JP2022026568A - 機械学習装置 - Google Patents

機械学習装置 Download PDF

Info

Publication number
JP2022026568A
JP2022026568A JP2020130106A JP2020130106A JP2022026568A JP 2022026568 A JP2022026568 A JP 2022026568A JP 2020130106 A JP2020130106 A JP 2020130106A JP 2020130106 A JP2020130106 A JP 2020130106A JP 2022026568 A JP2022026568 A JP 2022026568A
Authority
JP
Japan
Prior art keywords
data
machine learning
unit
modeling
dimensional model
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
JP2020130106A
Other languages
English (en)
Other versions
JP7508929B2 (ja
Inventor
彰彦 ▲角▼谷
Akihiko Sumiya
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Priority to JP2020130106A priority Critical patent/JP7508929B2/ja
Priority to CN202110857979.4A priority patent/CN114054776B/zh
Priority to US17/387,702 priority patent/US20220036240A1/en
Publication of JP2022026568A publication Critical patent/JP2022026568A/ja
Application granted granted Critical
Publication of JP7508929B2 publication Critical patent/JP7508929B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28B—SHAPING CLAY OR OTHER CERAMIC COMPOSITIONS; SHAPING SLAG; SHAPING MIXTURES CONTAINING CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28B1/00—Producing shaped prefabricated articles from the material
    • B28B1/001—Rapid manufacturing of 3D objects by additive depositing, agglomerating or laminating of material
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28B—SHAPING CLAY OR OTHER CERAMIC COMPOSITIONS; SHAPING SLAG; SHAPING MIXTURES CONTAINING CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28B17/00—Details of, or accessories for, apparatus for shaping the material; Auxiliary measures taken in connection with such shaping
    • B28B17/0063—Control arrangements
    • B28B17/0081—Process control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Ceramic Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

【課題】製造時における三次元造形物の変形を予測可能な技術を提供する。【解決手段】機械学習装置は、三次元造形物の目標形状に関する形状データと、三次元造形装置によって三次元造形物を造形する際の条件に関する造形条件データとを含む第１データと、三次元造形物の変形に関する第２データとを取得するデータ取得部と、複数の第１データと複数の第２データとを含む学習データセットを記憶する記憶部と、学習データセットを用いた機械学習を実行することによって、第１データと第２データとの関係を学習する学習部と、を備える。【選択図】図８

