JP2020040246A - 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法 - Google Patents

三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法 Download PDF

Info

Publication number
JP2020040246A
JP2020040246A JP2018168065A JP2018168065A JP2020040246A JP 2020040246 A JP2020040246 A JP 2020040246A JP 2018168065 A JP2018168065 A JP 2018168065A JP 2018168065 A JP2018168065 A JP 2018168065A JP 2020040246 A JP2020040246 A JP 2020040246A
Authority
JP
Japan
Prior art keywords
data
unit
dimensional structure
condition
improvement
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.)
Granted
Application number
JP2018168065A
Other languages
English (en)
Other versions
JP7096528B2 (ja
Inventor
彰彦 ▲角▼谷
彰彦 ▲角▼谷
Akihiko Sumiya
平井　利充
Toshimitsu Hirai
利充 平井
岡本　英司
Eiji Okamoto
英司 岡本
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.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Priority to JP2018168065A priority Critical patent/JP7096528B2/ja
Priority to CN201910836839.1A priority patent/CN110884113A/zh
Priority to US16/562,475 priority patent/US20200081416A1/en
Publication of JP2020040246A publication Critical patent/JP2020040246A/ja
Application granted granted Critical
Publication of JP7096528B2 publication Critical patent/JP7096528B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
    • B29C64/118—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using filamentary material being melted, e.g. fused deposition modelling [FDM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • 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
    • B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B29C64/205—Means for applying layers
    • B29C64/209—Heads; Nozzles
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49007—Making, forming 3-D object, model, surface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/40—Minimising material used in manufacturing processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)

Abstract

【課題】三次元造形物を製造する際の異常に対して適切に対応する。【解決手段】機械学習を行う人工知能を備える三次元造形物の製造装置１であって、三次元造形物の監視データと改善条件データとを取得する取得部２３と、監視データの基準データを格納する格納部３２と、取得部が取得した監視データを記憶する記憶部２４と、格納部３２に格納された監視データの基準データに基づいて取得部が取得した監視データを正常データと異常データとに分類し、記憶部２４に記憶され正常データと分類された監視データに基づいて、機械学習により推定基準を更新し、取得部が新たに取得した監視データの更新データに異常が発生している場合にどのような異常が発生するかを推定する推定部２７と、推定部２７が推定した異常に応じて、改善条件を決定する決定部２９と、を備える。【選択図】図５

