JP2023098237A - 付加製造条件探索装置、および、付加製造条件探索方法 - Google Patents

Abstract

【課題】付加製造装置の付加製造条件の最適解を探索する効率を向上させる。【解決手段】付加製造条件探索装置２は、材料、形状情報、付加製造条件、造形中のモニタリング情報および欠陥情報を関連付けて蓄積する欠陥データベースと、材料情報および装置情報に応じた付加製造条件を出力し、複数の付加製造条件と欠陥情報の組合せから新たな付加製造条件を出力する第一機械学習部４７と、付加製造装置に付加製造条件による造形を行わせて、造形中のモニタリング情報を取得し、造形物の検査により形状情報および欠陥情報を取得する特定部４３と、欠陥データベースを教師データとして学習したモデルが、モニタリング情報より造形物の欠陥情報を推定して、欠陥データベースに格納する第二機械学習部４８と、造形物の欠陥情報が評価目標値を達成しているか否かを判断する判断部４４とを備える。【選択図】図１２

Description

本発明は、付加製造条件探索装置、および、付加製造条件探索方法に関する。

付加製造（積層造形）には、例えば、粉末床溶融結合（Powder Bed Fusion）方式、指向性エネルギー堆積（Directed Energy Deposition）方式等があることが知られている。粉末床溶融結合方式は、平らに敷き詰められた粉末に対して、光ビーム（レーザビームまたは電子ビーム等）を照射することで付加製造を行う。粉末床溶融結合方式には、ＳＬＭ（Selective Laser Melting）およびＥＢＭ（Electron Beam Melting）等が含まれる。指向性エネルギー堆積方式は、光ビームの照射と粉末材料の吐出を行うヘッドの位置を制御することで付加製造を行う。指向性エネルギー堆積方式には、ＬＭＤ（Laser Metal Deposition）およびＤＭＰ（Direct Metal Deposition）等が含まれる。

一方、これらの付加製造には材料に応じて適切な付加製造条件（レシピ）を設定する必要がある。特に粉末床溶融結合方式では制御するパラメータの種類が多く、適切な付加製造条件を導き出すために多くの労力が必要となっている。

ところで、近年コンピュータの処理速度の向上に伴い、人工知能が急速に発展しており、例えば、特許文献１には、機械学習により、レーザ加工条件データを生成することが記載されている。これらは、造形中の状態をモニタリングすることで造形の良否判定をすることが記載されている。

特開２０１７－１６４８０１号公報

粉末床溶融結合において、付加製造条件の因子は多種存在するため、最適な因子を決定することは容易ではない。造形物の内部を塗り潰す条件だけでも、熱源出力、走査速度、走査線間隔、走査線長さ、積層厚み、などの因子があり、最適な条件を求めるために数多くの造形物を製造して評価を行う必要がある。そのため、プロセスウィンドウの構築には、膨大なコストと時間とを要する課題と、実験する人間によって個人差のあるプロセスウィンドウが構築されるという課題がある。

これに対して、機械学習を用いて制御因子と造形結果を突き合わせて、回帰分析を行い最適化する手法が用いられている。しかし、本手法を用いても付加製造条件の制御因子と設定可能な範囲が広範囲であるため、網羅的に条件設定すると評価数が多くなると共に、製造結果（評価スコア）が悪くなる条件も多く含まれることになる。製造結果が悪いものが多く含まれると、適正条件探索まで分析の収束に時間がかかる。

また、粉末床溶融結合では、一度に複数条件の評価サンプルを製造するため、製造結果の悪いサンプルが多いと、良い条件のサンプルに対して悪影響を与えることがある。例えば、結果の悪いサンプルでは粉敷きの際にスキージと呼ばれる粉末を押し進める道具と接触したり、比較的大きなスパッタを発生させ、良い条件の製造領域に飛散するなどが挙げられる。また、初期学習条件を設定可能な制御因子に応じて人が割り付ける作業に時間を要する課題もある。