Description

本開示は、機械学習装置に関する。
粉末状の金属やセラミックを含んだ材料を積層して三次元造形物を造形した後、三次元造形物を焼結させて強度を高める技術が知られている。焼結によって三次元造形物が収縮するので、焼結後の三次元造形物には、歪みや、割れや、反りなどが生じることがある。この問題に関して、特許文献１には、有限要素法を用いて熱による三次元造形物の変形量を予測し、予測された変形量が許容範囲内でない場合には入力ジオメトリを補正し、補正後の入力ジオメトリに従って三次元造形物を造形することで三次元造形物の変形を抑制する技術が記載されている。
特表２０１７－５３００２７号公報
熱処理による三次元造形物の変形量は、例えば、三次元造形物の形状や厚みや材料、あるいは、三次元造形物に対する熱処理の温度や昇温速度や時間などの種々の条件が組み合わさって決まる。そのため、上記特許文献１のように有限要素法を用いて三次元造形物の変形量を予測する技術では、正確な予測が難しい。このような問題は、粉末状の金属などを積層した後に焼結させて三次元造形物を製造する場合のみならず、可塑化した熱可塑性樹脂を積層して三次元造形物を製造する場合にも共通した問題である。
本開示の一形態によれば、機械学習装置が提供される。この機械学習装置は、三次元造形物の目標形状に関する形状データと、三次元造形装置によって前記三次元造形物を造形する際の造形条件に関する造形条件データとを含む第１データと、前記三次元造形物の変形に関する第２データとを取得するデータ取得部と、複数の前記第１データと複数の前記第２データとを含む学習データセットを記憶する記憶部と、前記学習データセットを用いた機械学習を実行することによって、前記第１データと前記第２データとの関係を学習する学習部と、を備える。
機械学習システムの概略構成を示す説明図。 第１実施形態の三次元造形装置の概略構成を示す説明図。 三次元造形物が複数の層に分割される様子を模式的に示す説明図。 層が複数のボクセルに分割される様子を模式的に示す説明図。 三次元造形物の製造方法を示すフローチャート。 熱処理工程後の三次元造形物の一例を示す斜視図。 学習処理の内容を示すフローチャート。 予測処理の内容を示すフローチャート。 補正処理の内容を示すフローチャート。 補正前後の第１部分と第２部分との分布の一例を示す説明図。 第２実施形態の三次元造形装置の概略構成を示す説明図。 補正処理において収縮率を判定する方法の他の例を示す説明図。
Ａ．第１実施形態：
図１は、第１実施形態における機械学習システム５０の概略構成を示す説明図である。機械学習システム５０は、機械学習装置１００と、情報処理装置２００と、三次元造形装置３００と、熱処理装置４００と、検査装置５００とを備えている。
機械学習装置１００は、１つまたは複数のプロセッサーと、主記憶装置と、外部との信号の入出力を行う入出力インターフェースとを備えるコンピューターによって構成されている。本実施形態では、機械学習装置１００は、後述する学習処理を実行することによって学習モデルを生成し、後述する予測処理を実行することによって学習モデルを用いて三次元造形物の製造誤差を予測し、予測される製造誤差が許容範囲内でない場合には後述する補正処理を実行する。なお、機械学習装置１００は、複数のコンピューターによって構成されてもよい。
本実施形態では、機械学習装置１００は、データ取得部１１０と、データ記憶部１２０と、演算部１３０と、前処理部１４０と、学習部１５０と、学習モデル記憶部１６０と、予測部１７０と、補正部１８０と、補正関数記憶部１９０とを備えている。
データ取得部１１０は、有線通信または無線通信によって、情報処理装置２００、三次元造形装置３００および熱処理装置４００から第１データを取得する。第１データには、後述する形状データや造形データが含まれる。さらに、データ取得部１１０は、有線通信または無線通信によって、検査装置５００から第２データを取得する。第２データには、後述する計測データが含まれる。
データ記憶部１２０は、第１データや第２データなどの各種データを記憶する。演算部１３０は、第１データに含まれる形状データと第２データに含まれる計測データとを用いて、後述する製造誤差データを生成する。前処理部１４０は、第１データと製造誤差データとを用いて学習データセットを生成する。学習部１５０は、学習処理において、学習データセットを用いた機械学習を実行して、学習モデルを生成する。本実施形態では、学習部１５０は、報酬計算部１５１と、価値関数更新部１５２とを備えている。学習モデル記憶部１６０は、学習モデルを記憶する。予測部１７０は、予測処理において、学習モデルを用いて三次元造形物の製造誤差を予測する。補正部１８０は、予測処理において、予測部１７０による予測結果に応じて、第１データに含まれる造形データを補正する。補正関数記憶部１９０は、補正部１８０による造形データの補正に用いられる補正関数を記憶する。
情報処理装置２００は、１つまたは複数のプロセッサーと、主記憶装置と、外部との信号の入出力を行う入出力インターフェースとを備えるコンピューターによって構成されている。情報処理装置２００には、マウスやキーボードなどの入力装置や、液晶ディスプレイなどの表示装置が接続されている。本実施形態では、情報処理装置２００は、予めインストールされた三次元ＣＡＤソフトによって、形状データを生成する。形状データには、三次元造形物の目標形状が表されている。目標形状とは、三次元造形物の製造時に目標とされる形状のことを意味する。つまり、目標形状通りに三次元造形物が製造された場合、その三次元造形物の製造誤差はゼロである。形状データは、機械学習装置１００に送信される。さらに、本実施形態では、情報処理装置２００は、予めインストールされたスライサーソフトに形状データを読み込ませることによって造形データを生成する。造形データは、三次元造形装置３００によって三次元造形物を造形するための造形条件、つまり、三次元造形装置３００を制御するための各種情報が表されたデータである。造形データは、機械学習装置１００および三次元造形装置３００に送信される。なお、造形データのことを造形条件データと呼ぶことがある。
三次元造形装置３００は、造形データに従って三次元造形物を造形する。本実施形態では、三次元造形装置３００は、インクジェット技術を用いて、粉末材料と溶媒と結合剤とが混合されたペースト状の液体を噴射して三次元造形物を造形するペーストインクジェット方式の三次元造形装置である。なお、三次元造形装置３００の構成については後述する。
熱処理装置４００は、三次元造形装置３００によって造形された三次元造形物に熱処理を施す。本実施形態では、熱処理装置４００は、焼結炉である。熱処理装置４００は、予め定められた熱処理条件に従って、三次元造形物を焼結させる。焼結によって、三次元造形物は収縮し、三次元造形物の強度は高まる。熱処理条件には、例えば、熱処理工程における加熱時間や加熱温度や加熱速度や加熱回数などが含まれる。
検査装置５００は、熱処理後の三次元造形物の寸法を計測して、計測データを生成する。本実施形態では、検査装置５００は、三次元測定機である。本実施形態では、計測データには、熱処理後の三次元造形物の形状が表されている。なお、計測データには、熱処理後の三次元造形物の歪量や、反り量や、割れの有無などが表されてもよい。
図２は、三次元造形装置３００の概略構成を示す説明図である。三次元造形装置３００は、制御部３０１と、テーブルユニット３０２と、移動機構３０３と、造形ユニット３０４とを備えている。制御部３０１は、１つまたは複数のプロセッサーと、主記憶装置と、外部との信号の入出力を行う入出力インターフェースとを備えるコンピューターによって構成されている。制御部３０１は、情報処理装置２００から供給された造形データに従って、テーブルユニット３０２と移動機構３０３と造形ユニット３０４とを制御する。
テーブルユニット３０２は、テーブル３１０と、テーブル３１０をＺ方向に沿って移動させる昇降機構３１６とを備えている。本実施形態では、昇降機構３１６は、制御部３０１の制御下で、テーブル３１０をＺ方向に沿って移動させるアクチュエーターによって構成されている。
移動機構３０３は、テーブルユニット３０２の上方に設けられている。移動機構３０３は、造形ユニット３０４を支持しており、テーブル３１０に対して造形ユニット３０４をＸ方向に沿って相対移動させる。本実施形態では、移動機構３０３は、制御部３０１の制御下で、造形ユニット３０４をＸ方向に沿って移動させるアクチュエーターによって構成されている。
造形ユニット３０４は、テーブルユニット３０２の上方に配置されている。造形ユニット３０４は、第１材料供給部３２０と、第２材料供給部３３０と、硬化エネルギー供給部３５０とを備えている。造形ユニット３０４には、－Ｘ方向側から、第１材料供給部３２０と、第２材料供給部３３０と、硬化エネルギー供給部３５０とがこの順に配置されている。
第１材料供給部３２０は、粉末材料と溶媒と結合剤とを含むペースト状の液体である第１液体ＬＱ１をテーブル３１０上に供給する。第１材料供給部３２０は、第１液体ＬＱ１の供給源である第１供給源３２１と、テーブル３１０上に第１液体ＬＱ１を供給する第１ヘッド３２２とを備えている。本実施形態では、第１供給源３２１は、第１液体ＬＱ１を貯蔵するタンクによって構成されている。第１ヘッド３２２は、圧力室と、圧力室の容積を変化させるピエゾ素子と、圧力室に連通する複数のノズル孔とを有するピエゾ駆動方式の液体噴射ヘッドによって構成されている。第１ヘッド３２２には、Ｙ方向に沿って複数のノズル孔が設けられている。第１ヘッド３２２は、第１供給源３２１から供給された第１液体ＬＱ１で満たされた圧力室の側壁をピエゾ素子によって撓ませて圧力室の容積を減少させ、圧力室の容積減少量に相当する量の第１液体ＬＱ１をノズル孔から噴射する。
