JP2021159923A - 三次元積層装置、制御方法、及びプログラム - Google Patents

Abstract

【課題】造形異常を適切に検出する。【解決手段】三次元積層装置は、粉末を供給する粉末供給部と、粉末に光ビームを照射して粉末を溶融固化させて積層体を造形する光照射部と、溶融した粉末で形成される溶融池を含む造形箇所の画像を撮像する撮像部と、異常時の造形箇所の画像と該画像の異常種類の対応関係を機械学習させた学習モデルであって、積層体の造形が異常であるかを判断するための学習モデルに、画像を入力して、積層体の造形が異常であるかの判断結果を取得する結果取得部と、判断結果に基づく情報を出力する情報出力部と、を含む。【選択図】図２

Description

本発明は、三次元積層装置、制御方法、及びプログラムに関する。

近年、金属粉末などの粉末を原料として積層体を成形する積層体成形方法が実用化されている。例えば特許文献１には、３Ｄプリンタによって造形された造形物をカメラで撮像して、機械学習によって造形物の異常を評価する旨が記載されている。

特許６４２９８７６号公報

しかし、造形物に異常を生じさせる原因は様々なケースが考えられ、特許文献１のような検出方法では、異常を適切に検出できない可能性もある。従って、造形異常を適切に検出するには改善の余地がある。

本開示は、上述した課題を解決するものであり、造形異常を適切に検出可能な三次元積層装置、制御方法、及びプログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本開示に係る三次元積層装置は、粉末を供給する粉末供給部と、前記粉末に光ビームを照射して前記粉末を溶融固化させて積層体を造形する光照射部と、溶融した前記粉末で形成される溶融池を含む造形箇所の画像を撮像する撮像部と、異常時の前記造形箇所の画像と該画像の異常種類の対応関係を機械学習させた学習モデルであって、前記積層体の造形が異常であるかを判断するための学習モデルに、前記画像を入力して、前記積層体の造形が異常であるかの判断結果を取得する結果取得部と、前記判断結果に基づく情報を出力する情報出力部と、を含む。

上述した課題を解決し、目的を達成するために、本開示に係る制御方法は、粉末を供給する粉末供給部と前記粉末に光ビームを照射して前記粉末を溶融固化させて積層体を造形する光照射部とを備える三次元積層装置に用いられる制御方法であって、溶融した前記粉末で形成される溶融池を含む造形箇所の画像を撮像するステップと、異常時の前記造形箇所の画像と該画像の異常種類の対応関係を機械学習させた学習モデルであって、前記積層体の造形が異常であるかを判断するための学習モデルに、前記画像を入力して、前記積層体の造形が異常であるかの判断結果を取得するステップと、前記判断結果に基づく情報を出力するステップと、を含む。

上述した課題を解決し、目的を達成するために、本開示に係るプログラムは、粉末を供給する粉末供給部と、前記粉末に光ビームを照射して前記粉末を溶融固化させて積層体を形成する光照射部とを備える三次元積層装置に用いられる制御方法をコンピュータに実行させるプログラムであって、溶融した前記粉末で形成される溶融池を含む造形箇所の画像を撮像するステップと、異常時の前記造形箇所の画像と該画像の異常種類の対応関係を機械学習させた学習モデルであって、前記積層体の造形が異常であるかを判断するための学習モデルに、前記画像を入力して、前記積層体の造形が異常であるかの判断結果を取得するステップと、前記判断結果に基づく情報を出力するステップと、をコンピュータに実行させる。

本開示によれば、造形異常を適切に検出することができる。

図１は、本実施形態の三次元積層装置の模式図である。 図２は、本実施形態に係る積層ヘッドの模式図である。 図３は、本実施形態に係る制御装置のブロック図である。 図４は、学習モデルの概念的な模式図である。 図５は、ラベル毎の教師画像の例を示す模式図である。 図６は、ラベル毎の教師画像の例を示す模式図である。 図７は、ラベル毎の教師画像の例を示す模式図である。 図８は、ラベル毎の教師画像の例を示す模式図である。 図９は、ラベル毎の教師画像の例を示す模式図である。 図１０は、ラベル毎の教師画像の例を示す模式図である。 図１１は、ラベル毎の教師画像の例を示す模式図である。 図１２は、ラベル毎の教師画像の例を示す模式図である。 図１３は、ラベル毎の教師画像の例を示す模式図である。 図１４は、判断結果の一例を示す模式図である。 図１５は、本実施形態に係る制御フローを説明するフローチャートである。

以下に添付図面を参照して、本発明の好適な実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含むものである。

（三次元積層装置の全体構成）
図１は、本実施形態の三次元積層装置の模式図である。ここで、本実施形態では、水平面内の一方向を方向Ｘ、水平面内において方向Ｘと直交する方向を方向Ｙ、方向Ｘ及び方向Ｙのそれぞれと直交する方向、すなわち鉛直方向を、方向Ｚとする。また、方向Ｚに沿う方向のうち一方の方向を、方向Ｚ１とし、方向Ｚに沿う方向のうち他方の方向、すなわち方向Ｚ１の反対方向を、方向Ｚ２とする。本実施形態では、方向Ｚ１が鉛直方向上方に向かう方向であり、方向Ｚ２が鉛直方向下方に向かう方向である。

図１に示すように、三次元積層装置１は、三次元積層室Ｒ内に、台部１０と、基台移動部１２と、基台部１４と、台部１６と、積層ヘッド１８と、ヘッド移動部２０と、撮像部２２と、制御装置２６とを備える。制御装置２６は、三次元積層室Ｒの外部に設けられていてもよい。

三次元積層装置１は、基台部１４に、三次元形状物である積層体Ａを成形する装置である。基台部１４は、積層体Ａが成形される土台となる部材である。本実施形態の基台部１４は、板状の部材である。なお、基台部１４は、これに限定されない。基台部１４は、積層体Ａとは別体として積層体Ａの土台となる部材であるが、積層体Ａと結合されて積層体Ａの一部となる部材であってもよい。

（台部、基台移動部）
台部１０は、基台移動部１２や基台部１４などを支持する台である。基台移動部１２は、台部１０上に設けられ、基台部１４を支持する。基台移動部１２は、制御装置２６の制御により、基台部１４を移動させる機構である。基台移動部１２は、第１移動部１２Ａと、第２移動部１２Ｂと、回転部１２Ｃとを有する。第１移動部１２Ａは、水平方向に沿った（鉛直方向に直交する）第１方向に基台部１４を移動させる機構である。本実施形態では、第１移動部１２Ａは、基台部１４を方向Ｙに沿って移動させる。さらに言えば、本実施形態においては、第１移動部１２Ａ上に、第２移動部１２Ｂ、回転部１２Ｃ、及び基台部１４が配置され、第１移動部１２Ａは、第２移動部１２Ｂ、回転部１２Ｃ、及び基台部１４を、方向Ｙに沿って移動させる。

第２移動部１２Ｂは、水平方向に沿った（鉛直方向に直交する）第２方向に基台部１４を移動させる機構であり、第２方向は、第１方向に直交する方向である。本実施形態では、第２移動部１２Ｂは、基台部１４を方向Ｘに沿って移動させる。さらに言えば、本実施形態においては、第２移動部１２Ｂ上に、回転部１２Ｃ及び基台部１４が配置され、第２移動部１２Ｂは、回転部１２Ｃ及び基台部１４を方向Ｘに沿って移動させる。なお、本実施形態では、第１移動部１２Ａと第２移動部１２Ｂは、上部に載せた基台部１４を移動させるスライダであるが、スライダ以外の機構であってもよい。

