EP4200123A1 - Verfahren und vorrichtung zur additiven herstellung eines werkstücks - Google Patents

Verfahren und vorrichtung zur additiven herstellung eines werkstücks

Info

Publication number
EP4200123A1
EP4200123A1 EP21746757.0A EP21746757A EP4200123A1 EP 4200123 A1 EP4200123 A1 EP 4200123A1 EP 21746757 A EP21746757 A EP 21746757A EP 4200123 A1 EP4200123 A1 EP 4200123A1
Authority
EP
European Patent Office
Prior art keywords
layer
material layer
workpiece
individual
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21746757.0A
Other languages
English (en)
French (fr)
Inventor
Alexander Freytag
Thomas Milde
Ghazal GHAZAEI
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss Industrielle Messtechnik GmbH
Original Assignee
Carl Zeiss Industrielle Messtechnik GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from DE102020121760.9A external-priority patent/DE102020121760A1/de
Application filed by Carl Zeiss Industrielle Messtechnik GmbH filed Critical Carl Zeiss Industrielle Messtechnik GmbH
Publication of EP4200123A1 publication Critical patent/EP4200123A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—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
    • B22F10/38—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
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Definitions

  • the present invention relates to a method for the additive manufacturing of a workpiece, with the steps of a) receiving a data set that defines the workpiece in a plurality of workpiece layers arranged one on top of the other, b) generating a material layer with a defined surface formed from a particulate material , c) taking 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) selectively solidifying 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 on top of one another is produced from the material layer, and e) repeating steps b) to d), further defined workpiece layers from the plurality of workpiece layers arranged on top of one another be generated.
  • 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 , which is aimed at the production platform, and with an evaluation and control unit, which 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 also to selectively solidify the particulate material on the defined surface with the aid of the structuring tool, wherein a defined workpiece layer from the plurality of workpiece layers arranged one on top of the other is produced from the material layer i.e.
  • Additive methods for producing workpieces are sometimes referred to as 3D printing.
  • 3D printing There are various additive manufacturing processes.
  • SLS selective laser sintering
  • SLM selective laser melting
  • a so-called powder bed made of a particulate material is used.
  • the particulate material is a metallic material.
  • 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 with the help of a laser beam or electron beam and in this way during cooling selectively solidified.
  • 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.
  • 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.
  • US 2015/0061170A1 discloses, among other things, an optical measurement sensor with a camera that can be set up to enable a 3D coordinate measurement on the respective uppermost material layer.
  • a difficulty here are reflections and shadows that can be caused in particular by metallic powder particles, but also by other objects in the workspace of the device.
  • DE 10 2016 201 289 A1 discloses a method for the additive manufacturing of a workpiece, with first measurement data being recorded during the additive build-up using a thermographic material test or using an eddy current material test. After the additive build-up, second measurement data is recorded using computed tomography and compared with the first measurement data. Material testing results are to be classified using an unspecified algorithm from the field of supervised machine learning.
  • EP 3 459 715 A1 discloses a method for the additive manufacturing of a workpiece, with the aid of a classification function, which was trained using a technique from the field of machine learning that is not described in detail, being used to predict defects in a current layer or in subsequent further layers should.
  • WO 2015/020939 A1 discloses a process based on the processing of filaments for the additive manufacturing of a workpiece, with the aid of algorithms from the field of machine learning, a CAD input data set is to be correlated with parameters of the device used in order to determine the properties of the of the workpiece produced by the device and the time required for production. The actual quality control of the manufactured workpiece takes place after it has been manufactured using a 3D scanner and calibration patterns on the manufacturing platform.
  • 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.
  • 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 previously trained statistical learning model, wherein using the previously trained statistical learning model at least a defect vector is determined which represents a plurality of individual defect probabilities, each individual defect probability from the plurality of individual defect probabilities being an individual indicator of whether a defined layer defect from a plurality of possible layer defects is present in the material layer, and step d ) is executed depending on the at least one error vector.
  • this object is achieved by a device of the type mentioned at the outset, wherein the evaluation and control unit is also set up to inspect the at least one image of the material layer using a statistical learning model trained in advance 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 evaluation and control unit controls the layer formation tool and the structuring tool depending on the error vector.
  • a termination criterion in particular an error and/or time criterion, based on the large number of annotated versions of the training images
  • the large number of training images preferably includes a large number of groups of at least three and in particular four training images each, the training images of each group each showing a defined material layer with at least one layer defect, and the training images of each group having the defined material layer with different layers Show lighting directions.
  • the number and lighting of the training images preferably correspond to those images that are inspected according to the new method for additive manufacturing of a workpiece using the previously trained statistical learning model, so that the following explanations apply equally to the training images.
  • the training images are recorded during the manufacture of a defined workpiece, and the termination criterion is defined as a function of the defined workpiece.
  • a learning model that has already been trained can advantageously be “post-trained” in a current production process for producing an individual workpiece, so that the learning model is optimized in relation to the individual workpiece. Further workpieces of the same type can then very advantageously be produced in subsequent further production processes using the learning model retrained in this way.
  • the learning model can be retrained iteratively using a plurality of manufacturing processes in which workpieces of the same type are produced in each case until a specified workpiece property or specified workpiece properties are achieved.
  • the termination criterion can advantageously be defined as a function of the specified workpiece properties.
  • the marking of the multiplicity of possible layer defects can be carried out by a person who is familiar with the layer defects to be detected.
  • 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 delivers individual probability values here, each of which has an individual represent the probability of the presence of a defined layer defect from a large number of possible layer defects.
  • 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.
  • the development of the defects can be detected at an early stage.
  • the propagation of the defects can be avoided or corrected, or alternatively the printing process can be stopped in order to save material and time.
  • the selective solidification of the particulate material in step d) is carried out as a function of the at least one error vector.
  • step d) is no longer carried out at all due to a detected or emerging defect, or that step d) is carried out in a modified manner, for example with modified CAD data, or that the material layer made of the particulate material is initially removed according to step b) is post-processed and the selective strengthening according to step d) is subsequently carried out on the post-processed layer of material.
  • the use of the pre-trained statistical learning model enables a process-near inspection of the material layer both before and after the selective solidification of the particulate material in an efficient manner. 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. The inspection of the material layer after selective hardening also makes it possible to correct detected defects in the workpiece that has only been partially produced by post-processing a workpiece layer that has already been produced, such as melting it on or on, and/or by modifying subsequent workpiece layers , such as being made thicker or thinner.
  • the statistical learning model provides individual error probabilities for the various layer defects and allows a surface inspection based on empirical knowledge without each individual layer defect having to be precisely known in advance with regard to its precise appearance in at least one image of the material layer.
  • the statistical learning model preferably provides an individual error probability for a large number of different layer errors, so that an individual error probability, which represents the presence or absence of the respective layer error, is obtained for each possible layer error.
  • an algorithm from the field of machine learning is used here specifically for the inspection of the powder bed with the material layer made of the particulate material, not or not only on 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 (such as the size or distribution of detected layer errors) in relation to the quality properties of the manufactured workpiece in a very efficient manner.
  • the selective solidification of the particulate material can be stopped or postponed depending on the error vector until the material layer of the particulate material has a desired homogeneity through suitable post-processing.
  • 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 parameter, the static learning model can be "post-trained" in an efficient way. The above task is therefore completely solved.
  • the layer of material is illuminated in step c) from a plurality of different directions and a multiplicity of images of the layer of material are recorded, with each image from the multiplicity of images showing the layer of material with a different direction of illumination, and wherein the individual characteristics are determined using the plurality of images.
  • the configuration is particularly advantageous for inspecting a powder bed of a 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.
  • 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.
  • the configuration facilitates a semantic differentiation of different layer defects from one another, since it allows a detailed inspection of the material surface.
  • the material layer is preferably illuminated from at least three, in particular four different directions, and the plurality of images in step c) accordingly consists of at least three, in particular images, which show the material layer with a different illumination direction in each case.
  • the images show the layer of material as captured by the camera under the particular lighting.
  • the images can be advantageously rectified and/or distortion-corrected. Inhomogeneities in the lighting, for example due to manufacturing tolerances in the light sources used, can also be corrected.
  • the images show the material layer as such, not a filtered or otherwise modified view of the material layer with regard to the pixel information, because this enables a particularly fast and efficient inspection in the ongoing manufacturing process.
  • the plurality of images are supplied together as input data to the previously trained statistical learning model.
  • 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 layer defect that does not actually exist.
  • 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.
  • 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 set.
  • the height map is determined using a plurality of images showing the layer of material, each with a different direction of illumination.
  • the height map is determined as a 2.5D height map using a method as described in DE 10 2017 108 874 A1 and US 2020/158499 A1 of equal priority, which are incorporated herein by reference.
  • the height map could be determined in further exemplary embodiments according to the triangulation principle, for example according to the principle of strip light projection.
  • the configuration has the advantage that the statistical learning model receives currently measured height information. As a result, the scope of the training data and the training time required in advance for the statistical learning model can be reduced.