第２材料供給部３３０は、粉末材料と溶媒と結合剤とを含むペースト状の液体である第２液体ＬＱ２をテーブル３１０上に供給する。第２材料供給部３３０は、第２液体ＬＱ２の供給源である第２供給源３３１と、テーブル３１０上に第２液体ＬＱ２を供給する第２ヘッド３３２とを備えている。本実施形態では、第２供給源３３１は、第２液体ＬＱ２を貯蔵するタンクによって構成されている。第２ヘッド３３２は、圧力室と、圧力室の容積を変化させるピエゾ素子と、圧力室に連通する複数のノズル孔とを有するピエゾ駆動方式の液体噴射ヘッドによって構成されている。第２ヘッド３３２には、Ｙ方向に沿って複数のノズル孔が設けられている。第２ヘッド３３２は、第２供給源３３１から供給された第２液体ＬＱ２で満たされた圧力室の側壁をピエゾ素子によって撓ませて圧力室の容積を減少させ、圧力室の容積減少量に相当する量の第２液体ＬＱ２をノズル孔から噴射する。
第１液体ＬＱ１および第２液体ＬＱ２に含まれる粉末材料は、三次元造形物の原材料である。粉末材料として、例えば、ステンレス鋼や、ステンレス鋼以外の鉄鋼や、純鉄や、チタン合金や、マグネシウム合金や、コバルト合金や、ニッケル合金などの金属材料の粉末、あるいは、二酸化ケイ素や、二酸化チタンや、酸化アルミニウムや、酸化ジルコニウムや、窒化ケイ素などのセラミック材料の粉末などを用いることができる。これらのうちの一種類が粉末材料として用いられてもよいし、二種類以上が組み合わされて粉末材料として用いられてもよい。本実施形態では、第１液体ＬＱ１および第２液体ＬＱ２に含まれる粉末材料としてステンレス鋼の粉末が用いられる。
第１液体ＬＱ１および第２液体ＬＱ２に含まれる溶媒として、例えば、水、あるいは、エチレングリコールモノメチルエーテルなどのアルキレングリコールモノアルキルエーテル類や、酢酸エチルなどの酢酸エステル類や、ベンゼンなどの芳香族炭化水素類や、メチルエチルケトンなどのケトン類や、エタノールなどのアルコール類などの有機溶媒を用いることができる。これらのうちの一種類が溶媒として用いられてもよいし、二種類以上が組み合わされて溶媒として用いられてもよい。
第１液体ＬＱ１および第２液体ＬＱ２に含まれる結合剤として、熱可塑性樹脂や、熱硬化性樹脂や、可視光領域の光により硬化する可視光硬化性樹脂、紫外線硬化性樹脂、赤外線硬化性樹脂などの各種光硬化性樹脂や、Ｘ線硬化性樹脂などを用いることができる。これらのうちの一種類が結合剤として用いられてもよく、二種類以上が組み合わされて結合剤として用いられてもよい。本実施形態では、第１液体ＬＱ１および第２液体ＬＱ２に含まれる結合剤として熱硬化性樹脂が用いられる。
第１液体ＬＱ１の粒子密度は、第２液体ＬＱ２の粒子密度よりも低い。粒子密度とは、単位体積当たりの粉末材料の体積のことを意味する。各液体ＬＱ１，ＬＱ２における単位体積当たりの粉末材料の粒子数を少なくすることによって、各液体ＬＱ１，ＬＱ２の粒子密度を低減できる。各液体ＬＱ１，ＬＱ２に含まれる粉末材料の平均粒子径を大きくすることによっても、各液体ＬＱ１，ＬＱ２の粒子密度を低減できる。平均粒子径として、例えば、メディアン径を用いることができる。本実施形態では、第１液体ＬＱ１における単位体積当たりの粉末材料の粒子数は、第２液体ＬＱ２における単位体積当たりの粉末材料の粒子数よりも少ない。第１液体ＬＱ１に含まれる粉末材料の平均粒子径は、第２液体ＬＱ２に含まれる粉末材料の平均粒子径と同じである。
硬化エネルギー供給部３５０は、第１液体ＬＱ１や第２液体ＬＱ２に含まれる結合剤に対して、結合剤を硬化させるためのエネルギーを付与する。本実施形態では、硬化エネルギー供給部３５０は、ヒーターによって構成されている。テーブル３１０上に供給された第１液体ＬＱ１や第２液体ＬＱ２に含まれる溶媒は、硬化エネルギー供給部３５０からの加熱によって揮発し、テーブル３１０上に供給された第１液体ＬＱ１や第２液体ＬＱ２に含まれる結合剤は、硬化エネルギー供給部３５０からの加熱によって硬化する。なお、紫外線硬化性の結合材が用いられる場合には、硬化エネルギー供給部３５０は、紫外線ランプによって構成されてもよい。
図３は、三次元造形物ＯＢの目標形状が複数の層に分割される様子を模式的に示す説明図である。図４は、三次元造形物ＯＢの層が複数のボクセルＶＸに分割される様子を模式的に示す説明図である。本実施形態では、形状データに表された三次元造形物ＯＢの目標形状は、スライサーソフトによって、熱処理による収縮率を加味して寸法を拡大され、所定の厚みを有する複数の層に分割される。図３には一例として、三次元造形物ＯＢの目標形状が７つの層に分割される様子が表されている。各層のことを－Ｚ方向側から順に、第１層ＬＹ１、第２層ＬＹ２、第３層ＬＹ３、第４層ＬＹ４、第５層ＬＹ５、第６層ＬＹ６、第７層ＬＹ７と呼ぶ。さらに、本実施形態では、各層は、スライサーソフトによって、所定の体積を有する立方体状あるいは直方体状の複数のボクセルＶＸに分割される。図４には一例として、第４層ＬＹ４が複数のボクセルＶＸに分割される様子が表されている。
造形データには、各ボクセルＶＸの位置に関する情報と、各ボクセルＶＸを造形するために用いられる液体の種類に関する情報とが含まれる。図４に示した例では、第４層ＬＹ４のうち、二点鎖線で囲まれた領域内の各ボクセルＶＸを造形するために第２液体ＬＱ２が用いられ、それ以外の各ボクセルＶＸを造形するために第１液体ＬＱ１が用いられる。以下の説明では、三次元造形物ＯＢのうちの第１液体ＬＱ１を用いて造形される部分のことを第１部分Ｐ１と呼び、三次元造形物ＯＢのうちの第２液体ＬＱ２を用いて造形される部分のことを第２部分Ｐ２と呼ぶ。
図５は、本実施形態における三次元造形物ＯＢの製造方法を示すフローチャートである。図３および図４に示した三次元造形物ＯＢが製造される様子を例にして三次元造形物ＯＢの製造方法を説明する。まず、ステップＳ１１０の造形データ取得工程にて、三次元造形装置３００の制御部３０１は、情報処理装置２００から造形データを取得する。
ステップＳ１２０の造形工程にて、制御部３０１は、図２に示すように、造形データに従って造形ユニット３０４と移動機構３０３とテーブルユニット３０２の昇降機構３１６を制御することによって、テーブル３１０上に三次元造形物ＯＢを造形する。初期状態では、造形ユニット３０４は、テーブル３１０よりも＋Ｘ方向側に配置されている。制御部３０１は、移動機構３０３を制御することによって、造形ユニット３０４を－Ｘ方向に移動させる。制御部３０１は、造形ユニット３０４を－Ｘ方向に移動させながら、第１材料供給部３２０を制御することによって第１部分Ｐ１を造形する位置に第１液体ＬＱ１を供給し、第２材料供給部３３０を制御することによって第２部分Ｐ２を造形する位置に第２液体ＬＱ２を供給し、硬化エネルギー供給部３５０を制御することによってテーブル３１０上に供給された各液体ＬＱ１，ＬＱ２に含まれる結合剤を硬化させる。結合剤が硬化することによって、三次元造形物ＯＢの第ｎ層が形成される。ｎは任意の自然数である。その後、制御部３０１は、移動機構３０３を制御することによって造形ユニット３０４をテーブル３１０よりも＋Ｘ方向側の位置に戻し、昇降機構３１６を制御することによって第ｎ層の厚み分、テーブル３１０を下降させる。制御部３０１は、上述した処理を繰り返すことによって、第ｎ層上に第ｎ＋１層を積層して、三次元造形物ＯＢを造形する。
図５のステップＳ１３０の熱処理工程にて、三次元造形物ＯＢに熱処理が施される。本実施形態では、熱処理装置４００によって、三次元造形物ＯＢを所定の熱処理条件で加熱することによって、三次元造形物ＯＢから結合剤を脱脂させ、さらに、三次元造形物ＯＢを焼結させる。焼結によって、三次元造形物ＯＢは収縮し、三次元造形物ＯＢの強度は高まる。
ステップＳ１４０の検査工程にて、検査装置５００によって、熱処理工程後の三次元造形物ＯＢの寸法が計測されて、計測データが生成される。計測データは、機械学習装置１００に送信される。ステップＳ１４０の検査工程の後、三次元造形物ＯＢの製造方法は終了される。
図６は、熱処理工程後の三次元造形物ＯＢの一例を示す斜視図である。熱処理工程によって、三次元造形物ＯＢは収縮する。三次元造形物ＯＢ内には、収縮率の比較的高い部分と収縮率の比較的低い部分とが生じることがある。三次元造形物ＯＢ内の収縮率に大きな差が生じることによって、三次元造形物ＯＢに歪みや反りや割れなどが生じることがある。図６に示した三次元造形物ＯＢは、第１面ＰＬ１、第２面ＰＬ２、第３面ＰＬ３、第４面ＰＬ４、第５面ＰＬ５、第６面ＰＬ６、第７面ＰＬ７および第８面ＰＬ８を有している。この例では、第２面ＰＬ２と第６面ＰＬ６との収縮率が比較的高いことに起因して、第２面ＰＬ２と第６面ＰＬ６とに歪みが生じている。このような問題に対して、三次元造形物ＯＢ内の粒子密度の分布を調整することによって、三次元造形物ＯＢに歪みや反りや割れが生じることを抑制できる。例えば、収縮率の比較的高い部分の粒子密度を高めることによって当該部分の収縮率を小さくすることができ、収縮率の比較的低い部分の粒子密度を低めることによって当該部分の収縮率を大きくすることができる。つまり、三次元造形物ＯＢ内における、第１液体ＬＱ１を用いて造形される第１部分Ｐ１と第２液体ＬＱ２を用いて造形される第２部分Ｐ２との配置を調整することによって、三次元造形物ＯＢに歪みや反りや割れが生じることを抑制できる。