Description

本発明は、三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法に関する。
従来から、様々な三次元造形物の製造装置が使用されている。例えば、特許文献１には、複数の粉末状の材料を用いて層を積層することにより三次元造形物を製造することが可能な、三次元造形物の製造装置が開示されている。
特開２０１５−８５５４７号公報
しかしながら、特許文献１に開示されるような、従来の三次元造形物の製造装置においては、三次元造形物を製造する際に異常が発生しても、その異常により発生する不具合の推定が未然にできないため、該不具合に対して適切な対応をすることができなかった。
上記課題を解決するための本発明の三次元造形物の製造装置は、機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する三次元造形物の製造装置であって、前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得部と、前記監視データの基準データを格納する格納部と、前記取得部が取得した前記監視データを記憶する記憶部と、前記格納部に格納された前記基準データに基づいて前記取得部が取得した前記監視データを正常データと異常データとに分類し、前記記憶部に記憶され前記正常データと分類された前記監視データに基づいて、前記取得部が新たに取得した前記監視データの更新データから異常が発生していると推定した場合にどのような不具合が発生するかを推定する推定部と、前記推定部が推定した不具合に応じて、前記改善条件を決定する決定部と、を備えることを特徴とする。
本発明の一の実施形態に係る三次元造形物の製造装置の構成を表す概略構成図。 本発明の一の実施形態に係る三次元造形物の製造装置のフラットスクリューを表す概略図。 本発明の一の実施形態に係る三次元造形物の製造装置のフラットスクリューに第１材料が充填されている状態を表す概略図。 本発明の一の実施形態に係る三次元造形物の製造装置のバレルを表す概略図。 本発明の一の実施形態に係る三次元造形物の製造装置の電気的構成を表すブロック図。 本発明の一実施例に係る三次元造形物の製造方法のフローチャート。 図６のフローチャートで表される三次元造形物の製造方法とは別の一実施例に係る三次元造形物の製造方法のフローチャート。
最初に、本発明について概略的に説明する。
上記課題を解決するための本発明の第１の態様の三次元造形物の製造装置は、機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する三次元造形物の製造装置であって、前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得部と、前記監視データの基準データを格納する格納部と、前記取得部が取得した前記監視データを記憶する記憶部と、前記格納部に格納された前記基準データに基づいて前記取得部が取得した前記監視データを正常データと異常データとに分類し、前記記憶部に記憶され前記正常データと分類された前記監視データに基づいて、前記取得部が新たに取得した前記監視データの更新データから異常が発生していると推定した場合にどのような不具合が発生するかを推定する推定部と、前記推定部が推定した不具合に応じて、前記改善条件を決定する決定部と、を備えることを特徴とする。
本態様によれば、基準データに基づいて取得部が取得した監視データを正常データと異常データとに分類する。該分類により、様々な正常データが記憶部に蓄積される。そして、正常データと分類された様々な監視データに基づいて機械学習をすることにより、取得部が新たに取得した更新データの正常データ及び異常データの分類精度が高くなっていく。そして、三次元造形物の製造状況を把握するための監視データが異常を示すか否かが高い精度で分類され、取得部が新たに取得した更新データが異常データである場合にどのような不具合が発生するかを推定する。したがって、異常データが適切に把握でき、不具合に対して適切な対応をすることができる。
本発明の第２の態様の三次元造形物の製造装置は、機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する三次元造形物の製造装置であって、前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得部と、前記取得部が取得した前記監視データを記憶する記憶部と、前記製造状況の改善度合いに対応する報酬条件を設定する報酬条件設定部と、前記三次元造形物の製造における製造条件が変更された場合に、前記製造条件の変更後に前記取得部が新たに取得した前記監視データの更新データから前記報酬条件に基づき報酬を計算する報酬計算部と、前記報酬計算部により計算された前記報酬に基づいて、機械学習条件を更新しながら前記改善条件を機械学習する改善条件学習部と、前記改善条件学習部の学習結果を記憶する機械学習結果記憶部と、前記学習結果に基づいて、前記改善条件を決定する決定部と、を備えることを特徴とする。
本態様によれば、製造条件の変更後に取得部が新たに取得した監視データの更新データから、製造状況の改善度合いに対応する報酬条件に基づき報酬を計算する。製造状況の改善度合いに対応する報酬の高低により不具合に対する対応が適切にできる。また、製造状況の改善度合いに対応する報酬に基づいて、機械学習条件を更新しながら製造状況を改善する改善条件を決定することで、三次元造形物の製造を繰り返す毎に不具合に対する対応精度は高くなっていく。
本発明の第３の態様の三次元造形物の製造システムは、前記第２の態様の三次元造形物の製造装置を複数有し、前記三次元造形物の製造装置同士が互いに通信手段を介して通信される三次元造形物の製造システムであって、前記三次元造形物の製造装置の各々の前記機械学習結果記憶部に記憶された前記学習結果を、前記三次元造形物の製造装置の各々の通信手段を介して共有することを特徴とする。
本態様によれば、複数の三次元造形物の製造装置の学習結果を利用できるので、効果的に異常に対して適切な対応をすることができる。
本発明の第４の態様の三次元造形物の製造方法は、機械学習を行う人工知能を備えた三次元造形物の製造装置を用いて、造形データに基づいて三次元造形物を製造する三次元造形物の製造方法であって、前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得工程と、前記取得工程で取得した前記監視データを記憶する記憶工程と、前記監視データの基準データに基づいて前記取得工程で取得した前記監視データを正常データと異常データとに分類し、前記記憶工程で記憶され前記正常データと分類された前記監視データに基づいて、前記機械学習により推定基準を更新し、前記取得工程で新たに取得した前記監視データの更新データに異常が発生していると推定した場合にどのような異常が発生するかを推定する推定工程と、前記推定工程で推定した異常に応じて、前記改善条件を決定する決定工程と、を有することを特徴とする。
本態様によれば、基準データに基づいて取得工程で取得した製造状況データを正常データと異常データとに分類する。該分類により、様々な正常データが蓄積される。そして、正常データと分類された製造状況データに基づいて、機械学習により推定基準を更新する。すなわち、蓄積された様々な正常データに基づいて機械学習をすることにより、取得工程で新たに取得した更新データの正常データ及び異常データの分類精度が高くなっていく。三次元造形物の製造状況を把握するための監視データが異常を示すか否かが高い精度で分類され、取得部が新たに取得した更新データが異常データである場合にどのような不具合が発生するかを推定する。したがって、正常状態か異常状態かが適切に把握でき、不具合に対して適切な対応をすることができる。
本発明の第５の態様の三次元造形物の製造方法は、機械学習を行う人工知能を備えた三次元造形物の製造装置を用いて、造形データに基づいて三次元造形物を製造する三次元造形物の製造方法であって、前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得工程と、前記取得工程で取得した前記監視データを記憶する記憶工程と、前記製造状況の改善度合いに対応する報酬条件を設定する報酬条件設定工程と、前記三次元造形物の製造における製造条件が変更された場合に、前記製造条件の変更後に前記取得工程で新たに取得した前記監視データの更新データから前記報酬条件に基づき報酬を計算する報酬計算工程と、前記報酬計算工程で計算された前記報酬に基づいて、機械学習条件を更新しながら前記改善条件を機械学習する改善条件学習工程と、前記改善条件学習工程における学習結果を記憶する機械学習結果記憶工程と、前記学習結果に基づいて、前記改善条件を決定する決定工程と、を有することを特徴とする。
本態様によれば、三次元造形物の製造における製造条件の変更後に取得工程で新たに取得した監視データの更新データから、製造状況の改善度合いに対応する報酬条件に基づき報酬を計算する。製造状況の改善度合いに対応する報酬の高低により不具合に対する対応が適切にできる。また、製造状況の改善度合いに対応する報酬に基づいて、機械学習条件を更新しながら改善条件を決定することで、三次元造形物の製造を繰り返す毎に不具合に対する対応精度は高くなっていく。
以下、添付図面を参照して、本発明に係る実施形態を説明する。
最初に、本発明の一の実施形態に係る三次元造形物の製造装置１の概要について図１から図４を参照して説明する。
ここで、図中のＸ方向は水平方向であり、Ｙ方向は水平方向であるとともにＸ方向と直交する方向であり、Ｚ方向は鉛直方向である。
なお、本明細書における「三次元造形」とは、いわゆる立体造形物を形成することを示すものであって、例えば、平板状、例えば１層分の層で構成される形状のように、いわゆる二次元形状の形状であっても厚さを有する形状を形成することも含まれる。また、「支持する」とは、下側から支持する場合の他、横側から支持する場合や、場合によっては上側から支持する場合も含む意味である。
図１で表されるように、本実施形態の三次元造形物の製造装置１は、三次元造形物を構成する構成材料としてのペレット１９を収容するホッパー２を備えている。ホッパー２に収容されたペレット１９は、供給管３を介して、略円柱状のフラットスクリュー４の円周面４ａに供給される。
図２で表されるように、フラットスクリュー４の底面には、円周面４ａから中央部分４ｃまで至る螺旋状の切欠き４ｂが形成されている。このため、フラットスクリュー４を図１で表されるモーター６でＺ方向に沿う方向を回転軸として回転させることにより、図３で表されるように、ペレット１９が円周面４ａから中央部分４ｃまで送られる。なお、図１では省略されているが、モーター６の昇温を抑制するため、モーター６の近傍において冷却水が循環している。