  • very critical layer defects such as missing material or deep grooves as a result of a damaged layer formation tool, can be recognized very quickly using the height map.
  • step c) a multiplicity of error vectors are determined which each represent 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 .
  • the selected pixel areas are at least partially different from one another, so that the error vectors are representative of pixel areas of the at least one image that are different from one another.
  • each error vector from the plurality of error vectors represents the individual error probabilities in relation to another individual pixel in the at least one image.
  • 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.
  • 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 depending on the individual requirements of the workpiece produced layer defects that a certain Do not exceed size, training or shape, can be specifically tolerated. An advantageous classification of individual layer defects and workpiece defects that may result therefrom is also facilitated with this configuration.
  • morphological and/or dimensional properties of a defined defect in the material layer are determined using the multiplicity of defect vectors.
  • 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.
  • the pre-trained statistical learning model includes a convolutional neural network (CNN).
  • CNN convolutional neural network
  • the trained statistical learning model particularly preferably contains a convolutional neural network with an encoder-decoder architecture, for example a so-called U-net.
  • a convolutional neural network uses, among other things, 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. Filter matrices are advantageously used for each relevant layer defect.
  • one or more filter matrices 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 indentations in the surface of the material layer made of particulate material, adhesion or fusion of material particles.
  • the large number of convolution operations can include classic convolution operations (convolution) and/or modified convolution operations such as strided convolution, atrous convolution or transposed convolution and, together with other operations of the convolutional neural network, such as in particular normalization operations, unification operations (pooling) and delinearization (e.g. using a Rectifying Linear Unit, ReLU) to the error vector.
  • convolutional neural network enables an error vector which is representative of the layer errors mentioned to be determined in a very efficient manner.
  • a convolutional neural network with an encoder-decoder architecture for example 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 upsampling) and thus provides a very accurate segmentation of the at least one image into different layer defect areas and defect-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.
  • the at least one image of the material layer is normalized using a reference image, the reference image showing a homogeneous, diffusely reflecting surface or a defect-free material layer.
  • the homogeneous, diffusely reflecting surface of the reference image can be a white sheet of paper.
  • corresponding to the reflection properties of the diffusely re- reflecting surface here a Lambert radiator.
  • each image from the plurality of images is normalized with a reference image which shows the defect-free material layer with that direction of illumination with which the corresponding image from the plurality of images was recorded.
  • the image of the defect-free material layer can advantageously be low-pass filtered. Such a standardization has enabled particularly good inspection results.
  • 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.
  • 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.
  • 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 in previous layers of material.
  • the at least one image of the material layer is stored as a historical image together with a time stamp which identifies the material layer, with the further defined workpiece layers being generated as a function of the historical image.
  • 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 set.
  • the statistical learning model can then advantageously carry out the inspection of the material surface taking into account the history and recognize temporal correlations.
  • the at least one current image and one or more historical images can each form a channel of a convolutional neural network.
  • 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.
  • This configuration can be combined particularly advantageously 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.
  • 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 height map and one or more historical height maps.
  • 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 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.
  • the process-accompanying inspection of the material layers is advantageously used to assess the suitability of the workpiece produced for its intended use after the end of the manufacturing process.
  • 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.
  • FIG. 1 shows a schematic representation of an exemplary embodiment of the new device
  • FIG. 2 shows a flow chart for explaining an exemplary embodiment of the new method
  • FIG. 3 shows a flowchart to explain the inspection of the material surface according to exemplary embodiments of the method from FIG. 2,
  • FIG. 4 shows a simplified representation for explaining the functioning of a convolutional neural network, which can be advantageously used in exemplary embodiments of the new method and the new device,
  • FIG. 5 shows a simplified representation of an exemplary embodiment with an encoder-decoder architecture
  • FIG. 6 shows a simplified representation of a further exemplary embodiment with an encoder-decoder architecture.
  • an embodiment of the new device is denoted by the reference numeral 10 in its entirety.
  • the device 10 has a manufacturing platform 12 on which a workpiece 14 is produced additively according to an exemplary embodiment of the new method.
  • the workpiece 14 is built up in layers from bottom to top from a material stack in sequential steps.
  • the reference number 16 indicates a currently uppermost workpiece contour or uppermost workpiece layer.
  • An uppermost layer of material from which the workpiece layer 16 is produced is denoted by the reference number 18 .
  • the production platform 12 is typically lowered in the direction of the arrow 24 by the height of the next material layer and the particulate material 20 is removed from a reservoir 26 and distributed over the existing layer stack with the aid of the squeegee 22 .
  • a structuring tool is shown here in simplified form at reference number 28 .
  • the structuring tool 28 generates a laser beam 30 and moves it relative to the production platform 12 and the material layer 18 to be structured.
  • the material particles are selectively melted and/or partially melted with the laser beam 30 so that they solidify as they cool.
  • the structuring tool 28 can generate an electron beam in order to structure a workpiece layer on the manufacturing platform 12 .
  • the apparatus 10 may include more than one patterning tool 28, such as using two or more laser and/or electron beams to create a workpiece layer.
  • the structuring tool 28, hereinafter referred to simply as a write laser is connected to an evaluation and control unit, hereinafter referred to as controller 32, which controls the movement of the laser beam 30 along the material surface.
  • controller 32 has an interface 34 here, via which a data set 36 can be read in, which defines the workpiece 14 to be produced in a multiplicity of layers arranged one on top of the other.
  • the controller 32 controls the movement of the laser beam 30 relative to the material stack as a function of the data set 36, the laser beam 30 describing a trajectory in each workpiece layer 16 to be produced, which results from the data set 36.
  • the controller 32 is implemented using one or more commercially available personal computers running an operating system, such as Microsoft Windows, MacOS or Linux, and one or more control programs with which exemplary embodiments of the new method are implemented.
  • the controller 32 can be implemented as a soft PLC on a commercially available PC.
  • the controller 32 can be implemented using dedicated control hardware with one or more ASICs, FPGAs, microcontrollers, microprocessors or comparable logic circuits.
  • the device 10 also has a measuring arrangement 38, 40 which is set up to inspect the surface of the layer stack.
  • the measuring arrangement here includes an illumination arrangement 38 and a camera 40, each of which is connected to the controller 32 (or to a separate controller for the measuring arrangement, not shown here).
  • the camera 40 is set up to record a plurality of images of the surface of the material stack, with the surface being illuminated in different directions.
  • the lighting arrangement 38 here includes a multiplicity of lighting modules 38a - 38f which are arranged at different positions relative to the production platform 12 .
  • the lighting arrangement 38 can be movable relative to the production platform 12 in order to illuminate the material surface from different directions.
  • the manufacturing platform 12 could be arranged on a turntable.
  • Fig. 1 three lighting modules 38a, 38b, 38c are arranged side by side.
  • the lighting modules 38a, 38b, 38c are thus able to operate three largely in parallel to generate running illumination directions 42a, 42b (not shown here), 42c.
  • Three further lighting modules 38d, 38e, 38f are arranged here transversely to the lighting modules 38a, 38b, 38c and parallel to one another on a second side of the production platform 12.
  • the lighting modules 38d, 38e, 38f can generate three further lighting directions 42d (not shown here), 42e, 42f.
  • the device 10 has six further lighting modules (not shown here), of which three can be arranged opposite the lighting modules 38a-38c and another three can be arranged opposite the lighting modules 38d-38f.
  • the device 10 is able to illuminate the material surface from at least three different main directions.
  • the main directions can each contain three partial lighting directions that are offset parallel to one another, as is illustrated in FIG. 1 . This enables a very advantageous determination of a 2.5D height map of the material surface using a method such as that described in DE 10 2017 108 874 A1 mentioned at the outset or in the method with the same priority
  • the device 10 could have a ring light with a large number of individually and/or segmentally controllable light sources, with the ring light (not shown) being above the production platform 12 and preferably around the Material stack is arranged around to allow illumination of the material surface 18 from different directions.
  • a data record 36 is read into the controller 32, which defines the workpiece 14 in a multiplicity of workpiece layers 16 arranged one on top of the other.
  • the controller 32 could first receive a data set via the interface 34 that defines the workpiece to be produced “as a whole”, such as a CAD data set, and based on this determine the multiplicity of workpiece layers 16 arranged one on top of the other. In this case, too, the controller 32 receives the last borrowed a data set defining the workpiece 14 in a plurality of stacked workpiece layers 16.
  • a material layer 18 is created on the layer stack.
  • the controller 32 can remove particulate material 20 from the reservoir 26 with the aid of the squeegee 22 and distribute it on the layer stack.
  • the distribution of the particulate material 20 should be as uniform and homogeneous as possible.
  • the surface of the material layer 18 is then inspected using the measuring device 38, 40 in order to detect any anomalies, such as in particular grooves, holes, depressions, waves, accumulations of material, density variations and/or particle inhomogeneities (e.g. clumping) in of the material layer 18 can be seen. If the surface of the new material layer 18 corresponds to all desired criteria, the method branches according to step 56 to step 58, according to which a new workpiece layer 16 is produced in the uppermost material layer 18 using the writing laser 28 .
  • the writing laser 28 selectively melts material particles along the defined trajectory and in this way connects the melted or partially melted particles to one another.
  • step 52 If the surface of the new material layer 18 does not or not sufficiently meet the desired criteria, the method can return to step 52 according to loop 60 in order to rework the surface of the material layer 18 or to create it completely from scratch. According to step 62, steps 52-58 are repeated until the workpiece 14 corresponding to the data set 36 is completed.
  • a freshly produced workpiece layer 16 can be specifically inspected using the measuring device 38, 40, which is indicated by reference number 64. Depending on this, a subsequent workpiece layer can then be modified in order to correct a deviation in shape or size, for example.
  • the workpiece produced can be released for an intended use based on the history of the inspections from the repeated steps 52 and/or 64.
