类人描述了人为因素的选集的总和,该人为因素主要发生在制造过程的准备期间。
输入类材料描述了在构造过程之前、期间和之后发生的材料参数的选集的总和,在此示例中,重点是物理、化学或光学特性以及材料的成分。
输入类测量描述了在构造过程之前、期间和之后发生的测量影响量的选集的总和,重点是方法、测量设备能力、精度、条件、校准和数据采集。
输入类特定于机器的条件描述了发生在构造过程之前、期间和之后的特定于机器的影响变量的选集的总和,主要涉及作为所用的激光单元的质量参数的光学界面的条件和特性、扫描仪单元、气流、温度分布、关于粉末施加的行为和条件。
输入类方法描述了在构造过程之前、期间和之后发生的特定于机器的影响变量的选集的总和。在该示例中,重点在于过程中的输入参数,包括诸如激光功率或偏转速度之类的过程参数、诸如位置数据或矢量长度或特定于几何形状的依赖关系之类的扫描策略。这些输入参数的特点是在有或没有激光-粉末相互作用的情况下,关于粉末材料/固体材料比率的空间相关和时间相关以及部分地温度相关的条件或结果。
关于选择网络模型,ANN可以基于给定的输入参数而模拟出输出参数。为了模拟这种因果之间的关系,可能需要训练ANN。由于用于训练的输出数据已经可用,此处提及的是有监督学习。当前的问题可被描述为回归问题,因为初始数据是连续变量。输入数据和输出数据都可以作为一维时间序列使用。
本示例中使用由300个层组成的过程“参考立方”(图4)的测量数据来进行评估。该数据集的75%用于训练,25%用于测试NN。该数据集用于训练和测试不同的NN拓扑结构,这些拓扑结构的不同之处在于隐层的数量和每个隐层的神经元的数量。使用训练数据集对拓扑结构进行训练,除非两个通道的成本函数都达到最小值。根据所调查的历时量(amountof epochs),不可能发生过度适应。在每次历时之后,使用测试数据集来评估拓扑结构并计算平均绝对偏差。
随着NN的规模和复杂性的增加,网络在模拟中产生的误差会减少。增加复杂性也会增加训练网络所需的时间。
为了说明模拟精度,图7示出了来自过程“参考立方”的层200的通道1的实际测量值(左)和模拟值(右)。
为了使系统模型普遍适用于不同的部件,模拟可能需要独立于部件几何形状。之前使用的系统模型“参考立方”被应用于过程“特征立方”(图4)的数据并评估性能。对“参考立方”系统模型而言,现有的特殊几何形状情况不是已知的,因此可被视为过程不稳定性(两个相同的连续过程的比较)和/或过程异常(已知的几何形状中的缺陷)。然后使用来自于“特征立方”过程的部件对现有的系统模型“参考立方”进行训练,以便确定这是否可以提高性能。过程“特征立方”的测量数据包括668个层。然后可以将得到的系统模型“特征立方”与原始的系统模型“参考立方”进行比较。为了评估,对来自于“特征立方”过程的部件的每一层都使用两个系统模型进行模拟,并计算和分析MAE。图8以通道1为例示出了一部分“特征立方”的结果。
两个系统模型的性能在许多层中都是类似的。第1至85层是支撑结构,其高偏转可以通过向下进入支撑部的阻尼热传导来解释,此处不再进一步讨论。在接下来的层中,两个系统模型具有相似的模拟精度,这是因为这些层的曝光区域类似于“参考立方”过程的曝光区域。参见图8,一旦由于特殊的几何形状情况使得层从曝光区域发生了变化(第125到450层和第600到650层),“参考立方”系统模型的MAE就会变得更差。与经过训练的系统模型“参考立方”相比,经过训练的系统模型“特征立方”示出了两个通道的模拟误差大致相同。
图9示出了通道1的不同系统行为示例。图9示出了用于通道1的第175层(顶部)、第521层(中)和第625层(底部)的MPM测量信号(左)、使用系统模型“参考立方”的模拟(中)和使用系统模型“特征立方”的模拟(右)。
这表明了使用系统模型“参考立方”进行的模拟显示出了较大的偏差,尤其是在薄曝光区域和内部角落的情况下,而系统模型“特征立方”显示出与MPM信号的较小偏差。也可以通过使用选择的NN进行训练来模拟具有真实几何形状特殊情况的部件区域。图8示出了训练将这些层中的MAE带回到大约160次计数的过程噪声范围中。
如上所述,可以表明,通过原始的基本几何形状以及通过引入几何形状特征(对真实的部件几何形状的模拟),模型精度>99%,并且考虑到系统的当前整体噪声,模型精度至少>93%。因此,可以基于相同的构造作业或仅基于该构造作业的少量的层来以指定的精度对各个特定于客户的参考模型进行训练。
该模型可以根据需要随时被调整。要表明的是在几何形状、材料或类似方面的通用应用。
可以想到的是,除了离线训练之外还有在线训练,以及除了离线评估之外还有在线评估。
在线评估可被用于导出决策树(例如暂停、停止)、闭环和开环控制电路(例如通过激光功率、扫描速度等进行的熔池控制)、或甚至是当前的或后续的过程中的扫描策略的调整。例如,可以部分取消构造过程,取消被认为有缺陷的部分,同时完成构建作业的无缺陷部分。由于部分取消,可以对模拟进行在线调整以便适应参数的变化。
基于本文所述的方法和系统,可以通过基于选择性激光熔化数据文件进行的在先参数计算来对几何形状的各个拓扑结构优化、构建平台上的部件位置和部件取向以及要使用的参数进行调整、修改和优化。上游的常规模拟尽管是可行的,但并非是必需的。
确定和解释材料的根据其几何形状而确定的过程参数的迭代过程在时间上可以减少。在执行具有可选的破坏性或非破坏性测试的最终构造过程之前,可以预先模拟各种场景。
