DE102020121760A1 - Method and device for the additive manufacturing of a workpiece - Google Patents
Method and device for the additive manufacturing of a workpiece Download PDFInfo
- Publication number
- DE102020121760A1 DE102020121760A1 DE102020121760.9A DE102020121760A DE102020121760A1 DE 102020121760 A1 DE102020121760 A1 DE 102020121760A1 DE 102020121760 A DE102020121760 A DE 102020121760A DE 102020121760 A1 DE102020121760 A1 DE 102020121760A1
- Authority
- DE
- Germany
- Prior art keywords
- material layer
- layer
- workpiece
- image
- individual
- 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
Images
Classifications
-
- 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
- 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
- B22F10/37—Process control of powder bed aspects, e.g. density
-
- 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
- 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
- B29C64/141—Processes of additive manufacturing using only solid materials
- B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
-
- 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
-
- 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
- B22F2998/00—Supplementary information concerning processes or compositions relating to powder metallurgy
- B22F2998/10—Processes characterised by the sequence of their steps
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/8422—Investigating thin films, e.g. matrix isolation method
- G01N2021/8438—Mutilayers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- 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
Abstract
In einem Verfahren zur additiven Herstellung eines Werkstücks (14) wird eine Materialschicht (18) mit einer definierten Oberfläche aus einem partikelförmigen Material (20) gebildet. Zumindest ein Bild der Materialschicht (18) wird mit einer Kamera (40) aufgenommen, um individuelle Eigenschaften (110) der Materialschicht (18) zu bestimmen. In Abhängigkeit von den individuellen Eigenschaften der Materialschicht (18) wird das partikelförmige Material (20) mithilfe eines Strukturierungswerkzeugs (28) selektiv verfestigt. Das zumindest eine Bild der Materialschicht (18) wird unter Verwendung eines vorab trainierten statistischen Lernmodells (112) inspiziert. Es wird zumindest ein Fehlervektor (100) bestimmt, der eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten (102a, 102b) repräsentiert. Jede individuelle Fehlerwahrscheinlichkeit aus der Vielzahl von individuellen Fehlerwahrscheinlichkeiten (102a, 102b) ist ein individueller Indikator dafür, ob ein definierter Schichtfehler aus einer Vielzahl von möglichen Schichtfehlern in der Materialschicht (18) vorhanden ist.In a method for the additive manufacturing of a workpiece (14), a material layer (18) with a defined surface is formed from a particulate material (20). At least one image of the material layer (18) is recorded with a camera (40) in order to determine individual properties (110) of the material layer (18). Depending on the individual properties of the material layer (18), the particulate material (20) is selectively solidified using a structuring tool (28). The at least one image of the material layer (18) is inspected using a pre-trained statistical learning model (112). At least one error vector (100) is determined, which represents a large number of individual error probabilities (102a, 102b). Each individual error probability from the multiplicity of individual error probabilities (102a, 102b) is an individual indicator of whether a defined layer error from a multiplicity of possible layer errors is present in the material layer (18).
Description
Die vorliegende Erfindung betrifft ein Verfahren zur additiven Herstellung eines Werkstücks, mit den Schritten
- a) Empfangen eines Datensatzes, der das Werkstück in einer Vielzahl von aufeinander angeordneten Werkstückschichten definiert,
- b) Erzeugen einer Materialschicht mit einer definierten Oberfläche gebildet aus einem partikelförmigen Material,
- c) Aufnehmen von zumindest einem Bild der Materialschicht und Inspizieren der Materialschicht anhand des zumindest einen Bildes, um individuelle Eigenschaften der Materialschicht zu bestimmen,
- d) Selektives Verfestigen des partikelförmigen Materials an der definierten Oberfläche mithilfe eines Strukturierungswerkzeugs unter Verwendung des Datensatzes und in Abhängigkeit von den individuellen Eigenschaften der Materialschicht, wobei aus der Materialschicht eine definierte Werkstückschicht aus der Vielzahl von aufeinander angeordneten Werkstückschichten erzeugt wird, und
- e) Wiederholen der Schritte b) bis d), wobei weitere definierte Werkstückschichten aus der Vielzahl von aufeinander angeordneten Werkstückschichten erzeugt werden.
- a) receiving a data set that defines the workpiece in a plurality of workpiece layers arranged one on top of the other,
- b) creating a material layer with a defined surface formed from a particulate material,
- c) recording at least one image of the material layer and inspecting the material layer using the at least one image in order to determine individual properties of the material layer,
- d) Selective solidification of the particulate material on the defined surface using a structuring tool using the data set and depending on the individual properties of the material layer, wherein a defined workpiece layer from the plurality of workpiece layers arranged one on top of the other is generated from the material layer, and
- e) Repeating steps b) to d), further defined workpiece layers being produced from the plurality of workpiece layers arranged one on top of the other.
Die Erfindung betrifft ferner eine Vorrichtung zur additiven Herstellung eines Werkstücks, mit einem Speicher zum Empfangen eines Datensatzes, der das Werkstück in einer Vielzahl von aufeinander angeordneten Werkstückschichten definiert, mit einer Fertigungsplattform, mit einem Schichtbildungswerkzeug, mit einem Strukturierungswerkzeug, mit einer Kamera, die auf die Fertigungsplattform gerichtet ist, und mit einer Auswerte- und Steuereinheit, die dazu eingerichtet ist, eine Materialschicht mit einer definierten Oberfläche aus einem partikelförmigen Material mithilfe des Schichtbildungswerkzeug auf der Fertigungsplattform zu erzeugen, ferner zumindest ein Bild der Materialschicht mithilfe der Kamera aufzunehmen, und ferner das partikelförmige Material an der definierten Oberfläche mithilfe des Strukturierungswerkzeugs selektiv zu verfestigen, wobei aus der Materialschicht eine definierte Werkstückschicht aus der Vielzahl von aufeinander angeordneten Werkstückschichten erzeugt wird.The invention also relates to a device for the additive manufacturing of a workpiece, with a memory for receiving a data set that defines the workpiece in a plurality of workpiece layers arranged one on top of the other, with a manufacturing platform, with a layer formation tool, with a structuring tool, with a camera that the production platform is directed, and with an evaluation and control unit that is set up to produce a material layer with a defined surface from a particulate material using the layer formation tool on the production platform, also taking at least one image of the material layer using the camera, and further to selectively solidify the particulate material on the defined surface using the structuring tool, a defined workpiece layer being produced from the plurality of workpiece layers arranged on top of one another from the material layer.
Ein solches Verfahren und eine solche Vorrichtung sind dem Grunde nach aus
Additive Verfahren zur Herstellung von Werkstücken werden zum Teil als 3D-Druck bezeichnet. Es gibt verschiedene additive Herstellungsverfahren. Beim selektiven Lasersintern (SLS) oder selektiven Laserschmelzen (SLM) wird ein sogenanntes Pulverbett aus einem partikelförmigen Material verwendet. Häufig ist das partikelförmige Material ein metallisches Material. Es gibt jedoch auch Verfahren mit partikelförmigen Kunststoffmaterialien, insbesondere Polymeren. Ausgewählte Pulverpartikel an der Oberseite des Pulverbetts werden mithilfe eines Laserstrahls oder Elektronenstrahls lokal selektiv aufgeschmolzen oder zumindest angeschmolzen und auf diese Weise beim Abkühlen selektiv verfestigt. Anschließend wird eine neue Pulverschicht auf der Werkstückstruktur und dem ungeschmolzenen Restpulver verteilt und das Werkstück wird so schichtweise hergestellt. In der Regel werden die einzelnen Werkstückschichten von unten nach oben auf einer Fertigungsplattform erzeugt, die nach jeder Werkstückschicht um die entsprechende Schichthöhe abgesenkt wird.Additive processes for the production of workpieces are sometimes referred to as 3D printing. There are various additive manufacturing processes. In selective laser sintering (SLS) or selective laser melting (SLM), a so-called powder bed made of a particulate material is used. Often the particulate material is a metallic material. However, there are also methods with particulate plastic materials, in particular polymers. Selected powder particles on the upper side of the powder bed are locally selectively melted or at least partially melted using a laser beam or electron beam and in this way selectively solidified during cooling. A new powder layer is then spread over the workpiece structure and the unmelted residual powder, and the workpiece is thus produced layer by layer. As a rule, the individual workpiece layers are produced from bottom to top on a production platform, which is lowered by the corresponding layer height after each workpiece layer.