  • 3 shows an exemplary embodiment for the inspection of the material layer 18 according to step 54 and, if necessary, step 64 from FIG. 2.
  • the surface of the material layer 18 is preferably illuminated here with short-wave light.
  • the material surface is illuminated here from a first direction.
  • the first direction can be the illumination direction 42a according to FIG. 1, for example.
  • the camera 40 is used to record a first image I of the illuminated material surface.
  • the material surface is illuminated from a further direction, for example from the illumination direction 42c according to FIG. 1.
  • a further image J k of the material surface is recorded according to step 74, while the material surface is illuminated from the further direction 42c will.
  • step 76 a decision is made as to whether further images of the material surface with illumination should be taken from other directions, for example from the illumination directions 42e, 42f according to FIG different wavelengths/light colors can be generated and the different images can be separated from one another on the basis of the different wavelengths/light colors.
  • the recorded images are normalized using a respectively selected reference image in order to obtain a uniform illumination level regardless of the arrangement of the illumination modules in the working space of the device 10 and any manufacturing tolerances.
  • the reference image can show a white sheet of paper that was captured by the camera 40 .
  • the recorded images are each normalized with an associated reference image that shows a defect-free material layer with the particulate material and the same illumination as the illumination of the recorded image that is normalized.
  • a 2.5D height map of the material surface 18 can be determined using the recorded and possibly normalized images, as has already been mentioned above with reference to DE 10 2017 108 874 A1 or US 2020/158499 A1.
  • the elevation map and/or the normalized images are each provided with a time stamp that is representative of the material layer 18 currently recorded.
  • the time stamp can be a serial number that is incremented with each new material layer 18 .
  • the height map and/or the normalized images from step 78 are supplied to a previously trained statistical learning model, which is preferably implemented here as a convolutional neural network.
  • a previously trained statistical learning model which is preferably implemented here as a convolutional neural network. The basic functioning of such a network is explained in more detail in FIGS.
  • image 90a includes a current height map of the top layer of material 18 and image 90b includes the height map of a previous, underlying layer of material.
  • image 90b includes the height map of a previous, underlying layer of material.
  • Several such historical elevation maps of previous layers of material in the sequence of layers can be supplied to the statistical learning model together with the current elevation map. For example, height maps of two, three, four, or five previous layers of material may be included in the stack of input images 90a, 90b.
  • the stack of input images 90a, 90b can each contain current--preferably normalized--images of the uppermost material layer 18, each with a different direction of illumination. Accordingly, determination of a height map can be omitted in these exemplary embodiments.
  • the stack of input images 90a, 90b can contain current and historical images, each with different directions of illumination.
  • the stack of input images 90a, 90b can contain current and/or historical images, each with different illumination directions, as well as one or more height maps (current and/or historical).
  • the input images 90a, 90b are now each convolved with one of a plurality of filter masks 92a, 92b.
  • the convolution operations lead to an image stack 94 in which the respective convolution result is contained for each input image 90a, 90b and each filter mask 92, 92b.
  • the stack includes 94 and a step known to those skilled in the art as the ReLU step.
  • the ReLU step step 84 according to FIG. 3
  • the stack 94 is purposefully de-linearized.
  • what is known as a pooling step can then follow, which can be implemented in particular as what is known as max pooling.
  • the pooling step 86 a stack 96 is generated in which redundant image information is reduced.
  • Steps 82, 84, 86 can be repeated several times, as indicated by reference number 88 in FIG. 3, with the stack from the previous steps serving as the input data set for the further convolution and pooling steps. In some embodiments, between three and ten convolution steps 82, ReLU steps 84, and pooling steps 86 can be cascaded one after the other. It is also possible to carry out sequences of several convolution steps and/or de-linearization steps before a pooling step is carried out in each case.
  • one or more error vectors 100 can be determined in a further step 98, in particular using the so-called softmax function, which provides a probability distribution depending on the previous batch 96'.
  • Each error vector 100 therefore contains a multiplicity of individual error probabilities 102a, 102b, each individual error probability 102a, 102b being an individual indicator of whether a defined layer error from the multiplicity of layer errors mentioned above is present in the inspected material layer 18.
  • the training data includes height maps and/or normalized images of material surfaces that have one or more of the layer defects mentioned above and, in addition, at least one height map and/or images of a material surface that is free of defects.
  • a manufacturing process can be disrupted in a targeted manner, for example by overfilling with powder material, introducing grooves or waves in the material surface, mechanical shocks, deliberate incorrect control of the printing process, such as moving the writing beam too fast and/or writing intensity too high, and others .
  • images or elevation maps recorded in this way can be mirrored or manipulated during image processing to obtain a wide range of training data.
  • the training data are preferably supplied to the convolutional neural network 112 in advance in several training cycles.
  • the resulting error vectors are analyzed for each training data set supplied.
  • error measures are conceivable for the analysis, which can be optimized during the learning steps, such as the average error across all pixels of the defect map (usually cross entropy) or perceptual error measures (e.g. adversarial losses).
  • the parameters of the filter masks 92a, 92b are modified using a suitable optimization method until the selected target functions are sufficiently optimized, for example until the resulting error vectors correctly represent the layer errors in the training data.
  • Such an optimization method preferably includes a gradient descent variant (for example Stochastic Gradient Descent with or without Momentum, Adam, RMSProb, etc.).
  • the backpropagation algorithm is preferably used for the efficient calculation of the gradients. Alternatively, it can also be terminated earlier, for example if a previously defined training time budget has been used up or if the error in the model during training, evaluated on a separate validation data set, does not decrease any further. Then the statistical learning model is sufficiently trained.
  • Convolutional LSTM network A machine learning approach for precipitation nowcasting. InAdvances in neural information processing systems 2015 (pp. 802-810);
  • the error vectors are determined according to step 98 for each pixel of the height map and/or for each pixel of the normalized images, resulting in the probability of the presence of layer errors at the pixel level.
  • an individual error vector can be determined for the material layer 18 to be inspected, or partial areas can be defined within the material layer 18, for each of which an individual error vector is determined using the convolutional neural network.
  • the error vectors are each provided with a time stamp that identifies the material layer currently being inspected.
  • the time-stamped error vectors can be stored as historical error vectors in a memory 106 (see Figure 1).
  • the respective current error vectors can be compared with the historical error vectors from the memory 106 in order to identify layer errors that are persistent over several layers of material. Conversely, layer defects which, for example, are only detected in a current material layer and which do not appear in the following material layers either, can be discarded as "outliers".
  • the error vectors can be compared according to step 108 as part of a deterministic comparison.
  • historical layer error information can be supplied to the statistical learning model in further exemplary embodiments as a stack of height maps or input images 90a, 90b, so that the resulting error vectors 100 already reflect the individual error probabilities, taking into account the persistence of any layer errors represent.
  • the individual properties of the material layer 18, in particular the presence or absence of defined layer defects are determined using the defect probabilities 102a, 102b of the defect vectors.
  • the extent and/or shape of the detected layer defects are determined by comparing the defect vectors/probabilities of defects for different pixels or pixel areas.
  • the inspected material surface is advantageously segmented and classified in step 110 into defect-free sub-areas and defective sub-areas, with defective sub-areas being differentiated from one another depending on the type of layer defect detected in each case. Based on these properties, according to step 56 from FIG. 2, a decision is made as to whether and how the method for manufacturing the workpiece is continued.
  • the training of the statistical learning model 112′ can take place using training data, which in particular contain groups of normalized images of material surfaces, each of which has one or more of the layer defects to be detected.
  • the training data contain a large number of training images 120a, 120b and, in addition, annotated versions 122a, 122b of the training images 120a, 120b.
  • the layer defects to be detected are marked in the annotated versions 122a, 122b.
  • the annotated versions 122a, 122b represent a target result that the statistical learning model 112' is intended to deliver after completion of the training when the training images 120a, 120b are supplied to it again as input data.
  • Filter masks 92a, 92b for the convolution operations of the statistical learning model 112' are modified, for example with Stochastic Gradient Descent with or without Momentum, Adam, RMSProb, etc., until the statistical learning model 112' has the annotated versions 122a, 122b within the framework of a defined error and/or termination criterion.
  • the annotated versions 122a, 122b can advantageously be generated by an experienced expert with the aid of a visual inspection of the training images 120a, 120b and an individual marking of the detected layer defects.
  • the statistical learning model 112' After the statistical learning model 112' has been adequately trained, in preferred exemplary embodiments of the method for additively manufacturing a workpiece, it is supplied with the respective current images 92 and preferably also historical images of previous material layers and/or current elevation maps and/or historical elevation maps.
  • the training images 120a, 120b can be images which are recorded during the layer-by-layer production of a specified workpiece using the new method and which thus show a large number of material layers which were produced in the course of the production process.
  • the statistical learning model can be retrained using these training images and optimized in relation to the manufactured workpiece.
  • a statistical learning model 112' which has an encoder-decoder architecture.
  • an error map 124 can be created by refolding steps (deconvolution), which represents detected layer errors in a spatially resolved manner.
  • the error map 124 can contain an individual error probability or an error vector with a large number of individual error probabilities for each pixel, the error probabilities being representative of whether the respective pixel shows a layer error to be detected.
  • FIG. 6 shows another statistical learning model 112'' with an encoder-decoder architecture.
  • the statistical learning model 112′′ determines a multiplicity of increasingly filtered image stacks 94, 94′ in numerous successive convolution steps, delinearization steps and pooling steps. The image stacks are then folded back again in an upsampling path.
  • the respective stacks are combined here with the respective intermediate results from the previous folding steps, for example concatenated, as indicated by the arrows 126 .
  • a statistical learning model 112 is advantageously based on the U-net model mentioned above.
  • the statistical learning model 112′′ supplies an error map 124 with spatially resolved error probabilities that locally represent the presence or absence of layer errors.
  • the error map 124 here contains a large number of error vectors with a large number of individual error probabilities, preferably for each pixel of the images 92a, 92b, 92c, 92d.
  • the spatial dimensions of detected layer defects can advantageously be determined on the basis of such a defect map 124 .

