JP2021088736A - 品質予測システム - Google Patents

Abstract

【課題】付加製造に適用されて造形物の品質を確保するための造形姿勢を容易に設定できる品質予測システムを提供すること。【解決手段】品質予測システム１００は、機械学習装置１１０を備える。機械学習装置１１０は、学習処理装置２１０と、品質予測装置２２０と、データベース２３０とを備える。学習処理装置２１０の学習済みモデル生成部２１４は、造形時データと造形品質データとを訓練データセットとする機械学習により、少なくとも造形時の造形物Ｗの造形姿勢と造形品質とに関する学習済みモデルを生成する。品質予測装置２２０の品質予測部２２３は、新たな造形物Ｗを造形（製造）した際に得られる造形時データと学習済みモデルとに基づき、造形姿勢データをパラメータとして変化させた場合の各々の造形物Ｗの品質を予測する。【選択図】図７

Description

本発明は、品質予測システムに関する。

特許文献１には、レーザ加工条件データを学習する機械学習装置を備えたレーザ加工システムが開示されている。機械学習装置は、レーザ加工システムの状態量と加工結果に関連付けてレーザ加工条件データを学習する。そして、機械学習装置は、学習したレーザ加工条件データを参照することにより、最適な加工結果が得られるレーザ加工条件データを出力するようになっている。

特開２０１７−１６４８０１号公報

近年、材料粉末に対して、光ビーム（レーザビーム及び電子ビーム等）を照射することにより造形物を製造する付加製造が行われている。付加製造には、例えば、粉末床溶融結合（Powder Bed Fusion）方式、指向性エネルギー堆積（Directed Energy Deposition）方式等があることが知られている。粉末床溶融結合方式は、平らに敷き詰められた粉末に対して、光ビームを照射することで付加製造を行う。粉末床溶融結合方式には、ＳＬＭ(Selective Laser Melting)、ＥＢＭ(Electron Beam Melting)等が含まれる。指向性エネルギー堆積方式は、光ビームの照射と材料粉末の吐出を行うヘッドの位置を制御することで付加製造を行う。指向性エネルギー堆積方式には、ＬＭＤ(Laser Metal Deposition)、ＤＭＰ(Direct Metal Printing)等が含まれる。そして、このような付加製造においても、上記従来のレーザ加工システムのように、粉末に光ビームを照射する際の条件を設定することは、造形物の品質を維持する上で肝要である。

ところで、上記の付加製造のうち、特に、粉末床溶融結合方式においては、光ビームが、材料粉末に対して水平方向に走査されることにより、材料粉末を溶融固化させて造形物を造形（製造）する。この場合、材料粉末が溶融固化する際に生じる収縮は、造形物の品質、即ち、形状精度や割れの有無に影響する。ここで、材料粉末が溶融固化する際に生じる収縮の大きさは、例えば、溶融固化する材料粉末の体積に依存し、体積が大きい程収縮が大きくなる傾向を有する。特に、材料粉末が一定の層厚で層状に敷き詰められた場合には、溶融固化する体積は光ビームを水平方向に走査する面積により決定される。

このため、溶融固化する体積を小さく、換言すれば、光ビームを走査する面積を小さくすることにより造形物の品質を満たすことができるものの、造形時（製造時）のベースに対する造形物の傾きを表す造形姿勢を適切に設定する必要がある。しかしながら、この造形姿勢の設定には、粉末の種類や造形物の形状に応じて設定する必要があり、設定に際して作業者の経験や時間を要すると共に極めて煩雑である。

本発明は、付加製造に適用されて造形物の品質を確保するための造形姿勢を容易に設定できる品質予測システムを提供することを目的とする。

品質予測システムは、材料粉末に光ビームを照射し、材料粉末を溶融固化することによって、造形物を製造する付加製造装置に適用され、造形物を製造した際のベースに対する造形姿勢を表す造形姿勢データを含む造形時データと製造された造形物の品質を表す造形品質データとを訓練データセットとする機械学習を行うことにより生成された学習済みモデルを記憶する学習済みモデル記憶部と、学習済みモデルと新たに造形物を製造する際に用いる造形時データとを用いて、造形姿勢データをパラメータとして変化させた複数の場合における造形物の品質を予測する品質予測部と、を備える。

これによれば、造形姿勢データを含む造形時データ及び造形品質データを訓練データセットとする機械学習を行うことにより生成された学習済みモデルと、新たに造形物を製造する際の造形時データとに基づいて造形物の品質を予測することができる。この場合、造形時データに含まれる造形姿勢データをパラメータとして変化させることにより、造形姿勢に応じた造形物の複数の品質を予測することができる。ここで、生成された学習モデルは、少なくとも、付加製造中における造形姿勢と造形物の品質との関係を定義するモデルとなる。

これにより、基準品質を満たす造形物を製造する際の造形姿勢を短時間により且つ極めて容易に設定することができる。又、学習済みモデルを用いて造形姿勢を設定することにより、例えば、作業者の経験等に基づくことなく客観的に造形姿勢を設定することができる。

品質予測システムの構成を示す図である。 付加製造装置を示す図である。 ベース、造形物及びサポート部材を示し、造形姿勢を説明するための拡大正面図である。 ベース、造形物及びサポート部材を示し、造形姿勢を説明するための拡大正面図である。 サポート部材の例を示す図である。 サポート部材の例を示す図である。 機械学習部の構成を示すブロック図である。 造形姿勢データを説明するための図である。 第一例の学習フェーズを説明するための図である。 第一例の推論フェーズを説明するための図である。 第二例の学習フェーズを説明するための図である。 第二例の推論フェーズを説明するための図である。 第三例に係り、第一段階の学習フェーズを説明するための図である。 第三例に係り、第一段階の推論フェーズを説明するための図である。 第三例に係り、第二段階の学習フェーズを説明するための図である。 第三例に係り、第二段階の推論フェーズを説明するための図である。