そこで、本発明は、付加製造装置の付加製造条件の最適解を探索する効率を向上させることを課題とする。

前記した課題を解決するため、本発明の付加製造条件探索装置は、材料、形状情報、付加製造条件、造形中のモニタリング情報および欠陥情報を関連付けて蓄積する欠陥データベースと、材料情報および装置情報に応じた付加製造条件を出力し、複数の付加製造条件と欠陥情報の組合せから新たな付加製造条件を出力する第一機械学習部と、付加製造装置に前記付加製造条件による造形を行わせて、造形中のモニタリング情報を取得し、造形物の検査により形状情報および欠陥情報を取得する特定部と、前記欠陥データベースを教師データとして学習したモデルが、前記モニタリング情報より造形物の欠陥情報を推定して、前記欠陥データベースに格納する第二機械学習部と、前記造形物の欠陥情報が評価目標値を達成しているか否かを判断する判断部と、を備えることを特徴とする。

本発明の付加製造条件探索方法は、材料情報および装置情報に応じた付加製造条件を出力するか、または複数の付加製造条件と欠陥情報の組合せから新たな付加製造条件を出力するステップと、付加製造装置に前記付加製造条件による造形を行わせて、造形中のモニタリング情報を取得し、造形物の検査により形状情報および欠陥情報を取得するステップと、造形中のモニタリング情報および欠陥情報の組合せの欠陥データベースを教師データとして学習したモデルが、前記モニタリング情報より造形物の欠陥情報を推定して、前記欠陥データベースに格納するステップと、前記造形物の欠陥情報が評価目標値を達成しているか否かを判断するステップと、を実行することを特徴とする。
その他の手段については、発明を実施するための形態のなかで説明する。

本発明によれば、付加製造装置の付加製造条件の最適解を探索する効率を向上させることが可能となる。

付加製造装置の一例を示す構成図である。 標準サンプル形状の一例を示す模式図である。 標準サンプル形状の一例を示す展開図である。 標準サンプル形状の一例を示す断面図である。 標準サンプルの断面の３種の領域を示す図である。 標準サンプルの正面の模式図である。 標準サンプルの側面の模式図である。 付加製造された標準サンプルの計測方法の一例を示す図である。 付加製造された標準サンプルの計測方法の一例を示す図である。 付加製造された標準サンプルの計測方法の一例を示す図である。 付加製造条件探索装置のハードウェア構成例を示すブロック図である。 付加製造条件探索装置の機能的構成例を示すブロック図である。 入力パラメータのうち走査線間隔を示す説明図である。 走査線間隔と走査パターンと走査線長さと、走査パターン間のオフセット量の説明図である。 輪郭線照射からのオフセット量の説明図である。 第一機械学習部の機能的構成例を示すブロック図である。 材料の物性値を示す図である。 各材料のエネルギー密度と付加製造品の密度との関係を示すグラフである。 第二機械学習部の機能的構成例を示すブロック図である。 付加製造条件探索装置による探索処理を示すフローチャートである。 付加製造条件探索装置における付加製造条件探索処理のフローチャートである。 第２実施形態の付加製造条件探索装置における付加製造条件探索処理のフローチャートである。

以降、本発明を実施するための形態を、各図を参照して詳細に説明する。

《付加製造装置》
図１は、付加製造装置５の一例を示す構成図である。
本実施形態の付加製造条件探索装置および付加製造条件探索方法を適用できる付加製造装置５について、図１を参照して説明する。付加製造装置５は、粉末床溶融結合方式のものである。付加製造装置５は、層状に敷いた金属粉末に光ビームを照射して加熱することで、この金属粉末を溶融凝固させる。そして付加製造装置５は、粉末床の形成と光ビーム照射とを繰り返すことで、造形物を製造する。

付加製造装置５は、チャンバ５１０と、ガス供給部５１１と、排気機構５１２と、材料供給部５１４と、付加製造部５１５と、回収部５１６と、リコータ５１３と、光ビーム源５０１と、制御部５３０とを備えている。