回転部１２Ｃは、基台部１４が配置される回転テーブルである。回転部１２Ｃは、少なくとも１つの回転軸を中心として回転することで、上部に配置されている基台部１４を回転させる。本実施形態では、回転部１２Ｃは、互いに直交する３つの回転軸を回転中心として基台部１４を回転させる。

このように、基台移動部１２は、第１移動部１２Ａと第２移動部１２Ｂとにより、基台部１４を方向Ｘ及び方向Ｙに沿って移動させ、回転部１２Ｃにより、基台部１４を３つの回転軸を回転中心として回転させる。すなわち、基台移動部１２は、基台部１４を、２つの軸に沿って移動させ３つの回転軸を中心に回転させる、５軸の移動機構である。ただし、基台移動部１２は、５軸の移動機構に限られず、例えば、基台部１４を方向Ｘ及び方向Ｙに沿って移動させる２軸の移動機構であってもよい。

（台部）
台部１６は、三次元積層室Ｒ内に設けられる台座であり、本実施形態ではヘッド移動部２０が設けられている。

（ヘッド移動部）
ヘッド移動部２０は、積層ヘッド１８を方向Ｚに沿って移動させる。本実施形態では、ヘッド移動部２０は、台部１６に取付けられている。ヘッド移動部２０は、積層ヘッド１８を、方向Ｚに沿って移動させる。本実施形態では、ヘッド移動部２０は、積層ヘッド１８を移動させるスライダであるが、スライダ以外の機構であってもよい。また、ヘッド移動部２０は、台部１６に取付けられることに限られず、取付け位置は任意である。

このように、本実施形態においては、基台移動部１２で基台部１４（積層体Ａ）をＸ方向及びＹ方向に移動させることで、積層体Ａに対する積層ヘッド１８のＸ方向及びＹ方向の位置を変化させる。そして、本実施形態においては、ヘッド移動部２０で積層ヘッド１８をＺ方向に移動させることで、積層体Ａに対する積層ヘッド１８のＺ方向の位置を変化させる。ただし、積層体Ａに対する積層ヘッド１８の位置を変化させる方法はそれに限られず、例えば、積層ヘッド１８をＸ方向及びＹ方向の少なくとも１方向に移動させてもよいし、積層体ＡをＺ方向に移動させてもよい。すなわち、三次元積層装置１は、積層体Ａを移動させることで、積層体Ａに対する積層ヘッド１８の位置を変化させてもよいし、積層ヘッド１８を移動させることで、積層体Ａに対する積層ヘッド１８の位置を変化させてもよいし、積層体Ａ及び積層ヘッド１８の両方を移動させることで、積層体Ａに対する積層ヘッド１８の位置を変化させてもよい。

（積層ヘッド）
積層ヘッド１８は、基台部１４の方向Ｚ１側、すなわち基台部１４の鉛直方向上方側に設けられる。積層ヘッド１８は、光ビーム照射口３２Ｂから、基台部１４に向けて光ビームＬを照射し、粉末噴射口３４Ｂから、基台部１４に向けて粉末Ｐを噴射することで、基台部１４上で積層体Ａを形成する。すなわち、本実施形態に係る三次元積層装置１は、積層ヘッド１８を備えるデポジション方式の三次元積層装置である。

図２は、本実施形態に係る積層ヘッドの模式図である。図２に示すように、積層ヘッド１８は、内管３２と外管３４とを有する。外管３４は、管状の部材であり、先端、すなわち方向Ｚ２に向かって径が小さくなっている。内管３２も、管状の部材であり、先端、すなわち方向Ｚ２に向かって径が小さくなっている。内管３２は、外管３４の内部に挿入されているため、内管３２と外管３４とで、二重管を構成している。積層ヘッド１８は、内管３２の内側の空間が、光ビームＬが通過するビーム経路３２Ａとなる。また、積層ヘッド１８は、内管３２の外周面と外管３４の内周面との間の空間が、粉末Ｐが通過する粉末流路３４Ａとなる。すなわち、粉末流路３４Ａは、ビーム経路３２Ａの周囲を囲う形状の流路となる。本実施形態では、粉末流路３４Ａは、ビーム経路３２Ａの外周に同心円状に配置される。

積層ヘッド１８は、方向Ｚ２側の端部３０Ａに、ビーム経路３２Ａに連通する光ビーム照射口３２Ｂが開口している。すなわち、光ビーム照射口３２Ｂは、ビーム経路３２Ａの方向Ｚ２側の開口である。ビーム経路３２Ａ内には、光学素子３６と保護ガラス３７とが設けられる。光学素子３６は、例えば、光ビームＬをコリメートするコリメートレンズと、コリメートした光ビームＬを集光する集光レンズと、を備える。保護ガラス３７は、光学素子３６よりも端部３０Ａ側に設けられており、積層ヘッド１８内を保護するカバーガラスである。積層ヘッド１８は、光源２８に接続されている。光源２８は、光ビームＬを出力する光源である。光源２８から出力された光ビームＬは、光源２８とビーム経路３２Ａとの間に設けられたミラー３８、４０で反射して、ビーム経路３２Ａ内に導入される。光ビームＬは、ビーム経路３２Ａ内をＺ２方向側に進行して、光学素子３６で集光されて、保護ガラス３７を通って光ビーム照射口３２Ｂから積層ヘッド１８の外部に出射される。光ビーム照射口３２Ｂから出射された光ビームＬは、方向Ｚ２に向けて進み、基台部１４に向けて照射される。

また、積層ヘッド１８は、方向Ｚ２側の端部３０Ａに、粉末流路３４Ａに連通する粉末噴射口３４Ｂが開口している。すなわち、粉末噴射口３４Ｂは、ビーム経路３２Ａの方向Ｚ２側の開口である。粉末噴射口３４Ｂは、光ビーム照射口３２Ｂを囲うように開口する。粉末流路３４Ａは、粉末Ｐを貯留する図示しない粉末貯留機構に接続されており、粉末貯留機構から粉末Ｐが供給される。粉末流路３４Ａ内に供給された粉末Ｐは、粉末流路３４Ａ内を方向Ｚ２に向けて流れ、粉末噴射口３４Ｂから積層ヘッド１８の外部に噴射される。粉末噴射口３４Ｂから噴射された粉末Ｐは、方向Ｚ２に向けて進み、基台部１４に向けて噴射される。

ここで、粉末Ｐは、所定のスポット径をもって基台部１４に向かって噴射され、光ビームＬは、所定のスポット径をもって基台部１４に向かって照射される。粉末Ｐは、光ビームＬの熱や、光ビームＬの照射によって加熱された積層体Ａの熱によって溶融して、溶融池Ｍを形成する。溶融池Ｍは、溶融した粉末Ｐと、溶融した積層体Ａとの少なくとも１つを含むといえる。基台部１４は、積層ヘッド１８に対して移動するため、光ビームＬが照射される位置が変化する。従って、光ビームＬが照射されて溶融池Ｍを形成していた箇所は、光ビームＬが照射されなくなることで冷却されて固化して、ビードＢを形成する。このビードＢを三次元状に積層することで、積層体Ａが成形される。以下、基台部１４上において光ビームＬを照射して粉末Ｐを噴射している箇所を、すなわちビードＢを形成している箇所を、造形箇所と記載する。造形箇所は少なくとも溶融池Ｍが形成されている部分を含み、さらにいえば、溶融池Ｍと溶融池Ｍの周辺のビードＢとを含むともいえる。