Die additive Herstellung von Werkstücken macht es möglich, individuelle Werkstücke mit hohem Komplexitätsgrad und geringem Materialaufwand herzustellen. Zugleich stellen sich aber große Herausforderungen in Bezug auf die Werkstückqualität, da in jeder einzelnen Materialschicht Anomalien auftreten können, die zu Defekten im Werkstück führen können. Folge von Anomalien können Defekte sein, wie etwa Poren im Schichtaufbau, Mikroporen, lokale Schichtablösungen/Delaminierung, Risse im Inneren und/oder an der Oberfläche, Dellen, Formabweichungen und/oder Materialspannungen. Aus diesem Grund gibt es zahlreiche Vorschläge, um Defekte in einem additiv hergestellten Werkstück möglichst schon während der Herstellung der Schichtenfolge zu detektieren. Die oben genannte
Vor diesem Hintergrund ist es eine Aufgabe der vorliegenden Erfindung, ein alternatives Verfahren und eine entsprechende Vorrichtung zur additiven Herstellung von Werkstücken in hoher Qualität anzugeben. Es ist insbesondere eine Aufgabe, die Qualität der Materialschichten auf effiziente Weise prozessnah zu überwachen, um auftretende oder sich andeutende Schichtdefekte frühzeitig korrigieren zu können.Against this background, it is an object of the present invention to specify an alternative method and a corresponding device for the additive manufacturing of workpieces in high quality. One task in particular is to efficiently monitor the quality of the material layers close to the process in order to be able to correct any layer defects that occur or are imminent at an early stage.
Gemäß einem ersten Aspekt der Erfindung wird diese Aufgabe durch ein Verfahren der eingangs genannten Art gelöst, wobei das zumindest eine Bild der Materialschicht im Schritt c) unter Verwendung eines vorab trainierten statistischen Lernmodells inspiziert wird, wobei mithilfe des vorab trainierten statistischen Lernmodells zumindest ein Fehlervektor bestimmt wird, der eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten repräsentiert, wobei jede individuelle Fehlerwahrscheinlichkeit aus der Vielzahl von individuellen Fehlerwahrscheinlichkeiten ein individueller Indikator dafür ist, ob ein definierter Schichtfehler aus einer Vielzahl von möglichen Schichtfehlern in der Materialschicht vorhanden ist, und wobei der Schritt d) in Abhängigkeit von dem zumindest einen Fehlervektor ausgeführt wird.According to a first aspect of the invention, this object is achieved by a method of the type mentioned at the outset, wherein the at least one image of the material layer is inspected in step c) using a pre-trained statistical learning model, wherein at least one error vector is determined using the pre-trained statistical learning model which represents a large number of individual error probabilities, each individual error probability from the large number of individual error probabilities being an individual indicator of whether a defined layer error from a number of possible layer errors is present in the material layer, and step d) being dependent from which at least one error vector is executed.
Gemäß einem weiteren Aspekt wird diese Aufgabe durch eine Vorrichtung der eingangs genannten Art gelöst, wobei die Auswerte- und Steuereinheit ferner dazu eingerichtet ist, das zumindest eine Bild der Materialschicht unter Verwendung eines vorab trainierten statistischen Lernmodells zu inspizieren, wobei mithilfe des vorab trainierten statistischen Lernmodells zumindest ein Fehlervektor bestimmt wird, der eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten repräsentiert, wobei jede individuelle Fehlerwahrscheinlichkeit aus der Vielzahl von individuellen Fehlerwahrscheinlichkeiten ein individueller Indikator dafür ist, ob ein definierter Schichtfehler aus einer Vielzahl von möglichen Schichtfehlern in der Materialschicht vorhanden ist, und wobei die Auswerte- und Steuereinheit das Schichtbildungswerkzeug und das Strukturierungswerkzeug in Abhängigkeit von dem Fehlervektor steuert.According to a further aspect, this object is achieved by a device of the type mentioned at the outset, the evaluation and control unit also being set up to inspect the at least one image of the material layer using a previously trained statistical learning model at least one error vector is determined, which represents a multiplicity of individual error probabilities, each individual error probability from the multiplicity of individual error probabilities being an individual indicator of whether a defined layer error from a multiplicity of possible layer errors is present in the material layer, and wherein the evaluations - and control unit controls the layer formation tool and the structuring tool depending on the error vector.
Das statistische Lernmodell des neuen Verfahrens und der neuen Vorrichtung stammt aus dem Bereich des maschinellen Lernens. Es implementiert hier eine statistische Auswertung des zumindest einen Bildes der Materialschicht anhand von vorab trainierten Parametern und liefert hier individuelle Wahrscheinlichkeitswerte, die jeweils eine individuelle Wahrscheinlichkeit für das Vorhandensein eines definierten Schichtfehlers aus einer Vielzahl von möglichen Schichtfehlern repräsentieren. Die Vielzahl der möglichen Schichtfehler beinhaltet in den bevorzugten Ausführungsbeispielen Riefen in der Oberfläche der Materialschicht aus dem partikelförmigen Material, lokale Anhäufungen von partikelförmigem Material an der definierten Oberfläche, ungleichmäßige Korngrößen des partikelförmigen Materials, Löcher oder Vertiefungen in der Oberfläche der Materialschicht aus dem partikelförmigen Material sowie unerwünschte Verklebung oder Verschmelzung von Materialpartikeln. Derartige Anomalien/Inhomogenitäten können zu den weiter oben genannten Werkstückdefekten führen. Indem die Materialschicht mithilfe des vorab trainierten statistischen Lernmodells auf das Vorhandensein solcher Anomalien inspiziert wird, kann das Entstehen der Defekte frühzeitig erkannt und ggf. vermieden werden.The statistical learning model of the new method and the new device comes from the field of machine learning. It implements a statistical evaluation of the at least one image of the material layer based on previously trained parameters and supplies individual probability values that each represent an individual probability for the presence of a defined layer defect from a large number of possible layer defects. In the preferred embodiments, the multitude of possible layer defects includes grooves in the surface of the material layer made of the particulate material, local accumulations of particulate material on the defined surface, non-uniform grain sizes of the particulate material, holes or depressions in the surface of the material layer made of the particulate material as well undesired adhesion or fusion of material particles. Such anomalies/inhomogeneities can lead to the workpiece defects mentioned above. By inspecting the material layer for the presence of such anomalies using the previously trained statistical learning model, the development of the defects can be detected at an early stage and, if necessary, avoided.
Die Verwendung des vorab trainierten statistischen Lernmodells ermöglicht auf effiziente Weise eine prozessnahe Inspektion der Materialschicht sowohl vor dem selektiven Verfestigen des partikelförmigen Materials als auch danach. Die Inspektion der Materialschicht vor dem selektiven Verfestigen macht es möglich, etwaige Anomalien vor dem selektiven Verfestigen zu korrigieren, indem beispielsweise die Oberfläche der Materialschicht nochmals geglättet wird, weiteres partikelförmiges Material verteilt wird und/oder vorhandenes partikelförmiges Material ausgetauscht wird.The use of the pre-trained statistical learning model efficiently enables a process-near inspection of the material layer both before and after the selective solidification of the particulate material. Inspection of the layer of material prior to selective solidification makes it possible to correct any anomalies prior to selective solidification, for example by smoothing the surface of the layer of material again, spreading additional particulate material, and/or replacing existing particulate material.