チャンバ５１０は、光ビーム源５０１および排気機構５１２を除く付加製造装置５の各部を収容している。チャンバ５１０は、保護ガラスが嵌め込まれた透過窓５０２を有している。この透過窓５０２は、チャンバ５１０の外部に配置された光ビーム源５０１から照射される光ビームを透過させ、チャンバ５１０の内部の付加製造部５１５のステージ５１８に載置された粉末床に到達させる。

また、付加製造装置５には、温度センサ５６、圧力センサ５７、および酸素センサ５８などが設置されている。
温度センサ５６は、ステージ５１８の温度を測定する熱電対などの接触式の温度センサと、ステージ５１８の上に形成された粉末床の温度を測定する赤外線放射温度計などの非接触式の温度センサとを含んで構成される。

圧力センサ５７は、チャンバ５１０内の減圧環境の圧力を測定する。酸素センサ５８は、チャンバ５１０内の減圧環境の酸素量（酸素濃度）を測定する。また、図示を省略するが、チャンバ５１０は、例えば、付加製造部５１５のステージ５１８上に形成された粉末床を撮影するカメラを有してもよい。

ガス供給部５１１は、チャンバ５１０に接続され、チャンバ５１０の内部へ不活性ガスを供給する。ガス供給部５１１は、例えば、図示を省略するガス供給源や制御弁を備えている。ガス供給源は、不活性ガスが充填された高圧タンクによって構成されている。制御弁は、制御部５３０によって制御され、ガス供給源からチャンバ５１０へ供給する不活性ガスの流量を制御する。不活性ガスとしては、例えば、窒素またはアルゴンを使用することができる。

排気機構５１２は、真空ポンプによって構成され、真空引き用の配管を介してチャンバ５１０に接続される。排気機構５１２は、制御部５３０によって制御され、チャンバ５１０内の気体を排出することで、チャンバ５１０の内部を大気圧よりも減圧された真空圧にして、チャンバ５１０内を減圧環境にしてもよい。

材料供給部５１４は、材料粉末を収容可能な凹状に設けられ、上部が開放されて上端に開口部を有している。材料供給部５１４は、材料粉末を載置して供給するための上下に移動可能なステージ５１７を有している。ステージ５１７は、材料供給部５１４の底壁を構成している。ステージ５１７は、適宜の昇降機構によって、所定のピッチで昇降可能に設けられている。ステージ５１７の昇降機構は、制御部５３０に接続され、制御部５３０によって制御される。また、材料供給部５１４は、昇降式でなく材料粉末を落下させて供給する方式でもよい。

造形物の付加製造に用いられる材料粉末としては、例えば、熱間工具鋼、銅、チタン合金、ニッケル合金、アルミニウム合金、コバルトクロム合金、ステンレス鋼などの金属材料の粉末、ポリアミドなどの樹脂材料の粉末、セラミックスの粉末などがある。

付加製造部５１５は、前述の材料供給部５１４と同様に、材料粉末を収容可能な凹状に設けられ、上部が開放されて上端に開口部を有している。付加製造部５１５は、材料粉末を敷いて粉末床を形成するためのステージ５１８を有している。ステージ５１８は、付加製造部５１５の底壁を構成する。ステージ５１８の上には、材料供給部５１４から供給される材料粉末と、付加製造によって製造される造形物が載置される。

付加製造部５１５の開口部と材料供給部５１４の開口部は、鉛直方向の高さがおおむね等しく、おおむね水平方向に並んでいる。付加製造用のステージ５１８は、前述の材料供給用のステージ５１７と同様に、適宜の昇降機構によって、所定のピッチで昇降可能に設けられている。また、ステージ５１８は、ステージ５１８を予熱するヒータを含む予熱機構を備えていてもよい。ステージ５１８の昇降機構および予熱機構は、例えば制御部５３０に接続され、制御部５３０によって制御される。

回収部５１６は、例えば、前述の材料供給部５１４と同様に、材料粉末を収容可能な凹状に設けられ、上部が開放されて上端に開口部を有している。図１に示した例において、回収部５１６の底壁は、下端部に固定されているが、材料供給部５１４および付加製造部５１５と同様に、昇降可能なステージによって構成されていてもよい。

