JP2022526033A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2022526033A
JP2022526033A JP2021560087A JP2021560087A JP2022526033A JP 2022526033 A JP2022526033 A JP 2022526033A JP 2021560087 A JP2021560087 A JP 2021560087A JP 2021560087 A JP2021560087 A JP 2021560087A JP 2022526033 A JP2022526033 A JP 2022526033A
Authority
JP
Japan
Prior art keywords
print
captured image
classifier
layer
extrusion
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
JP2021560087A
Other languages
English (en)
Other versions
JP7255919B2 (ja
Inventor
ピンスキー，バディム
シー プットマン，マシュー
リモージュ，ダマス
ラーギャフ ニルマルスワレン，アスウィン
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.)
Nanotronics Imaging Inc
Original Assignee
Nanotronics Imaging Inc
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 Nanotronics Imaging Inc filed Critical Nanotronics Imaging Inc
Publication of JP2022526033A publication Critical patent/JP2022526033A/ja
Priority to JP2023046860A priority Critical patent/JP2023089006A/ja
Application granted granted Critical
Publication of JP7255919B2 publication Critical patent/JP7255919B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
    • B29C64/118—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using filamentary material being melted, e.g. fused deposition modelling [FDM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B29C64/205—Means for applying layers
    • B29C64/209—Heads; Nozzles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

積層造形のためのシステム、方法および媒体が提供される。いくつかの実施形態において、積層造形システムは、ハードウェア・プロセッサを備え、ハードウェア・プロセッサは、キャプチャ画像を受信し、学習された故障分類器をキャプチャ画像の低解像度バージョンに適用し、回復不能の故障が対象物の印刷層内に存在しないと決定し、キャプチャ画像の低解像度バージョンの切り取られたバージョンを生成し、学習されたバイナリ・エラー分類器をキャプチャ画像の低解像度バージョンの切り取られたバージョンに適用し、エラーが対象物の印刷層内に存在すると決定し、学習された押出分類器をキャプチャ画像に適用し、学習された押出分類器は、押出品質スコアを生成し、押出品質スコアに基づいて印刷ヘッドのパラメータの値を調整し、印刷対象物の次の層を印刷するように構成される。

