JP2020527475A - 機械学習を使用する付加製造プロセスのリアルタイム適応制御 - Google Patents

機械学習を使用する付加製造プロセスのリアルタイム適応制御 Download PDF

Info

Publication number
JP2020527475A
JP2020527475A JP2019565319A JP2019565319A JP2020527475A JP 2020527475 A JP2020527475 A JP 2020527475A JP 2019565319 A JP2019565319 A JP 2019565319A JP 2019565319 A JP2019565319 A JP 2019565319A JP 2020527475 A JP2020527475 A JP 2020527475A
Authority
JP
Japan
Prior art keywords
data
algorithm
deposition
machine learning
process control
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
JP2019565319A
Other languages
English (en)
Other versions
JP6741883B1 (ja
Inventor
メーア,エドワード
エリス,ティム
ヌーン,ジョーダン
Original Assignee
リラティビティ スペース,インク.
リラティビティ スペース,インク.
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 リラティビティ スペース,インク., リラティビティ スペース,インク. filed Critical リラティビティ スペース,インク.
Application granted granted Critical
Publication of JP6741883B1 publication Critical patent/JP6741883B1/ja
Publication of JP2020527475A publication Critical patent/JP2020527475A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00Additive 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
    • B29C64/30Auxiliary operations or equipment
    • B29C64/386Data acquisition or data processing for additive manufacturing
    • B29C64/393Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/4097Numerical 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
    • G05B19/4099Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/10Formation of a green body
    • B22F10/12Formation of a green body by photopolymerisation, e.g. stereolithography [SLA] or digital light processing [DLP]
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/10Formation of a green body
    • B22F10/18Formation of a green body by mixing binder with metal in filament form, e.g. fused filament fabrication [FFF]
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20Direct sintering or melting
    • B22F10/25Direct deposition of metal particles, e.g. direct metal deposition [DMD] or laser engineered net shaping [LENS]
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20Direct sintering or melting
    • B22F10/28Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/30Process control
    • B22F10/38Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80Data acquisition or data processing
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80Data acquisition or data processing
    • B22F10/85Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22FWORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F12/00Apparatus 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
    • B22F12/90Means for process control, e.g. cameras or sensors
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B33ADDITIVE MANUFACTURING TECHNOLOGY
    • B33YADDITIVE 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
    • B33Y50/00Data acquisition or data processing for additive manufacturing
    • B33Y50/02Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/02Computing arrangements based on specific mathematical models using fuzzy logic
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/35Nc in input of data, input till input file format
    • G05B2219/351343-D cad-cam
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/45Nc applications
    • G05B2219/45165Laser machining
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49011Machine 2-D slices, build 3-D model, laminated object manufacturing LOM
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49017DTM desktop manufacturing, prototyping
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49018Laser sintering of powder in layers, selective laser sintering SLS
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/490233-D printing, layer of powder, add drops of binder in layer, new powder
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/01Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00Technologies related to metal processing
    • Y02P10/25Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Plasma & Fusion (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Fuzzy Systems (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Powder Metallurgy (AREA)
  • Welding Or Cutting Using Electron Beams (AREA)
  • Laser Beam Processing (AREA)
  • General Factory Administration (AREA)
  • Feedback Control In General (AREA)

Abstract

付加製造プロセス及び/又は溶接プロセスの自動物体欠陥分類ならびに適応リアルタイム制御のための機械学習ベースの方法及びシステムが本明細書に開示される。【選択図】図8