このように、本実施形態においては、内管３２が、言い換えれば粉末流路３４Ａ及び粉末噴射口３４Ｂが、粉末Ｐを供給する粉末供給部であり、外管３４が、言い換えればビーム経路３２Ａ及び光ビーム照射口３２Ｂが、粉末Ｐに光ビームＬを照射して粉末Ｐを溶融固化させて積層体Ａを形成する光照射部であるといえる。すなわち、本実施形態では、粉末供給部と光照射部とが、積層ヘッド１８として一体で構成されている。ただし、粉末供給部と光照射部とは別体であってもよい。また、本実施形態における光ビームＬは、レーザ光であるが、レーザ光に限られず、例えば電子ビームなどであってもよい。また、本実施形態における粉末Ｐは、金属粉末であるが、金属粉末に限られない。

（撮像部）
撮像部２２は、本実施形態では赤外光Ｉの像を撮像する赤外カメラである。撮像部２２は、例えば、ＩｎＧａＡｓカメラである。撮像部２２は、積層ヘッド１８に取り付けられて、積層ヘッド１８に対して位置が固定されている。図２に示すように、撮像部２２は、積層ヘッド１８のＺ１方向側に設けられており、撮像部２２の光軸は、ビーム経路３２Ａにおける光ビームＬの光軸と同軸となっている。造形箇所（溶融池Ｍやその周囲の積層体Ａ）からは、赤外光Ｉが放出される。赤外光Ｉは、光ビーム照射口３２Ｂから、ビーム経路３２Ａ内をＺ１方向に進行する。ミラー４０は、光ビームＬは反射するが赤外光Ｉを透過するため、赤外光Ｉは、ミラー４０を透過して、撮像部２２に入射する。撮像部２２は、この赤外光Ｉの像を撮像することで、造形箇所の画像を撮像できる。撮像部２２が検出する赤外光Ｉの波長は、例えば、０．７５μｍ以上１０００μｍ以下であり、さらに言えば、例えば波長が０．７５μｍ以上１．４μｍ以下程度の近赤外線であることが好ましい。なお、撮像部２２が設けられる位置は、以上で説明した位置に限られず、任意の位置であってもよい。また、撮像部２２は、赤外カメラであることに限られない。

図２に示すように、造形箇所（溶融池Ｍやその周囲の積層体Ａ）からの赤外光Ｉの一部は、ビーム経路３２Ａ内をＺ１方向に直進して撮像部２２に到達するが、赤外光Ｉの他の一部は、内管３２の内周面３２Ｃで反射して、撮像部２２に入射する。撮像部２２は、このように内周面３２Ｃで反射して撮像部２２に到達した赤外光Ｉの像も撮像する。すなわち、撮像部２２は、光ビーム照射口３２ＢをＺ１方向に直進した赤外光Ｉの像、すなわち内周面３２Ｃで反射せずに撮像部２２に到達した赤外光Ｉの像と、内周面３２Ｃで反射して撮像部２２に到達した赤外光Ｉの像とを、撮像する。内周面３２Ｃで反射せずに撮像部２２に到達した赤外光Ｉの像は、光ビーム照射口３２Ｂの外周よりも内側の領域内の像であり、造形箇所（溶融池Ｍやその周囲の積層体Ａ）の像であるといえる。また、内周面３２Ｃで反射して撮像部２２に到達した赤外光Ｉの像は、内周面３２Ｃの像であるといえる。

（制御装置）
制御装置２６は、三次元積層装置１を制御する装置、ここではコンピュータである。制御装置２６は、積層ヘッド１８を制御することで、積層ヘッド１８から粉末Ｐを噴射させつつ光ビームＬを照射させて、所定の送り速度で積層ヘッド１８に対する基台部１４（積層体Ａ）の位置を移動させることで、積層体Ａを造形させる。また、制御装置２６は、積層体Ａを造形中に撮像部２２で撮像した造形箇所の画像である検出用画像ＫＡを、後述する機械学習済みの学習モデルＣＮに入力することで、造形中の積層体Ａの造形の異常を検出する。検出用画像ＫＡとは、造形中の積層体Ａの造形異常を検出するために撮像部２２によって撮像された、造形中の積層体Ａの造形箇所の画像といえる。

図３は、本実施形態に係る制御装置のブロック図である。図３に示すように、制御装置２６は、制御部５０と記憶部５２とを備える。記憶部５２は、制御部５０の演算内容やプログラムの情報や、学習モデルＣＮなどを記憶するメモリであり、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの外部記憶装置とのうち、少なくとも１つ含む。

制御部５０は、演算装置、すなわちＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。制御部５０は、学習部６０と、画像取得部６２と、結果取得部６４と、情報出力部６６とを含む。制御部５０は、記憶部５２からプログラム（ソフトウェア）を読み出して実行することで学習部６０と、画像取得部６２と、結果取得部６４と、情報出力部６６を実現して、それらの処理を実行する。なお、制御部５０は、１つのＣＰＵによって処理を実行してもよいし、複数のＣＰＵを備えて、それらの複数のＣＰＵで、処理を実行してもよい。また、学習部６０と、画像取得部６２と、結果取得部６４と、情報出力部６６の少なくとも１つを、ハードウェア回路で実現してもよい。

（学習部）
（学習モデル）
図４は、学習モデルの概念的な模式図である。学習部６０は、未学習の学習モデルを学習させて、機械学習済みの学習モデルＣＮを生成して、生成した学習モデルＣＮを記憶部５２に記憶させる。学習モデルＣＮは、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｒｉｇｅｎｃｅ）における学習モデルを指す。具体的には、学習モデルＣＮは、ディープラーニングによって学習された学習モデルであり、ディープラーニングによって学習された分類器を構成するニューラルネットワークを定義するモデル（ニューラルネットワークの構成情報）と、変数とで構成される。学習モデルＣＮは、入力されたデータと学習済みのデータとを比較して、類似の度合い、例えば類似度が何％であるか、を判定できるものである。ディープラーニングは、機械学習のうちの１つの手法であり、狭義には例えば４層以上のニューラルネットワークから構成される。本実施形態の例では、学習モデルＣＮは、ＣＮＮ（Conventional Neural Network：畳み込みニューラルネットワーク）モデルであり、図４に示すように、複数の畳み込み層及び複数のプーリング層を含む中間層ＭＮと、全結合層を含む最終層ＦＮと、を備える。ＣＮＮモデルＣＮは、入力データＩＮが入力された場合に、中間層ＭＮと最終層ＦＮとで演算を行って、出力データＯＮを出力する。ただし、学習モデルＣＮは、ＣＮＮモデルに限られず、任意の方式の学習モデルであってもよい。