Description

本開示は、積層造形における人工知能プロセス制御を提供するためのメカニズムに関する。
３Ｄプリンタおよびセル・プリンタなどの積層造形システムは、天然、合成または生物材料の複数層を堆積させ、押出、焼結、光重合、メカノ合成または電気流体力学力のプロセスを介して対象物を製造するために広く用いられている。積層造形のプロセスは、層堆積プロセスを介して対象物を製造し、印刷対象物が完成するまで、積層造形プリンタは、連続した層を追加し続ける。
一般的に、積層造形プリンタによって印刷される対象物は、生産設計に基づく。３次元モデリング・ソフトウェア（例えば、ＣＡＤプログラム）を用いて、対象物のための生産設計を所望の仕様に作成することができる。次に、スライス・プログラムは、生産設計を数値制御符号（例えば、Ｇ符号）に変換することができ、数値制御符号は、設計を多くの層に分割し、次に、積層造形プリンタに、生産設計の個々の層の物理的表現を印刷するように指示するために用いることができる。積層造形の目的は、生産設計の仕様に厳密に従う対象物を印刷することである。
印刷対象物は、生産設計のサイズおよび複雑さに応じて、完了するのに数時間から数日までかかり得る。現在の積層造形システムは、それらが提供可能なフィードバックのタイプ、および対象物の各層が印刷された後にそれらがとり得る修正処置、に制限される。しばしば、対象物全体が印刷されるまで、フィードバックは提供されない。対象物のための印刷プロセスの間にフィードバックが提供されるとき、それは、通常、対象物の印刷を停止すべきかまたは継続すべきかを決定するためである。
いくつかの積層造形システムにおいて、フィードバックは、光が対象物上に当たっているときに印刷対象物によって作成される陰影によって提供される。陰影が印刷対象物の領域を妨げ、正確なフィードバックを阻むので、この方法は制限される。積層造形における正確なフィードバックは、品質および再生可能な印刷対象物を維持するために有用である。
したがって、対象物のための印刷プロセスの間、タイムリな修正処置をとることができるように、対象物の各印刷層のために人工知能プロセス制御（ＡＩＰＣ）を提供することが望ましい。印刷対象物の所望の機械的、光学的および／または電気的特性を達成するとともに、その生産設計に非常に類似するかまたは生産設計を改善する印刷対象物を達成するために、ＡＩＰＣを提供することもまた望ましい。
いくつかの実施形態に従って、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、方法および媒体が提供される。いくつかの実施形態において、システムは、交互積層法（ＬＢＬ法）によって対象物を印刷するように構成される印刷ヘッドと、対象物の印刷層の画像を捕捉するように構成される画像センサと、ハードウェア・プロセッサと、を備え、ハードウェア・プロセッサは、キャプチャ画像を受信し、キャプチャ画像をサンプリングし、キャプチャ画像の低解像度バージョンを生成し、学習された故障分類器をキャプチャ画像の低解像度バージョンに適用し、故障分類器から得られた分類に基づいて、回復不能の故障が対象物の印刷層内に存在しないと決定し、回復不能の故障が印刷層内に存在しないと決定することに応答して、キャプチャ画像の低解像度バージョンの切り取られたバージョンを生成し、学習されたバイナリ・エラー分類器をキャプチャ画像の低解像度バージョンの切り取られたバージョンに適用し、バイナリ・エラー分類器から得られた分類に基づいて、エラーが対象物の印刷層内に存在すると決定し、エラーが対象物の印刷層内に存在すると決定することに応答して、学習された押出分類器をキャプチャ画像に適用し、学習された押出分類器は、対象物の印刷層内の材料の押出の品質を示す押出品質スコアを生成し、押出品質スコアに基づいて印刷ヘッドのパラメータの値を調整し、印刷対象物の次の層を印刷するように構成される。
いくつかの実施形態において、積層造形のための方法が提供され、方法は、キャプチャ画像を受信するステップと、キャプチャ画像をサンプリングし、キャプチャ画像の低解像度バージョンを生成するステップと、学習された故障分類器をキャプチャ画像の低解像度バージョンに適用するステップと、故障分類器から得られた分類に基づいて、回復不能の故障が対象物の印刷層内に存在しないと決定するステップと、回復不能の故障が印刷層内に存在しないと決定することに応答して、キャプチャ画像の低解像度バージョンの切り取られたバージョンを生成するステップと、学習されたバイナリ・エラー分類器をキャプチャ画像の低解像度バージョンの切り取られたバージョンに適用するステップと、バイナリ・エラー分類器から得られた分類に基づいて、エラーが対象物の印刷層内に存在すると決定するステップと、エラーが対象物の印刷層内に存在すると決定することに応答して、学習された押出分類器をキャプチャ画像に適用するステップであって、学習された押出分類器は、対象物の印刷層内の材料の押出の品質を示す押出品質スコアを生成するステップと、押出品質スコアに基づいて印刷ヘッドのパラメータの値を調整し、印刷対象物の次の層を印刷するステップと、を含む。
いくつかの実施形態において、コンピュータ実行可能命令を含む非一時的コンピュータ可読媒体が提供され、コンピュータ実行可能命令は、プロセッサによって実行されるとき、プロセッサに、キャプチャ画像をサンプリングし、キャプチャ画像の低解像度バージョンを生成するステップと、学習された故障分類器をキャプチャ画像の低解像度バージョンに適用するステップと、故障分類器から得られた分類に基づいて、回復不能の故障が対象物の印刷層内に存在しないと決定するステップと、回復不能の故障が印刷層内に存在しないと決定することに応答して、キャプチャ画像の低解像度バージョンの切り取られたバージョンを生成するステップと、学習されたバイナリ・エラー分類器をキャプチャ画像の低解像度バージョンの切り取られたバージョンに適用するステップと、バイナリ・エラー分類器から得られた分類に基づいて、エラーが対象物の印刷層内に存在すると決定するステップと、エラーが対象物の印刷層内に存在すると決定することに応答して、学習された押出分類器をキャプチャ画像に適用するステップであって、学習された押出分類器は、対象物の印刷層内の材料の押出の品質を示す押出品質スコアを生成するステップと、押出品質スコアに基づいて印刷ヘッドのパラメータの値を調整し、印刷対象物の次の層を印刷するステップと、を含む積層造形のための方法を実行させる。
いくつかの実施形態に従う積層造形システムの一例である。
いくつかの実施形態に従う積層造形プリンタで使用可能なカメラおよび光源の一例である。
いくつかの実施形態に従って、オペレータが印刷パラメータを数値制御符号生成器内に入力するためのインタフェースの一例である。
いくつかの実施形態に従って捕捉可能な堆積するフィラメントにおける予想外のギャップを示す印刷層の画像の一例である。
いくつかの実施形態によって捕捉し得る印刷層内の意図しない糸のような人工物および他の破壊を示すさまざまな印刷層の画像の例である。 いくつかの実施形態によって捕捉し得る印刷層内の意図しない糸のような人工物および他の破壊を示すさまざまな印刷層の画像の例である。 いくつかの実施形態によって捕捉し得る印刷層内の意図しない糸のような人工物および他の破壊を示すさまざまな印刷層の画像の例である。
いくつかの実施形態による、（高いレベルでの）積層造形印刷動作の一例である。
いくつかの実施形態による、数値制御符号内に含まれ得る印刷層のための設定点のセットのシミュレーションの一例である。
いくつかの実施形態による、横断された印刷経路がどのように見え得るかのシミュレーションの一例である。
いくつかの実施形態による、異なる充填密度および充填パターンに基づいて異常パターンおよび異常率を学習するための学習プロセス、および、それらの異常パターンおよび異常率が印刷対象物の機械的特性にどのような影響を及ぼすかを示す一例である。
内容のいくつかの実施形態による、印刷の間、印刷対象物における、回復不能の故障およびエラーを識別する分類器を適用するための一例のプロセスである。
内容のいくつかの実施形態による、印刷対象物の印刷の間、印刷パラメータを修正するための強化学習を用いるための一例の概略図である。
内容のいくつかの実施形態による、印刷対象物の印刷の間、印刷パラメータを修正するための強化学習アルゴリズムを学習するためのプロセスの一例である。
開示された内容のいくつかの実施形態による、基準の引張曲線及び未修正の引張曲線の一例である。 開示された内容のいくつかの実施形態による、基準の引張曲線及び未修正の引張曲線の一例である。
内容のいくつかの実施形態による、３Ｄプリンタ（ワーカーとも称される）のグループを用いて、印刷対象物の印刷の間、印刷パラメータを修正するための強化学習アルゴリズムを学習するためのプロセスの一例である。
開示された内容のいくつかの実施形態に従って、積層造形の人工知能プロセス制御（ＡＩＰＣ）のためのメカニズム（システム、方法、デバイス、装置などを含むことができる）が提供される。ＡＩＰＣは、例えば、積層造形システムの印刷パラメータを最適化するのに有用であり、生産設計と比較して、印刷対象物の所望の機械的、光学的および／または電気的特性および／または所望の精度を達成することができる。ＡＩＰＣは、印刷層内の異常を識別し、印刷プロセスの間、修正処置をとるのに有用となり得る。
本願明細書において開示されるように、いくつかの実施形態において、人工知能を用いて、本願明細書において記載されている積層造形から学習し、改善し、フィードバック、情報、データおよび／または命令を出力することができる（この種の情報、データおよび／または命令を学習し、改良し、出力するこのプロセスは、本願明細書において「ＡＩＰＣ」と称される）。人工知能アルゴリズム／機械学習モデルは、単独または組み合わせて、以下の１つまたは複数を含むことができる。強化学習、隠れマルコフ・モデル、リカレント・ニューラル・ネットワーク、畳み込みニューラル・ネットワーク、ベイジアン記号法、敵対的生成ネットワーク、サポート・ベクトル・マシン、および／または、他の任意の適切な人工知能アルゴリズム。ＡＩＰＣは、ＡＩアルゴリズムに基づくが、ＡＩＰＣはまた、人工知能アルゴリズムに基づかない積層造形の間に収集されたデータを用いることもできる。
図１は、開示された内容のいくつかの実施形態に従ってＡＩＰＣを実施することができる一例の積層造形システム１００を示す。いくつかの実施形態によれば、積層造形システム１００の基本構成要素は、高いレベルで、数値制御符号生成器１１０、積層造形プリンタ１１５、画像生成器１７０および画像分析器１８０を含む。積層造形プリンタ１１５は、画像センサ１２０、光源１３０、印刷ヘッド１４０、フィラメント供給システム１４５、ビルド・プレート１５０および制御モジュール１６０を含むことができる。積層造形システム１００のための構成要素の機能は、単一の構成要素に結合可能であるかまたはいくつかの構成要素全体に及ぶことができる。いくつかの実施形態において、構成要素（例えば、数値制御符号生成器１１０、画像生成器１７０および／または画像分析器１８０）のいくつかの機能は、積層造形プリンタ１１５から遠隔で実行可能である。
積層造形システム１００が、図示されない他の適切な構成要素を含むことができることに留意されたい。追加的にまたは代替的に、積層造形システム１００内に含まれる構成要素のいくつかは省略可能である。
以下の説明は熱溶解積層法の積層造形プリンタを有するＡＩＰＣを用いることに言及するが、いくつかの実施形態では、本願明細書において記載されているＡＩＰＣは、ステレオリソグラフィ（ＳＬＡ）、電子ビーム溶解、直接金属堆積（電気流体力学印刷）および選択的レーザー焼結を含む任意の適切な３次元印刷技術で使用可能である。
いくつかの実施形態において、積層造形プリンタ１１５は、印刷プロセスの間、画像および／または映像を捕捉するための１つまたは複数の画像センサ１２０を含むことができる。画像センサ１２０は、対象物の各層の印刷の間および／または印刷の後、対象物の画像（または映像）を捕捉するように構成可能である。画像センサ１２０は、例えば、デジタル・スチル・カメラおよび／またはデジタル・ビデオ・カメラにおいて用いられ得るような電荷結合素子（ＣＣＤ）または相補形金属酸化膜半導体（ＣＭＯＳ）センサとすることができる。画像センサ１２０はまた、対象物の熱画像および／または映像を捕捉し、温度計算を実行するための赤外線（ＩＲ）カメラを含むこともできる。画像センサ１２０は、ビルド・プレート１５０および／または印刷ヘッド１４０に対して異なる位置および角度に位置することができる。
いくつかの実施形態において、積層造形プリンタ１１５は、単一の光源１３０、または、ビルド・プレート１５０に対しておよび／または画像センサ１２０に対して異なる位置および角度に位置する複数の光源（例えば、多重光ベクトル）を含むことができる（例えば、光源は、画像センサ１２０の周りに円周方向に位置することができる）。照射は、用いられる光源のサイズ、数および／または照射の位置および角度によって変えることができる。画像センサ１２０が対象物の画像および／または映像を捕捉することができるように、照射を用いて、対象物の印刷層を照射することができる。
捕捉した画像および／または映像は、メモリに保存され、画像生成器１７０に関連して本願明細書において述べられるように、印刷層の３次元トポグラフィー画像および／または他の適切な画像を作成することができる。
図２は、積層造形プリンタ１１５で使用可能なカメラ１２０および光源１３０の一例を示す。図２は、ＬＥＤホルダー２３０内にある発光ダイオード（ＬＥＤ）リング２１０に囲まれているカメラ１２０を含む。いくつかの実施形態において、制御モジュール１６０は、ＬＥＤリング２１０内の個々のＬＥＤを制御し、どのＬＥＤが照射すべきかを決定する。ＬＥＤリング２１０内の個々のＬＥＤの制御は、印刷層の画像を生成するために用いられるトポグラフィー撮像技術の要件によって決定され得る。
上述したように、積層造形プリンタ１１５はまた、１つまたは複数の印刷ヘッド１４０および１つまたは複数のビルド・プレート１５０を含むことができる。印刷ヘッド１４０および／またはビルド・プレート１５０は、Ｘ（幅）、Ｙ（長さ）およびＺ（高さ）次元において他方に対して移動することができる。印刷ヘッド１４０は、フィラメント供給システム１４５によって供給され、印刷ヘッド１４０の１つまたは複数のノズルを通して交互積層法（ＬＢＬ法）によって押し出される、フィラメントを保持することができる。いくつかの実施形態において、印刷ヘッド・ノズルの温度は、制御され、印刷ヘッド１４０内に保存されるフィラメントを加熱し、フィラメントを堆積可能な流動可能な形に保つことができる（例えば、印刷ヘッド１４０および／またはビルド・プレート１５０が他方に対して移動するとき、および／または、印刷ヘッド１４０および／またはビルド・プレート１５０が静止しているとき）。押し出された材料は、（第１の押し出し層の場合のように）ビルド・プレート１５０に対して、または、以前に堆積された押し出し層に対して溶融することができる。制御可能な印刷ヘッド１４０および／またはビルド・プレート１５０の他の態様は、例えば、印刷ヘッド１４０および／またはビルド・プレート１５０が移動の間たどる経路、生産設計の層の間で移行するとき、印刷ヘッドおよび／またはビルド・プレート１５０がＺ軸次元法に沿って他方に対して移動する量、印刷ヘッド１４０および／またはビルド・プレート１５０の他方に対する配向、印刷ヘッド１４０および／またはビルド・プレート１５０の移動の速度、および、印刷ヘッド１４０が堆積するフィラメントの量および率を含む。いくつかの実施形態において、印刷経路は、少なくとも２セットのＸ－Ｙ－Ｚ座標によって定義可能である。動作中に、印刷ヘッドおよび／またはビルド・プレートは、他方に対する移動を制御することができ、印刷ヘッドは、所望の充填パターンでフィラメントを放出することができる。いくつかの実施形態において、印刷ヘッド１４０および／またはビルド・プレート１５０は、数値制御符号生成器１１０および／または制御モジュール１６０からの符号によって制御可能である。
いくつかの実施形態において、ビルド・プレート１５０は、所定の温度まで加熱可能であり、異なる方向に配向可能である。
いくつかの実施形態において、制御モジュール１６０は、いくつかの実施形態では、コントローラおよびコントローラインタフェースを含むことができ、積層造形システム１００の構成要素（例えば、数値制御符号生成器１１０、画像センサ１２０、光源１３０、印刷ヘッド１４０、ビルド・プレート１５０、画像生成器１７０および画像分析器１８０）の任意の適切な１つまたは複数の設定（例えば、温度、速度、配向など）、ならびに、積層造形システムの構成要素によって、および、構成要素間で実行される通信、動作（例えば、印刷対象物の画像を捕捉すること、光源１３０を使用可能にすることなど）および計算を制御することができる。制御システム１０８は、（いくつかの実施形態ではソフトウェアを実行することができる）任意の適切なハードウェア、例えば、コンピュータ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブル・ゲート・アレイ（ＦＧＰＡ）およびデジタル信号プロセッサ（ＤＳＰ）（これらのいずれかは、ハードウェア・プロセッサとも呼ぶことができる）、エンコーダ、エンコーダを読み込む回路、メモリ・デバイス（１つまたは複数のＥＰＲＯＭ、１つまたは複数のＥＥＰＲＯＭ、ダイナミック・ランダム・アクセス・メモリ（「ＤＲＡＭ」）、スタティック・ランダム・アクセス・メモリ（「ＳＲＡＭ」）および／またはフラッシュ・メモリを含む）および／または他の任意の適切なハードウェア要素を含むこともできる。いくつかの実施形態では、積層造形システム１００内の個別の構成要素は、それ自体のソフトウェア、ファームウェアおよび／またはハードウェアを含み、個別の構成要素を制御し、積層造形システム１００内の他の構成要素と通信することができる。
いくつかの実施形態において、制御モジュール１６０と積層造形システム１００の他の構成要素との間の通信および／または制御モジュール１６０と積層造形プリンタ１１５内の他の構成要素との間の通信は、任意の適切な通信技術、例えば、アナログ技術（例えば、リレー・ロジック）、デジタル技術（例えば、ＲＳ２３２、イーサネットまたは無線）、ネットワーク技術（例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット）、ブルートゥース（登録商標）技術、近距離無線通信技術、セキュアＲＦ技術および／または他の任意の適切な通信技術を用いることができる。
いくつかの実施形態において、オペレータ入力は、任意の適切な入力装置（例えば、キーボード、マウスまたはジョイスティック）を用いて、制御モジュール１６０と通信することができる。
図１に示される構成要素に加えて、積層造形プリンタ１１５はまた、他の構成要素、例えば、温度センサ、湿度センサ、印刷ヘッド１４０の加速および任意の予想外の動き（例えば衝撃、振動など）を測定するための加速度計および画像を表示するためのディスプレイ・モニタを含むことができる。積層造形プリンタ１１５はまた、画像センサ１２０、照射光源１３０、印刷ヘッド１４０および／またはビルド・プレート１５０を配向および／または移動させるための１つまたは複数のアクチュエータを含むことができる。
図１はまた、数値制御符号生成器１１０を示す。いくつかの実施形態において、数値制御符号生成器１１０は、印刷される対象物の３次元設計（例えば、キャド（ＣＡＤ）モデル）（本願明細書において、「生産設計」と称される）を受信するように構成可能である。生産設計は、数値制御符号生成器１１０によって処理可能な任意の適切なフォーマット（例えば、スタンダード・テッセレーション・ランゲージ（．ｓｔｌ）、ドローイング・スタンダード（ＤＷＳ）またはドローイング（ＤＷＧ）ファイル・フォーマット）で受信可能である。
数値制御符号生成器１１０は、生産設計を積層造形プリンタ１１５用の命令に変換し、生産設計の物理的表現を印刷するように構成可能である。いくつかの実施形態において、数値制御符号生成器１１０は、オペレータが、図３に関連して記載されている特定の印刷パラメータを入力するためのインタフェースを含むことができる。印刷パラメータはまた、これらに限定されるものではないが、以下の１つまたは複数を含む。積層造形機械１１５の印刷特徴（例えば、印刷ヘッド・サイズ、押出加工されるフィラメントのタイプ、３Ｄ印刷技術など）、印刷経路、フィラメント供給率、および、生産設計の仕様（例えば、印刷設計がどのように見えなければならないか、設計の所望の機械的、光学的および／または電気的特性など）。
１つまたは複数の印刷パラメータに基づいて、数値制御符号生成器１１０は、スライス・アルゴリズムを適用し、Ｚ方向に所定の距離で離れている平行面で生産設計と交差し、２次元または３次元の層を作成することができる。例えば、印刷される対象物がＺ方向に５ｍｍであり、所望の層厚がＺ方向に０．２ｍｍである場合、対象物の生産設計は、Ｚ方向において０．２ｍｍ厚である２５層にスライス可能である。生産設計をスライスすることに加えて、数値制御符号生成器１１０は、以下の１つまたは複数に基づいて印刷される各層のための数値制御符号を生成するようにさらに構成可能である。印刷パラメータ、現在印刷している印刷対象物の１つまたは複数の前の印刷層からのＡＩＰＣ、他の印刷対象物からのＡＩＰＣ（それらのいくつかは、生産設計に組み込まれてもよい）、および、積層造形プリンタ１１５の印刷特徴。
他の実施形態において、スライス・アルゴリズムは、第１の層のみを決定し、その第１の層のための数値制御符号を生成するように構成可能である。印刷対象物のその後の層の各々のための数値制御符号は、以下の１つまたは複数に基づいて生成可能である。現在印刷している印刷対象物の１つまたは複数の前の印刷層からのＡＩＰＣ、他の印刷対象物からのＡＩＰＣ（それらのいくつかは、生産設計に組み込まれてもよい）、印刷対象物の生産設計のための所望の機械的、光学的および／または電気的特性および仕様、および、オペレータによって入力される入力パラメータおよび／または積層造形プリンタ１１５の印刷特徴。いくつかの実施形態において、スライス・アルゴリズムは、完全に省略可能であり、数値制御符号は、以下の１つまたは複数に基づいて生成可能である。他の印刷対象物からのＡＩＰＣ（それらのいくつかは、生産設計に組み込まれてもよい）、印刷対象物の生産設計のための所望の機械的、光学的および／または電気的特性および仕様、オペレータによって入力される入力パラメータ、および／または、積層造形プリンタ１１５の印刷特徴。いくつかの実施形態において、数値制御符号生成器はまた、制御できない変数（すなわち、人間の介入なしで制御できない変数）を考慮することもでき、制御できない変数は、例えば、これらに限定されるものではないが、周囲湿度、温度および露光量、電圧変化、積層造形プリンタ１１５の摩耗および印刷ヘッド１４０に利用できる全フィラメント供給を含む。
図３は、開示された内容のいくつかの実施形態に従って、オペレータが印刷パラメータを数値制御符号生成器１１０内に入力するためのインタフェース３００の一例を示す。
インタフェース３００が、図示されない他の適切な印刷パラメータを制御するフィールドを含むことができることに留意されたい。追加的にまたは代替的に、インタフェース３００内に含まれる印刷パラメータのいくつかは、いくつかの実施形態では、省略可能である。さらに、インタフェース３００内に含まれる任意のおよびすべての印刷パラメータは、代替的には、数値制御符号生成器によって自動的に生成可能であり、オペレータによって入力可能ではない。いくつかの実施形態において、オペレータは、生産設計の第１の層のための印刷パラメータを入力することができ、数値制御符号生成器１１０は、人工知能アルゴリズムおよび本願明細書において開示される他の方法を用いて、印刷設計のその後の層のための印刷パラメータを生成することができる。
示されるように、インタフェース３００は、層高さ、シェル厚さおよび退避機構のような印刷品質パラメータを制御するフィールドを含むことができる。
層高さは、印刷対象物の層の高さを意味する。層の高さは、印刷解像度に影響を及ぼし得る。例えば、短い層は、より高い層よりも、より詳細な印刷およびより滑らかな表面を作成することができる。しかしながら、より短い層を有する対象物は、印刷により長くかかり得る。反対に、より高い層は、より低解像度印刷およびより粗い表面に対応し得る。高い層を含む対象物は、より短い層を有する同じ対象物よりも、より迅速に印刷され得る。いくつかの実施形態では、任意の適切な層高さを用いることができる。