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.

Description

Verfahren und Vorrichtung zur additiven Herstellung eines Werkstücks
[0001] 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.
[0002] 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.
[0003] Ein solches Verfahren und eine solche Vorrichtung sind dem Grunde nach aus US 2015/0061170 A1 bekannt.
[0004] 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.
[0005] 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 US 2015/0061170A1 offenbart unter anderem einen optischen Messsensor mit einer Kamera, die dazu eingerichtet sein kann, eine 3D Koordinatenmessung an der jeweils obersten Materialschicht zu ermöglichen. Eine Schwierigkeit hierbei sind Re- flektionen und Schattenwürfe, die insbesondere durch metallische Pulverpartikel, aber auch durch andere Objekte im Arbeitsraum der Vorrichtung verursacht werden können.
[0006] DE 10 2016 201 289 A1 offenbart ein Verfahren zur additiven Herstellung eines Werkstücks, wobei erste Messdaten während des additiven Aufbaus mit einer thermographische Materialprüfung oder mit einer Wirbelstrom-Materialprüfung erfasst werden. Zweite Messdaten werden nach dem additiven Aufbau mithilfe einer Computertomographie erfasst und mit den ersten Messdaten verglichen. Ergebnisse der Materialprüfung sollen mit einem nicht näher beschriebenen Algorithmus aus dem Bereich des überwachten maschinellen Lernens klassifiziert werden.
[0007] EP 3 459 715 A1 offenbart ein Verfahren zur additiven Herstellung eines Werkstücks, wobei mithilfe einer Klassifizierungsfunktion, die mit einer nicht näher beschriebenen Technik aus dem Bereich des maschinellen Lernens trainiert wurde, Defekte in einer aktuellen Schicht oder in nachfolgenden weiteren Schichten vorhergesagt werden sollen. [0008] WO 2015/020939 A1 offenbart ein auf der Verarbeitung von Filamenten basierendes Verfahren zur additiven Herstellung eines Werkstücks, wobei mithilfe von Algorithmen aus dem Bereich des maschinellen Lernens ein CAD Eingangsdatensatz mit Parametern der verwendeten Vorrichtung korreliert werden soll, um die Eigenschaften des mit der Vorrichtung hergestellten Werkstücks und die zur Herstellung erforderliche Zeit vorherzusagen. Die eigentliche Qualitätskontrolle des hergestellten Werkstücks erfolgt nach dessen Herstellung unter Verwendung eines 3D Scanners sowie mithilfe von Kalibriermustern auf der Fertigungsplattform.
[0009] DE 10 2017 108 874 A1 und die prioritätsgleiche US 2020/158499 A1 offenbaren ein optisches System, um eine Materialprüfung mithilfe einer Beleuchtung aus mehreren unterschiedlichen Richtungen zu ermöglichen. In einigen Varianten kann mit dem System eine Höhenkarte einer zu prüfenden Materialschicht bestimmt werden.
[0010] 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.
[0011] 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. [0012] 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.
[0013] Des Weiteren wird hier ein Verfahren zum Trainieren eines statistischen Lernmodells zur Verwendung in einem vorgenannten Verfahren und/oder einer vorgenannten Vorrichtung vorgeschlagen, mit folgenden Schritten
Erhalten einer Vielzahl von Trainingsbildern, die eine Vielzahl von Materialschichten zeigen, wobei die Vielzahl von Materialschichten eine Vielzahl von möglichen Schichtfehlern aufweisen,
- Markieren der Vielzahl von möglichen Schichtfehlern in der Vielzahl von Trainingsbildern, um eine Vielzahl von annotierten Versionen der Trainingsbilder zu erhalten,
- Definieren eines Abbruchkriteriums, insbesondere eines Fehler- und/oder Zeitkriteriums, basierend auf der Vielzahl von annotierten Versionen der Trainingsbilder,
- Wiederholtes Zuführen der Vielzahl von Trainingsbildern zu dem statischen Lernmodell als Eingangsdaten und wiederholtes Erhalten von Ausgangsdaten des statischen Lernmodells in Antwort auf die jeweils zugeführte Vielzahl von Trainingsbildern, und - Iteratives Optimieren des statischen Lernmodells unter Verwendung der Vielzahl von Trainingsbildern und des Abbruchkriteriums.
[0014] Vorzugsweise beinhaltet die Vielzahl von Trainingsbildern eine Vielzahl von Gruppen von jeweils zumindest drei und insbesondere jeweils vier Trainingsbildern, wobei die Trainingsbilder jeder Gruppe jeweils eine definierte Materialschicht mit zumindest einem Schichtfehler zeigen, und wobei die Trainingsbilder jeder Gruppe die definierte Materialschicht mit voneinander verschiedenen Beleuchtungsrichtungen zeigen. Vorzugsweise entsprechen die Trainingsbilder in Bezug auf Anzahl und Beleuchtung denjenigen Bildern, die nach dem neuen Verfahren zur additiven Herstellung eines Werkstücks unter Verwendung des vorab trainierten statistischen Lernmodells inspiziert werden, so dass die nachfolgenden Erläuterungen gleichermaßen auch für die Trainingsbilder gelten. In einigen bevorzugten Ausführungsbeispielen werden die Trainingsbilder während der Herstellung eines definierten Werkstücks aufgenommen und das Abbruchkriterium wird in Abhängigkeit von dem definierten Werkstück definiert. In diesen bevorzugten Ausführungsbeispielen kann ein bereits trainiertes Lernmodell vorteilhaft in einem aktuellen Herstellungsprozess zum Herstellen eines individuellen Werkstücks „nachtrainiert“ werden, so dass das Lernmodell in Bezug auf das individuelle Werkstück optimiert wird. Typgleiche weitere Werkstücke können dann in nachfolgenden weiteren Herstellungsprozessen sehr vorteilhaft unter Verwendung des auf diese Weise nachtrainierten Lernmodells hergestellt werden. In einigen vorteilhaften Ausführungsbeispielen kann das Lernmodell iterativ anhand von mehreren Herstellungsprozessen, in denen jeweils typgleiche Werkstücke hergestellt werden, so lange nachtrainiert werden, bis eine spezifizierte Werkstückeigenschaft oder spezifizierte Werkstückeigenschaften erreicht werden. Das Abbruchkriterium kann vorteilhaft in Abhängigkeit von den spezifizierten Werkstückeigenschaften definiert werden. Das Markieren der Vielzahl von möglichen Schichtfehlern kann in bevorzugten Ausführungsbeispielen von einer Person ausgeführt werden, die mit den zu detektierenden Schichtfehlern vertraut ist.
[0015] 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 werden. In Konsequenz kann das Ausbreiten der Defekte vermieden oder korrigiert werden oder alternativ der Druckvorgang abgebrochen werden, um Material und Zeit zu sparen. Dementsprechend wird das selektive Verfestigen des partikelförmigen Materials im Schritt d) in Abhängigkeit von dem zumindest einen Fehlervektor ausgeführt. Das kann beinhalten, dass Schritt d) aufgrund eines erkannten oder sich abzeichnenden Defekts gar nicht mehr ausgeführt wird, oder dass Schritt d) in modifizierter Weise ausgeführt wird, etwa mit modifizierten CAD-Daten, oder dass die Materialschicht aus dem partikelförmigen Material zunächst gemäß Schritt b) nach bearbeitet wird und das selektive Verfestigen gemäß Schritt d) anschließend auf der nachbearbeiteten Materialschicht ausgeführt wird.
[0016] 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. Die Inspektion der Materialschicht nach dem selektiven Verfestigen macht es darüber hinaus möglich, erkannte Defekte an dem erst zum Teil hergestellten Werkstück zu korrigieren, indem eine bereits hergestellte Werkstückschicht nachbearbeitet wird, wie beispielsweise an- oder aufgeschmolzen wird, und/oder indem nachfolgende Werkstückschichten modifiziert werden, wie zum Beispiel dicker oder dünner gemacht werden. [0017] 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. Vorzugsweise liefert das statistische Lernmodell jeweils eine individuelle Fehlerwahrscheinlichkeit für eine Vielzahl von verschiedenen Schichtfehlern, so dass für jeden in Betracht kommenden Schichtfehler eine individuelle Fehlerwahrscheinlichkeit erhalten wird, die das Vorhandensein oder Nichtvorhandensein des jeweiligen Schichtfehlers repräsentiert. 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 (wie etwa die Größe oder Verteilung erkannter Schichtfehler) in Bezug auf die Qualitätseigenschaften des hergestellten Werkstücks.
[0018] 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 Prozess- parameter kann das statische Lernmodell auf effiziente Weise "nachtrainiert" werden. Die oben genannte Aufgabe ist daher vollständig gelöst.
[0019] 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.
[0020] 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. Vorzugsweise wird die Materialschicht im Schritt c) aus zumindest drei, insbesondere aus vier voneinander verschiedenen Richtungen beleuchtet und die Vielzahl von Bildern besteht im Schritt c) dementsprechend aus zumindest drei, insbesondere Bildern, die die Materialschicht mit einer jeweils anderen Beleuchtungsrichtung zeigen. In bevorzugten Ausführungsbeispielen zeigen die Bilder die Materialschicht so, wie sie bei der jeweiligen Beleuchtung von der Kamera aufgenommen wird. Die Bilder können zwar vorteilhaft rektifiziert und/oder verzeichnungskorrigiert sein. Es können zudem Inhomogenitäten der Beleuchtung, etwa aufgrund von Fertigungstoleranzen bei den verwendeten Lichtquellen, korrigiert sein. Jedoch zeigen die Bilder in den bevorzugten Ausführungsbeispielen die Materialschicht als solche, nicht etwa eine gefilterte oder hinsichtlich der Pixelinformationen anderweitig modifizierte Ansicht der Materialschicht, weil dies eine besonders schnelle und effiziente Inspektion im laufenden Herstellungsprozess ermöglicht. [0021] In einer weiteren Ausgestaltung werden die Vielzahl von Bildern dem vorab trainierten statistischen Lernmodell gemeinsam als Eingangsdaten zugeführt.
[0022] 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 vorhandenen Schichtfehler ähneln. Die Ausgestaltung trägt vorteilhaft dazu bei, möglichst viele tatsächlich vorhandene 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 Bildern mit unterschiedlichen Beleuchtungsrichtungen. Infolgedessen kann diese Ausgestaltung relativ einfach implementiert werden und sie ermöglicht eine recht schnelle Inspektion der Materialoberfläche.
[0023] 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.
[0024] 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 DE 10 2017 108 874 A1 und der prioritätsgleichen US 2020/158499 A1 beschrieben ist, die hier durch Bezugnahme aufgenommen sind. Alternativ oder ergänzend könnte die Höhenkarte in weiteren Ausführungsbeispielen nach dem Triangulationsprinzip bestimmt werden, etwa nach dem Prinzip der Streifenlichtprojektion. Die Ausgestaltung besitzt den Vorteil, dass das statistische Lernmodell jeweils aktuell gemessene Höheninformationen erhält. Dadurch kann der Umfang der Trainingsdaten und die vorab benötigte Trainingszeit für das statistische Lernmodell reduziert werden. Außerdem können sehr kritische Schichtfehler, wie insbesondere fehlendes Material oder tiefe Riefen infolge eines beschädigten Schichtbildungswerkzeugs sehr schnell bereits anhand der Höhenkarte erkannt werden.
[0025] 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 Pixelbereiche des zumindest einen Bildes repräsentativ sind.
[0026] 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.
[0027] 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 besonders 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.
[0028] In einer weiteren Ausgestaltung werden morphologische und/oder dimensionale Eigenschaften eines definierten Fehlers in der Materialschicht unter Verwendung der Vielzahl von Fehlervektoren bestimmt.
[0029] 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.