図７は、本実施形態における学習処理の内容を示すフローチャートである。この処理は、例えば、１つの三次元造形物ＯＢの製造が終了したタイミングで機械学習装置１００によって実行される。まず、ステップＳ２１０にて、データ取得部１１０は、第１データを取得する。第１データには、三次元造形物ＯＢの目標形状に関する形状データと、形状データに基づいて生成された造形データとが含まれている。本実施形態では、第１データには、さらに、熱処理工程における熱処理条件を表す熱処理条件データが含まれている。取得された第１データは、データ記憶部１２０に記憶される。
ステップＳ２２０にて、データ取得部１１０は、第２データを取得する。第２データには、検査工程において生成された計測データが含まれている。本実施形態では、計測データには、熱処理工程後の三次元造形物ＯＢの形状が表されている。取得された第２データは、対応する第１データに紐付けられてデータ記憶部１２０に記憶される。なお、ステップＳ２１０の処理とステップＳ２２０の処理との順序は逆でもよい。
ステップＳ２３０にて、演算部１３０は、データ記憶部１２０に記憶された第１データに含まれる形状データと第２データに含まれる計測データとを読み込んで、熱処理工程後の三次元造形物ＯＢの形状の寸法と目標形状の寸法との誤差を表す製造誤差データを生成する。生成された製造誤差データは、対応する第１データに紐付けられてデータ記憶部１２０に記憶される。ステップＳ２４０にて、前処理部１４０は、データ記憶部１２０に記憶された第１データおよび当該第１データに紐付けられている製造誤差データを読み込んで、学習データセットを生成する。
ステップＳ２５０にて、学習部１５０は、前処理部１４０によって生成された学習データセットを読み込んで、機械学習を実行して学習モデルを生成する。ステップＳ２６０にて、学習モデル記憶部１６０は、学習部１５０によって生成された学習モデルを記憶する。その後、機械学習装置１００は、この処理を終了する。機械学習装置１００は、例えば、１つの三次元造形物ＯＢの製造が終了するごとに、この処理を繰り返すことによって、目標形状や造形条件や熱処理条件が異なる複数の三次元造形物ＯＢについてのデータを含む学習データセットを用いて機械学習を実行して、学習モデルを更新する。
上述したステップＳ２５０で学習部１５０が実行する機械学習のアルゴリズムは特に限定されず、例えば、教師あり学習や、教師なし学習や、強化学習などの公知のアルゴリズムを採用できる。本実施形態では、学習部１５０は、後述する強化学習を実行する。強化学習は、学習対象が存在する環境の現在状態を観測するとともに現在状態で所定の行動を実行し、その行動に対し何らかの報酬を与えるというサイクルを試行錯誤的に反復して、報酬の総計が最大化されるような方策を最適解として学習する手法である。
学習部１５０が実行する強化学習のアルゴリズムの一例を説明する。この例によるアルゴリズムは、Ｑ学習（Ｑ－ｌｅａｒｎｉｎｇ）として知られるものであって、行動主体の状態ｓと、その状態ｓで行動主体が選択し得る行動ａとを独立変数として、状態ｓで行動ａを選択した場合の行動の価値を表す関数Ｑ（ｓ，ａ）を学習する手法である。状態ｓで価値関数Ｑが最も高くなる行動ａを選択することが最適解となる。状態ｓと行動ａとの相関性が未知の状態でＱ学習を開始し、任意の状態ｓで種々の行動ａを選択する試行錯誤を繰り返すことで、価値関数Ｑを反復して更新し、最適解に近付ける。ここで、状態ｓで行動ａを選択した結果として環境つまり状態ｓが変化したときに、その変化に応じた報酬ｒつまり行動ａの重み付けが得られるように構成し、より高い報酬ｒが得られる行動ａを選択するように学習を誘導することで、価値関数Ｑを比較的短時間で最適解に近付けることができる。
価値関数Ｑの更新式は、一般に下式（１）のように表すことができる。
Figure 2022026568000002
上式（１）において、ｓｔ及びａｔはそれぞれ時刻ｔにおける状態及び行動であり、行動ａｔにより状態はｓｔ＋１に変化する。ｒｔ＋１は、状態がｓｔからｓｔ＋１に変化したことで得られる報酬である。ｍａｘＱの項は、時刻ｔ＋１で最大の価値Ｑになると時刻ｔで考えられている行動ａを行ったときのＱを意味する。α及びγはそれぞれ学習係数及び割引率であり、０＜α≦１、０＜γ≦１で任意に設定される。
学習部１５０がＱ学習を実行する場合、状態変数Ｓつまり第１データ、および、判定データＤつまり製造誤差データは、更新式の状態ｓに該当し、現在状態の三次元造形物ＯＢの目標形状に対して粒子密度の分布をどのように決定するべきかという行動つまり現在状態の第１データに含まれる造形データに表された各ボクセルＶＸの位置に第１液体ＬＱ１を供給するか第２液体ＬＱ２を供給するかをどのように決定すべきかという行動は、更新式の行動ａに該当し、報酬計算部１５１が求める報酬Ｒは、更新式の報酬ｒに該当する。よって価値関数更新部１５２は、現在状態の三次元造形物ＯＢの目標形状に対する粒子密度の分布の価値を表す関数Ｑを、報酬Ｒを用いたＱ学習により繰り返し更新する。
報酬計算部１５１が求める報酬Ｒは、例えば、三次元造形物ＯＢの目標形状に対する粒子密度の分布を決定した後に、決定した分布に基づいて製造された三次元造形物ＯＢの製造誤差が変更前の分布に基づいて製造された三次元造形物ＯＢの製造誤差に比べて小さくなった場合や、決定した分布に基づいて製造された三次元造形物ＯＢの製造誤差が許容範囲内であった場合などに正の報酬Ｒとし、三次元造形物ＯＢの目標形状に対する粒子密度の分布を決定した後に、決定した分布に基づいて製造された三次元造形物ＯＢの製造誤差が変更前の分布に基づいて製造された三次元造形物ＯＢの製造誤差に比べて大きくなった場合や、決定した分布に基づいて製造された三次元造形物ＯＢの製造誤差が許容範囲を超える場合などに負の報酬Ｒとすることができる。
製造された三次元造形物ＯＢの製造誤差に応じた報酬Ｒを用いてＱ学習を進めると、より高い報酬Ｒが得られる行動を選択する方向へ学習が誘導され、選択した行動を現在状態で実行した結果として変化する環境の状態、つまり状態変数Ｓ及び判定データＤに応じて、現在状態で行う行動についての行動価値の値、つまり関数Ｑが更新される。この更新を繰り返すことにより関数Ｑは、適正な行動ほど大きな値となるように書き換えられる。このようにして、未知であった環境の現在状態と、それに対する行動との相関性が徐々に明らかになる。
図８は、本実施形態における予測処理の内容を示すフローチャートである。この処理は、機械学習装置１００に所定の開始命令が供給された場合に、機械学習装置１００によって実行される。まず、ステップＳ３１０にて、データ取得部１１０は、第１データを取得する。取得された第１データは、データ記憶部１２０に記憶される。
次に、ステップＳ３２０にて、予測部１７０は、データ記憶部１２０に記憶された第１データと学習モデル記憶部１６０に記憶された学習モデルとを読み込んで、第１データに基づいて製造される三次元造形物ＯＢの製造誤差を予測し、予測結果が表された予測結果データを生成する。予測部１７０は、第１データと学習モデルとを読み込んで算出される価値Ｑを用いて、第１データに基づいて製造される三次元造形物ＯＢの製造誤差を予測できる。本実施形態では、予測結果データには、製造誤差の量が表される。なお、予測結果データには、第１データに基づいて製造される三次元造形物ＯＢの歪量や、反り量や、割れの有無などが表されてもよい。予測結果データには、第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内であることを示す符号や、第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲を超えることを示す符号が表されてもよい。
ステップＳ３３０にて、予測部１７０は、第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内であるか否かを判定する。予測部１７０は、予測結果データに表された製造誤差と予め設定された製造誤差の許容値とを比較して、第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内であるか否かを判断できる。
ステップＳ３３０で第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内であると判断されなかった場合、ステップＳ４００にて、補正部１８０は、第１データに含まれる造形データを補正する補正処理を実行する。補正処理の内容については後述する。その後、ステップＳ３２０に処理を戻して、予測部１７０は、造形データが補正された第１データと学習モデルとを読み込んで、造形データが補正された第１データに基づいて製造される三次元造形物ＯＢの製造誤差を予測し、予測結果が表された予測結果データを生成する。予測部１７０および補正部１８０は、ステップＳ３３０で第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内であると判断されるまで、ステップＳ４００、ステップＳ３２０およびステップＳ３３０の処理を繰り返す。
ステップＳ３３０で第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内であると判断された場合、ステップＳ３４０にて、機械学習装置１００は、造形データと予測結果データとを出力した後、この処理を終了する。本実施形態では、機械学習装置１００は、造形データと予測結果データとを情報処理装置２００に出力する。補正処理によって造形データが補正された場合には、補正後の造形データと、補正後の造形データに基づく予測結果データが出力される。
図９は、本実施形態における補正処理の内容を示すフローチャートである。まず、ステップＳ４１０にて、補正部１８０は、予測部１７０によって生成された予測結果データを読み込む。次に、ステップＳ４２０にて、補正部１８０は、予測結果データを用いて三次元造形物ＯＢの各面の収縮率を算出する。