为了进一步提高模型精度,可以想到的是,添加其它的输入变量,特别是通过在时刻t考虑检测区域而将位置(即,固化的和未固化的(粉末)材料的分隔)考虑在内。
另外地或替代地,与已被训练的模型并行地,可以考虑人工神经网络的输入变量和输出变量,同时考虑到层n-1或多个已经产生的层。在某些示例中,在生成模型时可以考虑到第三维(z方向)。
与(理想的)离线系统模型相比,将在先的输出参数考虑作为用于生成模型的重复输入参数,模拟可能更准确。这在图10中被示出,其中生成了示例性在线传感器模型和离线传感器模型,在此示例中,在线传感器模型输出被反馈以便改进模型。
在SLM过程中,局部热平衡和全局热平衡在加热时间和冷却速率方面还受进一步时间和基于z方向可变的层的时间的影响,该影响最终将反映在输出参数中。
除了用于在生产过程(在线)期间的初始目标/实际比较之外,先前确定的参数还可被用于离线训练模型以及用于另外的分析方法。还可以想到的是,在生产时间期间进行训练或至少为稍微延迟的训练提供数据。
图11示出了连接到数据库的模型的网络。上文所述的网络拓扑结构由此可以被补充到下述的程度:根据应用,可以在已经存在的网络拓扑结构的基础上执行对完整生产过程的结果目标/实际比较,并将其再次作为用于局部网络拓扑结构的扩展优化的输入参数,该局部网络拓扑结构为例如机器、同一台机器的材料、生产工厂的一定数量的机器系统或类似物的在较低级别发生分离的应用系统。更高实例的一个较高级别的网络拓扑结构(在这里是图11中间所示的最顶部的概念)还可被用于从所提供的数据中不成比例地获益并被用作主系统。在这种情况下,可以设想制造公司在不同位置的一定数量的机器系统或更高级别的业务,例如机器制造商的机器系统或更高级别的业务。所有的局部概念都可以从中受益,这是因为在相当多的使用数据的基础上,知识优势可等同或经过滤地用于局部网络。
数个人工神经网络可以相结合。可以通过多维神经折叠网络来实现现有的网络。这使得能够更好地考虑z方向上的几何形状状况。
为了验证可能的局部缺陷,可以使用附加的测量系统。
本公开示出了可以如何模拟在此使用的现场熔池监测系统的数据,特别是如何使用基于人工神经网络的机器学习算法进行模拟。该ANN能够在基本独立于几何形状的情况下预测MPM系统的真实传感器输出。精度随着部件几何形状的复杂度的增加而下降。测得的数据与模拟的数据的比较表明,可以通过使用NN进行训练来利用真实几何形状模拟两个部件区域,过程不稳定性可被检测到并可被用作过程稳定性的指标。结果表明,对MPM数据的模拟可根据眼前的问题被有针对性地用于选择性激光熔化和金属增材制造过程的记录和质量保证。
对各个层的评估表明,对于一些复杂的几何形状,测得的信号与模拟出的信号之间的偏差更大。一方面,可以通过考虑固化材料和未固化(粉末)材料在ANN的总构建体积中相对于彼此的分配、分布和排列来解决这一挑战。另一方面,这一发现提供了从现有数据库可能导出和验证其它的输入参数的可能性,并使得基于基本的几何形状被训练的ANN足以识别其它的特殊案例和用例。通过将使用的ANN与其它的网络拓扑结构相结合,可以进一步改善复杂的几何形状的模拟精度以及测得的信号与模拟出的信号之间的偏差。除了当前状态之外,之后可能会转移到更长的过程时间中,其中具有整体真实的、体积更大或更高的部件以及不同的材料。测量数据与模拟数据的比较可被用于对某些异常的定量检测和对异常的分类,或被用于检测由于过程期间不同的错误场景而导致的其它过程异常。在这种情况下,可以改善特定于检测器的总噪声,以便随后采取适当的措施来降低该总噪声。此外,在实际构建过程开始之前,可以使用MPM的模拟模型在热负载方面对过程参数和部件几何形状进行优化。
根据本公开的系统和方法与现有技术的不同之处在于,来自后处理监测的数据,例如CT数据,不再需要用作参考。取而代之的是,具有参考过程参数(特定于用户的过程参数,其被定义为SLM过程中数据预处理的标准,例如激光功率、以及部件取向和部件定位或诸如部件突出部、钻孔之类的几何形状特征、以及产生的热耗散和在时刻t时在检测区域内固化材料的百分比或粉末材料的百分比)的过程监测的系统行为被作为参考。使用这些过程参数,更少的(与不考虑这些参数的情况相比)或没有缺陷发生。如果与该参考的系统行为存在偏差,则无法保证部件质量,并且可能会出现部件结构中的错误。
另一方面,根据本公开的系统和方法可能不与“传统的”和已建立的热模拟进行比较,这是因为这些基本的热/物理原理没有考虑到使用激光-金属粉末交互的基于粉末床的增材制造过程的技术边界条件和与过程相关的边界条件。
在图12所示的示例中,示出了具有固化材料1308和待固化材料1306的粉末床1302。指示出了不同的工件层1304。周围的粉末床1302填充有未固化的材料,为清楚起见未在图中示出。
在该示例中,确定在该示例中深度为两层的配准体积1312。另外,在该示例中,确定了配准区域1310,其与配准体积1312的上表面相同并且位于工作平面中,即粉末床1302的上表面。在该示例中,面积和体积大于要在特定时间点在其中生产三维工件的面积和体积,换言之,大于熔池1314的面积和体积。在所示的示例中,熔池1314位于配准区域1310的中心。显然,在替代实施例中,熔池1314也可以偏心地位于配准区域1310内部或甚至位于配准区域1310外部,特别是当从移动方向看时位于配准区域1310的前方。尽管在示例中仅示出了一层的深度,但显然熔池1314也可以是几层深,并甚至比配准体积1312还要深,因此配准体积1312将仅包括熔池1314的一部分。