学習部６０は、教師データを用いて学習モデルにおける重み係数及びバイアス値を設定することで、機械学習済みの学習モデルＣＮを生成する。すなわち、学習モデルＣＮは、学習部６０によって重み係数及びバイアス値が学習された学習モデルであるといえる。

本実施形態における学習モデルＣＮは、異常時の造形箇所の画像とその画像の異常種類の対応関係を機械学習させた学習モデルであって、積層体の造形が異常であるかを判断するための機械学習済みの学習モデルである。学習部６０は、溶融池Ｍを含む造形箇所を撮像した画像である教師画像Ｋと、教師画像Ｋに割り当てられているラベル（クラス）とを、教師データとして取得する。本実施形態におけるラベルは、教師画像Ｋに写っている造形箇所を含む積層体の造形が異常であるかを示す情報（識別子）である。教師画像Ｋ毎のラベルは既知であり、学習部６０は、例えば、人が教師画像Ｋ毎に設定したラベルを取得する。ただし、学習部６０の教師画像Ｋ毎のラベルの取得方法は任意であってよい。学習部６０は、教師データとしての教師画像Ｋとラベルとを未学習の学習モデルに入力することで、例えばバックプロパケーション（誤差逆伝搬法）により、重み係数及びバイアス値を設定して、機械学習済みの学習モデルＣＮを生成する。

（教師画像）
教師画像Ｋは、予め撮像された造形箇所の画像であり、積層体の造形が異常であるかのラベルが既知の画像である。教師画像Ｋは、実際に三次元積層装置１で造形中の積層体の造形箇所を、撮像部２２によって撮像した画像であることが好ましい。すなわち、教師画像Ｋを撮像した撮像部は、これから造形異常を検出するために用いる撮像部２２と同じ構成であることが好ましい。ここでの同じ構成とは、造形箇所に対する撮像部の位置が同じことを指す。言い換えれば、教師画像Ｋは、これから造形異常を検出するために撮像される検出用画像ＫＡと同じアングルで撮像された画像であることが好ましい。

（ラベル）
ラベルは、積層体の造形が異常であるかを示す情報であり、造形が異常であるかを分類する情報であるともいえる。ラベルは、教師画像Ｋ毎に割り当てられている。積層体の造形が異常であるとは、積層体が正常に造形されていない状態を指し、このまま造形を継続した場合には望んだ特性（形状や強度など）の積層体が造形できなくなる状態を指す。それぞれの教師画像Ｋには、積層体の造形が異常であることを示すラベルと、積層体の造形が正常であることを示すラベルとの、いずれかが割り当てられる。

さらに言えば、本実施形態においては、造形異常を示すラベルは、積層体の造形異常の種類毎に分類されている。すなわち、教師画像Ｋは、どのような造形異常が生じているかが既知であり、造形異常の種類毎のラベルが割り当てられている。ラベルは、造形異常の種類毎に分類されているため、造形の異常モードを指すと言い換えることもできる。造形異常の種類（異常モード）としては、三次元積層装置１の異常と、積層体Ａの異常とが挙げられる。すなわち、それぞれの教師画像Ｋは、造形が正常であることを示すラベル、三次元積層装置１が異常であることを示すラベル、又は積層体Ａが異常であることを示すラベル、のいずれかが割り当てられている。

さらに言えば、本実施形態では、三次元積層装置１が異常であることを示すラベルも、複数に区分されている。三次元積層装置１が異常であることを示すラベルとしては、保護ガラス異常と、異物付着と、結露と、アラインメント異常と、が挙げられる。保護ガラス異常は、積層ヘッド１８（光照射部）に設けられる保護ガラス３７に異常が生じている状態であり、具体的には保護ガラス３７が異物付着などで汚れている状態を指す。保護ガラス異常は、例えば保護ガラス３７が破損している場合を含んでもよい。異物付着は、積層ヘッド１８（光照射部及び粉末供給部の少なくとも一方）に異物が付着している状態を指す。異物付着は、積層ヘッド１８のビーム経路３２Ａ内に異物が付着している状態を指してもよい。結露は、積層ヘッド１８の光学素子が結露している状態を指す。ここでの光学素子は、積層ヘッド１８内に設けられる光学素子であれば任意のものであってもよいが、図２の例だと、光学素子３６、保護ガラス３７、ミラー３８、４０などを指す。アラインメント異常は、光照射部と粉末供給部とのアラインメントが許容範囲よりもずれていることを指し、光ビームＬの収束位置と粉末Ｐの収束位置が、許容範囲よりもずれていることを指すともいえる。このように、本実施形態では、三次元積層装置１が異常であることを示すラベルとして、保護ガラス異常と、異物付着と、結露と、アラインメント異常とが含まれるが、それに限られず、例えば、保護ガラス異常と、異物付着と、結露と、アラインメント異常との少なくとも１つを含んでいてよい。

本実施形態では、造形中の積層体Ａが異常であることを示すラベルも、複数に区分されている。積層体Ａが異常であることを示すラベルとしては、積層体割れと、ビードＢの高さ異常と、スパッタと、が挙げられる。積層体割れとは、造形中の積層体Ａに割れ（破損）が生じていることを指すが、割れ方、すなわち割れた箇所の傷の形状については、特に限定されない。ビードＢの高さ異常とは、図２に示すビードＢの高さＤ１が、すなわちビードＢのＺ方向における長さが、許容範囲外であることを指す。ビードＢの高さ異常は、ビード高さ低下と、ビード高さ増加とに分けられる。ビード高さ低下は、ビードＢの高さＤ１が許容範囲より小さくなっている状態を指し、ビード高さ増加とは、ビードＢの高さＤ１が許容範囲より大きくなっている状態を指す。スパッタとは、溶融池Ｍの周囲にスパッタ（火花）が発生している状態を指す。このように、本実施形態では、積層体Ａが異常であることを示すラベルとして、積層体割れと、ビード高さ低下と、ビード高さ増加と、スパッタとが含まれるが、それに限られず、例えば、積層体割れと、ビード高さ低下と、ビード高さ増加と、スパッタとの少なくとも１つを含んでいてよい。

（ラベル毎の教師画像の例）
以下、ラベル毎の、すなわち異常モード毎の教師画像Ｋの例を説明する。図５から図１３は、ラベル毎の教師画像の例を示す模式図である。図５は、正常である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。図５に示すように、造形箇所を撮像した教師画像Ｋは、内側領域ＡＲ１と、外側領域ＡＲ２とを含む。内側領域ＡＲ１は、教師画像Ｋのうちの、光ビーム照射口３２Ｂの外周よりも内側の領域の像が写っている領域を指し、造形箇所が写っている領域といえる。内側領域ＡＲ１は、造形箇所が写っている造形箇所領域ＡＲ１ａと、造形箇所領域ＡＲ１ａの周囲の輝度が低い周囲領域ＡＲ１ｂとを含む。溶融池Ｍを含む造形箇所は高温になっているため、造形箇所が写っている造形箇所領域ＡＲ１ａは、輝度が高くなっている。一方、周囲領域ＡＲ１ｂは、造形箇所の周囲であって温度が低下している箇所が写っているため、造形箇所領域ＡＲ１ａよりも輝度が低くなっている。一方、外側領域ＡＲ２は、内周面３２Ｃの像が写っている領域、すなわち内周面３２Ｃで反射して撮像部２２に到達した赤外光Ｉの像が写っている領域を指す。外側領域ＡＲ２は、内側領域ＡＲ１を囲うように形成されている。外側領域ＡＲ２は、造形箇所からの赤外光Ｉの内周面３２Ｃでの反射光を撮像した領域であるため、周囲領域ＡＲ１ｂよりも輝度が高く、造形箇所領域ＡＲ１ａよりも輝度が低い。