回収部５１６の開口部と、付加製造部５１５の開口部は、鉛直方向の高さがおおむね等しく、おおむね水平方向に並んでいる。回収部５１６は、例えば、リコータ５１３によって材料供給部５１４から付加製造部５１５に供給された余分な材料粉末を収容して回収する。

リコータ５１３は、材料供給部５１４から供給される材料粉末を付加製造部５１５のステージ５１８上に運んで均しながら敷き詰めることで、ステージ５１８上に粉末床を形成する。リコータ５１３は、移動機構を備えている。移動機構は、例えばリニアモータであり、材料供給部５１４から付加製造部５１５へ向かうおおむね水平な進行方向に沿って、リコータ５１３を移動させる。
光ビーム源５０１は、数Ｗから数ｋＷ程度の出力の光ビームを発生させるレーザ光源を用いることができる。本実施形態の付加製造装置５の光ビーム源５０１は、シングルモードファイバーレーザ、すなわちエネルギー強度がガウス分布のレーザを発生させるレーザ光源である。また、光ビーム源５０１は、粉末床上で光ビームを走査させるためのガルバノスキャナを含んでいる。

ここで、光ビームは、レーザビームおよび電子ビームを含み、その他に金属粉末を溶融することができる種々のビームを含む。また、レーザビームには、近赤外波長のレーザ、ＣＯ_２レーザ（遠赤外レーザ）、半導体レーザ等、種々のレーザを適用でき、対象の金属粉末の種類に応じて適宜決定される。

制御部５３０は、マイクロコントローラやファームウェアによって構成されている。制御部５３０は、ＣＰＵなどの処理装置と、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などの記憶装置と、記憶装置に記憶されたプログラムやデータと、付加製造装置５の各部との信号のやり取りを行う入出力部とを備えている。制御部５３０は、処理装置によって記憶装置に記憶されたプログラムを実行することで、ガス供給部５１１、排気機構５１２、材料供給部５１４、付加製造部５１５、および光ビーム源５０１を制御する。また、温度センサ５６、圧力センサ５７および酸素センサ５８の検出結果ならびにカメラの出力などが、制御部５３０に入力される。

《粉末床溶融結合における付加製造条件を探索するための標準サンプル》
次に、粉末床溶融結合の付加製造条件を探索するために用いる標準サンプルについて説明する。

図２は、標準サンプル１の形状の一例を示す模式図である。図３は、標準サンプル１の形状の一例を示す展開図である。図４は、標準サンプル１の形状の一例を示す断面図である。

標準サンプル１は、全体的には六面体のブロック形状であり、底面１６と上面１２および背面１４の三面は、平滑面となっている。左側面１３と右側面１５には、長方形の抜き穴が穿たれている。正面１１は、平行四辺形と円形の抜き穴形状となっている。つまり、正面１１は、直線および曲線で構成される抜き穴形状が集約された一面である。

図４で示したように、標準サンプル１は、積層方向の中央部の任意の一層を切り出したＤ－Ｄ断面およびＧ－Ｇ断面において、二つ以上の独立した領域を含む。これら二以上の領域は、標準サンプル１の外縁より所定幅で切断された小領域と、その他の部分よりなる大領域とに分かれている。

例えば、単純なブロック形状で造形領域の塗り潰しである“Ｉｎ－ｓｋｉｎ”条件のプロセスウィンドウを導出し、付加製造装置５が、その範囲内で細かな形状を造形した場合を考える。面積の小さい領域では熱が溜まりやすく過溶融状態になり、形状が盛上るような変形が発生する。付加製造装置５が次層の粉末を敷き詰めるときに、造形物とスキージが接触して停止したり、造形物を破壊したりすることがある。

上述したような形状の標準サンプル１を用いて付加製造条件の探索を行えば、あらかじめ造形面積の異なる、特に小領域を含む造形物に対しても対応が可能な条件を導き出すことができる。