（１．品質予測システムの適用対象）
品質予測システムは、粉末床溶融結合方式又は指向性エネルギー堆積方式を採用することにより、３Ｄの造形物を付加製造する付加製造方法に適用される。本例では、粉末床溶融結合方式のうちのＳＬＭを用いた付加製造装置の場合を例に挙げて説明するが、付加製造装置が粉末床溶融結合方式のうちのＥＭＢを用いても良い。尚、材料粉末については、本例では、金属粉末を例示するが、樹脂粉末であっても良い。

（２．品質予測システム１００の構成）
品質予測システム１００は、後に詳述する１又は複数の付加製造装置１と、３Ｄ造形モデル生成装置２と、検査装置３と、機械学習装置１１０とを備えて構成される。

３Ｄ造形モデル生成装置２は、要求仕様に基づいて、付加製造装置１により造形物の製造が可能となるように、３Ｄ造形モデルを生成する。３Ｄ造形モデル生成装置２は、例えば、ＣＡＥ(Computer Aided Engineering)を適用して、最適な３Ｄ造形モデルを生成する。本例において、３Ｄ造形モデルに含まれる情報は、３Ｄ設計形状（３Ｄモデルデータ）及び３Ｄ設計形状における造形姿勢（造形姿勢データ）等が含まれる。

検査装置３は、付加製造装置１により製造された造形物の造形品質（品質）を評価するための装置である。検査装置３は、付加製造装置１により製造された造形物の基準形状に対する製造後形状の形状誤差（即ち、形状精度）、及び、造形物の割れの有無等を検査する。検査装置３は、形状誤差及び造形品質を表す造形品質データを出力する。

機械学習装置１１０は、少なくとも付加製造装置１が造形物を造形（製造）する際の造形時データと、造形（製造）された造形物の造形品質データを訓練データセットとして機械学習を行う。ここで、造形時データは、造形する造形物の立体形状を表すと共に造形姿勢データを含む３Ｄモデルデータ及び造形時における造形条件を表す造形条件データを含む。又、造形条件データは、レーザ出力、走査速度、走査ピッチ、照射スポット径、積層厚み、金属粉末の種類の少なくとも一つを含む。

これにより、機械学習装置１１０は、製造時における造形物の造形姿勢と製造された造形物の造形品質（造形物の形状精度と造形物の割れの有無等）とに関する学習済みモデルを生成する。そして、機械学習装置１１０は、学習済みモデルと、新たに造形物を製造する際の造形時データとに基づいて、新たに付加製造された造形物の造形品質（形状精度及び造形の割れの有無等）を予測する。ここで、機械学習装置１１０は、造形時データに含まれる造形姿勢データをパラメータとして変化させ、変化したパラメータ即ち複数の造形姿勢の各々に対応する造形物の造形品質を予測する。

そして、機械学習装置１１０は、予測した複数の造形品質について、予め設定された基準品質を満たす造形品質に対応する造形姿勢を評価する。これにより、付加製造装置１は、評価された造形姿勢によって造形物を造形（製造）することにより、基準品質を満たす造形物を製造する。

機械学習装置１１０は、第一サーバ１１１と、第二サーバ１１２とを備える。但し、第一サーバ１１１と第二サーバ１１２とは、別装置として説明するが、同一装置によって構成することも可能である。又、第一サーバ１１１及び第二サーバ１１２については、少なくとも第一サーバ１１１をクラウド上に設けることも可能である。

第一サーバ１１１は、機械学習における学習フェーズとして機能する。第一サーバ１１１は、取得した訓練データセットを用いて機械学習により学習済みモデルを生成する。第一サーバ１１１は、複数の付加製造装置１と通信可能に設けられ、複数の付加製造装置１の各々が造形物を造形した際に用いた造形時データを、訓練データセットの一部として取得する。造形時データには、例えば、３Ｄモデルデータ、造形条件データ（光ビームの出力、走査速度、照射スポット径、積層厚、サポート種類、材料粉末の種類の少なくとも１つ）、造形物における基準軸線方向、例えば、水平方向に対する傾きを表す造形姿勢データ等が含まれる。

第一サーバ１１１は、更に、複数の付加製造装置１の各々が造形した造形物の形状誤差（基準形状の３Ｄモデルデータに対する製造後形状の誤差）、及び、造形物の割れの有無を表す造形品質データを、訓練データセットにおける教師データとして取得する。そして、第一サーバ１１１は、教師あり学習を行うことにより、造形物の造形状態（具体的には造形姿勢）と造形物の造形品質とに関する学習済みモデルを生成する。尚、第一サーバ１１１における機械学習は、教師あり学習の場合を例に挙げて説明するが、他の機械学習アルゴリズムを適用することも可能である。

第一サーバ１１１は、検査装置３により計測された造形品質データを作業者が入力することによって取得するようにしても良い。又、第一サーバ１１１は、検査装置３によって計測された造形品質データを、検査装置３から直接取得するようにしても良い。尚、造形品質データは、対応する造形物に紐付けされたデータである。

このように、品質予測システム１００において、第一サーバ１１１は、複数の付加製造装置１の各々が造形物を造形した際の造形時データ及び造形品質データを取得する。これにより、第一サーバ１１１は、多量の造形時データ及び造形品質データを訓練データセットとする機械学習により、学習済みモデルを生成する。従って、第一サーバ１１１は、学習済みモデルの学習精度を向上させることができ、学習済みモデルの高精度化を図ることができる。

第二サーバ１１２は、機械学習における推論フェーズとして機能する。第二サーバ１１２は、第一サーバ１１１により生成された学習済みモデルを取得する。更に、第二サーバ１１２は、複数の付加製造装置１の各々に通信可能に設けられる。そして、第二サーバ１１２は、第一サーバ１１１により生成された学習済みモデルを用い、且つ、複数の付加製造装置１の各々が新たに造形物を造形する際の造形時データを入力データとし、新たに造形する造形物の造形品質を予測する。更に、第二サーバ１１２は、造形時データに含まれる造形姿勢データをパラメータとして変化させて複数の造形姿勢の各々に対応する造形品質を予測し、基準品質を満たす造形品質に対応する造形姿勢（造形姿勢データ）を出力データとして出力する。