図５のように正常のラベルが割り当てられる教師画像Ｋは、後述するような異常のラベルが割り当てられる教師画像Ｋが有する特徴を有していない。

図６は、異常の内容が保護ガラス異常である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。保護ガラス異常が起きている場合、保護ガラス３７を通って撮像部２２に到達する赤外光Ｉが、散乱する。そのため、図６に示すように、保護ガラス異常のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、造形箇所領域ＡＲ１ａや外側領域ＡＲ２などの画像全体がぼやける傾向にある。また、保護ガラス異常のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、造形箇所領域ＡＲ１ａ内に、輝度が低い領域（影）が存在する傾向にある。

図７は、異常の内容が異物付着である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。異物付着が起きている場合、異物が付着している箇所では、異物に遮られて、赤外光Ｉが撮像部２２に到達しない。そのため、図７に示すように、異物付着のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、内周面３２Ｃが写っている外側領域ＡＲ２に、輝度が低い領域（影）が存在する傾向にある。本実施形態では、学習部６０は、異物付着を機械学習させるために、造形箇所全体が写っている教師画像Ｋから、一部を切り出した教師画像Ｋａを生成する。学習部６０は、この教師画像Ｋａと異物付着のラベルとを教師データとして学習モデルに入力することで、学習モデルＣＮに異物付着を学習させる。教師画像Ｋａは、内側領域ＡＲ１と外側領域ＡＲ２とを含む教師画像Ｋから、外側領域ＡＲ２のみを切り出した画像であり、さらに言えば、外側領域ＡＲ２のうちの一部を切り出した画像であることが好ましい。このような教師画像Ｋａを教師データとして用いることで、異物付着を適切に学習できる。

図８は、異常の内容が結露である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。結露が起きている場合、結露している部分を透過した赤外光Ｉが撮像部２２に到達する。そのため、図８に示すように、結露のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、特に輝度が高い造形箇所領域ＡＲ１ａや外側領域ＡＲ２に、粒状の模様が生成される傾向にある。

図９は、異常の内容がアラインメント異常である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。アラインメント異常が起きている場合、溶融池Ｍ以外の部分に、高温であるが未溶融の粉末Ｐが付着する傾向にある。そのため、図９に示すように、アラインメント異常のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、輝度が高い造形箇所領域ＡＲ１ａが送り方向（ビードの延在方向）に長くなったり、造形箇所領域ＡＲ１ａ内での輝度のばらつきが大きくなったりする傾向にある。

図１０は、異常の内容が積層体割れである旨を示すラベルが割り当てられる教師画像Ｋの例を示している。積層体割れが起きている場合、積層体の傷（クラック）の部分からの赤外光Ｉも撮像部２２に入射する。そのため、図１０に示すように、積層体割れのラベルが割り当てられる教師画像Ｋは、一般的な特徴として、輝度が低い周囲領域ＡＲ１ｂにおいて、輝度が高い線状の領域が形成される傾向がある。

図１１は、異常の内容がビード高さ低下である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。ビード高さ低下が起きている場合、図２に示す造形箇所と積層ヘッド１８（粉末供給部）の端部３０Ａとの間の、Ｚ方向における距離Ｄ２が、適正範囲より長くなる。積層ヘッド１８の端部３０ＡのＺ方向における位置は、積層ヘッド１８からの光ビームＬや粉末Ｐが造形箇所で適切に収束するように設定されている。従って、ビード高さ低下が起きて距離Ｄ２が長くなると、造形箇所から離れる分、造形箇所から撮像部２２に入射する赤外光Ｉの強度が小さくなる。そのため、図１１に示すように、ビード高さ低下のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、造形箇所領域ＡＲ１ａの輝度及び面積が小さくなる。

図１２は、異常の内容がビード高さ増加である旨を示すラベルが割り当てられる教師画像Ｋの例を示している。ビード高さ増加が起きている場合、距離Ｄ２が適正範囲より短くなる。従って、ビード高さ増加が起きて距離Ｄ２が短くなると、造形箇所に近づく分、造形箇所から撮像部２２に入射する赤外光Ｉの強度が高くなり、かつ、造形箇所の像のピントがずれる。そのため、図１２に示すように、ビード高さ低下のラベルが割り当てられる教師画像Ｋは、一般的な特徴として、造形箇所領域ＡＲ１ａの輝度及び面積が大きくなる。

図１３は、異常の内容がスパッタである旨を示すラベルが割り当てられる教師画像Ｋの例を示している。スパッタが起きている場合、溶融池Ｍの周辺にスパッタが発生する。そのため、図１３に示すように、スパッタのラベルが割り当てられる教師画像Ｋは、一般的な特徴として、周囲領域ＡＲ１ｂ内の造形箇所領域ＡＲ１ａの周囲において、輝度が高い複数の領域が含まれる画像となる。

学習部６０は、以上で挙げたそれぞれの種類のラベルが割り当てられた教師画像Ｋと、その教師画像Ｋに割り当てられたラベルの情報とを、教師データとして学習モデルに入力して、機械学習済みの学習モデルＣＮを生成する。従って、学習済みモデルＣＮは、ラベルが未知の検出用画像Ｋ１が入力された場合に、演算を実行して、検出用画像Ｋ１にラベルを割り当てて、判定結果として出力することができる。学習済みモデルＣＮは、積層体Ａの造形異常の種類を分類可能に構成されているといえる。なお、学習部６０は、同じラベルが割り当てられる複数の教師画像Ｋを教師データとして学習モデルに入力することが好ましい。

（画像取得部）
図３に示す画像取得部６２は、撮像部２２を制御して、撮像部２２に、造形中の積層体Ａの造形箇所の画像を撮像させて、撮像部２２が撮像した画像を、検出用画像Ｋ１として取得する。画像取得部６２は、所定の時間毎に撮像部２２に撮像を行わせることで、所定の時間毎に撮像された検出用画像Ｋ１を取得する。検出用画像Ｋ１も、教師画像Ｋと同様に造形箇所を撮像した画像なので、内側領域ＡＲ１及び外側領域ＡＲ２を含む画像となるが、造形状況に応じて、教師画像Ｋとは異なる画像になる。

（結果取得部）
図３に示す結果取得部６４は、記憶部５２から機械学習済みの学習モデルＣＮを読み出して、画像取得部６２が取得した検出用画像Ｋ１を、学習モデルＣＮに入力する。学習モデルＣＮにおいては、検出用画像Ｋ１が入力データＩＮとして入力されて検出用画像Ｋ１の特徴量が抽出され、演算が実行される。その結果、学習モデルＣＮからは、入力された検出用画像Ｋ１のラベルが、出力データＯＮとして出力される。結果取得部６４は、出力データＯＮとして出力された検出用画像Ｋ１のラベルを、積層体Ａの造形が異常であるかの判断結果として取得する。結果取得部６４は、検出用画像Ｋ１が取得される毎に学習モデルＣＮに入力して、検出用画像Ｋ１毎に判断結果（ラベル）を取得する。