ステップＳ４３０にて、補正部１８０は、三次元造形物ＯＢの有する各面のうちの第ｋ面の収縮率が所定値以上であるか否かを判定する。ｋは任意の自然数である。補正部１８０は、第ｋ面の収縮率と予め設定された閾値とを比較して第ｋ面の収縮率が所定値以上であるか否かを判断できる。ステップＳ４３０で第ｋ面の収縮率が所定値以上であると判断された場合、補正部１８０は、ステップＳ４４０にて、第ｋ面の収縮率と第ｋ面とは反対側の面の収縮率との差を算出する。例えば、図６に示したように、８つの面ＰＬ１～ＰＬ８を有する三次元造形物ＯＢについて補正処理が実行される場合、補正部１８０は、ステップＳ４３０にて、第１面ＰＬ１の収縮率が所定値以上であるか否かを判定し、第１面ＰＬ１の収縮率が所定値以上であると判断された場合、ステップＳ４４０にて、第１面ＰＬ１の収縮率と第１面ＰＬ１とは反対側の面である第３面ＰＬ３の収縮率との差を算出する。ステップＳ４５０にて、補正部１８０は、補正関数記憶部１９０に記憶された補正関数を読み込む。本実施形態では、補正関数は、多項式関数または有利関数である。補正関数には、例えば、製造誤差とその製造誤差を所定値以下にするために必要な第２部分Ｐ２の体積との関係が表されている。補正関数には、反り量とその反り量を所定値以下にするために必要な第２部分Ｐ２の体積との関係が表されてもよい。ステップＳ４６０にて、補正部１８０は、補正関数に基づいて、造形データに表された粒子密度の分布、換言すれば、各ボクセルＶＸを造形するために用いられる液体の種類に関する情報を補正する。一方、ステップＳ４３０で第ｋ面の収縮率が所定値以上であると判断されなかった場合、補正部１８０は、ステップＳ４４０からステップＳ４６０までの処理をスキップする。
その後、ステップＳ４７０にて、補正部１８０は、全ての面についてステップＳ４３０の収縮率の確認を実行したか否かを判定する。全ての面についてステップＳ４３０の収縮率の確認を実行したと判断されるまで、補正部１８０は、ステップＳ４３０からステップＳ４７０までの処理を繰り返す。例えば、図６に示した三次元造形物ＯＢでは、第１面ＰＬ１についてのステップＳ４３０からステップＳ４６０までの処理が実行された後、補正部１８０は、ステップＳ４３０に処理を戻して、第２面ＰＬ２の収縮率が所定値以上であるか否かを判定する。全ての面についてステップＳ４３０の収縮率の確認を実行したと判断された場合、補正部１８０は、この処理を終了する。その後、図８に示したように、補正後の造形データを用いてステップＳ３２０の処理が実行される。
図１０は、補正前後の第１部分Ｐ１と第２部分Ｐ２との分布の一例を示す説明図である。図１０の上側に示す補正前に比べて、図１０の下側に示す補正後では、収縮率の比較的大きな面であった第２面ＰＬ２の周辺部と第６面ＰＬ６の周辺部とにおいて、第１液体ＬＱ１を用いて造形されるボクセルＶＸが第２液体ＬＱを用いて造形されるボクセルＶＸに変更されることによって、第２液体ＬＱを用いて造形される第２部分Ｐ２の範囲が拡大されている。そのため、補正前に比べて補正後では、三次元造形物ＯＢ内の収縮率のばらつきが抑制される。
以上で説明した本実施形態における機械学習装置１００によれば、学習処理において、学習部１５０は、第１データと第２データとに基づいて生成された学習データセットを用いて、三次元造形物ＯＢの製造誤差を予測可能な学習モデルを生成し、予測処理において、予測部１７０は、学習モデルを用いて三次元造形物ＯＢの製造誤差が許容範囲内であるか否かを予測して、予測結果が表された予測結果データを出力する。さらに、本実施形態では、予測部１７０によって予測された三次元造形物ＯＢの製造誤差が許容範囲を超える場合には、補正部１８０は、多項式関数または有利関数で表される補正関数を用いて、造形データに表された三次元造形物ＯＢ内の粒子密度の分布を補正し、補正後の造形データを出力する。そのため、補正後の造形データを用いて三次元造形物ＯＢを製造することによって、三次元造形物ＯＢの製造誤差が許容範囲を超えることを抑制できる。
また、本実施形態では、学習モデルの生成に用いられる学習データセットには、三次元造形物ＯＢのうちの、第１液体ＬＱ１を用いて造形される第１部分Ｐ１の位置、および、第１液体ＬＱ１よりも粒子密度の高い第２液体ＬＱ２を用いて造形される第２部分Ｐ２の位置が表された造形データが含まれている。そのため、三次元造形物ＯＢ内の粒子密度の分布に応じて三次元造形物ＯＢの製造誤差を予測可能な学習モデルを生成できる。
また、本実施形態では、学習モデルの生成に用いられる学習データセットには、熱処理条件データが含まれる。そのため、熱処理工程における熱処理の条件に応じて三次元造形物ＯＢの製造誤差を予測可能な学習モデルを生成できる。
Ｂ．第２実施形態：
図１１は、第２実施形態における三次元造形装置３００ｂの概略構成を示す説明図である。第２実施形態における機械学習システム５０ｂは、ペーストインクジェット方式ではなくＦＤＭ（Fused Deposition Modeling）方式の三次元造形装置３００ｂを備えていることが第１実施形態と異なる。その他の構成については、特に説明しない限り、図１に示した第１実施形態と同じである。
図１１に示すように、造形ユニット３０４ｂは、第１材料供給部３２０ｂと第２材料供給部３３０ｂとを備えている。なお、本実施形態では、造形ユニット３０４ｂは、図２に示した硬化エネルギー供給部３５０を備えていない。
第１材料供給部３２０ｂは、粉末材料と熱可塑性樹脂とを含むワイヤー状の材料フィラメントである第１フィラメントＦＬ１を溶融させてペースト状の第１溶融材料を生成し、第１溶融材料をテーブル状に供給する。「溶融」とは、熱可塑性を有する材料が融点以上の温度に加熱されて液状になることのみならず、熱可塑性を有する材料がガラス転移点以上の温度に加熱されることにより軟化し、流動性が発現することをも意味する。第１材料供給部３２０ｂは、第１フィラメントＦＬ１の供給源である第１供給源３２１ｂと、第１フィラメントＦＬ１を溶融させてテーブル３１０上に供給する第１ヘッド３２２ｂとを備えている。本実施形態では、第１供給源３２１ｂは、第１フィラメントＦＬ１が巻き回されたリールによって構成されている。第１ヘッド３２２ｂは、第１供給源３２１ｂから供給された第１フィラメントＦＬ１を溶融させて第１溶融材料を生成するヒーターと、第１溶融材料を吐出するノズルとを有するエクストルーダーによって構成されている。
第２材料供給部３３０ｂは、粉末材料と熱可塑性樹脂とを含むワイヤー状の材料フィラメントである第２フィラメントＦＬ２を溶融させてペースト状の第２溶融材料を生成し、第２溶融材料をテーブル状に供給する。第２材料供給部３３０ｂは、第２フィラメントＦＬ２の供給源である第２供給源３３１ｂと、第２フィラメントＦＬ２を溶融させてテーブル３１０上に供給する第２ヘッド３３２ｂとを備えている。本実施形態では、第２供給源３３１ｂは、第２フィラメントＦＬ２が巻き回されたリールによって構成されている。第２ヘッド３３２ｂは、第２供給源３３１ｂから供給された第２フィラメントＦＬ２を溶融させて第２溶融材料を生成するヒーターと、第２溶融材料を吐出するノズルとを有するエクストルーダーによって構成されている。
第１フィラメントＦＬ１および第２フィラメントＦＬ２に含まれる粉末材料の種類は、第１実施形態と同じである。第１フィラメントＦＬ１および第２フィラメントＦＬ２に含まれる熱可塑性樹脂として、例えば、ＡＢＳ樹脂や、ポリプロピレンや、ポリ乳酸などを用いることができる。第１フィラメントＦＬ１の粒子密度は、第２フィラメントＦＬ２の粒子密度よりも低い。換言すれば、第１溶融材料の粒子密度は、第２溶融材料の粒子密度よりも低い。
本実施形態では、移動機構３０３ｂは、テーブル３１０に対して造形ユニット３０４をＸ方向およびＹ方向に沿って相対移動させる。本実施形態では、移動機構３０３は、制御部３０１の制御下で造形ユニット３０４をＸ方向に沿って移動させるアクチュエーターと、制御部３０１の制御下で造形ユニット３０４をＹ方向に沿って移動させるアクチュエーターとによって構成されている。
本実施形態では、図５のステップＳ１２０に示した造形工程において、制御部３０１は、造形データに従って造形ユニット３０４と移動機構３０３とテーブルユニット３０２の昇降機構３１６を制御することによって、テーブル３１０上に三次元造形物ＯＢを造形する。制御部３０１は、移動機構３０３を制御することによって、造形ユニット３０４をＸ方向およびＹ方向に沿って移動させながら、第１材料供給部３２０ｂを制御することによって第１部分Ｐ１を造形する位置に第１溶融材料を供給し、第２材料供給部３３０を制御することによって第２部分Ｐ２を造形する位置に第２溶融材料を供給する。第１溶融材料に含まれる熱可塑性樹脂および第２溶融材料に含まれる熱可塑性樹脂がテーブル３１０上で冷えて硬化することによって、三次元造形物ＯＢの第ｎ層が形成される。その後、制御部３０１は、昇降機構３１６を制御することによって第ｎ層の厚み分、テーブル３１０を下降させた後、上述した処理を繰り返すことによって、第ｎ層上に第ｎ＋１層を積層して、三次元造形物ＯＢを造形する。
以上で説明した本実施形態における機械学習システム５０ｂによれば、ＦＤＭ方式の三次元造形装置３００ｂによって三次元造形物ＯＢが造形される。ＦＤＭ方式の三次元造形装置３００ｂでは、第１溶融材料の粒子密度を第１実施形態の第１液体ＬＱ１の粒子密度よりも高めることができ、第２溶融材料の粒子密度を第１実施形態の第２液体ＬＱ２の粒子密度よりも高めることができる。そのため、三次元造形物ＯＢ全体での収縮率を第１実施形態よりも小さくして、より寸法精度良く三次元造形物ＯＢを造形できる。