针对特定时间点,确定配准区域1310和/或配准体积1312的多个部分中的哪个部分已经固化以及其多个部分中的哪个部分尚未固化。替代地或另外地,确定配准区域1310和/或配准体积1312的哪个部分或哪些部分已经固化,以及其哪个部分或哪些部分尚未固化。基于该确定,根据配准区域1310和/或配准体积1312中已固化的一个部分或多个部分以及其尚待固化的一个部分或多个部分(即,它们相对于彼此的比率和/或分配和/或分布和/或排列)来确定影响增层制造过程的参数。该确定是基于:围绕已固化的一个部分或多个部分的粉末充当隔热部并且具有比熔融材料或固化材料更低的热导率。为了确定影响增层制造过程的参数,还可以(另外地或替代地)考虑来自配准区域1310和/或配准体积1312中已固化的部分的处理时间,因此能够确定配准区域1310和/或配准体积1312的在特定时间点已经固化的一个或多个部分的特定温度。也可以将其用于二维或三维映射。为了确定特别是在底层中的已经固化的部分的温度或相应的指标,可以使用来自熔池监测系统的模拟传感器数据和/或真实传感器数据的数据。
图13示出了用于生产三维工件的设备1400。
在该示例中,设备1400包括模拟系统1402,该模拟系统包括根据本文所述的示例实施方式的处理单元1404、数据输入端1406和人工神经网络1408。
此外,在该示例中,设备1400包括熔池监测系统1410,该熔池监测系统包括用于在选择性激光熔化过程期间监测熔池的一个或多个传感器1414,以及用于输出与对熔池的监测有关的数据的数据输出端1412。
在该示例中,设备1400还包括载架1416,该载架被构造为容纳用于生产三维物体的粉末材料。提供层沉积机构1420,以便将经由材料供应单元1418提供的材料散布在载架1416上。
在该示例中,设备1400还包括过程室1422,该过程室包括固化装置1424和用于在选择性激光熔化过程期间提供过程气体和/或保护气体的气体供应单元1426。
在该示例中,设备1400还包括计算机可读记录介质1428,该计算机可读记录介质特别是用于存储根据本文所述的示例实施方式的用于模拟对熔池的监测的模型和/或经分析的/模拟出的传感器数据。
图14示出了根据本文所述的示例实施方式的用于确定影响增层制造过程的参数的方法1500。
在该示例中,方法1500包括:步骤S1502,确定一个或多个材料层的面积和/或体积。步骤S1504,方法1500包括在特定时间点确定一个或多个材料层的面积和/或体积中已固化的一个部分或多个部分。之后,步骤S1506,根据一个或多个材料层的面积和/或体积中的确定为已固化的一个部分或多个部分来确定影响增层制造过程的参数。
图15示出了根据本文所述的示例实施方式的用于使用所确定的参数和输入参数来确定参考参数的方法1600。
在该示例中,方法1600包括根据图14中所示的方法1500确定影响增层制造过程的参数,该增层制造过程用于固化生产三维工件所用的材料。在步骤S1602,参数被馈送到用于模拟对熔池的监测的模型中。然后在步骤1604使用所确定的参数和输入参数来确定参考参数。
图16示出了根据本文所述的示例实施方式的一种用于在计算机可读记录介质上提供经分析的传感器数据的方法。
在该示例中,在步骤S1702,提供与在选择性激光熔化过程期间通过熔池监测系统监测的或先前监测的熔池有关的传感器数据。
此外,在步骤S1704,提供用于模拟对熔池的监测的模型。可基于当前的选择性激光熔化过程的熔池和/或之前生成的熔池生成该模型。
在步骤S1706,方法1700包括基于传感器数据与使用模型模拟出的传感器数据之间的比较来分析传感器数据。
之后在步骤S1708,在计算机可读记录介质上提供经分析的传感器数据。
本申请还描述了一种用于确定影响值的方法,该影响值用于通过在创建(或模拟)结构时,在某个时间点在待生成的结构(或其虚拟模型)的特定位置处将能量输入材料中而使可流动的(移动的)材料逐层固结来生成3维结构,其中提供与特定位置具有一定位置关系的配准区域或配准体积,并且根据在给定的时刻在配准区域/配准体积中已创建的结构来确定影响值。
该方法尤其包括:
-指定位置是在指定的时间输入能量的地点,和/或
-根据在给定的时刻已创建的结构与记录区域/体积中的剩余面积/体积的比率来确定影响值,和/或
-根据在特定时间点已生成的结构与在配准区域/配准体积中仍待生成的结构的比率来确定影响值,和/或
-根据在已过去的时间中在配准区域/配准体积中输入的能量的位置来确定影响值,和/或
-影响值用于解释测量值,其中记录范围对应于测量范围,和/或
-配准区域大于能量输入的位置(和/或其交互区域),和/或
-记录体积具有一层、两层或更多层厚度的深度,和/或
-影响值用于计算虚拟模拟,和/或
-基于模拟,提出结构性优化,和/或
-影响值被用作用于确定效果值的输入参数,根据选自以下一项或多项的至少一个另外的输入参数来确定该效果值:一个或多个环境参数、一个或多个结构参数、一个或多个材料参数、一个或多个测量方法参数、一个或多个设备参数和一个或多个过程参数,和/或
-效果值被确定为人工神经网络的输出值,和/或
-优选地,ANN的一个或多个输入参数是常数或一维时间序列,和/或