図１で表されるように、フラットスクリュー４の底面と対向する位置には、バレル５が所定の間隔を有して設けられている。そして、バレル５の上面近傍には、ヒーター７及びヒーター８が設けられている。フラットスクリュー４とバレル５とがこのような構成をしていることにより、フラットスクリュー４を回転させることで、フラットスクリュー４の底面とバレル５の上面との間に形成される切欠き４ｂによる空間部分２０にペレット１９は供給され、円周面４ａから中央部分４ｃに移動する。なお、ペレット１９が切欠き４ｂによる空間部分２０を移動する際、ペレット１９は、ヒーター７及びヒーター８の熱により溶融すなわち可塑化され、また、狭い空間部分２０を移動することに伴う圧力で加圧される。こうして、ペレット１９は、可塑化されることでノズル１０ａから射出される。
図１及び図４で表されるように、平面視でバレル５の中央部分には、溶融したペレット１９である構成材料の移動経路５ａが形成されている。図１で表されるように、移動経路５ａは、構成材料を射出する射出部１０のノズル１０ａと繋がっている。なお、図４で表されるように、バレル５の上面には移動経路５ａに繋がる溝５ｂが複数形成されており、第１材料が移動経路５ａに向かって集まり易くなっている。なお、移動経路５ａには、不図示のフィルターが設けられている。
射出部１０は、流体状態の構成材料をノズル１０ａから連続的に射出することが可能な構成になっている。なお、図１で表されるように、射出部１０には、構成材料を所望の粘度にするためのヒーター９が設けられている。射出部１０から射出される構成材料は、線形の形状で射出される。そして、射出部１０から線状に構成材料を射出することで構成材料層を形成する。
本実施形態の三次元造形物の製造装置１では、ホッパー２、供給管３、フラットスクリュー４、バレル５、モーター６及び射出部１０などで射出ユニット２１を形成している。なお、本実施形態の三次元造形物の製造装置１は、構成材料を射出する射出ユニット２１を１つ備える構成であるが、構成材料を射出する射出ユニット２１を複数備える構成としてもよいし、支持材料を射出する射出ユニット２１を備えていてもよい。ここで、支持材料とは、構成材料層を支持するための支持材料層を形成するための材料である。
また、図１で表されるように、本実施形態の三次元造形物の製造装置１は、射出ユニット２１から射出されることで形成される構成材料層を載置するためのステージユニット２２を備えている。なお、射出ユニット２１及びステージユニット２２は、不図示の恒温槽に収納されている。ステージユニット２２は、実際に構成材料層が載置されるプレート１１を備えている。また、ステージユニット２２は、プレート１１が載置され、第１駆動部１５を駆動することによりＹ方向に沿って位置を変更可能な第１ステージ１２を備えている。また、ステージユニット２２は、第１ステージ１２が載置され、第２駆動部１６を駆動することによりＸ方向に沿って位置を変更可能な第２ステージ１３を備えている。そして、ステージユニット２２は、第３駆動部１７を駆動することによりＺ方向に沿って第２ステージ１３の位置を変更可能な基体部１４を備えている。
また、図１で表されるように、本実施形態の三次元造形物の製造装置１は、射出ユニット２１の各種駆動及びステージユニット２２の各種駆動を制御する、制御ユニット１８と電気的に接続されている。ここで、詳細は後述するが、制御ユニット１８は人工知能を構成しており、上記の三次元造形物の製造装置１のほか、複数の三次元造形物の製造装置１と電気的に接続されている。すなわち、制御ユニット１８は、上記の三次元造形物の製造装置１の構成要素として考えることができるとともに、複数の三次元造形物の製造装置１とともに三次元造形物の製造システムを構成しているとも考えることができる。
次に、制御ユニット１８について図５のブロック図を用いて詳細に説明する。
本実施形態の制御ユニット１８は、人工知能を構成し、機械学習を行うことが可能である。ここで、一般に、機械学習には教師あり学習、教師なし学習、強化学習などが有り、その目的や条件によって様々なアルゴリズムに分類されている。本発明では三次元造形物を製造する際の異常に対する適切な対応の学習を目的としており、その異常により発生する不具合に対する適切な対応を自動的に学習するアルゴリズムを採用する。
図５で表されるように、本実施形態の制御ユニット１８は、取得部２３、記憶部２４、報酬条件設定部２５、報酬計算部２６、改善条件学習部２７、機械学習結果記憶部２８、決定部２９を備える。そして、集中管理システム３０及び三次元造形物の検査システム３１と電気的に接続されている。なお、制御ユニット１８は、三次元造形物の製造装置１内に備えてもよいし、三次元造形物の製造装置１外のパソコンなどに備えるようにしてもよい。
取得部２３は、三次元造形物の製造状況を把握するための製造状況のデータである監視データと、製造状況を改善する改善条件のデータである改善条件データと、を取得する。監視データとしては、温度、位置、速度、加速度、電流、電圧、圧力、時間、画像データ、画像解析データ、トルクなどの負荷、力、歪、消費電力、三次元造形物の重量、三次元造形物の強度、三次元造形物の寸法、三次元造形物の画像データから算出される外観、三次元造形物における各部の長さ、角度、面積、体積、三次元造形物の強度計測結果、各種処理条件の変更、さらに各物理量を演算処理して算出した算出値などがある。また、改善条件データとしては、三次元造形装置の製造条件や加工条件である温度、湿度、回転速度、搬送速度、電力、電圧、電流、圧力、重量等の各種パラメーターなどがある。
記憶部２４は、取得部２３が取得した監視データを入力して記憶し、記憶した該監視データを報酬計算部２６や改善条件学習部２７に対して出力する機能手段である。記憶部２４は、三次元造形物の製造時に取得部２３が取得した監視データを三次元造形物の製造装置１により製造された一つの造形品の監視データとして記憶する。入力される監視データには、最新の製造によるデータである更新データと、過去の製造によるデータとの両方が含まれる。また、図１の三次元造形物の製造装置１とは別の三次元造形物の製造装置１や集中管理システム３０に記憶されたデータを入力して記憶したり、出力したりすることも可能である。また、記憶部２４には、監視データの基準データを格納する格納部３２が設けられている。
報酬条件設定部２５は、機械学習において報酬を与える条件を設定するための機能手段である。別の観点から説明すると、報酬条件設定部２５は、製造状況の改善度合いに対応する報酬条件を設定する。報酬にはプラスの報酬とマイナスの報酬があり、適宜設定が可能である。さらに、報酬条件設定部２５への入力は集中管理システム３０で使用しているパソコンやタブレット端末等からでも構わないが、三次元造形物の製造装置１を介して入力できるようにすることで、より簡便に設定することが可能となる。
報酬計算部２６は、報酬条件設定部２５で設定された条件に基づいて取得部２３が取得した監視データまたは記憶部２４に記憶された監視データを入力して分析し、計算された報酬を改善条件学習部２７に出力する。別の観点から説明すると、報酬計算部２６は、製造条件が変更された場合に製造条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。報酬計算部２６が出力する報酬が、機械学習に用いられる。
改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。該機械学習された学習結果は、機械学習結果記憶部２８に記憶される。なお、改善条件学習部２７による改善条件の機械学習では、機械学習結果記憶部２８に記憶された学習結果を利用して強化学習を行ってもよい。
また、改善条件学習部２７は、報酬条件設定部２５が設定した報酬条件に基づいて報酬計算部２６が計算した上記報酬を使用することなく、好ましい製造条件を機械学習することが可能である。具体的には、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データを正常データと異常データとに分類し、記憶部２４に記憶され正常データと分類された監視データに基づいて、機械学習により推定基準を更新し、取得部２３が新たに取得した更新データから異常が発生していると推定した場合にどのような不具合（異常発生モード）が発生するかを推定することも可能である。推定部としての改善条件学習部２７で推定された異常発生モードは、改善条件学習部２７の学習結果に相当する。なお、改善条件学習部２７は、一度正常データと分類された監視データでも、異常発生モードの推定が不確かであった場合や、異常に対する対応精度が低かった場合には、正常データから異常データに再分類することが可能である。監視データの蓄積に伴う正常データの蓄積は推定基準の更新に対応するが、このような監視データの再分類も推定基準の更新に対応する。なお、どのような不具合が発生しているかと言うことに対応する異常発生モードは、予め複数種類、格納部３２に格納されている。そして、改善条件学習部２７は、正常データと更新データとを比較し、異常が発生していると推定した場合に、対応する異常発生モードを格納部３２に格納された複数の異常発生モードから選択する。該改善条件学習部２７による異常発生モードの選択が異常発生モードの推定に対応する。
そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件を決定する。
ここで、一旦まとめると、本実施形態の三次元造形物の製造装置１は、機械学習を行う人工知能である制御ユニット１８を備え、造形データに基づいて三次元造形物を製造する三次元造形物の製造装置である。そして、三次元造形物の製造状況を把握するための監視データと、製造状況を改善する改善条件のデータである改善条件データと、を取得する取得部２３と、取得部２３が取得した監視データを記憶する記憶部２４と、製造状況の改善度合いに対応する報酬条件を設定する報酬条件設定部２５と、製造条件が変更された場合に製造条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する報酬計算部２６と、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する改善条件学習部２７と、改善条件学習部２７の学習結果を記憶する機械学習結果記憶部２８と、改善条件学習部２７の学習結果に基づいて改善条件を決定する決定部２９と、を備えている。
このように、本実施形態の三次元造形物の製造装置１は、製造条件の変更後に取得部２３が新たに取得した監視データの更新データから、製造状況の改善度合いに対応する報酬条件に基づき報酬を計算する。製造状況の改善度合いに対応する報酬の高低により異常に対する対応が適切にできる。また、製造状況の改善度合いに対応する報酬に基づいて、機械学習条件を更新しながら改善条件を決定することで、三次元造形物の製造を繰り返す毎に不具合に対する対応精度は高くなっていく。