Ｃ．他の実施形態：
（Ｃ１）上述した各実施形態の機械学習装置１００では、学習処理において学習部１５０が実行する機械学習のアルゴリズムは強化学習である。これに対して、学習処理において学習部１５０が実行する機械学習のアルゴリズムは教師あり学習でもよい。例えば、学習部１５０は、学習処理において、三次元造形物ＯＢの製造誤差が許容範囲内であることを表す正常ラベル、および、三次元造形物ＯＢの製造誤差が許容範囲を超えることを表す異常ラベルを含んだ学習データセットを用いた教師あり学習を実行して、正常データと異常データとの判別境界を学習モデルとして生成してもよい。この場合、予測処理において、予測部１７０は、学習モデルを用いて、読み込まれた第１データが正常データに属するのか異常データに属するのかを判定、換言すれば、読み込まれた第１データに基づいて製造される三次元造形物ＯＢの製造誤差が許容範囲内になるか否かを予測できる。
（Ｃ２）上述した各実施形態の機械学習装置１００では、学習処理において学習部１５０が実行する機械学習のアルゴリズムは強化学習である。これに対して、学習処理において学習部１５０が実行する機械学習のアルゴリズムは教師なし学習でもよい。例えば、学習部１５０は、学習処理において、製造誤差が許容範囲内である三次元造形物ＯＢについてのデータによって構成された学習データセットを用いた教師なし学習を実行して、製造誤差が許容範囲内である三次元造形物ＯＢについてのデータの分布を学習モデルとして生成してもよい。この場合、予測処理において、予測部１７０は、製造誤差が許容範囲内である三次元造形物ＯＢについてのデータに対して、読み込まれたデータがどれだけ外れているのかを学習モデルを用いて算出し、予測結果としての異常度を算出することができる。
（Ｃ３）上述した第１実施形態の三次元造形装置３００ｂでは、第１液体ＬＱ１および第２液体ＬＱ２には、粉末材料が含まれている。これに対して、第２液体ＬＱ２に粉末材料が含まれていなくてもよい。この場合、三次元造形物ＯＢのうち、粒子密度を比較的高くする部分には第１液体ＬＱ１のみを供給し、粒子密度を比較的低くする部分には第１液体を供給した後さらに第２液体ＬＱ２を供給することによって、三次元造形物ＯＢ内の粒子密度の分布を調整できる。
（Ｃ４）上述した各実施形態では、機械学習システム５０，５０ｂは、１つの三次元造形装置３００，３００ｂを備えている。これに対して、機械学習システム５０，５０ｂは、複数の三次元造形装置３００，３００ｂを備え、機械学習装置１００のデータ取得部１１０の取得する第１データには、複数の三次元造形装置３００，３００ｂから取得されたデータが含まれてもよい。複数の三次元造形装置３００，３００ｂのうちのいずれで三次元造形物ＯＢを造形するかに応じて、三次元造形物ＯＢの変形を予測できる。
（Ｃ５）上述した各実施形態では、機械学習装置１００のデータ取得部１１０が取得する第１データには、熱処理条件データが含まれている。これに対して、第１データには、熱処理条件データが含まれなくてもよい。
（Ｃ６）上述した各実施形態では、機械学習装置１００は、予測部１７０を備えている。これに対して、機械学習装置１００は、予測部１７０を備えていなくてもよい。例えば、学習部１５０によって生成された学習モデルを、有線通信または無線通信や情報記録媒体を用いて、予測部１７０の機能を備える他の装置に移動させて、当該他の装置上で図７に示した予測処理を実行してもよい。
（Ｃ７）上述した各実施形態では、機械学習装置１００は、補正部１８０を備えている。これに対して、機械学習装置１００は、補正部１８０を備えていなくてもよい。図８に示した予測処理のステップＳ３２０の後、予測部１７０は、ステップＳ３３０の処理をスキップして、ステップＳ３４０にて予測結果データのみを出力してもよい。この場合、ユーザーは、出力された予測結果データを参照できるので、予測結果が好ましくない場合には、例えば、情報処理装置２００上で造形データを修正して、粒子密度の分布を調整することができる。
（Ｃ８）図１２は、補正処理において収縮率を判定する方法の他の例を示す説明図である。図９に示した補正処理のステップＳ４３０において、補正部１８０は、各ボクセルＶＸの変位量に基づいて収縮率が所定値以上であるか否かを判定してもよい。例えば、図１２に示すように、補正部１８０は、複数のボクセルＶＸに分割された三次元造形物の形状ＳＰ１と、計測データに表された三次元造形物の形状ＳＰ２とを重ね合わせ、計測データに表された三次元造形物の形状ＳＰ２から稜線あるいは曲面を検出し、計測データに表された三次元造形物の形状ＳＰ２から検出された稜線あるいは曲面に対応する稜線あるいは曲面を複数のボクセルＶＸに分割された三次元造形物の形状ＳＰ１から検出してもよい。補正部１８０は、計測データに表された三次元造形物の形状ＳＰ２から検出された稜線あるいは曲面と、複数のボクセルＶＸに分割された三次元造形物の形状ＳＰ１から検出された稜線あるいは曲面とが重なるように、複数のボクセルＶＸに分割された三次元造形物の形状ＳＰ１を、分割線が等間隔になるように変形させ、変形前後の各ボクセルＶＸの中心点ＣＧの変位量ｄを算出し、変位量ｄが所定値以上である場合に、収縮率が所定値以上であると判断してもよい。あるいは、補正部１８０は、複数のボクセルＶＸに分割された三次元造形物の形状ＳＰ１と、計測データに表された三次元造形物の形状ＳＰ２とを重ね合わせ、計測データに表された三次元造形物の各領域の厚みを算出し、算出された各領域の厚みを各領域のボクセルＶＸの数で除算することで各ボクセルＶＸの厚みを決定し、決定された厚みになるように各ボクセルＶＸを変形させ、変形前後の各ボクセルＶＸの中心点の変位量を算出してもよい。これらの場合、曲面を含む複雑な形状の三次元造形物であっても、補正部１８０は、各ボクセルＶＸを造形するために用いられる液体の種類に関する情報を補正することができる。
Ｄ．他の形態：
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
（１）本開示の一形態によれば、機械学習装置が提供される。この機械学習装置は、三次元造形物の目標形状に関する形状データと、三次元造形装置によって前記三次元造形物を造形する際の造形条件に関する造形条件データとを含む第１データと、前記三次元造形物の変形に関する第２データとを取得するデータ取得部と、複数の前記第１データと複数の前記第２データとを含む学習データセットを記憶する記憶部と、前記学習データセットを用いた機械学習を実行することによって、前記第１データと前記第２データとの関係を学習する学習部と、を備える。
この形態の機械学習装置によれば、学習部は機械学習によって三次元造形物の変形を予測可能な学習モデルを生成できる。
（２）上記形態の機械学習装置において、前記造形条件データは、前記造形条件として前記三次元造形物の造形に用いられる材料に含まれる粒子の密度に関するデータを含んでもよい。
この形態の機械学習装置によれば、学習部は、三次元造形物の材料に含まれる粒子の密度に応じて三次元造形物の変形を予測可能な学習モデルを生成できる。
（３）上記形態の機械学習装置において、前記第１データは、前記三次元造形物に対する熱処理の条件に関する熱処理条件データを含んでもよい。
この形態の機械学習装置によれば、熱処理の条件を変更した場合にも、三次元造形物の変形を予測できる。
（４）上記形態の機械学習装置において、前記学習部は、前記機械学習として、教師あり学習と教師なし学習と強化学習とのうちの少なくとも一つを実行してもよい。
この形態の機械学習装置によれば、教師あり学習と教師なし学習と強化学習とのうちの少なくとも一つによって学習モデルを生成できる。
（５）上記形態の機械学習装置において、前記データ取得部は、複数の前記三次元造形装置から前記造形条件データを取得してもよい。
この形態の機械学習装置によれば、複数の三次元造形装置のうちのいずれで三次元造形物を造形するかに応じて、三次元造形物の変形を予測できる。
（６）上記形態の機械学習装置は、前記学習部による前記機械学習によって生成される学習モデルを用いて三次元造形物の変形を予測する予測部を備えてもよい。
この形態の機械学習装置によれば、学習モデルを用いて三次元造形物の変形を予測できる。そのため、予測結果が好ましくない場合、ユーザーは、造形条件データを変更することができる。
（７）上記形態の機械学習装置は、前記予測部による予測結果に応じて造形条件データを補正し、補正後の造形条件データを出力する補正部を備えてもよい。
この形態の機械学習装置によれば、予測結果に応じて補正部が造形条件データを補正して出力する。そのため、出力された補正後の造形条件データを用いて三次元造形物を製造することによって、三次元造形物を寸法精度良く製造できる。
（８）上記形態の機械学習装置は、前記補正部は、多項式関数と有理関数とのうちの少なくとも一つを用いて造形条件データを補正してもよい。
この形態の機械学習装置によれば、補正部は、多項式関数と有理関数とのうちの少なくとも一つを用いて造形条件データを補正できる。
本開示は、機械学習装置以外の種々の形態で実現することも可能である。例えば、機械学習システム、三次元造形物の製造誤差の予測方法等の形態で実現することができる。
５０…機械学習システム、１００…機械学習装置、１１０…データ取得部、１２０…データ記憶部、１３０…演算部、１４０…前処理部、１５０…学習部、１５１…報酬計算部、１５２…価値関数更新部、１６０…学習モデル記憶部、１７０…予測部、１８０…補正部、１９０…補正関数記憶部、２００…情報処理装置、３００…三次元造形装置、４００…熱処理装置、５００…検査装置