-ANN的有效值被用作用于解释测量值的参考值,和/或
-测量值本身被用于确定影响值和/或作为ANN的输入参数。
本申请还描述了一种计算机程序产品,用于执行前述的确定方法。
毫无疑问,本领域技术人员将想到许多其它有效的替代方案。应当理解,本发明不限于所描述的实施例和示例实施方式,并且包括对本领域技术人员显而易见的并且落入所附权利要求的范围内的修改。
Claims (49)
1.一种用于模拟在增层制造过程中通过传感器系统进行的过程监测的系统,所述增层制造过程尤其为选择性激光熔化过程,所述增层制造过程用于对生产三维工件所用的材料进行固化,其中,所述系统包括:
数据输入端,所述数据输入端能够被耦接到所述传感器系统的数据输出端并且被配置为从所述传感器系统接收与通过所述传感器系统监测的过程有关的传感器数据,其中,所述数据输入端还被配置为接收一个或多个输入参数,所述一个或多个输入参数(i)与所述增层制造过程相关和/或(ii)与用于所述增层制造过程的增层制造设备相关和/或(iii)与过程监测和/或所述传感器系统相关;以及
处理单元,所述处理单元耦接到所述数据输入端并且被配置为根据所述传感器数据和所述一个或多个输入参数生成用于模拟所述过程监测的模型。
2.根据权利要求1所述的系统,其中,所述过程监测包括对熔池的监测,所述传感器系统包括熔池监测系统,并且用于模拟所述过程监测的所述模型包括用于模拟对所述熔池的监测的模型,并且其中,与被所述熔池监测系统监测的所述熔池相关的传感器数据包括与以下中的一项或多项相关的传感器数据:
所述熔池的特性;
源自于所述熔池的辐射,特别是源自于所述熔池的热辐射;
源自于固化的材料的辐射;
源于用于产生所述熔池的增层制造过程的等离子体的特性,所述等离子体源自于从所述熔池蒸发的材料;
源自于所述等离子体的辐射,特别是源自于所述等离子体的热辐射;以及
从所述熔池和/或所述等离子体反射和/或衍射的辐射,特别是源于用于产生所述熔池的激光器的激光辐射。
3.根据权利要求1或2所述的系统,其中,所述一个或多个输入参数与在所述传感器系统的检测范围内的未固化材料和固化材料的面积和/或体积相对于彼此的分布和/或排列相关,或者基于所述传感器系统的检测范围内的未固化材料和固化材料的面积和/或体积相对于彼此的分布和/或排列来计算所述一个或多个输入参数。
4.根据前述权利要求中任一项所述的系统,其中,所述一个或多个输入参数与在所述传感器系统的检测范围内的未固化材料与固化材料之间的比率相关,或者基于所述比率来计算所述一个或多个输入参数。
5.根据权利要求4所述的系统,其中,在所述检测范围内的未固化材料与固化材料之间的比率包括在预定数量的材料层中,在所述检测范围内的未固化材料与固化材料之间的比率。
6.根据前述权利要求中任一项所述的系统,其中,所述一个或多个输入参数包括限定出在所述传感器系统的检测范围内的固化材料或未固化材料的位置的一个或多个参数。
7.根据前述权利要求中任一项所述的系统,其中,所述一个或多个输入参数分别包括在所述传感器系统的检测范围内的未固化材料和固化材料的热导率、辐射特性和温度中的一个或多个。
8.根据前述权利要求中任一项所述的系统,其中,所述系统被配置为随时间计算所述一个或多个输入参数。
9.根据前述权利要求中任一项所述的系统,其中,所述系统被配置为基于一个或多个输出参数来计算用于限定的材料层的一个或多个输入参数,所述一个或多个输出参数是基于对位于所述限定的材料层下方的一个或多个材料层进行的模拟而输出的。
10.根据权利要求9所述的系统,其中,所述系统被配置为基于一个或多个输出参数来计算用于多个第一材料层的一个或多个输入参数,所述一个或多个输出参数是基于对位于所述多个第一材料层下方的多个第二材料层进行的模拟而输出的。
11.根据权利要求9或10所述的系统,其中,所述系统被配置为基于指示一个或多个位于下方的层何时被辐射或已经被辐射的一个或多个参数,来计算用于所述材料层或多个材料层的一个或多个输入参数。
12.根据权利要求11所述的系统,其中,指示所述一个或多个位于下方的层何时被辐射或已经被辐射的所述一个或多个参数是位置相关的参数。
13.根据前述权利要求中任一项所述的系统,其中,所述一个或多个输入参数包括以下参数中的一个或多个:在所述增层制造过程中使用的辐射束的辐射束功率、扫描速度,在增层制造过程中使用的填充距离和材料的材料层厚度。
14.根据前述权利要求中任一项所述的系统,其中,所述一个或多个输入参数涉及或包括以下参数中的一个或多个:
辐射束直径;
所述增层制造过程中的热耗散;
待固化的材料的物理特性;
增层制造设备的光学表面和/或扫描单元和/或激光器和/或层沉积单元和/或所述增层制造设备内的气流和/或温度分布;以及
在所述增层制造过程中使用的扫描策略,特别是所述辐射束在材料层上的位置和/或所述辐射束的偏转角和/或用于扫描跨材料层的辐射束的矢量的矢量角和/或矢量长度和/或用于相对于气流方向扫描跨材料层的辐射束的扫描方向。
15.根据前述权利要求中任一项所述的系统,其中,所述处理单元包括人工神经网络,并且其中,生成所述模型包括:
生成包括所述传感器数据和所述一个或多个输入参数的数据集;
将所述数据集分为测试数据集和训练数据集;
为所述人工神经网络选择神经网络模型;
基于所述神经网络模型使用所述训练数据集对所述人工神经网络进行训练;以及
使用所述测试数据集来评估所述神经网络模型。