[0030] In einer weiteren Ausgestaltung beinhaltet das vorab trainierte statistische Lernmodell ein faltendes neuronales Netzwerk (Convolutional Neural Network, CNN). Besonders bevorzugt beinhaltet das trainierte statistische Lernmodell ein faltendes neuronales Netzwerk mit einer Encoder-Decoder-Architektur, beispielsweise einem sogenannten U-net.
[0031] Ein faltendes neuronales Netzwerk verwendet unter anderem 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 werden für jeden relevanten Schichtfehler Filtermatrizen verwendet. Beispielsweise können für einen oder mehrere der folgenden Schichtfehler jeweils eine oder mehrere Filtermatrizen 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 kann klassische Faltungsoperationen (convolution) und/oder modifizierte Faltungsoperationen wie strided convolution, atrous convolution oder transposed convolution beinhalten und führt zusammen mit weiteren Operationen des faltenden neuronalen Netzwerkes, wie insbesondere Normalisierungsoperationen, Vereinheitlichungsoperationen (Pooling) und Delinearisierung (z.B. 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.
[0032] Ein faltendes neuronales Netzwerk mit einer Encoder-Decoder-Architektur, etwa basierend auf dem U-net-Modell ergänzt die Bestimmung des Fehlervektors in weiteren nachfolgenden Faltungsschritten um Informationen aus den ersten Faltungsschritten (sogenanntes Upsampling) 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.
[0033] In einer weiteren Ausgestaltung wird das zumindest eine Bild der Materialschicht mithilfe eines Referenzbildes normiert, wobei das Referenzbild eine homogene, diffus reflektierende Fläche oder eine defektfreie Materialschicht zeigt.
[0034] 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 re- flektierenden Fläche hier einem Lambert-Strahler. In anderen bevorzugten Ausführungsbeispielen wird jedes Bild aus der Vielzahl von Bildern mit einem Referenzbild normiert, das die defektfreie Materialschicht mit derjenigen Beleuchtungsrichtung zeigt, mit das entsprechende Bild aus der Vielzahl von Bildern aufgenommen wurde. Vorteilhaft kann das Bild der defektfreien Materialschicht tiefpassgefiltert sein. Eine solche Normierung hat besonders gute Inspektionsergebnisse ermöglicht.
[0035] 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.
[0036] 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 in vorausgegangenen Materialschichten anzeigen.
[0037] 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. [0038] 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.
[0039] 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.
[0040] 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. [0041] 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.
[0042] 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.
[0043] Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und werden in der nachfolgenden Beschreibung näher erläutert. Es zeigen:
Figur 1 eine schematische Darstellung eines Ausführungsbeispiels der neuen Vorrichtung,
Figur 2 ein Flussdiagramm zur Erläuterung eines Ausführungsbeispiels des neuen Verfahrens,
Figur 3 ein Flussdiagramm zur Erläuterung der Inspektion der Materialoberfläche gemäß Ausführungsbeispielen des Verfahrens aus Fig. 2,
Figur 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,
Figur 5 eine vereinfachte Darstellung eines Ausführungsbeispiels mit einer Encoder- Decoder-Architektur, und Figur 6 eine vereinfachte Darstellung eines weiteren Ausführungsbeispiels mit einer Encoder-Decoder-Architektur.
[0044] In Fig. 1 ist ein Ausführungsbeispiel der neuen Vorrichtung in seiner Gesamtheit mit der Bezugsziffer 10 bezeichnet. Die Vorrichtung 10 besitzt eine Fertigungsplattform 12, auf der hier ein Werkstück 14 gemäß einem Ausführungsbeispiel des neuen Verfahrens additiv hergestellt wird. Das Werkstück 14 wird in zeitlich aufeinanderfolgenden Schritten schichtweise von unten nach oben aus einem Materialstapel aufgebaut. Bei der Bezugsziffer 16 ist eine momentan oberste Werkstückkontur bzw. oberste Werkstückschicht angedeutet. Eine oberste Materialschicht, aus der die Werkstückschicht 16 erzeugt wird, ist mit der Bezugsziffer 18 bezeichnet.
[0045] 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.
[0046] 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.
[0047] 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. [0048] 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.
[0049] 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.
[0050] In Fig. 1 sind drei Beleuchtungsmodule 38a, 38b, 38c nebeneinander angeordnet. Die Beleuchtungsmodule 38a, 38b, 38c sind somit in der Lage, drei weitgehend parallel verlaufende Beleuchtungsrichtungen 42a, 42b (hier nicht dargestellt), 42c zu erzeugen. Drei weitere Beleuchtungsmodule 38d, 38e, 38f sind hier quer zu den Beleuchtungsmodulen 38a, 38b, 38c und parallel zueinander an einer zweiten Seite der Fertigungsplattform 12 angeordnet. Die Beleuchtungsmodule 38d, 38e, 38f können drei weitere Beleuchtungsrichtungen 42d (hier nicht dargestellt), 42e, 42f erzeugen. In einigen Ausführungsbeispielen besitzt die Vorrichtung 10 sechs weitere Beleuchtungsmodule (hier nicht dargestellt), von denen drei gegenüber den Beleuchtungsmodulen 38a-38c und drei weitere gegenüber den Beleuchtungsmodulen 38d-38f angeordnet sein können. In Ausführungsbeispielen ist die Vorrichtung 10 in der Lage, die Materialoberfläche aus zumindest drei verschiedenen Hauptrichtungen zu beleuchten. In einigen Ausführungsbeispielen können die Hauptrichtungen jeweils drei parallel zueinander versetzte Beleuchtungsteilrichtungen beinhalten, wie dies in Fig. 1 dargestellt ist. Dies ermöglicht eine sehr vorteilhafte Bestimmung einer 2,5D Höhenkarte der Materialoberfläche gemäß einem Verfahren, wie es in der eingangs genannten DE 10 2017 108 874 A1 oder der prioritätsgleichen
US 2020/158499 A1 beschrieben ist. Beide Dokumente sind hier durch Bezugnahme aufgenommen.
[0051] Alternativ oder ergänzend zu der in Fig. 1 dargestellten Anordnung könnte die Vorrichtung 10 ein Ringlicht mit einer Vielzahl von einzeln und/oder segmentweise ansteuerbaren Lichtquellen besitzen, wobei das Ringlicht (nicht dargestellt) beispielsweise oberhalb von der Fertigungsplattform 12 und vorzugsweise um den Materialstapel herum angeordnet ist, um eine Beleuchtung der Materialoberfläche 18 aus verschiedenen Richtungen zu ermöglichen.
[0052] Im Folgenden werden unter ergänzender Bezugnahme auf die Figuren 2 bis 6 Ausführungsbeispiele des neuen Verfahrens erläutert, die mit Hilfe eines oder mehrerer Steuerprogramme auf der Vorrichtung gemäß Fig. 1 implementiert werden können. Gemäß Schritt 50 wird ein Datensatz 36 in die Steuerung 32 eingelesen, der das Werkstück 14 in einer Vielzahl von aufeinander angeordneten Werkstückschichten 16 definiert. Alternativ oder ergänzend hierzu könnte die Steuerung 32 über die Schnittstelle 34 zunächst einen Datensatz empfangen, der das herzustellende Werkstück „als Ganzes“ definiert, etwa einen CAD Datensatz, und basierend darauf die Vielzahl von aufeinander angeordneten Werkstückschichten 16 bestimmen. Auch in diesem Fall empfängt die Steuerung 32 letzt- lieh einen Datensatz, der das Werkstück 14 in einer Vielzahl von aufeinander angeordneten Werkstückschichten 16 definiert. Gemäß Schritt 52 wird eine Materialschicht 18 auf dem Schichtstapel erzeugt. Beispielsweise kann die Steuerung 32 partikelförmiges Material 20 mithilfe des Rakels 22 aus dem Reservoir 26 entnehmen und auf dem Schichtstapel verteilen. Die Verteilung des partikelförmigen Materials 20 soll möglichst gleichmäßig und homogen sein.
[0053] 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. 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.
[0054] 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.
[0055] 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. [0056] Fig. 3 zeigt ein Ausführungsbeispiel für die Inspektion der Materialschicht 18 gemäß Schritt 54 und ggf. Schritt 64 aus Fig. 2. Vorzugsweise wird die Oberfläche der Materialschicht 18 hier mit kurzwelligem Licht beleuchtet. Gemäß Schritt 68 wird die Materialoberfläche hier aus einer ersten Richtung beleuchtet. Die erste Richtung kann beispielsweise die Beleuchtungsrichtung 42a gemäß Fig. 1 sein. Mithilfe der Kamera 40 wird gemäß Schritt 70 ein erstes Bild I von der beleuchteten Materialoberfläche aufgenommen. Anschließend wird die Materialoberfläche gemäß Schritt 72 aus einer weiteren Richtung beleuchtet, beispielsweise aus der Beleuchtungsrichtung 42c gemäß Fig. 1. Mithilfe der Kamera 40 wird gemäß Schritt 74 ein weiteres Bild Jk von der Materialoberfläche aufgenommen, während die Materialoberfläche aus der weiteren Richtung 42c beleuchtet wird. Gemäß Schritt 76 erfolgt eine Entscheidung, ob weitere Bilder von der Materialoberfläche mit Beleuchtungen aus weiteren Richtungen aufgenommen werden sollen, etwa aus den Beleuchtungsrichtungen 42e, 42f gemäß Fig. 1. In einigen Ausführungsbeispielen können die erste Beleuchtung 68 und die weiteren Beleuchtungen 72 zeitgleich mithilfe von voneinander verschiedenen Wellenlängen/Lichtfarben erzeugt werden und die verschiedenen Bilder können anhand der verschiedenen Wellenlängen/Lichtfarben voneinander getrennt werden.
[0057] Gemäß Schritt 78 werden die aufgenommenen Bilder in einigen bevorzugten Ausführungsbeispielen unter Verwendung eines jeweils ausgewählten 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. In anderen Ausführungsbeispielen werden die aufgenommenen Bilder jeweils mit einem zugehörigen Referenzbild normiert, das eine defektfreie Materialschicht mit dem partikelförmigen Material und jeweils gleicher Beleuchtung zeigt, wie die Beleuchtung des aufgenommenen Bildes, das normiert wird. In einigen Ausführungsbeispielen kann 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 DE 10 2017 108 874 A1 oder die US 2020/158499 A1 erwähnt wurde. Gemäß Schritt 80 werden die Höhenkarte und/oder die normierten Bilder hier jeweils mit einem Zeitstempel versehen, der für die aktuell aufgenommene Materialschicht 18 repräsentativ ist. In einigen Ausführungsbeispielen kann der Zeitstempel unabhängig von der aktuellen Uhrzeit eine laufende Nummer sein, die mit jeder neuen Materialschicht 18 inkrementiert wird.
[0058] 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 Fig. 4 bis 6 näher erläutert.
[0059] Gemäß Fig. 4 werden dem statistischen Lernmodell hier ein oder mehrere Bilder 90a, 90b von der Materialoberfläche 18 als Eingangsdatensatz zugeführt. In einigen Ausführungsbeispielen beinhaltet das Bild 90a eine aktuelle Höhenkarte der obersten Materialschicht 18 und das Bild 90b beinhaltet die Höhenkarte einer vorausgegangenen, weiter unten liegenden Materialschicht. Es können mehrere solche historischen Höhenkarten von vorausgegangenen Materialschichten der Schichtenfolge dem statistischen Lernmodell zusammen mit der aktuellen Höhenkarte zugeführt werden. Beispielsweise können Höhenkarten von zwei, drei, vier oder fünf vorausgegangenen Materialschichten in dem Stapel der Eingangsbilder 90a, 90b enthalten sein.
[0060] 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 weiteren Ausführungsbeispielen kann der Stapel der Eingangsbilder 90a, 90b aktuelle und/oder historische Bilder mit jeweils unterschiedlichen Beleuchtungsrichtungen sowie eine oder mehrere Höhenkarten (aktuell und/oder historisch) beinhalten.