Claims (8)

  1. 機械学習装置であって、
    三次元造形物の目標形状に関する形状データと、三次元造形装置によって前記三次元造形物を造形する際の造形条件に関する造形条件データとを含む第１データと、前記三次元造形物の変形に関する第２データとを取得するデータ取得部と、
    複数の前記第１データと複数の前記第２データとを含む学習データセットを記憶する記憶部と、
    前記学習データセットを用いた機械学習を実行することによって、前記第１データと前記第２データとの関係を学習する学習部と、
    を備える機械学習装置。
  2. 請求項１に記載の機械学習装置であって、
    前記造形条件データは、前記造形条件として前記三次元造形物の造形に用いられる材料に含まれる粒子の密度に関するデータを含む、機械学習装置。
  3. 請求項１または請求項２に記載の機械学習装置であって、
    前記第１データは、前記三次元造形物に対する熱処理の条件に関する熱処理条件データを含む、機械学習装置。
  4. 請求項１から請求項３のいずれか一項に記載の機械学習装置であって、
    前記学習部は、前記機械学習として、教師あり学習と教師なし学習と強化学習とのうちの少なくとも一つを実行する、機械学習装置。
  5. 請求項１から請求項４のいずれか一項に記載の機械学習装置であって、
    前記データ取得部は、複数の前記三次元造形装置から前記造形条件データを取得する、機械学習装置。
  6. 請求項１から請求項５のいずれか一項に記載の機械学習装置であって、
    前記学習部による前記機械学習によって生成される学習モデルを用いて三次元造形物の変形を予測する予測部を備える、機械学習装置。
  7. 請求項６に記載の機械学習装置であって、
    前記予測部による予測結果に応じて造形条件データを補正し、補正後の造形条件データを出力する補正部を備える、機械学習装置。
  8. 請求項７に記載の機械学習装置であって、
    前記補正部は、多項式関数と有理関数とのうちの少なくとも一つを用いて造形条件データを補正する、機械学習装置。
JP2020130106A 2020-07-31 2020-07-31 機械学習装置 Active JP7508929B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020130106A JP7508929B2 (ja) 2020-07-31 2020-07-31 機械学習装置
CN202110857979.4A CN114054776B (zh) 2020-07-31 2021-07-28 机器学习装置
US17/387,702 US20220036240A1 (en) 2020-07-31 2021-07-28 Machine learning device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020130106A JP7508929B2 (ja) 2020-07-31 2020-07-31 機械学習装置