16.根据权利要求15所述的系统,其中,所述评估包括:
定义对所述人工神经网络的要求;以及
在与所述人工神经网络相关的度量不满足所述要求时,改变所述人工神经网络的结构和/或拓扑结构,直到满足所述要求为止。
17.根据权利要求16所述的系统,其中,生成所述模型包括基于所述人工神经网络的经改变的结构和/或拓扑结构来训练所述人工神经网络。
18.根据前述权利要求中任一项所述的系统,其中,所述系统被配置为对传感器数据进行模拟,所述传感器数据是由所述传感器系统基于所述模型和所述一个或多个输入参数而输出的。
19.根据权利要求18所述的系统,其中,由所述传感器系统输出的所述传感器数据包括用于由所述处理单元生成所述模型的传感器数据。
20.根据权利要求18或19所述的系统,其中,由所述传感器系统输出的所述传感器数据包括在生成所述模型后,由所述传感器系统输出的传感器数据。
21.根据权利要求18、19或20所述的系统,其中,所述系统被配置为:
将由所述传感器系统输出的传感器数据与模拟的传感器数据进行比较;以及
基于所述比较,对在所述增层制造过程期间的异常和/或过程错误进行检测。
22.根据权利要求21所述的系统,其中,所述系统被配置为在所述增层制造过程期间现场执行所述比较。
23.根据权利要求22所述的系统,其中,所述系统被配置为基于所述比较对所述增层制造设备提供信号,以调整当前的增层制造过程,特别是通过停止当前的增层制造过程来执行所述调整。
24.根据前述权利要求中任一项所述的系统,其中,所述系统被配置为生成数据库,所述数据库包括所生成的用于后续在所述模拟中使用的模型。
25.根据前述权利要求中任一项所述的系统,其中,所述系统还被配置为基于模拟模型,来调整用于所述增层制造过程的过程参数和/或使用所述增层制造过程生产的三维工件的几何形状。
26.根据前述权利要求中的任一项在从属于权利要求15时所述的系统,其中,基于使所述传感器数据与模拟数据之间的平均绝对误差最小化来对所述人工神经网络进行训练,所述模拟数据与对所述过程监测进行的所述模拟相关。
27.根据前述权利要求中的任一项在从属于权利要求15时所述的系统,其中,基于所述人工神经网络的多个拓扑结构对所述人工神经网络进行训练,并且其中,每个拓扑结构与其它拓扑结构的不同之处在于隐层的数量和/或每个隐层的神经元的数量。
28.根据从属于权利要求26的权利要求27所述的系统,其中,所述系统被配置为对所述人工神经网络的拓扑结构进行训练,直至达到最小平均绝对误差为止。
29.根据前述权利要求中的任一项在从属于权利要求15时所述的系统,其中,所述人工神经网络包括多维人工神经网络。
30.一种计算机程序产品,包括程序代码部分,所述程序代码部分用于使用通过前述权利要求中任一项所述的系统生成的模型来模拟在增层制造过程中由传感器系统进行的过程监测。
31.根据权利要求30所述的计算机程序产品,其中,所述计算机程序产品被存储在计算机可读记录介质上。
32.一种用于确定影响增层制造过程的参数的方法,所述增层制造过程用于对生产三维工件所用的材料进行固化,所述方法包括:
确定一个或多个材料层的面积和/或体积;
在特定的时间点确定所述一个或多个材料层的面积和/或体积中已固化的一个部分或多个部分;以及
根据所述一个或多个材料层的面积和/或体积中的确定为已固化的一个部分或多个部分,来确定影响所述增层制造过程的参数。
33.根据权利要求32所述的方法,其中,基于在特定的时间点的所述面积和/或体积中的固化材料与未固化材料之间的第一比率来确定所述参数。
34.根据权利要求32或33所述的方法,其中,基于在特定的时间点的所述面积和/或体积中的固化材料与待固化材料之间的第二比率来确定所述参数,以便生产所述三维工件。
35.根据权利要求32至34中任一项所述的方法,其中,基于先前固化的材料在所述面积和/或体积中的位置来确定所述参数。
36.根据权利要求32至35中任一项所述的方法,其中,所述面积和/或体积分别大于将使用增层制造过程在其中生产三维工件的面积和/或体积。
37.一种用于模拟在增层制造过程中通过传感器系统进行的过程监测的方法,所述过程监测尤其是对熔池的监测,所述传感器系统尤其是熔池监测系统,所述增层制造过程用于对生产三维工件所用的材料进行固化,所述方法包括:
使用根据权利要求32至36中任一项所述的方法来确定参数;以及
将所述参数馈送至用于模拟所述过程监测的模型中。
38.根据权利要求37所述的方法,其中,所述方法还包括使用确定的参数和输入参数来确定参考参数,其中,所述输入参数包括下述参数中的一种或多种:
与用于所述增层制造过程的设备的环境相关的参数,
与待固化的材料的物理特性相关的参数,
与所述过程监测相关的参数,
与用于所述增层制造过程的设备相关的参数,以及
与所述增层制造过程相关的参数;
并且其中,所述方法还包括使用所述参考参数来解译由所述传感器系统输出的传感器信号。
39.根据权利要求38所述的方法,其中,所述参考参数是使用人工神经网络确定的。
40.根据权利要求39所述的方法,其中,所述人工神经网络的输入包括一个或多个常数和/或一个或多个一维时间序列。
41.根据权利要求39或40所述的方法,其中,所述传感器信号用于(i)确定影响所述增层制造过程的参数,和/或(ii)作为所述人工神经网络的输入参数。