Das statistische Lernmodell liefert individuelle Fehlerwahrscheinlichkeiten zu den verschiedenen Schichtfehlern und erlaubt eine auf Erfahrungswissen aufbauende Oberflächeninspektion, ohne dass jeder einzelne Schichtfehler hinsichtlich seiner genauen Erscheinungsform in zumindest einem Bild der Materialschicht vorab bereits exakt bekannt sein muss. Im Gegensatz zu den eingangs genannten Verfahren wird ein Algorithmus aus dem Bereich des maschinellen Lernens hier also gezielt auf die Inspektion des Pulverbetts mit der Materialschicht aus dem partikelförmigen Material angewendet, nicht oder nicht nur auf das Verhalten und die Eigenschaften der zur additiven Herstellung verwendeten Vorrichtung und/oder in Bezug auf bereits hergestellten Werkstückschichten. Das neue Verfahren und die entsprechende Vorrichtung tragen auf sehr effiziente Weise dazu bei, defekte Werkstücke und Werkstückschichten möglichst schon im Vorfeld zu vermeiden. Der Fehlervektor mit den individuellen Fehlerwahrscheinlichkeiten für die verschiedenen Schichtfehler ermöglicht auf sehr effiziente Weise eine qualitative und - zumindest in einigen Ausführungsbeispielen - sogar eine quantitative Aussage in Bezug auf die Qualitätseigenschaften des hergestellten Werkstücks.The statistical learning model provides individual error probabilities for the different which layer defects and allows a surface inspection based on experience, without each individual layer defect having to be exactly known in advance with regard to its exact appearance in at least one image of the material layer. In contrast to the methods mentioned at the beginning, an algorithm from the field of machine learning is used here specifically to inspect the powder bed with the material layer made of particulate material, not or not only to the behavior and properties of the device used for additive manufacturing and /or in relation to workpiece layers that have already been produced. The new process and the corresponding device make a very efficient contribution to avoiding defective workpieces and workpiece layers as early as possible. The error vector with the individual error probabilities for the various layer errors enables a qualitative and—at least in some exemplary embodiments—even a quantitative statement with regard to the quality properties of the workpiece produced in a very efficient manner.
In einigen Ausführungsbeispielen kann das selektive Verfestigen des partikelförmigen Materials in Abhängigkeit von dem Fehlervektor gestoppt oder aufgeschoben werden, bis die Materialschicht aus dem partikelförmigen Material durch eine geeignete Nachbearbeitung eine gewünschte Homogenität aufweist. In einigen Ausführungsbeispielen kann der Herstellungsvorgang vorzeitig abgebrochen werden, wenn ein defektfreies Werkstück aufgrund von mit hoher Wahrscheinlichkeit erkannten Schichtfehlern nicht zu erwarten ist. Da verschiedene Schichtfehler abhängig von einer konkreten Prozessfolge zeitgleich oder zeitlich zueinander versetzt, lokal entfernt voneinander oder in unmittelbarer Nachbarschaft oder in verschiedenem Umfang auftreten können, eignet sich eine auf der Methode des maschinellen Lernens basierende Inspektion des Pulverbetts unter Verwendung des trainierten statistischen Lernmodells besonders gut. Bei einer Veränderung der Prozessparameter kann das statische Lernmodell auf effiziente Weise „nachtrainiert“ werden. Die oben genannte Aufgabe ist daher vollständig gelöst.In some embodiments, depending on the error vector, the selective solidification of the particulate material may be stopped or deferred until the material layer of the particulate material has a desired homogeneity through appropriate post-processing. In some exemplary embodiments, the production process can be terminated prematurely if a defect-free workpiece cannot be expected due to layer defects that are detected with a high degree of probability. Since different layer defects can occur at the same time or at different times, depending on a specific process sequence, locally distant from each other or in the immediate vicinity or to different extents, an inspection of the powder bed based on the machine learning method using the trained statistical learning model is particularly suitable. If the process parameters change, the static learning model can be “post-trained” in an efficient manner. The above task is therefore completely solved.
In einer bevorzugten Ausgestaltung der Erfindung wird die Materialschicht im Schritt c) aus mehreren voneinander verschiedenen Richtungen beleuchtet und es wird eine Vielzahl von Bildern der Materialschicht aufgenommen, wobei jedes Bild aus der Vielzahl von Bildern die Materialschicht mit einer anderen Beleuchtungsrichtung zeigt, und wobei die individuellen Eigenschaften unter Verwendung der Vielzahl von Bildern bestimmt werden.In a preferred embodiment of the invention, the material layer is illuminated in step c) from a plurality of different directions and a large number of images of the material layer are recorded, with each image from the large number of images showing the material layer with a different illumination direction, and with the individual Properties are determined using the plurality of images.
Die Ausgestaltung ist besonders vorteilhaft zum Inspizieren eines Pulverbetts aus einem metallischen partikelförmigen Material. Sie kann jedoch gleichermaßen zur Inspektion eines Pulverbetts aus Kunststoffmaterial oder gemischten Materialien verwendet werden. Die Vielzahl von Bildern zeigen die Materialschicht mit voneinander verschiedenen Lichtreflexionen und voneinander verschiedenen Schattenwürfen. Daher können die individuellen Eigenschaften der Materialschicht zuverlässiger und detailgenauer erfasst werden. Vorteilhaft ist es, wenn die Vielzahl von Bildern mit einer einzelnen Kamera aufgenommen werden, die in einer festen Position relativ zu der Fertigungsplattform und/oder der Materialschicht angeordnet ist. Dies ermöglicht eine schnelle Bildaufnahme und eine einfache Zuordnung der verschiedenen Beleuchtungsbilder zueinander. Die Ausgestaltung erleichtert insbesondere eine semantische Unterscheidung verschiedener Schichtfehler voneinander, da sie eine detaillierte Inspektion der Materialoberfläche erlaubt.The configuration is particularly advantageous for inspecting a powder bed of metallic particulate material. However, it can equally be used to inspect a powder bed of plastic material or mixed materials. The multitude of images show the material layer with different light reflections and different shadows. Therefore, the individual properties of the material layer can be recorded more reliably and in more detail. It is advantageous if the multiplicity of images are recorded with a single camera which is arranged in a fixed position relative to the production platform and/or the material layer. This enables quick image acquisition and easy assignment of the various illumination images to one another. In particular, the configuration facilitates a semantic differentiation of different layer defects from one another, since it allows a detailed inspection of the material surface.
In einer weiteren Ausgestaltung werden die Vielzahl von Bildern dem vorab trainierten statistischen Lernmodell gemeinsam als Eingangsdaten zugeführt.In a further refinement, the large number of images are supplied together as input data to the previously trained statistical learning model.
In dieser Ausgestaltung kann jedes Bild aus der Vielzahl von Bildern einen Inspektionskanal bilden. Das statistische Lernmodell kann die Bildinformationen aus den verschiedenen Beleuchtungsbildern gemeinsam verarbeiten und daher die verschiedenen Bildinformationen korrelieren. Beispielsweise kann bei einer Beleuchtung aus einer ersten Richtung eine Kante in der Materialschicht sichtbar sein, die bei einer Beleuchtung aus einer anderen Richtung nicht sichtbar ist. Andererseits kann eine Reflexion, die bei einer Beleuchtungsrichtung auftritt, einem tatsächlich nicht vorhandenem Schichtfehler ähneln. Die Ausgestaltung trägt vorteilhaft dazu bei, möglichst viele tatsächlich vorhandenen Schichtfehler zu erkennen und darüber hinaus tatsächlich vorhandene Schichtfehler von nur scheinbar vorhandenen Schichtfehlern zu unterscheiden. Etablierte statistische Lernmodelle aus dem Bereich des maschinellen Lernens, von denen einige weiter unten näher beschrieben sind, ermöglichen regelmäßig die gemeinsame Verarbeitung von mehreren Eingangsdatensätzen, wie etwa den separaten RGB-Farbkanälen eines mehrfarbigen Bildes. Die Ausgestaltung nutzt diese Fähigkeit in vorteilhafter Weise zur korrelierten Analyse der Vielzahl von mehreren Bildern mit unterschiedlichen Beleuchtungsrichtungen. Infolgedessen kann diese Ausgestaltung relativ einfach implementiert werden und sie ermöglicht eine recht schnelle Inspektion der Materialoberfläche.In this embodiment, each image from the plurality of images can form an inspection channel. The statistical learning model can process the image information from the different illumination images together and can therefore correlate the different image information. For example, when illuminated from a first direction, an edge in the material layer can be visible that is not visible when illuminated from a different direction. On the other hand, a reflection that occurs in one direction of illumination can resemble a non-existent film defect. The configuration advantageously contributes to recognizing as many layer defects as possible that are actually present and, moreover, to distinguishing between layer defects that are actually present and layer defects that are only apparently present. Established statistical learning models from the field of machine learning, some of which are described in more detail below, regularly enable the joint processing of several input data sets, such as the separate RGB color channels of a multicolored image. The embodiment takes advantage of this capability for correlated analysis of the plurality of multiple images with different directions of illumination. As a result, this design is relatively easy to implement and allows for fairly rapid inspection of the material surface.