シェル厚さは、印刷対象物の外壁の厚さを意味する。いくつかの実施形態では、任意の適切なシェル厚差を用いることができる。
退避機構は、印刷ヘッドが、特定される印刷がない領域の上を移動するとき、フィラメントが印刷ヘッドから押出加工されないことを確実にすることを意味する。いくつかの実施形態において、退避機構を、有効にすることができ、または無効にすることができる。
インタフェース３００はまた、印刷ヘッド速度および／またはビルド・プレート速度を制御するための印刷速度設定を制御するフィールドを含むことができる。印刷速度は、印刷ヘッドが印刷するとき、印刷ヘッドおよび／またはビルド・プレートがどのくらい速く移動するかを意味する。いくつかの実施形態では、任意の適切な印刷速度を用いることができる。印刷速度に基づいて、押出加工される必要がある材料の量（すなわち、供給率）を計算することができる。いくつかの実施形態では、任意の適切な供給率を用いることができる。
インタフェース３００はまた、印刷ヘッド温度および／またはビルド・プレート温度を制御するための温度設定を制御するフィールドを含むことができる。押し出されたフィラメントが堆積のために十分に加熱されることを確実にするために、印刷速度が変化するとき、印刷ヘッドの温度を変えることが必要になり得る。いくつかの実施形態では、任意の適切な印刷ヘッド温度を用いることができる。
インタフェース３００はまた、充填密度および充填パターン設定を制御するフィールドを含むことができる。
充填密度は、対象物の内側で印刷される構造を意味し、例えば、パーセンテージによって特定可能である。いくつかの実施形態では、任意の適切な充填密度を用いることができる。１００％の充填密度は、意図されたギャップのない固体の充填密度を意味する。
充填パターンは、充填のパターンを意味する。いくつかの実施形態では、任意の適切な充填パターンを用いることができる。例えば、いくつかの実施形態では、充填パターンは、ハニカム、三角、グリッドおよび矩形を含むことができる。充填密度および充填パターンは、印刷重量、印刷対象物の強度、全体の印刷時間および外部特性に影響し得る。充填パターンはまた、機械的、光学的および／または電気的特性に影響し得る。いくつかの実施形態では、充填密度および充填パターンは、特定の層のために、または、対象物全体のために設定可能である。
さらに、インタフェース３００は、サポート・タイプおよびプラットフォーム粘着タイプを含むサポート設定を制御するフィールドを含むことができる。
いくつかの印刷対象物は、突出部分を有することがあり、それゆえ、印刷プロセスの間、押し出されたフィラメントが落下するのを防止するためサポートを必要とし得る。サポート設定を用いて、サポートをどこに配置できるかを特定することができる。いくつかの実施形態では、任意の適切なサポート設定を用いることができる。
プラットフォーム粘着設定を用いて、印刷層のビルド・プレート１５０に対する粘着性を改善することができる。特定可能なプラットフォーム粘着設定の異なるタイプは、以下を含む。印刷対象物の基層とビルド・プレートとの間に厚いグリッドの形で余分のフィラメントを追加するラフト設定、印刷対象物の第１の層の周りにフィラメントの余分の線を追加するブリム設定、第１の印刷層上の対象物の周りにフィラメントの線を追加するスカート設定。特定のプラットフォーム粘着設定を用いることは、印刷対象物における反りの量を減少させるのを助けることができる。いくつかの実施形態では、任意の適切なプラットフォーム粘着設定を用いることができる。
インタフェース３００はまた、対象物の配置および配向に関連したフィールド設定を含むことができる。これらの設定は、ビルド・プレート１５０上の印刷対象物の位置およびビルド・プレート１５０上の印刷対象物の配向を含む。いくつかの実施形態では、任意の適切な対象物配置および／または配向の設定を用いることができる。
いくつかの実施形態において、生成された数値制御符号は、印刷ヘッド１４０および／またはビルド・プレート１５０の相対運動のための印刷経路を記載することができる。印刷経路は、Ｘ－Ｙ－Ｚ次元における２セットの座標（設定点）によって、および、設定点の間で移動する方法を特定する命令によって定義可能である。生成された数値制御符号は、印刷経路に沿って一対の連続点の間で移動する間の印刷ヘッド１４０および／またはビルド・プレート１５０の互いに対する移動速度、一対の連続点の間のフィラメントの温度（または印刷ヘッド・ノズルの温度）および／または一対の連続点の間のフィラメントの供給率を特定することができる。生成された数値制御符号は、印刷ヘッド１４０がどこでフィラメントを押出加工しなければならないか、および／または、それがどこでフィラメントを放出することを控えなければならないかを特定することができる。生成された数値制御符号内に含まれるすべてのパラメータはまた、「印刷パラメータ」と考えられる。
上述した印刷パラメータの１つまたは複数は、制御できない変数と同様に、印刷対象物の特性、例えば層の異常、表面粗さ、印刷解像度、全ビルド時間、印刷対象物に用いられる押し出し材料の量ならびに印刷対象物の機械的、光学的および／または電気的特性に影響を及ぼし得る。機械的特性は、最大引張強度（Ｒm）、降伏強度（Ｒｐ2%）、破断点伸び（Ａ%）、ヤング率（Ｅ）、疲労（σd）、ポアソン率、質量および比重を含むことができる。光学的特性は、吸収、反射、透過および屈折を含むことができる。電気的特性は、電気抵抗率および導電率を含むことができる。開示された機械的、光学的および電気的特性は、単なる例であり、限定することを意図するものではない。
ＡＩＰＣを用いて、所望の機械的特性、光学的特性、電気的特性および／または印刷される対象物の任意の適切な特徴のために最適化することができる。ＡＩＰＣはまた、対象物を印刷するとき、修正処置をとるために用いることもできる。修正処置は、現在印刷されている対象物の次の層または目標の将来の層の印刷パラメータを変えることを含むことができる。いくつかの実施形態において、ＡＩＰＣを用いて、生産設計を改善することができる。
図１に示すように、積層造形システム１００は、対象物の印刷層のキャプチャ画像および／または映像を処理することができる画像生成器１７０を含むことができる。いくつかの実施形態において、画像生成器１７０は、キャプチャ画像および／または映像を格納するとともに、キャプチャ画像および／または映像から、印刷層の３次元トポグラフィー画像および／または他の適切な画像を生成するように構成されるハードウェアまたはソフトウェアを含むことができる。
照射光の所定のサイズ、数および位置を有する異なるトポグラフィー撮像技術（シェイプ・フロム・フォーカス・アルゴリズム、シェイプ・フロム・シェーディング・アルゴリズム、フォトメトリック・ステレオ・アルゴリズムおよびフーリエ・サイコグラフィー・モジュレーション・アルゴリズムを含むがこれらに限定されるものではない）を用いて、各印刷層の１つまたは複数の３次元トポグラフィー画像を生成することができる。生成されたトポグラフィー画像は、印刷対象物および／または部分的な印刷対象物の完成された層に関連した容積情報、印刷対象物および／または部分的な印刷対象物の各層の全体の寸法、印刷対象物および／または部分的な印刷対象物の各層の特徴、ならびに、印刷対象物および／または部分的な印刷対象物の１つまたは複数の層で見つかる異常（例えば量、分布、異常タイプなど）に関する情報を提供することができる。
積層造形システム１００内の画像生成器１７０の使用のために適合可能なシェイプ・フロム・フォーカス・アルゴリズムの一例は、Ｓａｉｄ Ｐｅｒｔｕｚらによる「Ａｎａｌｙｓｉｓ ｏｆ Ｆｏｃｕｓ Ｍｅａｓｕｒｅ Ｏｐｅｒａｔｏｒｓ ｆｏｒ Ｓｈａｐｅ－ｆｒｏｍ－Ｆｏｃｕｓ」、Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ、第４５巻、第５号、１４１５～１４３２頁に記載されており、参照によりその全体が本願明細書に組み込まれる。開示された方法は、単なる一例であり、限定的であることを意図しない。
積層造形システム１００内で画像生成器１７０の使用のために適合可能なシェイプ・フロム・シェーディング・アルゴリズムの一例は、Ｂｙｕｎｇｉｌ Ｋｉｍらによる「Ｄｅｐｔｈ ａｎｄ Ｓｈａｐｅ ｆｒｏｍ Ｓｈａｄｉｎｇ ｕｓｉｎｇ ｔｈｅ Ｐｈｏｔｏｍｅｔｒｉｃ Ｓｔｅｒｅｏ ｍｅｔｈｏｄ」、ＣＶＧＩＰ：Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ、第５４巻、第３号、４１６～４２７頁、１９９１に記載されており、参照によりその全体が本願明細書に組み込まれる。開示された方法は、単なる一例であり、限定的であることを意図しない。
積層造形システム１００内で画像生成器１７０の使用のために適合可能なフォトメトリック・ステレオ・アルゴリズムの一例は、Ｊｏｓｅ Ｒ．Ａ．Ｔｏｒｒｅａｏによる「Ｅｓｔｉｍａｔｉｎｇ ３－Ｄ Ｓｈａｐｅ ｆｒｏｍ ｔｈｅ Ｏｐｔｉｃａｌ Ｆｌｏｗ ｏｆ Ｐｈｏｔｏｍｅｔｒｉｃ Ｓｔｅｒｅｏ Ｉｍａｇｅｓ」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ Ｉｂｅｒｏ－Ａｍｅｒｉｃａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＡＩ：Ｐｒｏｇｒｅｓｓ ｉｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＢＥＲＡＭＩＡ１９９８）、Ｈｅｌｄｅｒ Ｃｏｅｌｈｏ（編集）、Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ、ロンドン、英国、英国、２５３－２６１に記載されており、参照によりその全体が本願明細書に組み込まれる。開示された方法は、単なる一例であり、限定的であることを意図しない。
積層造形システム１００内の画像生成器１７０の使用のために適合可能なフーリエ・サイコグラフィー・モジュレーション・アルゴリズムの一例は、Ｇｕｏａｎ Ｚｅｎｇらによる「Ｗｉｄｅ－ｆｉｅｌｄ Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ Ｆｏｕｒｉｅｒ Ｐｔｙｃｈｏｇｒａｐｈｉｃ Ｍｉｃｒｏｓｃｏｐｙ」、Ｎａｔｕｒｅ Ｐｈｏｔｏｎｉｃｓ、第７巻、７３９～７４５頁、２０１３に記載されており、参照によりその全体が本願明細書に組み込まれる。開示された方法は、単なる一例であり、限定的であることを意図しない。
いくつかの実施形態において、トポグラフィー画像および／または画像生成器１７０によって生成される他の適切な画像は、異常率および分布、異常タイプ、印刷経路に沿ったさまざまな点での堆積するフィラメントなどのような情報を提供することができる。例えば、図４に示すように、印刷層のキャプチャ画像４００は、堆積するフィラメントの予想外のギャップを示す。他のセットの例では、図５Ａ、５Ｂおよび５Ｃに示すように、さまざまな印刷層のキャプチャ画像は、印刷層内の予想外の糸のような人工物および他の破壊を示す。
いくつかの実施形態において、画像分析器１８０は、生成されたトポグラフィー画像および／または他の適切な画像を画像生成器１７０から受信し、印刷層上の１つまたは複数の異常を視覚的に認識し、識別するように構成可能である。いくつかの実施形態において、これは、以下を比較して違いを識別することによって行うことができる。２次元または３次元のトポグラフィー画像から得られるような印刷層、印刷層の検出された印刷経路マップおよび／または層の画像の実際の特徴、および、生成された数値符号および／または層のための生産設計において特定されるような印刷層の特徴。いくつかの実施形態において、１つまたは複数の人工知能アルゴリズムを用いて、違いに基づいて異常を識別することができる。これらの異常は、例えば、実際の印刷層と生産設計および／または以下に対する印刷層のための生成された数値符号の違いを含むことができる。層の周辺の寸法、設定点の間の堆積するフィラメントの寸法、充填密度、充填パターン、表面粗さ、印刷経路、および／または、他の任意の変化。異常の識別は、異常を分類すること、ならびに、そのサイズ、形状、Ｘ－Ｙ－Ｚ位置および／または他の任意の適切な特徴を識別することを含むことができる。いくつかの実施形態では、任意の適切な人工知能アルゴリズムを用いることができる。例えば、いくつかの実施形態では、人工知能アルゴリズムは、単独あるいは組み合わせて、以下の１つまたは複数を含むことができる。機械学習、隠れマルコフ・モデル、リカレント・ニューラル・ネットワーク、畳み込みニューラル・ネットワーク、ベイジアン記号法、敵対的生成ネットワーク、サポート・ベクトル・マシン、および／または、他の任意の適切な人工知能アルゴリズム。
いくつかの実施形態において、画像分析器１８０は、図９に示され、図９に関連して後述するように、標準の畳み込みニューラル・ネットワーク（ＣＮＮ）モデルの複雑さを減少する数学モデルを利用して、トポグラフィー画像および／または画像生成器１７０からの他の適切な画像を分類することができる。オンボードのグラフィックス・プロセッシング・ユニット（ＧＰＵｓ）および高性能中央演算処理装置（ＣＰＵ）コンピュータが必要とされないので、複雑さのこの減少は、低コスト、高速な試作、積層環境に展開するとき、特に有用である。いくつかの実施形態において、例えば、画像分析器１８０は、図９に示され、図９に関連して後述するように、画像分類モデルを展開し、３Ｄ印刷プロセスの間、画像を分類し、回復不能の故障を検出し（例えば、印刷層をさらに印刷することができない）、品質測定基準を印刷されている層に割り当てることができる。このモデルは、故障分類器および押出分類器を含んでもよく、いくつかの実施形態において、故障分類器の結果は、押出分類器に提供されてもよい。
図９の９２０に関連して更に詳細に後述するように、故障分類器は、バイナリの分類器でもよく、このバイナリの分類器は、画像のような入力を取り込み、２つの出力値、すなわち合格または不合格のうちの１つを決定する。いくつかの実施形態において、３Ｄ印刷プロセスの間、印刷されている対象物の最新の層の画像が捕捉され、最初に捕捉された画像より低い解像度を有する画像のバージョンを生成し、故障分類器に提供することができる。低解像度の画像に基づいて、故障分類器は、印刷された層がさらに印刷可能かを決定する。部分がヒート・ベッドから分離されたので、層をさらに印刷できない場合、例えば、故障分類器は、画像を不合格と分類することができる。層をさらに印刷することができる場合、故障分類器は、画像を合格と分類することができる。いくつかの実施形態において、偽陽性の発生を減少するために、故障分類は、図９の９２０に関連して更に詳細に後述するように、第２の順序フィルタを用いてさらに分析可能である。印刷プロセスの初期において、回復不能の故障を検出することによって、印刷ジョブは、完成前に停止し、時間および資源を削減することができる。いくつかの実施形態において、故障分類器を用いて、全ジョブを停止することもできるし、または、マルチパート印刷プロセスの単一パートを停止することもできる。
図９の９４０～９７０に関連して更に詳細に後述するように、いくつかの実施形態において、故障分類器によって合格と分類された低解像度画像の切り取られたバージョンは、押出分類器に提供されてもよい。いくつかの実施形態において、低解像度画像は、切り取られ、関心領域に集中することができる。いくつかの実施形態において、押出分類器は、バイナリの前分類器およびＣＮＮのグループを備えてもよい。いくつかの実施形態において、押出分類器のバイナリの前分類器は、図９の９４０に関連して更に詳細に後述するように、低解像度画像の切り取られたバージョン内に存在する印刷エラーがあるかを決定することができる。画像が印刷エラーを示すと分類される場合、３Ｄ印刷プロセスの間最初に捕捉された最大解像度の切り取られていない画像は、ＣＮＮのグループに入れられる。いくつかの実施形態において、ＣＮＮのグループは、押出品質に特徴的である印刷層のパターンに基づいて、画像の品質を集合的に分析し、次に、図９の９７０に関連して更に詳細に後述するように、所定の公式に従って測定および重み付けられた押出品質に関連付けられた特徴の指定されたセットに基づいて、画像に押出品質スコアを割り当てることができる。いくつかの実施形態において、例えば、図１０および図１１に示され、図１０および図１１に関連して後述するように、押出品質スコアを用いて、強化学習エージェントを案内し、印刷パラメータを調整し、印刷プロセスを修正することができる。バイナリの前分類器が、層の印刷パターンにおいて画像内に示すエラーがないと決定する場合、印刷ジョブは、修正なしで継続することができる。
不合格または印刷エラーを有さないと分類された画像を除去するこのプロセスによって、押出分類器におけるＣＮＮのグループは、修正される候補である３Ｄ印刷されている対象物における層の捕捉される画像のみを分類することができ、これは、必要な計算資源を最小化する。加えて、低解像度画像を用いるための故障分類器および低解像度の切り取られた画像を用いるための押出分類器のバイナリの前分類器を構築することによって、フルサイズの最大解像度画像のみが、押出分類器におけるＣＮＮのグループによって用いられ、必要な計算資源をさらに最小化する。
図９に戻り、回復不能の故障を識別し、および／または、故障分類器および押出分類器を用いて品質スコアを決定するためのプロセスの一例９００は、開示された内容のいくつかの実施形態に従って示される。いくつかの実施形態において、プロセス９００は、対象物の印刷の間、画像分析器１８０によって実行可能である。
９１０において、プロセス９００は、学習された故障分類器を印刷されている対象物の層の画像の低解像度バージョンに適用することができる。いくつかの実施形態において、画像の低解像度バージョンは、任意の好適な方法で、原画像から生成可能である。
いくつかの実施形態において、原画像は、図１ならびに図６のブロック６４０および６５０に示され、これらに関連して上述されるように、任意の適切な方法で、例えば、３Ｄプリンタに関連付けられたカメラを用いて捕捉可能である点に留意されたい。
いくつかの実施形態において、故障分類器は、任意の適切なトポロジを有するＣＮＮとすることができる。例えば、いくつかの実施形態において、ＣＮＮは、表現学習のための任意の適切な数（例えば、２、３、５および／または他の任意の適切な数）の畳み込み／最大プーリング層を有することができる。他の例として、いくつかの実施形態において、ＣＮＮは、畳み込み／最大プーリング層に続くドロップアウトを有する全結合層を有することができる。更に他の例として、いくつかの実施形態において、ＣＮＮは、分類結果を提供する活性化関数（例えば、ソフトマックス活性化および／または他の任意の適切な活性化関数）の前に、全結合層を有することができる。いくつかの実施形態において、故障分類器により提供される分類結果は、２つの分類クラス、すなわち合格または不合格を有することができる。
いくつかの実施形態において、故障分類器は、任意の適切な方法で学習可能である。例えば、いくつかの実施形態において、学習セットは、任意の適切な学習サンプルによって構築可能である。より特定の例として、いくつかの実施形態において、学習セットは、印刷対象物の各層の画像を用いて生成可能である。この特定の例を続けると、印刷対象物が５００の層を有し、印刷故障が層Ｎに位置する例において、学習セットは、５００の画像（０～４９９の番号が付けられている）（すなわち、１つの層につき１つの画像）を含むことができ、Ｎの画像（すなわち、印刷故障より前の層に対応する画像）は合格と分類され、５００－Ｎの画像（すなわち、印刷故障の後の層に対応する画像）は不合格と分類される。いくつかの実施形態において、学習セットは、任意の適切な技術または技術の組み合わせを用いて故障分類器を学習するために用いることができる。
９２０において、プロセス９００は、回復不能の故障があったかを決定することができる。いくつかの実施形態において、プロセス９００は、故障分類器により決定される分類に基づいて、回復不能の故障があったかを決定することができる。例えば、いくつかの実施形態において、プロセス９００は、不合格の分類に関連付けられた可能性が所定の閾値（例えば、０．８、０．９および／または他の任意の適切な可能性）を超えるかを決定することができる。いくつかの実施形態において、プロセス９００は、９１０に関連して上述した第２の順序フィルタの結果ｅfに基づいて、回復不能の故障があったかを決定することができる点に留意されたい。
９２０において、プロセス９００が回復不能の故障があったと決定する場合（９２０において「はい」）、プロセス９００は、９３０において対象物の印刷を停止させることができる。
９２０において、プロセス９００が回復不能の故障がなかったと決定する場合（９２０において「いいえ」）、プロセス９００は、学習された前分類器を画像の低解像度バージョンに適用することができる。いくつかの実施形態において、９７０に関連して後述するように、前分類器は、画像が押出分類器を用いて押出エラーを決定するために分析される候補であるかを決定することができる。いくつかの実施形態において、前分類器は、エラーが検出されることまたはエラーが検出されないことに対応する２つの分類クラスを有するバイナリの前分類器とすることができる。いくつかの実施形態において、前分類器は、低解像度画像を用いて、画像が押出分類器によって（例えば、エラーが検出されたと決定することに応答して）さらに分析されるべきかを決定することができる。いくつかの実施形態において、前分類器によって検出されるエラーに関連付けられた画像に押出分類器を適用することによって、押出分類器は、押出値のバリエーションに高感度であるように学習可能である。加えて、いくつかの実施形態において、高解像度画像において学習される押出値によって発生する押出値を用いることによって、押出値に基づいてパラメータを修正する印刷プロセスは、比較的高い精度で動作することができる。
いくつかの実施形態において、前分類器は、画像の低解像度バージョンの切り取られたバージョンを用いることができる。いくつかのこの種の実施形態において、画像の低解像度バージョンを、任意の適切なサイズ（例えば、２００×２００、１５０×１５０および／または他の任意の適切なサイズ）に切り取ることができる。いくつかの実施形態において、画像の低解像度バージョンを、押し出された層の充填に基づいて、画像の重心周辺で切り取ることができる。いくつかの実施形態において、画像の低解像度バージョンの切り取られたバージョンは、メッシュ・パターンまたは押出値に特徴的である他の印刷パターンを含むことができる点に留意されたい。いくつかの実施形態において、他の任意の適切な拡張技術、例えば回転、ミラーリングおよび／または他の任意の適切な画像拡張技術を適用することができる。
いくつかの実施形態において、前分類器は、任意の適切なトポロジを有することができる。例えば、いくつかの実施形態において、前分類器は、ＣＮＮとすることができる。より特定の例として、いくつかの実施形態において、前分類器は、９１０に関連して上述した故障分類器と同じトポロジを有するＣＮＮとすることができる。いくつかの実施形態において、前分類器は、任意の適切な方法で、例えば、学習画像の任意の適切な学習セットを用いて前分類器を学習することによって学習可能である。いくつかの実施形態において、学習セット内に含まれる学習画像は、印刷の間、異なる層で印刷に注入される異なるスケールの押出コマンドに対応するエラーを有する対象物の異なる層の画像を捕捉することによって取得可能であるので、異なる押出値に対応するエラーは学習セット内に含まれる。いくつかの実施形態において、前分類器は、ＣＮＮを学習するため任意の適切な技術を用いて学習可能である。
９５０において、プロセス９００は、エラーが検出されたかを決定することができる。いくつかの実施形態において、プロセス９００は、前分類器により決定される分類に基づいてエラーが検出されたかを決定することができる。例えば、いくつかの実施形態において、プロセス９００は、検出されるエラーの分類に関連付けられた可能性が所定の閾値（例えば、０．８、０．９および／または他の任意の適切な可能性）を超えるかを決定することができ、検出されたエラーの可能性が所定の閾値を超えると決定することに応答して、エラーが検出されたと決定することができる。反対に、いくつかの実施形態において、エラーなしの分類に関連付けられた可能性が所定の閾値（例えば、０．８、０．９および／または他の任意の適切な可能性）を超えると決定することに応答して、プロセス９００は、エラーが検出されなかったと決定することができる。