Description

<相互参照>
本出願は、2017年5月24日に出願された米国特許出願第15/604,473号の利益を主張するものであり、これは、参照によってその全体が本明細書に組み込まれる。
付加製造プロセスは、鋳型又はダイスを使用することなく、機能的な複雑部品を層ごとに生成することを可能にする製造技術である。様々なタイプの付加製造に使用される方法及び装置の最近の進歩にもかかわらず、プロセス又は環境パラメータの変化に応じて使用されるプロセス制御パラメータの迅速な最適化及び調整を可能にし、かつ生成される部品の品質を改善するための方法に対するニーズが存在する。機械学習アルゴリズムを使用して、物体欠陥の自動分類を実施するための方法及びシステムが開示される。さらに、プロセスの歩留まり、スループット、及び品質を改善するために、付加製造あるいは溶接プロセスを含む自由形式の堆積又は接合プロセスのリアルタイム適応制御を実施するための方法及びシステムが開示される。
自由形式の堆積プロセス又は接合プロセスのリアルタイム適応制御のための方法が本明細書に開示され、上記方法は:a)物体に関する入力設計幾何学的形状を提供する工程と;b)トレーニングデータセットを提供する工程であって、ここで、該トレーニングデータセットは、工程(a)の入力設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状あるいはそれらの一部に関するプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又は任意のそれらの組み合わせを含む、工程と;c)上記物体を製造するための1つ以上のプロセス制御パラメータの予測された最適なセット又はシーケンスを提供する工程であって、ここで、1つ以上のプロセス制御パラメータの予測された最適なセットは、工程(b)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して得られる、工程と;d)上記物体を製造するために自由形式の堆積プロセス又は接合プロセスを実施する工程であって、ここで、上記1つ以上のプロセス制御パラメータをリアルタイムで調整するためのリアルタイムプロセス特性評価データが、入力として機械学習アルゴリズムに提供される、工程とを含む。
幾つかの実施形態では、工程(b)−(d)は反復して実行され、各反復に関するプロセス特性評価データ、インプロセス検査データ、構築後検査データ、又はそれらの任意の組み合わせは、トレーニングデータセットに組み込まれる。幾つかの実施形態では、上記自由形式の堆積プロセス又は接合プロセスは、ステレオリソグラフィ(SLA)、デジタル光処理法(DLP)、熱溶解積層法(FDM)、選択的レーザー焼結法(SLS)、選択的レーザー溶融法(SLM)、あるいは電子ビーム溶解法(EBM)、又は溶接プロセスである。幾つかの実施形態では、上記自由形式の堆積プロセスは液体−個体自由形式の堆積プロセスである。幾つかの実施形態では、液体−個体自由形式の堆積プロセスはレーザー金属ワイヤー積層プロセスである。幾つかの実施形態では、プロセスシュミレーションデータは、有限要素解析(FEA)、有限体積解析(FVA)、有限差分解析(FDA)、数値流体力学(CFD)計算、又は任意のそれらの組み合わせの実行によって提供される。幾つかの実施形態では、予測又は制御される1つ以上のプロセス制御パラメータは、物質堆積のレート、堆積装置の変異のレート、堆積装置の加速率、堆積装置の変異の方向、時間に応じた堆積装置の位置(ツールパス)、堆積方向に対する堆積装置の角度、意図した幾何学的形状におけるオーバーハングの角度、堆積中の物質への熱流束の強度、熱流束表面のサイズ及び形状、シールドガス流の流量及び角度、ベースプレートの温度、堆積プロセス間の周囲温度制御、堆積前の堆積物質の温度、抵抗加熱装置の電流又は電圧の設定、誘導加熱装置の電圧周波数又は振幅、堆積物質の選択、1つを超える堆積材料が使用される場合の堆積材料の体積比率あるいは重量比、又は任意のそれらの組み合わせを含む。幾つかの実施形態では、プロセスシュミレーションデータは、指定された入力処理制御パラメータのセットに応じて、堆積物の容積又は頂点温度、堆積物の冷却速度、堆積物の化学組成、堆積物中の成分の分離状態、堆積物の幾何学的特性、堆積中の物質から出る熱流束の強度、堆積物からの電磁放射、堆積物からのアコースティックエミッション、又は任意のそれらの組み合わせの予測を含む。幾つかの実施形態では、プロセス特性評価データは、堆積物の容積又は頂点温度、堆積物の冷却速度、堆積物の化学組成、堆積物中の成分の分離状態、堆積物の幾何学的特性、物質堆積のレート、堆積装置の変異のレート、堆積装置の位置(ツールパス)、堆積方向に対する堆積装置の角度、堆積装置の状態標識、堆積した幾何学的形状におけるオーバーハングの角度、意図した幾何学的形状におけるオーバーハングの角度、堆積中の物質への熱流束の強度、堆積中の物質から出る熱流束の強度、堆積物からの電磁放射、堆積材料からのアコースティックエミッション、堆積材料の電気伝導率、堆積物質の熱伝導率、製造されている物体の幾何学的形状における欠陥、又は任意のそれらの組み合わせを含む。幾つかの実施形態では、インプロセス又は構築後検査データは、表面仕上げの視覚的又はマシンビジョンベースの検査、表面の亀裂あるいは気孔の視覚的又はマシンビジョンベースの検査、強度、硬度、延性、疲労などの機械的特性のテスト、組成などの化学的特性のテスト、構成物質の分離、X線回折又は画像化、CTスキャン、超音波映像、渦電流センサアレイ測定、あるいはサーモグラフィーなどの欠陥の特性評価方法、又は任意のそれらの組み合わせからのデータを含む。幾つかの実施形態では、機械学習アルゴリズムは、教師あり学習アルゴリズム、教師なし学習アルゴリズム、半教師あり学習アルゴリズム、強化学習アルゴリズム、ディープ学習アルゴリズム、又は任意のそれらの組み合わせを含む。幾つかの実施形態では、機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズム、ガウスプロセス回帰アルゴリズム、ロジスティックモデルツリーアルゴリズム、ランダムフォレストアルゴリズム、ファジィクラシファイアアルゴリズム、デシジョンツリーアルゴリズム、階層的クラスタリングアルゴリズム、K平均法アルゴリズム、ファジィクラスタリングアルゴリズム、ディープボルツマン機械学習アルゴリズム、ディープ畳み込みニューラルネットワークアルゴリズム、ディープ再帰ニューラルネットワーク、又は任意のそれらの組み合わせを含む。幾つかの実施形態では、機械学習アルゴリズムは人工ニューラルネットワークを含む。幾つかの実施形態では、人工ニューラルネットワークは、入力層、出力層、及び少なくとも1つの隠れた層を含む。幾つかの実施形態では、人工ニューラルネットワークは、入力層、出力層、及び少なくとも5つの隠れた層を含む。幾つかの実施形態では、人工ニューラルネットワークは、入力層、出力層、及び少なくとも10の隠れた層を含む。幾つかの実施形態では、入力層におけるノードの数は少なくとも10である。幾つかの実施形態では、入力層におけるノードの数は少なくとも100である。幾つかの実施形態では、入力層におけるノードの数は少なくとも1,000である。幾つかの実施形態では、プロセス特性評価データの少なくとも1つのストリームは、少なくとも10Hzのレートで機械学習アルゴリズムに提供される。幾つかの実施形態では、プロセス特性評価データの少なくとも1つのストリームは、少なくとも100Hzのレートで機械学習アルゴリズムに提供される。幾つかの実施形態では、プロセス特性評価データの少なくとも1つのストリームは、少なくとも1,000Hzのレートで機械学習アルゴリズムに提供される。幾つかの実施形態では、1つ以上のプロセス制御パラメータは、少なくとも10Hzのレートで調整される。幾つかの実施形態では、1つ以上のプロセス制御パラメータは、少なくとも100Hzのレートで調整される。幾つかの実施形態では、1つ以上のプロセス制御パラメータは、少なくとも1,000Hzのレートで調整される。幾つかの実施形態では、上記方法は、堆積装置、センサ、及びプロセッサを有する単一の統合システムを使用して実施される。幾つかの実施形態では、上記方法は、第1の堆積装置、第1のセンサ、及び第1のプロセッサを含む分散型モジュラーシステムを使用して実施され、ここで、第1の堆積装置、第1のセンサ、及び第1のプロセッサは、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介して、トレーニングデータ及び/又はリアルタイムプロセス特性評価データを共有するように構成される。幾つかの実施形態では、トレーニングデータセットはインターネットクラウド内に存在する。幾つかの実施形態では、第1の堆積装置、第1のセンサ、及び第1のプロセッサ間のデータの共有は、データ圧縮アルゴリズム、データ特徴抽出アルゴリズム、あるいはデータ次元削減アルゴリズムの使用により促進される。幾つかの実施形態では、トレーニングデータセットは、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介してデータを共有するように構成される複数の堆積装置及びセンサ間で共有され、上記複数の堆積装置及びセンサからのデータを用いて更新される。幾つかの実施形態では、トレーニングデータセットは、入力プロセス制御パラメータを手動で調整する間に熟練オペレータによって生成される、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいは任意のそれらの組み合わせをさらに含む。幾つかの実施形態では、機械学習アルゴリズムのトレーニングの一部として、機械学習アルゴリズムは、1つ以上のプロセス制御パラメータのセットの各々について指定された範囲内の値を無作為に選択し、結果として生じるプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいは任意のそれらの組み合わせをトレーニングデータセットへと組み込み、プロセス結果に対して、プロセス制御パラメータ値をマッピングする学習されたモデルを改善する。
さらに、自由形式の堆積プロセスあるいは接合プロセスを制御するためのシステムが本明細書において開示され、上記システムは:a)入力設計幾何学的形状に基づいて物体を製造することができる第1の堆積装置と;b)1つ以上のプロセスパラメータあるいは物体の特性に関するリアルタイムデータを提供する、1つ以上のプロセス特性評価センサと;c)(i)1つ以上の入力プロセス制御パラメータの予測された最適なセットを提供し、(ii)1つ以上のプロセス特性評価センサによって提供されるリアルタイムプロセス特性評価データのストリームに基づいて、1つ以上のプロセス制御パラメータをリアルタイムで調整するようにプログラムされるプロセッサと、を含み、ここで、予測及び調整は、トレーニングデータセットを使用してトレーニングされた機械学習アルゴリズムを使用して得られる。
幾つかの実施形態では、システムは、コンピュータメモリーデバイスを機械学習アルゴリズムソフトウェア内に含み、1つ以上のプロセス特性評価センサからのセンサデータ、1つ以上のプロセス制御パラメータの予測又は調整された値、トレーニングデータセット、あるいはそれらの任意の組み合わせが記憶される。幾つかの実施形態では、第1の堆積装置、1つ以上のプロセス特性評価センサ、及びプロセッサは、単一の統合システムに組み込まれる。幾つかの実施形態では、第1の堆積装置、1つ以上のプロセス特性評価センサ、及びプロセッサは、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介して、トレーニングデータ及び/又はリアルタイムプロセス特性評価データを共有する分散型システムモジュールとして構成される。幾つかの実施形態では、トレーニングデータセットは、インターネットクラウド内に存在し、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介してデータを共有するように構成される複数の堆積装置及びセンサ間で共有され、上記複数の堆積装置及びセンサからのデータを用いて更新される。幾つかの実施形態では、工程(a)の物体と同じ又は異なる複数の物体に関するプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいは任意のそれらの組み合わせを含む。幾つかの実施形態では、1つ以上のプロセス特性評価センサは、温度センサ、位置センサ、運動センサ、タッチ/近接センサ、加速度計、プロフィルメータ、ゴニオメーター、イメージセンサ及びマシンビジョンシステム、電気伝導率センサ、熱伝導率センサ、ストレインゲージ、ジュロメーター、X線回折、イメージング デバイス、CTスキャン装置、超音波映像装置、渦電流センサアレイ、サーモグラフ、堆積装置の状態標識、あるいは任意のそれらの組み合わせを含む。幾つかの実施形態では、1つ以上のプロセス特性評価センサは、少なくとも1つのレーザー干渉計、マシンビジョンシステム、あるいは、物体によって反射、散乱、吸収、透過、又は放出される電磁放射線を検出するセンサを含む。幾つかの実施形態では、マシンビジョンシステムは、物体寸法の測定に使用される可視光ベースのシステムとして構成される。幾つかの実施形態では、マシンビジョンシステムは、物体表面仕上げの測定に使用される可視光ベースのシステムとして構成される。幾つかの実施形態では、マシンビジョンシステムは、物体内の物体温度あるいは熱流束の測定に使用される赤外線ベースのシステムとして構成される。幾つかの実施形態では、マシンビジョンシステムは、物体の物質特性の測定に使用されるX線回折ベースのシステムとして構成される。幾つかの実施形態では、予測あるいは調整される1つ以上のプロセス制御パラメータは、物質堆積のレート、堆積装置の変異のレート、堆積装置の加速率、堆積装置の変異の方向、堆積方向に対する堆積装置の角度、堆積中の物質への熱流束の強度、熱流束表面のサイズ及び形状、シールドガス流の流量及び角度、堆積装置の温度、堆積プロセス間の周囲温度制御、堆積前の堆積物質の温度、抵抗加熱装置の電流又は電圧の設定、誘導加熱装置の電圧周波数又は振幅、堆積物質の選択、1つを超える堆積材料が使用される場合の堆積材料の体積比率あるいは重量比、あるいはそれらの任意の組み合わせを含む。幾つかの実施形態では、機械学習アルゴリズムは、教師あり学習アルゴリズム、教師なし学習アルゴリズム、半教師あり学習アルゴリズム、強化学習アルゴリズム、ディープ学習アルゴリズム、又は任意のそれらの組み合わせを含む。幾つかの実施形態では、機械学習アルゴリズムは人工ニューラルネットワークを含む。幾つかの実施形態では、人工ニューラルネットワークは、入力層、出力層、及び少なくとも5つの隠れた層を含む。幾つかの実施形態では、入力層におけるノードの数は少なくとも100である。幾つかの実施形態では、リアルタイムプロセス特性評価データの少なくとも1つのストリームは、少なくとも100Hzのレートで機械学習アルゴリズムに提供される。幾つかの実施形態では、1つ以上のプロセス制御パラメータは、少なくとも100Hzのレートで調整される。
物体欠陥の自動分類のための方法が本明細書において開示され、上記方法は:b)トレーニングデータセットを提供する工程であって、ここで、該トレーニングデータセットは、物体の設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状に関する製造プロセスシュミレーションデータ、製造プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又は任意のそれらの組み合わせを含む、工程と;b)1つ以上のプロセスパラメータあるいは物体の特性に関するリアルタイムデータを提供する、1つ以上のセンサを提供する工程と;c)工程(a)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して、検出された物体欠陥の分類を提供するようにプログラムされるプロセッサを提供する工程であって、ここで、1つ以上のセンサからのリアルタイムデータが、入力として機械学習アルゴリズムに提供され、検出された物体欠陥の分類をリアルタイムで調整することを可能にする、工程とを含む。
幾つかの実施形態では、上記方法は、機械学習アルゴリズムに提供される前に、1つ以上のセンサによって提供される物体の特性データからノイズを除去する工程をさらに含む。幾つかの実施形態では、ノイズは、信号平均化アルゴリズム、平滑化フィルタアルゴリズム、カルマンフィルタアルゴリズム、非線形フィルタアルゴリズム、全変動最小化アルゴリズム、あるいは任意のそれらの組み合わせを使用して、物体特性データから除去される。幾つかの実施形態では、1つ以上のセンサは、物体によって反射、散乱、吸収、透過、あるいは放出される電磁放射線に関するデータを提供する。幾つかの実施形態では、1つ以上のセンサは、イメージセンサあるいはマシンビジョンシステムを含む。幾つかの実施形態では、電磁放射線は、紫外線、可視光、あるいは赤外線である。幾つかの実施形態では、1つ以上のセンサは、物体によって反射、散乱、吸収、透過、あるいは放出される音響エネルギー又は力学的エネルギーに関するデータを提供する。幾つかの実施形態では、基準データセットの減算は、物体の正常な特徴と欠陥のある特徴と間の対比を増加させるために使用される。幾つかの実施例では、1つ以上のセンサは、電気伝導率あるいは物体の熱伝導率に関するデータを提供する。幾つかの実施形態では、機械学習アルゴリズムは、教師あり学習アルゴリズム、教師なし学習アルゴリズム、半教師あり学習アルゴリズム、強化学習アルゴリズム、ディープラーニングアルゴリズム、又は任意のそれらの組み合わせを含む。幾つかの実施形態では、1つ以上のセンサの少なくとも1つは、少なくとも100Hzのレートで機械学習アルゴリズムに入力として提供される。幾つかの実施形態では、検出された物体欠陥の分類は、少なくとも100Hzのレートで調整される。幾つかの実施形態では、検出された物体欠陥は、サポートベクターマシン(SVM)、人工ニューラルネットワーク(ANN)、あるいは決定木ベースのエキスパート学習システムを使用して分類される。幾つかの実施形態では、物体欠陥は、指定された閾値より大きい物体特性データと基準データセットの間の差として検出され、1クラスサポートベクターマシン(SVM)あるいは自動エンコーダアルゴリズムを使用して分類される。幾つかの実施形態では、物体欠陥は、教師なし1クラスサポートベクターマシン(SVM)、自動エンコーダ、クラスタリング、あるいは最近傍(kNN)機械学習アルゴリズム、及び欠陥がある物体と欠陥がない物体に関する物体特性データを含むトレーニングデータセットを使用して、検出及び分類される。
自由形式の堆積プロセス又は接合プロセスのリアルタイム適応制御のための方法が本明細書に開示され、上記方法は:a)物体に関する入力設計幾何学的形状を提供する工程と;b)トレーニングデータセットを提供する工程であって、ここで、上記トレーニングデータセットは、工程(a)の入力設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状あるいはそれらの一部に関するプロセスシュミレーションデータ、特性評価データ、インプロセス検査データ、構築後検査データ、又は任意のそれらの組み合わせを含む、工程と;c)物体を製造するために、自由形式の堆積プロセス又は接合プロセスを開始するための1つ以上のプロセス制御パラメータの1セット又はシーケンスを提供する工程と;d)上記物体を製造するために自由形式の堆積プロセス又は接合プロセスを実施する工程であって、ここで、上記1つ以上のプロセス制御パラメータをリアルタイムで調整するためのリアルタイムプロセス特性評価データが、入力として、工程(b)のトレーニングデータセットを使用してトレーニングされている機械学習アルゴリズムに提供される、工程とを含む。幾つかの実施形態では、自由形式の堆積プロセスあるいは接合プロセスを開始するための1つ以上のプロセス制御パラメータの予測された最適なセットあるいはシーケンスはさらに、機械学習アルゴリズムを使用して得られる。
<引用による組み込み>
本明細書で言及されるすべての出版物、特許、及び、特許出願は、各々の出版物、特許、又は、特許出願が、具体的かつ個別に参照することによってその全体が組み込まれると意図されるのと同じ程度まで、参照によってその全体が本明細書に組み込まれる。本明細書の用語と組み込まれた参照の用語との間に矛盾がある場合には、本明細書の用語が支配する。
本発明の新しい特徴は、特に、添付の特許請求の範囲内に明記される。本発明の特徴及び利点のより良い理解は、本発明の原理が用いられる実施形態を説明する以下の詳細な説明と、以下の添付図面とを引用することによって得られるであろう。
自由形式の堆積プロセス(例えば、付加製造プロセス)のリアルタイム適応制御を提供するための機械学習ベースシステムの概略図を提供する。 本開示の幾つかの実施形態にかかる、物質堆積プロセス(例えば、レーザー金属ワイヤー積層プロセス)のための例示的セットアップの概略図である。 A−Cは、付加製造プロセスを使用した材料堆積のための、連続的な渦巻形の「二次元」層(有限厚)及び関連する螺旋形のツールパス(図3のA)、あるいは積み重ねられた一連の「二次元」層及び関連する円形の層ごとのツールパス(図3のB)への、三次元物体に対するCAD設計の変換の概略図を提供する。Cは、ロボット操作された堆積ツールのためのツールパス、及び付加製造プロセスを使用して製造された結果としてもたらされる物体のシミュレーションを例証する。 レーザー金属ワイヤー積層の溶融プールのモデリングのFEAシミュレーションデータの例を提供する。レーザー金属ワイヤー積層プロセスによって堆積されている溶融プール中の材料の液体画分について、色分けされた三次元のFEAシミュレーションデータの等角図である。 レーザー金属ワイヤー積層の溶融プールのモデリングのFEAシミュレーションデータの例を提供する。溶融プール中の材料の液体画分についてのFEAシミュレーションデータの断面図である。 レーザー金属ワイヤー積層の溶融プールのモデリングのFEAシミュレーションデータの例を提供する。溶融プール中の材料の静温度について色分けされた三次元のFEAシミュレーションデータの断面図である。 付加製造システム(つまり、レーザー金属ワイヤー積層システム)の特定のタイプの非限定的例の図である。 A−Bは、干渉計使用法を使用して、製造過程の特徴監視の1つの非限定的な例を示す。Aは、ワイヤー供給及びレーザー金属ワイヤー積層プロセスの光で覆われた溶融プールの幾何学的形状を調査するために使用されるレーザービームの概略図を示す。Bは、ワイヤー供給(実線;ピーク)及び以前に堆積した層(実線;肩)ならびに結果としてもたらされる溶融プール(破線)の断面プロファイル(つまり、堆積の幅にわたる高さプロファイル)を示す。X軸(幅)次元は任意単位でプロットされる。Y軸(高さ)次元は、堆積層より下の固定基準点に関してミリメートルの単位でプロットされる。 A−Cは、マシンビジョンシステムを使用して得られたレーザー金属ワイヤー積層プロセスの画像からのインプロセス特徴抽出の1つの非限定的な例を示す。Aは、マシンビジョンシステムから得た生の画像ストリームである。Bは、ノイズ除去、フィルタリング、及びエッジ検出アルゴリズムが適用された後の処理画像である。Cは、特徴抽出アルゴリズムを適用した後の処理画像である。 本開示の幾つかの実施形態にかかる、強化学習アルゴリズムの行動予測−報酬ループを例示する。 手動で制御された堆積プロセス中に人間オペレータが選択する行動の監視に基づく報酬関数の構築を例示する。 本開示の幾つかの実施形態にかかる人工ニューラルネットワーク、及び付加製造の堆積プロセスのリアルタイム適応制御を提供するために使用されるニューラルネットワークの入力と出力の例の概略図を提供する。 人工ニューラルネットワークの層内におけるノードの機能の概略図を提供する。 付加製造の堆積装置、マシンビジョンシステム及び/又は、他のプロセス監視ツール、プロセスシュミレーションツール、構築後検査ツール、ならびに機械学習アルゴリズムを実行するためのプロセッサを含む統合システムの概略図を提供し、ここで、上記プロセッサは、堆積プロセスのリアルタイム適応制御を提供するために、マシンビジョン及び/又はプロセス監視ツール、プロセスシュミレーションツール、構築後検査ツール、あるいはそれらの任意の組み合わせからのデータを利用する。 付加製造の堆積装置、マシンビジョンシステム及び/又は、他のプロセス監視ツール、プロセスシュミレーションツール、構築後検査ツール、ならびに機械学習アルゴリズムを実行するためのプロセッサを含む分散型システムの概略図を提供し、ここで、上記プロセッサは、堆積プロセスのリアルタイム適応制御を提供するために、マシンビジョン及び/又はプロセス監視ツール、プロセスシュミレーションツール、構築後検査ツール、あるいはそれらの任意の組み合わせからのデータを利用する。幾つかの実施形態では、システムの異なるコンポーネントあるいはモジュールは、異なるワークスペース及び/又はワークサイトに物理的に置かれ、及び、プロセスデータ(例えば、トレーニングデータ、プロセスシュミレーションデータ、プロセス制御データ、及び構築後検査データ)ならびにプロセス制御命令が、様々なモジュール間で共有及び交換され得るように、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介して関連づけられてもよい。 教師なし特徴抽出及びデータ圧縮プロセスの非限定的な例を示す。 物体欠陥の分類のための教師なし機械学習プロセスの非限定的な例について、予測された結果を例示する。 A−Cは、処理後画像の特徴抽出、及び構築時の動作との相関の例を提供する。Aは、構築プロセスが完了した後の部品の画像である。Bは、構築後検査の出力(CTスキャン)である。Cは、自動特徴抽出後のBのCTスキャン画像であり;自動特徴抽出は、部品特徴と構築時の動作を相関させることを可能にする。
物体、例えば、付加製造プロセス又は溶接プロセスを用いて製造された物体欠陥の自動分類のための方法が本明細書に開示され、上記方法は:b)トレーニングデータセットを提供する工程であって、ここで、上記トレーニングデータセットは、上記物体と同じ又は異なる複数の物体の設計幾何学的形状に関する、製造プロセスシュミレーションデータ、製造プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又は任意のそれらの組み合わせを含む、工程と;b)1つ以上のプロセスパラメータあるいは物体の特性に関するリアルタイムデータを提供する、1つ以上のセンサを提供する工程と;c)工程(a)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して、検出された物体欠陥の分類を提供するようにプログラムされるプロセッサを提供する工程であって、ここで、1つ以上のセンサからのリアルタイムデータが、入力として機械学習アルゴリズムに提供され、検出された物体欠陥の分類をリアルタイムで調整することを可能にする、工程とを含む。さらに、物体欠陥の自動分類を実施するように設計されたシステムが開示される。
付加製造あるいは溶接プロセスのリアルタイム適応制御のための方法が本明細書において開示され、上記方法は:a)物体に関する入力設計幾何学的形状を提供する工程と;b)トレーニングデータセットを提供する工程であって、ここで、上記トレーニングデータセットは、工程(a)又はその任意の一部の入力設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状に関するプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又は任意のそれらの組み合わせを含む、工程と;c)上記物体を製造するための1つ以上のプロセス制御パラメータの予測された最適なセット/シーケンスを提供する工程であって、ここで、上記1つ以上のプロセス制御パラメータの予測された最適なセットは、工程(b)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して得られる、工程と;d)上記物体を製造するために付加製造あるいは溶接プロセスを実施する工程であって、ここで、上記1つ以上のプロセス制御パラメータをリアルタイムで調整するためのリアルタイムプロセス特性評価データが、入力として機械学習アルゴリズムに提供される工程と、を含む。さらに、図1で概略的に例示されるように、これらの方法を実施するように設計されたシステムが開示される。図1に示されるように、幾つかの実施形態では、付加製造あるいは溶接プロセスの適応リアルタイム制御のための開示される方法は、例えば、システムの異なるコンポーネント又はモジュールが異なるワークスペース、異なるワークサイト、あるいは異なる地理的位置に物理的に置かれ、ならびに、プロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データを処理し、及び/又は適応プロセス制御命令が電気通信ネットワークあるいはインターネットを用いて場所間で共有及び交換される、分散型システムを使用して実施され得る。
本明細書で使用されるように、用語「堆積プロセス」及び「自由形式の堆積プロセス」は、様々な液体−個体の自由形式の堆積プロセス、個体−個体の自由形式の堆積プロセス、付加製造プロセス、溶接プロセスなどのいずれかを指し得る。幾つかの実施形態では、以下により詳細に記載されるように、開示される方法及びシステムは、限定されないが、熱溶解積層法(FDM)、選択的レーザー焼結法(SLS)、あるいは選択的レーザー溶融法(SLM)を含む、様々な付加製造プロセスのいずれかを指し得る。幾つかの好ましい実施形態では、付加製造プロセスは、液体−個体の自由形式の堆積プロセス(例えば、レーザー金属ワイヤー堆積プロセス)あるいは溶接プロセス(例えば、レーザ溶接プロセス)を含み得る。
幾つかの実施形態では、プロセスシュミレーションデータは、物体欠陥の自動分類、プロセス制御パラメータの最適なセット又はシーケンスの予測、プロセス制御パラメータのリアルタイムでの調整、あるいはそれらの任意の組み合わせを可能にする機械学習アルゴリズムによって使用されるトレーニングデータセットに組み込まれてもよい。例えば、有限要素解析(FEA)などのプロセスシュミレーションツールは、プロセス制御パラメータの指定されたセットの機能として様々な製造材料のいずれかから、物体あるいはその特定の部分(例えば、特徴)を製造するプロセスをシミュレートするために使用されてもよい。幾つかの実施形態では、プロセスシュミレーションツールは、指定された物体あるいは物体の特徴を製造するためのプロセス制御パラメータの最適なセット又はシーケンスを予測するために使用されてもよい。
幾つかの実施形態では、プロセス特性評価データは、物体欠陥の自動分類、プロセス制御パラメータの最適なセット又はシーケンスの予測、プロセス制御パラメータのリアルタイムでの調整、あるいはそれらの任意の組み合わせを可能にする機械学習アルゴリズムによって使用されるトレーニングデータセットに組み込まれてもよい。例えば、以下でより詳細に記載されるように、プロセス特性評価データは、様々なセンサあるいはマシンビジョンシステムのいずれかによって提供され得る。幾つかの実施形態では、プロセス特性評価データは、付加製造装置のプロセス制御パラメータをリアルタイムで更新するために、機械学習アルゴリズムに供給され得る。
幾つかの実施形態では、インプロセスあるいは構築後検査データは、物体欠陥の自動分類、プロセス制御パラメータの最適なセット又はシーケンスの予測、プロセス制御パラメータのリアルタイム調整、あるいはそれらの任意の組み合わせを可能にする機械学習アルゴリズムによって使用されるトレーニングデータセットに組み込まれても良い。例えば、インプロセスあるいは構築後検査データは、以下により詳細に記載されるように、物体の寸法、表面仕上げ、表面亀裂又は気孔の数などの視覚的あるいはマシンビジョンベースの測定からのデータを含み得る。幾つかの実施形態では、インプロセス検査データ(例えば、自動欠陥分類データ)は、例えば、最初に検出された時に欠陥を是正するように、是正処置を実行するプロセス制御パラメータ調整のセット又はシーケンスを決定する、例えば、層の寸法又は厚さを調整するための機械学習アルゴリズムによって使用されてもよい。幾つかの実施形態では、インプロセス検査データ(例えば、自動欠陥分類データ)は、警告又はエラー信号をオペレータに送るために、あるいは随意に、堆積プロセス(例えば、付加製造プロセス)を自動的にアボートするために、機械学習アルゴリズムによって使用されてもよい。
幾つかの実施形態では、トレーニングデータセットは、反復して実施される付加製造プロセスの各反復後に、追加のプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいはそれらの任意の組み合わせを用いて更新される。幾つかの実施形態では、トレーニングデータセットは、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいはそれらの任意の組み合わせをさらに含み、それは、指定された物体又は部品のセットを生成するために、付加製造プロセスの入力プロセス制御パラメータを手動で設定しながら、あるいは、生成されている物体又は部品の指定された質を維持するために、プロセスパラメータ又は環境変数の変化に応じてプロセス制御パラメータを手動で調整する間に熟練オペレータによって生成される。幾つかの実施形態では、トレーニングデータセットは、連続的にあるいは並行して動作する複数の付加製造装置から収集されるプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいはそれらの任意の組み合わせを含み得る。
当業者に既知の様々な機械学習アルゴリズムが、付加製造あるいは溶接プロセスの自動物体欠陥分類及び適応制御のための開示された方法を実施するために使用されてもよい。以下により詳細に記載されるように、例としては、限定されないが、人工ニューラルネットワークアルゴリズム、ガウス過程による回帰アルゴリズム、ファジイ論理ベースのアルゴリズム、デシジョンツリーアルゴリズムなどが挙げられる。幾つかの実施形態では、1つを超える機械学習アルゴリズムが使用される場合もある。例えば、物体欠陥の自動分類は、あるタイプの機械学習アルゴリズムを使用して実施されてもよく、適応リアルタイムプロセス制御は、異なるタイプの機械学習アルゴリズムを使用して実施されてもよい。幾つかの実施形態では、2、3、4、あるいは5つ以上の異なるタイプの機械学習アルゴリズムから引き出された特徴及び特性を含むハイブリッド機械学習アルゴリズムが、開示される方法ならびにシステムを実施するために使用され得る。
幾つかの実施形態では、物体欠陥の自動分類及び適応リアルタイム制御のための開示される方法は、特定のワークスペースにおいて共存し、ならびに、スタンドアローンの自己内蔵型システムを形成するために統合されるコンポーネント(例えば、付加製造装置及び/又は溶接装置、プロセス制御モニターあるいはセンサ、マシンビジョンシステム、及び/又は構築後検査ツール)を使用して実施されてもよい。幾つかの実施形態では、開示される方法は、プロセスデータ(例えば、トレーニングデータ、プロセスシュミレーションデータ、プロセス制御データ、ならびに構築後検査データ)及びプロセス制御命令が、異なるモジュール間で共有及び交換され得るように、異なるワークスペース及び/又は異なるワークサイトに分配され、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介して関連づけられるモジュラーコンポーネント(例えば、付加製造装置及び/又は溶接装置、プロセス制御モニターあるいはセンサ、マシンビジョンシステム、及び/又は構築後検査ツール)を使用して実施されてもよい。幾つかの実施形態では、プロセスデータが2つ以上の付加製造及び/又は溶接装置制御システム間で共有され、かつ分散型システム全体に関するトレーニングデータセットを更新するために使用されるように、複数の付加製造装置及び/又は溶接装置が同じ分散型システムに関連づけられる。
付加製造装置及び/又は溶接装置の自動物体欠陥分類及び適応リアルタイム制御用システムのための開示される方法は、プロセスの歩留まり、プロセススループット、ならびに生成される部品の質の改善と同様に、プロセス又は環境パラメータの変化に応じて使用されるプロセス制御パラメータの迅速な最適化及び調整のために提供され得る。方法及びシステムは、様々な技術分野、及び、限定されないが、自動車産業、航空機産業、医療機器産業、家電業界などを含む産業の部品製造に適用可能である。
別段の定めのない限り、本明細書で使用されるすべての技術用語は、本開示が属する技術分野の当業者によって一般に理解されるのと同じ意味を持つ。本明細書及び添付の請求項で使用されるように、単数形の「a」、「an」及び「the」は、文脈上明確に指示されない限り、複数の言及も含む。本明細書の「又は」へのあらゆる言及は、特に他に明記のない限り、「及び/又は」を包含することを意図している。
本明細書において使用されるように、用語「自由形式の堆積プロセス」は、様々な液体−個体の自由形式の堆積プロセス、個体−個体の自由形式の堆積プロセス、付加製造プロセス、溶接プロセスなどのいずれかを指し得る。
本明細書において使用されるように、用語「接合プロセス」は、様々な溶接プロセスのいずれかを指し得る。
本明細書において使用されるように、用語「データストリーム」は、情報を送信あるいは受信するために使用される連続的又は不連続的あるいは一連のアナログ又はデジタルコードされた信号(例えば、電圧信号、電流信号、空間的にコードされた光強度及び/又は波長データを含む画像データなど)を指す。
本明細書において使用されるように、用語「プロセスウインドウ」は、特定の製造プロセスが定義された結果をもたらすプロセス制御パラメータ値の範囲を指す。幾つかの例において、プロセスウインドウは、複数のプロセス制御パラメータに応じてプロットされるプロセス出力のグラフによって例示することができ、それは、プロセスがうまく作動するパラメータ値の範囲を示す中央領域と、プロセスが不安定になるか、又は好ましくない結果をもたらす領域を定義する外側の境界とを含む。
本明細書において使用されるように、用語「機械学習」は、教師あり学習、教師なし学習、強化学習、あるいはそれらの任意の組み合わせを実施するために使用される、様々な人工知能又はソフトウェアアルゴリズムのいずれかを指す。
本明細書において使用されるように、用語「リアルタイム」は、物体欠陥の分類を更新するか、あるいは、プロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、あるいはそれらの任意の組み合わせを含む1つ以上の入力プロセスデータストリームの変化に応じて、プロセス制御パラメータのセット又はシーケンスを更新するために、センサデータが、機械学習アルゴリズムを用いたフィードバックループにおいて取得、処理、及び/又は使用される速度を指す。
<付加製造プロセス>
用語「付加製造」は、一連の二次元の断面堆積マップに従って、材料の多数の薄い層を堆積することにより、三次元デジタルモデル(CAD設計)を三次元物体に変換することを可能にする、部品のラピッドプロトタイピング及びマニュファクチャリング(rapid prototyping and manufacturing)のための汎用的な製造技術の集合を指す。付加製造は、「ダイレクト・デジタル・マニュファクチュアリング」「固体自由形式製造」、「液固体自由形式製造」、あるいは「3Dプリンティング」とも呼ばれ、液体、粉体、及び溶融物を含む様々な状態の材料の堆積を含み得る。金属、合金、セラミック、ポリマー、複合材、風通しのよい構造物、多相材料を含む様々な物質が、付加製造を使用して処理され得る。付加製造プロセスの主な利点の1つは、仮想設計をすぐに使える(あるいは、ほとんどすぐに使える)部品に変換するのに必要な製造工程数が少ないことである。他の主な利点は、従来の機械加工、押出、あるいは成形技術を使用して製造するのが容易でない複雑な形状を処理できることである。
開示される物体欠陥の分類及び適応プロセス制御の方法が適用され得る付加製造技術の特定の例としては、限定されないが、ステレオリソグラフィ(SLA)、デジタル光処理法(DLP)、熱溶解積層法(FDM)、選択的レーザー焼結法(SLS)、選択的レーザー溶融法(SLM)、あるいは電子ビーム溶解法(EBM)が挙げられる。
ステレオリソグラフィ(SLA):ステレオリソグラフィでは、液体紫外線硬化性樹脂のタンクを、スキャンされたレーザービームと組み合わせて使用して、二次元露光パターンに従って、樹脂の1つの薄層を一度に硬化させる。1層が完了すると、硬化したベッド又はベースがわずかにタンクへと下がり、別の層が硬化する。部品が完成するまで、構築プラットフォームは層を硬化し、下降する工程のサイクルを繰り返す。プロセスの各サイクルに必要な時間は、部品の断面積及び必要な空間分解能に依存する。部品が完成するまでに、部品は未硬化樹脂に完全に沈められる。その後、それはタンクから引き出され、紫外線オーブンにおいて随意にさらに硬化され得る。
デジタル光処理法(DLP):デジタル光処理法は、液体のポリマーのバットが、セーフライト状況下で、DLPプロジェクタ(例えば、1つ以上のデジタマイクロミラーアレイデバイスを使用する)からの光にさらされる、ステレオリソグラフィの変形である。DLPプロジェクタは、3Dモデルの画像を液体ポリマーに投影する。露光した液体ポリマーは硬化し、構築プレートは下へと移動し、液体ポリマーはもう一度光にさらされる。上記プロセスは、3D物体が完成し、バットから液体が排出されて、固形化したモデルを明らかにするまで繰り返される。DLPの3Dプリンティングは高速であり、かつ他の技術よりも高い分解能で物体をプリントすることができる。
熱溶解積層法(FDM):熱溶解積層法は、3Dプリンティングの最も一般的な形態の1つであり、熱溶解フィラメント製法(FFF)とも呼ばれることもある。FDMプリンタは、様々なプラスチックあるいはポリマーでプリントすることができ、典型的には、支持材を用いてプリントすることができる。FDMプリンタは、入力プラスチックフィラメントが液体になるように過熱し、その後、材料を薄い層に押し出して、層ごとのプロセスで物体をゆっくりと製造する押出機ヘッドを使用する。
選択的レーザー焼結法(SLS):選択的レーザー焼結法は、レーザーを使用して、層ごとに材料を一緒に融合する。粉体の層が構築プラットフォームに押し出され、それが液体状態を通過することなく融合するように、レーザーによって加熱される(場合によっては、圧縮もされる)。それが完了すると、粉体の別の層が適用され、再び加熱される。残りの材料がそれを真っ直ぐに保持するため、上記プロセスは支持材を必要としない。部品の完成後、部品をパウダーベッドから取り除き、余分な材料を落とす。
選択的レーザー溶融法(SLM):選択的レーザー溶融法は、選択的レーザー焼結法及び直接金属レーザー焼結法(DMLS)(Yap, et al. (2015), “Review of Selective Laser Melting: Materials and Applications”, Applied Physics Reviews 2:041101)の変形である。高出力レーザーを使用して、金属粉末を融解及び融合する。層内ならびに層間で粉末を選択的に融解及び融合させることによって、部品が構築される。上記技術は直接書き込み技術(direct write technique)であり、最大99.9%の相対密度でニアネットシェイプ部品(つまり、最終(ネット)シェイプに非常に近い製造された部品であるため、表面処理の必要性を減少させ、生産コストを大幅に減少させる)を生産することが証明されている。これにより、上記プロセスは、ほぼ完全な密度の機能部品を構築することができる。光ファイバー及び高出力レーザーの分野における最近の発展により、SLMが、銅、アルミニウム、及びタングステンなどの様々な金属材料を処理することをさらに可能にし、セラミック及び複合材料のSLMにおける研究の機会を開いた。
電子ビーム溶解法(EBM):電子ビーム溶解法は、選択的レーザー溶融法と類似する付加製造技術である。EBM技術は、高真空下で、電子ビームで金属粉末を層ごとに溶解することによって、部品を製造する。焼結技術とは対照的に、EBM及びSLMの両方は、金属粉末の完全な溶解を達成する。このパウダーベッド方法は、ターゲット材の特徴を有する金属粉末から直接、高密度の金属部品を生成する。EBM堆積装置は、3DのCADモデルからデータを読み取り、粉末材料の連続する層を配置する。これらの層は、コンピュータ制御の電子ビームを利用して一緒に溶解され、部品を層ごとに構築する。上記プロセスは真空下で行なわれ、酸素への高い親和性を有する反応性物質(例えば、チタン)を使用した部品の製造に適している。上記プロセスは、多くの他の技術(最大1000℃)よりも高い温度で動作し、それは、固化及び固相移転による相形成の相違へとつながることもある。粉末原料は混合物ではなく、典型的に、あらかじめ合金化される。SLM及びDMLSと比較して、EBMは、そのより高いエネルギー密度ならびに走査法のため、一般に、より速い形成速度を有する。
レーザー金属ワイヤー積層:ある好ましい実施形態において、開示される欠陥分類ならびに適応制御方法が適用され得る付加製造プロセス及びシステムは、レーザー金属ワイヤー堆積である。レーザー金属ワイヤー堆積の中心的なプロセスは、高出力レーザーソースと金属ワイヤーの形態の添加材とを使用して、堆積材料のビーズ(単一の層を形成するために複数の堆積材料のビーズが必要とされる場合もある)を生成することである(Heralic (2012), Monitoring and Control of Robotized Laser Metal−Wire Deposition, Ph.D. Thesis, Department of Signals and Systems, Chalmers University of Technology, Goteborg, Sweden)。レーザーは、基板材料上に溶融プールを生成し、そこに、金属ワイヤーが供給されて溶解され、上記基板との冶金学的境界(metallurgical bound)を形成する。レーザー加工ヘッド及びワイヤー供給装置、つまり、堆積(又は、溶接)ツールを基板に対して移動させることによって、固化中にビーズが形成される。上記堆積ツール及び基板の相対運動は、例えば、6軸産業用ロボットアームを使用して制御され得る。以下により詳細に記載されるように、堆積層の形成が図2に例示される。
堆積を始める前に、典型的に、プロセスパラメータのセットが選択される必要があり、それに応じて機器を調整する必要がある。レーザー金属ワイヤー堆積のための重要なプロセス制御パラメータは、レーザー出力設定、ワイヤー供給速度、及び移動速度を含む。これらは、エネルギー入力、堆積レート、及び堆積される層の断面プロファイル、つまり層の高さ及び幅を制御する。堆積層の高さ(又は厚さ)は、移動速度及びレーザー出力に関連して、溶融プールに供給されるワイヤーの量によって決定される。名目上のレーザー出力、移動速度、及びワイヤー供給速度が指定されると、例えば、所与の移動速度のためのレーザービーム及び基板に対するワイヤー供給の相対的な方向を設定するための追加のパラメータが存在する場合もある。平坦面上の安定した堆積を達成するために、これらのパラメータの注意深い調整が必要である。
平坦面上の材料の均一ビーズの安定した堆積を達成するために考慮される必要があり得る、プロセス制御パラメータの例としては、制限されないが、以下のものが挙げられる。
レーザー出力:主要なプロセス制御パラメータの1つであり、レーザー出力設定は最大エネルギー入力を決定する。レーザービームのサイズ及び移動速度に応じて、レーザー出力は溶融プールのサイズも制御し、結果的に堆積ビーズの幅を制御する。
レーザー出力分布:溶融プールのダイナミクスに影響する。様々なレーザー出力(又は、ビームプロファイル)分布の非限定的な例は、階段関数及びガウス分布を含む。
レーザー/ワイヤー又はレーザー/基板の角度:プロセスウインドウ及び正確なエネルギー入力に影響する。レーザービームとワイヤー供給との間の角度は、ワイヤー供給速度の変化、及びワイヤーノズルと基板との間の距離の変動に対する堆積プロセスの感度に影響を与える。レーザービームと基板との間の角度は、基板表面からのレーザービームの反射に影響を与え、したがって、吸収されるエネルギーの量に影響を与える。
レーザービームのサイズ及び形状:溶融プールのサイズ及び形状を(レーザパワーならびに移動速度と一緒に)制御する。円形のビーム形状の使用が一般的であるが、長方形の形状も同様に使用されている(例えば、ダイオードレーザーとともに)。上記サイズは、所望のビーズ幅を反射するために選択される。
レーザービームの焦点距離:レーザービームが基板表面でどの程度コリメートされるかを制御する。結果的に、それは、焦点レンズと基板との間の距離変動に対する堆積プロセスの感度に影響を与える。
レーザー波長:堆積材料によるレーザービームの吸光度を制御する。金属について、レーザー光の吸光度は波長(及び、特定の材料)により変わる。
ワイヤー供給速度:主要なプロセス制御パラメータの1つであり、ワイヤー供給速度は、単位時間当たりの堆積した質量に影響を与える。ワイヤー供給速度は、主にビーズの高さに影響を与え、レーザー出力と移動速度に関連して選択される必要がある。
ワイヤー径:適切な溶解及び柔軟なプロセスを保証するために、レーザービームのサイズに関連して選択されるべきである。
ワイヤー/基板の角度:ワイヤーの溶解に影響し、それによって堆積プロセスの安定性にも影響する。適切な条件下で、ワイヤーと溶融プールとの間の金属の移行はスムーズで連続的である。不適切なワイヤー/基板の角度の使用は、金属移行プロセスが、結果として、(例えば、基板表面上の一連の溶滴として)球状の堆積を生じさせるか、あるいは、ワイヤーは、溶融プールに入る際に固体のままである場合がある。より大きい角度の使用は、堆積方向の感度を減少させるが、同時に、許容されるワイヤー供給速度のより小さなプロセスウインドウを結果としてもたらす。
溶融プールに対するワイヤー先端位置:ワイヤーの溶融速度に影響し、したがって、プロセスの安定性に影響する。
ワイヤーの突き出し:典型的に、ワイヤー角度あるいはワイヤー先端位置ほど重要ではでないが、突き出し距離は予想される堆積条件に応じて調整される必要があり得る。それは、主に、ワイヤーノズルと基板との間の高さの変動に対するプロセスの感度に影響する。
シールドガス:シールドガスの使用は、汚染物質及び/又は欠陥が堆積層に導入される程度に影響を与ええ得る。幾つかの実施形態では、組成、流量、及び/又は入射角は調整されてもよい。
供給方向:どの方向からワイヤーが溶融プールに入るかを決定し、それによってワイヤーの溶解に影響し、したがって金属移行プロセスに影響する。供給方向の様々な選択は、使用され得る許容されるワイヤー供給速度の範囲を変更する。場合によっては、それは、堆積ビーズの形状にも影響する場合もある。
移動速度:主要プロセス制御パラメータの1つであり、移動速度は、単位長当たりの堆積材料の量及び単位長当たりの入力エネルギーに影響を与える。より低い移動速度では、堆積材料の温度が高すぎない限り、堆積プロセスは典型的により安定している。速い移動速度では、単位長当たりの同じ量の堆積材料について、より低いエネルギー入力が得られることもある。しかし、モーション制御システムの加速及びパスの精度がより重要になる。
プロセスの安定性:上記のプロセス制御パラメータの適切な調製は、ソリッドワイヤーと溶融プールとの間の金属の移行速度に影響を与え、これは、堆積プロセスの安定性にとって重要である。一般的に:グロビュール(小滴状)移行、スムーズな移行、あるいは突入(つまり、溶融プールに入る前のワイヤーの不完全な溶解)によって金属ワイヤーを堆積することができる3つの方法がある。スムーズな移行だけが、安定した堆積プロセスを結果としてもたらす。