図５は、標準サンプル１の断面の３種の領域を示す図である。図６は、標準サンプル１の正面１１の模式図である。図７は、標準サンプル１の左側面１３の模式図である。
図６の正面１１は、上端である領域１１１と、大きい平行四辺形の穴の上辺側である領域１１７と、下辺側である領域１１６とを有している。正面１１は、小さい平行四辺形の穴の上辺側である領域１１８と、下辺側である領域１１９とを有している。正面１１は、大きい円形の穴の上辺側である領域１１２と、下辺側である領域１１３とを有している。正面１１は、小さい円形の穴の上辺側である領域１１４と、下辺側である領域１１５とを有している。

領域１１１，１１６，１１９，１１３，１１５は、造形高さ方向の最表面を形成する“Ｕｐ－ｓｋｉｎ”である。領域１１７，１１８，１１２，１１４は、オーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”である。それ以外の領域は、造形領域の塗り潰しである“Ｉｎ－ｓｋｉｎ”であり、造形物を形成する基礎となる領域である。

図７の左側面１３は、上端である領域１３１と、長方形の穴の上辺側である領域１３２と、下辺側である領域１３３とを有している。領域１３１，１３３は、造形高さ方向の最表面を形成する“Ｕｐ－ｓｋｉｎ”である。領域１３２は、オーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”である。

オーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”は、三次元形状を積層厚さ毎にスライスデータ化した場合、任意のスライスデータとその一層（あるいは複数層）前のスライスデータを比較して、一層（あるいは複数層）前のスライスデータに造形領域が無い。よって、“Ｄｏｗｎ－ｓｋｉｎ”は、任意のスライスデータに造形領域が存在する場合の造形領域の塗り潰しである“Ｉｎ－ｓｋｉｎ”とは異なる条件を設定する。

粉末の上にビームを照射すると、溶融した粉末と結合するものがない場合、また迅速に熱伝導によって放熱できない場合において、溶融した粉末が球形に収縮し、粉末の上に比較的大きな球形の塊を形成してしまう。この現象をボーリングと呼ぶが、ボーリングが発生するとオーバーハング部の表面状態が悪化する他、ボーリングした塊を粉敷の際に運んでしまい、何もない状態になってしまう。そのため、オーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”ではエネルギーを抑えた条件が選定される。

造形高さ方向の最表面を形成する“Ｕｐ－ｓｋｉｎ”は、三次元形状を積層厚さ毎にスライスデータ化した場合、任意のスライスデータとその一層（あるいは複数層）後のスライスデータを比較して、一層（あるいは複数層）後のスライスデータに造形領域が無い。よって、“Ｕｐ－ｓｋｉｎ”は、任意のスライスデータに造形領域が存在する場合に造形領域の塗潰しとは異なる条件を設定する。

従来は、単純なブロック形状で造形領域の塗潰し条件のプロセスウィンドウを設定したあと、傾斜形状サンプルでオーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”と造形高さ方向最表面を形成する“Ｕｐ－ｓｋｉｎ”の条件を選定する。ただし、これら３種の領域を施工する条件は、それぞれが影響しながら造形される。そのため、造形面積が異なる部位ではその作用が変化する。よって、標準サンプル１のような各施工条件が作用する形状で評価することで、適正な付加製造条件に近づくことができ、さらに機械学習活用することで適正な付加製造条件に早くたどり着くことができる。つまり、付加製造装置の付加製造条件の最適解を探索する効率および／または精度を向上させることができる。

標準サンプル１では、正面１１に形状再現性を評価する部位を集約している。これにより、標準サンプル１の検査では、正面１１の画像あるいは変位データを取得すればよい。大面積領域で表面粗さと内部欠陥率を計測する際に、形状再現性が悪化（形状が乱れて破壊されたり）したとしても表面粗さと内部欠陥率への影響は小さい。そのため、各評価項目を正確に簡便に計測することができる。さらに、平行四辺形の角度や幅および円の直径を変更することで、造形難易度を変更することが可能である。

《付加製造条件と標準サンプルの造形結果の計測》
本実施形態では、数十個の制御因子を変化させて、数十個の付加製造条件のデータセットを作成し、付加製造装置５にて標準サンプル１を付加製造する例について説明する。