[0061] 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 einigen bevorzugten Ausführungsbeispielen beinhaltet der Stapel 94 ferner einen Schritt, der den Fachleuten als ReLU-Schritt bekannt ist. Mit dem ReLU- Schritt (Schritt 84 gemäß Fig. 3) wird der Stapel 94 gezielt de-linearisiert. Anschließend kann gemäß Fig. 3 ein sogenannter Pooling-Schritt folgen, der insbesondere als sogenanntes Max-Pooling implementiert sein kann. Mit dem Pooling-Schritt 86 wird ein Stapel 96 erzeugt, in dem redundante Bildinformationen reduziert sind. Die Schritte 82, 84, 86 können mehrfach wiederholt werden, wie dies bei der Bezugsziffer 88 in Fig. 3 angedeutet ist, wobei jeweils der Stapel aus den vorhergehenden Schritten als Eingangsdatensatz für die weiteren Faltungs- und Pooling-Schritte dient. In einigen Ausführungsbeispielen können zwischen drei und zehn Faltungsschritte 82, ReLU-Schritte 84 und Pooling-Schritte 86 kaskadiert hintereinander ausgeführt werden. Es können auch Folgen von mehreren Faltungsschritten und/oder De-Linearisierungsschritten durchgeführt werden, bevor jeweils ein Poolingschritt durchgeführt wird.
[0062] Unter Bezugnahme auf Fig. 3 können in einem weiteren Schritt 98 ein oder mehrere Fehlervektoren 100 bestimmt werden, insbesondere unter Verwendung der sogenannten Softmax-Funktion, die eine Wahrscheinlichkeitsverteilung in Abhängigkeit von dem vorausgegangenen Stapel 96‘ liefert. Jeder Fehlervektor 100 enthält daher eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten 102a, 102b, wobei jede individuelle Fehlerwahrscheinlichkeit 102a, 102b ein individueller Indikator dafür ist, ob ein definierter Schichtfehler aus der Vielzahl der oben genannten Schichtfehler in der inspizierten Materialschicht 18 vorhanden ist.
[0063] Die möglichen Schichtfehler korrelieren mit den Filtermatrizen 92a, 92b, die wiederum anhand bereitgestellter Trainingsdaten vorab bestimmt werden können. In einigen 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, gezielte Falschansteuerung des Druckprozesses, wie etwa zu schnelles Bewegen des Schreibstrahls und/oder zu hohe Schreibintensität, und anderes. Darüber hinaus können derartig aufgenommene Bilder oder Höhenkarten gespiegelt werden oder mit Metho- den der Bildverarbeitung manipuliert werden, um eine große Bandbreite an Trainingsdaten zu erhalten. Die Trainingsdaten werden dem faltenden neuronalen Netzwerk 112 bevorzugt vorab in mehreren Trainingszyklen zugeführt. Für jeden zugeführten Trainingsdatensatz werden die resultierenden Fehlervektoren analysiert. Für die Analyse sind verschiedene Fehlermaße denkbar, die während der Lernschritte optimiert werden können, wie beispielsweise der mittlere Fehler über alle Pixel der Defektkarte (meist Kreuz-Entropy) oder perzeptuelle Fehlermaße (etwa adversarial losses). Im Rahmen eines sogenannten Backpropagation-Algorithmus werden die Parameter der Filtermasken 92a, 92b unter Verwendung eines geeigneten Optimierverfahrens so lange modifiziert, bis die gewählten Zielfunktionen hinreichend optimiert sind, etwa bis die resultierenden Fehlervektoren die Schichtfehler in den Trainingsdaten zutreffend repräsentieren. Bevorzugt beinhaltet ein solches Optimierverfahren eine Variante des Gradientenabstiegs (zum Beispiel Stochastic Gradient Descent mit oder ohne Momentum, Adam, RMSProb, u.a.). Zur effizienten Berechnung der Gradienten wird bevorzugt der Backpropagation-Algorithmus verwendet. Alternativ kann auch früher abgebrochen werden, wenn etwa ein vorab definiertes Trainings-Zeit-Budget aufgebraucht ist oder wenn der Fehler des Modells während des Trainings, ausgewertet auf einem separaten Validierungsdatensatz, nicht weiter absinkt. Dann ist das statistische Lernmodell hinreichend trainiert.
[0064] 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);
- Saeid Asgari Taghanaki, Kumar Abhishek, Joseph Paul Cohen, Julien Cohen- Adad, Ghassan Hamarneh, “Deep Semantic Segmentation of Natural and Medical Images: A Review”; https://arxiv.org/pdf/1910.07655.pdf.
[0065] Unter erneuter Bezugnahme auf Fig. 3 werden die Fehlervektoren gemäß Schritt 98 in einigen Ausführungsbeispielen für jedes Pixel der Höhenkarte und/oder für jedes Pixel der normierten Bilder bestimmt, so dass die Wahrscheinlichkeit für das Vorhandensein von Schichtfehlern auf Pixelebene resultiert. In anderen Ausführungsbeispielen kann ein einzelner Fehlervektor für die zu inspizierende Materialschicht 18 bestimmt werden, oder es können innerhalb der Materialschicht 18 Teilbereiche definiert werden, für die jeweils ein individueller Fehlervektor mit Hilfe des faltenden neuronalen Netzwerks bestimmt wird.
[0066] 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 Fig. 1) gespeichert werden. Gemäß Schritt 108 können die jeweils aktuellen Fehlervektoren mit den historischen Fehlervektoren aus dem Speicher 106 verglichen werden, um Schichtfehler zu identifizieren, die über mehrere Materialschichten hinweg persistent sind. Umgekehrt können Schichtfehler, die beispielsweise nur in einer aktuellen Materialschicht detektiert werden und die auch in folgenden Materialschichten nicht erscheinen, als "Ausreißer" verworfen werden. In einigen Ausführungsbeispielen kann der Vergleich der Fehlervektoren gemäß Schritt 108 im Rahmen eines determinierten Vergleichs erfolgen.
[0067] Wie bereits unter Hinweis auf Fig. 4 angedeutet, können historische Schichtfehlerinformationen dem statistischen Lernmodell in weiteren Ausführungsbeispielen als Stapel von Höhenkarten oder Eingangsbildern 90a, 90b zugeführt werden, so dass die resultierenden Fehlervektoren 100 bereits die individuellen Fehlerwahrscheinlichkeiten unter Berücksichtigung der Persistenz etwaiger Schichtfehler repräsentieren. Gemäß Schritt 110 werden die individuellen Eigenschaften der Materialschicht 18, insbesondere das Vorhandensein oder Nichtvorhandensein definierter Schichtfehler, anhand der Fehlerwahrscheinlichkeiten 102a, 102b der Fehlervektoren bestimmt. In einigen Ausführungsbeispielen werden im Schritt 110 die Ausdehnung und/oder Form der erkannten Schichtfehler bestimmt, indem die Fehlervektoren/Fehlerwahrscheinlichkeiten für verschiedene Pixel oder Pixelbereiche verglichen werden. Vorteilhaft wird die inspizierte Materialoberfläche im Schritt 110 in defektfreie Teilbereiche und defektbehaftete Teilbereiche segmentiert und klassifiziert, wobei defektbehaftete Teilbereiche je nach Art des jeweils erkannten Schichtfehlers voneinander unterschieden werden. Basierend auf diesen Eigenschaften wird gemäß Schritt 56 aus Fig. 2 entschieden, ob und wie das Verfahren zur Herstellung des Werkstücks fortgesetzt wird.
[0068] Fig. 5 zeigt anhand einer vereinfachten Darstellung ein weiteres Ausführungsbeispiel des neuen Verfahrens sowie ein Ausführungsbeispiel für das Trainieren des statistischen Lernmodells. Gleiche Bezugszeichen bezeichnen dieselben Elemente wie zuvor. Wie weiter oben bereits angedeutet, kann das Trainieren des statistischen Lernmodells 112‘ anhand von Trainingsdaten erfolgen, die insbesondere Gruppen von normierten Bildern von Materialoberflächen beinhalten, die jeweils einen oder mehrere der zu detektierenden Schichtfehler aufweisen. Im dargestellten Ausführungsbeispiel beinhalten die Trainingsdaten eine Vielzahl an Trainingsbildern 120a, 120b und darüber hinaus annotierte Versionen 122a, 122b der Trainingsbilder 120a, 120b. In den annotierten Versionen 122a, 122b sind die zu detektierenden Schichtfehler markiert. Dementsprechend repräsentieren die annotierten Versionen 122a, 122b ein Zielergebnis, das das statistische Lernmodell 112‘ nach Abschluss des Trainings liefern soll, wenn ihm die Trainingsbilder 120a, 120b erneut als Eingangsdaten zugeführt werden. In einem iterativen Optimierungsprozess werden die Filtermasken 92a, 92b für die Faltungsoperationen des statistische Lernmodells 112' (vgl. Fig. 4) so lange modifiziert, etwa mit Stochastic Gradient Descent mit oder ohne Momentum, Adam, RMSProb, u.a, bis das statistische Lernmodell 112' die annotierten Versionen 122a, 122b im Rahmen eines definierten Fehler- und/oder Abbruchkriteriums liefert. Die annotierten Versionen 122a, 122b können in vorteilhafter Weise mit Hilfe einer visuellen Inspektion der Trainingsbilder 120a, 120b und einer individuellen Markierung der erkannten Schichtfehler durch einen erfahrenen Experten erzeugt werden. Nachdem das statistische Lernmodell 112‘ hinreichend trainiert ist, werden ihm in bevorzugten Ausführungsbeispielen des Verfahrens zur additiven Herstellung eines Werkstücks die jeweils aktuellen Bilder 92 und vorzugsweise auch historische Bilder von vorhergehenden Materialschichten und/oder aktuelle Höhenkarten und/oder historische Höhenkarten zugeführt. In einem bevorzugten Ausführungsbeispiel werden zur Inspektion jeder neuen Materialschicht 16, 18 jeweils zumindest drei und insbesondere vier aktuelle und vorzugsweise normierte Bilder der neuen Materialschicht („normierte Rohbilder“, ggf. nach Rektifizierung, aber ohne Höhenkarte) mit voneinander verschiedenen Beleuchtungsrichtungen verwendet, wohingegen die annotierten Versionen 122a, 122b unter ergänzender Verwendung von Höhenkarten erzeugt werden können. In weiteren Ausführungsbeispielen können die Trainingsbilder 120a, 120b Bilder sein, die während der schichtweisen Herstellung eines spezifizierten Werkstücks nach dem neuen Verfahren aufgenommen werden und die somit eine Vielzahl von Materialschichten zeigen, die im Verlauf des Herstellungsprozesses erzeugt wurden. Das statistische Lernmodell kann unter Verwendung von diesen Trainingsbildern nachtrainiert und in Bezug auf das hergestellte Werkstück optimiert werden.
[0069] In dem hier dargestellten Ausführungsbeispiel wird ein statistisches Lernmodell 112‘ verwendet, das eine Encoder-Decoder-Architektur aufweist. Mit Hilfe einer solchen Architektur kann vorteilhaft nicht nur ein einzelner Fehlervektor 100 bestimmt werden. Es kann vielmehr durch Rückfaltungsschritte (Deconvolution) eine Fehlerkarte 124 erstellt werden, die erkannte Schichtfehler räumlich aufgelöst repräsentiert. Beispielsweise kann die Fehlerkarte 124 für jedes Pixel eine individuellen Fehlerwahrscheinlichkeit oder einen Fehlervektor mit einer Vielzahl von individuellen Fehlerwahrscheinlichkeiten beinhalten, wobei die Fehlerwahrscheinlichkeiten jeweils repräsentativ dafür sind, ob das jeweilige Pixel einen zu detektierenden Schichtfehler zeigt. [0070] Fig. 6 zeigt ein weiteres statistisches Lernmodell 112“ mit einer Encoder-Decoder-Archi- tektur. Dem Lernmodell 112“ werden hier vier jeweils aktuelle Bilder 92a, 92b, 92c, 92d der zu inspizierenden Materialschicht 16, 18 mit jeweils einer anderen Beleuchtungsrichtung als Eingangsdaten zugeführt. Die Bilder 92a, 92b, 92c, 92d können normiert und rektifiziert sein. Optional können zusätzlich historische Bilder und/oder aktuelle und historische Höhenkarten dem statistischen Lernmodell 112“ als Eingangsdaten zugeführt werden. Das statistische Lernmodell 112“ bestimmt in zahlreichen aufeinander folgenden Faltungsschritten, Delinearisierungsschritten und Poolingschritten eine Vielzahl von zunehmend gefilterten Bilderstapeln 94, 94‘. Anschließend werden die Bilderstapel in einem Upsamplingpfad wieder rückgefaltet. In den Rückfaltungsschritten werden die jeweiligen Stapel hier mit den jeweiligen Zwischenergebnissen aus den vorherigen Faltungsschritten kombiniert, zum Beispiel konkateniert, wie dies mit den Pfeilen 126 angedeutet ist. Ein solches statistisches Lernmodell 112“ basiert vorteilhaft auf dem oben erwähnten U-net Modell. Im Ergebnis liefert das statistische Lernmodell 112“ eine Fehlerkarte 124 mit räumlich aufgelösten Fehlerwahrscheinlichkeiten, die das Vorhandensein oder Nichtvorhandensein von Schichtfehlern lokal repräsentieren. Die Fehlerkarte 124 beinhaltet hier eine Vielzahl von Fehlervektoren mit einer Vielzahl von individuellen Fehlerwahrscheinlichkeiten, vorzugsweise für jedes Pixel der Bilder 92a, 92b, 92c, 92d. Anhand einer solchen Fehlerkarte 124 können die räumlichen Abmessungen von detek- tierten Schichtfehlern vorteilhaft bestimmt werden.