ワイヤー先端がレーザービーム中で長時間費やすように堆積装置がセットアップされる場合(例えば、他のプロセス制御パラメータに対して高すぎる供給角度を選択することによって)、溶融プールに入る前に溶解温度に達するだろう。その後、ソリッドワイヤーと溶融プールとの間の金属の移行は、表面張力がもはや金属の流れを維持できないポイントにまで引き伸ばされ、表面張力により引き起こされた球状の溶滴の形成及び分離を結果としてもたらすことができる。このタイプの堆積は、非常に不規則なビーズ形状及び不十分な堆積プロセスを引き起こす。一旦、グロビュール移行が開始すると、典型的にアボートするのが困難である。溶融ワイヤー先端と溶融プールとの間の物理的な接触は再確立されなければならず、プロセス制御パラメータは適切な値に調整されなければならない。
あるいは、ワイヤーが溶融プールとの交差点近くで溶解されるようにワイヤー供給角度が注意深く調整される場合、ソリッドワイヤーから溶融プールの液体金属への金属のスムーズな移行があるだろう。結果としてもたらされる堆積金属のビーズは、滑面及び基板に対して安定した冶金的結合を有するだろう。
ワイヤーを融解する別の方法は、溶融プールからの熱伝導、つまり、溶融プールへとワイヤーを突入することによる。ワイヤーを完全に溶解する溶融プール中の熱エネルギーによって提供される溶解速度に比べて、十分に低い値にワイヤー供給速度を調整するための予防措置を講じなければならない。不完全な溶解は、例えば、融合不良(LOF)欠陥を結果としてもたらし得る。LOF欠陥は、結果としてもたらされるビーズが通常のビーズ堆積と多かれ少なかれ区別ができない低いワイヤー供給速度であっても、生じ得ることに留意しなければならない。
プロセスパラメータの調整:上記のプロセス制御パラメータは、材料の選択及び上記材料を溶解するのに必要なエネルギー入力に応じて調整され、これは、順に、所望の堆積レート、変形制限、材料の粘性、及び利用可能なレーザー出力ならびにビームスポットのサイズに基づいて決定される。これらの要因は、レーザー出力、移動速度、及びワイヤー供給速度の設定を必要とする。レーザービームは、光学システムへの後方反射を回避しながら反射を最小化するために、好ましくは、溶融プールにできるだけ直交でなければならない。溶融プールに対するワイヤー先端位置は、時間単位当たりの堆積材料の選択された量に関して調整されなければならない。前方供給(front feed)構成が使用され、及び堆積レートが低い場合、ワイヤーは先端に近い溶融プールに入らなければならない。このパラメータの変更は、主に、選択されたレーザー出力ならびに移動速度について最大及び最小のワイヤー供給速度に影響する。ワイヤー先端位置に密接に関連するパラメータは、ワイヤー/基板の角度である。角度が低い場合、突入をより良い方法で利用することができるため、高いワイヤー供給速度が可能となるかもしれない。しかし、極端なワイヤー供給速度については、前方供給のみが実行可能である。その後、これは、ジグザグ又は螺旋パターンなどの複雑な堆積パスの選択を制限する。供給方向に対する堆積プロセスの感度を減少させ、それによって、任意の堆積パターンを可能にするために、ワイヤーと基板との間の角度が増加されなければならない。しかし、許容される堆積パターンに関する柔軟性の増加は、より小さなプロセスウインドウを犠牲にしてしばしば達成される。
多層の堆積:上で議論されるように、平らな基板上に材料の単一のビーズを安定して堆積させるには、プロセス制御パラメータの注意深い調整を必要とする。しかし結局、ゴールは三次元部品を堆積すること、つまり、層内に幾つかの隣接するビーズを堆積させ、層の数に対して堆積を繰り返すことである。単一のビーズの堆積から三次元部品の堆積への移行は、しばしば簡単ではない。個々の層の正確な形状、幾つかの追加の要因、例えば、堆積パターン、隣接するビーズ間の距離、及びモーション制御システムの速度ならびにパスの精度によって影響を受ける。これらの要因と結果としてもたらされる層のそれらの影響との間の関係は、複雑で予測が難しく、所与の堆積設計特微(例えば、層の高さ)を達成するのに必要なプロセス制御パラメータの調整を複雑にする。三次元部品の堆積を複雑にする要因の別の例は、熱の蓄積による部品の局所温度の潜在的な上昇であり、これは、多層の堆積中に考慮される必要がある。熱は、例えば、隣接する層の堆積間の過度に短い休止の使用により、堆積された部品に蓄積されることもある。
三次元の堆積中に生じる追加の不確実性は、プロセス安定性の視点から見て、問題を引き起こす可能性がある。例えば、達成されるべき層の高さの推定が正しくなければ、ワイヤー先端と基板との関係は、元々設定されたプロセスパラメータについて予想されたものとは異なるだろう。その結果、堆積プロセスは、溶融ワイヤーのスムーズな移行から、球状の堆積モードあるいはワイヤー突入モードのいずれかへと変更するかもしれない。結果的に、堆積プロセスが、個々の層の寸法が正確に予測できるほど十分に理解されている及び/又は厳密に制御されていない限り、三次元の堆積が連続的なオンライン監視及び/又はプロセス制御パラメータ調整を必要とすることもある。
付加製造プロセスを最適化する困難:さらに、レーザー金属ワイヤー堆積の文脈において議論された困難の幾つかは、他の付加製造プロセス(Guessasma, et al., (2015) “Challenges of Additive Manufacturing Technologies from an Optimisation Perspective”, Int. J. Simul. Multisci. Des. Optim. 6, A9)にも適用可能である。三次元のCADモデルからのツールパスの生成は、第1の課題を表す。ほとんどの付加製造技術は、連続した層ごとの製造プロセスに依存し、したがって、部品の三次元表現(つまり、部品の実際の表面のモザイク模様のバージョン)から始まり、二次元構築戦略で終わることは、エラーを引き起こす可能性がある。その問題は、溶滴ベースの三次元プリンティングのアプローチにおいて特に多く見られる。なぜなら、融合した材料の不連続性が、層ごとの堆積プロセスの結果、すべての構築方角に現われ、ならびに、寸法の不正確さ、許容できない仕上がり状態、及び構造的ならびに機械的な異方性に結びつく可能性があるためである。異方性は、特定の粒質の発達(development)、例えば、金属レーザー溶融堆積あるいはアーク溶接で生じる場合もある。異方性の減少は、仮想設計の適切な構築方向の選択により達成される場合がある。
加えて、仮想設計と製造されたまま状態の物体との間の差異は、使用される付加製造ツーリングで利用可能な有限の空間分解能により、あるいは堆積材料の固化中の部品の収縮により時々大きくなり、それは、部品の寸法ならびに変形の両方の変化を引き起こす場合がある。例えば、ツールパスが有限次元のフィラメントパスの集合を含む熱溶解積層法を検討する。これは、製造された物体に3つの主な結果をもたらす:(i)内部構造的特徴は、それらのサイズに応じてうまく捕捉されない場合があり;(ii)局所的な曲率に応じて不連続性が現われる場合があり;及び、(iii)表面の仕上がり状態は、多数のフィラメントの融合から生じる粗いプロファイルによって制限される場合がある。
不連続の製造プロセス及び付加製造プロセスエラーに関連する他の問題の1つの結果は、多孔性である。多くの技術刊行物が、プリントされた部品における多孔性の影響の評価に関連している。特定の1つの結果は、例えば、多孔度レベルの増加に伴う剛性の低下により、あるいはマイクロクラックの形態の多孔度強化損傷の発生による張力下での機械的強度の低下により、多孔性が部品の機械的性能を低下させる場合があることである。多孔性は、例えば、幾つかの用途で透過性を向上させるために使用することができるため、付加製造プロセスのマイナスの結果として必ずしも見られるとは限らないことに留意すべきである。
幾つかの付加製造プロセスで遭遇する別のタイプの欠陥は、内部表面間で捕捉された支持材の存在である。支持材は、プリントプロセス中に、壊れやすいプリント構造を強化するために時々必要とされる。これらの物質は、堆積材料への制限された粘着を示すために典型的に選択されるが、部品の支持材の残量を結果としてもたらす不完全な除去は、例えば、部品の重量の増加及び耐荷重性分布の修正の一因となり得、それは、元の設計に基づいて予想される性能に対して部品の性能を変更することができる。加えて、最適化されない支持堆積は、部品の仕上がり状態、材料消費、製造時間などに影響することもある。支持材の使用に対する付加製造プロセスの依存を減少させるための様々な戦略が文献に記載されている。上記戦略は、部品の幾何学的形状及び堆積される材料の選択に応じて変わり得る。
溶接プロセス:幾つかの実施形態では、開示される欠陥分類とプロセス制御方法ならびにシステムは、付加製造プロセス及び装置の代わりに、あるいは付加製造プロセス及び装置と組み合わせて、溶接プロセス及び装置に適用されさてもよい。開示されるプロセス制御方法及びシステムと共に使用され得る溶接プロセス及び装置の例としては、限定されないが、レーザービーム溶接プロセス及び装置、MIG(金属不活性ガス)溶接プロセス及び装置(ガスメタルアーク溶接とも呼ばれる)、TIG(タングステン不活性ガス)溶接プロセス及び装置などが挙げられる。
レーザービーム溶接(LBW):速い溶接速度、薄くて小さな接合線、及び低い熱変形で接合する必要のある金属部品を接合するために使用される溶接技術である。レーザービームは、集束した熱源を提供し、狭くて深い溶接及び高い溶接レートを可能にする。速い溶接速度、自動化された操作、及びプロセス中の接合品質のフィードバック制御を実行する機能により、レーザー溶接は、現代の工業生産において一般的な接合方法となっている。自動化された多くの用途の例は、車体の溶接のための自動車産業での使用を含む。他の用途は、医療技術における微細な非多孔性のシームの溶接、電子機器又は宝石産業における精密なスポット溶接、ならびに工具及び金型の製造における溶接を含む。
MIG溶接:連続的なソリッドワイヤー電極が溶接ガンによって溶接プールへと供給され、2つの母材をともに接合するアーク溶接プロセスである。シールドガスも溶接ガンによって送られ、汚染から溶接プールを保護し、したがって「金属不活性ガス」(MIG)溶接と呼ばれる。MIG溶接は、薄い〜中間の厚さの金属のシートを接合するために典型的に使用される。
TIG溶接:TIG溶接(技術的には、ガスタングステンアーク溶接(GTAW)と呼ばれる)は、非消耗タングステン電極を使用して、溶接アークに電流を送達するプロセスである。タングステン及び溶接パドルは保護され、不活性ガス、典型的にアルゴンで冷却される。TIG溶接は、典型的には、MIG溶接よりも多少きれいで、制御された溶接を生成する。
<3DのCADファイルの層への変換及びツールパス>
コンピュータ支援設計:付加製造プロセスなどの典型的な自由形式の堆積プロセスの第一の工程は、コンピュータ支援設計(CAD)ソフトウェアパッケージを使用して、製造される物体の三次元モデルを作成することである。様々な市販のCADソフトウェアパッケージのいずれかを使用してもよく、それは、限定されないが、ソリッドワークス(Dassault Systemes SolidWorks Corporation, Waltham, MA)、オートデスク フュージョン360(Autodesk, Inc., San Rafael, CA)、オートデスク インベンター(Autodesk, Inc., San Rafael, CA)PTC クリオ パラメトリック(Needham, MA)などを含む。
STLファイル形式への変換:一旦、CADモデルが完成すると、それは、3Dシステム(Rock Hill, SC)によって元々開発された標準のSTL(ステレオリソグラフィ)ファイル形式(「スタンダード トライアングル ランゲージ(standard triangle language)」あるいは「スタンダード テセレーション ランゲージ(standard tessellation language)」のファイル形式としても知られている)に典型的に変換される。このファイル形式は、他の多くのソフトウェアパッケージによりサポートされ、ラピットプロトタイピング、3Dプリンティング、及びコンピュータ支援製造に広く使用される。STLファイルは、色、質感、あるいは他の一般的なCADモデル属性を示さずに、三次元の物体の表面の幾何学的形状だけを記載する。ASCII STLファイルでは、CADモデルは、3つの頂点のx座標、y座標、及びZ座標(右手の法則に従って順序づけられる)及び単位ベクトルによって記載される三角形のファセットを使用して表わされ、ファセットの外側を示す法線方向を示す(Ding, et al. (2016), “Advanced Design for Additive Manufacturing: 3D Slicing and 2D Path Planning”, Chapter 1in New Trends in 3D Printing, I. Shishkovsky, Ed., Intech Open)。
層を作成するためにSTL型をスライスすること:一旦、STLファイルが作成されると、一方向あるいは多方面のスライスアルゴリズムを使用して、構築方向に従って一連の層へとSTLモデルをスライスする。均一スライス方法は、一定の厚さを有する切断層を作成する。付加製造された部品の精度は、層の厚みを変更することにより時々改善され得る。典型的には、層の厚みが薄いほど、達成される精度はより高くなるだろう。さらに、材料堆積のレートは、スライスされた層の厚みと非常に関連する。したがって、適応スライスアプローチは、可変厚さでSTL型をスライスする。モデルの表面の幾何学的形状に基づいて、このアプローチは自動的に層の厚みを調整して、製造された部品の精度を改善するか、あるいは構築時間を改善する。
上記のように、多くの付加製造プロセスが、3DのCADモデルを、一定の厚さ又は適応厚さのいずれかを有する二次元の層のセットへとスライスすることを利用し、ここで、上記層は単一の構築方角に積み重ねられる。しかし、複雑な形状を有する部品を製造する場合、一方向のスライス戦略は、オーバーハング特徴の製造のために支持構造を含む必要があるため一般に制限される。支持構造を堆積させる必要性は、より長い構築時間、材料廃棄物の増加、及び支持物を除去するための後処理の増加(及び、時々高価である)を結果としてもたらす。幾つかの付加製造技術は、複数の構築方向に沿って材料を堆積することができる。多方向の堆積の使用は、複雑な物体の製造において支持構造の要件を排除するか、あるいは著しく減少させるのに役立つ。多方向の付加製造での重要な課題は、より支援が少なく(support−less)、衝突のない(collision−free)層堆積の要件を満たすあらゆる3Dモデルを層のセットへと自動的にスライスすることができる、頑丈なアルゴリズムを開発することである。これを達成するための多くの戦略が技術文献に記載されている (Ding, et al. (2016), “Advanced Design for Additive Manufacturing: 3D Slicing and 2D Path Planning”, Chapter 1in New Trends in 3D Printing, I. Shishkovsky, Ed., Intech Open)。
ツールパス計画:自由形式の堆積あるいは付加製造の別の重要な工程は、スライスアルゴリズムにより識別された層に基づいたツールパス戦略の開発である。微細な統計的に分布した粒子を利用する粉末ベースの付加製造プロセスのためのツールパス計画は、幾何学的な複雑さからある程度独立している。しかし、堆積材料のより大きくて時々粗いビーズを利用する付加製造プロセスのためのツールパス計画は、幾何学的な複雑さによって直接影響を受けることもある。加えて、堆積材料の特性(ビーズの高さと幅、表面仕上げなど)は、堆積ツールパスの軌跡によって影響を受けることもある。様々なツールパス計画の戦略が技術文献に述べられており、限定されないが、ラスタツールパス、ジグザグツールパス、輪郭ツールパス、ツールパス、ハイブリッドツールパス、連続ツールパス、ハイブリッド及び連続ツールパス、中心軸変換(MAT)ツールパス、及び適応MATツールパスの使用を含む。
ラスタツールパス:ラスター走査ツールパス技術は、一方向に沿った平面のレイキャスティングに基づく。このツールパスアプローチを使用して、所与の層の二次元領域は、有限幅を有する材料ビーズのセットを堆積させることによって埋められる。それは、市販の付加製造システムにおいて一般的に使用され、簡易な実装を特徴とし、ほとんどあらゆる境界の使用に適している。
ジグザグツールパス:ラスタアプローチに由来するジグザグツールパスの生成は、市販の付加製造システムで使用される最も一般的な方法である。ラスタアプローチと比較して、ジグザグアプローチは、別々の平行線を単一の連続したジグザグ通路に組み合わせることにより、幾何学的形状を線ごとに埋めるために必要なツールパスの通路の数(したがって、構築時間)を有意に減少させる。ラスタツールパスのアプローチのように、部品の輪郭精度は、ツール運動方向と平行ではない任意の端部における離散化誤差により、時々不十分である。
輪郭ツールパス:別の頻繁に用いられているツールパス方法である輪郭ツールパスは、部品の境界輪郭に従うことによって、上記の幾何学的な輪郭精度の問題に対処するのに役立つ。開口部あるいは「島」(所与の層内でモデルの単離セクション)をさらに有し得る、主に、凸形状を含む部品のための最適なツールパスパターンを開発するための、様々な等高線地図のパターンが文献に記載されている。
螺旋ツールパス:螺旋ツールパスは、コンピュータ数値制御された(CNC)加工において広く適用されてきており、例えば、二次元ポケットミリング(つまり、指定された深さに対するワークピースの平面上の任意に閉じた境界内部の材料の除去)に関する。この方法は、付加製造プロセスと共に使用してジグザグツールパスの境界問題を克服することもできるが、典型的には、ある特別な幾何学的モデルのみに適している。
ハイブリッドツールパス:ハイブリッドツールパスは、1つを超えるアプローチの特徴の幾つかを共有する。例えば、輪郭ツールパスパターンとジグザグツールパスパターンの組み合わせは、部品の両方の幾何学的精度の要件を満たし、かつ全体的な構築効率を改善するために開発され得る。
連続ツールパス:連続ツールパスのアプローチのゴールは、1つの連続したパス(つまり、それ自体と交差せずに、全体領域を埋めることができるツールパス)を使用して、堆積層を埋めることである。このアプローチは、幾つかの付加製造プロセス中に収縮を減少させるのに特に役立つことがわかっている。しかし、上記アプローチはパスの方角の頻繁な変化をしばしば必要とし、これは、幾つかの堆積プロセスに適さない場合がある。さらに、埋められるべき領域が大きく、精度要件が高い場合、要求される処理時間は容認できないほど長い場合がある。加えて、非常に複雑なツールパスは、部品の特定の領域において熱の過剰蓄積を結果としてもたらし、それによって、部品の許容できない歪みを引き起こす。
ハイブリッド連続ツールパス:ジグザグツールパスのパターンと連続ツールパスのパターンの長所を組み合わせるツールパス戦略が開発されている。これらのアプローチでは、二次元の幾何学的形状は、単調多角形のセットへと最初に分解される。その後、各単調多角形について、閉じたジグザグ曲線が生成される。最後に、閉じたジグザグ曲線のセットが共に組み合わされて、統合された連続的な曲がりくねったパスになる。ジグザグツールパスのパターン、輪郭ツールパスのパターン、連続ツールパスのパターンの利点を組み合わせる別の連続パスのパターンが最近開発された。
中心軸変換(MAT)ツールパス:ツールパスを生成するための代替的な方法は、部品の幾何学的形状の中心軸変換(MAT)を使用して、層の境界から内側に向かって埋める代わりに、内側から始まり外側に向かって埋めることによってオフセット曲線を生成する。物体の中心軸は、物体の境界の上に1つを超える最も接近したポイントを有するすべてのポイントのセットである。二次元において、例えば、平面曲線Cによって境界が画された円のサブセットSの中心軸は、2つ以上のポイントで曲線Cと接線方向に交差するS内のすべての円の中心の位置である。単純な多角形の中心軸は木のようなスケルトンであり、その枝が多角形の頂点である。最大内接円の関連する半径関数を有する中心軸は中心軸変換(MAT)と呼ばれる。中心軸変換は、元のドメインの形状を再構成するために使用することができる完全な形状記述子である。
このアプローチは、層の幾何学的形状の内部領域を完全に埋めることができるツールパスを計算するのに役立ち、及び、後処理によってその後除去することができる境界の外側に、余分な材料を堆積させることによって間隙を生まないようにする。外側から内側へと走る従来の輪郭ツールパスのパターンが加工にしばしば使用されるのに対して、内側からはじまり外側へと向かうMATツールパスは、多くの場合、ボイドフリー部品の付加製造により適している。MATベースのツールパスを生成するための主な工程は以下とおりである:(i)中心軸を計算すること;(ii)1以上の領域あるいはドメインへと幾何学的形状を分解することであって、ここで、各ドメインは、中心軸の一部及び境界ループによって境界を画される、こと;(iii)適切なステップオーバー距離で、中心軸ループから対応する境界ループに向かってオフセットすることによって、各ドメインのためのツールパスを生成すること。ドメインが完全にカバーされるまで、オフセットが繰り返され;及び、(iv)閉ループパスのセットを、好ましくは、スタート/ストップシーケンスを用いることなく生成するために、各ドメインについて工程(iii)を繰り返すこと。MATパス計画は、例えば、アーク溶接システムとともに頻繁に使用され、特に、ボイドフリー付加製造に好ましい。
適応MATツールパス:従来の輪郭ツールパスはしばしば間隙又はボイドを生成する。MATツールパス計画は、堆積中に内部ボイドの生成を回避するように導入され、複雑な幾何学的形状に対処するために拡張される。上記のように、MATツールパスは、幾何学的形状の中心軸を中心から層の境界へと向かってオフセットすることによって生成される。MATツールパスは、内部ボイドの発生を減少させるが、これは、パスの不連続性及び層境界での余分な材料堆積を作り出すことを犠牲にして達成される。余分な材料を除去し、部品の寸法精度を改善するための後処理加工は、余分な時間を必要とし、コストを増加させる。従来の輪郭ツールパス及びMATツールパスの両方について、ステップオーバー距離(つまり、次の堆積パスと前の堆積パスとの間の距離)は、一定に保持される。一部の部品の幾何学的形状については、一定のステップオーバー距離で、ツールパスを用いて、高寸法精度及びボイドフリー堆積の両方を達成することは不可能である。しかし、ワイヤー供給付加製造プロセスなどの幾つかの付加製造プロセスは、一定の堆積高さを維持しながら、移動速度及びワイヤー供給速度などのプロセス制御パラメータを変えることによって、層内に異なる堆積ビーズ幅を生成することができる。適応MATツールパス計画は、上記プロセスパラメータを調整することにより継続的に変化するステップオーバー距離を使用して、所与のツールパス内の可変幅でビーズを堆積させる。適応MATパス計画アルゴリズムは、部品の幾何学的形状を分析することによって、変化するステップオーバー距離でパスのパターンを自動的に生成することができ、より良い部品品質(ボイドフリー堆積)、境界での精度、及び材料の効率的な使用を達成する。
ツールパス生成ソフトウェア:ツールパス生成ソフトウェアの例は、Repetier(Hot−World, GmbH, Germany)及びCatalystEx(Stratasys Inc. Eden Prairie MN, USA)を含む。
図3のA−Cは、付加製造プロセスを使用して材料を堆積するための連続的な渦巻形の「二次元」層(有限厚さ)及び関連する螺旋形のツールパス(図3のA)、あるいは積み重ねられた一連の「二次元」層及び関連する円形の層ごとのツールパス(図3のB)への、三次元物体のCAD設計の変換の概略図を提供する。図3のCは、ロボット操作された堆積ツール、及び付加製造プロセスを使用して製造された結果としてもたらされる物体のシミュレーションを例証する。Octopuz(Jupiter, FL)などのソフトウェアパッケージを使用したツールパス及び部品のシミュレーションは、実際の堆積システムで堆積プロセスを実行する前に実施される。幾つかの例において、予測される最適なツールパスは、閉ループフィードバック制御に応じて、堆積プロセス中に局所的に変更され得る。幾つかの例において、堆積プロセスが完了した後、ツールパスは、構築されたままの状態の部品の幾何学的形状に基づいて再構成されてもよい。
<プロセスシュミレーションツール>
開示される適応プロセス制御方法及びシステムの幾つかの実施形態では、プロセスシュミレーションツールは、自由形式の堆積プロセス(あるいは、接合プロセス)をシミュレートするために、及び/又はプロセス制御パラメータ設定(及び、調整)の最適なセット(及び/又はシーケンス)の推定を提供するために使用され得る。当業者に既知の様々なプロセスシュミレーションツールのいずれかが使用されてもよく、限定されないが、有限要素解析(FEA)、有限体積解析(FVA)、有限差分解析(FDA)、数値流体力学(CFD)など、あるいは任意のそれらの組み合わせを含む。開示される方法及びシステムの幾つかの実施形態では、過去の製造実行からのプロセスシュミレーションデータが、プロセス制御を実行するために使用される機械学習アルゴリズムに「教える」ために使用されるトレーニングデータセットの一部として使用される。
有限要素解析(FEA):有限要素解析(有限要素法(FEM)とも呼ばれる)は、例えば、構造分析、あるいは熱伝達、流体の流れ、質量輸送、及び電磁ポテンシャルに関する研究に使用するためのエンジニアリング及び数理物理学の問題を解決するための数値法である。これらのタイプの問題の分析的解決は、解決可能あるいは解決不可能な偏微分方程式を含む境界値問題の解決を一般に必要とする。コンピュータ化された有限要素アプローチは、その問題を代数方程式のシステムとして定式化することを可能にし、その解は、対象の幾何学的形状又はドメイン上の離散数のポイントにおいて、未知のパラメータの近似値をもたらす。解決される問題は、より小さく単純なコンポーネント(つまり、有限要素)へと細分化(離散化)されて、システムの動作を管理する式を単純化する。その後、個々の有限要素をモデル化する比較的単純な方程式は、全問題をモデル化するより大きな連立方程式へと組み立てられる。変分法から引き出された数値解法は、関連する誤差関数を最小化することにより、連立方程式の解決に接近するために使用される。FEAは、現実世界の力、例えば、応力(1単位当たり、あるいは1単位長当たりの力)、振動、熱、流体の流れ、あるいは他の物理的な影響を受けた時に、製品がどのように反応するかを予測するためにしばしば使用される。
上述のように、開示された適応プロセス制御方法の幾つかの実施形態において、FEAは、堆積プロセスをシミュレートするために、及び/又は、プロセス制御パラメータ設定及びその調節の最適なセット及び/又はシーケンスの推定値を提供するために使用され得る。FEA分析(又は他のシミュレーション技術)を用いて推定され得る堆積プロセスパラメータの例は、限定されないが、特定の入力プロセス制御パラメータに応じて、堆積された材料のバルク温度又はピーク温度、堆積された材料の冷却速度、堆積された材料の化学組成、堆積された材料中の成分の分離状態、堆積された材料の幾何学的特性、堆積された幾何学的形状におけるオーバーハングの角度、堆積中の材料からの熱流束の強度、堆積材料からの電磁気放射、堆積材料からのアコースティックエミッション、又はそれらの任意の組み合わせの予測を含む。計算のために入力として使用されるプロセス制御パラメータが、それらがシミュレートされた堆積プロセスにどのように影響を与えるかを判定するように調整され得るので、プロセスシミュレーションの反復的な使用は、プロセス制御パラメータ設定及びその調節の最適なセット及び/又はシーケンスの推定値を提供するために使用され得る。
有限体積分析(FVA):有限体積分析(有限体積方法(FVM)とも称される)は、偏微分方程式、具体的に物理的な保存則から発生する方程式を解くために用いられる有限要素分析に関連する別の数的技術である。FVMは、本来の問題を表わす方程式を離散化するために分割体積(partitioning volumes)の有限集合に関する問題の体積積分定式を用いる。FVAは、例えば、一般的に計算流体力学方程式を離散化するために用いられる。
有限差分分析(FDA):有限差分分析(有限差分方法(FDM)とも称される)は、有限差分が導関数に近似する差分方程式に近似させることにより微分方程式を解くための別の数的方法である。
計算流体力学(CFD):計算流体力学は、気体又は液体が加圧力に応じてどのように流れるのか、或いは、気体又は液体が通過した際に物体にどのように影響を与えるかを視覚化するための、応用数学、物理学、及び計算のソフトウェア(例えば、有限体積分析ソフトウェア)の使用を指す。計算流体力学は、ナビエ−ストークス方程式の解法に基づいており、これは、動く流体の速度、圧力、温度、及び密度がどのように関連づけられるかを説明するものである。例えば、CFDに基づく分析は様々な産業及び用途で使用され、例えば、計算流体力学は、プラスチック射出成形における融解温度の制御のためのモデル予測制御に使用されている。
図4A−Cは、レーザー金属ワイヤー堆積溶融プールのモデリングのためのFEAシミュレーションデータの例を提供する。図4A:レーザー金属ワイヤー堆積プロセスにより堆積されている溶融プールにおける材料の液体分画に関する、色分けされた三次元FEAシミュレーションデータの等角図である。金属は、ワイヤー先端が溶融プールに溶け込む場所で、完全に液体状態であり、且つ、ワイヤーの位置から下流に凝固するにつれて液体画分が徐々に少なくなるように移行する。図4B:溶融プールにおける材料の液体分画に関するFEAシミュレーションデータの断面図である。図4C:溶融プールにおける材料の静温度に関する色分けされた三次元FEAシミュレーションデータの断面図である。温度は、レーザービームがワイヤー先端に当たり、且つ、ワイヤー先端から直下流の材料により示される高温度を伴う堆積装置の動作経路に沿って非対称的に分散される点で、最大値(この例においておよそ2,900°K)である。
<プロセス制御パラメータ>
開示された適応プロセス制御方法の幾つかの実施形態において、1つ以上の自由形式の堆積プロセス制御パラメータ(又は接合プロセス制御パラメータ)は、機械学習アルゴリズムの使用を介してリアルタイムで設定及び/又は調節され、前記機械学習アルゴリズムは、リアルタイムの堆積又は溶接プロセス監視データ、例えばマシンビジョンシステム又はレーザー干渉法測定システムからのデータを処理し、及び、プロセスの効率及び/又は製造されている部品の品質を改善するべく1つ以上のプロセス制御パラメータを調整するためにその情報を使用する。
一般的に、適応プロセス制御システムにより設定及び/又は調整され得るプロセス制御パラメータのタイプは、使用されている自由形式堆積、付加製造、又は溶接プロセスの特定種類に応じて変動する。設定及び/又は調製され得るプロセス制御パラメータの例は、限定されないが、材料堆積の割合、堆積装置に対する変位の割合、堆積装置に対する加速度の割合、堆積装置に対する変位の方向、時間に応じた堆積装置の位置(即ち、パスツール)、堆積方向に対する堆積装置の角度、意図した幾可学的形状でのオーバーハングの角度、堆積中の材料への熱流束の強度、熱流束表面のサイズ及び形状、シールドガス流の流量及び角度、材料が堆積されるベースプレートの温度、堆積プロセス中の周囲温度、堆積前の堆積材料の温度、抵抗加熱法装置における電流又は電圧の設定、誘導加熱装置中の電圧周波数又は振幅、堆積材料の選択、1より多くの堆積材料が用いられる場合の体積材料の体積比又は重量比、或いはそれらの組み合わせを含む。
上記に示されるように、本開示の適応プロセス制御システムによって設定及び/又は調整され得るレーザー金属ワイヤー堆積プロセスのためのプロセス制御パラメータの例は、限定されないが、レーザー出力、レーザー出力分散(又はビームプロフィール)、レーザー/ワイヤー又はレーザー/基板の角度、レーザービームのサイズ及び形状、レーザービーム焦点距離、レーザー波長、ワイヤー供給、ワイヤー直径、ワイヤー/基板の角度、溶融プールに対するワイヤー先端位置、ワイヤー突出(stick−out)、シールドガス設定、補給方向、及び移動速度を含む。
開示された適応プロセス制御方法及びシステムの幾つかの実施形態において、1つ以上のプロセス制御パラメータは、制御プロセスを実行するために使用される機械学習アルゴリズムによって設定及び/又は調整され得る。幾つかの実施形態において、設定及び/又は調整されるべき様々なプロセス制御パラメータの数は、少なくとも1、少なくとも2、少なくとも3、少なくとも4、少なくとも5、少なくとも10、少なくとも15、又は少なくとも20であり得る。当業者は、開示されたプロセス制御方法及びシステムによって設定及び/又は調整されるべき様々なプロセス制御パラメータの数が、この範囲、例えば12のプロセス制御パラメータ内の任意の値を有し得ることを認識する。
<プロセス監視ツール>
開示された適応プロセス制御方法及びシステムの幾つかの実施形態において、1つ以上のプロセス監視ツールが、本明細書で「プロセス特性評価データ」と称される、製造されている物体のプロセスパラメータ又は特性に関するリアルタイムデータを提供するために使用され得る。開示された方法及びシステムの幾つかの実施形態において、過去の製造の実行からのプロセス特性評価データは、プロセス制御を実行するために使用される機械学習アルゴリズムを「教育する」ために使用されるトレーニングデータセットの一部として使用される。幾つかの実施形態において、リアルタイム(又は「インプロセス」)のプロセス特性評価データは、リアルタイムで1つ以上のプロセス制御パラメータを適応的に調整するように機械学習アルゴリズムへ供給される。
温度センサ、位置センサ、運動センサ、タッチセンサ/近接センサ、加速度計、プロフィルメータ、ゴニオメーター、画像センサ及びマシンビジョンシステム、電気伝導率センサ、熱伝導率センサ、歪みゲージ、ジュロメーター、X線回折装置又は撮像装置、CTスキャニング装置、超音波撮像装置、渦電流センサアレイ、サーモグラフ、堆積装置状態標識、又はそれらの任意の組み合わせを含むがこれらに限定されない、当業者に既知の様々なプロセス監視ツールの何れかが使用され得る。幾つかの実施形態において、プロセス特性評価センサは、物体により反射され、散乱され、吸収され、透過され、又は放たれる電磁放射線を検出する、1つ以上のセンサを含み得る。幾つかの実施形態において、プロセス特性評価センサは、物体により反射され、散乱され、吸収され、透過され、又は放たれる音響エネルギー又は力学的エネルギーに関するデータを提供する、1つ以上のセンサを含み得る。
堆積された材料のバルク温度又はピーク温度、堆積された材料の冷却速度、堆積された材料の化学組成、堆積された材料中の成分の分離状態、堆積された材料の幾何学的特性(例えば、プリント部分の局所的な曲率)、材料堆積のレート、堆積装置に対する変位のレート、堆積装置の位置(パスツール)、堆積方向に対する堆積装置の角度、堆積装置状態標識、堆積された幾何学的形状におけるオーバーハングの角度、意図した幾何学的形状におけるオーバーハングの角度、堆積中の材料への熱流束の強度、堆積中の材料からの熱流束の強度、堆積材料からの電磁気放射、堆積材料からのアコースティックエミッション、堆積材料の電気伝導率、堆積材料の熱伝導率、製造されている物体の幾可学的形状における欠陥、又はそれらの任意の組み合わせを含むがこれらに限定されない、様々なプロセスパラメータの何れかが、適切なセンサ、測定ツール、及び/又はマシンビジョンシステムを使用して(即ち、プロセス特性評価データを生成するために)監視され得る。
適応プロセス制御のための開示された方法及びシステムは、任意の数の使用及び組み合わせのセンサ又はプロセス監視ツールの使用を含み得る。例えば、幾つかの実施形態において、本開示の適応堆積プロセス制御システムは、少なくとも1、少なくとも2、少なくとも3、少なくとも4つ、少なくとも5、少なくとも6、少なくとも7、少なくとも8、少なくとも9、又は少なくとも10のセンサ又はプロセス監視ツールを含み得る。幾つかの実施形態において、1つ以上のセンサ又はプロセス監視ツールは、少なくとも0.1Hz、1Hz、5Hz、10Hz、20Hz、30Hz、40Hz、50Hz、60Hz、70Hz、80Hz、90Hz、100HZ、250Hz、500Hz、750Hz、1,000Hz、2,500Hz、5,000Hz、10,000Hz、又はそれ以上の更新レートでプロセス制御アルゴリズムにデータを提供する。当業者は、1つ以上のセンサ又はプロセス監視ツールが、この範囲、例えば約225Hz内の任意の値を有する更新レートでデータを提供し得ることを認識する。
レーザー干渉法:例えば、レーザー金属ワイヤー堆積システムと共に使用され得る自由形式堆積又は接合プロセス監視ツールの特異的な1つの例は、部品寸法、屈折率変化、及び/又は表面異常の正確なインプロセス測定のためのレーザー干渉計である。単一源からのレーザー光線は、干渉を引き起こすために、サンプル、例えば製造されている部品によるビームの1つの透過又は反射後に再度組み合わせられるまで、別個の光学経路に従い2つのビームへと分割される。結果としてもたらされる干渉縞は、2つのビームに対する光路長の差異に関する正確な情報を提供し、従って、部品寸法、変位、表面異常などの正確な測定を提供する。干渉計はナノメートル精度で寸法又は変位を測定することができる。
図5は、レーザー金属ワイヤー堆積システムの1つの非限定的な例を例示し、該システムは、ロボット制御装置、レーザー出力ユニット、ワイヤー供給及びシールドガスモジュール、ワイヤー予熱器、及び環境制御装置、テレメトリデータベース(堆積システムに送信されるプロセス制御命令及び堆積システムから読み取られるプロセス監視データの送信と記録用)、及びプログラマブルロジックコントローラ(システムコンポーネントの全体動作を調整する)の他、レーザー干渉計を含む。レーザー干渉計は、溶融プール特性に関するリアルタイムフィードバックを提供する。幾つかの実施形態において、堆積システムは更に、金属堆積プロセスのリアルタイムの適応制御のために、機械学習アルゴリズム、例えば人工ニューラルネットワークを利用するためのプロセッサプログラマーを含む。幾つかの実施形態において、堆積システムはまた、プロセスパラメータを監視し及び/又は物体の欠陥(構築後、又はインプロセス)の自動分類を提供するための、マシンビジョンシステム又は他の検査ツールを含み、且つ、堆積プロセスによる次の動作の予測における機械アルゴリズムによる使用に対して、そのようなプロセス監視又は欠陥分類を組み込むことができる。
図2は、本開示の幾つかの実施形態に係る、材料堆積プロセス、例えばレーザー金属ワイヤー堆積プロセスに対するセットアップの例の概略図を提供する。レーザービームは、交点に溶融プールを作成し且つ基板に材料を堆積させるために、金属ワイヤーに当たる。溶融プール材料はその後、レーザー及びワイヤー供給部(即ち、プリントヘッド)が基板に対して動かされると、新たな層を形成するべく硬化する。ワイヤーは、シールドガスのシースの使用により空気伝達される汚染物質から遮蔽される。図4Cに示されるFEAシミュレーションデータ(date)の例により示されるように、熱は、基板に対するプリントヘッドの並進運動により、非対称的な様式で基礎となる基板(又は以前に堆積された層)を通って溶融プールの位置から伝播する。新たに堆積された層は、融合部と称される領域に基板(又は以前に堆積された層)との冶金的接合を形成する。新たに堆積された層を介した基板(又は以前に堆積された層)への熱の伝播は、幾つかの例において、熱影響部と称される領域内の物質特性に影響を与える場合がある。固化プロセスも、穴及びクラックなどの冶金的欠陥を堆積された層に形成しかねない。発生する欠陥の量及び種類は、熱量入力、高温で消費される時間、プリント部分の幾可学的形状、及び溶融プールに近い汚染物質の存在に依存する。
図6のA−Bは、レーザー金属ワイヤー堆積プロセスにおける溶融プール及び堆積層特性を監視するためのレーザー干渉法の使用を例示する。図6のAは、レーザービームが金属ワイヤーに当たる位置での堆積プロセスの顕微鏡写真図を示す。垂線は、ワイヤー供給部、以前に堆積された層、及び結果としてもたらされる溶融プールの高さプロファイルを監視するために使用されるときの、干渉計プローブビームの位置を示す。図6のBは、ワイヤー供給部(実線;ピークはワイヤーを示し、一方で肩部は以前に堆積された層の高さを示す)及び溶融プール(破線)の位置でレーザー干渉法を用いて測定されるようなワイヤー供給部、以前に堆積された層、及び溶融プールの断面プロファイル(即ち、堆積の幅にわたる高さプロファイル)の例を提供する。X軸(幅)寸法は任意単位でプロットされる。Y軸(高さ)寸法は、堆積層未満の固定基準点に対してミリメートルの単位でプロットされる。開示された適応プロセス制御方法の幾つかの実施形態において、そのようなリアルタイムのプロセス監視データは、例えば、層の寸法精度、層の表面仕上げ及び/又は接着特性、及び/又は堆積プロセスの全体効率を改善するために、1つ以上のプロセス制御パラメータの調節を行うための機械学習アルゴリズムを実行するプロセッサによって、使用され得る。
幾つかの実施形態において、レーザー干渉法は、溶融プールの寸法及び/又は特性、溶融プールから下流の堆積された層、又は1つ以上の位置で製造されている部品の他の特徴を監視するために使用され得る。幾つかの実施形態において、レーザー干渉法は、少なくとも1、少なくとも2、少なくとも3、少なくとも4、少なくとも5、少なくとも6、少なくとも7、少なくとも8、少なくとも9、又は少なくとも10の異なる位置で製造されている部品の寸法及び/又は特性を監視するために使用され得る。幾つかの実施形態において、部品の寸法及び/又は他の特性に関するレーザー干渉法データは、少なくとも0.1Hz、1Hz、5Hz、10Hz、20Hz、30Hz、40Hz、50Hz、60Hz、70Hz、80Hz、90Hz、100HZ、250Hz、500Hz、750Hz、1,000Hz、2,500Hz、5,000Hz、10,000Hz、25,000Hz、50,000Hz、100,000Hz、150,000Hz、200,000Hz、250,000Hz、又はそれ以上のレートで更新され得る。当業者は、干渉法データが更新され得るレートはこの範囲内の任意の値、例えば約800Hzを有し得ることを認識する。
マシンビジョンシステム:例えばレーザー金属ワイヤー堆積システムと共に使用され得る自由形式堆積又は接合プロセス監視ツールの別の特異的な例は、マシンビジョンである。マシンビジョンシステムは、様々な工業検査、プロセス制御、及びロボットガイダンスアプリケーション用の撮像ベースの自動検査及び分析を提供し、且つ、様々な画像センサ又はカメラ、光源又は照射システム、及び追加の撮像光学コンポーネントの他、プロセッサ及び画像処理ソフトウェアの何れかを含み得る。
図7のA−Cは、マシンビジョンシステムを用いて得られたレーザー金属ワイヤー堆積プロセスの画像からの、インプロセスの特徴抽出を例示する。図7のAは、ワイヤーの先端に隣接する溶融プールの生の画像(例えば、ビデオレートデータストリームから捕らえられた1つの画像フレーム)を示す。図7のBは、ノイズ除去、フィルタリング、及びエッジ検出アルゴリズムの適用後に処理された画像を示す。図7のCは、例えば構造プレートに対するワイヤーの角度及び新たな層の高さ(厚み)を識別するために使用される特徴抽出アルゴリズムの適用後に処理された画像を示す。マシンビジョンシステム及び関連する画像処理能力により、リアルタイムで堆積プロセスの詳細を監視できる。
幾つかの実施形態において、1つ以上のマシンビジョンシステムは、単一画像を獲得且つ処理するために、開示された適応プロセス制御方法及びシステムと共に使用され得る。幾つかの実施形態において、1つ以上のマシンビジョンシステムは、定められた時間間隔で一連の1つ以上の画像を獲得且つ処理するために、開示された適応プロセス制御方法及びシステムと共に使用され得る。多数の実施形態において、1つ以上のマシンビジョンシステムは、ビデオレート画像データを獲得且つ処理するために、開示された適応プロセス制御方法及びシステムと共に使用され得る。通常、1つ以上のマシンビジョンシステムにより供給される画像データは、少なくとも0.1Hz、1Hz、5Hz、10Hz、20Hz、30Hz、40Hz、50Hz、60Hz、70Hz、80Hz、90Hz、100HZ、250Hz、500Hz、750Hz、1,000Hz、2,500Hz、5,000Hz、又はそれ以上のレートで獲得及び/又は処理され得る。当業者は、画像データが獲得及び/又は処理され得るレートはこの範囲内の任意の値、例えば95Hzを有し得ることを認識する。
幾つかの実施形態において、開示された適応プロセス制御方法及びシステムと共に使用される1つ以上のマシンビジョンシステムは、特定の波長(又は特定の波長帯内)で、又は異なる画像化モードで画像を獲得するように構成され得る。例えば、幾つかの実施形態において、1つ以上のマシンビジョンシステムは、X線領域、紫外領域、可視領域、近赤外領域、赤外領域、テラヘルツ領域、マイクロウェーブ領域、又は電磁気的スペクトルの無線周波領域、又はそれらの任意の組み合わせにおいて画像を獲得するように構成され得る。幾つかの実施形態において、1つ以上のマシンビジョンシステムは、蛍光画像を獲得するように構成され得る(例えばそこでは、励起光に対する波長帯は集められた蛍光放射光に対するものと異なる)。幾つかの実施形態において、1つ以上のマシンビジョンシステムは、堆積層又は製造されている部品のラベルなしの化学的撮像を提供するために、凝集ラマン散乱(CRS)画像(例えば、誘導ラマン効果(SRS)又は抗ストークラマン散乱(CARS)画像)を獲得するように構成され得る。
<構築後検査ツール及び自動欠陥分類>
本明細書には、製造部品における欠陥を識別し且つ特性評価するために使用される、自動物体欠陥分類の方法及びシステムが開示される。この手法は、欠陥の検出及び分類のための機械学習アルゴリズムの使用に基づくものであり、そこでは、機械学習アルゴリズムは、熟練の操作者により提供される構築後検査データ及び/又は当業者に既知の様々な自動検査ツールの何れかより提供される検査データを含む、トレーニングデータセットを用いてトレーニングされる。開示された自動物体欠陥分類の方法及びシステムは、当業者に既知の様々な自由形式の堆積又は接合プロセスの何れかに適用され得る。幾つかの実施形態において、開示された自動物体欠陥分類の方法及びシステムは、新たな部品の構築後検査のために厳密に使用され得る。幾つかの実施形態において、これらは、1つ以上のプロセス制御パラメータがリアルタイムで調整され得るように、プロセス制御の実行に使用される機械学習アルゴリズムにリアルタイムのプロセス特性評価データを提供するために、インプロセスで使用され得る。幾つかの実施形態において、開示された自動物体欠陥分類の方法及びシステムは共に、リアルタイムのプロセス特性評価データを提供するために、及び構築後検査のために、インプロセスで使用され得る。幾つかの実施形態において、インプロセスの自動欠陥分類データは、最初の検出時の欠陥を是正するように、是正措置を実施するプロセス制御パラメータ調節のセット又はシーケンスを決定するための、例えば、層の寸法又は厚みを調整するための機械学習アルゴリズムによって使用され得る。幾つかの実施形態において、インプロセスの自動欠陥分類は、操作者に警告又はエラー信号を送信するための、又は随意に、堆積プロセス、例えば付加製造プロセスを自動的にアボートするための機械学習アルゴリズムによって使用され得る。幾つかの実施形態において、一旦トレーニングされると、自動欠陥分類システムは、インプロセスで及び/又は構築後に欠陥を検出且つ分類するために、更なるユーザー入力(例えば、熟練した操作者又は検査員からの更なる入力)を必要としない。
自動物体欠陥分類方法は一般的に、a)トレーニングデータセットを提供する工程であって、トレーニングデータセットは、物体と同じ又は異なる複数の設計幾何学的形状に関する、製造プロセスシミュレーションデータ、製造プロセス特性評価データ、及び/又は構築後検査データ、又はそれらの任意の組み合わせを含む、工程;b)1つ以上のセンサを提供する工程であって、1つ以上のセンサは1つ以上の物体特性に関するリアルタイムデータを提供する、工程;c)工程(a)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して検出された物体欠陥の分類を提供するようにプログラムされたプロセッサを提供する工程であって、1つ以上のセンサからのリアルタイムデータは機械学習アルゴリズムへの入力として提供され、検出された物体欠陥の分類がリアルタイムで調整されるのを可能とする、工程を含む。
トレーニングデータセット:上述のように、トレーニングデータセットは、現在製造されている物体と同じ又は異なる複数の設計幾何学的形状の過去の製造に関する、製造プロセスシミュレーションデータ、製造プロセス特性評価データ、構築後検査データ(熟練した操作者により提供される検査データ及び/又は様々な自動検査ツールの何れかにより提供される検査データを含む)、又はそれらの任意の組み合わせを含み得る。1つ以上のトレーニングデータセットは、物体欠陥の検出及び分類のために使用される機械学習アルゴリズムをトレーニングするために使用されてもよい。場合によっては、以下でより詳細に説明されるように、トレーニングデータセットに含まれるデータのタイプは、利用される特定のタイプの機械学習アルゴリズムに応じて変動し得る。例えば、専門家システム(又は専門家学習システム)の場合、トレーニングデータセットは、同じタイプの部品、又は幾つかの共通の特徴のセットを共有する様々な異なる部品に関する物体欠陥を視覚的に識別及び分類する際に熟練した操作者又は技術者により提供される、主な欠陥分類データを含み得る。幾つかの例において、トレーニングデータセットは、所定のシステムで実行されると、物体欠陥及び物体欠陥の日付と共にリアルタイムで更新され得る。幾つかの例において、トレーニングデータは、複数の自動欠陥分類システムから取り出された物体欠陥データ及び物体分類データと共に更新され得る。
幾つかの実施形態において、トレーニングデータセットは、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又はそれらの任意の組み合わせを含み得る。幾つかの実施形態において、トレーニングデータセットは、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、及び構築後検査データから成る群から選択されたデータの1つのタイプを含み得る。幾つかの実施形態において、トレーニングデータセットは、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、及び構築後検査データから成る群から選択されたデータの何れか2つ又は3つのタイプの組み合わせを含み得る。幾つかの実施形態において、トレーニングデータセットは、これらのタイプのデータ全て、即ち、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、及び構築後検査データを含み得る。
物体特性測定:一般的にプロセス監視のための上記に列挙されるものの幾つかを含む、様々なセンサ又は他の検査ツールの何れかが使用され得る。幾つかの実施形態において、1つ以上のセンサ(例えば、画像センサ又はマシンビジョンシステム)は、物体によって反射され、散乱され、吸収され、透過され、又は放たれる電磁放射線に関するデータを提供する。幾つかの実施形態において、電磁放射線は、X線、紫外線、可視光線、近赤外線、又は赤外線である。幾つかの実施形態において、1つ以上のセンサは、物体により反射され、散乱され、吸収され、透過され、又は放たれる音響エネルギーに関するデータを提供する。幾つかの実施形態において、1つ以上のセンサは、物体の電気伝導率又は熱伝導率に関するデータを提供する。幾つかの実施形態において、1つ以上のセンサは、少なくとも0.1Hz、1Hz、5Hz、10Hz、20Hz、30Hz、40Hz、50Hz、60Hz、70Hz、80Hz、90Hz、100HZ、250Hz、500Hz、750Hz、1,000Hz、2,500Hz、5,000Hz、10,000Hz、又はそれ以上の更新レートで、機械学習アルゴリズムを使用して検出された物体欠陥の分類を提供するようにプログラムされたプロセッサにデータを提供することができる。当業者は、1つ以上のセンサ又はプロセス監視ツールが、この範囲内の任意の値、例えば約400Hzを有する更新レートでデータを提供し得ることを認識する。