第二サーバ１１２によって予測された造形物の造形品質及び評価された造形姿勢（造形姿勢データ）は、付加製造装置１に送信し、付加製造装置１の造形条件を調整することに用いることができる。又、第二サーバ１１２によって予測された造形物の造形品質及び評価された造形姿勢（造形姿勢データ）は、３Ｄ造形モデル生成装置２に送信することもできる。これにより、予測された造形物の造形品質が不良であると判断された場合には、予測された造形品質に応じて、３Ｄ造形モデル生成装置２が造形物の形状の変更、即ち、３Ｄモデルデータ及び造形姿勢データの修正や、付加製造時に造形物を支持するサポート部材の種類変更等の処理を行うことができる。

ここで、図示を省略するが、複数の付加製造装置１の各々に対して、第二サーバ１１２と同様の処理を行う品質予測装置を配置することもできる。即ち、品質予測装置は、第二サーバ１１２と同様に、機械学習における推論フェーズを実行する。そして、品質予測装置は、対応する付加製造装置１における造形時データと、第一サーバ１１１により生成された学習済みモデルとに基づいて、対応する付加製造装置１により造形された造形物の造形品質等を予測する。

又、品質予測システム１００は、単体の付加製造装置１と、機械学習装置とにより構成されるようにしても良い。機械学習装置は、第一サーバ１１１に相当する機械学習の学習フェーズを実行可能であると共に、第二サーバ１１２又は品質予測装置に相当する機械学習の推論フェーズを実行可能である。

（３．付加製造装置１の構成）
付加製造装置１の構成について図面を参照しながら説明する。付加製造装置１は、ＳＬＭ方式を採用し、層状に配置された材料粉末としての金属粉末Ｐに光ビームを照射することを繰り返すことによって造形物Ｗを造形する（製造する）装置である。

ここで、光ビームは、金属粉末Ｐを溶融することができる種々のビームを含み、例えば、レーザビームを例示することができる。レーザビームには、近赤外波長のレーザ、ＣＯ_２レーザ（遠赤外レーザ）、半導体レーザ等、種々のレーザを適用でき、対象の金属粉末Ｐに応じて適宜決定される。又、金属粉末Ｐは、アルミニウム、銅、マルエージング鋼やインコネル等の鋼材、ステンレス、合金工具鋼等、種々の金属材料を適用できる。

付加製造装置１は、図２に示すように、チャンバ１０、造形物支持装置２０、粉末供給装置３０、光ビーム照射装置４０を備える。チャンバ１０は、内部の空気を、例えば、Ｈｅ（ヘリウム）や、Ｎ_２（窒素）、Ａｒ（アルゴン）等の不活性ガスに置換可能となるように構成されている。尚、チャンバ１０は、内部を不活性ガスに置換するのではなく、減圧可能な構成としても良い。

造形物支持装置２０は、チャンバ１０の内部に設けられ、造形物Ｗを造形するための部位である。造形物支持装置２０は、造形用容器２１、昇降テーブル２２、ベース２３を備える。造形用容器２１は、上側に開口部を有し、上下方向の軸線に平行な内壁面を有する。昇降テーブル２２は、造形用容器２１の内部にて内壁面に沿うように上下方向に移動可能に設けられる。ベース２３は、昇降テーブル２２の上面に着脱可能に取り付けられ、ベース２３の上面が造形物Ｗを造形するための部位となる。

粉末供給装置３０は、チャンバ１０の内部であって、造形物支持装置２０に隣接して設けられる。粉末供給装置３０は、粉末収納容器３１、供給テーブル３２、リコータ３３を備える。粉末収納容器３１は、上側に開口部を有しており、粉末収納容器３１の開口部の高さは、造形用容器２１の開口部の高さと同一に設けられている。粉末収納容器３１は、上下方向の軸線に平行な内壁面を有する。供給テーブル３２は、粉末収納容器３１の内部にて内壁面に沿うように上下方向に移動可能に設けられる。そして、粉末収納容器３１内において、供給テーブル３２の上側領域に、金属粉末Ｐが収納されている。

リコータ３３は、造形用容器２１の開口部及び粉末収納容器３１の開口部の全領域に亘って、両開口部の上面に沿って往復移動可能に設けられている。リコータ３３は、図２の右から左に移動するときに、粉末収納容器３１の開口部から盛り出ている金属粉末Ｐを、造形用容器２１側に運搬する。更に、リコータ３３は、運搬した金属粉末Ｐをベース２３の上面にて層状に且つ水平に配置する。

光ビーム照射装置４０は、ベース２３の上面に層状に且つ水平に配置された金属粉末Ｐの表面にて、光ビームを水平方向（基準方向）に走査させて光ビームを照射する。光ビーム照射装置４０は、予め設定されたプログラムを実行することにより、造形物Ｗの形状を表す３Ｄモデルデータに基づいて照射位置及び照射強度を変更する。照射位置を変化させることにより、３Ｄモデルデータに基づいた所望の層状の造形物Ｗを造形することができる。又、照射強度を変化させることにより、金属粉末Ｐ同士の接合強度を変化させることができる。

（４．付加製造装置１による造形物Ｗの造形方法）
付加製造装置１による造形物Ｗの製造方法について、図２を参照して説明する。粉末供給装置３０における供給テーブル３２を下方に位置決めした状態で、粉末収納容器３１内で金属粉末Ｐを収納させる。供給テーブル３２を上昇させて、所望量の金属粉末Ｐが粉末収納容器３１の開口部から盛り出た状態とする。同時に、造形物支持装置２０において、ベース２３が昇降テーブル２２の上面に取り付けられ、ベース２３の上面が、造形用容器２１の開口部より僅かに下方に位置するように、昇降テーブル２２を位置決めする。

続いて、リコータ３３を粉末供給装置３０側から造形物支持装置２０側に向かって移動させる。これにより、粉末供給装置３０内の金属粉末Ｐが、ベース２３の上面に移動し、ベース２３の上面において同一厚みの層状に配置される。