９５０において、プロセス９００が、エラーが検出されなかったと決定する場合（９５０において「いいえ」）、プロセス９００は、９６０において対象物の印刷を継続することができる。
９５０において、プロセス９００が、エラーが検出されたと決定する場合（９５０において「はい」）、９７０において、プロセス９００は、学習された押出分類器を画像の高解像度バージョンに適用して、押出品質スコアを決定することができる。いくつかの実施形態において、元の画像は、押出分類器への入力として使用可能である。あるいは、いくつかの実施形態において、元の画像のウインドウは、押出分類器への入力として使用可能であり、ウインドウは元であるか、より高い解像度である。いくつかのこの種の実施形態において、ウインドウは、ウインドウが押出の品質を示す特性印刷パターン（例えば、メッシュ・パターン）の高解像度画像を含むように、前分類器により用いられる重心に対応することができる。
いくつかの実施形態において、押出分類器は、任意の適切なトポロジを有することができる。例えば、いくつかの実施形態において、押出分類器は、任意の適切な数のベース学習器（例えば、３、４、５および／または任意の適切な数）の集合とすることができ、各ベース学習器はＣＮＮである。より特定の例として、いくつかの実施形態において、押出分類器は、各々ベース学習器に対応する４つのＣＮＮを有することができる。いくつかの実施形態において、各ＣＮＮは、任意の適切な数の畳み込み層（例えば、２、３、４、５および／または他の任意の適切な数の畳み込み層）を有することができる。より特定の例として、いくつかの実施形態において、押出分類器が４つのＣＮＮを有する例では、４つのＣＮＮは、それぞれ、２、３、４および５の畳み込み層を有することができる。いくつかの実施形態において、各ＣＮＮは、２つの全結合層を含むことができる。いくつかの実施形態において、各ＣＮＮによって生成される確率の平均を計算することができ、平均は、確率の分布を用いて画像を分類するために使用可能である。
いくつかの実施形態において、押出分類器は、任意の適切な方法で学習可能である。例えば、いくつかの実施形態において、押出分類器は、ＣＮＮを学習するために用いられる任意の適切な技術を用いて学習可能である。他の例として、いくつかの実施形態において、押出分類器は、任意の適切な学習パラメータ、例えば任意の適切な値（例えば、１６、１２８、２５６、５１２、１０２４および／または他の任意の適切な値）を有する任意の適切なフィルタ、任意の適切な学習速度（例えば、０．０００１、０．０００５および／または他の任意の適切な学習速度）、任意の適切なバッチサイズ（例えば、８、１６および／または他の任意の適切なバッチサイズ）、任意の適切なエポック数（例えば、５０、１００および／または任意の適切な数）および／または任意の適切な数の生の学習画像（例えば、８０００、８４００、９０００および／または他の任意の適切な数）用いて学習可能である。
いくつかの実施形態において、押出分類器により決定される押出品質スコアが、任意の適切な目的のために使用可能である点に留意されたい。例えば、いくつかの実施形態において、押出品質スコアを用いて、印刷パラメータ、例えば押出速度、押出容量、押出機ヘッドの動きの速度、押出機ノズルの温度および／または他の任意の適切なパラメータを修正することができる。いくつかの実施形態において、図１０および図１１に示され、図１０および図１１に関連して後述するように、押出品質スコアは、対象物の印刷の間、印刷パラメータを修正する強化学習エージェントへの入力として提供可能である。いくつかの実施形態において、画像分析器１８０は、予めプログラムされ、印刷層の受信画像内の特定の異常（例えば、予想外のギャップまたはカールした端、歪んだまたは不均一なパターン、過剰な押出の点、糸のようであるか他の異質な人工物および／または印刷層内の他の任意の破壊）を認識することができる。予めプログラムされた異常に基づいて、画像分析器１８０は、生成された画像を完成された印刷層のために処理し、処理された画像が予めプログラムされた異常に類似の異常を含むか否かを判定し、印刷層上の任意のこの種の異常の１つまたは複数の場所を識別することができる。
いくつかの実施形態において、画像分析器１８０は、検出異常と１つまたは複数の印刷パラメータとの間の相関を決定し、記録するようにさらに構成可能である。例えば、適切な人工知能アルゴリズムを用いて、画像分析器は、検出異常と相関し得る１つまたは複数の印刷パラメータを決定することができる。例えば、画像分析器１８０は、以下の例の相関を発見することができる。印刷ヘッドが他ではない特定の温度であるとき、破壊が発生すること、他ではない特定の印刷速度が、多数の予想外のギャップを生じること、および、対象物の特定の位置における特定の充填パターンが、異常の特定のタイプを生じること。
いくつかの実施形態において、検出異常と１つまたは複数の印刷パターンとの間の相関を検出することに応答して、画像分析器１８０は、印刷されている対象物または将来印刷される１つまたは複数の対象物の１つまたは複数の層が印刷される方法を変える情報、データおよび／または命令を提供することができる。例えば、いくつかの実施形態では、画像分析器は、発見される相関および／または印刷パラメータ設定を最適に調整するための命令を数値制御符号生成器１１０、制御モジュール１６０および／または他の任意のデバイスに通信することができる。次に、数値制御符号生成器１１０および／または制御モジュール１６０は、情報を用いて、現在印刷されている対象物の任意のその後の層のための数値制御符号における印刷パラメータの調整を行うことができる。いくつかの実施形態において、次の層または任意の将来の層が、前の層で見つかった異常を補償するように、印刷パラメータを調整することができる。例えば、予想外のギャップが印刷層において検出される場合、次の層のための数値制御符号は、ギャップの上に位置するフィラメントを堆積させるとき、ギャップを充填する命令を含むことができる。他の例では、予想外のギャップが対象物の下部で見つかるとき、対象物の上部における対称層のための数値制御符号は、ギャップを補償する命令を含むことができる。
いくつかの実施形態において、画像分析器１８０は、完成された印刷対象物の機械的、光学的および／または電気的特徴を測定するように構成可能である。
いくつかの実施形態において、画像分析器１８０は、１つまたは複数の印刷パラメータと印刷層および／または完成された印刷対象物におけるわずかな異常との間の相関を検出するように構成可能である。さらなる実施形態において、画像分析器１８０は、１つまたは複数の印刷パラメータと完成された印刷対象物の測定された機械的、光学的および／または電気的特性との間の相関を検出するように構成可能である。１つまたは複数のこの種の相関を検出することに応答して、画像分析器は、印刷されている対象物または将来印刷される１つまたは複数の対象物の１つまたは複数の層が印刷される方法を変える情報、データおよび／または命令を提供することができる。いくつかの実施形態において、画像分析器１８０は、情報、データおよび／または命令を例えば３次元モデリング・ソフトウェアに提供し、生産設計を改善することができる。
更なる実施形態において、図１０および図１１に示され、図１０および図１１に関連して後述するように、画像分析器１８０は、例えば、強化学習モデルを用いて、３Ｄ印刷プロセスの間、印刷パラメータを適応および調整し、最終的な印刷対象物の機械的特性を最適化することができる。いくつかの実施形態において、強化学習モデルを学習するための関連付けられた計算時間を最小化し、修正処置を識別し、最終製品の機械的特性（例えば引張強度）を改善するために、環境の可能な条件およびとり得る対応する処置のセット（本願明細書において概して状態／処置空間と称される）は、減少可能または制限可能である。いくつかの実施形態において、状態／処置空間は、含まれる入力変数の数を選択することによっておよび／またはそれらの有用性に基づいて潜在的出力を選択することによって制限可能である。例えば、いくつかの実施形態において、３Ｄ印刷された標本の最終的な引張強度を最適化するために、状態／処置空間は、例えば、印刷プロセスの間の堆積材料の体積、押出機ノズル温度、押し出された樹脂の体積、印刷ヘッドの動き力学、周囲環境条件および押し出された熱可塑性物質の材料特性を変えることのような、比較的大きな程度で引張強度に影響を与える印刷パラメータに関連した処置を考慮することによってのみ減少されてもよい。いくつかの実施形態において、利用できる処置および環境の対応する状態を制限することによって、本願明細書において記載されているメカニズムは、計算資源を最小化しながら更なる分析のために利用可能な結果をもたらすことができる。
いくつかの実施形態において、画像分析器１８０は、印刷層のための生成されたトポグラフィー画像および／または他の生成された画像ならびに印刷層のための生成された数値制御符号を用いて、制御できない変数（すなわち、人間の介入なしで制御できない変数）と結果得られる印刷ヘッドの動きとの間の関係を学習することができ、ならびに、堆積層内の異常（例えば、予想外のギャップまたはカールした端、歪んだまたは不均一なパターン、過剰な押出の点、数値制御符号において特定される印刷経路からの偏差、予想外の糸のようであるか他の異質な人工物および／または印刷層内の他の任意の破壊）を学習することができる。制御できない変数と結果得られる印刷ヘッドの動きとの間の相関を異常と同様に検出することに応答して、画像分析器１８０は、印刷されている対象物または将来印刷される１つまたは複数の対象物の１つまたは複数の層が印刷される方法を変える情報、データおよび／または命令を提供することができる。
いくつかの実施形態において、相関に関する情報を用いて、本願明細書において記載されている多くのＡＩメカニズムの１つを学習することができる。
いくつかの実施形態において、層が印刷された後、画像分析器１８０は、完成された印刷層を１つまたは複数の前の層と比較し、異常を検出および記録し、異常率およびパターンを比較および記録し、命令を数値制御符号生成器１１０および／または制御モジュール１６０に提供し、印刷パラメータを調整し、対象物の全体設計を最適化する（例えば、所望の機械的、光学的および／または電気的特性を得る、または、生産設計に酷似している印刷設計を達成する）、または、印刷ジョブの動作を最適化する（例えば、堆積速度をスピードアップする、または、必要な材料の量を最小化する）ように構成可能である。また、異常を識別するために、完成された層と以前の層との間の比較を用いて、積層造形システム１００の印刷パラメータに対する因果関係をより良く割り当て、部分的な印刷対象物の次の層または任意のその後の層の適切な調整を行い、ならびに、類似または異なる対象物の将来の印刷ジョブを最適化することができる。
いくつかの実施形態において、画像分析器１８０は、部分的な印刷対象物の現在の層および／または前の層のための全体の異常率を分析し、類似の印刷ジョブからのＡＩＰＣに基づいて、命令を数値制御符号生成器１１０および／または制御モジュール１６０に提供し、部分的な印刷対象物の次の層および／または任意の将来の層のための印刷パラメータを調整し、所望の機械的、光学的および／または電気的特性を得るように構成可能である。
いくつかの実施形態において、層が印刷された後、人工知能に基づかないアルゴリズムを用いて、使用されている特定の積層造形プリンタの特定の較正に関連する異常を識別することができる。適切な調整は、その後の層および将来の印刷ジョブのための数値制御符号に対して、特定の積層造形プリンタの較正を考慮して行われる。
いくつかの実施形態において、１つまたは複数の印刷層内の異常が特定の所定の許容度を上回る場合、印刷対象物のための印刷ジョブは、完成の前に停止可能である。失敗した印刷ジョブのために収集されるデータは、情報、データおよび／または命令を数値制御符号生成器１１０、制御モジュール１６０および／または積層造形プリンタ１１５によって実行される印刷処理に関連した学習データを収集する任意のコンピュータ・システムに提供することができる。
いくつかの実施形態において、画像分析器１８０は、印刷対象物のための異常データ（例えば、異常の分布、パターンおよび率）および自動的に推奨される印刷調整を３次元モデリング・ソフトウェアに送信し、異常に対応する設計における構造を除去または修正するようにさらに構成可能である。
図６は、図１から図３をさらに参照しながら、開示された内容のいくつかの実施形態に従って、高いレベルで、ＡＩＰＣを用いた積層造形印刷動作の一例を示す。いくつかの実施形態において、積層造形プロセス６００は、積層造形システム１００を用いることができる。
６１０において、生産設計は、印刷対象物がどのように見えなければならないかを特定し、印刷対象物のための所望の機械的、光学的および／または電気的特性は、数値制御符号生成器１１０に提供される。いくつかの実施形態において、いくつかの最初の印刷パラメータは、オペレータによって入力される。いくつかの実施形態において、生産設計は、数値制御符号生成器１１０に提供され、画像分析器１８０は、ＡＩＰＣを用いて、生産設計のための所望の機械的、光学的および／または電気的特性を決定する。
いくつかの実施形態において、オペレータは、画像分析器１８０のための規則セットを入力し、積層造形印刷プロセスの間、矛盾するゴールを解決することができる。例えば、ユーザは、印刷対象物の最適な機械的特性を達成することが、以下のことより優先すべきであることを特定することができる。印刷速度、生産設計に対する完全性、および、用いられるフィラメントの量の減少。オペレータはまた、どのような機械的、光学的および／または電気的特性が印刷対象物にとって最も重要かを特定することができるので、画像分析器１８０は、機械的、光学的および／または電気的特性を最適化する印刷パラメータを調整する命令を提供することができる。
６２０において、数値制御符号生成器１１０は、以下の１つまたは複数に基づいて、印刷対象物の層のための数値制御符号を生成することができる。オペレータによって入力される入力パラメータ、積層造形プリンタ１１５の印刷特徴、生産設計の仕様（機械的、光学的および／または電気的特性を含む）、部分的な印刷対象物の１つまたは複数の前の印刷層からのＡＩＰＣおよび／または他の印刷対象物からのＡＩＰＣ。生成された数値制御符号は、横断する印刷ヘッド１４０および／またはビルド・プレート１５０のための設定点のセット（例えば、複数のＸ－Ｙ－Ｚ座標）を含むことができる。図７Ａは、数値制御符号内に含まれ得る印刷層のための設定点セットの一例のシミュレーションを示す。生成された数値制御符号はまた、印刷ヘッドおよび／またはビルド・プレートがどのように個々の設定点を横断しなければならないかを定義する命令を含むことができる。横断された印刷経路が、含まれた命令に基づいて、どのように見え得るかの一例のシミュレーションは、例えば、図７Ｂに示される。
いくつかの実施形態において、生成された数値制御符号はまた、特定の印刷パラメータを特定することができ、特定の印刷パラメータは、設定点の間の印刷ヘッド１４０および／またはビルド・プレート１５０の速度、設定点の間の印刷ヘッド１４０および／またはビルド・プレート１５０のノズルの温度、設定点の間に堆積するフィラメントの量、設定点の間の充填密度および設定点の間の充填パターンを含むがこれらに限定されるものではない。
６３０において、印刷ヘッド１４０は、数値制御符号生成器１１０および／または制御モジュール１６０により提供される命令に従って、生産設計の層のためのフィラメントを堆積させることができる。
６４０において、光源１３０は、特定されたトポグラフィー撮像技術および／または（上述したような）他の撮像技術に基づいて、印刷層を照射することができる。
６５０において、画像センサ１２０は、照射された印刷層の画像を捕捉することができる。
６６０において、画像生成器１７０は、画像センサ１２０によって捕捉された画像に基づいて、印刷層の１つまたは複数のトポグラフィー画像および／または他の任意の適切な画像を生成することができる。いくつかの実施形態において、印刷層の生成された画像は、タイル化されるまたは貼り合わせられる一連のキャプチャ画像を含むことができる。
さらなる実施形態において、印刷層のための実際の印刷経路は、１つまたは複数のトポグラフィー画像、および／または、画像生成器１７０によって生成される他の適切な画像から決定可能である。
６７０において、画像分析器１８０は、生成されたトポグラフィー画像および／または他の生成された画像を印刷層のために用いるとともに、生成された数値制御符号を印刷層のために用いて、押し出し層内の異常（例えば、予想外のギャップまたはカールした端、歪んだまたは不均一なパターン、過剰な押出の点、数値制御符号において特定される印刷経路からの偏差、予想外の糸のようであるか他の異質な人工物および／または印刷層内の他の任意の破壊）を決定し、記録することができる。
いくつかの実施形態において、画像分析器１８０は、生成された数値制御符号内に含まれる設定点および命令から印刷層のための印刷経路を抽出し、プロットすることができる。画像分析器は、プロットされた印刷経路をピクセルに変換し、印刷層のために生成された画像から得られる印刷経路の上にピクセルをオーバレイし、ピクセルと印刷経路との間の違いを判定することができる。いくつかの実施形態において、画像分析器１８０は、印刷層のための生成された画像から得られる印刷経路を座標系の印刷点に変換し、これらの印刷点を比較し、生成された数値制御符号から抽出されるプロットされた経路に沿って点を印刷することができる。
生成された画像から得られるような印刷層のための印刷経路が、生成された数値制御符号から抽出された印刷経路と同じである場合、それらの間の違いはゼロまたはほぼゼロである。ゼロより大きい数は、実際の印刷経路と生成された数値制御符号において特定される印刷経路との間で検出されるエラーの量を記載する。印刷経路の比較はまた、エラーが印刷経路上のどこで発生したかを示すことができる。
６８０において、画像分析器１８０は、異常の数および画像分析器が印刷層および／または前の層から検出した異常のパターン（実際の経路と生成された数値制御符号における印刷経路との間の偏差を含む）を分析することができる。他の印刷ジョブからのＡＩＰＣに基づいて、画像分析器１８０は、部分的な印刷対象物の次の層またはその後の層の印刷パラメータに調整を行わなければならないかを決定し、検出異常からみて所望の機械的、光学的および／または、電気的特性を達成することができる。例えば、検出異常に基づいて、部分的な印刷対象物の現在の層および／または前の層のために、画像分析器１８０が完成された印刷対象物のための機械的特性が要求より弱いことを決定する場合、画像分析器１８０は、数値制御符号生成器１１０および／または制御モジュール１６０に、次の層または任意のその後の層における特定の印刷パラメータを調整する（例えば、充填密度を増加させるおよび／または充填パターンを変える）ように指示し、所望の機械的特性を達成することができる。
いくつかの実施形態において、動作６１０－６８０は、各層、または、任意の数の層を繰り返して、印刷対象物を堆積する。画像分析器１８０は、各層で得られたデータおよび他の印刷ジョブからのＡＩＰＣを用いて、次の層および／またはその後の層のための印刷パラメータを修正し、印刷対象物の所望の機械的、光学的および／または電気的特性および／または所望の設計を達成することができる。さらなる実施形態において、完成された印刷対象物の機械的、光学的および／または電気的特性を測定することができる。
プロセス６００の特定の部分がいつ実行されるかの分割は、変化させることができ、分割がないことまたは異なる分割は、本願明細書において開示される内容の範囲内である。いくつかの実施形態では、プロセス６００のブロックは、任意の適切な時間において実行可能であることに留意されたい。本願明細書において記載されているプロセス６００の部分の少なくとも一部が、いくつかの実施形態において図６に関連して図示および記載されている順序およびシーケンスに限定されるものではなく、任意の順序またはシーケンスで実行可能であることを理解されたい。また、本願明細書において記載されているプロセス６００のいくつかの部分は、いくつかの実施形態において、実質的に、必要に応じて同時に、または、並列に実行可能である。追加的にまたは代替的に、プロセス６００のいくつかの部分は、いくつかの実施形態では、省略可能である。
プロセス６００は、任意の適切なハードウェアおよび／またはソフトウェアにおいて実施可能である。例えば、いくつかの実施形態では、プロセス６００は、画像分析器１８０または数値制御符号生成器１１０において実施可能である。
いくつかの実施形態において、画像分析器１８０は、印刷対象物の各層の異常パターンを学習し、画像分析器１８０が、類似または異なる対象物（例えば、図６に関連して記載されているような）の印刷プロセスの間、層レベルでの印刷パラメータを最適に調整し、所望の機械的、光学的および／または電気的特性を達成することができる。
特定の印刷パラメータは、印刷対象物の機械的、光学的および／または電気的特性に影響を及ぼす。例えば、充填密度および充填パターンは、最大引張強度（Ｒm）、降伏強度（Ｒｐ2%）、破断点伸び（Ａ%）、ヤング率（Ｅ）、疲労（σd）、ポアソン率、質量および比重のような機械的特性に影響を及ぼし得る。
異常パターンおよび特定の印刷パラメータが印刷対象物の機械的、光学的および／または電気的特性に実際にどのように影響を及ぼすか理解することで、印刷対象物の機械的、光学的および／または電気的特性に影響を及ぼす印刷パラメータを変化させながら、対象物を複数回印刷することができる。各印刷対象物のための異常パターンは、記載されているような、例えば図６に関連して（例えば６７０において）層レベルで決定可能かつ記録可能である。加えて、各印刷対象物の機械的、光学的および／または電気的特性を測定および記録することができる。
図８は、いくつかの実施形態に従って、異なる充填密度および充填パターンに基づいて異常パターンおよび異常率を学習するための学習プロセスの一例８００を示すとともに、それらの異常パターンおよび異常率が印刷対象物の機械的特性にどのように影響を及ぼすのかを示す。学習プロセスの間、機械学習モデルを生成するために用いられる学習データは、実際のデータまたはシミュレーションデータから組み合わせてまたは別々に導出されてもよい。実際の学習データは、製造における器材の動作の間に収集されるデータとすることができるし、さもなければ、例えば、３Ｄ印刷プロセスの間、リアルタイムに取られる画像とすることができる。シミュレーションデータは、既存のライブラリに基づいて、ランダムに生成された画像のシーケンスのような、製造データを表すシミュレーションまたはコンピュータ方法から取得されるデータとすることができ、３Ｄ印刷プロセスの間、画像をリアルタイムに捕捉することを模倣することを意味する。
８１０において、対象物の機械的特性に影響を及ぼす１つまたは複数の印刷パラメータを識別することができる。例えば、充填密度および充填パターンは、対象物の機械的特性に影響を及ぼすものとして識別可能である。いくつかの実施形態において、人工知能アルゴリズムを用いて、対象物の機械的特性に影響を及ぼす他の印刷パラメータを識別することができる。
８２０において、目標対象物の所定数（「グループ」）を印刷することができ、目標対象物の機械的特性に影響を及ぼすと識別された１つまたは複数の印刷パラメータを、グループ全体のために同一に保つことができる。例えば、グループの各対象物は、同じ充填パターンおよび充填密度の印刷パラメータを特定して印刷可能である。
８３０において、図６の６７０に関連して記載されているように、グループ内の各印刷対象物の層レベルで異常を検出し、記録することができる。例えば、実際の印刷経路と生成された制御符号から抽出される印刷経路との間の違いは、各層毎に決定可能である。グループ内の各目標対象物が印刷された後、その目標対象物の機械的特性を測定し、記録することができる。