好ましい実施形態において、本開示の自動物体欠陥分類の方法及びシステムは、画像センサ及び/又はマシンビジョンシステムを用いて実施され得る。その後、キャプチャした画像の自動画像処理が、様々な物体特性、例えば、寸法(全体寸法、又は特定特徴の寸法)、特徴角度、特徴領域、表面仕上げ(例えば、光反射率の程度、単位面積ごとのピット及び/又はスクラッチの数)の何れかを監視するために使用され得る。幾つかの実施形態において、欠陥を是正される局所の過剰な温度、或いはプリント部分又は溶接部分における欠陥生成などの物体特性は、赤外線又は可視波長のカメラを用いて監視され得る。
センサデータからのノイズ除去:幾つかの実施形態において、自動欠陥分類方法は更に、機械学習アルゴリズムへの提供の前に1つ以上のセンサによって提供される物体特性データからノイズを除去する工程を含み得る。1つ以上のセンサによって提供される物体特性データからノイズを除去する際に使用するのに適したデータ処理アルゴリズムの例は、限定されないが、信号平均化アルゴリズム、平滑化フィルタアルゴリズム、カルマンフィルタアルゴリズム、非線形フィルタアルゴリズム、全変動最小化アルゴリズム、又はそれらの任意の組み合わせを含む。
基準データセットの控除:開示された自動欠陥分類方法の幾つかの実施形態において、センサデータからの基準データの控除は、物体の正常な特徴と欠陥のある特徴との対比を増大させ、それにより欠陥の検出及び分類を容易にするために使用され得る。例えば、基準データセットは、製造される物体の理想的な欠陥のない例に関する、1つ以上のセンサによって記録されたセンサデータを含み得る。画像センサ又はマシンビジョンシステムが欠陥検出のために使用される場合、基準データセットは、理想的な欠陥のない物体の画像(又は、例えば異なる視野を表す画像のセット)を含み得る。
欠陥の検出及び分類のための機械学習アルゴリズム:様々な機械学習アルゴリズムの何れかが、開示された自動物体欠陥の検出及び分類の方法の実施に使用され得る。利用される機械学習アルゴリズムは、教師付き学習アルゴリズム、教師なし学習アルゴリズム、半教師付き学習アルゴリズム、強化学習アルゴリズム、ディープラーニングアルゴリズム、又はそれらの任意の組み合わせを含み得る。好ましい実施形態において、欠陥の識別及び分類のために利用される機械学習アルゴリズムは、サポートベクターマシン(SVM)、人工ニューラルネットワーク(ANN)、又はデシジョンツリーベースの専門学習システムを含み、そのうちの幾つかは以下に詳述される。幾つかの好ましい実施形態において、物体欠陥は、物体特性データセットと特定の閾値よりも大きい基準データセットとの差として検出され、且つ、1クラスサポートベクターマシン(SVM)又は自動エンコーダアルゴリズムを用いて分類され得る。幾つかの好ましい実施形態において、物体欠陥は、教師なしの1クラスサポートベクターマシン(SVM)、自動エンコーダ、クラスタリング、又は最近傍(例えばkNN)の機械学習アルゴリズム、及び、欠陥のある物体及び欠陥のない物体の両方に関する物体特性データを含むトレーニングデータセットを用いて、検出且つ分類され得る。
<機械学習アルゴリズムを用いた適応リアルタイム堆積プロセス制御>
本明細書には、堆積プロセス、例えば付加製造又は溶接プロセスのリアルタイムの適応制御を提供するための方法及びシステムが開示される。一般的に、開示された方法は、a)物体(例えば3DのCADモデル)に関する入力設計幾可学的形状を提供する工程;b)トレーニングデータセットを提供する工程であって、トレーニングデータセットは、工程(a)の入力設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状又はその部品に関する、プロセスシミュレーションデータ、製造プロセス特性評価データ、構築後検査データ、又はそれらの任意の組み合わせを含む、工程;c)物体を製造するための1つ以上のプロセス制御パラメータの予測された最適なセット又はシーケンスを提供する工程であって、1つ以上のプロセス制御パラメータの予測された最適なセットは、工程(b)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して導かれる、工程;及びd)物体を製造するための堆積プロセス、例えば付加製造プロセスを実行する工程であって、リアルタイムのプロセス特性評価データは、リアルタイムで1つ以上のプロセス制御パラメータを調整するために機械学習アルゴリズムへの入力として1つ以上のセンサにより提供される、工程を含む。幾つかの実施形態において、工程(b)−(d)は繰り返し実行され、各繰り返しに関するプロセス特性評価データ、構築後検査データ、又はそれらの任意の組み合わせは、トレーニングデータセットへと組み込まれる。開示されたプロセス制御方法は、当業者に既知の付加製造プロセス、例えば、ステレオリソグラフィ(SLA)、デジタル光処理法(DLP)、熱溶解積層法(FDM)、選択的レーザー焼結法(SLS)、選択的レーザー融解法(SLM)、電子ビーム溶解(EBM)プロセス、レーザービーム溶接、MIG(金属不活性ガス)溶接、TIG(タングステン不活性ガス)溶接などを含む様々な堆積プロセスの何れかに対して使用され得る。好ましい実施形態において、開示されたプロセス制御方法は、液体−固体自由形式堆積プロセス、例えばレーザー金属ワイヤー堆積プロセスに適用される。
トレーニングデータセット:上述の自動欠陥分類方法と同様に、プロセス制御機械学習アルゴリズムの教育に使用されるトレーニングデータセットは、現在製造されている物体と同じ又は異なる複数の設計幾何学的形状の過去の製造に関する、製造プロセスシミュレーションデータ、製造プロセス特性評価データ、構築後検査データ(熟練した操作者により提供される検査データ及び/又は様々な自動検査ツールの何れかにより提供される検査データを含む)、又はそれらの任意の組み合わせを含み得る。1つ以上のトレーニングデータセットは、適応リアルタイム堆積プロセス制御のために使用される機械学習アルゴリズムをトレーニングするために使用され得る。場合によっては、以下でより詳細に説明されるように、トレーニングデータセットに含まれるデータのタイプは、利用される特定のタイプの機械学習アルゴリズムに応じて変動し得る。例えば、場合によっては、トレーニングデータセットは主に、多くの同じタイプの部品、又は幾つかの共通の特徴のセットを共有する様々な異なる部品を成功裡に製造する際の、熟練した操作者又は技術者によって提供されるプロセス制御設定を含み得る。幾つかの例において、トレーニングデータセットは、製造が所定のシステムで実行されると、プロセスシミュレーションデータ、プロセス制御データ、プロセス特性評価データ、インプロセス検査データ、及び/又は構築後検査データを用いてリアルタイムで更新され得る。幾つかの例において、トレーニングデータは、製造が複数の堆積及び/又は溶接システムで実行されると、プロセスシミュレーションデータ、プロセス制御データ、プロセス特性評価データ、インプロセス検査データ、及び/又は構築後検査データを用いて更新され得る。
幾つかの実施形態において、トレーニングデータセットは、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又はそれらの任意の組み合わせを含み得る。幾つかの実施形態において、トレーニングデータセットは、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、及び構築後検査データから成る群から選択されたデータの1つのタイプを含み得る。幾つかの実施形態において、トレーニングデータセットは、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、及び構築後検査データから成る群から選択されたデータの何れか2つ又は3つのタイプの組み合わせを含み得る。幾つかの実施形態において、トレーニングデータセットは、これらのタイプのデータ全て、即ち、プロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、及び構築後検査データを含み得る。
プロセス特性評価データ:様々なセンサ、測定ツール、又は検査ツールの何れかは、上記に列挙されるものを含む、様々なプロセスパラメータをリアルタイムで監視するために使用され得る。幾つかの実施形態において、例えば、レーザー干渉計が、部品が製造されているときに溶融プールの寸法(レーザー金属ワイヤー堆積の場合)又は他の部品寸法を監視するために使用され得る。幾つかの実施形態において、1つ以上のセンサ(例えば、画像センサ又はマシンビジョンシステム)は、物体によって反射され、散乱され、吸収され、透過され、又は放たれる電磁放射線に関するデータを提供する。幾つかの実施形態において、電磁放射線は、X線、紫外線、可視光線、近赤外線、又は赤外線である。幾つかの実施形態において、リアルタイム画像取得及び処理は、例えば、ベースプレート又は以前に堆積された層に対するワイヤー供給部の角度、又は堆積された層の厚みを監視するために使用される。幾つかの実施形態において、1つ以上のセンサは、物体により反射され、散乱され、吸収され、透過され、又は放たれる音響エネルギーに関するデータを提供する。幾つかの実施形態において、1つ以上のセンサは、物体の電気伝導率又は熱伝導率に関するデータを提供する。幾つかの実施形態において、1つ以上のセンサは、少なくとも0.1Hz、1Hz、5Hz、10Hz、20Hz、30Hz、40Hz、50Hz、60Hz、70Hz、80Hz、90Hz、100HZ、250Hz、500Hz、750Hz、1,000Hz、2,500Hz、5,000Hz、10,000Hz、又はそれ以上のレートで、更新され得る機械学習アルゴリズムを実行するようにプログラムされたプロセッサにプロセス特性評価データを提供することができる。当業者は、1つ以上のプロセス特性評価センサが、この範囲内の任意の値、例えば約8000Hzを有する更新レートでデータを提供し得ることを認識する。
好ましい実施形態において、プロセス制御を実行するために使用される機械学習アルゴリズムに供給されるリアルタイムのプロセス特性評価データは、堆積プロセス制御パラメータが、欠陥が構築プロセス中に生じる部品欠陥を補償又は是正するためにリアルタイムで調整され得るように、上述のような自動物体欠陥分類システムにより供給されるデータを含み得る。自動プロセス制御を実行するために使用される機械学習アルゴリズムは、以下に詳述されるように、報酬関数を最大化する(又は損失関数を最小化する)のに必要なものとして、リアルタイムでプロセス制御パラメータを調整するように構成され得る。
自動堆積プロセス制御のための機械学習アルゴリズム:様々な機械学習アルゴリズムの何れかが、開示されたプロセス制御方法の実施に使用され、且つ、上述の自動物体欠陥分類方法を実施するために用いられるアルゴリズムと同じ又は異なるものであり得る。利用される機械学習アルゴリズムは、教師付きアルゴリズム、教師なしアルゴリズム、半教師付きアルゴリズム、強化アルゴリズム、ディープラーニングアルゴリズム、又はそれらの任意の組み合わせを含み得る。好ましい実施形態において、利用される機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズム、ガウスプロセス回帰アルゴリズム、ロジスティックスモデルツリーアルゴリズム、ランダムフォレストアルゴリズム、ファジイクラシファイヤーアルゴリズム、デシジョンツリーアルゴリズム、階層クラスタリングアルゴリズム、k平均法アルゴリズム、ファジイクラスタリングアルゴリズム、ディープボルツマン機械学習アルゴリズム、ディープ畳み込みニューラルネットワークアルゴリズム、ディープ再帰ニューラルネットワーク、又はそれらの任意の組み合わせを含み、そのうちの幾つかは以下に詳述される。
報酬関数及び損失関数:上述のように、幾つかの実施形態において、自動プロセス制御を実行するために使用される機械学習アルゴリズムは、堆積プロセスを最適化するために、報酬関数を最大化する(又は損失関数を最小化する)のに必要なものとして、リアルタイムでプロセス制御パラメータを調整するように構成され得る。本明細書で使用されるように、報酬関数(又は反対に、費用関数又は誤差関数とも称される損失関数)は、所定の製造事象に関連付けられる「報酬」(又は損失関数の場合には「費用」)を表わす実数に、1つ以上の付加製造プロセス変数及び/又は製造事象結果の値をマッピングする、関数を指す。報酬(又は損失)関数を定める際に使用され得るプロセスパラメータ及び製造事象結果の例は、限定されないが、プロセス処理量(例えば、単位時間ごとの製造された部品の数)、プロセス収率(例えば、特定のセットの品質基準を満たす、生産された部品のパーセンテージ)、生産品質(例えば、生産された部品と理想的な欠陥のない基準部品との間の部品寸法の平均二乗偏差、又は生産された部品ごとに検出された欠陥の平均数)、生産コスト(例えば、生産された部品ごとのコスト)などを含む。場合によっては、最大化される(又は最小化される)べき報酬関数(又は損失関数)の定義は、プロセス制御方法を実行するために使用される機械学習アルゴリズムの選択に依存する場合があり、又はその逆の場合もある。例えば、目的が報酬/価値関数の合計を最大化することである場合、強化学習アルゴリズムが選択され得る。目的が平均二乗誤差費用(又は損失)関数を最小化することである場合、デシジョンツリー回帰アルゴリズム又は線形回帰アルゴリズムが選択され得る。一般的に、プロセス制御方法を実行するために使用される機械学習アルゴリズムは、(i)製造時に部品の現在の「状態」を識別すること(例えば、1つ以上のセンサによって供給されたプロセス特性評価データのリアルタイムストリームに基づく)、(ii)現行の「状態」を設計対象(又は基準「状態」)と比較すること、及び(iii)2つの状態間の差を最小化するために1つ以上のプロセス制御パラメータを調整すること(例えば、トレーニングデータセットによって提供された過去の「学習」に基づく)により、報酬関数を最適化(又は損失関数を最小化)を最適化しようと努める。
図8は、開示された堆積又は溶接プロセス制御方法の幾つかの実施形態に係る強化学習アルゴリズムに対する行動予測−報酬のループを説明する。堆積プロセスの場合、例えば、層堆積(行動a)の間に又はその完了後の任意の時点で、製造されている部品は、部品の現行の構築「状態」(状態s)を判定するために、上述のような様々なセンサ、測定ツール、検査ツール、及び/又はマシンビジョンシステムの何れかを使用して監視される。好ましい実施形態において、部品は、本明細書に開示されるような自動物体欠陥分類システムを用いてリアルタイムで監視される。一旦、部品の現行の構築状態が判定されると、強化学習アルゴリズムは、現行状態の情報s、及び過去のトレーニングデータを用いて発達されたモデルを使用し、報酬関数を最大化する提唱された行動aj+1(例えば、プロセス制御パラメータのセット又はシーケンスの調整)を予測する。現行の構築状態sが比較的乏しい場合(即ち、低い値の報酬関数に関連付けられる)、次の構築状態sj+1における最高の報酬をもたらす行動のセットを単に講ずることは望ましくない場合があり、なぜならばそれが長期的に最大の報酬をもたらさない場合があるためである。場合によっては、即時の次の構築状態sj+1に対する報酬の最大化は、後に次の少数の構造状態、例えばsj+2、sj+3、sj+4に対する非常に低い報酬状態間の決定を強制し得る。少し先へと検討するために学習されたプロセスモデルを使用することにより、単に即時の次の状態と対照的に次のN構築状態に対するプロセス制御パラメータ調節を最適化することができる。状態sから始まる「次のN状態」の各セットには、動作とその結果として生じる状態との相関を予測する以前にトレーニングされたモデルを用いて予測可能である、対応する報酬(即ち、次のN行動に対する報酬スペース)がある。故に、学習されたモデルは、次のN状態に対する報酬値の合計(又は重み付きの合計)を最適化する、行動のシーケンスを判定するために使用され得る。ループは部品が完成するまで繰り返され、且つ、堆積プロセスの付加制御を提供して、プロセス又は環境のパラメータに応じて使用されるプロセス制御パラメータの急速な最適化及び調整の他、プロセス収率、プロセス処理量、及び部品の品質の改善を提供する。
図9は報酬関数の構築を例示しており、そこでは、報酬関数に基づく状態予測モデルを生成するために使用されるトレーニングデータが、手動制御の堆積プロセス中に人間の操作者が選択する行動を監視することにより獲得される。幾つかの実施形態において、機械学習アルゴリズムは、全体的又は部分的に自己トレーニングされ得る。例えば、幾つかの実施形態において、機械学習アルゴリズムのトレーニングの一部として、機械学習アルゴリズムは、1つ以上のプロセス制御パラメータのセットの各々に対して特定の範囲内の値を無作為に選択し、結果として生じるプロセスシミュレーションデータ、プロセス特性評価データ、インプロセス検査データ、構築後検査データ、又はそれらの任意の組み合わせをトレーニングデータセットに組み込んで、プロセス制御パラメータ値をプロセス結果にマッピングする学習されたモデルを改善する。
一般的に、本明細書に開示される堆積プロセスの適応リアルタイム制御のための方法及びシステムは、静的データの探索操作(例えば、以前の実行からのプロセス制御パラメータ又はプロセス特性評価データの探索)に依存しない。むしろ、機械学習アルゴリズムは、プロセスシミュレーション及び/又は実際の部品製造中に1つ以上のプロセス制御パラメータに対する入力値の範囲を探索するために使用され、様々な異なるプロセス及び環境条件の下でプロセス結果に入力プロセス制御パラメータをマッピングする学習されたモデルを生成する。
プロセス制御パラメータの更新レート:幾つかの実施形態において、1つ以上のセンサは、1つ以上のプロセス制御パラメータが少なくとも0.1Hz、1Hz、5Hz、10Hz、20Hz、30Hz、40Hz、50Hz、60Hz、70Hz、80Hz、90Hz、100HZ、250Hz、500Hz、750Hz、1,000Hz、2,500Hz、5,000Hz、10,000Hz、又はそれ以上の更新レートで調整できるように、機械学習アルゴリズムを実行するようにプログラムされたプロセッサにデータを提供することができる。当業者は、1つ以上のプロセス制御パラメータが、この範囲内の任意の値、例えば約8000Hzを有するレートで調整又は更新され得ることを認識する。
<適応プロセス制御のための機械学習アルゴリズム>
上述のように、開示された自動欠陥分類及び付加製造のプロセス制御方法に利用される機械学習アルゴリズムは、教師付き学習アルゴリズム、教師なし学習アルゴリズム、半教師付き学習アルゴリズム、強化学習アルゴリズム、ディープラーニングアルゴリズム、又はそれらの任意の組み合わせを含み得る。
教師付き学習アルゴリズム:本開示の状況下で、教師付き学習アルゴリズムは、所定の物体に対して識別される1つ以上の欠陥のセットと特定のセットの品質基準に従う物体の分類との間の関係を推測するために、或いは、付加製造プロセス制御パラメータのセットと所望の製造結果のセットとの間の関係を推測するために、標識されたトレーニングデータのセットの使用に依存するアルゴリズムである。トレーニングデータは、対になったトレーニング例のセットを含んでおり、例えば、各例は、所定の物体に対して検出された欠陥及び所定の物体の結果として生じる分類のセットを含み、或いは、各例は、製造プロセスの既知の結果と対になった製造プロセスに使用されたプロセス制御パラメータのセットを含む。
教師なし学習アルゴリズム:本開示の状況下で、教師なし学習アルゴリズムは、標識された物体分類データと対にならない物体欠陥データセット、又は標識された製造結果と対にならない入力付加製造プロセス制御パラメータデータから成るトレーニングデータセットから推測を導くために使用されるアルゴリズムである。最も一般的に使用される教師なし学習アルゴリズムはクラスター分析であり、これは多くの場合、プロセスデータの隠れたパターン又はグループ分けを見出すための探究データ分析に対して使用される。
半教師付き学習アルゴリズム:本開示の状況下で、半教師付き学習アルゴリズムは、(典型的に大量の未標識データを伴う比較的少量の標識データを用いる)トレーニングのために標識された及び未標識の物体分類又は付加製造のプロセスデータを使用するアルゴリズムである。
強化学習アルゴリズム:本開示の状況下で、強化学習アルゴリズムは、例えば、特定の製造プロセス報酬関数を最大化するように取られるべき付加製造プロセス工程(又は行動)のセットを判定するために使用されるアルゴリズムである。機械学習環境において、強化学習アルゴリズムは多くの場合、マルコフ決定過程として公式化される。強化学習アルゴリズムは、正確なトレーニングデータの入力/出力の対が提示されず、且つ最適以下の行動が明確に是正されていないという点で、教師付き学習アルゴリズムと相違する。これらアルゴリズムは、更新された入力データに基づく起こりうる結果の探索と過去のトレーニングの探索との平衡を見出すことを通じて、リアルタイムのパフォーマンスに焦点をおいて実施される傾向がある。
ディープラーニングアルゴリズム:本開示の状況下で、ディープラーニングアルゴリズムは、物体分類決定に欠陥データをマッピングする、又は所望の製造結果に入力付加製造プロセス制御パラメータをマッピングするために使用される、人工ニューラルネットワーク(ANN)、具体的には多くの層を含む大きなニューラルネットワークと呼ばれる人間の脳の構造及び機能によって引き出されたアルゴリズムである。人工ニューラルネットワークは以下に詳述される。
デシジョンツリーに基づく専門家システム:本開示の状況下で、専門家システムは、一連のif−thenの規則の適用によって物体欠陥分類の問題又は付加製造プロセス制御の問題を解決するように設計される、教師付き学習アルゴリズムの一例である。専門家システムは典型的に2つのサブシステムを含む:推測エンジン及び知識ベース。知識ベースは、事実(例えば、一連の製造された部品に関する物体欠陥データ、及び熟練したオペレータ、技術者、又は検査員により提供される関連する物体分類データを含むトレーニングデータセット)及び派生規則(例えば、派生した物体分類規則)のセットを含む。その後、推測エンジンは、物体の分類又は次のプロセス制御調整のセットを判定するために、現行の物体分類の問題又はプロセス制御の問題に関するデータに規則を適用する。
サポートベクターマシン(SVM):本開示の状況下で、サポートベクターマシンは、物体欠陥分類データの分類及び回帰分析又は付加製造プロセス制御のために使用される、教師付き学習アルゴリズムである。トレーニングデータ例のセット(例えば物体欠陥データ)を考慮すると、各々は2つのカテゴリー(例えば、良好又は悪い、合格又は失敗)の何れか属するように印付けられ、SVMトレーニングアルゴリズムは、何れかのカテゴリーに新たな例(例えば、新たに製造された物体に関する欠陥データ)を割り当てるモデルを構築する。
自動エンコーダ:本開示の状況下で、自動エンコーダ(時折、自動アソシエータ(autoassociator)又はディアボロネットワークとも呼ばれる)は、入力データ、例えば物体欠陥データの、出力値、例えば物体分類への教師なしの効率的なマッピングのために使用される、人工ニューラルネットワークである。自動エンコーダは多くの場合、寸法縮小、即ち、主なコンポーネントの変数のセットを推定することにより検討中の確率変数の数を減少させるプロセスの目的のために使用される。寸法縮小は、例えば、特徴選択(即ち、元の変数の部分集合)又は特徴抽出(即ち、高次元空間におけるデータの、より少ない次元の空間への変換)の目的のために実行され得る。
人工ニューラルネットワーク(ANN):場合によっては、開示された自動物体欠陥分類又は適応プロセス制御の方法のために使用される機械学習アルゴリズムは、人工ニューラルネットワーク(ANN)、例えばディープマシンラーニングアルゴリズムを含み得る。本開示の自動物体分類方法は、例えば、物体分類データに物体欠陥データをマッピングするために人工ニューラルネットワークを利用することができる。本開示の付加製造プロセス制御システムは、例えば、1つ以上のセンサによって提供されるプロセス監視データ及び/又は物体欠陥分類データのストリームに基づいて、リアルタイムでの付加製造プロセスの適応制御に対するプロセス制御パラメータ設定の最適なセット又はシーケンスを判定するための人工ニューラルネットワーク(ANN)を利用することができる。人工ニューラルネットワークは、フィードフォワードニューラルネットワーク、放射基底関数ネットワーク、再帰ニューラルネットワーク、又は畳み込みニューラルネットワークなどの任意のタイプのニューラルネットワークモデルを含み得る。幾つかの実施形態において、本開示の自動物体欠陥分類及び付加製造プロセス制御の方法及びシステムは、予めトレーニングされたANNアーキテクチャを利用することができる。幾つかの実施形態において、本開示の自動物体欠陥分類及び付加製造プロセス制御の方法及びシステムはANNアーキテクチャを利用することができ、ここで、トレーニングデータセットは、単一のローカルシステム、複数のローカルシステム、或いは複数の地理的分散システムからの、リアルタイムの物体分類データ又はリアルタイムの堆積プロセス制御及び監視データと共に絶えず更新される。
本開示の全体にわたり使用されるように、用語「リアルタイム」は、センサデータ(例えば、プロセス制御データ、プロセス監視データ、及び/又は物体欠陥識別及び分類のデータ)が、入力センサデータストリームの1つ以上における変化に応じて物体分類の予測、又は最適なプロセス制御パラメータの予測を更新するために、機械学習アルゴリズム、例えば人工ニューラルネットワーク又はディープマシンラーニングアルゴリズムにより獲得され、処理され、及び/又は使用されるレートを指す。一般的に、開示された物体欠陥分類及び付加製造プロセス制御の方法及びシステムにより提供される物体分類又はプロセス制御のパラメータに関する更新レートは、約0.1Hz〜約10,000Hzに及び得る。幾つかの実施形態において、更新レートは、少なくとも0.1Hz、少なくとも1HZ、少なくとも10Hz、少なくとも50Hz、少なくとも100Hz、少なくとも250Hz、少なくとも500Hz、少なくとも750Hz、少なくとも1,000Hz、少なくとも2,000Hz、少なくとも3,000Hz、少なくとも4,000Hz、少なくとも5,000Hz、又は少なくとも10,000Hzであり得る。幾つかの実施形態において、更新レートは、多くとも10,000Hz、多くとも5,000Hz、多くとも4,000Hz、多くとも3,000Hz、多くとも2,000Hz、多くとも1,000Hz、多くとも750Hz、多くとも500Hz、多くとも250Hz、多くとも100Hz、多くとも50Hz、多くとも10Hz、多くとも1Hz、又は多くとも0.1Hzであり得る。当業者は、更新レートがこの範囲内の任意の値、例えば約8,000Hzを有し得ることを認識する。
人工ニューラルネットワークは一般的に、ノードの多層へと組織化されたノードの相互連結群を含む(図10を参照)。例えば、ANNアーキテクチャは、少なくとも1つの入力層、1つ以上の隠された層、及び出力層を含み得る。ANNは、任意の総数の層、及び任意数の隠された層を含み、隠された層は、好ましい出力値又は出力値のセットへの入力データのマッピングを可能にする、トレーニング可能な特徴抽出器として機能する。ニューラルネットワークの各層は多数のノード(又はニューロン)を含む。ノードは、入力データ(例えば、本開示の方法の場合、センサデータ、画像データ、物体欠陥データなど)、又は先の層のノードの出力から直接生じる入力を受け取り、特定の操作、例えば要約操作を実行する。場合によっては、入力からノードへの接続は、重み(又は重み計数)に関連付けられる。場合によっては、ノードは、全ての対の入力x、及びそれらの関連する重みwの積を要約することができる(図11)。場合によっては、加重合計は、図11に例示されるようにバイアスbで補われる。場合によっては、ニューロンの出力は、線形又は非線形の関数であり得る、閾値又は活性化関数fを用いてゲート制御され得る。活性化関数は、例えば、正規化線形ユニット(ReLU)活性化関数、又は、飽和双曲線正接、同一性、二進法工程、記号論理学、arcTan、ソフトサイン、パラメトリック正規化線形ユニット、指数関数的線形ユニット、softPlus、湾曲同一性(bent identity)、softExponential、シヌソイド、Sinc、ガウス、又はシグモイド関数、又はそれらの任意の組み合わせなどの他の関数であり得る。
重み係数、バイアス値、及び閾値、又は、ニューラルネットワークの他の計算パラメータは、トレーニングデータの1つ以上のセットを用いてトレーニングフェーズにおいて「教示」又は「学習」され得る。例えば、パラメータは、ANNが算出する出力値(例えば、プロセス制御パラメータ設定に対する予測された調整のセット)がトレーニングデータセットに含まれる例に一致するように、トレーニングデータセットからの入力データ、及び勾配降下又はバックプロパゲーションの方法を使用してトレーニングされ得る。パラメータは、自動物体欠陥分類又は適応リアルタイム堆積プロセス制御のために使用されるものと同じハードウェアを用いて実行される、又は実行されない場合がある、バックプロパゲーションニューラルネットワークトレーニングプロセスから得られ得る。
ディープマシンラーニングアルゴリズムの他の特定のタイプ、例えば、畳み込みニューラルネットワーク(CNN)(例えば、マシンビジョンシステムから画像データを処理するためのもの)も、開示された方法及びシステムにより使用され得る。CNNは一般的に、異なるタイプの層:畳み込み、プーリング、アップスケーリング、及び完全に接続されたノードの層で構成される。場合によっては、正規化線形ユニットなどの活性化関数は、層の一部に使用され得る。CNNアーキテクチャにおいて、実行される操作の各タイプに対して1つ以上の層が存在し得る。CNNアーキテクチャは、合計で任意数の層、及び実行される操作の異なるタイプに対する任意数の層を含み得る。最も単純な畳み込みニューラルネットワークアーキテクチャは、畳み込み層及びプーリング層のシーケンスが後続する入力層から始まり、完全に接続された層で終わる。各畳み込み層は、畳み込み操作の実行のために使用される複数のパラメータを含み得る。各畳み込み層はまた、次いで1つ以上の重み係数又は他の調整可能なパラメータを含み得る1つ以上のフィルタを含む場合がある。幾つかの例において、パラメータは、バイアス(即ち、活性化関数の推移を許容するパラメータ)を含み得る。場合によっては、畳み込み層は、ReLU活性化関数の層に後続する。他の活性化関数、例えば、飽和双曲線正接、同一性、二進法工程、記号論理学、arcTan、ソフトサイン、パラメトリック正規化線形ユニット、指数関数的線形ユニット、softPlus、湾曲同一性(bent identity)、softExponential、シヌソイド、Sinc、ガウス、シグモイド関数なども使用され得る。畳み込み、プーリング、及びReLUの層は学習可能な特徴抽出器として機能し、一方で完全に接続された層は機械学習クラシファイヤーとして機能し得る。
他の人工ニューラルネットワークと同様に、CNNアーキテクチャの畳み込み層及び完全に接続された層は典型的に、上述のようなトレーニングフェーズにおいてトレーニングされる、様々な計算パラメータ、例えば重み、バイアス値、及び閾値を含む。
一般的に、(多数のセンサデータストリームからのデータの入力、及び/又は、例えば画像フレームのサブサンプリングを可能にする)ANNの入力層に使用されるノードの数は、約10〜約10,000のノードに及ぶ場合がある。幾つかの例において、入力層に使用されるノードの数は、少なくとも10、少なくとも50、少なくとも100、少なくとも200、少なくとも300、少なくとも400、少なくとも500、少なくとも600、少なくとも700、少なくとも800、少なくとも900、少なくとも1000、少なくとも2000、少なくとも3000、少なくとも4000、少なくとも5000、少なくとも6000、少なくとも7000、少なくとも8000、少なくとも9000、又は少なくとも10,000であり得る。幾つかの例において、入力層に使用されるノードの数は、多くとも10,000、多くとも9000、多くとも8000、多くとも7000、多くとも6000、多くとも5000、多くとも4000、多くとも3000、多くとも2000、多くとも1000、多くとも900、多くとも800、多くとも700、多くとも600、多くとも500、多くとも400、多くとも300、多くとも200、多くとも100、多くとも50、又は多くとも10であり得る。当業者は、入力層に使用されるノードの数がこの範囲内の任意の値、例えば約512のノードを有し得ることを認識する。
幾つかの例において、(入出力層を含む)ANNに使用される層の合計数は、約3〜約20に及び得る。幾つかの例において、層の合計数は、少なくとも3、少なくとも4、少なくとも5、少なくとも10、少なくとも15、又は少なくとも20であり得る。幾つかの例において、層の合計数は、多くとも20、多くとも15、多くとも10、多くとも5、多くとも4、又は多くとも3であり得る。当業者は、ANNに使用される層の合計数がこの範囲内の任意の値、例えば8の層を有し得ることを認識する。
幾つかの例において、ANNに使用される学習可能又はトレーニング可能なパラメータ、例えば重み係数、バイアス、又は閾値の合計数は、約1〜約10,000に及び得る。幾つかの例において、学習可能なパラメータの合計数は、少なくとも1、少なくとも10、少なくとも100、少なくとも500、少なくとも1,000、少なくとも2,000、少なくとも3,000、少なくとも4,000、少なくとも5,000、少なくとも6,000、少なくとも7,000、少なくとも8,000、少なくとも9,000、又は少なくとも10,000であり得る。代替的に、学習可能なパラメータの合計数は、100未満の任意数、100〜10,000の間の任意数、又は10,000を超える数であり得る。幾つかの例において、学習可能なパラメータの合計数は、多くとも10,000、多くとも9,000、多くとも8,000、多くとも7,000、多くとも6,000、多くとも5,000、多くとも4,000、多くとも3,000、多くとも2,000、多くとも1,000、多くとも500、多くとも100、多くとも10、又は多くとも1であり得る。当業者は、使用される学習可能なパラメータの合計数がこの範囲内の任意の値、例えば約2,200のパラメータを有し得ることを認識する。
<統合及び分散型付加製造システム>
幾つかの実施形態において、本開示の適応リアルタイムプロセス制御方法は、単一の物理的/地理的位置に存在する、統合された付加製造及び/又は溶接システム(即ち、自由形式の堆積又は接合システム)に対して使用され得る。図12は、堆積プロセスのリアルタイム適応制御を提供するための、堆積装置、1つ以上のマシンビジョンシステム、及び/又は他のプロセス監視ツール、プロセスシミュレーションツール、構築後検査ツール、及び、プロセスシミュレーションツール、マシンビジョン及び/又はプロセス監視ツール(インプロセス検査及び/又は欠陥分類ツールを含む)、構築後検査ツール、又はそれらの任意の組み合わせからデータを利用する機械学習アルゴリズムを実行するための1つ以上のプロセッサを含む、統合された付加製造システムの概略図を提供し、ここでシステムのコンポーネントは同じ物理的/地理的位置に位置する。これらの実施形態において、プロセッサは、直接のハードワイヤード接続を介して、及び/又はblue tooth又はwifi接続などの近距離通信リンクを介して、個々のシステムコンポーネントと通信することができる。幾つかの実施形態において、システムコンポーネントの2つ以上は、温度、圧力、大気の組成などの製造環境パラメータのより厳格な制御を可能とする筐体又はハウジング(破線)内に収容され得る。
図13は、堆積プロセスのリアルタイム適応制御を提供するための、分散型自由形式堆積システム、例えば付加製造システムの概略図を提供し、該システムは、1つ以上の堆積装置、プロセスシミュレーションツール、マシンビジョンシステム、及び/又は他のプロセス監視ツール、インプロセス検査ツール、構築後検査ツール、及び、マシンビジョン及び/又はプロセス監視ツール、プロセスシミュレーションツール、構築後検査ツール、又はそれらの任意の組み合わせからデータを利用する機械学習アルゴリズムを実行するための1つ以上のプロセッサを含み、ここで、システムの異なるコンポーネント又はモジュールは、異なるワークスペース及び/又はワークサイト(即ち、異なる物理的/地理的位置)に物理的に位置し、且つ、プロセスデータ(例えば、トレーニングデータ、プロセスシミュレーションデータ、プロセス制御データ、インプロセス検査データ、及び/又は構築後検査データ)及びプロセス制御命令が異なるモジュール間で共有され且つ交換できるように、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、又はインターネットを介して接続され得る。幾つかの実施形態において、共局在化システムコンポーネントの幾つか(例えば、堆積装置及びプロセス監視ツール)は、温度、圧力、大気の組成などの製造環境パラメータのより厳格な制御を可能とする、局所の筐体又はハウジング(図示せず)内に収容され得る。
分散システムについて、1つ以上の堆積装置、1つ以上のプロセス監視センサ、マシンビジョンシステム、及び/又はインプロセス検査ツール間のデータの共有は、データ圧縮アルゴリズム、データ特徴抽出アルゴリズム、又はデータ寸法縮小アルゴリズムの使用を介して容易にされ得る。図14は、特徴抽出及びデータ圧縮を画像化するための教師なしANNベースの手法の1つの非限定的な例であり、これにより画像データは、データが獲得される異なる物理的/地理的位置において都合よく圧縮され、送信され、且つ再構成される。
<プロセッサ&コンピュータシステム>
1つ以上のプロセッサが、本明細書に開示される機械学習アルゴリズム、自動物体欠陥分類方法、及び付加製造プロセス制御方法を実施するために利用され得る。1つ以上のプロセッサは、中央処理装置(CPU)、映像処理装置(GPU)、汎用処理装置、又はコンピューティングプラットフォームなどのハードウェアプロセッサを含み得る。1つ以上のプロセッサは、様々な適切な集積回路、マイクロプロセッサ、論理回路などの何れかで構成され得る。本開示はプロセッサに対する言及と共に記載されるが、他のタイプの集積回路及び論理回路も適用可能であり得る。プロセッサは任意の適切なデータ演算能力を有し得る。例えば、プロセッサは、512ビット、256ビット、128ビット、64ビット、32ビット、又は16のビットのデータ演算を実行することができる。1つ以上のプロセッサは、シングルコア又はマルチコアプロセッサ、或いは並列処理用に構成された複数のプロセッサでもよい。
1つ以上のプロセッサ、或いは自動付加製造堆積装置及び制御システム自体は、より大きなコンピュータシステムの一部であり、及び/又は、データ及び予測結果の送信と共有を容易にするために通信インターフェースの補助によりコンピュータネットワーク(「ネットワーク」)に動作可能に接続され得る。ネットワークは、ローカルエリアネットワーク、イントラネット、及び/又はエクストラネット、インターネットと通信するイントラネット及び/又はエクストラネット、或いはインターネットであり得る。場合によっては、ネットワークは、電気通信及び/又はデータのネットワークである。ネットワークは、場合によってはクラウドコンピューティングなどの分散コンピューティングを可能にする、1つ以上のコンピュータサーバーを含み得る。ネットワークは、場合によってはコンピュータシステムの補助により、ピアツーピア・ネットワークを実施することができ、このネットワークは、コンピュータシステムに連結されたデバイスが、クライアント又はサーバーとして作動することを可能にし得る。
コンピュータシステムはまた、メモリ又はメモリ位置(例えばランダムアクセスメモリ、読み取り専用メモリ、フラッシュメモリ)、電子記憶装置(例えばハードディスク)、1つ以上の他のシステムと通信するための通信インターフェース(例えばネットワークアダプタ)、及び、キャッシュ、他のメモリ、データ記憶装置、及び/又は電子ディスプレイアダプタなどの周辺機器も含み得る。メモリ、記憶装置、インターフェース、及び周辺機器は、例えば、マザーボード上で見出されるように、通信バスを介して、1つ以上のプロセッサ、例えばCPUと通信することができる。記憶装置は、データを記憶するためのデータ記憶ユニット(又はデータリポジトリ)であり得る。
1つ以上のプロセッサ、例えばCPUは、一連の機械可読命令を実行し、この命令はプログラム(又はソフトウェア)で具体化される。この命令はメモリ位置に記憶される。命令は、本開示の方法を実行するようにCPUを引き続きプログラムする或いはそのように構成する、CPUに向けられる。CPUによって実行される操作の例は、フェッチ、デコード、実行、及びライトバックを含む。CPUは集積回路などの回路の一部であり得る。システムの1つ以上の他のコンポーネントを回路に含めてもよい。場合によっては、回路は特定用途向け集積回路(ASIC)である。
記憶装置は、ドライバ、ライブラリ、及び保存されたプログラムなどのファイルを記憶する。記憶装置は、ユーザーデータ、例えばユーザー指定の嗜好性、及びユーザー指定のプログラムを記憶する。コンピュータシステムは、場合によっては、イントラネット又はインターネットを通じてコンピュータシステムと通信状態にあるリモートサーバー上に位置付けられるなど、コンピュータシステムの外部にある1つ以上の追加のデータ記憶ユニットを含み得る。
開示された物体欠陥分類又は付加製造プロセス制御のアルゴリズムなどの、本明細書に提供される方法及びシステムの幾つかの態様は、例えばメモリ又は電子記憶ユニットなど、コンピュータシステムの電子記憶場所に記憶された機械(例えばプロセッサ)実行可能なコードとして実施される。機械実行可能又は機械可読コードは、ソフトウェアの形で提供される。使用中に、コードは1つ以上のプロセッサによって実行される。場合によっては、コードは記憶装置から検索され、1つ以上のプロセッサによる即時のアクセスのためにメモリに記憶される。場合によっては、電子記憶ユニットは排除され、機械実行可能な命令がメモリに記憶される。コードは、コードを実行するように適合された1つ以上のプロセッサを有する機械との使用のために事前にコンパイルされ且つ構成され、或いは実行時にコンパイルされ得る。コードは、事前にコンパイルされた又はアズコンパイルされた(as−compiled)様式でのコードの実行を可能にするために選択される、プログラミング言語で供給され得る。
この技術の様々な態様が、典型的に一種の機械可読媒体に記憶される機械(又はプロセッサ)実行可能コード及び/又は関連データの形で、「製品」又は「製造用品」として考慮され得る。機械実行可能コードは、光ディスク、CD−ROM、DVD、又はブルーレイディスクなどの光学的に読み取り可能な媒体を含む光記憶ユニットに記憶され得る。機械実行可能コードは、メモリ(例えば、読み取り専用メモリ、ランダムアクセスメモリ、フラッシュメモリ)などの電子記憶ユニットに、又はハードディスクに記憶され得る。「記憶」型の媒体は、様々な半導体メモリチップ、光学ドライブ、テープドライブ、ディスクドライブなどの、コンピュータやプロセッサなどの有形メモリ、或いはその関連するモジュールの何れか又は全てを含み、これらは、本明細書に開示される方法及びアルゴリズムをコードするソフトウェアに対して任意の時点で非一時的な記憶を提供することができる。
ソフトウェアコードの全て又は一部が時折、インターネット又は様々な他の電気通信ネットワークを介して通信され得る。そのような通信は、例えば、1つのコンピュータ又はプロセッサから別のものへのソフトウェアのローディング、例えば、管理サーバー又はホストコンピュータからアプリケーションサーバーのコンピュータプラットフォームへのソフトウェアのローディングを可能にする。故に、ソフトウェアでコードされた命令を伝えるために使用される媒体の他のタイプは、有線及び光地上通信線ネットワークを介した、及び様々な大気リンク(atmospheric link)上での、ローカルデバイス間の物理インターフェースにわたって使用されるものなどの、光波、電波、及び電磁波を含む。有線又は無線リンク、光リンクなどの、前記波を運ぶ物理要素も、本明細書に開示される方法を実行するためのソフトウェアでコードされた命令を伝える媒体として考慮される。本明細書で使用されるように、非一時的で有形の「記憶」媒体に制限されない限り、コンピュータ又は機械「可読媒体」などの用語は、実行のためにプロセッサに命令を提供することに関与する媒体を指す。
コンピュータシステムは典型的に、例えばマシンビジョンシステムによりキャプチャされた画像を提供するための電子ディスプレイを含むか、或いはそれと通信状態にあってもよい。ディスプレイは典型的に、ユーザーインターフェース(UI)を提供することもできる。UIの例は、限定されないが、グラフィカルユーザインターフェース(GUI)、ウェブベースユーザーインターフェースなどを含む。
<用途>
開示された自動物体欠陥分類及び適応リアルタイム自由形式堆積又は接合(付加製造及び溶接を含む)プロセス制御の方法及びシステムは、自動車産業、航空産業、医療機器産業、家電業界などにおける部品及びアセンブリの製造を含むがこれらに限定されない、様々な工業用の用途の何れかに使用され得る。例えば、溶接プロセスに対する高容量の用途は、車体の溶接のための自動車産業における使用の他、井戸及び精油所の構築のためのオイル及びガス産業における、及び船舶(造船)産業における使用も含む。
これら実施例は例示目的のためだけに提供され、本明細書に提供される請求の範囲を制限するように意図したものではない。
予測的な実施例1−自動物体欠陥分類
本明細書に開示される機械学習アルゴリズムベースの自動物体欠陥分類の方法及びシステムは、適応リアルタイム付加製造(又は溶接)プロセス制御を可能とするための主要なコンポーネントを提供する。前記方法は、物体欠陥を識別し且つ特定のセットの製造品質基準に従い欠陥を分類する目的でインプロセス又は構築後の検査データを分析するための機械学習アルゴリズムの使用を含み、及び、幾つかの実施形態において、リアルタイム適応プロセス制御に関する入力データを更に提供する。
図15は、物体欠陥の分類のための教師なし機械学習プロセスに対して予想される結果の概略図を提供する。1つ以上の自動検査ツール、例えば自動画像処理アルゴリズムと連結されるマシンビジョンシステムは、特徴寸法、角度、表面仕上げ、及び/又は、インプロセス及び構築後の製造された部品の他の特性を監視及び測定するために使用される。欠陥は、例えば、検査データからノイズを除去し且つ基準データセット(例えば、マシンビジョンツールが検査のために利用されている場合の欠陥のない部品の基準画像)を控除することによって識別され、且つ、クラスター分析又は人工ニューラルネットワークなどの教師なし機械学習アルゴリズムを使用して分類され、それにより、個々の物体を、欠陥が監視されている特徴スペースにおける決定基準(例えば決定境界)の特定のセットを満たすもの又は満たすことができないものとして分類する。(決定基準を満たす物体及び満たさない物体の両方を含む)物体のセットを製造するために使用されたプロセス制御パラメータ及びプロセス監視データの追跡は、製造プロセス制御の実行に使用される機械学習アルゴリズムに関するトレーニングデータを提供する。
予測的な実施例2−適応リアルタイム付加製造プロセス制御
図10は、付加製造(又は溶接)プロセスのリアルタイム適応プロセス制御のために使用されるANNアーキテクチャの1つの非限定的な例を示す。図10において、入力層は、製造プロセス及び/又は製造されている部品の現在状況の指標を提供するプロセス及び/又は物体特性データの、1つ以上のリアルタイムストリームを含む。適切な入力データストリームの例は、限定されないが、プロセスシミュレーションデータ(例えば、FEAシミュレーションデータ)、プロセス監視又は特性評価データ、インプロセス検査データ、構築後検査データ、又はそれらの任意の組み合わせの他、標的(又は将来の)製造状態を達成するために次の工程動作を実行するように調整され得るプロセス制御パラメータのリストも含む。このデータは、同じ又は異なるタイプの部品の以前の製造の実行からのプロセスシミュレーションデータ、プロセス監視又は特性評価データ、インプロセス検査データ、構築後検査データ、又はそれらの任意の組み合わせを含む1つ以上のトレーニングデータセットを使用して、多くの場合に以前にトレーニングされた、ANNに供給される。ANNの隠された又は中間の層は、トレーニングされた特徴抽出器として作用し、一方で図10の例における出力層は、予測された将来の構築状態の判定を提供する。上述のように、ANNモデルは、現行の構築状態及び動作のセットに基づいて将来の構築状態を予測するようにトレーニングされる。一旦、ANNモデルが開発されると(即ち、モデルは将来の状態へと現行の状態及びプロセスパラメータをマッピングすることができる)、その使用は、次のN状態に対するプロセス制御パラメータ調節のセットの判定へと拡張され得る。ANNモデルは動作値関数の作成における第1の工程であり、(図8に図示されるような)所定の構築工程に対する動作の次のシーケンスの判定は、適応リアルタイムプロセス制御を進行における第2の工程である。
幾つかの実施形態において、ニューラルネットワークモデルは、プロセス制御パラメータへの調節を判定するために直接使用され得る。これは典型的に、より困難な「トレーニング」又は「学習」プロセスに関与する。最初に、マシンは、各入力処理制御パラメータ又は動作に関する値の範囲から無作為に選択されることが可能となる。プロセス制御パラメータの調節又は動作のシーケンスは、不具合又は欠陥をもたらす場合、好ましくない(又は負の)結果をもたらすものとしてスコア付けされる。各プロセス制御パラメータ又は動作に関して無作為に選択された値の異なるセットを使用したプロセスの繰り返しは、望ましい(又は正の)結果をもたらすそれらのシーケンスの強化をもたらす。最終的に、ニューラルネットワークモデルは、標的の結果、即ち欠陥なしのプリント部分を達成するために、堆積プロセス制御パラメータ又は動作のセット又はシーケンスに対しどのような調整が行われるのかを「学習する」。
実施例3−製造後画像特徴抽出、及び構築時間動作との相関
図16A−Cは、インプロセス及び製造後の画像特徴抽出、及び部品特徴の構造時間動作との相関の例を提供する。図16A:構築プロセス後の部品の画像が完成している。図16B:構築後検査出力の例(この場合、部品のコンピュータ断層撮影装置(CT)スキャン)。図16C:図16Bに示されるCTスキャンを処理するために特徴抽出アルゴリズムを用いて得られた画像。幾つかの実施形態において、自動特徴抽出により、部品特徴を構造時間動作と相関させることが可能となる。構造中(例えば、プリント時)、プロセス制御パラメータ(例えば、レーザー出力、供給速度、移動速度など)及び堆積プロセスの結果(例えば、溶融プールの形状、溶融プールにおける欠陥など)を相関させる機械学習モデルの構築に加えて、プロセス制御パラメータと部品の特定位置との間にマッピングを作成することもできる。これにより、部品に対し構築後検査データを引き続きインデクシングし、且つ、構築後検査からの所見を対象の領域に特異的なプロセス制御パラメータに相関させ、それにより、構築後検査データを含むように機械学習モデルを拡張することができる。
本発明の好ましい実施形態が本明細書中で示され且つ記載されてきたが、このような実施形態はほんの一例として提供されるものであることは、当業者に明らかであろう。多数の変形、変更、及び置き換えは、本発明から逸脱することなく、当業者によって現在想到されるものである。本明細書に記載される本発明の実施形態の様々な代案が、本発明の実施において任意の組み合わせで利用される得ることを理解されたい。以下の特許請求の範囲は本発明の範囲を定義するものであり、この特許請求の範囲及びその同等物の範囲内の方法及び構造は、それにより包含されることが、意図されている。