続いて、光ビーム照射装置４０が、ベース２３の上面において層状に配置された金属粉末Ｐに対して、水平方向にて光ビームを走査して光ビームを照射する。照射された位置の金属粉末Ｐが溶融固化することにより一体化される。そして、上記動作を繰り返すことにより、ベース２３の上面にサポート部材Ｓが形成される。

続いて、上記と同様の動作により、サポート部材Ｓの上面において層状に配置された金属粉末Ｐに光ビームを照射する。この動作を繰り返すことにより、サポート部材Ｓの上面に、造形物Ｗが造形（製造）される。

造形物Ｗは、サポート部材Ｓの上面に接合しており、サポート部材Ｓは、ベース２３の上面に接合している。そこで、造形物Ｗが造形された後には、造形物Ｗ及びサポート部材Ｓが接合した状態のベース２３を昇降テーブル２２から取り外す。そして、造形物Ｗ及びサポート部材Ｓをベース２３から切り離し、次に造形物Ｗからサポート部材Ｓを分離除去する。このようにして、造形物Ｗが完成する。

（５．付加製造による造形物Ｗについて）
上述したように、付加製造による造形物Ｗは、光ビームが照射されることにより金属粉末Ｐが溶融し、その後に溶融した金属粉末Ｐが固化することで形成される。ところで、金属粉末Ｐが溶融した後に固化する際、即ち、放熱する際には、造形物Ｗは僅かながら収縮する。このため、造形物Ｗには、収縮に伴う変形力が発生する。そして、このような変形力が大きくなると、歪が大きくなって造形物Ｗの形状精度が悪化したり、割れが発生したりする。ここで、造形物Ｗの収縮即ち変形力は、金属粉末Ｐが溶融固化する体積に応じて変化し、溶融固化する体積が大きい程、収縮（変形力）が大きくなる。

そこで、溶融固化する体積を小さく、換言すれば、光ビームを走査する面積を小さくするために、付加製造においては、図２及び図３に示すように、造形時（製造時）のベース２３に対する造形物Ｗの傾きを表す造形姿勢が設定される。この造形姿勢の設定に際しては、例えば、造形物Ｗの形状に応じて変化する溶融固化する体積、即ち、光ビームを走査する面積を勘案して設定する必要がある。

造形姿勢が適切に設定されると、図３に示すように、造形物Ｗの収縮が抑制されるため、発生する変形力が小さく、その結果、歪を小さくすることができて、造形物Ｗの形状精度を良好にすると共に割れの発生が防止される。一方、造形姿勢が不適切に設定されると、図４に示すように、造形姿勢を設けているにも拘らず発生する変形力大きくなり、例えば、サポート部材Ｓと造形物Ｗとが分離する程度まで変形して形状精度が悪化する。このため、造形物Ｗに割れが発生する虞があり、造形姿勢は造形物Ｗごとに適切に設定される必要がある。

（６．サポート部材Ｓについて）
サポート部材Ｓは、ベース２３上において、造形物Ｗの形状精度の確保及び割れの発生を防止して造形物Ｗを支持するために用いられる。サポート部材Ｓは、複数のバリエーション（種類）を有する。サポート部材Ｓは、例えば、図３及び図４に示すように、柱状に設けることができる。又、サポート部材Ｓは、図５に例を示すように、メッシュ状に設けることができる。更には、サポート部材Ｓは、図６に示すように、太さを異ならせて設けることができる。尚、サポート部材Ｓの他の形状について、例えば、特開２０１９−８１９２３号公報に詳細に開示された形状を採用することができる。

（７．機械学習装置１１０の構成）
次に、図７を参照しながら、機械学習装置１１０（図１を参照）の構成を説明する。図７に示すように、機械学習装置１１０は、学習フェーズを実行可能な学習処理装置２１０と、推論フェーズを実行可能な品質予測装置２２０と、データベース２３０とを備える。ここで、学習処理装置２１０は、上述した品質予測システム１００における第一サーバ１１１に相当する。又、品質予測装置２２０は、上述した品質予測システム１００における第二サーバ１１２に相当する。又、データベース２３０は、付加製造装置１が造形物Ｗを造形（製造）するごとに得られる造形時データ及び造形品質データを更新可能に記憶して蓄積する。

学習処理装置２１０は、学習用データ入力部２１１と、訓練データセット取得部２１２と、訓練データセット記憶部２１３と、学習済みモデル生成部２１４とを備える。学習用データ入力部２１１は、対応する造形物Ｗに紐付けられた造形時データを入力する。造形時データは、例えば、３Ｄモデルデータ、造形条件データ（光ビームの出力、走査速度、照射スポット径、積層厚、サポート種類、金属粉末Ｐの種類の少なくとも１つ）、後述する造形姿勢データ及びサポート種類データを挙げることができる。

訓練データセット取得部２１２は、学習用データ入力部２１１により取得された造形時データを説明変数とし、検査装置３から入力された造形品質データを目的変数とする訓練データセットを取得する。尚、検査装置３から入力される造形品質データは、造形物Ｗの形状精度及び造形物Ｗにおける割れの有無が含まれる。取得された訓練データセットは、訓練データセット記憶部２１３に記憶される。又、訓練データセット取得部２１２は、データベース２３０に蓄積された造形時データ及び造形品質データを訓練データセットとして取得することもできる。

学習済みモデル生成部２１４は、訓練データセット記憶部２１３に記憶された造形時データ及び造形品質データに基づき、紐付けされた造形時データと造形品質データとを訓練データセットとする機械学習を行う。これにより、学習済みモデル生成部２１４は、少なくとも付加製造する際の造形物Ｗの造形姿勢（又は／及びサポート部材Ｓ）と造形品質（形状精度及び割れの有無）とに関する学習済みモデルを生成する。

品質予測装置２２０は、学習済みモデル記憶部２２１と、造形時データ取得部２２２と、品質予測部２２３と、評価部２２４と、出力部２２５とを主に備える。学習済みモデル記憶部２２１は、学習済みモデル生成部２１４が生成した学習済みモデルを記憶する。造形時データ取得部２２２は、付加製造装置１が新たに造形物Ｗを造形（製造）する際に用いる造形時データを取得する。