また、図６のフローチャートを用いて別の観点から説明すると、機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する本実施形態の三次元造形物の製造装置１を用いて、以下の各工程を有する三次元造形物の製造方法を実行できる。最初にステップＳ１１０の取得工程で、三次元造形物の製造状況を把握するための監視データと、製造状況を改善する改善条件のデータである改善条件データと、を取得する。次に、ステップＳ１２０の記憶工程で、ステップＳ１１０の取得工程で取得した監視データを記憶する。次に、ステップＳ１４０の報酬条件設定工程で、製造状況の改善度合いに対応する報酬条件を設定する。次に、ステップＳ１５０の報酬計算工程で、製造条件が変更された場合に製造条件の変更後にステップＳ１１０の取得工程で新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。次に、ステップＳ１６０の改善条件学習工程で、ステップＳ１５０の報酬計算工程で計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。次に、ステップＳ１７０の機械学習結果記憶工程で、ステップＳ１６０の改善条件学習工程における学習結果を記憶する。そして、ステップＳ１８０の決定工程で、該学習結果に基づいて、改善条件を決定する。
このように、図６のフローチャートで表される三次元造形物の製造方法は、製造条件の変更後に取得工程で新たに取得した監視データの更新データから、製造状況の改善度合いに対応する報酬条件に基づき報酬を計算する。製造状況の改善度合いに対応する報酬の高低により異常に対する対応が適切にできる。また、製造状況の改善度合いに対応する報酬に基づいて、機械学習条件を更新しながら改善条件を決定することで、三次元造形物の製造を繰り返す毎に不具合に対する対応精度は高くなっていく。
また、上記のように、本実施形態の三次元造形物の製造装置１は、報酬を使用することなく、好ましい製造条件を機械学習することが可能である。すなわち、監視データの基準データを格納する格納部３２を備えており、推定部としての改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データを正常データと異常データとに分類し、記憶部２４に記憶され正常データと分類された監視データに基づいて、三次元造形物の製造状況を把握するための異常の発生の有無を推定し、取得部２３が新たに取得した更新データに異常が発生していると推定した場合にどのような不具合（異常発生モード）が発生するかを推定する。また、決定部２９は、改善条件学習部２７が推定した異常発生モードに応じて、改善条件を決定する。
このように、本実施形態の三次元造形物の製造装置１は、基準データに基づいて取得部２３が取得した監視データを正常データと異常データとに分類し、該分類により、様々な正常データを記憶部２４に蓄積できる。そして、正常データと分類された監視データに基づいて、機械学習により推定基準を更新することができる。すなわち、蓄積された様々な正常データに基づいて機械学習をすることにより、取得部２３が新たに取得した更新データの正常データ及び異常データの分類精度が高くなっていく。そして、高い精度で三次元造形物の製造状況を把握するための異常の発生の有無を推定し、取得部２３が新たに取得した更新データに異常が発生していると推定した場合にどのような異常が発生しているかを推定することができる。したがって、本実施形態の三次元造形物の製造装置１は、正常状態か異常状態かが適切に把握でき、不具合に対して適切な対応をすることができる。
また、図７のフローチャートを用いて別の観点から説明すると、機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する本実施形態の三次元造形物の製造装置１を用いて、以下の各工程を有する三次元造形物の製造方法を実行できる。最初にステップＳ１１０の取得工程で、三次元造形物の製造状況を把握するための監視データと、製造状況を改善する改善条件のデータである改善条件データと、を取得する。次に、ステップＳ１２０の記憶工程で、ステップＳ１１０の取得工程で取得した監視データを記憶する。次に、ステップＳ１３０の推定工程で、監視データの基準データに基づいてステップＳ１１０の取得工程で取得した監視データを正常データと異常データとに分類し、ステップＳ１２０の記憶工程で記憶され正常データと分類された監視データに基づいて、機械学習により推定基準を更新しながら、三次元造形物の製造状況を把握するための異常の発生の有無を推定し、ステップＳ１１０の取得工程で新たに取得した更新データに異常が発生していると推定した場合にどのような異常が発生しているかを推定する。そして、ステップＳ１８０の決定工程で、ステップＳ１３０の推定工程で推定した異常に応じて、改善条件を決定する。
このように、図７のフローチャートで表される三次元造形物の製造方法は、基準データに基づいて取得工程で取得した監視データを正常データと異常データとに分類する。該分類により、様々な正常データが蓄積される。そして、正常データと分類された監視データに基づいて、機械学習により推定基準を更新する。すなわち、蓄積された様々な正常データに基づいて機械学習をすることにより、取得工程で新たに取得した更新データの正常データ及び異常データの分類精度が高くなっていく。そして、三次元造形物の製造状況を把握するための監視データが異常を示すか否かが高い精度で分類され、取得部２３が新たに取得した更新データが異常データである場合にどのような不具合が発生するかを推定する。したがって、正常状態か異常状態かが適切に把握でき、不具合に対して適切な対応をすることができる。
別の観点から説明すると、図５で表される、上記制御ユニット１８と複数の三次元造形物の製造装置１とからなる本実施形態の三次元造形物の製造システムは、三次元造形物の製造装置１同士が互いに通信手段を介して通信される三次元造形物の製造システムである。そして、三次元造形物の製造装置１の各々の機械学習結果記憶部２８に記憶された学習結果を、三次元造形物の製造装置１の各々の通信手段を介して共有している。このため、図５で表される本実施形態の三次元造形物の製造システムは、複数の三次元造形物の製造装置１の学習結果を利用できるので、効果的に不具合に対して適切な対応をすることができる。
次に、三次元造形物の製造に伴って異常が発生する兆候が見られた場合の具体例であって、その場合の関連する監視データ、改善条件を適用しないで製造を続けた場合に発生する異常の症状、異常の症状が発生する兆候を示す異常発生モード、改善条件の具体的な実施例を挙げて説明する。下記の表１は、該実施例をまとめた表である。なお、本実施形態の三次元造形物の製造装置１は、不図示の温度計によりモーター６の温度、不図示の負荷センサーによりモーター６の回転負荷、不図示の圧力計により移動経路５ａ内の圧力及びフィルター前後の圧力、ステージユニット２２に設けられた不図示の重量計により射出量、を検出可能な構成になっている。さらに、本実施形態の三次元造形物の製造装置１は、不図示の撮影部によりプレート１１に形成された三次元造形物及びノズル１０ａを撮影可能な構成になっており、不図示であるがノズル１０ａの清掃機構を備えている。
Figure 2020040246
（実施例１）
実施例１は、本実施形態の三次元造形物の製造装置１が、監視データ（モーター６の温度）を監視せず、異常の症状が発生する兆候を示すモーター６の昇温という異常発生モードに対して対策を講じず、モーター６が停止し造形が停止するという異常の症状を未然に防ぐための適切な対応を行う例である。
まず、監視データとしてのモーター６の温度のデータ及び改善条件としての冷却水の温度やモーター６の回転速度のデータを取得部２３が取得し、監視データを記憶部２４に記憶する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することでモーター６が停止し造形が停止してしまうという異常の症状を改善するための報酬条件を設定する。例えば、改善条件としての冷却水の温度やモーター６の回転速度を下げることで、単位時間当たりのモーター６の温度の上昇をどれだけ抑制できたかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としての冷却水の温度やモーター６の回転速度が変更された場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としての冷却水の温度やモーター６の回転速度を決定する。
また、本実施形態の三次元造形物の製造装置１は、実施例１に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、モーター６の昇温という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２には監視データとなるモーター６の温度の基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしてのモーター６の温度を正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（モーター６の温度など）に基づき、三次元造形物の製造に伴う異常が発生するか否かを推定する。取得部２３が新たに取得した更新データ（モーター６の温度など）に異常（昇温）の兆候が見られて異常データに分類される場合、モーター６が停止し造形が停止するという装置異常につながると推定したのであれば、決定部２９は、改善条件学習部２７が学習した条件（例えば、改善条件として、冷却水の温度を０．５℃ずつ下げていくとモーター６の温度がどのくらい下がるかや、モーターの回転数を何回転さげるとモーター６の温度がどのくらい下がるかが予め学習されている）に応じて、改善条件である冷却水の温度やモーター６の回転速度を決定する。
（実施例２）
実施例２は、本実施形態の三次元造形物の製造装置１が、監視データ（モーター６の回転負荷）を監視せず、モーター６の回転負荷上昇という、異常発生モードに対する対策を講じず、空間部分２０を移動する際の構成材料であるペレット１９の可塑化不良が発生して三次元造形物に空隙が発生するなどの造形不良が発生するという異常の症状を未然に防ぐための適切な対応を行う例である。