In einer weiteren Ausgestaltung wird im Schritt c) eine Höhenkarte der Materialschicht unter Verwendung des zumindest einen Bildes bestimmt, wobei die Höhenkarte dem trainierten statistischen Lernmodell als Eingangsdatensatz zugeführt wird.In a further refinement, in step c) a height map of the material layer is determined using the at least one image, the height map being supplied to the trained statistical learning model as an input data record.
In bevorzugten Ausführungsbeispielen wird die Höhenkarte unter Verwendung einer Vielzahl von Bildern bestimmt, die die Materialschicht jeweils mit einer anderen Beleuchtungsrichtung zeigen. Vorzugsweise wird die Höhenkarte als 2,5D Höhenkarte unter Verwendung eines Verfahrens bestimmt, wie es in der eingangs genannten
In einer weiteren Ausgestaltung werden im Schritt c) eine Vielzahl von Fehlervektoren bestimmt, die jeweils eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten repräsentieren, wobei jeder Fehlervektor aus der Vielzahl von Fehlervektoren die individuellen Fehlerwahrscheinlichkeiten in Bezug auf einen ausgewählten Pixelbereich in dem zumindest einen Bild repräsentiert. Die ausgewählten Pixelbereiche sind in dieser Ausgestaltung zumindest teilweise verschieden voneinander, so dass die Fehlervektoren für voneinander verschiedene Pixelbereich des zumindest einen Bildes repräsentativ sind.In a further embodiment, in step c) a multiplicity of error vectors are determined, each of which represents a multiplicity of individual error probabilities, with each error vector from the multiplicity of error vectors representing the individual error probabilities in relation to a selected pixel region in the at least one image. In this configuration, the selected pixel areas are at least partially different from one another, so that the error vectors are representative for pixel areas of the at least one image that are different from one another.
Besonders vorteilhaft ist es, wenn jeder Fehlervektor aus der Vielzahl von Fehlervektoren die individuellen Fehlerwahrscheinlichkeiten in Bezug auf ein anderes Einzelpixel in dem zumindest einen Bild repräsentiert.It is particularly advantageous if each error vector from the large number of error vectors represents the individual error probabilities in relation to another individual pixel in the at least one image.
In diesen Ausgestaltungen geben die Fehlervektoren die Wahrscheinlichkeiten für definierte Schichtfehler in lokal abgegrenzten Bereichen und insbesondere auf Pixelebene an. Die Ausgestaltungen machen es möglich, die Ausdehnung und/oder Form etwaig vorhandener Schichtfehler und/oder deren räumlichen Verlauf zu bestimmen. Insbesondere Fehlervektoren, die auf Einzelpixel in dem zumindest einen Bild bezogen sind, ermöglichen eine sehr genaue Bestimmung der Dimensionen erkannter Schichtfehler, so dass beispielsweise eine Porengröße in der Schichtenfolge des Werkstücks abgeschätzt werden kann. Die Ausgestaltung trägt zu einer besonderes effizienten Implementierung des neuen Verfahrens und der entsprechenden Vorrichtung bei, da in Abhängigkeit von den individuellen Anforderungen an das hergestellte Werkstück Schichtfehler, die eine bestimmte Größe, Ausbildung oder Form nicht überschreiten, gezielt toleriert werden können. Auch eine vorteilhafte Klassifizierung einzelner Schichtfehler und daraus ggf. folgender Werkstückfehler wird mit dieser Ausgestaltung erleichtert.In these refinements, the error vectors indicate the probabilities for defined layer errors in locally delimited areas and in particular at the pixel level. The configurations make it possible to determine the extent and/or shape of any layer defects that may be present and/or their spatial progression. In particular, error vectors that relate to individual pixels in the at least one image enable the dimensions of detected layer errors to be determined very precisely, so that, for example, a pore size in the layer sequence of the workpiece can be estimated. The design contributes to a particularly efficient implementation of the new method and the corresponding device, since layer defects that do not exceed a specific size, configuration or shape can be specifically tolerated depending on the individual requirements of the workpiece produced. An advantageous classification of individual layer defects and workpiece defects that may result therefrom is also facilitated with this configuration.
In einer weiteren Ausgestaltung werden morphologische und/oder dimensionale Eigenschaften eines definierten Fehlers in der Materialschicht unter Verwendung der Vielzahl von Fehlervektoren bestimmt.In a further embodiment, morphological and/or dimensional properties of a defined defect in the material layer are determined using the multiplicity of defect vectors.
Morphologische Eigenschaften beinhalten Informationen über die Struktur und/oder Art eines definierten Fehlers. Dimensionale Eigenschaften beinhalten Informationen zur Ausdehnung und/oder Form. Das Bestimmen der morphologischen und/oder dimensionalen Eigenschaften erleichtert eine Klassifizierung etwaiger Schichtfehler sowie eine zielgerichtete Entscheidung, ob das hergestellte Werkstück definierte Spezifikationen in Bezug auf Festigkeit, Haltbarkeit, Form und/oder Abmessungen erfüllen kann. Die Ausgestaltung ist daher besonders vorteilhaft für eine effiziente Prozessanalyse.Morphological properties contain information about the structure and/or type of a defined defect. Dimensional properties include information about extent and/or shape. Determining the morphological and/or dimensional properties makes it easier to classify any layer defects and to make a targeted decision as to whether the workpiece produced can meet defined specifications in terms of strength, durability, shape and/or dimensions. The configuration is therefore particularly advantageous for an efficient process analysis.
In einer weiteren Ausgestaltung beinhaltet das vorab trainierte statistische Lernmodell ein faltendes neuronales Netzwerk (Convolutional Neural Network, CNU). Besonders bevorzugt beinhaltet das trainierte statistische Lernmodell ein faltendes neuronales Netzwerk basierend auf dem U-net-Modell.In another embodiment, the pre-trained statistical learning model includes a convolutional neural network (CNU). The trained statistical learning model particularly preferably includes a convolutional neural network based on the U-net model.
Ein faltendes neuronales Netzwerk verwendet die mathematische Operation „Faltung“, um einen Eingangsdatensatz zu analysieren. Filtermatrizen werden in mehreren Schritten abschnittsweise mit dem zumindest einen Bild gefaltet. Das Ergebnis dieser Faltung ist ein Datensatz, aus dem sich das Vorhandensein oder Nichtvorhandensein eines durch das Filter repräsentierten Merkmals abschätzen lässt. Vorzugsweise werden mehrere derartige Faltungsoperationen sequentiell nacheinander ausgeführt. Vorteilhaft wird für jeden relevanten Schichtfehler eine eigene Filtermatrix verwendet. Beispielsweise kann für einen oder mehrere der folgenden Schichtfehler jeweils eine eigene Filtermatrix vorgesehen sein: Riefen in der Oberfläche der Materialschicht aus dem partikelförmigen Material, lokale Anhäufungen von partikelförmigem Material an der definierten Oberfläche, ungleichmäßige Korngrößen des partikelförmigen Materials, Löcher oder Vertiefungen in der Oberfläche der Materialschicht aus dem partikelförmigen Material, Verklebung oder Verschmelzung von Materialpartikeln. Die Vielzahl der Faltungsoperationen führt zusammen mit weiteren Operationen des faltenden neuronalen Netzwerkes, wie insbesondere Vereinheitlichungsoperationen (Pooling) und Delinearisierung (mithilfe einer Rectifying Linear Unit, ReLU) zu dem Fehlervektor. Wie sich anhand von Untersuchungen gezeigt hat, ermöglicht ein solches faltendes neuronales Netzwerk auf sehr effiziente Weise die Bestimmung eines Fehlervektors, der für die genannten Schichtfehler repräsentativ ist.A convolutional neural network uses the mathematical operation "convolution" to analyze an input data set. Filter matrices are convolved with the at least one image in sections in several steps. The result of this convolution is a data set from which the presence or absence of a feature represented by the filter can be estimated. A number of such convolution operations are preferably carried out sequentially one after the other. A separate filter matrix is advantageously used for each relevant layer defect. For example, a separate filter matrix can be provided for one or more of the following layer defects: Grooves in the surface of the material layer made of the particulate material, local accumulations of particulate material on the defined surface, non-uniform grain sizes of the particulate material, holes or depressions in the surface of the Material layer of the particulate material, bonding or fusion of material particles. The multiplicity of convolution operations lead together with further operations of the convolutional neural network, such as in particular unification operations (Pooling) and delinearization (using a Rectifying Linear Unit, ReLU) to the error vector. As has been shown on the basis of investigations, such a convolutional neural network enables an error vector which is representative of the layer errors mentioned to be determined in a very efficient manner.