図１４は、判断結果の一例を示す模式図である。本実施形態では、学習モデルＣＮは、教師画像Ｋを用いた学習により、正常、保護ガラス異常、異物付着、結露、アラインメント異常、積層体割れ、ビード高さ低下、ビード高さ増加、及び、スパッタのうちのいずれかのラベルを、検出用画像Ｋ１に対して割り当て可能となる。従って、結果取得部６４は、正常、保護ガラス異常、異物付着、結露、アラインメント異常、積層体割れ、ビード高さ低下、ビード高さ増加、及び、スパッタのいずれかのラベルを、判断結果として取得する。本実施形態においては、学習モデルＣＮは、それぞれのラベルに対する検出用画像Ｋ１の一致度合いを、ラベル毎の確率として算出する。すなわち、学習モデルＣＮは、検出用画像Ｋ１がそれぞれのラベルに割り当てられる確率を算出するといえる。学習モデルＣＮは、それぞれのラベルのうちから、一致度合いが最も高いラベルを、すなわち割り当てられる確率が最も高いラベルを、検出用画像Ｋ１に割り当てられるラベルと判断して、そのラベルを判断結果として出力する。図１４の例では、ビード高さ増加のラベルに割り当てられる確率が最も高いため、ビード高さ増加のラベルが、判断結果として出力される。

結果取得部６４は、以上のようにして、検出用画像Ｋ１に割り当てられるラベルを取得する。上述のように、ラベルは、積層体Ａの造形が異常であるかを示す情報であるため、結果取得部６４は、積層体Ａの造形が異常であるかの判断結果を取得しているといえる。さらに言えば、ラベルは積層体Ａの造形異常の種類を示すため、結果取得部６４は、積層体Ａの造形異常の種類を、判断結果として取得しているともいえる。

以上説明したように、学習モデルＣＮは、積層体Ａの造形状態を、正常、保護ガラス異常、異物付着、結露、アラインメント異常、積層体割れ、ビード高さ低下、ビード高さ増加、及び、スパッタのいずれかに分類可能であるが、それに限られない。学習モデルＣＮは、例えば、積層体Ａの造形を、正常と異常とのいずれかに分類可能であってよい。この場合、結果取得部６４は、学習モデルＣＮから、正常のラベルと異常のラベルとのいずれかを取得することで、積層体の造形が異常であるかの判断結果を取得する。また、学習モデルＣＮは、積層体Ａの造形を、正常と、三次元積層装置１の異常と、積層体Ａの異常とのいずれか１つに分類可能であってよい。この場合、結果取得部６４は、学習モデルＣＮから、正常のラベルと、三次元積層装置１の異常のラベルと、積層体Ａの異常のラベルとのいずれかを取得することで、正常と三次元積層装置１の異常と積層体Ａの異常との少なくとも１つを、判断結果として取得するといえる。

（情報出力部）
図３に示す情報出力部６６は、結果取得部６４が取得した判断結果に基づく情報を出力する。より具体的には、情報出力部６６は、結果取得部６４が取得した判断結果に基づいて、三次元積層装置１を制御する。情報出力部６６は、結果取得部６４が取得した判断結果に基づいて、積層体Ａの造形を停止させたり、警告を出力したりする。なお、積層体Ａの造形の停止とは、光ビームＬの照射及び粉末Ｐの噴射を停止することを指す。また、ここでの警告とは、造形異常の可能性がある旨を示す情報であり、音で通知してもよいし、表示装置に表示させてもよい。また、警告として、ラベルの情報を、すなわち造形異常の種類の情報を、出力してもよい。

以下、情報出力部６６の具体的な制御内容を説明する。情報出力部６６は、結果取得部６４が取得した判断結果において、造形異常とされた回数をカウントする。情報出力部６６は、造形異常とされた合計回数である異常回数が第１閾値以上となった場合に、造形を停止することなく警告を出力し、異常回数が第２閾値以上となった場合に、積層体Ａの造形を停止させる。第２閾値は、第１閾値より値が大きいため、情報出力部６６は、造形異常の回数が増加するに従って、最初は警告を出力し、さらに造形異常の回数が増加した場合に、造形を停止する。第１閾値や第２閾値は、任意に設定可能である。また例えば、情報出力部６６は、第１閾値及び第２閾値を、回数ではなく所定の割合として設定してもよい。この場合例えば、情報出力部６６は、直近に取得された所定数の検出用画像Ｋ１のうち、造形異常とされた検出用画像Ｋ１の数を、異常回数として算出する。情報出力部６６は、この所定数（直近の検出用画像Ｋ１の数）に対する異常回数の比率を算出し、この比率が第１閾値以上である場合には、警告を出力し、この比率が第２閾値以上である場合には、造形を停止させる。

情報出力部６６は、ラベル毎に、すなわち造形異常の種類毎に、異常回数をカウントすることが好ましい。従って、情報出力部６６は、ラベル毎の異常回数をカウントし、いずれかのラベルの異常回数が第１閾値以上になったら、警告を出力し、いずれかのラベルの異常回数が第２閾値以上になったら、造形を停止する。この場合、第１閾値や第２閾値は、ラベル毎に、すなわち造形異常の種類毎に設定されることが好ましい。造形異常の種類によっては、早めに警告や造形停止を行った方がよいものもあるため、ラベル毎に閾値を設定することで、造形異常の種類に応じて適切に対応可能となる。例えば、保護ガラス異常及びスパッタのラベルに対する閾値を、ビード高さ低下及びビード高さ増加のラベルに対する閾値よりも、低く設定してよい。ただし、情報出力部６６は、ラベル毎に異常回数をカウントすることに限られず、造形異常とされたラベル（正常以外のラベル）が割り当てられた全ての検出用画像Ｋ１の枚数を、異常回数としてカウントしてもよい。

このように、情報出力部６６は、異常回数が第１閾値以上となった場合に警告を出力し、異常回数が第２閾値以上となった場合に造形を停止させる。ただし、情報出力部６６による制御はこれに限られず、例えば、警告の出力と造形の停止とのうちの一方のみを実行してもよい。また、情報出力部６６は、結果取得部６４が取得した判断結果に基づき、送り速度Ｖ（図２参照）と、光ビームＬの出力との、少なくとも１つを制御してもよい。ここでの送り速度Ｖとは、図２に示す送り方向Ｄへの、積層体Ａに対する積層ヘッド１８の移動速度を指す。送り方向Ｄは、ビードＢの伸びる方向、すなわち基台部１４に対して積層ヘッド１８の位置が移動する一方向を指し、例えばＸ方向やＹ方向に沿った方向である。

情報出力部６６は、結果取得部６４が取得したラベルの種類に応じて、制御内容を決定してよい。例えば、情報出力部６６は、保護ガラス異常のラベルについての異常回数（すなわち保護ガラス異常のラベルが割り当てられた検出用画像Ｋ１の数）が所定の閾値（例えば第２閾値）以上となった場合には、造形を停止させて、造形の停止後に、保護ガラス３７を自動交換させてもよい。また例えば、情報出力部６６は、ビード高さ低下のラベルについての異常回数が所定の閾値（例えば第２閾値より小さい閾値）以上となった場合には、造形を停止せず、送り速度Ｖの低下と光ビームＬの出力増加との少なくとも一方を実行してよい。また例えば、情報出力部６６は、ビード高さ増加のラベルについての異常回数が所定の閾値（例えば第２閾値より小さい閾値）以上となった場合には、造形を停止せず、送り速度Ｖの上昇と光ビームＬの出力低下との少なくとも一方を実行してよい。また例えば、情報出力部６６は、スパッタのラベルについての異常回数が所定の閾値（例えば第２閾値より小さい閾値）以上となった場合には、造形を停止せず、スパッタが観察されなくなるまで光ビームＬの出力を低下させてもよい。