ここで制御因子は、ｘ，ｙ，ｚ方向のスケール補正、輪郭線を照射するためのＣＡＤデータ上の輪郭線からのオフセット量、輪郭線に照射する光ビームの出力と走査速度、造形領域の塗り潰しである“Ｉｎ－ｓｋｉｎ”における、輪郭線照射位置からのオフセット量、走査線間隔、走査パターン、走査線長さ、走査パターン間のオフセット量、光ビームの出力と走査速度、オーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”における、輪郭線照射位置からのオフセット量、走査線間隔、走査パターン、走査線長さ、走査パターン間のオフセット量、光ビームの出力と走査速度、造形高さ方向最表面を形成する“Ｕｐ－ｓｋｉｎ”における、輪郭線照射位置からのオフセット量、二回照射の有無、走査線間隔、光ビームの出力と走査速度である。ただし、以上の制御因子は単なる例示であり、本発明の技術範囲をそれらのみに限定する趣旨のものではない。

図８から図１０は、付加製造された標準サンプル１の計測方法の一例を示す図である。
図８は、付加製造された標準サンプル１の形状の造形結果として、サンプルの全高Ｚ、幅Ｘおよび幅Ｙの測定部位を示している。
この計測方法では、左側面１３と不図示の右側面１５の粗さ、上面１２の粗さを計測する。ここで各面の粗さは、算術平均粗さＲａ、最大高さＲｙ、十点平均粗さＲｚで示される。

図９に示すように、この計測方法では、大きい方の平行四辺形抜き穴の幅方向の寸法ｐｘ１～ｐｘ４の平均寸法誤差、高さ方向の寸法ｐｙ１の平均寸法誤差が計測される。この計測方法では、小さい方の平行四辺形抜き穴の幅方向の寸法ｐｘ５～ｐｘ８の平均寸法誤差、高さ方向の寸法ｐｙ２の平均寸法誤差が計測される。
大きい方の円形状抜き穴の幅方向の寸法ｃｘ２の平均寸法誤差、および高さ方向の寸法ｃｙ２の平均寸法誤差が計測される。小さい方の円形状抜き穴の幅方向の寸法ｃｘ１の平均寸法誤差、および高さ方向の寸法ｃｙ１の平均寸法誤差が計測される。以上を計測したものと、平行四辺形の損傷度合いと円形状の損傷度合いを目視判定し、形状再現精度の高いものを０、破壊されるなど形状が悪いものを３として損傷度合いを０から３までの数値で評価した。

図１０は、標準サンプル１を断面で切断したときの欠陥を示している。このように断面が観察されて、断面欠陥率が計測される。

《付加製造条件と標準サンプル造形結果の計測例》
本実施形態の付加製造条件探索装置２は、上述のサンプル評価方法に加えて、付加製造時に粉末にレーザが照射された時の特定の波長の強度を抽出するモニタリング情報と造形物のＸ線ＣＴ結果とを突き合わせて、特定波長の強度と欠陥の相関を取得する。そして、付加製造条件探索装置２は、特定波長の強度と欠陥の相関を取得したデータベースを用いて、造形物の欠陥判定を第二の機械学習部にて行い、その結果を欠陥率として計測する。また、本実施形態の付加製造条件探索装置２は、特定波長の強度データおよび光学カメラによる画像データを用いた造形中の形状計測を実施し、これを三次元的に表現して標準サンプル１の造形結果として取得した。

図１１は、付加製造条件探索装置２のハードウェア構成例を示すブロック図である。
付加製造条件探索装置２は、探索領域から解となる入力パラメータの値を探索する。付加製造条件探索装置２は、プロセッサ２１と、記憶部２２と、入力装置２３と、出力装置２４と、通信部２５と、を有する。プロセッサ２１、記憶部２２、入力装置２３、出力装置２４、および通信部２５は、バス２６により接続される。プロセッサ２１は、付加製造条件探索装置２を制御する。記憶部２２は、プロセッサ２１の作業エリアとなる。

記憶部２２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶部２２としては、例えば、ＲＯＭ、ＲＡＭ、ＨＤＤ（Hard Disk Drive）、フラッシュメモリがある。