Publications (2)

Publication Number Publication Date
JP2022026568A true JP2022026568A (ja) 2022-02-10
JP7508929B2 JP7508929B2 (ja) 2024-07-02

Family

ID=80003310

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020130106A Active JP7508929B2 (ja) 2020-07-31 2020-07-31 機械学習装置

Country Status (3)

Country Link
US (1) US20220036240A1 (ja)
JP (1) JP7508929B2 (ja)
CN (1) CN114054776B (ja)

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6458543B2 (ja) * 2015-02-23 2019-01-30 株式会社リコー 造形データ作成装置、プログラム、造形装置
JP6077717B1 (ja) 2015-03-24 2017-02-08 技術研究組合次世代３Ｄ積層造形技術総合開発機構 ３次元造形システム、３次元造形物の製造方法、情報処理装置、３次元造形物の収縮抑制構造生成方法および３次元造形物の収縮抑制構造生成プログラム
WO2017114810A1 (en) * 2015-12-31 2017-07-06 Vito Nv Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture
JP6625914B2 (ja) * 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
WO2018064349A1 (en) 2016-09-30 2018-04-05 Velo3D, Inc. Three-dimensional objects and their formation
US11062207B2 (en) * 2016-11-04 2021-07-13 Raytheon Technologies Corporation Control systems using deep reinforcement learning
JP6490124B2 (ja) * 2017-03-07 2019-03-27 ファナック株式会社 レーザ加工装置および機械学習装置
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
US11669057B2 (en) * 2017-12-13 2023-06-06 Hewlett-Packard Development Company, L.P. Neural network thermal behavior predictions
JP2019171846A (ja) 2018-03-29 2019-10-10 株式会社リコー 造形予測表示システム、情報処理装置、プログラムおよび造形予測表示方法
CN112189211B (zh) 2018-08-08 2024-08-27 松下知识产权经营株式会社 材料描述符生成方法、生成装置及生成程序、预测模型构建方法、构建装置及构建程序
JP7096528B2 (ja) * 2018-09-07 2022-07-06 セイコーエプソン株式会社 三次元造形物の製造装置、三次元造形物の製造システム及び三次元造形物の製造方法
JP6773738B2 (ja) * 2018-09-19 2020-10-21 ファナック株式会社 状態判定装置及び状態判定方法
JP7118941B2 (ja) 2018-11-16 2022-08-16 東レエンジニアリング株式会社 樹脂成形解析方法、プログラムおよび記録媒体
WO2020222789A1 (en) * 2019-04-30 2020-11-05 Hewlett-Packard Development Company, L.P. Dimensional compensations in additive manufacturing
WO2021086347A1 (en) * 2019-10-30 2021-05-06 Hewlett-Packard Development Company, L.P. Thermal interactions

Also Published As

Publication number Publication date
US20220036240A1 (en) 2022-02-03
JP7508929B2 (ja) 2024-07-02
CN114054776B (zh) 2024-01-02
CN114054776A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Kumar et al. Application of fusion deposition modelling for rapid investment casting–a review
Singh Three dimensional printing for casting applications: A state of art review and future perspectives
JPWO2019049981A1 (ja) 積層造形物の解析方法及び積層造形物の解析装置、並びに積層造形物の製造方法及び積層造形物の製造装置
TW201943545A (zh) 產生用於三維列印過程之經調適控制指令之技術
Huang et al. Quality control for fused deposition modeling based additive manufacturing: Current research and future trends
CN109318485B (zh) 用于控制增材制造系统的系统和方法
CN112512729B (zh) 用于确定针对增材制造方法的构造规范的方法
JP2020001302A (ja) 造形予測システム、造形予測表示システム、情報処理装置およびプログラム
JP2019177494A (ja) 制御システム、造形システムおよびプログラム
JP2017094540A (ja) 三次元造形装置、三次元造形方法、プログラムおよび記録媒体
Chen et al. Learning algorithm based modeling and process parameters recommendation system for binder jetting additive manufacturing process
Gawel Review of additive manufacturing methods
Khodaii et al. Improving the surface roughness in stereolithography by controlling surface angle, hatch spaces, and postcuring time
Qin et al. Adaptive toolpath generation for distortion reduction in laser powder bed fusion process
JP2022026568A (ja) 機械学習装置
Ulkir et al. Energy consumption prediction of additive manufactured tensile strength parts using artificial intelligence
JP7524697B2 (ja) 三次元造形用データの生成方法および三次元造形物の製造方法
Mohamed Analytical modeling and experimental investigation of product quality and mechanical properties in FDM additive manufacturing
Attoye A study of fused deposition modeling (FDM) 3-D printing using mechanical testing and thermography
JP7543755B2 (ja) 機械学習装置
Boos et al. Simulation-Based Support Generation for Laser Powder Bed Fusion Processes
Verma et al. Computational geometric solutions for efficient additive manufacturing process planning
CN117295574A (zh) 物体烧结状态
Koo et al. Downskin Surface Roughness Prediction with Machine Learning for As-Built CM247LC Fabricated Via Powder Bed Fusion with a Laser Beam
US20240184954A1 (en) Iterative model compensation

Legal Events

Date Code Title Description
RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20210914

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20211108

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230705

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240510

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: 20240521

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240603

R150 Certificate of patent or registration of utility model

Ref document number: 7508929

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150