Claims (20)

  1. 自由形式の堆積プロセス又は接合プロセスのリアルタイム適応制御のための方法であって、前記方法は:
    a)物体に関する入力設計幾何学的形状を提供する工程と;
    b)トレーニングデータセットを提供する工程であって、ここで、前記トレーニングデータセットは、工程(a)の入力設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状あるいはそれらの一部に関する、プロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、あるいは構築後検査データを含む、工程と;
    c)前記物体を製造するための1つ以上のプロセス制御パラメータの予測された最適なセット又はシーケンスを提供する工程であって、ここで、前記1つ以上のプロセス制御パラメータの予測された最適なセットは、工程(b)のトレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して得られる、工程と;
    d)前記物体を製造するために自由形式の堆積プロセス又は接合プロセスを実施する工程であって、ここで、1つ以上のプロセス制御パラメータをリアルタイムで調整するためのリアルタイムプロセス特性評価データが、入力として機械学習アルゴリズムに提供される、工程と、
    を含む、方法。
  2. 工程(b)−(d)は反復して実行され、各反復に関するプロセス特性評価データ、インプロセス検査データ、あるいは構築後検査データがトレーニングデータセットに組み込まれる、請求項1に記載の方法。
  3. 前記自由形式の堆積プロセス又は接合プロセスは、ステレオリソグラフィ(SLA)、デジタル光処理法(DLP)、熱溶解積層法(FDM)、選択的レーザー焼結法(SLS)、選択的レーザー溶融法(SLM)、又は電子ビーム溶解法(EBM)、あるいは溶接プロセスである、請求項1に記載の方法。
  4. 前記機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズム、ガウスプロセス回帰アルゴリズム、ロジスティックスモデルツリーアルゴリズム、ランダムフォレストアルゴリズム、ファジィクラシファイアアルゴリズム、デシジョンツリーアルゴリズム、階層的クラスタリングアルゴリズム、K平均法アルゴリズム、ファジィクラスタリングアルゴリズム、ディープボルツマン機械学習アルゴリズム、ディープ畳み込みニューラルネットワークアルゴリズム、ディープ再帰ニューラルネットワーク、あるいは任意のそれらの組み合わせを含む、請求項1に記載の方法。
  5. 前記1つ以上のプロセス制御パラメータは、少なくとも100Hzのレートで調整される、請求項1に記載の方法。
  6. 前記方法は、(i)堆積装置又は接合装置、センサ、及びプロセッサを含む単一の統合システム;あるいは、(ii)第1の堆積装置又は接合装置、第1のセンサ、及び第1のプロセッサを含む分散型モジュラーシステムのいずれかを使用して実施され、ここで、前記第1の堆積装置又は接合装置、前記第1のセンサ、及び前記第1のプロセッサは、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介して、トレーニングデータならびにリアルタイムプロセス特性評価データを共有するように構成される、請求項1に記載の方法。
  7. 前記トレーニングデータセットは、入力プロセス制御パラメータを手動で調整する間に熟練オペレータによって生成される、プロセス特性評価データ、インプロセス検査データ、あるいは構築後検査データをさらに含む、請求項1に記載の方法。
  8. 前記機械学習アルゴリズムのトレーニングの一部として、前記機械学習アルゴリズムは、1つ以上のプロセス制御パラメータのセットの各々について指定された範囲内の値をランダムに選択し、結果として生じるプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、あるいは構築後検査データをトレーニングデータセットへと組み込み、プロセス結果に対して、プロセス制御パラメータ値をマッピングする学習されたモデルを改善する、請求項1に記載の方法。
  9. 自由形式の堆積プロセス又は接合プロセスを制御するためのシステムであって、前記システムは:
    a)入力設計幾何学的形状に基づいて物体を製造することができる、第1の堆積装置又は接合装置と;
    b)1つ以上のプロセスパラメータあるいは物体の特性に関するリアルタイムデータを提供する、1つ以上のプロセス特性評価センサと;
    c)(i)1つ以上の入力プロセス制御パラメータの予測された最適なセットを提供し、ならびに(ii)1つ以上のプロセス特性評価センサによって提供されるリアルタイムプロセス特性評価データのストリームに基づいて、1つ以上のプロセス制御パラメータをリアルタイムで調整するようにプログラムされるプロセッサと、を含み、
    ここで、予測及び調整は、トレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して得られる、
    システム。
  10. 前記第1の堆積装置又は接合装置、前記1つ以上のプロセス特性評価センサ、及び前記プロセッサは:(i)単一の統合システム;又は、(ii)ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、あるいはインターネットを介して、トレーニングデータならびにリアルタイムプロセス特性評価データを共有する分散型システムモジュールとして構成される、請求項9に記載のシステム。
  11. トレーニングデータセットは、工程(a)の前記物体と同じ又は異なる複数の物体に関するプロセスシュミレーションデータ、プロセス特性評価データ、インプロセス検査データ、あるいは構築後検査データを含む、請求項9に記載のシステム。
  12. 前記1つ以上のプロセス特性評価センサは、少なくとも1つのレーザー干渉計、マシンビジョンシステム、あるいは、前記物体によって反射、散乱、吸収、透過、又は放出される電磁放射線を検出するセンサを含む、請求項9に記載のシステム。
  13. 前記1つ以上のプロセス制御パラメータは、少なくとも100Hzのレートで調整される、請求項9に記載のシステム。
  14. 物体欠陥の自動分類のための方法であって、前記方法は:
    a)トレーニングデータセットを提供する工程であって、ここで、前記トレーニングデータセットは、物体の設計幾何学的形状と同じ又は異なる複数の設計幾何学的形状に関する製造プロセスシュミレーションデータ、製造プロセス特性評価データ、インプロセス検査データ、あるいは構築後検査データを含む、工程と;
    b)前記1つ以上の物体の特性に関するリアルタイムデータを提供する、1つ以上のセンサを提供する工程と;
    c)工程(a)の前記トレーニングデータセットを用いてトレーニングされた機械学習アルゴリズムを使用して、検出された物体欠陥の分類を提供するようにプログラムされるプロセッサを提供する工程であって、ここで、前記1つ以上のセンサからのリアルタイムデータが、入力として前記機械学習アルゴリズムに提供され、前記検出された物体欠陥の分類をリアルタイムで調整することを可能にする、工程と、
    を含む、方法。
  15. 前記機械学習アルゴリズムに提供する前に、前記1つ以上のセンサによって提供される物体特性データからノイズを除去する工程をさらに含み、ここで、前記ノイズは、信号平均化アルゴリズム、平滑化フィルタアルゴリズム、カルマンフィルタアルゴリズム、非線形フィルタアルゴリズム、全変動最小化アルゴリズム、あるいは任意のそれらの組み合わせを使用して除去される、請求項14に記載の方法。
  16. 前記1つ以上のセンサは、前記物体によって反射、散乱、吸収、透過、あるいは放出される電磁放射線に関するデータを提供する、請求項14に記載の方法。
  17. 前記1つ以上のセンサは、前記物体によって反射、散乱、吸収、透過、あるいは放出される音響エネルギー又は力学的エネルギーに関するデータを提供する、請求項14に記載の方法。
  18. 前記検出された物体欠陥の分類は、少なくとも100Hzのレートで調整される、請求項14に記載の方法。
  19. 前記物体欠陥は、指定された閾値よりも大きい物体特性データと基準データセットとの間の差として検出され、1クラスサポートベクターマシン(SVM)あるいは自動エンコーダアルゴリズムを使用して分類される、請求項14に記載の方法。
  20. 前記物体欠陥は、教師なし1クラスサポートベクターマシン(SVM)、自動エンコーダ、クラスタリング、あるいは最近傍(kNN)機械学習アルゴリズム、及び欠陥がある物体と欠陥がない物体に関する物体特性データを含むトレーニングデータセットを使用して、検出ならびに分類される、請求項14に記載の方法。
JP2019565319A 2017-05-24 2018-05-23 機械学習を使用する付加製造プロセスのリアルタイム適応制御 Active JP6741883B1 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/604,473 2017-05-24
US15/604,473 US10234848B2 (en) 2017-05-24 2017-05-24 Real-time adaptive control of additive manufacturing processes using machine learning
PCT/US2018/034147 WO2018217903A1 (en) 2017-05-24 2018-05-23 Real-time adaptive control of additive manufacturing processes using machine learning