42.一种计算机程序产品,包括程序代码部分,所述程序代码部分用于当所述计算机程序产品在一个或多个计算装置上被执行时,实施根据权利要求32至41中任一项所述的方法。
43.根据权利要求42所述的计算机程序产品,其中,所述计算机程序产品被存储在计算机可读记录介质上。
44.一种用于通过增层构造方法生产三维工件的设备,所述设备包括:
载架,其被构造为容纳用于生产所述三维工件的材料;
材料供应单元,其被构造为向所述载架和/或载架顶部上的先前材料层提供材料;
层沉积机构,其用于将所提供的材料形成为在所述载架顶部上的和/或在所述载架顶部上的所述先前材料层上的材料层;
固化装置,其被构造为对被提供给所述载架和/或所述载架顶部上的所述先前材料层的材料进行固化,用以生产所述三维工件;
气体供应单元,其被构造为向所述材料层的待由所述固化装置进行固化的区域提供保护气体;
过程室,其包括所述气体供应单元和所述固化装置;
监测系统,其用于监测在其中对所述材料进行固化的区域;以及
根据权利要求1至29中任一项所述的系统。
45.根据权利要求44所述的设备,其中,所述设备还包括根据权利要求30、31、42、43中任一项所述的计算机程序产品。
46.一种方法,包括:
提供传感器数据,所述传感器数据与在增层制造过程期间由传感器系统监测的或由传感器系统先前监测的过程相关;
提供用于模拟对所述过程的监测的模型,所述模型
(i)通过根据权利要求1至29中任一项所述的系统或通过根据权利要求44或45所述的设备而生成,和/或
(ii)通过根据权利要求30、31、42或43所述的计算机程序产品而提供,和/或
(iii)使用根据权利要求32至36中任一项,特别是与权利要求37至41中任一项相结合所确定的参数而生成;
其中,所述方法还包括基于所述传感器数据与使用所述模型模拟出的传感器数据之间的比较,来分析所述传感器数据。
47.根据权利要求46所述的方法,其中,与由所述传感器系统监测的所述过程相关的传感器数据包括与以下中的一项或多项相关的传感器数据:
熔池的特性;
源自于所述熔池的辐射,特别是源自于所述熔池的热辐射;
源自于固化的材料的辐射;
源于用于产生所述熔池的增层制造过程的等离子体的特性,所述等离子体源自于从所述熔池蒸发的材料;
源自于所述等离子体的辐射,特别是源自于所述等离子体的热辐射;以及
从所述熔池和/或所述等离子体反射和/或衍射的辐射,特别是源于用于产生所述熔池的激光器的激光辐射。
48.一种方法,包括提供使用根据权利要求46或47所述的方法分析的传感器数据。
49.一种计算机可读记录介质,在其上存储有使用根据权利要求46或47所述的方法分析的传感器数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020109100 | 2020-04-01 | ||
DE102020109100.1 | 2020-04-01 | ||
PCT/EP2021/055711 WO2021197762A1 (en) | 2020-04-01 | 2021-03-08 | Systems and methods |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115461175A true CN115461175A (zh) | 2022-12-09 |
Family
ID=74873713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180027190.4A Pending CN115461175A (zh) | 2020-04-01 | 2021-03-08 | 系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230141266A1 (zh) |
EP (1) | EP4126423A1 (zh) |
JP (1) | JP2023519437A (zh) |
CN (1) | CN115461175A (zh) |
WO (1) | WO2021197762A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4245440A1 (en) * | 2022-03-15 | 2023-09-20 | Amiquam SA | Method for optimizing process parameters of an additive manufacturing process |
WO2024172874A2 (en) * | 2022-11-03 | 2024-08-22 | Carnegie Mellon University | Process mapping for additive manufacturing using melt pool topological features |
GB2624925A (en) * | 2022-11-30 | 2024-06-05 | Bae Systems Plc | Monitoring apparatus |