まず、監視データとしてのモーター６の回転負荷のデータ及び改善条件としてのヒーター７及びヒーター８の設定温度のデータを取得部２３が取得し、監視データを記憶部２４に記憶する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで構成材料の可塑化不良が発生して造形不良が発生するという異常の症状を改善するための報酬条件を設定する。例えば、モーター６の回転負荷の上昇をどれだけ抑制できたかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としてのヒーター７及びヒーター８の設定温度が変更された場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。具体的には、例えば、改善条件としてのヒーター７及びヒーター８の設定温度を０．２℃ずつ上げることで、３分後にモーター６の回転負荷の上昇をどれだけ抑制できたかに応じて報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としてのヒーター７及びヒーター８の設定温度を決定する。
また、本実施形態の三次元造形物の製造装置１は、実施例２に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、モーター６の回転負荷上昇という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２にはモーター６の回転負荷の基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしてのモーター６の回転負荷を正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（モーター６の回転負荷など）に基づいて、三次元造形物の製造状況を把握するための異常が発生するか否かを推定する。取得部２３が新たに取得した更新データ（モーター６の回転負荷など）に異常（回転負荷の値などから回転負荷上昇）の兆候がみられて構成材料であるペレット１９の可塑化不良が発生して三次元造形物に空隙が発生するなどの造形不良が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習した改善条件（例えば、改善条件として、ヒーター７及びヒーター８の温度を０．２℃ずつ上げていくとモーター６の負荷がどのくらい下がるかが予め学習されている）に応じて、ヒーター７及びヒーター８の設定温度を決定する。
（実施例３）
実施例３は、本実施形態の三次元造形物の製造装置１が、監視データ（モーター６の回転負荷）を監視せず、構成材料成分の分解やフラットスクリュー４への構成材料成分の付着という、異常発生モードに対する対策を講じず、空間部分２０を移動する際のペレット１９に過剰な熱が加わり分解して劣化した構成材料成分が混入することにより三次元造形物の性能が低下するという異常の症状につながる、構成材料成分の分解という、異常発生モード、並びに、構成材料成分の一部がフラットスクリュー４に付着して射出量が低下することにより造形不良が発生するという異常の症状を未然に防ぐための適切な対応を行う例である。
まず、監視データとしてのモーター６の回転負荷のデータ及び改善条件としてのヒーター７及びヒーター８の設定温度のデータを取得部２３が取得し、監視データを記憶部２４に記憶する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで劣化した構成材料成分が混入することや構成材料成分がフラットスクリュー４へ付着することにより造形不良が発生するという異常の症状を改善するための報酬条件を設定する。例えば、ペレット１９に過剰な熱が加わることによって構成材料成分が劣化して粘度が異常に低下することに伴うモーター６の回転負荷の低下をどれだけ抑制できたかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としてのヒーター７及びヒーター８の設定温度が変更された場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。具体的には、例えば、フラットスクリュー４の回転を一旦停止し、改善条件としてのヒーター７及びヒーター８の設定温度を０．２℃ずつ下げ、３分後にフラットスクリュー４の回転を再開してモーター６の回転負荷の低下をどれだけ抑制できたかに応じて報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としてのヒーター７及びヒーター８の設定温度を決定する。なお、フラットスクリュー４への構成材料成分の付着という異常発生モードに対する適切な対応としては、フラットスクリュー４の清掃も挙げられる。
また、本実施形態の三次元造形物の製造装置１は、実施例３に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、構成材料成分の分解という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２にはモーター６の回転負荷の基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしてのモーター６の回転負荷を正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（モーター６の回転負荷など）に基づいて、三次元造形物の製造状況を把握するための異常が発生するか否かを推定する。取得部２３が新たに取得した更新データ（モーター６の回転負荷など）に異常の兆候がみられて、劣化した構成材料成分が混入することにより三次元造形物の性能が低下する、または射出量が低下することにより造形不良が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習した改善条件に応じて、改善条件（例えば、ヒーター７及びヒーター８の設定温度毎のモーター６の回転負荷の低下が予め学習されている）であるヒーター７及びヒーター８の設定温度を決定する。
（実施例４）
実施例４は、本実施形態の三次元造形物の製造装置１が、監視データ（移動経路内の圧力）を監視せず、空間部分２０を移動する際のペレット１９の移動不良が発生して構成材料の射出部１０からの射出量の低下が発生するという異常の症状につながる、フラットスクリュー４の組み付け不良という、異常発生モードに対する対策を講じず、フラットスクリュー４の組み付け不良が生じ、フラットスクリュー４を回転させた場合に、空間部分２０を移動するペレット１９の量が減ることで射出量が低下し、造形不良が発生するという異常の症状を未然に防ぐための適切な対応を行う例である。
まず、監視データとしての移動経路５ａ内の圧力のデータ及び改善条件としてのモーター６の回転速度、ヒーター７及びヒーター８の設定温度のデータを取得部２３が取得し、監視データを記憶部２４に記憶する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで空間部分２０を移動する際のペレット１９の移動不良が発生して構成材料の射出部１０からの射出量の低下が発生するという異常の症状を改善するための報酬条件を設定する。例えば、構成材料の射出部１０からの射出量がどれだけ増えたかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としてのモーター６の回転速度、ヒーター７及びヒーター８の設定温度が変更された場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としてのモーター６の回転速度、ヒーター７及びヒーター８の設定温度を決定する。
また、本実施形態の三次元造形物の製造装置１は、実施例４に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、フラットスクリュー４の組み付け不良という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２には移動経路５ａ内の圧力の基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしての移動経路５ａ内の圧力を正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（移動経路５ａ内の圧力など）に基づいて、三次元造形物の製造状況を把握するための異常が発生するか否かを推定する。取得部２３が新たに取得した更新データ（移動経路５ａ内の圧力など）に異常の兆候がみられて、射出量が低下し、造形不良が発生するという異常が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習した異常発生モードに応じて、改善条件（例えば、ヒーター７及びヒーター８の設定温度や、モーター６の回転負荷毎に射出量が予め学習されている）に応じてモーター６の回転速度、ヒーター７及びヒーター８の設定温度を決定する。
（実施例５）
実施例５は、本実施形態の三次元造形物の製造装置１が、監視データ（フィルター前後の圧力）を監視しない場合に、フィルター詰まり（フィルター前後の圧力差の拡大）が発生して構成材料の射出部１０からの射出量の低下が発生するという異常発生モードから、造形不良が発生するという異常の症状を未然に防ぐための適切な対応を行う例である。フィルターが詰まってフィルター前後の圧力差が大きくなると、移動経路５ａを移動する構成材料の量が減る傾向にある。なお、「フィルター詰まり」とは、フィルターが完全に詰まった状態のほか、フィルターの一部に詰まりが生じて構成材料の移動経路５ａの移動量の減少や移動速度の低下が生じている状態も含む意味である。
まず、監視データとしての移動経路５ａ内のフィルター前後の圧力のデータ及び改善条件としてのモーター６の回転速度、ヒーター９の設定温度のデータを取得部２３が取得し、監視データを記憶部２４に記憶する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで移動経路５ａを移動する際の構成材料の移動不良が発生して構成材料の射出部１０からの射出量の低下が発生するという異常の症状を改善するための報酬条件を設定する。例えば、構成材料の射出部１０からの射出量がどれだけ増えたかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としてのヒーター９の設定温度を上昇させた場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としてのヒーター９の設定温度を決定する。なお、フィルター詰まりが発生してフィルター前後の圧力差が拡大するという異常発生モードに対する適切な対応としては、フィルターの交換も挙げられる。