Claims

29
Patentansprüche Verfahren zur additiven Herstellung eines Werkstücks (14), mit den Schritten: a) Empfangen (50) eines Datensatzes (36), der das Werkstück (14) in einer Vielzahl von aufeinander angeordneten Werkstückschichten definiert, b) Erzeugen (52) einer Materialschicht (18) mit einer definierten Oberfläche gebildet aus einem partikelförmigen Material (20), c) Aufnehmen (70, 74) von zumindest einem Bild der Materialschicht (18) und Inspizieren der Materialschicht (18) anhand des zumindest einen Bildes, um individuelle Eigenschaften (110) der Materialschicht (18) zu bestimmen, d) Selektives Verfestigen (58) des partikelförmigen Materials (20) an der definierten Oberfläche mithilfe eines Strukturierungswerkzeugs (28) unter Verwendung des Datensatzes (36) und in Abhängigkeit von den individuellen Eigenschaften der Materialschicht (18), wobei aus der Materialschicht (18) eine definierte Werkstückschicht (16) 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, dadurch gekennzeichnet, dass das zumindest eine Bild der Materialschicht (18) im Schritt c) unter Verwendung eines vorab trainierten statistischen Lernmodells (112) inspiziert wird, wobei mithilfe des vorab trainierten statistischen Lernmodells (112) zumindest ein Fehlervektor (100) bestimmt wird, der eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten (102a, 102b) repräsentiert, wobei jede individuelle Fehlerwahrscheinlichkeit aus der Vielzahl von individuellen Fehlerwahrscheinlichkeiten (102a, 102b) ein individueller Indikator dafür ist, ob ein definierter Schicht- 30 fehler aus einer Vielzahl von möglichen Schichtfehlern in der Materialschicht (18) vorhanden ist, und wobei der Schritt d) in Abhängigkeit von dem zumindest einen Fehlervektor (100) ausgeführt wird. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Materialschicht (18) im Schritt c) aus mehreren voneinander verschiedenen Richtungen (42a, 42c, 42e, 42f) beleuchtet wird und dass eine Vielzahl von Bildern der Materialschicht (18) aufgenommen wird, wobei jedes Bild aus der Vielzahl von Bildern die Materialschicht mit einer anderen Beleuchtungsrichtung (42a, 42c, 42e, 42f) zeigt, und wobei die individuellen Eigenschaften unter Verwendung der Vielzahl von Bildern bestimmt werden. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Vielzahl von Bildern (90a, 90b) dem vorab trainierten statistischen Lernmodell (112) gemeinsam als Eingangsdaten zugeführt werden. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass im Schritt c) eine Höhenkarte der Materialschicht (18) unter Verwendung des zumindest einen Bildes bestimmt wird, wobei die Höhenkarte dem trainierten statistischen Lernmodell (112) als Eingangsdatensatz zugeführt wird. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass im Schritt c) eine Vielzahl von Fehlervektoren bestimmt werden, 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. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass jeder Fehlervektor aus der Vielzahl von Fehlervektoren die individuellen Fehlerwahrscheinlichkeiten in Bezug auf ein anderes Einzelpixel in dem zumindest einen Bild repräsentiert. Verfahren nach einem der Ansprüche 5 oder 6, dadurch gekennzeichnet, dass morphologische und/oder dimensionale Eigenschaften eines definierten Fehlers in der Materialschicht unter Verwendung der Vielzahl von Fehlervektoren bestimmt werden. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das vorab trainierte statistische Lernmodell ein faltendes neuronales Netzwerk (112) beinhaltet, insbesondere ein faltendes neuronales Netzwerk mit einer Encoder-De- coder-Architektur. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass das zumindest eine Bild der Materialschicht (18) mithilfe eines Referenzbildes normiert wird, wobei das Referenzbild eine homogene, diffus reflektierende Fläche oder eine defektfreie Materialschicht zeigt. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass der zumindest eine Fehlervektor (100) zusammen mit einem Zeitstempel, der die Materialschicht (18) identifiziert, als historischer Fehlervektor (104) gespeichert wird, wobei die weiteren definierten Werkstückschichten in Abhängigkeit von dem historischen Fehlervektor erzeugt werden. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass das zumindest eine Bild der Materialschicht (18) zusammen mit einem Zeitstempel, der die Materialschicht identifiziert, als historisches Bild (80) gespeichert wird, wobei die weiteren definierten Werkstückschichten in Abhängigkeit von dem historischen Bild erzeugt werden. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, dass die individuellen Eigenschaften der Materialschichten aus den wiederholten Schritten c) jeweils zusammen mit einem Zeitstempel, der die jeweiligen Materialschichten identifiziert, gespeichert werden, wobei das Werkstück in Abhängigkeit von den gespeicherten individuellen Eigenschaften zur Verwendung freigegeben (66) wird. Vorrichtung zur additiven Herstellung eines Werkstücks (14), mit
- einem Speicher zum Empfangen eines Datensatzes (36), der das Werkstück (14) in einer Vielzahl von aufeinander angeordneten Werkstückschichten definiert,
- einer Fertigungsplattform (12),
- einem Schichtbildungswerkzeug (22), einem Strukturierungswerkzeug (28),
- einer Kamera (40), die auf die Fertigungsplattform gerichtet ist, und
- einer Auswerte- und Steuereinheit (32), die dazu eingerichtet ist, eine Materialschicht (18) mit einer definierten Oberfläche aus einem partikelförmigen Material (20) mithilfe des Schichtbildungswerkzeug (22) auf der Fertigungsplattform (12) zu erzeugen, ferner zumindest ein Bild der Materialschicht (18) mithilfe der Kamera (40) aufzunehmen, und ferner das partikelförmige Material (20) an der definierten Oberfläche mithilfe des Strukturierungswerkzeugs (28) selektiv zu verfestigen, wobei aus der Materialschicht (18) eine definierte Werkstückschicht (16) aus der Vielzahl von aufeinander angeordneten Werkstückschichten erzeugt wird, dadurch gekennzeichnet, dass die Auswerte- und Steuereinheit (32) ferner dazu eingerichtet ist, das zumindest eine Bild der Materialschicht (18) unter Verwendung eines vorab trainierten statistischen Lernmodells (112) zu inspizieren, wobei mithilfe des vorab trainierten statistischen Lernmodells (112) zumindest ein Fehlervektor (10) bestimmt wird, der eine Vielzahl von individuellen Fehlerwahrscheinlichkeiten (102a, 102b) repräsentiert, wobei jede individuelle Fehlerwahrscheinlichkeit aus der Vielzahl von individuellen Fehlerwahrscheinlichkeiten (102a, 102b) ein individueller Indikator dafür ist, ob ein definierter Schichtfehler aus einer Vielzahl 33 von möglichen Schichtfehlern in der Materialschicht (18) vorhanden ist, und wobei die Auswerte- und Steuereinheit (32) das Schichtbildungswerkzeug (22) und das Strukturierungswerkzeug (28) in Abhängigkeit von dem Fehlervektor (100) steuert. Verfahren zum Trainieren eines statistischen Lernmodells (112) zur Verwendung in einem Verfahren nach Anspruch 1 und/oder in einer Vorrichtung nach Anspruch 13, mit folgenden Schritten:
- Erhalten einer Vielzahl von Trainingsbildern (120a, 120b), die eine Vielzahl von Materialschichten (18) zeigen, wobei die Vielzahl von Materialschichten (18) eine Vielzahl von möglichen Schichtfehlern aufweisen,
- Markieren der Vielzahl von möglichen Schichtfehlern in der Vielzahl von Trainingsbildern (120a, 120b), um eine Vielzahl von annotierten Versionen (122a, 122b) der Trainingsbilder (120a, 120b) zu erhalten,
- Definieren eines Abbruchkriteriums, insbesondere eines Fehler- und/oder Zeitkriteriums, basierend auf der Vielzahl von annotierten Versionen (122a, 122b) der Trainingsbilder (120a, 120b),
Wiederholtes Zuführen der Vielzahl von Trainingsbildern (120a, 120b) zu dem statischen Lernmodell (112) als Eingangsdaten und wiederholtes Erhalten von Ausgangsdaten des statischen Lernmodells (112) in Antwort auf die jeweils zugeführte Vielzahl von Trainingsbildern (120a, 120b), und
- Iteratives Optimieren des statischen Lernmodells (112) unter Verwendung der Vielzahl von Trainingsbildern (120a, 120b) und des Abbruchkriteriums. Verfahren nach Anspruch 14, wobei die Vielzahl von Trainingsbildern (120a, 120b) während der Herstellung eines definierten Werkstücks (14) auf der Vorrichtung nach Anspruch 13 aufgenommen werden, und wobei das Abbruchkriterium in Abhängigkeit von dem definierten Werkstück (14) definiert wird.
EP21746757.0A 2020-08-19 2021-07-23 Verfahren und vorrichtung zur additiven herstellung eines werkstücks Pending EP4200123A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102020121760.9A DE102020121760A1 (de) 2020-08-19 2020-08-19 Verfahren und Vorrichtung zur additiven Herstellung eines Werkstücks
DE102020126571 2020-10-09
DE102021102125 2021-01-29
PCT/EP2021/070751 WO2022037899A1 (de) 2020-08-19 2021-07-23 Verfahren und vorrichtung zur additiven herstellung eines werkstücks