Ein faltendes neuronales Netzwerk basierend auf dem U-net-Modell ergänzt die Bestimmung des Fehlervektors in weiteren nachfolgenden Faltungsschritten um Informationen aus den ersten Faltungsschritten (sogenanntes Upscaling) und liefert damit eine sehr treffsichere Segmentierung des zumindest einen Bildes in verschiedene Schichtfehlerbereiche und fehlerfreien Bildhintergrund. Klassischerweise werden solche faltenden Netzwerke im medizinischen Bereich verwendet. Die Untersuchungen haben gezeigt, dass derartige Netzwerke gerade bei der Inspektion der Materialschicht aus partikelförmigem Material sehr gut geeignet sind, um Schichtfehler schon sehr früh und treffsicher zu detektieren.A convolutional neural network based on the U-net model supplements the determination of the error vector in further subsequent convolution steps with information from the first convolution steps (so-called upscaling) and thus provides a very accurate segmentation of at least one image into different layer error areas and error-free image background. Such folding networks are traditionally used in the medical field. The investigations have shown that such networks are very well suited, especially when inspecting the material layer made of particulate material, to detect layer defects very early and accurately.
In einer weiteren Ausgestaltung wird das zumindest eine Bild der Materialschicht mithilfe eines Referenzbildes normiert, wobei das Referenzbild eine homogene, diffus reflektierende Fläche zeigt.In a further configuration, the at least one image of the material layer is normalized using a reference image, with the reference image showing a homogeneous, diffusely reflecting surface.
Diese Ausgestaltung erhöht die Treffsicherheit bei der Detektion etwaiger Schichtfehler, da das vorab trainierte statistische Lernmodell ein oder mehrere Eingangsbilder erhält, die unabhängig von der individuellen Beleuchtung sind. Auf diese Weise können nachteilige Effekte aufgrund von Fertigungstoleranzen bei der Beleuchtung, Alterungserscheinungen, unterschiedlichen Relativpositionen einzelner Beleuchtungselemente im Arbeitsraum der Vorrichtung relativ zur Kamera und anderes reduziert werden. In einigen Ausführungsbeispielen kann die homogene, diffus reflektierende Fläche des Referenzbildes ein weißes Blatt Papier sein. Vorzugsweise entsprechend die Reflexionseigenschaften der diffus reflektierenden Fläche einem Lambert-Strahler.This refinement increases the accuracy of the detection of any layer defects, since the previously trained statistical learning model receives one or more input images that are independent of the individual lighting. In this way, disadvantageous effects due to manufacturing tolerances in the lighting, signs of aging, different relative positions of individual lighting elements in the working space of the device relative to the camera, and other things can be reduced. In some embodiments, the homogeneous, diffusely reflecting surface of the reference image can be a white sheet of paper. The reflection properties of the diffusely reflecting surface preferably correspond to a Lambert radiator.
In einer weiteren Ausgestaltung wird der zumindest eine Fehlervektor zusammen mit einem Zeitstempel, der die Materialschicht identifiziert, als historischer Fehlervektor gespeichert, wobei die weiteren definierten Werkstückschichten in Abhängigkeit von dem historischen Fehlervektor erzeugt werden.In a further refinement, the at least one error vector is stored as a historical error vector together with a time stamp which identifies the material layer, with the further defined workpiece layers being generated as a function of the historical error vector.
In einigen Ausführungsbeispielen kann daher in den wiederholten Schritten c), d.h. bei der Inspektion von nachfolgenden Materialschichten, geprüft werden, ob ein in der aktuellen Materialschicht detektierter Schichtfehler über mehrere Schichten persistent ist. Die Ausgestaltung trägt dazu bei, „Fehlalarme“ zu reduzieren und das selektive Verfestigen des partikelförmigen Materials einer aktuellen Materialschicht nur dann abzubrechen und/oder zu modifizieren, wenn dies zum Erreichen einer geforderten Werkstückqualität tatsächlich erforderlich ist. Beispielsweise können vereinzelte Schichtfehler, die sich auf eine Materialschicht beschränken oder auch scheinbare Schichtfehler, die tatsächlich gar nicht vorhanden sind und beispielsweise aufgrund von Lichtreflexen als solche erscheinen, auf effiziente Weise eliminiert werden. In einigen Ausführungsbeispielen kann ein Vergleich des jeweils aktuellen Fehlervektors mit einem oder mehreren historischen Fehlervektoren in determinierter Weise nach der Inspektion mithilfe des statistischen Lernmodells erfolgen, d.h. im Rahmen eines Post-Processings. Beispielsweise kann ein potentieller Schichtfehler ignoriert werden, wenn die historischen Fehlervektoren nicht denselben Schichtfehler vorausgegangenen Materialschichten anzeigen.In some exemplary embodiments, it is therefore possible in the repeated steps c), i.e. when inspecting subsequent material layers, to check whether a layer defect detected in the current material layer is persistent over a number of layers. The design helps to reduce "false alarms" and to discontinue and/or modify the selective solidification of the particulate material of a current layer of material only when actually necessary to achieve a required part quality. For example, isolated layer defects that are limited to one material layer or apparent layer defects that are actually not present and appear as such due to light reflections, for example, can be eliminated in an efficient manner. In some embodiments, the current error vector can be compared with one or more historical error vectors in a deterministic manner after the inspection using the statistical learning model, i.e. as part of a post-processing. For example, a potential layer failure can be ignored if the historical failure vectors do not indicate the same layer failure of previous layers of material.
In einer weiteren Ausgestaltung wird das zumindest eine Bild der Materialschicht zusammen mit einem Zeitstempel, der die Materialschicht identifiziert, als historisches Bild gespeichert, wobei die weiteren definierten Werkstückschichten in Abhängigkeit von dem historischen Bild erzeugt werden.In a further embodiment, the at least one image of the material layer is stored as a historical image together with a time stamp that identifies the material layer, with the further defined workpiece layers being generated as a function of the historical image.
In dieser Ausgestaltung, die alternativ oder ergänzend zu der zuvor genannten Ausgestaltung verwendet sein kann, wird die Historie erkannter Schichtfehler mithilfe der aufgenommenen Bilder bereitgestellt. Die Ausgestaltung macht es möglich, ein oder mehrere historische Bilder zusammen mit einem jeweils aktuellen Bild dem trainierten Lernmodell als gemeinsamen mehrkanaligen Eingangsdatensatz zuzuführen. Vorteilhaft kann das statistische Lernmodell die Inspektion der Materialoberfläche dann unter Berücksichtigung der Historie durchführen und zeitliche Korrelationen erkennen. In bevorzugten Ausführungsbeispielen können das zumindest eine aktuelle Bild und ein oder mehrere historische Bilder jeweils einen Kanal eines faltenden neuronalen Netzwerks bilden. In weiteren Ausführungsbeispielen kann das statistische Lernmodell ein Kurzzeitgedächtnis aufweisen, wie dies etwa ein LSTM (Long Short Term Memory) Netzwerk implementiert. Dementsprechend kann das statistische Lernmodell in einigen Ausführungsbeispielen ein faltendes neuronales LSTM-Netzwerk sein.In this embodiment, which can be used as an alternative or in addition to the aforementioned embodiment, the history of detected layer defects is provided using the recorded images. The design makes it possible to supply one or more historical images together with a respective current image to the trained learning model as a common multi-channel input data record. The statistical learning model can then advantageously carry out the inspection of the material surface taking into account the history and recognize temporal correlations. In preferred embodiments, the at least one current image and one or more historical images can each form a channel of a convolutional neural network. In further exemplary embodiments, the statistical learning model can have a short-term memory, such as that implemented by an LSTM (Long Short Term Memory) network. Accordingly, in some embodiments, the statistical learning model may be an LSTM convolutional neural network.