品質予測部２２３は、造形時データ取得部２２２が取得した造形時データと、学習済みモデル記憶部２２１に記憶された学習済みモデルとに基づいて、新たに造形する造形物Ｗの形状精度や割れの有無等の造形品質を予測する。品質予測部２２３は、造形時データに含まれる造形姿勢データ（又は／及びサポート種類データ）をパラメータとして変化させ、変化させた造形姿勢データ即ち造形姿勢（又は／及びサポート種類データ即ちサポート部材Ｓ）の各々に応じた造形物Ｗの造形品質を予測する。

ここで、造形姿勢データは、造形物Ｗを製造する際における基準軸線回りの第一角度、基準軸線に直交する第一軸線回りの第二角度、及び、基準軸線及び第一軸線に直交する第二軸線回りの第三角度の何れかを用いて表されるパラメータ（変数）である。尚、本例においては、図８に示すように、造形物Ｗを製造する際における基準軸線を例えばＸ軸線とすると共に第一角度をＸ軸線回りのＸ軸回転角とする。又、第一軸線をＸ軸線に直交するＹ軸線とすると共に第二角度をＹ軸線回りのＹ軸回転角とする。更に、第に軸線をＸ軸線及びＹ軸線に直交するＺ軸線とすると共に第三角度をＺ軸回りのＺ軸回転角とする。

評価部２２４は、品質予測部２２３によって予測された各々の造形物Ｗの造形品質について、予め設定された基準品質を満たす造形品質に対応する造形姿勢を評価する。そして、評価部２２４は、評価した造形姿勢即ち造形姿勢データを出力部２２５に出力する。

出力部２２５は、品質予測部２２３による予測結果、又は／及び、評価部２２４による評価結果を付加製造装置１や３Ｄ造形モデル生成装置２に出力する。出力部２２５は、例えば、評価部２２４による評価結果に対応して、造形時データ（造形姿勢データを含む）を付加製造装置１に出力する。これにより、付加製造装置１は、基準品質を満たす造形物Ｗを造形（製造）することができる。

又、出力部２２５は、品質予測部２２３の予測結果を出力することにより、例えば、表示装置（図示省略）への表示による案内や、音声による案内、表示灯による案内等を行う。この場合、出力部２２５は、品質予測装置２２０に設けられた表示装置等に案内を行うようにしても良いし、複数の付加製造装置１の各々に設けられた表示装置等に案内を行うようにしても良い。

又、出力部２２５は、３Ｄ造形モデル生成装置２に予測結果や評価結果を出力することもできる。これにより、３Ｄ造形モデル生成装置２においては、予測結果に基づいて、例えば、形状精度の向上や、割れを生じさせないように３Ｄモデルデータを修正することができる。

更に、出力部２２５は、品質予測部２２３が良否判定を行う場合には、品質予測部２２３から取得した良否判定予測結果を付加製造装置１に出力して、付加製造装置１に対して良否判定予測結果に応じた処理を実行させることも可能である。例えば、造形物Ｗの造形品質に含まれる形状精度の良否判定予測結果において不良であると判定された（予測された）場合には、出力部２２５は、付加製造装置１に対して、不良であると判定された造形物Ｗの廃棄処理又は選別処理を実行させることが可能である。

このように、学習処理装置２１０において、学習済みモデル生成部２１４は、造形時データと造形品質データとを訓練データセットとする機械学習により、少なくとも造形時の造形物Ｗの造形姿勢と造形品質（形状精度及び割れの有無）とに関する学習済みモデルを生成する。又、品質予測装置２２０において、学習済みモデル記憶部２２１は、学習済みモデル生成部２１４が生成した学習済みモデルを記憶する。

そして、品質予測装置２２０において、品質予測部２２３は、新たな造形物Ｗを造形（製造）した際に得られる造形時データのうち少なくとも３Ｄモデルデータ及び姿勢データ（又は／及びサポート種類データ）と、学習済みモデル記憶部２２１に記憶された学習済みモデルとに基づき、新たに造形（製造）する（予定の）造形物Ｗの造形品質を予測する。従って、機械学習装置１１０は、造形物Ｗの造形品質、即ち、形状精度及び割れの有無を高精度に予測することができる。以下、に、機械学習装置１１０を用いた造形品質の予測方法について、具体例を挙げながら説明する。

（８．機械学習装置１１０の作動）
（８−１．第一例）
機械学習装置１１０の第一例について、図９Ａ及び図９Ｂを用いて説明する。第一例の機械学習装置１１０は、学習済みモデルを用いて予測される造形物Ｗの造形品質即ち形状精度及び割れの有無に基づいて、造形物Ｗを造形（製造）する際の造形姿勢を決定する。

このため、第一例においては、学習処理装置２１０の学習済みモデル生成部２１４は、図９Ａに示すように、説明変数としての３Ｄモデルデータ、造形条件データ及び造形姿勢データを含む造形時データと、目的変数としての造形品質データと、を用いた機械学習を行い、学習済みモデルを生成する。

続いて、品質予測装置２２０においては、造形時データ取得部２２２が、図９Ｂに示すように、入力データとして、新たに造形（製造）する造形物Ｗに関する造形時データである３Ｄモデルデータ及び造形条件データを取得すると共に、造形姿勢データをパラメータとして取得する。そして、品質予測部２２３は、３Ｄモデルデータ、造形条件データ及び造形姿勢データと、学習済みモデル記憶部２２１に記憶された学習済みモデルと、を用い、出力データとして、新たに造形（製造）する造形物Ｗの造形品質を予測する。

ここで、造形物Ｗの造形品質としては、造形物Ｗの形状精度、より具体的には、形状誤差及び造形物Ｗにおける割れの有無が含まれる。尚、造形物Ｗにおける形状誤差としては、予め定められた計測位置における誤差とすることができる。