CN116275114B (zh) * | 2023-05-12 | 2023-08-04 | 山东海纳智能装备科技股份有限公司 | 一种基于激光增材制造的过程监控控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015109096A1 (en) * | 2014-01-17 | 2015-07-23 | United Technologies Corporation | An additive manufacturing system with ultrasonic inspection and method of operation |
US20160179064A1 (en) * | 2014-12-17 | 2016-06-23 | General Electric Company | Visualization of additive manufacturing process data |
DE102016122522A1 (de) * | 2016-11-22 | 2018-05-24 | Mt Aerospace Ag | Fadenauge einer Wickelmaschine, ein Verfahren zum Herstellen des Fadenauges und dessen Verwendung |
CN108290219A (zh) * | 2015-11-16 | 2018-07-17 | 瑞尼斯豪公司 | 增材制造方法及设备 |
WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
-
2021
- 2021-03-08 US US17/911,028 patent/US20230141266A1/en active Pending
- 2021-03-08 CN CN202180027190.4A patent/CN115461175A/zh active Pending
- 2021-03-08 JP JP2022559845A patent/JP2023519437A/ja active Pending
- 2021-03-08 WO PCT/EP2021/055711 patent/WO2021197762A1/en unknown
- 2021-03-08 EP EP21711802.5A patent/EP4126423A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015109096A1 (en) * | 2014-01-17 | 2015-07-23 | United Technologies Corporation | An additive manufacturing system with ultrasonic inspection and method of operation |
US20160179064A1 (en) * | 2014-12-17 | 2016-06-23 | General Electric Company | Visualization of additive manufacturing process data |
CN108290219A (zh) * | 2015-11-16 | 2018-07-17 | 瑞尼斯豪公司 | 增材制造方法及设备 |
DE102016122522A1 (de) * | 2016-11-22 | 2018-05-24 | Mt Aerospace Ag | Fadenauge einer Wickelmaschine, ein Verfahren zum Herstellen des Fadenauges und dessen Verwendung |
WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
Also Published As
Publication number | Publication date |
---|---|
EP4126423A1 (en) | 2023-02-08 |
US20230141266A1 (en) | 2023-05-11 |
WO2021197762A1 (en) | 2021-10-07 |
JP2023519437A (ja) | 2023-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | A review on wire arc additive manufacturing: Monitoring, control and a framework of automated system | |
US20230141266A1 (en) | Systems and Methods | |
Khanzadeh et al. | In-situ monitoring of melt pool images for porosity prediction in directed energy deposition processes | |
Spears et al. | In-process sensing in selective laser melting (SLM) additive manufacturing | |