Besonders vorteilhaft kann diese Ausgestaltung kombiniert sein mit der Bestimmung einer Höhenkarte der Materialschicht, wobei ein faltendes neuronales Netzwerk zur Anwendung kommt, das die Faltungsoperationen dreidimensional ausführt. Beispielsweise können die ersten zwei Dimensionen die räumlichen Pixelinformationen entlang der X- und Y-Achse der Höhenkarte sein und die dritte Dimension der Faltungsoperationen kann die Zeit sein, wobei die aktuelle Höhenkarte und eine oder mehrere historische Höhenkarten verwendet werden. Der Eingangsdatensatz kann beispielsweise ein Tensor sein, dessen Dimensionen der Breite und Höhe der Höhenkarten sowie der Anzahl der historischen und aktuellen Höhenkarten entspricht. Die Ausgestaltung ermöglicht eine sehr vorteilhafte Implementierung des neuen Verfahrens und der entsprechenden Vorrichtung mit einer Überwachung des Herstellungsprozesses für eine Vielzahl verschiedener Werkstücke und Prozessabläufe.This refinement can be particularly advantageously combined with the determination of a height map of the material layer, with a convolutional neural network being used, which performs the convolution operations three-dimensionally. For example, the first two dimensions can be the spatial pixel information along the x and y axes of the height map and the third dimension of the convolution operations can be time, using the current elevation map and one or more historical elevation maps. For example, the input data set can be a tensor whose dimensions correspond to the width and height of the height maps and the number of historical and current height maps. The configuration enables a very advantageous implementation of the new method and the corresponding device with monitoring of the manufacturing process for a large number of different workpieces and process sequences.
In einer weiteren Ausgestaltung werden die individuellen Eigenschaften der Materialschichten aus den wiederholten Schritten c) jeweils zusammen mit einem Zeitstempel, der die jeweiligen Materialschichten identifiziert, gespeichert, wobei das Werkstück in Abhängigkeit von den gespeicherten individuellen Eigenschaften zur Verwendung freigegeben wird.In a further embodiment, the individual properties of the material layers from the repeated steps c) are each stored together with a time stamp that identifies the respective material layers, the workpiece being released for use depending on the stored individual properties.
In dieser Ausgestaltung wird die prozessbegleitende Inspektion der Materialschichten vorteilhaft genutzt, um die Eignung des hergestellten Werkstücks für seine vorgesehene Verwendung nach Abschluss des Herstellungsprozesses zu beurteilen. Vorteilhaft können die gespeicherten individuellen Eigenschaften auch zur Dokumentation eines Qualitätssicherungsprozesses verwendet werden. Die Ausgestaltung trägt auf sehr effiziente Weise dazu bei, eine hohe Produktqualität in einem additiven Herstellungsprozess zu erreichen.In this embodiment, the process-accompanying inspection of the material layers is advantageously used in order to assess the suitability of the manufactured workpiece for its intended use after the manufacturing process has ended. The stored individual properties can advantageously also be used to document a quality assurance process. The design contributes in a very efficient manner to achieving high product quality in an additive manufacturing process.
Es versteht sich, dass die vorstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.It goes without saying that the features mentioned above and those still to be explained below can be used not only in the combination specified in each case, but also in other combinations or on their own, without departing from the scope of the present invention.
Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und werden in der nachfolgenden Beschreibung näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines Ausführungsbeispiels der neuen Vorrichtung, -
2 ein Flussdiagramm zur Erläuterung eines Ausführungsbeispiels des neuen Verfahrens, -
3 ein Flussdiagramm zur Erläuterung der Inspektion der Materialoberfläche gemäß Ausführungsbeispielen des Verfahrens aus2 , und -
4 eine vereinfachte Darstellung zur Erläuterung der Funktionsweise eines faltenden neuronalen Netzwerks, das in Ausführungsbeispielen des neuen Verfahrens und der neuen Vorrichtung vorteilhaft zum Einsatz kommen kann.
-
1 a schematic representation of an embodiment of the new device, -
2 a flowchart to explain an embodiment of the new method, -
3 a flowchart to explain the inspection of the material surface according to exemplary embodiments of the method2 , and -
4 a simplified representation to explain the functioning of a convolutional neural network, which can be advantageously used in exemplary embodiments of the new method and the new device.
In
Nach Fertigstellung einer jeweiligen Werkstückschicht 16 wird hier eine neue Materialschicht 18 aus einem partikelförmigen Material 20, etwa einem metallischen Material und/oder einem Kunststoffmaterial, mithilfe eines Rakels 22 auf dem Schichtstapel verteilt. Typischerweise wird die Fertigungsplattform 12 dafür in Richtung des Pfeils 24 um die Höhe der nächsten Materialschicht abgesenkt und das partikelförmige Material 20 wird aus einem Reservoir 26 entnommen und mithilfe des Rakels 22 auf dem vorhandenen Schichtstapel verteilt.After completion of a
Bei der Bezugsziffer 28 ist hier ein Strukturierungswerkzeug vereinfacht dargestellt. In einigen Ausführungsbeispielen erzeugt das Strukturierungswerkzeug 28 einen Laserstrahl 30 und bewegt diesen relativ zu der Fertigungsplattform 12 und der zu strukturierenden Materialschicht 18. Mit dem Laserstrahl 30 werden die Materialpartikel selektiv auf- und/oder angeschmolzen, so dass sie sich mit dem Abkühlen verfestigen.A structuring tool is shown here in simplified form at
In anderen Ausführungsbeispielen kann das Strukturierungswerkzeug 28 einen Elektronenstrahl erzeugen, um eine Werkstückschicht auf der Fertigungsplattform 12 zu strukturieren. In einigen Ausführungsbeispielen kann die Vorrichtung 10 mehr als ein Strukturierungswerkzeug 28 beinhalten, also etwa zwei oder mehr Laser- und/oder Elektronenstrahlen zum Erzeugen einer Werkstückschicht verwenden.In other embodiments,
Das Strukturierungswerkzeug 28, im Folgenden zum Teil einfach als Schreiblaser bezeichnet, ist mit einer Auswerte- und Steuereinheit, nachfolgend kurz Steuerung 32, verbunden, die die Bewegung des Laserstrahls 30 entlang der Materialoberfläche steuert. Die Steuerung 32 besitzt hier eine Schnittstelle 34, über die ein Datensatz 36 eingelesen werden kann, der das herzustellende Werkstück 14 in einer Vielzahl von aufeinander angeordneten Schichten definiert. Die Steuerung 32 steuert die Bewegung des Laserstrahls 30 relativ zu dem Materialstapel in Abhängigkeit von dem Datensatz 36, wobei der Laserstrahl 30 in jeder herzustellenden Werkstückschicht 16 eine Trajektorie beschreibt, die sich aus dem Datensatz 36 ergibt. In einigen Ausführungsbeispielen ist die Steuerung 32 mithilfe eines oder mehrerer handelsüblicher Personal Computer realisiert, auf denen ein Betriebssystem, wie etwa Microsoft Windows, MacOS oder Linux, und ein oder mehrere Steuerprogramme ausgeführt werden, mit denen Ausführungsbeispiele des neuen Verfahrens implementiert sind. In einigen Ausführungsbeispielen kann die Steuerung 32 als Soft-SPS auf einem handelsüblichen PC realisiert sein. Alternativ oder ergänzend kann die Steuerung 32 mithilfe dedizierter Steuerungshardware mit einem oder mehrere ASICs, FPGAs, Mikrocontrollern, Mikroprozessoren oder vergleichbaren Logikschaltkreisen realisiert sein.The