品質予測部２２３は、パラメータである造形姿勢データを構成するＸ軸回転角、Ｙ軸回転角及びＺ軸回転角のうちの少なくとも一つを変化させ、各々の場合について造形物Ｗの造形品質を予測する。そして、品質予測部２２３は、造形姿勢データと紐付けされた予測結果を評価部２２４に出力する。

評価部２２４は、品質予測部２２３から出力される複数の予測結果と予め設定された造形品質に関する基準である基準品質とを比較することにより、各々の予測結果について基準を満たしているか否かを評価する。評価部２２４は、評価を行った予測結果のうち、新たに造形（製造）する造形物Ｗの形状誤差が小さく且つ割れを生じないことが予測される予測結果のときの造形姿勢データ、即ち、Ｘ軸回転角、Ｙ軸回転角及びＺ軸回転角を決定する。そして、評価部２２４は、決定した造形姿勢データを出力部２２５に出力する。

尚、評価部２２４が造形姿勢データを決定する場合、予測された造形品質が基準品質を満たすことに加えて、例えば、基準品質を満たしつつ造形物Ｗを製造する際のサイクルタイムが短くなる場合の造形姿勢データを決定することができる。即ち、評価部２２４は、造形品質以外の評価要素に基づいて、造形姿勢データを決定することができる。

出力部２２５は、評価部２２４によって決定された造形姿勢データを３Ｄ造形モデル生成装置２に出力する。３Ｄ造形モデル生成装置２は、出力部２２５から出力された造形姿勢データを取得すると、取得した造形姿勢データを反映することにより、新たに造形（製造）する造形物Ｗの３Ｄモデルデータを生成する。即ち、３Ｄ造形モデル生成装置２は、取得した造形姿勢データに従って３ＤモデルをＸ軸回り、Ｙ軸回り及びＺ軸回りの何れかの軸回りに回転させる。これにより、３Ｄ造形モデル生成装置２は、付加製造装置１によって新たに造形（製造）するための造形物Ｗの３Ｄモデルデータを生成する。尚、３Ｄ造形モデル生成装置２によって新たに生成された３Ｄモデルデータには、造形物Ｗの形状に加え、適宜選択されたサポート部材Ｓが加えられている。

３Ｄ造形モデル生成装置２によって最終的な３Ｄモデルデータが生成されると、例えば、出力部２２５を介して３Ｄモデルデータが出力される。そして、上述したように、付加製造装置１は出力された３Ｄモデルデータを含む造形時データに従って新たな造形物Ｗを造形（製造）する。そして、造形（製造）された造形物Ｗは、検査装置３によって検査される。

ここで、図７に示すように、付加製造装置１が新たな造形物Ｗを造形（製造）したときの造形時データ及び検査装置３による検査結果即ち造形品質データは、互いに紐付けされて、データベース２３０に更新可能に記憶されて蓄積される。これにより、例えば、訓練データセット取得部２１２が学習用データ入力部２１１を介してデータベース２３０から造形時データ及び造形品質データを取得し、学習済みモデル生成部２１４がこれらのデータを訓練データセットとして機械学習を行うことができる。従って、学習済みモデル生成部２１４は、精度の高い学習済みモデルを生成することができる。

尚、品質予測部２２３による品質予測において、造形姿勢データを変更することによって形状誤差が大きい、又は、割れが生じてしまう場合、出力部２２５は、造形物Ｗにおける形状誤差が大きい部位や割れが発生する部位を、例えば、３Ｄ造形モデル生成装置２に出力することができる（図７の破線を参照）。

これにより、３Ｄ造形モデル生成装置２は、例えば、形状誤差が小さく且つ割れの発生しない形状となるように、３Ｄモデルの形状を修正した新たな３Ｄモデルデータを生成する。そして、３Ｄ造形モデル生成装置２は、生成した３Ｄモデルデータ即ち新たな造形物Ｗを造形（製造）するための３Ｄモデルデータを造形時データ取得部２２２に出力することにより、品質予測部２２３は、新たに造形（製造）する造形物Ｗについて、上述したように造形品質を予測する。

（８−２．第二例）
上述した第一例においては、評価部２２４が造形物Ｗの造形品質が基準品質を満たすと予測される場合の造形姿勢データを決定するようにした。ところで、付加製造においては、造形中において造形物Ｗを支持するサポート部材Ｓを複数種類のうちから適切に選択して設定することにより、造形物Ｗの造形品質をより確実に維持することができる。そこで、第二例においては、第一例と同様に学習済みモデルを用いて予測される造形物Ｗの造形品質が基準品質を満たす場合に、評価部２２４が造形姿勢データを決定し且つサポート部材Ｓを決定する。

第二例においては、学習用データ入力部２１１は、図１０Ａに示すように、説明変数ととして、３Ｄモデルデータ、造形条件データ及び造形姿勢データに加えて、サポート種類データを取得する。サポート種類データは、上述したような複数種類のサポート部材Ｓの各々を識別するためのデータである。そして、学習済みモデル生成部２１４は、サポート種類データを含む訓練データセットを用いて機械学習を行うことにより、学習済みモデルを生成する。

続いて、品質予測装置２２０においては、造形時データ取得部２２２が図１０Ｂに示すように、入力データとして、新たに造形（製造）する造形物Ｗに関する造形時データとして３Ｄモデルデータ及び造形条件データを取得すると共に、造形姿勢データ及びサポート種類データをパラメータとして取得する。ここで、サポート種類データは、複数種類のサポート部材Ｓの各々を識別するパラメータ（変数）となる。尚、造形姿勢データは、上述した第一例と同様である。そして、品質予測部２２３は、３Ｄモデルデータ、造形条件データ、造形姿勢データ及びサポート種類データと、学習済みモデル記憶部２２１に記憶された学習済みモデルと、を用い、出力データとして新たに造形（製造）する造形物Ｗの造形品質を予測する。

このとき、品質予測部２２３は、パラメータである造形姿勢データを上述の第一例と同様に変化させると共に、サポート種類データを順次変化させ、各々の場合について造形物Ｗの造形品質を予測する。そして、品質予測部２２３は、造形姿勢データ及びサポート種類データと紐付けされた予測結果を評価部２２４に出力する。