８３０の後、プロセス８００は８２０に戻ることができ、目標対象物の他の所定数は、異なる充填密度および／または充填パターンで印刷可能である。
８２０および８３０は、画像分析器１８０を学習し、異常パターンおよび異なる識別された印刷パラメータ（例えば、充填密度および充填パターン）が対象物の機械的特性にどのように影響を及ぼすのかを学習するのに必要な回数だけ繰り返すことができる。目標対象物の所定数が印刷されるたびに（「グループ」）、識別されたパラメータ（例えば、充填密度および／または充填パターン）を変えることができる。下表は、目標対象物のための例のグループ、および、それらの特定された充填密度および充填パターンの印刷パラメータを反映する。
Figure 2022526033000002
いくつかの実施形態において、充填密度および充填パターンの印刷パラメータは、印刷対象物の各層のために一定の状態に保たれる。他の実施形態において、充填密度および／または充填パターンは、層がどこに位置するかに応じて、または、無作為に対象物の異なる層によって変化する。
一旦画像分析器１８０が異なる異常率およびパターンおよび識別された印刷パラメータ（例えば、異なる充填密度および充填パターン）が対象物の機械的特性にどのように影響を及ぼすのかについて学習すると、画像分析器は、印刷ジョブの間（例えば、層レベルで）、識別された印刷パラメータのための値を適切に調整し、所望の機械的特性を達成することができる。例えば、充填密度および充填パターンが調整されなかった場合、画像分析器１８０は、部分的な印刷対象物の印刷層が、一旦完成された印刷対象物の基準以下の機械的特性になるであろう特定の異常率およびパターンを有するということを検出することができる。次に、画像分析器１８０は、次の層および／または任意のその後の層のための充填率および充填パターンの印刷パラメータを調整し、所望の機械的特性を達成するとともに、異常の発生を減少するようにも試みることができる。
類似のプロセスは、異常パターンが対象物の光学的および／または電気的特性にどのように影響を及ぼすのかを学習するために実行可能である。例えば、対象物の光学的および／または電気的特性に影響を及ぼす印刷パラメータを識別することができる。目標対象物のグループは、印刷され、上述したように目標対象物のグループにわたり識別された印刷パラメータを制御することができる。一旦画像分析器１８０が異なる異常率およびパターンおよび識別された印刷パラメータが対象物の電気的および／または光学的特性にどのように影響を及ぼすのかを学習すると、画像分析器は、印刷ジョブの間層レベルで識別された印刷パラメータのための値を適切に調整し、所望の電気的および／または光学的特性を達成することができる。
類似のプロセスは、制御できない変数（すなわち、人間の介入なしで制御できない変数）が対象物の機械的、光学的および／または電気的特性にどのように影響を及ぼすかを学習するために実行可能である。例えば、対象物の機械的、光学的および／または電気的特性に影響を及ぼす制御できない変数を識別することができる。目標対象物のグループは、印刷され、上述したように目標対象物にわたり識別された制御できない変数を制御する。一旦画像分析器１８０が異なる異常率およびパターンおよび識別された印刷の制御できない変数が対象物の機械的、電気的および／または光学的特性にどのように影響を及ぼすのかを学習すると、画像分析器は、印刷ジョブの間層レベルで印刷パラメータのための値を適切に調整し、制御できない変数を補償し、所望の電気的および／または光学的特性を達成することができる。
プロセス８００の特定の部分がいつ実行されるかの分割は、変化させることができ、分割がないことまたは異なる分割は、本願明細書において開示される内容の範囲内である。いくつかの実施形態では、プロセス８００のブロックは、任意の適切な時間において実行可能であることに留意されたい。本願明細書において記載されているプロセス８００の部分の少なくとも一部が、いくつかの実施形態において図８に関連して図示および記載されている順序およびシーケンスに限定されるものではなく、任意の順序またはシーケンスで実行可能であることを理解されたい。また、本願明細書において記載されているプロセス８００のいくつかの部分は、いくつかの実施形態において、実質的に、必要に応じて同時に、または、並列に実行可能である。追加的にまたは代替的に、プロセス８００のいくつかの部分は、いくつかの実施形態では、省略可能である。
プロセス８００は、任意の適切なハードウェアおよび／またはソフトウェアにおいて実施可能である。例えば、いくつかの実施形態では、プロセス８００は、画像分析器１８０または数値制御符号生成器１１０において実施可能である。
いくつかの実施形態において、画像分析器１８０は、生成されたトポグラフィー画像、および／または、（図６の６６０にて説明したように）印刷層のための他の生成された画像、ならびに、印刷層のための生成された数値制御符号を用いて、印刷パラメータと結果得られる印刷ヘッドの動きとの間の関係を学習することができ、ならびに、押し出し層内の異常（例えば、予想外のギャップまたはカールした端、歪んだまたは不均一なパターン、過剰な押出の点、カールした端、数値制御符号において特定される印刷経路からの偏差、予想外の糸のようであるか他の異質な人工物および／または印刷層内の他の任意の破壊）を学習することができる。画像分析器１８０はまた、学習した関係を逆にして、結果として所望の印刷ヘッドの動きを生じ、押し出された層内の異常を最小化する最適な数値制御符号入力パラメータを計算することもできる。より詳しくは、人工知能アルゴリズムに対する入力変数は、以下を含むことができる。印刷ヘッドの中で以前の測定位置（
Figure 2022526033000003
によって表される）、結果として印刷ヘッドの以前の位置になった制御コード印刷パラメータ（θi-1によって表される）、および、印刷ヘッドの現在の測定位置（
Figure 2022526033000004
によって表される）。そして、出力変数は、結果として印刷ヘッドの現在の位置（θによって表される）になった数値制御符号パラメータとすることができる。入力変数および出力変数は、一緒に、人工知能アルゴリズムのための単一の学習サンプルとして機能することができる。単一の印刷層は、結果としてこの種の数百の学習サンプルを生ずることができる。これらの学習サンプルは、前の層内の異常についての知識、生産設計の所望の仕様、積層造形プリンタの印刷特徴および／または周囲条件とともに、最適な印刷パラメータを計算し、所望の印刷ヘッドの動きを生成するために用いることができる。いくつかの実施形態では、学習サンプルは、前の層内の異常についての知識、生産設計の所望の仕様、積層造形プリンタの特徴および／または周囲条件とともに、最適な印刷パラメータならびにその後の層のＸ－Ｙ－Ｚ設定点の最適配置および印刷経路のための命令を計算するために用いることができる。
いくつかの実施形態において、画像分析器１８０はまた、印刷パラメータと層の全体の特徴との間の関係を学習するために適用可能である。例えば、画像分析器１８０は、押し出された層内の異常の総数、印刷ヘッドおよび／またはビルド・プレートの動きが生成された数値制御符号における印刷経路の命令にどれくらい酷似していたかおよび充填密度を特定したかを学習するために適用可能である。いくつかの実施形態において、画像分析器１８０は、学習した関係を逆にして、所望の機械的、光学的および／または電気的特性を含む、結果として生産設計の仕様に最も酷似する層を生ずる印刷パラメータを計算することができる。
いくつかの実施形態において、画像分析器１８０は、生成されたトポグラフィー画像、および／または、印刷層のための生成された他の画像、ならびに、印刷層のための生成された数値制御符号を用いて、制御できない変数（すなわち、人間の介入なしで制御できない変数）と結果得られる印刷ヘッドの動きとの間の関係を学習することができ、ならびに、堆積層内の異常（例えば、予想外のギャップまたはカールした端、歪んだまたは不均一なパターン、過剰な押出の点、数値制御符号において特定される印刷経路からの偏差、予想外の糸のようであるか他の異質な人工物および／または印刷層内の他の任意の破壊）を学習することができる。画像分析器１８０が、制御できない変数が閾値許容度を越えて、結果得られる印刷ヘッドの動きおよび／または堆積層内の異常に反対の影響を及ぼすということを発見する場合、画像分析器１８０は、制御モジュール１６０に警報を送信することができる。制御モジュール１６０は、警報を受信すると、警告を積層造形システム１００のディスプレイ上に表示することができ、および／または、Ｅメール、テキストまたは他の任意の適切な電子メカニズムを介してオペレータに警告することができる。いくつかの実施形態において、画像分析器１８０は、Ｅメール、テキストまたは他の任意の適切な電子メカニズムを介してオペレータに直接警告するように構成可能である。例えば、いくつかの実施形態では、画像分析器１８０が、周囲湿度、温度および／または光が結果得られる印刷ヘッドの動きに悪影響を及ぼしている、または、層内の異常の数が所定の許容度を越えていると判定する場合、画像分析器１８０は、制御モジュール１６０および／またはオペレータに警報を送信することができる。いくつかの実施形態において、画像分析器１８０が、積層造形プリンタ１１５の摩耗および／または印刷ヘッド１４０が利用できるフィラメントの総量（例えば、フィラメントの少量）が結果得られる印刷ヘッドの動きに悪影響を及ぼしている、または、層内の異常の数が所定の許容度を越えていると判定する場合、画像分析器１８０は、制御モジュール１６０および／またはオペレータに警報を送信し、積層造形プリンタを交換し、および／または、フィラメントを補充することができる。いくつかの実施形態において、画像分析器１８０が、電圧変化が結果得られる印刷ヘッドの動きに悪影響を及ぼしている、または、層内の異常の数が所定の許容度を越えていると判定する場合、画像分析器１８０は、制御モジュール１６０および／またはオペレータに警報を送信し、電圧源を点検することができる。
学習プロセスはまた、組み合わせてまたは別々に、実際の環境またはシミュレーション環境から成る学習環境の使用を含むこともできる。いくつかの実施形態において、実際の学習環境は、モデルを学習するために用いられる実環境を含むことができ、実環境は、（例えば、対象物を３Ｄ印刷し、対象物の物理的重量、表面形態、機械的特性および／または他の任意の適切な物理的測定を測定することによる）物理的測定を含むことができる。いくつかの実施形態において、シミュレーション環境は、数値的方法またはコンピュータ方法を用いて、例えば、理論的密度および容量を用いて３Ｄ印刷構造の重量を計算するにより、シミュレーションされる学習環境を含むことができる。
学習プロセスはまた、組み合わせてまたは別々に、実際の環境またはシミュレーション環境から成る学習環境の使用を含むこともできる。いくつかの実施形態において、実際の学習環境は、モデルを学習するために用いられる実環境を含むことができ、実環境は、（例えば、対象物を３Ｄ印刷し、対象物の物理的重量、および／または他の任意の適切な物理的測定を測定することによる）物理的測定を含むことができる。いくつかの実施形態において、シミュレーション環境は、数値的方法またはコンピュータ方法を用いて、例えば、理論的密度および容量を用いて３Ｄ印刷構造の重量を計算することにより、シミュレーションされる学習環境を含むことができる。
いくつかの実施形態において、現実の環境において学習するのに必要な時間および資源を減少するのを支援するために、実際の環境における学習の前に、シミュレーションされた学習環境を用いて、機械学習モデルを初期化してもよい。例えば、いくつかの実施形態において、機械学習モデルは、３Ｄ印刷構造の引張強度の精度を増加させるために構築されてもよい。モデルは、シミュレーションを用いて初期化可能であり、それにより、実際の３Ｄ印刷環境における実際の学習データセットの生成の前に、モデルの学習をシミュレーションされた学習データから開始することができる。シミュレーション環境は、有限要素分析（ＦＥＡ）を用いて３Ｄ印刷構造の引っ張り荷重試験を模倣し、３Ｄ印刷構造の引張強度を計算してもよい。
いくつかの実施形態において、シミュレーション環境の機械学習フレームワークは、任意の適切な強化学習（ＲＬ）技術またはアルゴリズムを含んでもよい。強化学習は、ルールおよび入力のセットを用いて、環境およびそのさまざまな条件または状態について処置を取るコンピュータ・アルゴリズムまたはエージェントに関連する。それらの処置の対応する結果に基づいて、エージェントは、それらの以下の処置を調整し、肯定的な結果または報酬の蓄積を最大にする。図１２に示され、図１２に関連して更に詳細に後述するように、いくつかの実施形態は、非同期の分散強化学習を有するフレームワークを用いてもよく、それは、環境と並列に相互作用し、処置または軌道のそれらのシーケンスをグローバルメモリ内に保存する複数のエージェントに関連する。強化学習を用いて、エージェントを学習し（例えば、印刷動作を実施するプロセス）、エラーを修正するための処置を取る（例えば、印刷パラメータを修正する）ための追加技術は、図１０および図１１に示され、図１０および図１１に関連して後述される点に留意されたい。図１２に関連して更に詳細に後述するように、フレームワークはまた、深層Ｑ学習（ＤＱＮ）および経験再生を用いて、入力データを優先し、以前に見られなかったかまたは比較的高い重要性の入力のようなＲＬエージェントに提供してもよい。非同期の分散強化学習ＤＱＮおよび経験再生を利用するこれらの実施形態は、より高速に収束することができ、新しい入力データが与えられるとき、より強い解決法を生じることができる。
図１０に戻り、製造プロセスを学習するための強化学習を用いるための一般化されたパラダイムの概略図の一例１０００は、開示された内容のいくつかの実施形態に従って示される。
図１０に示すように、図１０において示されるパラダイムは、方策機能ブロック１０１０
Figure 2022526033000005
、ノード状態ブロック１０２０（ｈi（ｓi，θh））の測定値および最終的な出力ブロック１０３０（ｈy（ｙ，θy））の測定値を含む。いくつかの実施形態において、θa、θhおよびθyの各々は、制御ループを通して信号の変換を表すことができるブロックパラメータとすることができる点に留意されたい。いくつかのこの種の実施形態において、各ブロックパラメータは、線形または非線形とすることができ、および／または、推論されるかまたは公知である。各ブロックの値およびパラメータを記載する追加の詳細は後述される。
いくつかの実施形態において、ｉはノードを表すことができ、ｉは０からＮ－１の値である。いくつかの実施形態において、概略図１０００が３Ｄ印刷プロセスの一部として実施される例では、Ｎは、印刷対象物における層の総数を表すことができる点に留意されたい。
いくつかの実施形態において、概略図１０００に対応する製造プロセスを実施する製造プラントは、ｙ＝ｇ（Ｓ）のように測定可能なスカラー出力ｙを生成することができ、Ｓは、Ｓ＝［ｓ0，…Ｓn-1］のような状態のセットである。いくつかの実施形態において、状態測定値の所定のセットのために、出力品質は、予測可能であり、関数は、状態から出力までマップ可能である、すなわち、ｆ：Ｓ→ｙである。いくつかの実施形態において、関数ｆは、システムの複雑さに応じて、さまざまな形態をとることができる。いくつかの実施形態において、マッピングは、汎用関数近似詞、例えば回帰モデル、人工ニューラル・ネットワークおよび／または他の任意の適切なタイプの関数近似詞を通して達成可能である。いくつかの実施形態において、ｋの学習例のセットために、
Figure 2022526033000006
かつ
Figure 2022526033000007
の場合、損失関数は、
Figure 2022526033000008
として定義でき、
Figure 2022526033000009
である。いくつかの実施形態において、損失関数は、パラメータセットθyにおけるモデル最適化の基礎を
Figure 2022526033000010
として定義することができるので、関数近似詞の出力は、システムプロセスの出力を正確に予測する。
いくつかの実施形態において、学習されるプロセスは、マルコフ決定過程（ＭＤＰ）であり、将来の状態は、現在の状態ｓiを条件とする。いくつかの実施形態において、製造プロセスは、制御不能のシステム力学を有する部分的に観察可能なＭＤＰとすることができるので、従来観察可能なｓiは、処置を介して次の状態の予測された報酬を最大にするのに必要な情報を完全にはコード化しない。いくつかのこの種の実施形態において、これらの状態Ｓ＝［ｓ0…ｓi］Tのベクトルは、ＭＤＰのシーケンスを記述することができる。いくつかの実施形態において、所定のプロセスのために、理想的な基準出力、ｙ*＝ｇ（Ｓ*）を生成する基準状態のセットＳ*＝［ｓ０*…ｓＮ*］に導く処置の理想的なセットが存在する。いくつかの実施形態において、測定された状態エラーの大きさは、
Figure 2022526033000011
として計算可能である。いくつかの実施形態において、状態ｓiは任意の適切な技術または技術の組み合わせを用いて、例えば、ベイジアンまたはカルマンフィルタを用いて、ＣＮＮを用いる複雑な分類および／または他の任意の適切な方法で推定可能である。
いくつかの実施形態において、ｇ（Ｓ）の初期システム識別の間、予想分布の構築と同様に、各ノードを制御するための財政的費用についての考慮を行うことができる。いくつかの実施形態において、予想分布は、
Figure 2022526033000012
とすることができる。いくつかの実施形態において、いくつかのノードｉは、拘束するのにより費用がかかり得るため、Ｔi∈［１，Ｎ－ｉ－１］について
Figure 2022526033000013
に対する修正は、エラーが
Figure 2022526033000014
から導出される所定の閾値より大きいとき、例えば、
Figure 2022526033000015
のとき、より費用効果的となり得、ここで、γiは受け入れられる許容度を示す点に留意されたい。いくつかの実施形態において、ノード状態ＳTを拘束することによって、全体的な出力品質
Figure 2022526033000016
に関して得られた利点が存在し得るが、プロセスの最適化
Figure 2022526033000017
は、必ずしも
Figure 2022526033000018
を生じない。
最も一般化された実施態様において、０からＮ－１までのすべてのノードｉのためにγi＝０、τi＝Ｎ－ｉ－１かつ
Figure 2022526033000019
であり、Ｔ（．）は、方策πによって選択されるいくつかの処置ａiの結果である点に留意されたい。すなわち、いくつかの実施形態において、基準ｓi *からの測定された状態ｓiの任意の偏差は、結果として基準状態のすべての次の定義の調整になり得る。いくつかの実施形態において、方策πを使用して最適処置ａiを選択することは、一般的な強化パラダイムと整合している。いくつかの実施形態において、最適方策πに対する方策の収束であるπ→π*は、τiに関する自由度に依存し、Ｍの可能な処置値のために、処置ａiのａi,k∈［ａi,0…ａi,M-1］への離散化に基づくことができる。
いくつかの実施形態において、方策は、任意の適切な技術または技術の組み合わせを用いて学習可能である。例えば、いくつかの実施形態において、方策は、値反復法、例えばＱ学習を用いて学習可能である。他の例として、いくつかの実施形態において、方策は、方策反復モデル、例えばアクター・クリテイック法を用いて学習可能である。
いくつかの実施形態において、方策は、
Figure 2022526033000020
によって定義可能であり、θaは処置の選択に関連付けられたパラメータに対応する。いくつかの実施形態において、基準の状態ベクトルは、方策の関数として
Figure 2022526033000021
のように記述可能であり、プロセスの出力は、ｙ*π＝ｇ（Ｓ*π）によって定義可能である。
いくつかの実施形態において、プロセスにおけるエラーは、
Figure 2022526033000022
として定義可能である。
いくつかの実施形態において、方策の最適化は、
Figure 2022526033000023
によって定義可能であり、例えば、
Figure 2022526033000024
およびπ→π*であり、適切な持続的励起
Figure 2022526033000025
を有する。
概略図１０００において、プロセス関数近似詞および修正方策をそれぞれ定義するパラメータθYおよびθaは、推論に有用である点に留意されたい。特に、学習θYは、プロセスの仮想複製およびθaに適用される学習のより厳密なチューニングを可能にし、これらは、費用がかかるプロセスノードの変化を修正する基本的なモデルパラメータである。
図１１Ａに戻り、３Ｄプリンタに関連して実施可能な修正処置を実行するために印刷動作のための強化学習アルゴリズムを学習するためのプロセスの一例１１００は、開示された内容のいくつかの実施形態に従って示される。いくつかの実施形態において、プロセス１１００は、図１０に一般化され概略的に示され、図１０に関連して上述された技術を実施するプロセスとすることができる点に留意されたい。
いくつかの実施形態において、（１つの獲得された画像に対応する）各ノードは、印刷対象物の層に対応することができる。いくつかの実施形態において、層のパラメータは、状態のための測定値と同様に、方策のための作動点に対応することができる。いくつかの実施形態において、パラメータは、押出機ノズル温度、押し出された樹脂の体積、印刷ヘッドの動き力学、周囲環境条件、押し出された熱可塑性物質の材料特性、押出機速度および／または他の任意の適切なパラメータを含むことができる。
プロセス１１００は、概して、強化アルゴリズムを学習し、修正処置を決定し、対象物の印刷の間、引張強度を修正すると記載されるが、いくつかの実施形態において、プロセス１１００に関連して記載されている技術は、任意の適切な測定値または測定基準に関連して修正処置を決定するために実施可能である点に留意されたい。
プロセス１１００は、１１１０において、層の画像を捕捉することによって開始することができる。いくつかの実施形態において、画像は、任意の適切なサイズおよび／または解像度を有することができる点に留意されたい。
１１２０において、プロセス１１００は、１１１０で捕捉された画像に基づいて、対象物の特定の層で、印刷対象物におけるエラーを検出することができる。いくつかの実施形態において、印刷対象物の層の画像は、強化学習アルゴリズムの学習の間用いられる学習の繰り返しに対応することができる点に留意されたい。
いくつかの実施形態において、プロセス１１００は、加えて、図１１Ｂに示すように、伸長の関数としての引張強度を示す中央の基準の試験曲線に接近することができる点に留意されたい。いくつかの実施形態において、エラーを有する印刷対象物は、図１１Ｃに示すように、未修正の中央の引張曲線に関連付け可能である。図１１Ｃにおいて、エラーは、層ｉ＝３０に存在する点に留意されたい。加えて、いくつかの実施形態において、プロセス１１００が図１１Ｃに示される未修正の引張曲線を図１１Ｂに示される基準の引張曲線に戻す修正処置を決定するために学習可能である点に留意されたい。
１１３０において、プロセス１１００は、方策に基づいてエラーを修正するために、プリンタによってなされるべき印刷パラメータに対する変化を決定することができる。いくつかの実施形態において、印刷パラメータに対する変化は、強化学習アルゴリズムによって取られる処置に対応することができる点に留意されたい。加えて、いくつかの実施形態において、方策が任意の適切な方法で初期化可能である点に留意されたい。
いくつかの実施形態において、印刷パラメータに対する変化は、任意の適切な変化、例えば、押し出された樹脂の体積を変えるための押出乗数の決定に対応することができる。いくつかの実施形態において、変化のシーケンスを決定することができ、シーケンスは、任意の適切な数の変化または処置（例えば、１、２、３および／または他の任意の適切な数）を含む点に留意されたい。例えば、いくつかの実施形態において、プロセス１１００は、ａ1、ａ2およびａ3として示される提供されるべき３つの押出乗数のシーケンスを決定することができる。処置空間が任意の適切な方法で、例えば、ａi∈［１．０，１．１，…３．０］Tおよび／または他の任意の適切な方法で定義可能である点に留意されたい。