Die Vorrichtung 10 besitzt ferner eine Messanordnung 38, 40, die dazu eingerichtet ist, die Oberfläche des Schichtstapels zu inspizieren. Die Messanordnung beinhaltet hier eine Beleuchtungsanordnung 38 und eine Kamera 40, die jeweils mit der Steuerung 32 (oder mit einer separaten Steuerung für die Messanordnung, hier nicht dargestellt) verbunden sind. Die Kamera 40 ist in diesem bevorzugten Ausführungsbeispiel dazu eingerichtet, mehrere Bilder von der Oberfläche des Materialstapels aufzunehmen, wobei die Oberfläche verschiedenen Richtungen beleuchtet wird. Beispielweise beinhaltet die Beleuchtungsanordnung 38 hier eine Vielzahl von Beleuchtungsmodulen 38a - 38f, die an verschiedenen Positionen relativ zu der Fertigungsplattform 12 angeordnet sind. Alternativ oder ergänzend kann die Beleuchtungsanordnung 38 relativ zu der Fertigungsplattform 12 bewegbar sein, um die Materialoberfläche aus verschiedenen Richtungen zu beleuchten. Beispielsweise könnte die Fertigungsplattform 12 auf einem Drehtisch angeordnet sein.The
In
Alternativ oder ergänzend zu der in
Im Folgenden werden unter ergänzender Bezugnahme auf die
Gemäß Schritt 54 wird die Oberfläche der Materialschicht 18 dann mithilfe der Messvorrichtung 38, 40 inspiziert, um etwaige Anomalien, wie insbesondere Riefen, Löcher, Vertiefungen, Wellen, Materialanhäufungen, Dichtevariationen und/oder Partikelinhomogenitäten (z. B. unterschiedliche Korngrößen und/oder Verklumpungen) in der Materialschicht 18 zu erkennen. Entspricht die Oberfläche der neuen Materialschicht 18 allen gewünschten Kriterien, verzweigt das Verfahren gemäß Schritt 56 zum Schritt 58, gemäß dem eine neue Werkstückschicht 16 in der obersten Materialschicht 18 mithilfe des Schreiblasers 28 erzeugt wird. Der Schreiblaser 28 schmilzt Materialpartikel entlang der definierten Trajektorie selektiv auf und verbindet die auf- oder angeschmolzenen Partikel auf diese Weise miteinander.According to step 54, the surface of the
Entspricht die Oberfläche der neuen Materialschicht 18 den gewünschten Kriterien nicht oder nicht hinreichend, kann das Verfahren gemäß Schleife 60 zum Schritt 52 zurückkehren, um die Oberfläche der Materialschicht 18 nachzuarbeiten oder vollständig neu zu erzeugen. Gemäß Schritt 62 werden die Schritte 52 - 58 wiederholt, bis das Werkstück 14 entsprechend dem Datensatz 36 fertiggestellt ist.If the surface of the new layer of
In einigen Ausführungsbeispielen kann eine frisch hergestellte Werkstückschicht 16 mithilfe der Messvorrichtung 38, 40 gezielt inspiziert werden, was bei Bezugsziffer 64 angedeutet ist. In Abhängigkeit davon kann dann eine nachfolgende Werkstückschicht modifiziert werden, um etwa eine Form- oder Größenabweichung zu korrigieren. Gemäß Schritt 66 kann eine Freigabe des hergestellten Werkstücks für eine vorgesehene Verwendung anhand der Historie der Inspektionen aus den wiederholten Schritten 52 und/oder 64 erfolgen.In some exemplary embodiments, a freshly produced
Gemäß Schritt 78 werden die aufgenommenen Bilder in einigen bevorzugten Ausführungsbeispielen unter Verwendung eines Referenzbildes normiert, um einen einheitlichen Beleuchtungspegel unabhängig von der Anordnung der Beleuchtungsmodule im Arbeitsraum der Vorrichtung 10 sowie etwaigen Fertigungstoleranzen zu erhalten. Das Referenzbild kann in einigen Ausführungsbeispielen ein weißes Blatt Papier zeigen, das mit der Kamera 40 aufgenommen wurde. Alternativ oder ergänzend kann in einigen Ausführungsbeispielen unter Verwendung der aufgenommenen und ggf. normierten Bilder eine 2,5D Höhenkarte von der Materialoberfläche 18 bestimmt werden, wie dies bereits weiter oben unter Hinweis auf die
Gemäß den Schritten 82, 84, 86, 88 werden die Höhenkarte und/oder die normierten Bilder aus Schritt 78 einem vorab trainierten statistischen Lernmodell zugeführt, das hier vorzugsweise als faltendes neuronales Netzwerk implementiert ist. Die grundsätzliche Funktionsweise eines solchen Netzwerks ist in
Gemäß
In anderen Ausführungsbeispielen kann der Stapel der Eingangsbilder 90a, 90b jeweils aktuelle - vorzugsweise normierte - Bilder der obersten Materialschicht 18 mit einer jeweils anderen Beleuchtungsrichtung beinhalten. Dementsprechend kann in diesen Ausführungsbeispielen die Bestimmung einer Höhenkarte entfallen. In weiteren Ausführungsbeispielen kann der Stapel der Eingangsbilder 90a, 90b aktuelle und historische Bilder mit jeweils unterschiedlichen Beleuchtungsrichtungen beinhalten.In other exemplary embodiments, the stack of
Die Eingangsbilder 90a, 90b werden nun jeweils mit einer von mehreren Filtermasken 92a, 92b gefaltet. Die Faltungsoperationen führen zu einem Bilderstapel 94, in dem für jedes Eingangsbild 90a, 90b und jede Filtermaske 92, 92b das jeweilige Faltungsergebnis enthalten ist. In den bevorzugten Ausführungsbeispielen beinhaltet der Stapel 94 ferner einen Schritt, der den Fachleuten als ReLU-Schritt bekannt ist. Mit dem ReLU-Schritt (Schritt 84 gemäß
Unter Bezugnahme auf
Die möglichen Schichtfehler korrelieren mit den Filtermatrizen 92a, 92b, die wiederum anhand bereitgestellter Trainingsdaten vorab bestimmt werden können. In bevorzugten Ausführungsbeispielen beinhalten die Trainingsdaten Höhenkarten und/oder normierte Bilder von Materialoberflächen, die einen oder mehrere der oben genannten Schichtfehler aufweisen und darüber hinaus zumindest eine Höhenkarte und/oder Bilder einer Materialoberfläche, die fehlerfrei ist. Zum Erzeugen derartiger Trainingsdaten kann ein Herstellungsprozess gezielt gestört werden, beispielsweise durch Überfüllung mit Pulvermaterial, Einbringen von Riefen oder Wellen in der Materialoberfläche, mechanische Erschütterungen und anderes. Darüber hinaus können derartig aufgenommene Bilder oder Höhenkarten gespiegelt werden oder mit Methoden der Bildverarbeitung manipuliert werden, um eine große Bandbreite an Trainingsdaten zu erhalten. Die Trainingsdaten werden dem faltenden neuronalen Netzwerk 112 vorab in mehreren Trainingszyklen zugeführt. Für jeden zugeführten Trainingsdatensatz werden die resultierenden Fehlervektoren analysiert. Im Rahmen eines sogenannten Backpropagation-Algorithmus werden die Parameter der Filtermasken 92a, 92b so lange modifiziert, bis die resultierenden Fehlervektoren die Schichtfehler in den Trainingsdaten zutreffend repräsentieren. Dann ist das statistische Lernmodell hinreichend trainiert. The possible layer errors correlate with the
Ergänzend zu den vorstehenden Ausführungen sei hier beispielhaft auf einige Publikationen verwiesen, die die Implementierung eines vorteilhaften faltenden neuronalen Netzwerks beschreiben und die hier durch Bezugnahme aufgenommen sind, nämlich
- - Ronneberger, O.; Fischer, P.; Brox, T., „U-Net: Convolutional Networks for Biomedical Image Segmentation“, Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015
- - Milletari F, Navab N, Ahmadi SA. V-net: „Fully convolutional neural networks for volumetric medical image segmentation“; In 2016 Fourth International Conference on 3D Vision (3DV) 2016 Oct 25 (pp. 565- 571). IEEE.
- - Diba A, Fayyaz M, Sharma V, Karami AH, Arzani MM, Yousefzadeh R, Van Gool L., „Temporal 3d convnets: New architecture and transfer learning for video classification“ arXiv preprint arXiv: 1711.08200, 2017
Nov 22. - - Nabavi, Seyed & Rochan, Mrigank & Yang, & Wang,. (2018). „Future Semantic Segmentation with Convolutional LSTM“
- - Xingjian SH, Chen Z, Wang H, Yeung DY, Wong WK, Woo WC. Convolutional LSTM network: A machine learning approach for precipitation nowcasting. InAdvances in neural information processing systems 2015 (pp. 802-810).
- - Ronneberger, O.; Fischer, P.; Brox, T., "U-Net: Convolutional Networks for Biomedical Image Segmentation," Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015
- - Milletari F, Navab N, Ahmadi SA. V-net: "Fully convolutional neural networks for volumetric medical image segmentation"; In 2016 Fourth International Conference on 3D Vision (3DV) 2016 Oct 25 (pp. 565-571). IEEE.