評価部２２４は、品質予測部２２３から出力される複数の予測結果と基準品質とを比較することにより、各々の予測結果について基準を満たしているか否かを評価する。評価部２２４は、評価を行った予測結果のうち、新たに造形（製造）する造形物Ｗの形状誤差が小さく且つ割れを生じないことが予測される予測結果の時の造形姿勢データと、サポート種類データ、即ち、複数種類のサポート部材Ｓのうちの何れかと、を決定する。そして、評価部２２４は、決定した造形姿勢データ及びサポート種類データを出力部２２５に出力する。

出力部２２５は、評価部２２４によって決定された造形姿勢データ及びサポート種類データを３Ｄ造形モデル生成装置２に出力する。３Ｄ造形モデル生成装置２は、取得した造形姿勢データ及びサポート種類データを反映することにより、新たに造形（製造）する造形物Ｗの３Ｄモデルデータを生成する。即ち、３Ｄ造形モデル生成装置２は、取得した造形姿勢データに従って３ＤモデルをＸ軸回り、Ｙ軸回り及びＺ軸回りの何れかの軸回りに回転させる。そして、３Ｄ造形モデル生成装置２は、回転させた３Ｄモデルを最適に支持するサポート部材Ｓ、即ち、評価部２２４によって決定されたサポート部材Ｓを含んでおり、付加製造装置１によって新たに造形（製造）するための造形物Ｗの３Ｄモデルデータを生成する。

３Ｄ造形モデル生成装置２によって最終的な３Ｄモデルデータが生成されると、上述したように、付加製造装置１は生成された３Ｄモデルデータを含む造形時データに従って新たな造形物Ｗを造形（製造）する。このとき、付加製造装置１は、造形物Ｗと共に決定されたサポート部材Ｓを造形（製造）する。そして、造形（製造）された造形物Ｗは、検査装置３によって検査される。

ここで、この第二例においては、図７に示すように、付加製造装置１が新たな造形物Ｗを造形（製造）したときの造形時データ、即ち、造形姿勢データ及びサポート種類データを含む造形時データ及び造形品質データは、互いに紐付けされてデータベース２３０に更新可能に記憶されて蓄積される。これにより、例えば、訓練データセット取得部２１２が学習用データ入力部２１１を介してデータベース２３０から造形時データ（造形姿勢データ及びサポート種類データ）と造形品質データとを取得し、学習済みモデル生成部２１４がこれらのデータを訓練データセットとして機械学習を行うことができる。従って、第二例においては、学習済みモデル生成部２１４は、特にサポート部材Ｓを用いた場合の精度の高い学習済みモデルを生成することができる。

（８−３．第三例）
上述した第一例においては造形物Ｗ（３Ｄモデル）の造形姿勢を決定し、上述した第二例において造形物Ｗ（３Ｄモデル）の造形姿勢を決定すると共にサポート部材Ｓを決定するようにした。第三例においては、図１１Ａ及び図１１Ｂに示すように第一段階として造形物Ｗの造形姿勢を決定し、その後、図１１Ｃ及び図１１Ｄに示すように第二段階として造形姿勢に応じたサポート部材Ｓを決定する。

即ち、第三例の学習済みモデル生成部２１４は、上記第一例と同様に、第一段階として、図１１Ａに示すように、説明変数としての３Ｄモデルデータ、造形条件データ及び造形姿勢データを含む造形時データと、目的変数としての造形品質データと、を用いた機械学習を行い、学習済みモデルを生成する。そして、第三例の品質予測部２２３は、上記第一例と同様に、第一段階として、図１１Ｂに示すように、入力データである３Ｄモデルデータ、造形条件データ及び造形姿勢データ（パラメータ）と、学習済みモデル記憶部２２１に記憶された学習済みモデルと、を用い、出力データとして、新たに造形（製造）する造形物Ｗの造形品質を予測する。これにより、評価部２２４は、基準品質を満たす造形姿勢に対応する造形姿勢データを決定する。尚、以下において、評価部２２４が決定した造形姿勢データを「決定済み造形姿勢データ」と称呼する。

続いて、第三例の学習済みモデル生成部２１４は、上記第二例と同様に、第二段階として、図１１Ｃに示すように、説明変数としての３Ｄモデルデータ、造形条件データ、決定済み造形姿勢データ及びサポート種類データを含む造形時データと、目的変数としての造形品質データと、を用いた機械学習を行い、学習済みモデルを生成する。そして、第三例の品質予測部２２３は、上記第二例と同様に、第二段階として、図１１Ｄに示すように、入力データである３Ｄモデルデータ、造形条件データ、決定済み造形姿勢データ及びサポート種類データ（パラメータ）と、学習済みモデル記憶部２２１に記憶された学習済みモデルと、を用い、出力データとして、新たに造形（製造）する造形物Ｗの造形品質を予測する。これにより、評価部２２４は、最終的に、造形姿勢及びサポート部材Ｓを決定する。

（９．効果）
品質予測システム１００によれば、機械学習装置１１０が造形姿勢データ（又は／及びサポート種類データ）を含む造形時データ及び造形品質データを訓練データセットとする機械学習を行うことにより学習済みモデルを生成することができる。ここで、生成された学習モデルは、付加製造中における造形物Ｗの造形姿勢（又は／及びサポート部材Ｓ）と造形物Ｗの造形品質との関係を定義するモデルとなる。そして、品質予測システム１００は、生成された学習済みモデルと、新たに造形物Ｗを製造する際の造形時データとに基づいて造形物Ｗの造形品質を予測することができる。この場合、品質予測システム１００は、造形時データに含まれる造形姿勢データ（又は／及びサポート種類データ）をパラメータとして変化させることにより、造形姿勢（又は／及びサポート部材Ｓ）に応じた造形物Ｗの複数の造形品質を予測することができる。

これにより、基準品質を満たす造形物Ｗを製造する際の造形姿勢を短時間により且つ極めて容易に設定することができる。又、学習済みモデルを用いて造形姿勢を設定することにより、例えば、作業者の経験等に基づくことなく客観的に造形姿勢を設定することができる。更に、基準品質を満たす造形物Ｗを製造する際に必要なサポート部材Ｓを短時間により且つ極めて容易に設定することができる。