Publications (1)

Publication Number Publication Date
EP4200123A1 true EP4200123A1 (de) 2023-06-28

Family

ID=77104089

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21746757.0A Pending EP4200123A1 (de) 2020-08-19 2021-07-23 Verfahren und vorrichtung zur additiven herstellung eines werkstücks

Country Status (4)

Country Link
US (1) US20230294173A1 (de)
EP (1) EP4200123A1 (de)
CN (1) CN115867403A (de)
WO (1) WO2022037899A1 (de)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9855698B2 (en) 2013-08-07 2018-01-02 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
DE102013217422A1 (de) 2013-09-02 2015-03-05 Carl Zeiss Industrielle Messtechnik Gmbh Koordinatenmessgerät und Verfahren zur Vermessung und mindestens teilweisen Erzeugung eines Werkstücks
DE102016201289A1 (de) 2016-01-28 2017-08-03 Siemens Aktiengesellschaft Verfahren zur additiven Herstellung und Vorrichtung
US20180093419A1 (en) * 2016-09-30 2018-04-05 Velo3D, Inc. Three-dimensional objects and their formation
US20180099333A1 (en) * 2016-10-11 2018-04-12 General Electric Company Method and system for topographical based inspection and process control for additive manufactured parts
GB2559579B (en) * 2017-02-08 2021-08-11 Reliance Prec Limited Method of and apparatus for additive layer manufacture
DE102017108874A1 (de) 2017-04-26 2018-10-31 Carl Zeiss Ag Materialprüfung mit strukturierter Beleuchtung
WO2018234331A1 (de) * 2017-06-20 2018-12-27 Carl Zeiss Ag Verfahren und vorrichtung zur additiven fertigung
EP3459715A1 (de) * 2017-09-26 2019-03-27 Siemens Aktiengesellschaft Verfahren und vorrichtung zur vorhersage des auftretens und der art der defekte in einem verfahren zur generativen fertigung
US10857738B2 (en) * 2018-03-19 2020-12-08 Tytus3D System Inc. Systems and methods for real-time defect detection, and automatic correction in additive manufacturing environment
US11042992B2 (en) * 2018-08-03 2021-06-22 Logitech Europe S.A. Method and system for detecting peripheral device displacement
EP3646968A1 (de) * 2018-10-30 2020-05-06 Siemens Aktiengesellschaft Verfahren zur automatischen verhinderung von fehlerquellen, die während eines prozesses zur generativen fertigung auftreten können und fertigungsvorrichtung
CN110163858A (zh) * 2019-05-27 2019-08-23 成都数之联科技有限公司 一种铝型材表面缺陷检测与分类方法及系统
CN111007073B (zh) * 2019-12-23 2021-02-05 华中科技大学 一种増材制造过程中零件缺陷在线检测的方法及检测系统
CN111151751B (zh) * 2020-01-02 2022-03-22 汕头大学 一种三激光束智能增减材复合制造系统

Also Published As

Publication number Publication date
CN115867403A (zh) 2023-03-28
US20230294173A1 (en) 2023-09-21
WO2022037899A1 (de) 2022-02-24

Similar Documents

Publication Publication Date Title
DE102018129425B4 (de) System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks
DE102018129441B4 (de) System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses
EP3401411B1 (de) Verfahren und vorrichtung zur fehlerstellenerkennung bei biegeschlaffen körpern, insbesondere tierhäuten
EP3432266B1 (de) Verfahren und vorrichtung zum erkennen von fehlstellen
DE102021114967A1 (de) Werkstückinspektions- und fehlererkennungssystem, das die anzahl der fehlerbilder für das training angibt
DE4222804A1 (de) Einrichtung und verfahren zur automatischen visuellen pruefung elektrischer und elektronischer baueinheiten
DE102019114012A1 (de) Mikroskopieverfahren, Mikroskop und Computerprogramm mit Verifikationsalgorithmus für Bildverarbeitungsergebnisse
EP1132732A2 (de) Verfahren zur Bewertung von strukturfehlern auf einer Waferoberfläche
EP3767403B1 (de) Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
DE102018214063A1 (de) Maschinenlernvorrichtung, Maschinenlernsystem und Maschinenlernverfahren
DE102020126554A1 (de) Mikroskopiesystem und verfahren zum überprüfen von eingabedaten
DE102021115002A1 (de) Werkstückinspektions- und fehlererkennungssystem einschliesslich überwachung der werkstückbilder
DE102019211656A1 (de) Bestimmung eines Verschleißgrades eines Werkzeugs
WO2020212489A1 (de) Computer-implementiertes verfahren zur bestimmung von defekten eines mittels eines additiven fertigungsprozesses hergestellten objekts
DE102019131678A1 (de) Mikroskop und Verfahren zum Verarbeiten von Mikroskopbildern
DE19951146A1 (de) Verfahren zum Reduzieren des Rauschens in einem durch Abbildung erhaltenen Signal
WO2021219515A1 (de) Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät
DE102021201124A1 (de) Trainieren von bildklassifizierernetzen
WO2022037899A1 (de) Verfahren und vorrichtung zur additiven herstellung eines werkstücks
DE102022123355A1 (de) Werkstückinspektion und fehlererkennungssystem unter verwendung von farbkanälen
DE102016213609A1 (de) Verfahren und Vorrichtung zur Ermittlung der Bauteilqualität
DE102020121760A1 (de) Verfahren und Vorrichtung zur additiven Herstellung eines Werkstücks
DE102018133092B3 (de) Computer-implementiertes Verfahren zur Analyse von Messdaten aus einer Messung eines Objektes
WO2018007619A1 (de) Verfahren und einrichtung zur kategorisierung einer bruchfläche eines bauteils
DE102020214803A1 (de) Spritzguss-System

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230317

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)