- - Diba A, Fayyaz M, Sharma V, Karami AH, Arzani MM, Yousefzadeh R, Van Gool L. "Temporal 3d convnets: New architecture and transfer learning for video classification" arXiv preprint arXiv: 1711.08200, 2017
Nov 22. - - Nabavi, Seyed & Rochan, Mrigank & Yang, & Wang,. (2018). "Future Semantic Segmentation with Convolutional LSTM"
- - Xingjian SH, Chen Z, Wang H, Yeung DY, Wong WK, Woo WC. Convolutional LSTM network: A machine learning approach for precipitation nowcasting. InAdvances in neural information processing systems 2015 (pp. 802-810).
Unter erneuter Bezugnahme auf
Gemäß Schritt 104 werden die Fehlervektoren in einigen Ausführungsbeispielen jeweils mit einem Zeitstempel versehen, der die aktuell inspizierte Materialschicht identifiziert. Die mit dem Zeitstempel versehenen Fehlervektoren können als historische Fehlervektoren in einem Speicher 106 (siehe
Wie bereits unter Hinweis auf
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- US 2015/0061170 A1 [0003, 0005]US 2015/0061170 A1 [0003, 0005]
- DE 102016201289 A1 [0006]DE 102016201289 A1 [0006]
- EP 3459715 A1 [0007]EP 3459715 A1 [0007]
- WO 2015/020939 A1 [0008]WO 2015/020939 A1 [0008]
- DE 102017108874 A1 [0009, 0022, 0048, 0055]DE 102017108874 A1 [0009, 0022, 0048, 0055]
- US 2020158499 A1 [0009, 0022, 0048, 0055]US2020158499 A1 [0009, 0022, 0048, 0055]
Claims (13)
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020121760.9A DE102020121760A1 (en) | 2020-08-19 | 2020-08-19 | Method and device for the additive manufacturing of a workpiece |
CN202180050499.5A CN115867403A (en) | 2020-08-19 | 2021-07-23 | Method and apparatus for additive manufacturing of a workpiece |
EP21746757.0A EP4200123A1 (en) | 2020-08-19 | 2021-07-23 | Method and apparatus for the additive manufacturing of a workpiece |
PCT/EP2021/070751 WO2022037899A1 (en) | 2020-08-19 | 2021-07-23 | Method and apparatus for the additive manufacturing of a workpiece |
US18/171,201 US20230294173A1 (en) | 2020-08-19 | 2023-02-17 | Method and Apparatus for Additive Manufacturing of a Workpiece using Statistical Learning Model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020121760.9A DE102020121760A1 (en) | 2020-08-19 | 2020-08-19 | Method and device for the additive manufacturing of a workpiece |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020121760A1 true DE102020121760A1 (en) | 2022-02-24 |
Family
ID=80112698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020121760.9A Pending DE102020121760A1 (en) | 2020-08-19 | 2020-08-19 | Method and device for the additive manufacturing of a workpiece |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020121760A1 (en) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015020939A1 (en) | 2013-08-07 | 2015-02-12 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US20150061170A1 (en) | 2013-09-02 | 2015-03-05 | Thomas Engel | Method and arrangement for producing a workpiece by using additive manufacturing techniques |
DE102016201289A1 (en) | 2016-01-28 | 2017-08-03 | Siemens Aktiengesellschaft | Process for additive production and device |
DE102017108874A1 (en) | 2017-04-26 | 2018-10-31 | Carl Zeiss Ag | Material testing with structured lighting |
EP3459715A1 (en) | 2017-09-26 | 2019-03-27 | Siemens Aktiengesellschaft | Method and apparatus for predicting the occurrence and type of defects in an additive manufacturing process |
GB2572953A (en) | 2018-04-16 | 2019-10-23 | Additive Manufacturing Tech Ltd | Surface Analysis |
DE102018124569A1 (en) | 2018-10-05 | 2020-04-09 | Airbus Defence and Space GmbH | Control method for an additive manufacturing device |
EP3646968A1 (en) | 2018-10-30 | 2020-05-06 | Siemens Aktiengesellschaft | Method for automatically preventing defects potentially arising during an additive manufacturing process and manufacturing device |
US20200160497A1 (en) | 2018-11-16 | 2020-05-21 | Align Technology, Inc. | Machine based three-dimensional (3d) object defect detection |
-
2020
- 2020-08-19 DE DE102020121760.9A patent/DE102020121760A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015020939A1 (en) | 2013-08-07 | 2015-02-12 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US20150061170A1 (en) | 2013-09-02 | 2015-03-05 | Thomas Engel | Method and arrangement for producing a workpiece by using additive manufacturing techniques |
DE102016201289A1 (en) | 2016-01-28 | 2017-08-03 | Siemens Aktiengesellschaft | Process for additive production and device |
DE102017108874A1 (en) | 2017-04-26 | 2018-10-31 | Carl Zeiss Ag | Material testing with structured lighting |
US20200158499A1 (en) | 2017-04-26 | 2020-05-21 | Carl Zeiss Industrielle Messtechnik Gmbh | Material Testing By Angle-Variable Illumination |
EP3459715A1 (en) | 2017-09-26 | 2019-03-27 | Siemens Aktiengesellschaft | Method and apparatus for predicting the occurrence and type of defects in an additive manufacturing process |
GB2572953A (en) | 2018-04-16 | 2019-10-23 | Additive Manufacturing Tech Ltd | Surface Analysis |
DE102018124569A1 (en) | 2018-10-05 | 2020-04-09 | Airbus Defence and Space GmbH | Control method for an additive manufacturing device |
EP3646968A1 (en) | 2018-10-30 | 2020-05-06 | Siemens Aktiengesellschaft | Method for automatically preventing defects potentially arising during an additive manufacturing process and manufacturing device |
US20200160497A1 (en) | 2018-11-16 | 2020-05-21 | Align Technology, Inc. | Machine based three-dimensional (3d) object defect detection |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018129425B4 (en) | System for recognizing a machining error for a laser machining system for machining a workpiece, laser machining system for machining a workpiece by means of a laser beam comprising the same, and method for detecting a machining error in a laser machining system for machining a workpiece | |
EP3432266B1 (en) | Device and method for detecting faulty parts | |
DE102021114967A1 (en) | WORKPIECE INSPECTION AND ERROR DETECTION SYSTEM THAT INDICATES THE NUMBER OF ERROR IMAGES FOR THE TRAINING | |
EP3401411B1 (en) | Method and apparatus for detecting defect sites in flexible bodies, in particular animal skins | |
DE4222804A1 (en) | Automatic visual tester for electrical and electronic components - performs video scans of different surfaces with unequal intensities of illumination by annular and halogen lamps | |
DE10011200A1 (en) | Defect classification method for wafer inspection compares with reference is automatic and suitable for production line use | |
DE102019114012A1 (en) | Microscopy method, microscope and computer program with verification algorithm for image processing results | |
WO2005090950A1 (en) | Method and system for inspecting surfaces | |
EP3767403B1 (en) | Machine learning based shape and surface measurement for monitoring production | |
DE102016201289A1 (en) | Process for additive production and device | |
DE102021115002A1 (en) | WORKPIECE INSPECTION AND ERROR DETECTION SYSTEM INCLUDING MONITORING OF THE WORKPIECE | |
DE102020126554A1 (en) | MICROSCOPY SYSTEM AND METHOD OF VERIFYING INPUT DATA | |
DE102019211656A1 (en) | Determination of the degree of wear of a tool | |
DE102019120696A1 (en) | Apparatus and method for tire testing | |
EP4020314A1 (en) | Method and device for optical quality control during manufacture of printed circuit boards | |
DE102020121760A1 (en) | Method and device for the additive manufacturing of a workpiece | |
DE102022123355A1 (en) | WORKPIECE INSPECTION AND FAULT DETECTION SYSTEM USING COLOR CHANNELS | |
DE112013002024T5 (en) | Color vision inspection system and method for inspecting a vehicle | |
EP4200123A1 (en) | Method and apparatus for the additive manufacturing of a workpiece | |
DE102018214307A1 (en) | System and method for quality inspection in the manufacture of individual parts | |
WO2018007619A1 (en) | Method and device for categorising a fracture surface of a component | |
DE10141051A1 (en) | Arrangement and method for inspection of unstructured wafers | |
DE102019009301B4 (en) | Method and device for the additive production of a workpiece | |
EP4306322A1 (en) | Method for testing gravure cylinders and gravure plates | |
DE102019131440B3 (en) | Computer-implemented method for segmenting measurement data from a measurement of an object |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: B22F0003105000 Ipc: B22F0010850000 |