１１４０において、プロセス１１００は、状態情報を決定することができる。
いくつかの実施形態において、状態は、最後の処置が先頭に追加可能であり、それによって、潜在記憶を作用する方策に提供すると同時に、ノード依存の推論を可能にするノード値もまた提供する点に留意されたい。いくつかの実施形態において、３Ｄ印刷の適用ケースにおいて、これらの依存は、変化する層ジオメトリとして実現することができ、これらのジオメトリを状態情報に明確にコード化せずに、処置を取ることができる。いくつかの実施形態において、上記の状態／処置の構築は、結果として、各状態が引張強度の偏差を修正する際に必要なすべてを含むようなマルコフ仮定の引き締めになり得る。
いくつかの実施形態において、プロセス１１００は、状態情報に対応する引張強度を計算することができる。例えば、上述した例の状態／処置情報を続けると、プロセス１１００は、本願明細書において
Figure 2022526033000026
と記載する引張強度を計算することができる。いくつかの実施形態において、引張強度エラーは、基準の引張強度に基づいて計算可能である。いくつかの実施形態において、引張強度エラーは、本願明細書において
Figure 2022526033000027
と記載される。
１１５０において、プロセス１１００は、状態情報に対応する報酬を計算することができる。いくつかの実施形態において、報酬は、
Figure 2022526033000028
のような報酬関数を用いて計算可能であり、報酬は、係数αおよびβによって重み付けされる。
いくつかの実施形態において、測定が引張強度において修正される例では、引張強度報酬Ｔsが計算され、Ｔsは、
Figure 2022526033000029
として定義される。いくつかの実施形態において、この定義は、なんらかの値Ｔs,maxで、彩度を表すことができ、これは、基準の引張強度の近くの不安定な結果のないスケーリングされた絶対値、ハイパボリック報酬曲線を可能にする。
１１６０において、プロセス１１００は、印刷パラメータの変化によって生成される状態に対応する報酬値の予想を計算することができる。状態／処置の対を与えられる報酬の予想は、概して、本願明細書においてＱ値と称され、
Figure 2022526033000030
として定義可能である点に留意されたい。
加えて、システムが遅延報酬を有すると仮定すると、任意の処置ａiが、
Figure 2022526033000031
によって定義される関連付けられた報酬ｒiを有し、割引計数が０＜γ＜１であるように、ノードのｉ当たりの個々の報酬が任意の適切な方法で（例えば、ベルマン方程式を用いて）伝搬可能である点に留意されたい。
いくつかの実施形態において、Ｑ値関数は、任意の適切な方法で、例えば、深層Ｑ学習アプローチ、非同期方法および方策更新のためのアクター・クリテイックパラダイム（例えば、Ｍｎｉｈらの「Ａｓｙｎｃｈｒｏｎｏｕｓ ｍｅｔｈｏｄｓ ｆｏｒ ｄｅｅｐ ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ、２０１６年、１９２８～１９３７頁に記載されており、参照によりその全体が本願明細書に組み込まれる）、小脳モデルを利用した計算機（ｃｅｒｅｂｅｌｌａｒ ｍｏｄｅｌ ａｒｉｔｈｍｅｔｉｃ ｃｏｍｐｕｔｅｒ）（ＣＭＡＣ）トポロジに対するモデル簡略化（例えば、Ａｌｂｕｓの「Ａ ｎｅｗ ａｐｐｒｏａｃｈ ｔｏ ｍａｎｉｐｕｌａｔｏｒ ｃｏｎｔｒｏｌ： Ｔｈｅ ｃｅｒｅｂｅｌｌａｒ ｍｏｄｅｌ ａｒｔｉｃｕｌａｔｉｏｎ ｃｏｎｔｒｏｌｌｅｒ （ｃｍａｃ）」、Ｊｏｕｒｎａｌ ｏｆ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍｓ， Ｍｅａｓｕｒｅｍｅｎｔ， ａｎｄ Ｃｏｎｔｒｏｌ、第９７巻（３）、２２０～２２７頁に記載されており、参照によりその全体が本願明細書に組み込まれる）を用いて、および／または、他の任意の適切な方法で最適化可能である。
１１７０において、プロセス１１００は、報酬値の予想に基づいて、方策を更新することができる。例えば、方策
Figure 2022526033000032
は、
Figure 2022526033000033
によって定義可能である。いくつかの実施形態において、方策は、Ｑ値を用いて更新可能である。
次に、プロセス１１００は、１１１０に戻り、強化学習アルゴリズムの学習を継続することができる。
いくつかの実施形態において、強化学習アルゴリズムが学習された後、学習モデルのパラメータ（例えば、Ｑ値関数および／または他の任意の適切なパラメータ）は、任意の適切な印刷プロセスによって用いられ、対象物の印刷の間、修正処置を実行することができる点に留意されたい。例えば、いくつかの実施形態において、印刷されている対象物の現在の層に関連付けられた現在状態は、（例えば、層の画像を捕捉することによって）識別可能であり、一連の修正処置は、印刷プロセスによってＱ値関数を用いて識別可能である。いくつかの実施形態において、更なる修正処置は、印刷対象物の次の層で識別可能である。いくつかの実施形態において、強化学習アルゴリズムの使用は、他の任意の適切な分類器、例えば図９に関連して上述した故障分類器および／または押出分類器と組み合わせて、印刷プロセスが対象物の印刷を終了すべきかを決定することができ、および／または、特定の層に関連付けられた品質スコアを計算することができる点に留意されたい。
いくつかの実施形態において、強化学習アルゴリズムを３Ｄ印刷環境に構成するために、有限要素モデルは、印刷部分を張力で表すために構築可能であり、剛性マトリクスは、定義された形状を有する層に押し出される樹脂の関数である点に留意されたい。いくつかの実施形態において、このシミュレーションは、ハードウェア実施の前に、モデルのパラメータθaの最適化を制御するハイパーパラメータを調整するために、仮想環境として作用することができる。
加えて、いくつかの実施形態において、図１１に関連して記載されている強化学習アルゴリズムは、他の任意の適切な情報を推定することができる他の任意の適切なアルゴリズムと組み合わせることができるので、印刷対象物は倒れ、印刷エラーとなる点に留意されたい（例えば、図９に示され、図９に関連して上述されるように）など。更に、いくつかの実施形態において、強化学習アルゴリズムを実行するエージェントは、検査プロセスのエネルギーおよび時間を最小化することによって、検査のための最適経路を評価することができる。
以下、処置を実行し、結果として生じる状態および報酬を決定するための特定の例が記載されている。図１２に示され、図１２に関連して後述するように、特定の例において、３Ｄプリンタのグループ（例えば、３、４、５、６および／または他の任意の適切な数）が、ワーカーのグループとして初期化可能であり、強化学習モデルの学習のための並列データ収集のために使用可能である。加えて、特定の例において、各３Ｄプリンタは、特定の数（例えば、５００、１，０００および／または他の任意の適切な当数）の層を有する３Ｄ対象物を印刷することができ、各々が印刷条件を変化させ、特定の層での対象物の引張強度が基準のすなわち予想される引張強度に維持されるような修正処置を取ることができる。引張強度および基準の引張強度を記載する追加の詳細が、図１１Ｂおよび図１１Ｃに示され、図１１Ｂおよび図１１Ｃに関連して上述されている点に留意されたい。
図１２に戻り、３Ｄプリンタのグループを用いて強化学習モデルを学習するためのプロセスの一例１２００は、開示された内容のいくつかの実施形態に従って示される。３Ｄプリンタのグループにおける各３Ｄプリンタは、本願明細書においてワーカーと称される点に留意されたい。いくつかの実施形態において、プロセス１２００は、各々、強化学習アルゴリズムを実行するエージェントである個々のワーカーのグループを用いることができる（例えば、図１０および図１１に関連して上述したように）。いくつかの実施形態において、各ワーカーは、重みを更新するグローバル学習器と相互作用することができるので、ワーカーの各々は、グローバル学習器から、および、黙示的にグループ内の他のワーカーから学習することができる。いくつかの実施形態において、ワーカーのグループは、任意の適切な数（例えば、２、３、５、１０および／または他の任意の適当な数）のワーカーを含むことができて、ワーカーのグループ内の各ワーカーは、異なる３Ｄプリンタに対応することができる点に留意されたい。
プロセス１２００は、１２０５において、グローバル学習器を初期化することによって開始し、環境を初期化することができる。
いくつかの実施形態において、グローバル学習器は、任意の適切な初期化された技術、例えばザビエル初期化を用いて、重みによって初期化可能である。いくつかの実施形態において、グローバル学習器に関連付けられた重みは、グローバル学習器およびワーカーのグループ内の個々のワーカーの学習の間、例えば、深層Ｑ学習を用いておよび／または他の任意の適切な方法で、学習される重みに対応することができる点に留意されたい。
いくつかの実施形態において、環境は、印刷対象物に関連付けられた任意の適切なパラメータ、例えば任意の適切な印刷パラメータに対応することができる。いくつかの実施形態において、環境は、任意の適切な方法で初期化可能である。例えば、いくつかの実施形態において、環境は、印刷対象物のための任意の適切な初期パラメータを用いて初期化可能である。
１２１０において、プロセス１２００は、ワーカーのグループおよびグローバルメモリを初期化することができる。いくつかの実施形態において、プロセス１２００は、以下θと記載する各ワーカーに関連付けられた重みを、本願明細書においてθ+と記載するグローバル学習器に関連付けられた重みに設定することによって、ワーカーのグループ内の各ワーカーを初期化することができる。加えて、いくつかの実施形態において、プロセス１２００は、本願明細書においてΔθ+と記載するグローバル学習器に関連付けられた重みの勾配をゼロに設定することができる。いくつかの実施形態において、プロセス１２００は、任意の適切な方法で、例えば、任意の適切なサイズのメモリも割り当てることによってグローバルメモリを初期化することができる。
１２２０において、プロセス１２００は、各ワーカーのために、現在の時刻ｔにおいて、環境において処置を実行することができる。いくつかの実施形態において、プロセス１２００は、任意の適切な方法で、環境において処置を実行することができる。例えば、いくつかの実施形態において、プロセス１２００は、時刻ｔにおいて、本願明細書においてｓtと記載する環境の現在状態を検索することができる。いくつかの実施形態において、プロセス１２００は、次に、本願明細書においてａtと記載する、時刻ｔに取られる処置を識別することができる。いくつかの実施形態において、プロセス１２００は、任意の適切な方法で、処置ａtを識別することができる。例えば、いくつかの実施形態において、プロセス１２００は、潜在的処置のグループから選択されるランダムな処置が確率εで選択されるべきであると決定することができ、あるいは、処置は、ａt＝ａｒｇｍａｘ（Ｑ（ｓt，ａ；θ））に従って選択されるべきである決定することができ、Ｑは、報酬の予想に対応するＱ値関数である。いくつかの実施形態において、Ｑは、任意の適切な強化学習技術を用いて最適化可能である点に留意されたい。
いくつかの実施形態において、処置ａtを選択した後に、プロセス１２００は、環境Ｅにおいてａt実行し、環境Ｅにおけるａtを実行することから続く報酬ｒtおよび次の状態ｓt+1を識別することができる。いくつかの実施形態において、報酬および次の状態は、環境に関連付けられた任意の適切な情報、例えば押出の容量、押出品質スコア（例えば、図９に関連して上述したような）、エラーまたは故障が検出されたか否か（例えば、図９に関連して上述したような）、測定値（例えば、対象物の部分の重量、対象物の部分の密度および／または他の任意の適切なシミュレーションの測定値）および／または他の任意の適切な情報に基づき得る点に留意されたい。
以下、処置を実行し、結果として生じる状態および報酬を決定するための特定の例が記載されている。特定の例において、３Ｄプリンタのグループ（例えば、３、４、５、６および／または他の任意の適切な数）が、ワーカーのグループとして初期化可能であり、強化学習モデルの学習のための並列データ収集のために使用可能である。加えて、特定の例において、各３Ｄプリンタは、特定の数（例えば、５００、１，０００および／または他の任意の適切な当数）の層を有する３Ｄ対象物を印刷することができ、各々が印刷条件を変化させ、特定の層での対象物の引張強度が基準のすなわち予想される引張強度に維持されるような修正処置を取ることができる。引張強度および基準の引張強度を記載する追加の詳細が、図１１Ｂおよび図１１Ｃに示され、図１１Ｂおよび図１１Ｃに関連して上述されている点に留意されたい。
特定の例において、３Ｄプリンタのグループの３Ｄプリンタは、以前の処置および状態を示す軌道のコード化された履歴を有する各層のパラメータの関数である状態ｓtを識別することができる。次に、３Ｄプリンタは、処置ａtを選択することができ、それは、次の層の印刷のパラメータの印刷の作動に対する修正乗数とすることができる。次に、報酬ｒtを計算することができ、ｒtは、ａtへの観察された応答の関数である。いくつかの実施形態において、ｒt＝1／（ｆ（ｓt+1））を用いてｒtを計算することができる。
いくつかの実施形態において、処置の結果は、引張強度を示すことができる引っ張り荷重試験を用いて決定可能である。
いくつかの実施形態において、報酬ｒtは、任意の適切な方法で、各処置ａtのために計算可能である。例えば、いくつかの実施形態において、ｒtは、用いられる資源を製造する量（例えば、樹脂の体積）の関数とすることができる。他の例として、いくつかの実施形態において、（例えば、印刷対象物の最終層を印刷するための）端末ｓtのための報酬ｒtは、最終ｓtにおいて計算される引張強度に基づいて計算可能である。
図１２に戻って参照すると、いくつかの実施形態において、プロセス１２００はまた、実行済フラグが設定されるべきかを決定することができ、立てられたフラグは、ワーカーがすべての学習の繰り返しを完了したことを示す。
１２２５において、プロセス１２００は、各ワーカーのために、処置から生じる状態および報酬でグローバルメモリを更新することができる。いくつかの実施形態において、プロセス１２００は、任意の適切な方法でグローバルメモリを更新することができる。例えば、いくつかの実施形態において、プロセス１２００は、タプル（ｓt，ａt，ｒt,ｓt+1、実行済）をグローバルメモリに追加させることができる。いくつかの実施形態において、グローバルメモリは、任意の適切な位置、例えばプロセス１２００を実行するデバイスの外部のサーバおよび／または他の任意の適切な位置に保存可能である点に留意されたい。
いくつかの実施形態において、立てられたフラグが真に設定されるまで、プロセス１２００は、１２２０に戻り、１２２０および１２２５を実行することができる。
１２３０において、プロセス１２００は、各ワーカーのために、グローバル学習器の重みθ+に基づいて、ワーカーの重みθを更新することができる。いくつかの実施形態において、プロセス１２００は、任意の適切な方法でワーカーの重みを更新することができる。例えば、いくつかの実施形態において、プロセス１２００は、各ワーカーのための重みをグローバル学習器の重みに設定することができる。
１２３５において、プロセス１２００は、各ワーカーのために、グローバルメモリをサンプリングし、サンプリングに基づいてグローバル学習器の重みを更新することができる。いくつかの実施形態において、プロセス１２００は、タプル（ｓt，ａt，ｒt，ｓt+1，済）のランダムに選択されたミニバッチを検索することができる。いくつかの実施形態において、ミニバッチは、任意の適切なサイズ（例えば、１０のタプル、１００のタプル、５００のタプルおよび／または他の任意の適切なサイズ）とすることができる。
いくつかの実施形態において、プロセス１２００は、比較的重要性が高いと決定され、比較的低い頻度で発生するタプルを優先させることによって、グローバルメモリをサンプリングすることができる点に留意されたい。いくつかのこの種の実施形態において、グローバルメモリ内に保存される各タプルはまた、タプル内に含まれる対応する状態遷移の優先度を示す優先フラグｐiを含むことができる。いくつかの実施形態において、次に、プロセス１２００は、
Figure 2022526033000034
に従ってグローバルメモリからタプルをサンプリングすることができ、αは、比較的高い優先フラグを有するタプルがどのくらいの頻度で選択されるべきかを示す重みである。例えば、α＝０の例では、タプルは、均等分布でランダムに選択可能であるが、α＝１のとき、最高優先度に関連付けられたタプルは、優先してサンプリング可能である。
いくつかの実施形態において、プロセス１２００は、任意の適切な方法で、検索されたタプルに基づいて、グローバル学習器の重みを更新することができる。例えば、いくつかの実施形態において、各タプルのために、プロセス１２００は、ターゲット出力値ｙtを決定することができ、
Figure 2022526033000035
である。この例をさらに続けると、いくつかの実施形態において、次に、プロセス１２００は、報酬に基づいてｙtを修正することができ、ｙtはｒt－γｙtに設定される。この例をさらに続けると、いくつかの実施形態において、プロセス１２００は、グローバル学習器の重みΔθ+のための勾配を計算することができ、Δθ+は
Figure 2022526033000036
によってインクリメントされる。いくつかの実施形態において、次に、プロセス１２００は、グローバル学習器の重みΔθ+のための勾配に基づいて、グローバル学習器の重みθ+を更新することができる。
１２４０において、プロセス１２００は、グローバル学習器の更新を継続すべきかを決定することができる。いくつかの実施形態において、プロセス１２００は、ワーカーのグループ内のワーカーの所定の数ＴMAXより多くが対応する立てられたフラグを真に設定したかに基づいて、グローバル学習器の更新を継続すべきかを決定することができる。すなわち、いくつかの実施形態において、プロセス１２００は、ワーカーのグループ内のワーカーの所定の数より多くが現在の学習エポックを完了したかに基づいて、グローバル学習器の更新を継続すべきかを決定することができる。いくつかの実施形態において、ＴMAXの値は、任意の適切な情報に基づいて（例えば、製造環境に関連付けられた情報に基づいて）選択可能であるので、グローバル学習器は、ワーカーのグループ内の１つまたは複数のワーカーがタプルをグローバルメモリに送信する際に遅延する例では、更新を継続することができる点に留意されたい。いくつかの実施形態において、ＴMAXは、ワーカーのグループ内のワーカーの数以下の任意の適切な値とすることができる。
１２４０において、プロセス１２００がグローバル学習器の更新を継続すべきであると、プロセス１２００が決定する場合（１２４０の「はい」）、プロセス１２００は、１２２０に戻ることができる。
１２４０において、グローバル学習器が更新されるべきでないと、プロセス１２００が決定する場合、プロセス１２００は、１２４５において環境を修正することができる。いくつかの実施形態において、プロセス１２００は、任意の適切な方法で、環境を修正することができる。例えば、いくつかの実施形態において、プロセス１２００は、取られる処置に基づいて、印刷対象物の特定の層に対応する環境のパラメータを修正することができる。より特定の例として、いくつかの実施形態において、プロセス１２００は、印刷パラメータ、例えば押出速度、押出容量、押出機ヘッドの動きの速度、押出機ノズルの温度および／または他の任意の適切な印刷パラメータを修正することができる。
いくつかの実施形態に従って、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、方法および媒体が提供される。より詳細には、いくつかの実施形態では、積層造形システムが提供され、システムは、交互積層法（ＬＢＬ法）によって対象物を印刷するように構成される印刷ヘッドと、照射を対象物の印刷層の表面に当てるための照射光源と、印刷層の画像を捕捉するように構成される画像センサと、少なくとも１つのハードウェア・プロセッサと、を備え、少なくとも１つのハードウェア・プロセッサは、キャプチャ画像を受信し、印刷層の３次元トポグラフィー画像を生成し、第１の人工知能アルゴリズムを用いて、生成されたトポグラフィー画像から印刷層内の異常を識別し、第２の人工知能アルゴリズムを用いて、識別された異常と１つまたは複数の印刷パラメータとの間の相関を決定し、値を１つまたは複数の印刷パラメータに割り当てるように構成される。
いくつかの実施形態において、積層造形のための方法が提供され、方法は、交互積層法（ＬＢＬ法）によって印刷される対象物の印刷層の画像を捕捉するように構成される画像センサによって生成されるキャプチャ画像を受信するステップと、ハードウェア・プロセッサを用いて印刷層の３次元トポグラフィー画像を生成するステップと、第１の人工知能アルゴリズムを用いて、生成されたトポグラフィー画像から印刷層内の異常を識別するステップと、第２の人工知能アルゴリズムを用いて、識別された異常と１つまたは複数の印刷パラメータとの間の相関を決定するステップと、値を１つまたは複数の印刷パラメータに割り当てるステップと、を含む。
いくつかの実施形態において、コンピュータ実行可能命令を含む非一時的コンピュータ可読媒体が提供され、コンピュータ実行可能命令は、プロセッサによって実行されるとき、プロセッサに、交互積層法（ＬＢＬ法）によって印刷される対象物の印刷層の画像を捕捉するように構成される画像センサによって生成されるキャプチャ画像を受信するステップと、印刷層の３次元トポグラフィー画像を生成するステップと、第１の人工知能アルゴリズムを用いて、生成されたトポグラフィー画像から印刷層内の異常を識別するステップと、第２の人工知能アルゴリズムを用いて、識別された異常と１つまたは複数の印刷パラメータとの間の相関を決定するステップと、値を１つまたは複数の印刷パラメータに割り当てるステップと、を含む、積層造形のための方法を実行させる。
いくつかの実施形態では、任意の適切なコンピュータ可読媒体を用いて、本願明細書において記載されている機能および／またはプロセスを実行するための命令を格納することができる。例えば、いくつかの実施形態では、コンピュータ可読媒体は、一時的または非一時的とすることができる。例えば、非一時的コンピュータ可読媒体は、非一時的磁気媒体（例えばハード・ディスク、フロッピー・ディスクなど）、非一時的光学媒体（例えばコンパクト・ディスク、デジタル・ビデオ・ディスク、ブルーレイ・ディスクなど）、非一時的半導体媒体（例えばフラッシュ・メモリ、電気的プログラム可能ＲＯＭ（ＥＰＲＯＭ）、電気的消去可能ＲＯＭ（ＥＥＰＲＯＭ）など）のような媒体、伝送の間一過性ではないかまたは永続性の任意の外見を欠いている任意の適切な媒体および／または任意の適切な有形媒体を含むことができる。他の例として、一時的コンピュータ可読媒体は、ネットワーク、ワイヤ、導体、光ファイバ、回路および伝送の間一過性ではないかまたは永続性の任意の外見を欠いていない任意の適切な媒体および／または任意の適切な有形媒体上の信号を含むことができる。
本願明細書において記載されている例（ならびに「のような」、「例えば」、「含む」などとして言い表される条項）の提供は、請求された内容を具体例に制限するものとして解釈されるべきでなく、むしろ、例は、多数の可能な態様のいくつかを示すことのみを意図している。また、本願明細書で用いられているように、メカニズムの用語がハードウェア、ソフトウェア、ファームウェアまたはそれらの任意の適切な組み合わせを含むことができることに留意されたい。
積層造形システムおよび方法は、これらの例示の実施形態を具体的に参照して詳細に説明してきた。しかしながら、さまざまな修正および変更を、上述した明細書の開示の精神および範囲内で行うことができることは明らかであり、このような修正および変更は、この開示の均等物および一部とみなされるべきである。本発明の範囲は、以下の請求項によってのみ限定されるものである。