（制御フロー）
次に、以上で説明した制御装置２６による制御についてのフローを説明する。図１５は、本実施形態に係る制御フローを説明するフローチャートである。図１５に示すように、制御装置２６は、積層ヘッド１８を制御して、粉末Ｐを供給させつつ光ビームＬを照射させながら（ステップＳ１０）、撮像部２２に検出用画像Ｋ１を撮像させる（ステップＳ１２）。制御装置２６は、学習済みの学習モデルＣＮに検出用画像Ｋ１を入力して、判断結果を、すなわち検出用画像Ｋ１に割り当てられたラベルを取得する（ステップＳ１４）。制御装置２６は、判断結果に基づいて造形異常とされた回数をカウントし、造形異常とされた回数が閾値（第２閾値）以上である場合に（ステップＳ１６；Ｙｅｓ）、造形を停止する（ステップＳ１８）。一方、造形異常とされた回数が閾値（第２閾値）以上でない場合（ステップＳ１６；Ｎｏ）には、造形を停止せず、ステップＳ１０に戻り造形を続行する。なお、ここでは造形停止の制御のみを示しているが、上述のように、造形異常とされた回数に基づき、警告の出力や、送り速度Ｖの調整や、光ビームＬの出力の調整なども実行してよい。

（本実施形態の効果）
以上説明したように、本実施形態に係る三次元積層装置１は、粉末Ｐを供給する粉末供給部（本実施形態では積層ヘッド１８）と、粉末Ｐに光ビームＬを照射して粉末Ｐを溶融固化させて積層体Ａを造形する光照射部（本実施形態では積層ヘッド１８）と、溶融した粉末Ｐで形成される溶融池を含む造形箇所の画像（検出用画像Ｋ１）を撮像する撮像部２２と、結果取得部６４と、情報出力部６６とを含む。結果取得部６４は、異常時の造形箇所の画像（教師画像Ｋ）とその画像の異常種類の対応関係を機械学習させた学習モデルＣＮであって、積層体Ａの造形が異常であるかを判断するための学習モデルＣＮに、検出用画像Ｋ１を入力して、積層体Ａの造形が異常であるかの判断結果を取得する。情報出力部６６は、判断結果に基づく情報を出力する。ここで、三次元積層装置によって造形を行う場合、造形異常が起こる場合がある。造形異常は、様々な原因で起こるため、造形の実行中に造形異常を適切に検出することは難しい。それに対し、本実施形態に係る三次元積層装置１は、学習モデルＣＮによって造形異常のパターンを予め学習させておき、その学習モデルＣＮに造形中に撮像した検出用画像Ｋ１を入力する。本実施形態に係る三次元積層装置１は、このように学習モデルＣＮを用いることで、造形異常を適切に検出することが可能となる。さらに、本実施形態に係る三次元積層装置１は、溶融池Ｍを含んだ造形箇所の画像を、検出用画像Ｋ１として学習モデルＣＮに入力する。溶融池Ｍを含んだ造形箇所は、造形異常を検出するのに適しているため、本実施形態に係る三次元積層装置１によると、造形異常を適切に検出することが可能となる。

また、学習モデルＣＮは、積層体Ａの造形の異常の種類を分類可能に構成されており、結果取得部６４は、学習モデルＣＮに画像（検出用画像Ｋ１）を入力することで、積層体Ａの造形の異常の種類を、判断結果として取得する。本実施形態に係る三次元積層装置１によると、どのような造形異常が起きているかについても、すなわち異常モードについても、適切に検出することができる。

また、結果取得部６４は、三次元積層装置１の異常と積層体Ａの異常との少なくとも１つを、判断結果として取得する。学習モデルＣＮが、三次元積層装置１の異常と積層体Ａの異常との少なくとも１つを分類可能に構成されることで、結果取得部６４は、三次元積層装置１の異常と積層体Ａの異常との少なくとも１つを検出できる。本実施形態に係る三次元積層装置１によると、このような異常モードを個別に検出することで、異常モードに応じた適切な対応が可能となる。

また、結果取得部６４は、三次元積層装置１の異常の種類として、光照射部（積層ヘッド１８）に設けられる保護ガラス３７の異常と、光照射部及び粉末供給部の少なくとも一方（積層ヘッド１８）に異物が付着している状態と、光照射部（積層ヘッド１８）の結露と、光照射部と粉末供給部とのアラインメント異常との、少なくとも１つを取得する。学習モデルＣＮが、保護ガラス異常と異物付着と結露とアラインメント異常との少なくとも１つを分類可能に構成されることで、結果取得部６４は、これらの少なくとも１つを検出できる。本実施形態に係る三次元積層装置１によると、このような異常モードを個別に検出することで、異常モードに応じた適切な対応が可能となる。

また、結果取得部６４は、積層体Ａの異常の種類として、積層体ＡのビードＢの高さの異常と、積層体Ａの割れと、積層体Ａからスパッタが発生している状態との、少なくとも１つを取得する。学習モデルＣＮが、ビード高さ異常と積層体割れとスパッタとの少なくとも１つを分類可能に構成されることで、結果取得部６４は、これらの少なくとも１つを検出できる。本実施形態に係る三次元積層装置１によると、このような異常モードを個別に検出することで、異常モードに応じた適切な対応が可能となる。

また、情報出力部６６は、判断結果に基づき、積層体Ａの造形を停止する。本実施形態に係る三次元積層装置１によると、造形異常の判断結果に基づいて造形を停止することで、異常に応じた適切な対応が可能となる。

また、情報出力部６６は、積層体の造形が異常であるとの判断結果を取得した回数が閾値（第２閾値）以上となった場合に、積層体Ａの造形を停止する。本実施形態に係る三次元積層装置１によると、造形異常と判断された回数に応じて造形を停止することで、異常に応じた適切な対応が可能となる。

また、情報出力部６６は、判断結果に基づき、造形に異常がある旨の警告を出力する。本実施形態に係る三次元積層装置１によると、造形異常の判断結果に基づいて警告を出力するため、異常に応じた適切な対応が可能となる。

また、情報出力部６６は、判断結果に基づき、積層体Ａに対する粉末供給部（積層ヘッド１８）の移動速度（送り速度Ｖ）と、光ビームＬの出力との、少なくとも１つを制御する。本実施形態に係る三次元積層装置１によると、造形異常の判断結果に基づいて、送り速度Ｖや光ビームＬの出力を制御するため、造形精度を適切に向上できる。