Ding et al. | The first step towards intelligent wire arc additive manufacturing: An automatic bead modelling system using machine learning through industrial information integration | |
US20210146447A1 (en) | Additive manufacturing method and apparatus | |
US10921782B2 (en) | Real-time adaptive control of additive manufacturing processes using machine learning | |
Yang et al. | Six-sigma quality management of additive manufacturing | |
JP2022081477A (ja) | ビルド面のグリッド領域における放射熱エネルギー密度の測定 | |
JP6923269B2 (ja) | 付加製造プロセスにおけるエラー検出及び熱放散に対する補償の方法 | |
US12017301B2 (en) | Systems and methods for compression, management, and analysis of downbeam camera data for an additive machine | |
CN111168062B (zh) | 用于检测增材制造处理中的错误的熔池监测系统和方法 | |
Lapointe et al. | Photodiode-based machine learning for optimization of laser powder bed fusion parameters in complex geometries | |
EP3659727A1 (en) | Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device | |
Ertay et al. | Process performance evaluation and classification via in-situ melt pool monitoring in directed energy deposition | |
Lupi et al. | Laser powder bed additive manufacturing: A review on the four drivers for an online control | |
Wegener et al. | A conceptual vision for a bio-intelligent manufacturing cell for Selective Laser Melting | |
JP7572362B2 (ja) | 積層造形システム | |
Jeon et al. | Real-time melt pool depth estimation and control during metal-directed energy deposition for porosity reduction | |
Jones et al. | Hybrid modeling of melt pool geometry in additive manufacturing using neural networks | |
Aggarwal et al. | A methodology for investigating and modelling laser clad bead geometry and process parameter relationships | |
Zu et al. | Advances in Online Detection Technology for Laser Additive Manufacturing: A Review | |
Rahman et al. | A Machine Learning Approach for Predicting Melt-Pool Dynamics of Ti-6Al-4V Alloy in the Laser Powder-Bed Fusion Process | |
Yang et al. | Online geometry quality management during directed energy deposition using laser line scanner | |
Knapp | Directed energy deposition characterization and modeling |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240109 Address after: Lubeck, Germany Applicant after: Nikon SLM Solutions Co.,Ltd. Address before: Lubeck, Germany Applicant before: SLM SOLUTIONS Group AG |