Claims (18)

  1. 積層造形システムであって、
    交互積層法（ＬＢＬ法）によって対象物を印刷するように構成される印刷ヘッドと、
    前記対象物の印刷層の画像を捕捉するように構成される画像センサと、
    少なくとも１つのハードウェア・プロセッサと、
    を備え、前記少なくとも１つのハードウェア・プロセッサは、
    キャプチャ画像を受信し、
    前記キャプチャ画像の低解像度バージョンを生成するために前記キャプチャ画像をサンプリングし、
    学習された故障分類器を前記キャプチャ画像の前記低解像度バージョンに適用し、
    前記故障分類器から得られた分類に基づいて、回復不能の故障が前記対象物の前記印刷層内に存在しないと決定し、
    回復不能の故障が前記印刷層内に存在しないと決定することに応答して、前記キャプチャ画像の前記低解像度バージョンの切り取られたバージョンを生成し、
    学習されたバイナリ・エラー分類器を前記キャプチャ画像の前記低解像度バージョンの前記切り取られたバージョンに適用し、
    前記バイナリ・エラー分類器から得られた分類に基づいて、エラーが前記対象物の前記印刷層内に存在すると決定し、
    前記エラーが前記対象物の前記印刷層内に存在すると決定することに応答して、学習された押出分類器を前記キャプチャ画像に適用し、前記学習された押出分類器は、前記対象物の前記印刷層内の材料の押出の品質を示す押出品質スコアを生成し、
    前記対象物の次の層を印刷するために前記押出品質スコアに基づいて前記印刷ヘッドのパラメータの値を調整する、
    ように構成される積層造形システム。
  2. 前記キャプチャ画像の前記低解像度バージョンの前記切り取られたバージョンは、前記押出品質スコアを表すメッシュ・パターンを含む関心領域を識別することによって生成される、請求項１に記載の積層造形システム。
  3. 前記ハードウェア・プロセッサは、
    前記印刷対象物の前記次の層の第２のキャプチャ画像を受信し、
    前記第２のキャプチャ画像の低解像度バージョンを生成するために前記第２のキャプチャ画像をサンプリングし、
    前記学習された故障分類器を前記第２のキャプチャ画像の前記低解像度バージョンに適用し、
    前記故障分類器から得られた第２の分類に基づいて、回復不能の故障が前記対象物の前記次の層内に存在すると決定し、
    回復不能の故障が前記次の層内に存在すると決定することに応答して、前記対象物の印刷を終了する、
    ようにさらに構成される、請求項１に記載の積層造形システム。
  4. 前記故障分類器は、畳み込みニューラル・ネットワーク（ＣＮＮ）を備える、請求項１に記載の積層造形システム。
  5. 前記押出分類器は、複数のＣＮＮを備える、請求項１に記載の積層造形システム。
  6. 前記印刷ヘッドの前記パラメータは、押出容量である、請求項１に記載の積層造形システム。
  7. 積層造形システムのための方法であって、
    キャプチャ画像を受信するステップと、
    前記キャプチャ画像の低解像度バージョンを生成するために前記キャプチャ画像をサンプリングするステップと、
    学習された故障分類器を前記キャプチャ画像の前記低解像度バージョンに適用するステップと、
    前記故障分類器から得られた分類に基づいて、回復不能の故障が対象物の印刷層内に存在しないと決定するステップと、
    回復不能の故障が前記印刷層内に存在しないと決定することに応答して、前記キャプチャ画像の前記低解像度バージョンの切り取られたバージョンを生成するステップと、
    学習されたバイナリ・エラー分類器を前記キャプチャ画像の前記低解像度バージョンの前記切り取られたバージョンに適用するステップと、
    前記バイナリ・エラー分類器から得られた分類に基づいて、エラーが前記対象物の前記印刷層内に存在すると決定するステップと、
    前記エラーが前記対象物の前記印刷層内に存在すると決定することに応答して、学習された押出分類器を前記キャプチャ画像に適用して、前記学習された押出分類器が、前記対象物の前記印刷層内の材料の押出の品質を示す押出品質スコアを生成するステップと、
    前記印刷対象物の次の層を印刷するために前記押出品質スコアに基づいて印刷ヘッドのパラメータの値を調整するステップと、
    を含む方法。
  8. 前記キャプチャ画像の前記低解像度バージョンの前記切り取られたバージョンは、前記押出品質スコアを表すメッシュ・パターンを含む関心領域を識別することによって生成される、請求項７に記載の方法。
  9. 前記方法は、
    前記印刷対象物の前記次の層の第２のキャプチャ画像を受信するステップと、
    前記第２のキャプチャ画像の低解像度バージョンを生成するために前記第２のキャプチャ画像をサンプリングするステップと、
    前記学習された故障分類器を前記第２のキャプチャ画像の前記低解像度バージョンに適用するステップと、
    前記故障分類器から得られた第２の分類に基づいて、回復不能の故障が前記対象物の前記次の層内に存在すると決定するステップと、
    回復不能の故障が前記次の層内に存在すると決定することに応答して、前記対象物の印刷を終了するステップと、
    をさらに含む、請求項７に記載の方法。
  10. 前記故障分類器は、畳み込みニューラル・ネットワーク（ＣＮＮ）を備える、請求項７に記載の方法。
  11. 前記押出分類器は、複数のＣＮＮを備える、請求項７に記載の方法。
  12. 前記印刷ヘッドの前記パラメータは、押出容量である、請求項７に記載の方法。
  13. コンピュータ実行可能命令を含む非一時的コンピュータ可読媒体であって、前記コンピュータ実行可能命令は、プロセッサによって実行されるとき、前記プロセッサに積層造形のための方法を実行させ、前記方法は、
    キャプチャ画像を受信するステップと、
    前記キャプチャ画像の低解像度バージョンを生成するために前記キャプチャ画像をサンプリングするステップと、
    学習された故障分類器を前記キャプチャ画像の前記低解像度バージョンに適用するステップと、
    前記故障分類器から得られた分類に基づいて、回復不能の故障が対象物の印刷層内に存在しないと決定するステップと、
    回復不能の故障が前記印刷層内に存在しないと決定することに応答して、前記キャプチャ画像の前記低解像度バージョンの切り取られたバージョンを生成するステップと、
    学習されたバイナリ・エラー分類器を前記キャプチャ画像の前記低解像度バージョンの前記切り取られたバージョンに適用するステップと、
    前記バイナリ・エラー分類器から得られた分類に基づいて、エラーが前記対象物の前記印刷層内に存在すると決定するステップと、
    前記エラーが前記対象物の前記印刷層内に存在すると決定することに応答して、学習された押出分類器を前記キャプチャ画像に適用して、前記学習された押出分類器が、前記対象物の前記印刷層内の材料の押出の品質を示す押出品質スコアを生成するステップと、
    前記押出品質スコアに基づいて印刷ヘッドのパラメータの値を調整し、前記印刷対象物の次の層を印刷するステップと、
    を含む非一時的コンピュータ可読媒体。
  14. 前記キャプチャ画像の前記低解像度バージョンの前記切り取られたバージョンは、前記押出品質スコアを表すメッシュ・パターンを含む関心領域を識別することによって生成される、請求項１３に記載の非一時的コンピュータ可読媒体。
  15. 前記方法は、
    前記印刷対象物の前記次の層の第２のキャプチャ画像を受信するステップと、
    前記第２のキャプチャ画像の低解像度バージョンを生成するために前記第２のキャプチャ画像をサンプリングするステップと、
    前記学習された故障分類器を前記第２のキャプチャ画像の前記低解像度バージョンに適用するステップと、
    前記故障分類器から得られた第２の分類に基づいて、回復不能の故障が前記対象物の前記次の層内に存在すると決定するステップと、
    回復不能の故障が前記次の層内に存在すると決定することに応答して、前記対象物の印刷を終了するステップと、
    をさらに含む、請求項１３に記載の非一時的コンピュータ可読媒体。
  16. 前記故障分類器は、畳み込みニューラル・ネットワーク（ＣＮＮ）を備える、請求項１３に記載の非一時的コンピュータ可読媒体。
  17. 前記押出分類器は、複数のＣＮＮを備える、請求項１３に記載の非一時的コンピュータ可読媒体。
  18. 前記印刷ヘッドの前記パラメータは、押出容量である、請求項１３に記載の非一時的コンピュータ可読媒体。
JP2021560087A 2019-04-19 2020-04-20 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 Active JP7255919B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023046860A JP2023089006A (ja) 2019-04-19 2023-03-23 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