（１０．その他）
上記説明においては、材料粉末を金属粉末Ｐとした。しかし、材料粉末としては、例えば、樹脂材料を用いても良い。樹脂材料を用いる場合、付加製造として、上記説明のような粉末床溶融結合方式の付加製造装置を用いて造形物を製造することに代えて、例えば、溶剤に溶解した樹脂材料を噴出させて造形物を造形（製造）するインクジェット方式を用いることもできる。

１…付加製造装置、２…３Ｄ造形モデル生成装置、３…検査装置、１０…チャンバ、２０…造形物支持装置、２１…造形用容器、２２…昇降テーブル、２３…ベース、３０…粉末供給装置、３１…粉末収納容器、３２…供給テーブル、３３…リコータ、４０…光ビーム照射装置、１００…品質予測システム、１１０…機械学習装置、１１１…第一サーバ、１１２…第二サーバ、２１０…学習処理装置、２１１…学習用データ入力部、２１２…訓練データセット取得部、２１３…訓練データセット記憶部、２１４…学習済みモデル生成部、２２０…品質予測装置、２２１…学習済みモデル記憶部、２２２…造形時データ取得部、２２３…品質予測部、２２４…評価部、２２５…出力部、２３０…データベース、Ｐ…金属粉末、Ｓ…サポート部材、Ｗ…造形物

Claims (13)

1. 材料粉末に光ビームを照射し、前記材料粉末を溶融固化することによって、造形物を製造する付加製造装置に適用され、
   前記造形物を製造した際にベースに対する造形姿勢を表す造形姿勢データを含む造形時データと製造された前記造形物の品質を表す造形品質データとを訓練データセットとする機械学習を行うことにより生成された学習済みモデルを記憶する学習済みモデル記憶部と、
   前記学習済みモデルと新たに前記造形物を製造する際に用いる前記造形時データとを用いて、前記造形姿勢データをパラメータとして変化させた場合における各々の前記造形物の前記品質を予測する品質予測部と、
   を備える、品質予測システム。
2. 予測された各々の前記造形物の前記品質について、予め設定された基準品質を満たす前記品質に対応する前記造形姿勢を評価する評価部を備えた、請求項１に記載の品質予測システム。
3. 前記造形時データは、前記造形物の製造時に前記ベース上にて前記造形物を支持する複数種類のサポート部材を識別するサポート種類データを含んでおり、
   前記品質予測部は、前記造形時データに含まれる前記造形姿勢データ及び前記サポート種類データをパラメータとして変化させた場合における各々の前記造形物の前記品質を予測する、請求項１又は２に記載の品質予測システム。
4. 予測された各々の前記造形物の前記品質について、予め設定された基準品質を満たす前記品質に対応する前記造形姿勢及び前記サポート部材を評価する評価部を備えた、請求項３に記載の品質予測システム。
5. 前記評価部による評価結果に対応する前記造形時データを出力する出力部を備え、
   前記付加製造装置は、前記出力部から出力された前記造形時データを用いることにより、新たに前記造形物を製造する、請求項２又は４に記載の品質予測システム。
6. 前記出力部は、前記造形物の形状及び前記造形物の製造時に前記ベース上にて前記造形物を支持するサポート部材の形状を表す３Ｄモデルデータを生成する３Ｄ造形モデル生成装置に前記評価結果に対応する前記造形時データを出力する、請求項５に記載の品質予測システム。
7. 前記出力部は、前記３Ｄ造形モデル生成装置に前記品質予測部による予測結果に対応する前記造形時データを出力する、請求項６に記載の品質予測システム。
8. 前記造形時データは、前記造形物を製造する際の造形条件データを含み、
   前記造形条件データは、レーザ出力、走査速度、走査ピッチ、照射スポット径、積層厚み、前記材料粉末の種類の少なくとも一つを含む、請求項１−７のうちの何れか一項に記載の品質予測システム。
9. 前記造形姿勢データは、前記造形物における基準軸線回りの第一角度、前記基準軸線に直交する第一軸線回りの第二角度、及び、前記基準軸線及び前記第一軸線に直交する第二軸線回りの第三角度の何れかを用いて表される請求項１−８のうちの何れか一項に記載の品質予測システム。
10. 前記品質は、前記造形物の製造後形状と基準形状との形状誤差を用いて表される形状精度、及び、前記造形物における割れの有無の何れかを含む、請求項１−９のうちの何れか一項に記載の品質予測システム。
11. 前記品質予測システムは、
    前記造形姿勢データを含む前記造形時データと前記造形品質データとを訓練データセットとする機械学習を行うことにより前記学習済みモデルを生成し、生成した前記学習済みモデルを前記学習済みモデル記憶部に記憶する学習済みモデル生成部を備える、請求項１−１０のうちの何れか一項に記載の品質予測システム。
12. 前記学習済みモデル生成部は、
    前記付加製造装置によって新たに製造された前記造形物についての前記造形時データ及び前記造形品質データを前記訓練データセットとする機械学習を行うことにより、前記学習済みモデルを更新する、請求項１１に記載の品質予測システム。
13. 材料粉末に光ビームを照射し、前記材料粉末を溶融固化することによって、造形物を製造する付加製造装置に適用され、
    前記造形物を製造した際における造形姿勢を表す造形姿勢データを含む造形時データと製造された前記造形物の品質を表す造形品質データとを訓練データセットとする機械学習を行うことにより前記学習済みモデルを生成する学習済みモデル生成部と、
    前記学習済みモデルと新たに前記造形物を製造する際に用いる前記造形時データとを用いて、前記造形時データに含まれる前記造形姿勢データをパラメータとして変化させた複数の場合における前記造形物の品質を予測する品質予測部と、
    予測された複数の品質について、予め設定された基準品質を満たす品質に対応する前記造形姿勢を評価する評価部と、
    を備える、品質予測システム。

Images