また、本実施形態の三次元造形物の製造装置１は、実施例５に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、フィルター前後の圧力差の拡大という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２には移動経路５ａ内のフィルター前後の圧力の基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしてのフィルター前後の圧力を正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（フィルター前後の圧力など）に基づいて、三次元造形物の製造状況を把握するための異常の有無を推定する。取得部２３が新たに取得した更新データ（フィルター前後の圧力など）に異常の兆候（フィルター前後の圧力差）がみられて、造形不良が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習した異常発生モードに応じて、改善条件（例えば、移動経路５ａ内のフィルター前後の圧力とモーター６の回転速度やヒーター９の設定温度が対応して予め学習されている）であるヒーター９の設定温度を決定する。
（実施例６）
実施例６は、本実施形態の三次元造形物の製造装置１が、監視データ（画像データ）を監視しない場合に、射出の際の構成材料の粘度上昇という異常発生モードから構成材料の射出部１０からの射出量の低下が発生し造形物の精度不良となる異常の症状を未然に防ぐための適切な対応を行う例である。構成材料が増粘すると、移動経路５ａを移動する構成材料の量が減る傾向にある。
まず、撮影部により撮影された画像データであってプレート１１に形成された三次元造形物を構成する構成材料層における最上層の画像データを、取得部２３が監視データとして取得し、該データを記憶部２４に記憶する。ここで、該データは、最上層の構成材料層の凹凸の程度に関するデータである。また、取得部２３は、該データと共に、改善条件としてのヒーター９の設定温度のデータも取得する。構成材料が増粘すると射出部１０からの射出量が低下し、最上層の構成材料層の凹凸が顕著となる。なお、構成材料の温度を高くすると該構成材料の粘度は低下する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで移動経路５ａを移動する際の構成材料の移動不良が発生して構成材料の射出部１０からの射出量の低下が発生するという異常の症状を改善するための報酬条件を設定する。例えば、構成材料の射出部１０からの射出量がどれだけ増えたかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としてのヒーター９の設定温度を上昇させた場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としてのヒーター９の設定温度を決定する。
また、本実施形態の三次元造形物の製造装置１は、実施例６に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、構成材料の粘度上昇という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２には基準となる凹凸が形成された構成材料層における最上層の画像データの基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしての構成材料層における最上層の画像データを正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（構成材料層における最上層の画像データなど）に基づいて、三次元造形物の製造状況を把握するための異常の有無を推定する。取得部２３が新たに取得した更新データ（構成材料層における最上層の画像データなど）に異常の兆候（最上層の構成材料層の凹凸）がみられて、造形不良が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習（ヒーター９の設定温度と表面凹凸の関係が対応して予め学習されている）した異常発生モードに応じて、改善条件であるヒーター９の設定温度を決定する。
（実施例７）
実施例７は、本実施形態の三次元造形物の製造装置１が、監視データ（ノズル１０ａの画像データ）を監視しない場合に、ノズル１０ａへの構成材料の付着量の増加という、異常発生モードから、構成材料の射出部１０からの射出形状の変化による造形不良という異常の症状を未然に防ぐための適切な対応を行う例である。なお、ここで「ノズル１０ａへの構成材料の付着」とは、ノズル１０ａ内側だけでなく射出部１０におけるノズル１０ａ近傍への構成材料の付着も含む意味である。
まず、撮影部により撮影されたノズル１０ａの画像データを、取得部２３が監視データとして取得し、該データを記憶部２４に記憶する。また、取得部２３は、該データと共に、改善条件としてのノズル１０ａの清掃条件のデータも取得する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで構成材料の射出形状の変化が発生して三次元造形物の造形不良が生じるという異常の症状を改善するための報酬条件を設定する。例えば、清掃機構によるノズル１０ａの清掃条件を変更した場合に、ノズル１０ａに付着した構成材料がどれだけ減ったかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としてのノズル１０ａの清掃条件を変更させた場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としてのノズル１０ａの清掃条件を決定する。
また、本実施形態の三次元造形物の製造装置１は、実施例７に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、ノズル１０ａへの構成材料の付着量の増加という異常発生モードに対する別の適切な対応を行うこともできる。格納部３２には基準となるノズル１０ａの画像データの基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしてのノズル１０ａの画像データを正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（ノズル１０ａの画像データなど）に基づいて、機械学習により推定基準すなわち異常となる基準を更新し、三次元造形物の製造状況を把握するための異常の有無を推定する。取得部２３が新たに取得した更新データ（ノズル１０ａの画像データなど）に異常が発生し、造形不良という異常の症状が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習した異常発生モードに応じて、改善条件であるノズル１０ａの清掃条件を決定する。
（実施例８）
実施例８は、本実施形態の三次元造形物の製造装置１が、監視データ（三次元造形物の画像データ）を管理しない場合に、恒温槽の温度に伴う三次元造形物の所望の寸法とのズレという、異常発生モードから、所望の寸法とは異なる寸法となることによる造形不良という異常の症状を未然に防ぐための適切な対応を行う例である。
まず、撮影部により撮影された画像データであってプレート１１に形成された三次元造形物の画像データを、取得部２３が監視データとして取得し、該データを記憶部２４に記憶する。また、取得部２３は、該データと共に、改善条件としての恒温槽の温度のデータも取得する。そして、報酬条件設定部２５で、三次元造形物の製造を続行することで所望の寸法とは異なる寸法となることによる三次元造形物の造形不良が生じるという異常の症状を改善するための報酬条件を設定する。例えば、恒温槽の温度を調整し、三次元造形物が膨張や収縮などすることにより所望の体積に対してのズレがどの程度減ったかに応じて低報酬から高報酬まで報酬条件を設定する。報酬計算部２６は、改善条件としての恒温槽の温度を変更させた場合に、該改善条件の変更後に取得部２３が新たに取得した監視データの更新データから報酬条件に基づき報酬を計算する。改善条件学習部２７は、報酬計算部２６により計算された報酬に基づいて、機械学習条件を更新しながら改善条件を機械学習する。そして、機械学習結果記憶部２８は、改善条件学習部２７の学習結果を記憶する。そして、決定部２９は、改善条件学習部２７の学習結果に基づいて、改善条件としての恒温槽の温度を決定する。
また、本実施形態の三次元造形物の製造装置１は、実施例８に対応し、報酬条件設定部２５及び報酬計算部２６を実行させず、すなわち、報酬を用いることなく、恒温槽の温度に伴う三次元造形物の所望の寸法とのズレという異常発生モードに対する別の適切な対応を行うこともできる。格納部３２には基準となる三次元造形物の画像データの基準データが格納されている。そして、改善条件学習部２７は、格納部３２に格納された基準データに基づいて取得部２３が取得した監視データとしての三次元造形物の画像データを正常データと異常データとに分類する。さらに、改善条件学習部２７は、記憶部２４に記憶され正常データと分類された監視データ（三次元造形物の画像データなど）に基づいて、三次元造形物の製造状況を把握するための異常の有無を推定する。取得部２３が新たに取得した更新データ（三次元造形物の画像データなど）に異常が発生し、所望の寸法とは異なる寸法となることによる造形不良という異常の症状が発生すると推定した場合、決定部２９は、改善条件学習部２７が学習した異常発生モードに応じて、改善条件（恒温槽の温度水準と三次元造形物の所望の寸法ズレとが対応して予め学習されている）である恒温槽の温度を決定する。
本発明は、上述の実施例に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。発明の概要の欄に記載した各形態中の技術的特徴に対応する実施例中の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
１…三次元造形物の製造装置、２…ホッパー、３…供給管、４…フラットスクリュー、
４ａ…円周面、４ｂ…切欠き、４ｃ…中央部分、５…バレル、５ａ…移動経路、
５ｂ…溝、６…モーター、７…ヒーター、８…ヒーター、９…ヒーター、
１０…射出部、１０ａ…ノズル、１１…プレート、１２…第１ステージ、
１３…第２ステージ、１４…基体部、１５…第１駆動部、１６…第２駆動部、
１７…第３駆動部、１８…制御ユニット、１９…ペレット（構成材料）、
２０…空間部分、２１…射出ユニット、２２…ステージユニット、２３…取得部、
２４…記憶部、２５…報酬条件設定部、２６…報酬計算部、
２７…改善条件学習部（推定部）、２８…機械学習結果記憶部、２９…決定部、
３０…集中管理システム、３１…検査システム、３２…格納部