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201962836213P 2019-04-19 2019-04-19
US201962836199P 2019-04-19 2019-04-19
US201962836202P 2019-04-19 2019-04-19
US62/836,202 2019-04-19
US62/836,199 2019-04-19
US62/836,213 2019-04-19
PCT/US2020/029020 WO2020215093A1 (en) 2019-04-19 2020-04-20 Systems, methods, and media for artificial intelligence process control in additive manufacturing

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023046860A Division JP2023089006A (ja) 2019-04-19 2023-03-23 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

Publications (2)

Publication Number Publication Date
JP2022526033A true JP2022526033A (ja) 2022-05-20
JP7255919B2 JP7255919B2 (ja) 2023-04-11

Family

ID=72837643

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021560087A Active JP7255919B2 (ja) 2019-04-19 2020-04-20 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
JP2023046860A Pending JP2023089006A (ja) 2019-04-19 2023-03-23 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

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023046860A Pending JP2023089006A (ja) 2019-04-19 2023-03-23 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

Country Status (5)

Country Link
EP (1) EP3921711B1 (ja)
JP (2) JP7255919B2 (ja)
KR (2) KR20230142650A (ja)
CN (1) CN113728285B (ja)
WO (1) WO2020215093A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019209318A1 (en) * 2018-04-27 2019-10-31 Hewlett-Packard Development Company, L.P. 3-d printing batch analysis
CN114927175B (zh) * 2022-05-11 2023-05-02 四川大学 一种用于材料拉伸本构参数拟合的高通量计算方法
SE2250597A1 (en) * 2022-05-19 2023-11-20 Cellink Bioprinting Ab Multi-sensor evaluation of a printing process
CN115157684B (zh) * 2022-07-21 2024-05-28 中山市嘉宝日用制品有限公司 Pc制品的3d打印工艺
CN117183331A (zh) * 2023-09-06 2023-12-08 张家港爵启科技有限公司 一种基于数字孪生三维模型3d打印建模方法
CN117340280B (zh) * 2023-12-05 2024-02-13 成都斐正能达科技有限责任公司 一种lpbf增材制造过程监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150165683A1 (en) * 2013-12-13 2015-06-18 General Electric Company Operational performance assessment of additive manufacturing
JP2016004073A (ja) * 2014-06-13 2016-01-12 国立研究開発法人物質・材料研究機構 エレクトロクロミック膜の成膜方法、エレクトロクロミック膜及びエレクトロクロミック膜被膜導電体層付き基板
JP2016533925A (ja) * 2013-08-07 2016-11-04 マサチューセッツ インスティテュート オブ テクノロジー 付加製造装置の自動プロセス制御
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
JP2018008403A (ja) * 2016-07-12 2018-01-18 学校法人慶應義塾 立体物製造装置、立体物製造方法及びプログラム
WO2018127827A1 (en) * 2017-01-05 2018-07-12 Yona Itamar Izhak Systems and methods for automatic three-dimensional object printing
JP2020527475A (ja) * 2017-05-24 2020-09-10 リラティビティ スペース，インク． 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 Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2714441C2 (de) * 1976-04-15 1986-04-24 Xerox Corp., Rochester, N.Y. Steuersystem für elektrostatographische Geräte
JPS5345359A (en) * 1976-10-06 1978-04-24 Toyo Seisan Kagaku Kenkiyuushi Method of production of synthetic resinn porcelain laminar composite
US6501849B1 (en) * 1997-09-02 2002-12-31 General Electric Company System and method for performing image-based diagnosis over a network
WO2016040453A1 (en) * 2014-09-10 2016-03-17 The Exone Company Three-dimensional printing progress verification methods and apparatuses
US10335991B2 (en) * 2015-12-08 2019-07-02 Xerox Corporation System and method for operation of multi-nozzle extrusion printheads in three-dimensional object printers
GB2549071B (en) * 2016-03-23 2020-11-11 Sony Interactive Entertainment Inc 3D printing system
US20180297114A1 (en) * 2017-04-14 2018-10-18 Desktop Metal, Inc. Printed object correction via computer vision
EP3459715A1 (en) * 2017-09-26 2019-03-27 Siemens Aktiengesellschaft Method and apparatus for predicting the occurrence and type of defects in an additive manufacturing process

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016533925A (ja) * 2013-08-07 2016-11-04 マサチューセッツ インスティテュート オブ テクノロジー 付加製造装置の自動プロセス制御
US20180079125A1 (en) * 2013-08-07 2018-03-22 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
US20150165683A1 (en) * 2013-12-13 2015-06-18 General Electric Company Operational performance assessment of additive manufacturing
JP2016004073A (ja) * 2014-06-13 2016-01-12 国立研究開発法人物質・材料研究機構 エレクトロクロミック膜の成膜方法、エレクトロクロミック膜及びエレクトロクロミック膜被膜導電体層付き基板
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
JP2018008403A (ja) * 2016-07-12 2018-01-18 学校法人慶應義塾 立体物製造装置、立体物製造方法及びプログラム
WO2018127827A1 (en) * 2017-01-05 2018-07-12 Yona Itamar Izhak Systems and methods for automatic three-dimensional object printing
JP2020527475A (ja) * 2017-05-24 2020-09-10 リラティビティ スペース，インク． 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

Also Published As

Publication number Publication date
KR20230142650A (ko) 2023-10-11
EP3921711B1 (en) 2024-02-14
EP3921711A1 (en) 2021-12-15
KR20210154202A (ko) 2021-12-20
CN113728285B (zh) 2023-12-19
JP2023089006A (ja) 2023-06-27
EP3921711A4 (en) 2022-11-02
JP7255919B2 (ja) 2023-04-11
KR102584982B1 (ko) 2023-10-04
WO2020215093A1 (en) 2020-10-22
CN113728285A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
US11731368B2 (en) Systems, methods, and media for artificial intelligence process control in additive manufacturing
JP2022526033A (ja) 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
TWI779183B (zh) 加成製造中人工智慧反饋控制系統、方法及媒介
Li et al. Quality analysis in metal additive manufacturing with deep learning
Jin et al. Autonomous in-situ correction of fused deposition modeling printers using computer vision and deep learning
JP7437054B2 (ja) 組立てラインにおけるワークフローを最適化するための方法、デバイス及び非一時的コンピュータ可読媒体
Amini et al. MLCPM: A process monitoring framework for 3D metal printing in industrial scale
Tamir et al. Machine-learning-based monitoring and optimization of processing parameters in 3D printing
Sarkon et al. State-of-the-art review of machine learning applications in additive manufacturing; from design to manufacturing and property control
EP3495904A1 (en) Method and apparatus for predicting manufacturing parameters of a product to be manufactured in a 3d-printing process
Fang et al. Process monitoring, diagnosis and control of additive manufacturing
Rachmawati et al. Digital twin-enabled 3D printer fault detection for smart additive manufacturing
Ng et al. Progress and opportunities for machine learning in materials and processes of additive manufacturing
Ning et al. Machine learning boosts three-dimensional bioprinting
WO2022158060A1 (ja) 加工面判定装置、加工面判定プログラム、加工面判定方法、加工システム、推論装置、及び、機械学習装置
Shi et al. Hybrid data-driven feature extraction-enabled surface modeling for metal additive manufacturing
TWI845406B (zh) 加成製造中人工智慧反饋控制系統、方法及媒介
Limoge et al. Inferential Methods for Additive Manufacturing Feedback
US20230342908A1 (en) Distortion prediction for additive manufacturing using image analysis
US20240181716A1 (en) Methods and apparatus for additive manufacturing based on multi-axis build platforms
JP7450517B2 (ja) 加工面判定装置、加工面判定プログラム、加工面判定方法、及び、加工システム
Alamri Improving the performance of deep learning techniques using nature inspired algorithms and applying them in porosity prediction
Suniya et al. Applications Of Supervised Machine Learning In FDM Manufacturing: A Review
Brion et al. Data set for" Generalisable 3D printing error detection and correction via multi-head neural networks"
Mangrolia In-Situ and In-Raster Mitigation of Defects in Additive Manufacturing Processes Subject to Cyber-Attacks and Machine Inaccuracies

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211011

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220912

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220916

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221215

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: 20230224

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230323

R150 Certificate of patent or registration of utility model

Ref document number: 7255919

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150