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2020125437A Division JP7084964B2 (ja) 2017-05-24 2020-07-22 機械学習を使用する付加製造プロセスのリアルタイム適応制御

Publications (2)

Publication Number Publication Date
JP6741883B1 JP6741883B1 (ja) 2020-08-19
JP2020527475A true JP2020527475A (ja) 2020-09-10

Family

ID=64395947

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019565319A Active JP6741883B1 (ja) 2017-05-24 2018-05-23 機械学習を使用する付加製造プロセスのリアルタイム適応制御
JP2020125437A Active JP7084964B2 (ja) 2017-05-24 2020-07-22 機械学習を使用する付加製造プロセスのリアルタイム適応制御

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2020125437A Active JP7084964B2 (ja) 2017-05-24 2020-07-22 機械学習を使用する付加製造プロセスのリアルタイム適応制御

Country Status (8)

Country Link
US (5) US10234848B2 (ja)
EP (2) EP3635640B1 (ja)
JP (2) JP6741883B1 (ja)
CA (1) CA3064593C (ja)
ES (1) ES2955982T3 (ja)
NZ (1) NZ760534A (ja)
RU (1) RU2722525C1 (ja)
WO (1) WO2018217903A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022526033A (ja) * 2019-04-19 2022-05-20 ナノトロニクス イメージング インコーポレイテッド 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
WO2022157914A1 (ja) * 2021-01-22 2022-07-28 株式会社ニコン 加工方法
WO2022211434A1 (ko) * 2021-03-29 2022-10-06 오엔제이 주식회사 머신러닝 알고리즘을 이용하여 wps를 자동으로 생성하는 방법 및 장치
JP2023519437A (ja) * 2020-04-01 2023-05-10 エスエルエム ソルーションズ グループ アーゲー システム及び方法
WO2023127321A1 (ja) * 2021-12-28 2023-07-06 株式会社日立製作所 付加製造条件探索装置、および、付加製造条件探索方法
US11731368B2 (en) 2018-04-02 2023-08-22 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
JP7428350B2 (ja) 2020-06-01 2024-02-06 住友重機械ハイマテックス株式会社 加工条件推奨装置、加工条件推奨方法、プログラム、金属構造体製造システム及び金属構造体の製造方法
WO2024162563A1 (ko) * 2023-01-31 2024-08-08 한국전자기술연구원 메타 맵퍼 기반 적층 제조 전 주기 통합 데이터 구축 및 검색 방법