Claims (5)

  1. 機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する三次元造形物の製造装置であって、
    前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得部と、
    前記監視データの基準データを格納する格納部と、
    前記取得部が取得した前記監視データを記憶する記憶部と、
    前記格納部に格納された前記基準データに基づいて前記取得部が取得した前記監視データを正常データと異常データとに分類し、前記記憶部に記憶され前記正常データと分類された前記監視データに基づいて、前記取得部が新たに取得した前記監視データの更新データから異常が発生していると推定した場合にどのような不具合が発生するかを推定する推定部と、
    前記推定部が推定した不具合に応じて、前記改善条件を決定する決定部と、
    を備えることを特徴とする三次元造形物の製造装置。
  2. 機械学習を行う人工知能を備え、造形データに基づいて三次元造形物を製造する三次元造形物の製造装置であって、
    前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得部と、
    前記取得部が取得した前記監視データを記憶する記憶部と、
    前記製造状況の改善度合いに対応する報酬条件を設定する報酬条件設定部と、
    前記三次元造形物の製造における製造条件が変更された場合に、前記製造条件の変更後に前記取得部が新たに取得した前記監視データの更新データから前記報酬条件に基づき報酬を計算する報酬計算部と、
    前記報酬計算部により計算された前記報酬に基づいて、機械学習条件を更新しながら前記改善条件を機械学習する改善条件学習部と、
    前記改善条件学習部の学習結果を記憶する機械学習結果記憶部と、
    前記学習結果に基づいて、前記改善条件を決定する決定部と、
    を備えることを特徴とする三次元造形物の製造装置。
  3. 請求項２に記載の三次元造形物の製造装置を複数有し、前記三次元造形物の製造装置同士が互いに通信手段を介して通信される三次元造形物の製造システムであって、
    前記三次元造形物の製造装置の各々の前記機械学習結果記憶部に記憶された前記学習結果を、前記三次元造形物の製造装置の各々の通信手段を介して共有することを特徴とする三次元造形物の製造システム。
  4. 機械学習を行う人工知能を備えた三次元造形物の製造装置を用いて、造形データに基づいて三次元造形物を製造する三次元造形物の製造方法であって、
    前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得工程と、
    前記取得工程で取得した前記監視データを記憶する記憶工程と、
    前記監視データの基準データに基づいて前記取得工程で取得した前記監視データを正常データと異常データとに分類し、前記記憶工程で記憶され前記正常データと分類された前記監視データに基づいて、前記機械学習により推定基準を更新し、前記取得工程で新たに取得した前記監視データの更新データに異常が発生していると推定した場合にどのような異常が発生するかを推定する推定工程と、
    前記推定工程で推定した異常に応じて、前記改善条件を決定する決定工程と、
    を有することを特徴とする三次元造形物の製造方法。
  5. 機械学習を行う人工知能を備えた三次元造形物の製造装置を用いて、造形データに基づいて三次元造形物を製造する三次元造形物の製造方法であって、
    前記三次元造形物の製造状況を把握するための監視データと、前記製造状況を改善する改善条件のデータである改善条件データと、を取得する取得工程と、
    前記取得工程で取得した前記監視データを記憶する記憶工程と、
    前記製造状況の改善度合いに対応する報酬条件を設定する報酬条件設定工程と、
    前記三次元造形物の製造における製造条件が変更された場合に、前記製造条件の変更後に前記取得工程で新たに取得した前記監視データの更新データから前記報酬条件に基づき報酬を計算する報酬計算工程と、
    前記報酬計算工程で計算された前記報酬に基づいて、機械学習条件を更新しながら前記改善条件を機械学習する改善条件学習工程と、
    前記改善条件学習工程における学習結果を記憶する機械学習結果記憶工程と、
    前記学習結果に基づいて、前記改善条件を決定する決定工程と、
    を有することを特徴とする三次元造形物の製造方法。
JP2018168065A 2018-09-07 2018-09-07 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法 Active JP7096528B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018168065A JP7096528B2 (ja) 2018-09-07 2018-09-07 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法
CN201910836839.1A CN110884113A (zh) 2018-09-07 2019-09-05 三维造型物的制造装置、制造系统及制造方法
US16/562,475 US20200081416A1 (en) 2018-09-07 2019-09-06 Manufacturing Device For Three-Dimensional Shaped Object, Manufacturing System For Three-Dimensional Shaped Object, And Manufacturing Method For Three-Dimensional Shaped Object