また、学習モデルＣＮは、異常種類として、光照射部（積層ヘッド１８）に設けられる保護ガラス３７の異常と、光照射部及び粉末供給部の少なくとも一方（積層ヘッド１８）に異物が付着している状態と、光照射部（積層ヘッド１８）の結露と、光照射部と粉末供給部とのアラインメント異常と、積層体ＡのビードＢの高さの異常と、積層体Ａの割れと、積層体Ａからスパッタが発生している状態との、少なくとも１つが起こった際の造形箇所の画像（教師画像Ｋ）と、異常種類との対応関係を機械学習させた学習モデルである。このような学習モデルＣＮを用いることで、造形異常を適切に検出することが可能となる。

本実施形態に係る制御方法は、粉末Ｐを供給する粉末供給部（本実施形態では積層ヘッド１８）と、粉末Ｐに光ビームＬを照射して粉末Ｐを溶融固化させて積層体Ａを形成する光照射部（本実施形態では積層ヘッド１８）とを備える三次元積層装置１に用いられる。本制御方法は、溶融した粉末Ｐで形成される溶融池Ｍを含む造形箇所の画像（検出用画像Ｋ１）を撮像するステップと、異常時の造形箇所の画像（教師画像Ｋ）とその画像の異常種類の対応関係を機械学習させた学習モデルＣＮであって、積層体Ａの造形が異常であるかを判断するための学習モデルＣＮに画像（検出用画像Ｋ１）を入力して、積層体Ａの造形が異常であるかの判断結果を取得するステップと、判断結果に基づく情報を出力するステップと、を有する。本制御方法によると、造形異常を適切に検出することが可能となる。

本実施形態に係るプログラムは、粉末Ｐを供給する粉末供給部（本実施形態では積層ヘッド１８）と、粉末Ｐに光ビームＬを照射して粉末Ｐを溶融固化させて積層体Ａを形成する光照射部（本実施形態では積層ヘッド１８）とを備える三次元積層装置１に用いられる制御方法をコンピュータに実行させる。本プログラムは、溶融した粉末Ｐで形成される溶融池Ｍを含む造形箇所の画像（検出用画像Ｋ１）を撮像するステップと、異常時の造形箇所の画像（教師画像Ｋ）とその画像の異常種類の対応関係を機械学習させた学習モデルＣＮであって、積層体Ａの造形が異常であるかを判断するための学習モデルＣＮに画像（検出用画像Ｋ１）を入力して、積層体Ａの造形が異常であるかの判断結果を取得するステップと、判断結果に基づく情報を出力するステップとを、コンピュータに実行させる。本プログラムによると、造形異常を適切に検出することが可能となる。

以上、本発明の実施形態を説明したが、この実施形態の内容により実施形態が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

１ 三次元積層装置
１８ 積層ヘッド（粉末供給部、光照射部）
２２ 撮像部
２６ 制御装置
６０ 学習部
６２ 画像取得部
６４ 結果取得部
６６ 情報出力部
Ａ 積層体
Ｂ ビード
ＣＮ 学習モデル
Ｋ 教師画像
Ｋ１ 検出用画像（画像）

Claims (12)

1. 粉末を供給する粉末供給部と、
   前記粉末に光ビームを照射して前記粉末を溶融固化させて積層体を造形する光照射部と、
   溶融した前記粉末で形成される溶融池を含む造形箇所の画像を撮像する撮像部と、
   異常時の前記造形箇所の画像と、該画像の異常種類の対応関係を機械学習させた学習モデルであって、前記積層体の造形が異常であるかを判断するための学習モデルに、前記画像を入力して、前記積層体の造形が異常であるかの判断結果を取得する結果取得部と、
   前記判断結果に基づく情報を出力する情報出力部と、
   を含む、三次元積層装置。
2. 前記学習モデルは、前記積層体の造形の異常の種類を分類可能に構成されており、前記結果取得部は、前記学習モデルに前記画像を入力することで、前記積層体の造形の異常の種類を、前記判断結果として取得する、請求項１に記載の三次元積層装置。
3. 前記結果取得部は、前記三次元積層装置の異常と前記積層体の異常との少なくとも１つを、前記判断結果として取得する、請求項２に記載の三次元積層装置。
4. 前記結果取得部は、前記三次元積層装置の異常の種類として、前記光照射部に設けられる保護ガラスの異常と、前記光照射部及び前記粉末供給部の少なくとも一方に異物が付着している状態と、前記光照射部の結露と、前記光照射部と前記粉末供給部とのアラインメント異常との、少なくとも１つを取得する、請求項３に記載の三次元積層装置。
5. 前記結果取得部は、前記積層体の異常の種類として、前記積層体のビードの高さの異常と、前記積層体の割れと、前記積層体からスパッタが発生している状態との、少なくとも１つを取得する、請求項３又は請求項４に記載の三次元積層装置。
6. 前記情報出力部は、前記判断結果に基づき、前記積層体の造形を停止する、請求項１から請求項５のいずれか１項に記載の三次元積層装置。
7. 前記情報出力部は、前記積層体の造形が異常であるとの判断結果を取得した回数が閾値以上となった場合に、前記積層体の造形を停止する、請求項６に記載の三次元積層装置。
8. 前記情報出力部は、前記判断結果に基づき、造形に異常がある旨の警告を出力する、請求項１から請求項７のいずれか１項に記載の三次元積層装置。
9. 前記情報出力部は、前記判断結果に基づき、前記積層体に対する前記粉末供給部の移動速度と、前記光ビームの出力との、少なくとも１つを制御する、請求項１から請求項８のいずれか１項に記載の三次元積層装置。
10. 前記学習モデルは、前記異常種類として、前記光照射部に設けられる保護ガラスの異常と、前記光照射部及び前記粉末供給部の少なくとも一方に異物が付着している状態と、前記光照射部の結露と、前記光照射部と前記粉末供給部とのアラインメント異常と、前記積層体のビードの高さの異常と、前記積層体の割れと、前記積層体からスパッタが発生している状態との、少なくとも１つが起こった際の前記造形箇所の画像と、前記異常種類との対応関係を機械学習させた学習モデルである、請求項１から請求項９のいずれか１項に記載の三次元積層装置。
11. 粉末を供給する粉末供給部と前記粉末に光ビームを照射して前記粉末を溶融固化させて積層体を造形する光照射部とを備える三次元積層装置に用いられる制御方法であって、
    溶融した前記粉末で形成される溶融池を含む造形箇所の画像を撮像するステップと、
    異常時の前記造形箇所の画像と該画像の異常種類の対応関係を機械学習させた学習モデルであって、前記積層体の造形が異常であるかを判断するための学習モデルに、前記画像を入力して、前記積層体の造形が異常であるかの判断結果を取得するステップと、
    前記判断結果に基づく情報を出力するステップと、
    を含む、制御方法。
12. 粉末を供給する粉末供給部と、前記粉末に光ビームを照射して前記粉末を溶融固化させて積層体を形成する光照射部とを備える三次元積層装置に用いられる制御方法をコンピュータに実行させるプログラムであって、
    溶融した前記粉末で形成される溶融池を含む造形箇所の画像を撮像するステップと、
    異常時の前記造形箇所の画像と該画像の異常種類の対応関係を機械学習させた学習モデルであって、前記積層体の造形が異常であるかを判断するための学習モデルに、前記画像を入力して、前記積層体の造形が異常であるかの判断結果を取得するステップと、
    前記判断結果に基づく情報を出力するステップと、
    をコンピュータに実行させる、プログラム。

Images