Families Citing this family (233)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11125655B2 (en) 2005-12-19 2021-09-21 Sas Institute Inc. Tool for optimal supersaturated designs
US10547949B2 (en) 2015-05-29 2020-01-28 EVA Automation, Inc. Loudspeaker diaphragm
DE102016211313A1 (de) 2016-06-23 2017-12-28 Eos Gmbh Electro Optical Systems Automatische Justierung einer Heizungsregelung in einer generativen Schichtbauvorrichtung
EP3526766A1 (en) * 2017-01-12 2019-08-21 EOS GmbH Electro Optical Systems Method of detecting process irregularities by means of volume image data of the manufactured object
US10955814B2 (en) * 2017-04-24 2021-03-23 Autodesk, Inc. Closed-loop robotic deposition of material
US10857735B1 (en) * 2017-04-25 2020-12-08 Hrl Laboratories, Llc Apparatus and method for additive manufacturing and determining the development of stress during additive manufacturing
US10234848B2 (en) 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
US10635085B2 (en) * 2017-05-30 2020-04-28 General Electric Company Systems and methods for receiving sensor data for an operating additive manufacturing machine and adaptively compressing the sensor data based on process data which controls the operation of the machine
US10824137B2 (en) * 2017-06-19 2020-11-03 Panasonic Intellectual Property Management Co., Ltd. Mounting board manufacturing system
US10875125B2 (en) * 2017-06-20 2020-12-29 Lincoln Global, Inc. Machine learning for weldment classification and correlation
JP6549644B2 (ja) * 2017-06-27 2019-07-24 ファナック株式会社 機械学習装置、ロボット制御システム及び機械学習方法
US20190001658A1 (en) * 2017-06-30 2019-01-03 General Electric Company Systems and method for advanced additive manufacturing
US20190070787A1 (en) * 2017-08-10 2019-03-07 William Marsh Rice University Machine learning enabled model for predicting the spreading process in powder-bed three-dimensional printing
CN111279278B (zh) * 2017-09-01 2023-07-28 欧姆龙株式会社 制造支持系统和用于支持制造的计算机实现的方法
US10444196B2 (en) 2017-09-20 2019-10-15 Fisher Controls International Llc Bandwidth-selectable acoustic emission apparatus and methods for transmitting time-averaged signal data
US10373598B2 (en) 2017-09-20 2019-08-06 Fisher Controls International Llc Integrated acoustic emission transducer apparatus and methods
US10551297B2 (en) * 2017-09-22 2020-02-04 Saudi Arabian Oil Company Thermography image processing with neural networks to identify corrosion under insulation (CUI)
EP3459714A1 (en) * 2017-09-26 2019-03-27 Siemens Aktiengesellschaft Method and apparatus for monitoring a quality of an object of a 3d-print-job series of identical objects
US11475337B1 (en) * 2017-10-31 2022-10-18 Virtustream Ip Holding Company Llc Platform to deliver artificial intelligence-enabled enterprise class process execution
US11014211B2 (en) * 2017-11-07 2021-05-25 Dalian University Of Technology Monocular vision six-dimensional measurement method for high-dynamic large-range arbitrary contouring error of CNC machine tool
EP3483808A1 (en) * 2017-11-14 2019-05-15 Wipro Limited Method and system for tracking and managing additive manufacturing of products
CN111372755B (zh) * 2017-12-20 2022-02-18 穆格公司 增材制造图像的卷积神经网络评估以及以其为基础的增材制造系统
TWI653605B (zh) * 2017-12-25 2019-03-11 由田新技股份有限公司 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
TWI798314B (zh) * 2017-12-28 2023-04-11 日商東京威力科創股份有限公司 資料處理裝置、資料處理方法及資料處理程式
US10453220B1 (en) * 2017-12-29 2019-10-22 Perceive Corporation Machine-trained network for misalignment-insensitive depth perception
US10891335B2 (en) * 2018-01-03 2021-01-12 International Business Machines Corporation Enhanced exploration of dimensionally reduced data
US11625628B2 (en) * 2018-01-05 2023-04-11 Daniel Suklja Method of improving processing efficiency decision making within a computer system
US20190211072A1 (en) * 2018-01-10 2019-07-11 Syracuse University TRI-AGONIST FOR THE GLu, GLP-1 AND NPY2 RECEPTORS
WO2019145795A2 (en) * 2018-01-26 2019-08-01 Cellink Ab Systems and methods for optical assessments of bioink printability
US10518356B2 (en) * 2018-02-05 2019-12-31 General Electric Company Methods and apparatus for generating additive manufacturing scan paths using thermal and strain modeling
US10073440B1 (en) * 2018-02-13 2018-09-11 University Of Central Florida Research Foundation, Inc. Method for the design and manufacture of composites having tunable physical properties
JP6791182B2 (ja) * 2018-03-14 2020-11-25 オムロン株式会社 ニューラルネットワーク型画像処理装置
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
JP7265318B2 (ja) * 2018-03-23 2023-04-26 株式会社日本製鋼所 機械学習器により成形条件を調整する射出成形機システム
US11998984B2 (en) 2018-04-01 2024-06-04 Astrobotic Technology, Inc. Additively manufactured non-uniform porous materials and components in-situ with fully material, and related methods, systems and computer program product
US11561690B2 (en) 2018-04-22 2023-01-24 Jmp Statistical Discovery Llc Interactive graphical user interface for customizable combinatorial test construction
US11216603B2 (en) 2018-04-22 2022-01-04 Sas Institute Inc. Transformation and evaluation of disallowed combinations in designed experiments
WO2019210285A2 (en) 2018-04-26 2019-10-31 San Diego State University Selective sintering-based fabrication of fully dense complex shaped parts
GB2573171B (en) * 2018-04-27 2021-12-29 Optalysys Ltd Optical processing systems
US11009863B2 (en) * 2018-06-14 2021-05-18 Honeywell International Inc. System and method for additive manufacturing process monitoring
EP3591592A1 (en) * 2018-07-05 2020-01-08 Siemens Aktiengesellschaft Method and system for manufacturing industrial unit goods
US10732521B2 (en) * 2018-08-07 2020-08-04 3DFortify, Inc. Systems and methods for alignment of anisotropic inclusions in additive manufacturing processes
WO2020032963A1 (en) * 2018-08-10 2020-02-13 Hewlett-Packard Development Company, L.P. Predicting thermal behavior in 3d printers
WO2020039581A1 (ja) * 2018-08-24 2020-02-27 技術研究組合次世代3D積層造形技術総合開発機構 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法
EP3624021A1 (en) * 2018-09-17 2020-03-18 Robert Bosch GmbH Device and method for training an augmented discriminator
WO2020061699A1 (en) * 2018-09-28 2020-04-02 Element Ai Inc. System and method for robotic agent management
KR102220029B1 (ko) * 2018-10-12 2021-02-25 한국과학기술원 뉴럴 네트워크를 이용한 비매칭 저 선량 엑스선 전산단층 촬영 영상 처리 방법 및 그 장치
US10830578B2 (en) 2018-10-19 2020-11-10 Inkbit, LLC High-speed metrology
JP2022506523A (ja) 2018-11-02 2022-01-17 インクビット, エルエルシー インテリジェント付加製造方法
US11354466B1 (en) 2018-11-02 2022-06-07 Inkbit, LLC Machine learning for additive manufacturing
EP3651081B1 (en) * 2018-11-09 2021-04-21 Siemens Aktiengesellschaft Tuning of axis control of multi-axis machines
WO2020102614A2 (en) 2018-11-16 2020-05-22 Inkbit, LLC Inkjet 3d printing of multi-component resins
EP3659718B1 (de) * 2018-11-29 2021-06-16 ALLGAIER WERKE GmbH System und verfahren zur überwachung einer siebmaschine
DE102018221002A1 (de) * 2018-12-05 2020-06-10 Robert Bosch Gmbh Steuereinrichtung zur Steuerung einer Fertigungsanlage sowie Fertigungsanlage und Verfahren
US11020907B2 (en) 2018-12-13 2021-06-01 General Electric Company Method for melt pool monitoring using fractal dimensions
US20200189199A1 (en) * 2018-12-13 2020-06-18 General Electric Company Method for melt pool monitoring using machine learning
US11491650B2 (en) 2018-12-19 2022-11-08 Abb Schweiz Ag Distributed inference multi-models for industrial applications
DE102018133092B3 (de) * 2018-12-20 2020-03-12 Volume Graphics Gmbh Computer-implementiertes Verfahren zur Analyse von Messdaten aus einer Messung eines Objektes
TWI709922B (zh) * 2018-12-21 2020-11-11 財團法人工業技術研究院 基於模型之機器學習系統
EP3671387B1 (en) * 2018-12-21 2024-10-23 Bull SAS Monitoring of additive manufacturing process by machine learning algorithms
KR20210106546A (ko) 2018-12-24 2021-08-30 디티에스, 인코포레이티드 딥 러닝 이미지 분석을 사용한 룸 음향 시뮬레이션
JP7321624B2 (ja) * 2018-12-25 2023-08-07 エルジー・ケム・リミテッド 成形装置及び成形体の製造方法
EP3674983B1 (en) * 2018-12-29 2024-09-18 Dassault Systèmes Machine-learning for 3d modeled object inference
EP3674984B1 (en) 2018-12-29 2024-05-15 Dassault Systèmes Set of neural networks
US11681280B2 (en) * 2018-12-31 2023-06-20 Andritz Inc. Material processing optimization
AU2020206336A1 (en) 2019-01-08 2021-07-15 Inkbit, LLC Depth reconstruction in additive fabrication
JP7562538B2 (ja) * 2019-01-08 2024-10-07 インクビット, エルエルシー 積層製造のための表面の再構築
CN109871011B (zh) * 2019-01-15 2022-03-11 哈尔滨工业大学(深圳) 一种基于预处理层与深度强化学习的机器人导航方法
JP7056592B2 (ja) * 2019-01-17 2022-04-19 Jfeスチール株式会社 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
JP2022520077A (ja) * 2019-02-11 2022-03-28 コンストラクション リサーチ アンド テクノロジー ゲーエムベーハー 建設用組成物を調合または評価するためのシステムおよび方法
JP6705519B1 (ja) * 2019-02-12 2020-06-03 Jfeスチール株式会社 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法
US20200265270A1 (en) * 2019-02-20 2020-08-20 Caseware International Inc. Mutual neighbors
DE102019104822A1 (de) * 2019-02-26 2020-08-27 Wago Verwaltungsgesellschaft Mbh Verfahren und Vorrichtung zum Überwachen eines industriellen Prozessschrittes
EP3702130B1 (de) 2019-02-27 2022-05-18 Ivoclar Vivadent AG Stereolithografiegerät und ein verfahren zum einstellen eines stereolithografiegerätes
JP7060535B2 (ja) * 2019-02-27 2022-04-26 ファナック株式会社 工作機械の加工不良発生予測システム
US10884396B2 (en) * 2019-02-27 2021-01-05 General Electric Company Sensor based smart segmentation
US11256231B2 (en) * 2019-02-27 2022-02-22 The Boeing Company Object design using machine-learning model
CN111766253A (zh) * 2019-03-15 2020-10-13 鸿富锦精密电子(成都)有限公司 锡膏印刷品质检测方法、数据处理装置及计算机存储介质
US11407179B2 (en) * 2019-03-20 2022-08-09 General Electric Company Recoater automated monitoring systems and methods for additive manufacturing machines
CN110097075B (zh) * 2019-03-21 2023-04-18 国家海洋信息中心 基于深度学习的海洋中尺度涡分类识别方法
EP3948705A4 (en) * 2019-03-29 2022-12-07 Advanced Solutions Life Sciences, LLC DEFECT DETECTION IN THREE-DIMENSIONAL PRINTED CONSTRUCTIONS
CN109967741B (zh) * 2019-03-29 2021-02-02 贵州翰凯斯智能技术有限公司 一种基于增强学习的3d打印工艺优化方法
US11110667B2 (en) * 2019-04-10 2021-09-07 The Boeing Company Fabrication optimization for composite parts
DE102019110360A1 (de) * 2019-04-18 2020-10-22 Volume Graphics Gmbh Computer-implementiertes Verfahren zur Bestimmung von Defekten eines mittels eines additiven Fertigungsprozesses hergestellten Objekts
US11487271B2 (en) * 2019-04-23 2022-11-01 Dassault Systemes Simulia Corp. Machine learning with fast feature generation for selective laser melting print parameter optimization
EP3930943B1 (en) * 2019-04-26 2023-03-22 Siemens Industry Software NV Machine learning approach for fatigue life prediction of additive manufactured components
EP3736645A1 (en) 2019-05-10 2020-11-11 EMPA Eidgenössische Materialprüfungs- und Forschungsanstalt Method for automated control of material processing and control unit
US20200368815A1 (en) * 2019-05-23 2020-11-26 The Boeing Company Additive manufacturing with adjusted cooling responsive to thermal characteristic of workpiece
WO2020247544A1 (en) * 2019-06-07 2020-12-10 Materialise N.V. Systems and methods for selection of processing parameter for additive manufacturing using simulation
JP6848010B2 (ja) * 2019-06-11 2021-03-24 株式会社ソディック 積層造形装置
WO2020251550A1 (en) * 2019-06-11 2020-12-17 Hewlett-Packard Development Company, L. P. Adapting manufacturing simulation
CN110376457B (zh) * 2019-06-28 2020-10-02 同济大学 基于半监督学习算法的非侵入式负荷监测方法及装置
US11373108B2 (en) 2019-07-10 2022-06-28 Microsoft Technology Licensing, Llc Reinforcement learning in real-time communications
EP3767414A1 (en) * 2019-07-17 2021-01-20 Borges3D B.V. Control system unit for use in a 3-dimensional object manufacturing system and a corresponding method of operating
CA3148849A1 (en) * 2019-07-26 2021-02-04 Velo3D, Inc. Quality assurance in formation of three-dimensional objects
US11181888B2 (en) 2019-07-31 2021-11-23 General Electric Company Autozoning of additive manufacturing print parameters
EP3772411A1 (en) * 2019-08-06 2021-02-10 Siemens Aktiengesellschaft Separation of states of mechanical presses by analysing trained patterns in a neural network
JP2021037716A (ja) * 2019-09-04 2021-03-11 株式会社荏原製作所 機械学習装置、am装置、機械学習方法、および学習モデルの生成方法
JP7365168B2 (ja) * 2019-09-04 2023-10-19 株式会社荏原製作所 Am装置
US11826951B2 (en) 2019-09-06 2023-11-28 Cellink Ab Temperature-controlled multi-material overprinting
EP4028228A4 (en) * 2019-09-10 2023-09-27 Nanotronics Imaging, Inc. SYSTEMS, METHODS AND MEDIA FOR MANUFACTURING PROCESSES
JP7488638B2 (ja) * 2019-10-04 2024-05-22 株式会社日本製鋼所 操作量決定装置、成形装置システム、成形機、コンピュータプログラム、操作量決定方法及び状態表示装置
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
EP4052165A4 (en) 2019-10-31 2023-12-06 FZ Inc. COMPUTER DEVICE SYSTEM AND METHOD FOR SUPPORTING THE DESIGN OF MANUFACTURED COMPONENTS REQUIRING POST-PROCESSING
US10994477B1 (en) 2019-11-01 2021-05-04 Inkbit, LLC Optical scanning for industrial metrology
US11712837B2 (en) 2019-11-01 2023-08-01 Inkbit, LLC Optical scanning for industrial metrology
WO2021092327A1 (en) * 2019-11-07 2021-05-14 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US11760005B2 (en) 2019-11-27 2023-09-19 BWXT Advanced Technologies LLC Resin adhesion failure detection
WO2021112859A1 (en) * 2019-12-05 2021-06-10 Hewlett-Packard Development Company, L.P. Porosity prediction
US11727284B2 (en) 2019-12-12 2023-08-15 Business Objects Software Ltd Interpretation of machine learning results using feature analysis
US11285673B2 (en) * 2019-12-17 2022-03-29 Northrop Grumman Systems Corporation Machine-learning-based additive manufacturing using manufacturing data
US11651587B2 (en) * 2019-12-27 2023-05-16 Siemens Aktiengesellschaft Method and apparatus for product quality inspection
US11610153B1 (en) * 2019-12-30 2023-03-21 X Development Llc Generating reinforcement learning data that is compatible with reinforcement learning for a robotic task
CN113126481A (zh) * 2019-12-31 2021-07-16 钟国诚 控制目标装置及用于控制可变物理参数的方法
DE102020100345B4 (de) * 2020-01-09 2021-11-25 Precitec Gmbh & Co. Kg System und Verfahren zum Überwachen eines Laserbearbeitungsprozesses sowie dazugehöriges Laserbearbeitungssystem
DE102020000880A1 (de) 2020-02-11 2021-08-12 Open Mind Technologies Ag Verfahren zum Erzeugen einer Werkzeugbahn, sowie Verfahren und Vorrichtung zum additiven Fertigen eines Werkstücks mittels einer derartigen Werkzeugbahn
DE102020104484A1 (de) * 2020-02-20 2021-08-26 Precitec Gmbh & Co. Kg Verfahren zur optischen Abstandsmessung für einen Laserbearbeitungsprozess, Messsystem zur optischen Abstandsmessung für eine Laserbearbeitungsvorrichtung und Laserbearbeitungsvorrichtung mit demselben
US12039416B2 (en) * 2020-02-21 2024-07-16 Sap Se Facilitating machine learning using remote data
CN115039040A (zh) * 2020-02-21 2022-09-09 纳米电子成像有限公司 制造过程的系统、方法和介质
US11701832B2 (en) 2020-02-26 2023-07-18 Wisconsin Alumni Research Foundation Systems and methods for controlling additive manufacturing systems
US11086988B1 (en) 2020-02-28 2021-08-10 Nanotronics Imaging, Inc. Method, systems and apparatus for intelligently emulating factory control systems and simulating response data
US11604456B2 (en) * 2020-03-11 2023-03-14 Ford Global Technologies, Llc System for monitoring machining processes of a computer numerical control machine
US12017301B2 (en) * 2020-03-13 2024-06-25 General Electric Company Systems and methods for compression, management, and analysis of downbeam camera data for an additive machine
US11571740B2 (en) * 2020-03-17 2023-02-07 Palo Alto Research Center Incorporated Fabricated shape estimation for additive manufacturing processes
US11580455B2 (en) 2020-04-01 2023-02-14 Sap Se Facilitating machine learning configuration
US11537111B2 (en) * 2020-04-01 2022-12-27 General Electric Company Methods and apparatus for 2-D and 3-D scanning path visualization
EP3925760A3 (en) * 2020-04-03 2022-03-23 Ricoh Company, Ltd. Data output apparatus, three-dimensional fabrication system, and data output method
DE102020204522A1 (de) * 2020-04-08 2021-10-14 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Optimieren von Schweißparametern für eine Schweißsteuerung, Verfahren zum Bereitstellen eines trainierten Algorithmus maschinellen Lernens und Schweißsteuerung
US11544464B1 (en) * 2020-04-16 2023-01-03 Pharm3R Llc Method for assessing facility risks with natural language processing
US11301980B2 (en) * 2020-04-21 2022-04-12 GM Global Technology Operations LLC System and method to evaluate the integrity of spot welds
EP3900857B1 (de) * 2020-04-21 2024-08-07 Siemens Aktiengesellschaft Ermitteln einer strahlungsintensität und/oder einer wellenlänge eines prozessleuchtens
US11531920B2 (en) 2020-04-27 2022-12-20 Raytheon Technologies Corporation System and process for verifying powder bed fusion additive manufacturing operation as being defect free
DE102020111747A1 (de) 2020-04-30 2021-11-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur additiven Herstellung von Bauteilen
DE102020112116A1 (de) * 2020-05-05 2021-11-11 Precitec Gmbh & Co. Kg Verfahren zum Analysieren eines Laserbearbeitungsprozesses, System zum Analysieren eines Laserbearbeitungsprozesses und Laserbearbeitungssystem mit einem solchen System
US11772330B2 (en) 2020-05-12 2023-10-03 Honeywell International Inc. Tunable system and method for stress resolution in additive manufacturing
US11493906B2 (en) * 2020-05-19 2022-11-08 Mistras Group, Inc. Online monitoring of additive manufacturing using acoustic emission methods
CN115668286A (zh) * 2020-05-22 2023-01-31 日本电产理德股份有限公司 训练自动缺陷分类的检测仪器的方法与系统
CN117283873A (zh) * 2020-06-10 2023-12-26 戴弗根特技术有限公司 用于制造产品的装置和方法
KR20230035571A (ko) 2020-06-10 2023-03-14 디버전트 테크놀로지스, 인크. 적응형 생산 시스템
US11741273B2 (en) 2020-06-11 2023-08-29 Palo Alto Research Center Incorporated Fabricated shape estimation for droplet based additive manufacturing
US11524463B2 (en) * 2020-06-11 2022-12-13 Palo Alto Research Center Incorporated Fabricated shape estimation for droplet-based additive manufacturing processes with uncertainty
US11782396B2 (en) 2020-06-22 2023-10-10 Autodesk, Inc. Toolpath generation by reinforcement learning for computer aided manufacturing
US11513925B2 (en) * 2020-06-24 2022-11-29 EMC IP Holding Company LLC Artificial intelligence-based redundancy management framework
JP7353245B2 (ja) * 2020-07-16 2023-09-29 三菱電機株式会社 付加製造装置および付加製造方法
JP7508929B2 (ja) * 2020-07-31 2024-07-02 セイコーエプソン株式会社 機械学習装置
US10994490B1 (en) 2020-07-31 2021-05-04 Inkbit, LLC Calibration for additive manufacturing by compensating for geometric misalignments and distortions between components of a 3D printer
US11536671B2 (en) * 2020-08-07 2022-12-27 Sigma Labs, Inc. Defect identification using machine learning in an additive manufacturing system
KR20220019894A (ko) * 2020-08-10 2022-02-18 삼성전자주식회사 반도체 공정의 시뮬레이션 방법 및 반도체 장치의 제조 방법
US20220050438A1 (en) * 2020-08-12 2022-02-17 Baker Hughes Oilfield Operations Llc Identifying candidate objects for additive manufacturing
US11880173B2 (en) * 2020-08-17 2024-01-23 5G3I Ltd Systems and methods for enhanced control of electronic circuits
WO2022038338A1 (en) * 2020-08-17 2022-02-24 5G3I Ltd Systems and methods for enhanced control of electronic circuits
CN115989464A (zh) * 2020-08-28 2023-04-18 西门子公司 利用人工智能的表面处理过程中的故障预测
WO2022046073A1 (en) * 2020-08-28 2022-03-03 Hewlett-Packard Development Company, L.P. Real-time anomaly detection in three dimensional printers
US11562467B2 (en) * 2020-08-31 2023-01-24 Servicenow Canada Inc. Method and system for designing an optical filter
CN112132796A (zh) * 2020-09-15 2020-12-25 佛山读图科技有限公司 以反馈数据自主学习提升检测精度的视觉检测方法和系统
EP4214588A1 (en) * 2020-09-18 2023-07-26 Basf Se Chemical production monitoring
WO2022058408A1 (en) * 2020-09-18 2022-03-24 Basf Se Chemical production control
JP7082355B2 (ja) * 2020-10-20 2022-06-08 石川県 造形状態推定システム、方法、コンピュータプログラム、及び学習モデルの学習方法
CN112296357B (zh) * 2020-10-29 2021-11-30 福州大学 面向激光选区熔融工艺的增材制造相同并行机调度方法
US20220134647A1 (en) * 2020-11-02 2022-05-05 General Electric Company In-process optical based monitoring and control of additive manufacturing processes
US11904538B2 (en) * 2020-11-27 2024-02-20 The Boeing Company Systems and methods for simultaneously manufacturing a plurality of objects
JP2023553375A (ja) * 2020-11-30 2023-12-21 株式会社SmartLaser&PlasmaSystems 工業プロセスインテリジェント制御方法及びシステム
CN112643053B (zh) * 2020-12-17 2023-04-07 浙江亚通新材料股份有限公司 基于光电信息的激光增材制造缺陷的在线诊断方法
EP4264518A1 (en) * 2020-12-18 2023-10-25 Strong Force VCN Portfolio 2019, LLC Robot fleet management and additive manufacturing for value chain networks
CN112651080A (zh) * 2020-12-18 2021-04-13 重庆忽米网络科技有限公司 基于工业ai技术的焊接结构件工艺优化方法及系统
CN112329275B (zh) * 2021-01-04 2021-04-02 四川大学 一种激光金属增材沉积融合状态实时预测方法及系统
WO2022150501A1 (en) * 2021-01-06 2022-07-14 Machina Labs, Inc. System and method for part forming using intelligent robotic system
US20220219381A1 (en) * 2021-01-08 2022-07-14 Xerox Corporation Building an object with a three-dimensional printer using vibrational energy
CN112651968B (zh) * 2021-01-20 2021-09-07 广东工业大学 一种基于深度信息的木板形变与凹坑检测方法
US20220230292A1 (en) * 2021-01-20 2022-07-21 Scott Powers Machine learning and computer vision based 3d printer monitoring systems and related methods
CN112801091B (zh) * 2021-01-26 2023-06-13 汕头大学 一种基于深度学习的增材制造制件成形质量监控与预测方法
KR20240021146A (ko) * 2021-01-28 2024-02-16 오디사이트.에이아이 엘티디 기계 또는 그의 구성요소의 잠재적 고장을 모니터링하기 위한 시스템 및 방법
US11797744B1 (en) * 2021-02-18 2023-10-24 Ansys Inc. Methods and systems for predicting silicon density for a metal layer of semi-conductor chip via machine learning
WO2022186847A1 (en) * 2021-03-01 2022-09-09 Baker Hughes Oilfield Operations Llc Anomaly detection in additive manufacturing using meltpool monitoring, and related devices and systems
CN112883518B (zh) * 2021-03-09 2023-05-26 西安石油大学 一种预测tig增材与轧制复合制造件残余应力及变形的方法
WO2022215056A1 (en) * 2021-04-09 2022-10-13 Inegi - Instituto De Ciência E Inovação Em Engenharia Mecânica E Engenharia Industrial Device and method for adaptive control of a fused deposition modeling printer using thermography
CN113325068B (zh) * 2021-04-29 2024-02-02 河南工业大学 基于模糊控制的焊缝焊接质量检测方法和检测系统
BE1029294B1 (nl) * 2021-04-30 2023-02-03 Aluzon Productie van structuren opgebouwd uit bouwkundige elementen
EP4334063A1 (en) * 2021-05-04 2024-03-13 Hewlett-Packard Development Company, L.P. Object sintering states
WO2022233991A2 (de) 2021-05-06 2022-11-10 Fronius International Gmbh Wärmequellenmodell für ein lichtbogenschmelzschweissverfahren
CN113359453A (zh) * 2021-06-11 2021-09-07 刘颖妮 一种基于人工智能的零件加工装置及其智能车间系统
DE102021116167A1 (de) 2021-06-22 2023-01-12 Daniel Beck Vorrichtung zur additiven Fertigung eines Produkts und Verfahren zur Überwachung einer additiven Fertigung eines Produkts
US12105137B2 (en) 2021-06-28 2024-10-01 Sandisk Technologies Llc Virtual quality control interpolation and process feedback in the production of memory devices
US12009269B2 (en) 2021-06-28 2024-06-11 Sandisk Technologies Llc Virtual metrology for feature profile prediction in the production of memory devices
EP4113229A1 (en) * 2021-06-29 2023-01-04 AM-Flow Holding B.V. Manufacturing facility and manufacturing method
EP4116064A1 (de) * 2021-07-06 2023-01-11 DENTSPLY SIRONA Inc. Optimierung der dosisverteilung im 3d-druck mittels eines neuronalen netzes
WO2023283308A1 (en) * 2021-07-07 2023-01-12 University Of Southern California Extended fabrication-aware convolution learning framework for predicting 3d shape deformation in additive manufacturing
EP4116697A1 (en) 2021-07-09 2023-01-11 Siemens Industry Software NV Method and system for generating a test coupon specification for predicting fatigue life of a component
DE102021207503A1 (de) 2021-07-14 2023-01-19 Volkswagen Aktiengesellschaft Verfahren zum Erzeugen von Steuerdaten für ein Fertigungsbauteil für zumindest eine Fertigungsvorrichtung mittels einer elektronischen Recheneinrichtung, Computerprogrammprodukt sowie elektronische Recheneinrichtung
US20240293867A1 (en) * 2021-07-16 2024-09-05 Hewlett-Packard Development Company, L.P. Object sintering predictions
CN113442442B (zh) * 2021-07-23 2022-05-10 大连理工大学 基于强化学习的双激光器路径缺陷自适应调整方法
CN113732557B (zh) * 2021-07-30 2022-07-08 武汉理工大学 一种基于数字孪生的焊接监控方法
CN113592813B (zh) * 2021-07-30 2023-05-02 深圳大学 基于深度学习语义分割的新能源电池焊接缺陷检测方法
WO2023009137A1 (en) * 2021-07-30 2023-02-02 Hewlett-Packard Development Company, L.P. Model compensations
CN113751920B (zh) * 2021-08-04 2022-07-22 华南理工大学 一种锁孔tig焊焊接质量实时检测的嵌入式装置及方法
WO2023038844A1 (en) * 2021-09-10 2023-03-16 Nutech Ventures Systems and methods for combining thermal simulations with sensor data to detect flaws and malicious cyber intrusions in additive manufacturing
EP4403283A1 (en) * 2021-09-17 2024-07-24 Nikon Corporation Information processing device, measuring system, molding system, information processing method, molding method, and information output device
CN113962091B (zh) * 2021-10-25 2022-06-07 西南交通大学 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法
CN113987828B (zh) * 2021-11-10 2023-06-09 中国兵器装备集团自动化研究所有限公司 一种基于时间序列的多能场增材制造工艺规划方法
US20230195074A1 (en) * 2021-12-21 2023-06-22 Applied Materials, Inc. Diagnostic methods for substrate manufacturing chambers using physics-based models
WO2023122004A1 (en) * 2021-12-23 2023-06-29 Inkbit, LLC Machine learning for additive manufacturing
JP2023102023A (ja) * 2022-01-11 2023-07-24 株式会社東芝 表示制御装置、表示システム、溶接システム、溶接方法、表示制御方法、プログラム、及び記憶媒体
WO2023140860A1 (en) * 2022-01-21 2023-07-27 Hewlett-Packard Development Company, L.P. Print jobs by three-dimensional printers
US20230264428A1 (en) * 2022-02-23 2023-08-24 Align Technology, Inc. Indirect temperature monitoring for additive manufacturing
US20230281439A1 (en) * 2022-03-07 2023-09-07 Applied Materials, Inc. Synthetic time series data associated with processing equipment
EP4245440A1 (en) 2022-03-15 2023-09-20 Amiquam SA Method for optimizing process parameters of an additive manufacturing process
US20230347412A1 (en) * 2022-04-28 2023-11-02 Intelligent Manufacturing Systems International Additive processing device, additive processing device control method, and computer-readable recording medium storing additive processing device control program
EP4272932B1 (en) * 2022-05-06 2024-09-18 United Grinding Group Management AG Manufacturing assistance system for an additive manufacturing system
FR3135637B1 (fr) 2022-05-17 2024-05-10 Fse Dispositif et procédé pour le contrôle d’un apport de matière en fabrication additive
CN115180461B (zh) * 2022-07-14 2023-09-01 青岛科技大学 新能源汽车压缩机电机生产装备的张力数据驱动控制方法
WO2024036213A1 (en) * 2022-08-09 2024-02-15 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for decoding speech from neural activity
CN115328062B (zh) * 2022-08-31 2023-03-28 济南永信新材料科技有限公司 水刺布生产线智能控制系统
WO2024057100A1 (en) * 2022-09-12 2024-03-21 L&T Technology Services Limited System for detecting and correcting welding defects in real-time and method thereof
US20240094702A1 (en) * 2022-09-15 2024-03-21 Baker Hughes Oilfield Operations Llc Machine learning based rapid parameter development for additive manufacturing and related methods
CN115307731B (zh) * 2022-09-23 2022-12-23 江苏傲勋电子科技有限公司 一种激光投线仪的出射激光线检测方法
GB2623964A (en) * 2022-10-31 2024-05-08 Donaa Ltd Vision system and software detecting defects in real-time during additive manufacturing.
WO2024172874A2 (en) * 2022-11-03 2024-08-22 Carnegie Mellon University Process mapping for additive manufacturing using melt pool topological features
EP4369125A1 (en) * 2022-11-08 2024-05-15 JSP International SARL A method of operating at least one apparatus for processing expandable or expanded polymer particles
DE102022130090A1 (de) * 2022-11-14 2024-05-16 1000 Kelvin GmbH Verfahren zur bereitstellung einer verfahrensanweisung
US20240181538A1 (en) * 2022-12-01 2024-06-06 Vulcanforms Inc. Systems and methods for detecting recoating defects during additive manufacturing processes
DE102023200348A1 (de) 2023-01-18 2024-07-18 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Trainieren eines Vorhersagemodells zum Überwachen eines Konditionierungsprozesses
US20240281569A1 (en) * 2023-02-17 2024-08-22 Nanotronics Imaging, Inc. Process variability simulator for manufacturing processes
WO2024180664A1 (ja) * 2023-02-28 2024-09-06 技術研究組合次世代3D積層造形技術総合開発機構 情報処理装置、情報処理プログラムおよびプロセスマップ生成方法
CN116441554B (zh) * 2023-04-19 2024-07-09 珠海凤泽信息科技有限公司 一种基于强化学习的金纳米棒AuNRs合成方法、系统
CN116680944B (zh) * 2023-05-05 2023-12-22 哈尔滨工业大学 基于数值模拟及深度学习的电弧增材构件工艺预测方法
CN116561706B (zh) * 2023-07-07 2023-09-15 广东易初科技股份有限公司 瓷性阻燃线材的性能数据处理方法及系统
CN116975581B (zh) * 2023-07-20 2024-04-26 快速直接(深圳)精密制造有限公司 一种基于step格式的钣金件快速识别方法
CN117392471B (zh) * 2023-12-12 2024-03-26 深圳市智能派科技有限公司 基于多参数协同的3d打印监测方法及系统
KR102710901B1 (ko) * 2023-12-27 2024-09-26 재단법인 한국조선해양기자재연구원 이기종의 용접로봇의 티칭 및 제어를 위한 인공지능 기반 자동 용접 제어 장치 및 이의 방법
CN117784849B (zh) * 2024-02-27 2024-05-07 泰安德图自动化仪器有限公司 一种基于人工智能的制冷恒温槽自动控制系统
CN118171339B (zh) * 2024-05-13 2024-08-27 临沂大学 基于深度学习的智能增材制造路径规划方法及系统
CN118322573B (zh) * 2024-06-14 2024-08-23 山东脉和增材制造有限公司 一种高分子复合生物材料3d打印优化控制系统
CN118595461A (zh) * 2024-08-08 2024-09-06 西安空天机电智能制造有限公司 一种多激光跟随加工路径规划方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7765022B2 (en) * 1998-06-30 2010-07-27 The P.O.M. Group Direct metal deposition apparatus utilizing rapid-response diode laser source
US20130223724A1 (en) * 2010-06-28 2013-08-29 Precitec Itm Gmbh Method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same
WO2015015554A1 (ja) * 2013-07-29 2015-02-05 Necソリューションイノベータ株式会社 3dプリンタ装置、3dプリント方法及び立体造形物の製造方法
US20150045928A1 (en) * 2013-08-07 2015-02-12 Massachusetts Institute Of Technology Automatic Process Control of Additive Manufacturing Device
JP2016537716A (ja) * 2013-08-22 2016-12-01 ビスポーク, インコーポレイテッド カスタム製品を創作するための方法及びシステム