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018168065A JP7096528B2 (ja) 2018-09-07 2018-09-07 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法

Publications (2)

Publication Number Publication Date
JP2020040246A true JP2020040246A (ja) 2020-03-19
JP7096528B2 JP7096528B2 (ja) 2022-07-06

Family

ID=69719130

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018168065A Active JP7096528B2 (ja) 2018-09-07 2018-09-07 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法

Country Status (3)

Country Link
US (1) US20200081416A1 (ja)
JP (1) JP7096528B2 (ja)
CN (1) CN110884113A (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112020006920T5 (de) * 2020-03-19 2022-12-29 Mitsubishi Electric Corporation Einrichtung zur erzeugung von pfaden für additive fertigung, verfahren zur erzeugung von pfaden für additive fertigung und einrichtung für maschinelles lernen
JP2022021956A (ja) * 2020-07-23 2022-02-03 セイコーエプソン株式会社 機械学習装置
JP2022026568A (ja) * 2020-07-31 2022-02-10 セイコーエプソン株式会社 機械学習装置
JP2022056810A (ja) * 2020-09-30 2022-04-11 セイコーエプソン株式会社 三次元造形用データの生成方法および三次元造形物の製造方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016151784A1 (ja) * 2015-03-24 2016-09-29 技術研究組合次世代３Ｄ積層造形技術総合開発機構 ３次元造形システム、３次元造形物の製造方法、情報処理装置、３次元造形物の収縮抑制構造生成方法および３次元造形物の収縮抑制構造生成プログラム
JP2017030152A (ja) * 2015-07-28 2017-02-09 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP2017030221A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 射出成形機の異常診断装置
JP2018024242A (ja) * 2016-08-08 2018-02-15 ゼネラル・エレクトリック・カンパニイ 積層造形法により製造された部品の検査のための方法およびシステム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE524421C2 (sv) * 2002-12-19 2004-08-10 Arcam Ab Anordning samt metod för framställande av en tredimensionell produkt

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016151784A1 (ja) * 2015-03-24 2016-09-29 技術研究組合次世代３Ｄ積層造形技術総合開発機構 ３次元造形システム、３次元造形物の製造方法、情報処理装置、３次元造形物の収縮抑制構造生成方法および３次元造形物の収縮抑制構造生成プログラム
JP2017030152A (ja) * 2015-07-28 2017-02-09 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP2017030221A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 射出成形機の異常診断装置
JP2018024242A (ja) * 2016-08-08 2018-02-15 ゼネラル・エレクトリック・カンパニイ 積層造形法により製造された部品の検査のための方法およびシステム

Also Published As

Publication number Publication date
CN110884113A (zh) 2020-03-17
US20200081416A1 (en) 2020-03-12
JP7096528B2 (ja) 2022-07-06

Similar Documents

Publication Publication Date Title
JP2020040246A (ja) 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法
US10394202B2 (en) 3D printer calibration and control
JP6346128B2 (ja) 最適な操作条件を算出できる射出成形システム及び機械学習器
US10994462B2 (en) Planarizing build surfaces in three-dimensional printing
US11000982B2 (en) Methods of setting a shaping machine
CN110198828B (zh) 用于三维打印的方法、系统和存储介质
US20170050382A1 (en) Closed-Loop 3D Printing Incorporating Sensor Feedback
Kim et al. A study to detect a material deposition status in fused deposition modeling technology
US20210096532A1 (en) Information processing method, information processing apparatus, and non-transitory computer-readable recording medium
JP2013543804A (ja) 多変量モデルを用いた離散型製造プロセスの制御
JP2019177494A (ja) 制御システム、造形システムおよびプログラム
JP2017119425A (ja) 射出成形機の成形最適化方法
Huang et al. Quality control for fused deposition modeling based additive manufacturing: Current research and future trends
JP2017132260A (ja) 射出成形における最適な操作条件を算出できるシステム
WO2021108233A3 (en) Resin adhesion failure detection
JP6876302B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Moretti et al. Closed-Loop Filament Feed Control in Fused Filament Fabrication
JP7487477B2 (ja) 射出成形装置の検査方法および検査システム
US10437698B2 (en) Leader-follower system for additive manufacturing
JPWO2020122187A1 (ja) 射出成形機
JP7480080B2 (ja) 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
JP2020192705A (ja) 造形システム、制御装置、造形方法およびプログラム
CN114248410B (zh) 注塑成形系统和注塑成形机的设定辅助方法
CN116329493A (zh) 型芯品质推断系统、型芯品质推断方法、非临时性存储介质、学习完毕模型、机器学习设备
CN116737665B (zh) 一种基于云存储的增材制造数据管理方法及系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210614

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220328

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220405

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220509

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220525

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220607

R150 Certificate of patent or registration of utility model

Ref document number: 7096528

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150