Family Cites Families (104)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03107470A (ja) 1989-09-21 1991-05-07 Mazda Motor Corp 摺動部材の製造方法
US5394509A (en) * 1992-03-31 1995-02-28 Winston; Patrick H. Data processing system and method for searching for improved results from a process
US5751910A (en) 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
US6122564A (en) 1998-06-30 2000-09-19 Koch; Justin Apparatus and methods for monitoring and controlling multi-layer laser cladding
US6937921B1 (en) 1998-06-30 2005-08-30 Precision Optical Manufacturing (Pom) Production of smart dies and molds using direct metal deposition
US7286893B1 (en) 1998-06-30 2007-10-23 Jyoti Mazumder Tailoring residual stress and hardness during direct metal deposition
US6925346B1 (en) 1998-06-30 2005-08-02 Jyoti Mazumder Closed-loop, rapid manufacturing of three-dimensional components using direct metal deposition
US6553275B1 (en) 1999-03-11 2003-04-22 Jyoti Mazumder In-situ stress monitoring during direct material deposition process
US6859681B1 (en) 1999-09-27 2005-02-22 The Pom Group Multi-material toolpath generation for direct metal deposition
US6793140B2 (en) 2001-01-10 2004-09-21 The P.O.M. Group Machine-readable code generation using direct metal deposition
US6710280B2 (en) 2001-05-22 2004-03-23 The P.O.M. Group Focusing optics for adaptive deposition in rapid manufacturing
US6680456B2 (en) 2001-06-09 2004-01-20 Honeywell International Inc. Ion fusion formation
GB0124762D0 (en) 2001-10-16 2001-12-05 Rolls Royce Plc Apparatus and method for forming a body
US9269043B2 (en) * 2002-03-12 2016-02-23 Knowm Tech, Llc Memristive neural processor utilizing anti-hebbian and hebbian technology
US6822194B2 (en) 2002-05-29 2004-11-23 The Boeing Company Thermocouple control system for selective laser sintering part bed temperature control
US20040060639A1 (en) 2002-08-13 2004-04-01 Dawn White Method of apparatus for ensuring uniform build quality during object consolidation
US7139633B2 (en) 2002-08-29 2006-11-21 Jyoti Mazumder Method of fabricating composite tooling using closed-loop direct-metal deposition
US8613846B2 (en) 2003-02-04 2013-12-24 Microfabrica Inc. Multi-layer, multi-material fabrication methods for producing micro-scale and millimeter-scale devices with enhanced electrical and/or mechanical properties
US8639489B2 (en) 2003-11-10 2014-01-28 Brooks Automation, Inc. Methods and systems for controlling a semiconductor fabrication process
US7326377B2 (en) 2005-11-30 2008-02-05 Honeywell International, Inc. Solid-free-form fabrication process and apparatus including in-process workpiece cooling
US8629368B2 (en) 2006-01-30 2014-01-14 Dm3D Technology, Llc High-speed, ultra precision manufacturing station that combines direct metal deposition and EDM
WO2008107866A1 (en) 2007-03-07 2008-09-12 Objet Geometries Ltd. Rapid production apparatus
GB0704753D0 (en) 2007-03-13 2007-04-18 Airbus Uk Ltd Preparation of a component for use in a joint
US8784723B2 (en) 2007-04-01 2014-07-22 Stratasys Ltd. Method and system for three-dimensional fabrication
US9044827B2 (en) 2007-05-31 2015-06-02 Dm3D Technology, Llc Real-time implementation of generalized predictive algorithm for direct metal deposition (DMD) process control
WO2009154484A2 (en) 2008-06-20 2009-12-23 Business Intelligence Solutions Safe B.V. Methods, apparatus and systems for data visualization and related applications
US8153183B2 (en) 2008-10-21 2012-04-10 Stratasys, Inc. Adjustable platform assembly for digital manufacturing system
US20110103656A1 (en) * 2009-04-17 2011-05-05 Gheorghe Iordanescu Quantification of Plaques in Neuroimages
US7965754B1 (en) 2009-04-21 2011-06-21 The Boeing Company Spherical array laser source
AU2010295585B2 (en) 2009-09-17 2015-10-08 Sciaky, Inc. Electron beam layer manufacturing
US8598523B2 (en) 2009-11-13 2013-12-03 Sciaky, Inc. Electron beam layer manufacturing using scanning electron monitored closed loop control
EP2555902B1 (en) 2010-03-31 2018-04-25 Sciaky Inc. Raster methodology for electron beam layer manufacturing using closed loop control
US8467978B2 (en) 2010-08-31 2013-06-18 The Boeing Company Identifying features on a surface of an object using wavelet analysis
US9522501B2 (en) 2010-09-21 2016-12-20 The Boeing Company Continuous linear production in a selective laser sintering system
US8663533B2 (en) 2010-12-22 2014-03-04 Stratasys, Inc. Method of using print head assembly in fused deposition modeling system
US8419996B2 (en) 2010-12-22 2013-04-16 Stratasys, Inc. Print head assembly for use in fused deposition modeling system
US8647102B2 (en) 2010-12-22 2014-02-11 Stratasys, Inc. Print head assembly and print head for use in fused deposition modeling system
DE102012005087A1 (de) 2011-03-28 2012-10-04 Heidelberger Druckmaschinen Aktiengesellschaft Vorrichtung zum Bedrucken von Oberflächen mit mehreren, bewegbaren Druckköpfen
GB2489493B (en) 2011-03-31 2013-03-13 Norsk Titanium Components As Method and arrangement for building metallic objects by solid freeform fabrication
US9038368B2 (en) 2011-08-01 2015-05-26 The Aerospace Corporation Systems, methods, and apparatus for providing a multi-fuel hybrid rocket motor
US8682468B2 (en) 2012-01-04 2014-03-25 Keyme, Inc. Systems and methods for duplicating keys
US8665479B2 (en) 2012-02-21 2014-03-04 Microsoft Corporation Three-dimensional printing
WO2013142902A2 (en) 2012-03-29 2013-10-03 Rosebank Engineering Pty Ltd Methods for treating aircraft structures
US8836934B1 (en) 2012-05-15 2014-09-16 The Boeing Company Contamination identification system
US9120151B2 (en) 2012-08-01 2015-09-01 Honeywell International Inc. Methods for manufacturing titanium aluminide components from articles formed by consolidation processes
US9327350B2 (en) 2012-08-16 2016-05-03 Stratasys, Inc. Additive manufacturing technique for printing three-dimensional parts with printed receiving surfaces
US9168697B2 (en) 2012-08-16 2015-10-27 Stratasys, Inc. Additive manufacturing system with extended printing volume, and methods of use thereof
US9365021B2 (en) 2012-12-26 2016-06-14 Daniel Judge Villamar Systems and methods for layered manufacturing
DE102013003760A1 (de) 2013-03-06 2014-09-11 MTU Aero Engines AG Verfahren und Vorrichtung zur Qualitätsbeurteilung eines mittels eines generativen Lasersinter- und/oder Laserschmelzverfahrens hergestellten Bauteils
US10093039B2 (en) 2013-03-08 2018-10-09 Stratasys, Inc. Three-dimensional parts having interconnected Hollow patterns, method of manufacturing and method of producing composite part
US9399320B2 (en) 2013-03-08 2016-07-26 Stratasys, Inc. Three-dimensional parts having interconnected hollow patterns, and method for generating and printing thereof
US9751262B2 (en) 2013-06-28 2017-09-05 General Electric Company Systems and methods for creating compensated digital representations for use in additive manufacturing processes
KR101780049B1 (ko) * 2013-07-01 2017-09-19 한국전자통신연구원 레이저 용접 비드 검사 장치 및 방법
US10183329B2 (en) 2013-07-19 2019-01-22 The Boeing Company Quality control of additive manufactured parts
JP2015033717A (ja) 2013-08-09 2015-02-19 三菱重工業株式会社 補修方法
US20150048209A1 (en) 2013-08-16 2015-02-19 Robert Hoyt Structures with Internal Microstructures to Provide Multifunctional Capabilities
EP2839905A1 (en) 2013-08-22 2015-02-25 Astrium GmbH Manufacturing of components from parts made from different materials, particularly of space transportation components such as combustion chambers for thrusters
DE102013217598A1 (de) 2013-09-04 2015-03-05 MTU Aero Engines AG Vorrichtung zur Laser-Materialbearbeitung
US9579850B2 (en) 2013-09-05 2017-02-28 The Boeing Company Three dimensional printing of parts
TWI618640B (zh) 2013-09-13 2018-03-21 Silicon Touch Technology Inc. 立體列印系統以及立體列印方法
US9793613B2 (en) 2013-10-09 2017-10-17 The Boeing Company Additive manufacturing for radio frequency hardware
US20160243762A1 (en) 2013-11-15 2016-08-25 Fleming Robert J Automated design, simulation, and shape forming process for creating structural elements and designed objects
US20150158244A1 (en) 2013-12-05 2015-06-11 Stratasys Ltd. Object Of Additive Manufacture With Encoded Predicted Shape Change And Method Of Manufacturing Same
DE102014202020B4 (de) 2014-02-05 2016-06-09 MTU Aero Engines AG Verfahren und Vorrichtung zur Bestimmung von Eigenspannungen eines Bauteils
US9102099B1 (en) 2014-02-05 2015-08-11 MetaMason, Inc. Methods for additive manufacturing processes incorporating active deposition
US9777674B2 (en) 2014-02-26 2017-10-03 Deepak Atyam Injector plate for a rocket engine
US9990446B2 (en) 2014-04-15 2018-06-05 The Boeing Company Predictive shimming for flexible surfaces
CN103927245B (zh) 2014-04-23 2017-04-12 英华达(上海)科技有限公司 一种3d打印的网络监控系统及方法
US10078325B2 (en) 2014-05-06 2018-09-18 Autodesk, Inc. Systems and methods for designing programmable parts for models and optimizing 3D printing
US10073424B2 (en) 2014-05-13 2018-09-11 Autodesk, Inc. Intelligent 3D printing through optimization of 3D print parameters
US9597843B2 (en) 2014-05-15 2017-03-21 The Boeing Company Method and apparatus for layup tooling
FR3022527B1 (fr) 2014-06-23 2017-12-01 Airbus Operations Sas Procede et dispositif pour la fabrication directe d'une piece sur une structure
US10682214B2 (en) 2014-06-26 2020-06-16 Ipengine Management (India) Private Limited Implantable medical system
US20150378348A1 (en) 2014-06-27 2015-12-31 Hcl Technologies Ltd. Integrated platform for 3d printing ecosystem interfaces and services
CN104118120B (zh) 2014-07-10 2016-09-14 广州中国科学院先进技术研究所 一种用于3d打印的光学系统及其控制方法
JP6470135B2 (ja) 2014-07-14 2019-02-13 ユナイテッド テクノロジーズ コーポレイションUnited Technologies Corporation 付加製造された表面仕上げ
US9678545B2 (en) 2014-08-21 2017-06-13 Raytheon Company Additive ELX and mech interfaces for adapting to COTS plug-and-play variance
US9999924B2 (en) 2014-08-22 2018-06-19 Sigma Labs, Inc. Method and system for monitoring additive manufacturing processes
ES2899960T3 (es) 2014-08-29 2022-03-15 Microsoft Technology Licensing Llc Fabricación de objetos tridimensionales
US10222144B2 (en) 2014-09-23 2019-03-05 The Boeing Company Methods and apparatus for a microtruss heat exchanger
WO2016047874A1 (ko) 2014-09-26 2016-03-31 이상호 3d 프린팅 제어방법
GB2531704A (en) 2014-10-17 2016-05-04 Airbusgroup Ltd Method of additive maufacturing and heat treatment
UA112682C2 (uk) 2014-10-23 2016-10-10 Приватне Акціонерне Товариство "Нво "Червона Хвиля" Спосіб виготовлення тривимірних об'єктів і пристрій для його реалізації
US10204406B2 (en) 2014-11-05 2019-02-12 Illinois Tool Works Inc. System and method of controlling welding system camera exposure and marker illumination
US10016852B2 (en) 2014-11-13 2018-07-10 The Boeing Company Apparatuses and methods for additive manufacturing
DE102014116938A1 (de) 2014-11-19 2016-05-19 Airbus Operations Gmbh Herstellung von Komponenten eines Fahrzeugs unter Anwendung von Additive Layer Manufacturing
EP3023237B1 (en) 2014-11-21 2020-11-11 Airbus Operations GmbH Method and system for manufacturing a three-dimensional object by means of additive manufacturing
WO2016085965A1 (en) 2014-11-24 2016-06-02 Stratasys, Inc. Additive manufacturing system with laser assembly
EP3026638B1 (en) 2014-11-25 2020-04-01 Airbus Operations GmbH Method and system for adapting a 3D printing model
GB2533102B (en) 2014-12-09 2018-10-31 Bae Systems Plc Additive Manufacturing
US20160169821A1 (en) 2014-12-15 2016-06-16 Airbus Defence and Space GmbH Method of quality assurance of an additive manufacturing build process
US10112731B2 (en) 2015-02-27 2018-10-30 Space Systems/Loral, Llc Truss structure optimization techniques
DE102015204800B3 (de) 2015-03-17 2016-12-01 MTU Aero Engines AG Verfahren und Vorrichtung zur Qualitätsbeurteilung eines mittels eines additiven Herstellungsverfahrens hergestellten Bauteils
EP3082102A1 (de) 2015-04-13 2016-10-19 MTU Aero Engines GmbH Verfahren zum evaluieren wenigstens einer mittels eines generativen pulverschichtverfahrens hergestellten bauteilschicht
WO2016179121A1 (en) 2015-05-02 2016-11-10 Fleming Robert J Automated design, simulation, and shape forming process for creating structural elements and designed objects
AU2016202759B2 (en) 2015-05-21 2021-04-29 Rosebank Engineering Pty Ltd Methods for restoring an aircraft frame element
WO2016196382A1 (en) * 2015-06-01 2016-12-08 Velo3D, Inc. Three-dimensional printing and three-dimensional objects formed using the same
US20160356245A1 (en) 2015-06-03 2016-12-08 Raytheon Company Rocket motor produced by additive manufacturing
US11347191B2 (en) 2015-07-29 2022-05-31 Illinois Tool Works Inc. System and method to facilitate welding software as a service
US10816491B2 (en) * 2015-10-09 2020-10-27 Amir Khajepour System and method for real time closed-loop monitoring and control of material properties in thermal material processing
WO2017096050A1 (en) 2015-12-04 2017-06-08 Raytheon Company Electron beam additive manufacturing
US20180104742A1 (en) * 2016-10-18 2018-04-19 General Electric Company Method and system for thermographic inspection of additive manufactured parts
US10234848B2 (en) 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
US10394229B2 (en) 2017-09-27 2019-08-27 International Business Machines Corporation Orchestration of learning and execution of model predictive control tool for manufacturing processes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7765022B2 (en) * 1998-06-30 2010-07-27 The P.O.M. Group Direct metal deposition apparatus utilizing rapid-response diode laser source
US20130223724A1 (en) * 2010-06-28 2013-08-29 Precitec Itm Gmbh Method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same
WO2015015554A1 (ja) * 2013-07-29 2015-02-05 Necソリューションイノベータ株式会社 3dプリンタ装置、3dプリント方法及び立体造形物の製造方法
US20150045928A1 (en) * 2013-08-07 2015-02-12 Massachusetts Institute Of Technology Automatic Process Control of Additive Manufacturing Device
JP2016537716A (ja) * 2013-08-22 2016-12-01 ビスポーク, インコーポレイテッド カスタム製品を創作するための方法及びシステム

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11731368B2 (en) 2018-04-02 2023-08-22 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
JP2022526033A (ja) * 2019-04-19 2022-05-20 ナノトロニクス イメージング インコーポレイテッド 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
JP7255919B2 (ja) 2019-04-19 2023-04-11 ナノトロニクス イメージング インコーポレイテッド 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
JP7553983B2 (ja) 2019-04-19 2024-09-19 ナノトロニクス イメージング インコーポレイテッド 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
JP2023519437A (ja) * 2020-04-01 2023-05-10 エスエルエム ソルーションズ グループ アーゲー システム及び方法
JP7428350B2 (ja) 2020-06-01 2024-02-06 住友重機械ハイマテックス株式会社 加工条件推奨装置、加工条件推奨方法、プログラム、金属構造体製造システム及び金属構造体の製造方法
WO2022157914A1 (ja) * 2021-01-22 2022-07-28 株式会社ニコン 加工方法
WO2022211434A1 (ko) * 2021-03-29 2022-10-06 오엔제이 주식회사 머신러닝 알고리즘을 이용하여 wps를 자동으로 생성하는 방법 및 장치
WO2023127321A1 (ja) * 2021-12-28 2023-07-06 株式会社日立製作所 付加製造条件探索装置、および、付加製造条件探索方法
WO2024162563A1 (ko) * 2023-01-31 2024-08-08 한국전자기술연구원 메타 맵퍼 기반 적층 제조 전 주기 통합 데이터 구축 및 검색 방법

Also Published As

Publication number Publication date
RU2722525C1 (ru) 2020-06-01
US20180341248A1 (en) 2018-11-29
EP3635640A1 (en) 2020-04-15
CA3064593C (en) 2022-05-31
US10921782B2 (en) 2021-02-16
ES2955982T3 (es) 2023-12-11
EP3635640B1 (en) 2023-07-12
EP4306241A1 (en) 2024-01-17
US20210191363A1 (en) 2021-06-24
WO2018217903A1 (en) 2018-11-29
NZ760534A (en) 2020-08-28
US20190227525A1 (en) 2019-07-25
US10539952B2 (en) 2020-01-21
JP6741883B1 (ja) 2020-08-19
JP2021008113A (ja) 2021-01-28
JP7084964B2 (ja) 2022-06-15
US20200096970A1 (en) 2020-03-26
US10234848B2 (en) 2019-03-19
CA3064593A1 (en) 2018-11-29
US20240142941A1 (en) 2024-05-02
EP3635640A4 (en) 2021-03-10

Similar Documents

Publication Publication Date Title
JP7084964B2 (ja) 機械学習を使用する付加製造プロセスのリアルタイム適応制御
US20200166909A1 (en) Real-time adaptive control of manufacturing processes using machine learning
Mercado Rivera et al. Additive manufacturing methods: techniques, materials, and closed-loop control applications
Leach et al. Geometrical metrology for metal additive manufacturing
US11656614B2 (en) In-process digital twinning
Fang et al. Process monitoring, diagnosis and control of additive manufacturing
US10571892B2 (en) Preform fabrication system
Abuabiah et al. Advancements in laser wire-feed metal Additive Manufacturing: A brief review
Kaji et al. Intermittent adaptive trajectory planning for geometric defect correction in large-scale robotic laser directed energy deposition based additive manufacturing
Chen et al. In-Process Sensing, Monitoring and Adaptive Control for Intelligent Laser-Aided Additive Manufacturing
Taufik et al. Computer aided visualization tool for part quality analysis of additive manufacturing process
Franke et al. Vision based process monitoring in wire arc additive manufacturing (WAAM)
Singh Dhami et al. A sensing integrated metal additive manufacturing platform for exploring the use of non-standard powders
Yaseer Process Planning of Robotic Wire Arc Additive Manufacturing (WAAM) Using Machine Learning
O’Regan et al. Engineering a more sustainable manufacturing process for metal Additive Layer Manufacturing using a productive process pyramid
Feng et al. Functional Requirements of Data Analytic Tools and Software for Metal Additive Manufacturing
Detwiler Relating the Surface Topography of As-Built Inconel 718 Surfaces to Laser Powder Bed Fusion Process Parameters
Kaji In-situ monitoring and intermittent controller for adaptive trajectory generation during laser directed energy deposition via powder feeding
Sparks A framework for a successful additive repair system
Krishna On Characterization and Optimization of Surface Topography in Additive Manufacturing Processes
Chen Multi-sensor monitoring for in-situ defect detection and quality assurance in laser-directed energy deposition
Guajardo Treviño An analysis of the technical challenges to produce a Digital Twin of FDM parts
Lyu Advanced Additive Manufacturing Using Data Analytics for Real-Time Quality Assurance
Ogunsanya Digital Twinning of Additive Manufacturing Processes
Xu Design and Realisation of a Monitoring System for Wire-Arc Additive Manufacturing

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200210

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200521

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200522

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200522

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200625

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: 20200701

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200727

R150 Certificate of patent or registration of utility model

Ref document number: 6741883

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250