入力装置２３は、データを入力する。入力装置２３としては、例えば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。
出力装置２４は、データを出力する。出力装置２４としては、例えば、ディスプレイやプリンタがある。
通信部２５は、ネットワークと接続して、データを送受信する。通信部２５としては、例えばネットワークインタフェースがある。

《付加製造条件探索装置２の機能的構成例》
図１２は、探索装置の機能的構成例を示すブロック図である。
付加製造条件探索装置２は、第一機械学習部４７と、入力部４１と、生成部４２と、特定部４３と、第二機械学習部４８と、判断部４４と、設定部４５と、出力部４６とを有する。第一機械学習部４７と、入力部４１と、生成部４２と、特定部４３と、判断部４４と、設定部４５と、出力部４６とは、プロセッサ２１が、記憶部２２に記憶されたプログラムを実行することで具現化される。この付加製造条件探索装置２は、付加製造条件探索方法を実施する。

第一機械学習部４７は、制御因子情報部４７１と、入力部４７２と、上位項目４７３と、下位項目４７４と、演算部４７５，４７８と、レシピデータベース４７６と、材料種別入力部４７７とを備えている。第一機械学習部４７は、自動割り付けした初期学習条件を入力部４１に出力する。この第一機械学習部４７は、材料情報および装置情報に応じた付加製造条件を出力する。

制御因子情報部４７１は、付加製造装置５の制御因子が格納された記憶部である。なお、制御因子情報部４７１は、付加製造装置５の制御因子の選択と、この制御因子の設定範囲の入力を受け付けるものであってもよい。
入力部４７２は、制御因子情報部４７１から入力された付加製造装置５の制御因子に対して上位項目４７３と下位項目４７４と設定順序とを割り当てて、演算部４７５に出力する。

レシピデータベース４７６は、材料種、材料物性、過去に実施した材料毎の造形条件および製造結果を関連付けて蓄積するものである。製造結果には、モニタリング情報と欠陥情報とが含まれる。演算部４７８は、レシピデータベース４７６からモニタリング情報を取得し、材料種別入力部４７７から各材料種別の属性情報を取得すると、エネルギー密度の設定範囲を算出して演算部４７５に出力する。材料種別入力部４７７は、ユーザ操作による材料種とその材料物性の入力を受け付ける。材料種別入力部４７７は、材料種とその材料物性とが格納された記憶部であり、演算部４７８が、材料種別入力部４７７から材料種とその材料物性を取得してもよい。

演算部４７５は、付加製造装置５の制御因子と、エネルギー密度の設定範囲に基づき、付加製造条件を算出して、入力部４１に出力する。なお、第一機械学習部４７は、自動で割り付けられた初期学習条件である初期レシピを出力する。

入力部４１は、第一機械学習部４７から、付加製造装置５に設定される付加製造条件を受け付け、ユーザ操作による評価目標値と条件基準値の入力を受け付ける。付加製造装置５に設定される付加製造条件とは、上述した入力パラメータである。

入力パラメータは、具体的にいうと、ｘｙｚ方向のスケール補正、輪郭線を照射するためのＣＡＤデータ上の輪郭線からのオフセット量、輪郭線に照射する光ビームの出力と走査速度、造形領域の塗り潰しである“Ｉｎ－ｓｋｉｎ”における、輪郭線照射位置からのオフセット量、走査線間隔、走査パターン、走査線長さ、走査パターン間のオフセット量、光ビームの出力と走査速度、オーバーハングを形成する“Ｄｏｗｎ－ｓｋｉｎ”における、輪郭線照射位置からのオフセット量、走査線間隔、走査パターン、走査線長さ、走査パターン間のオフセット量、光ビームの出力と走査速度、造形高さ方向最表面を形成する“Ｕｐ－ｓｋｉｎ”における、輪郭線照射位置からのオフセット量、二回照射の有無、走査線間隔、光ビームの出力と走査速度である。

図１３は、入力パラメータのうち走査線間隔を示す説明図である。
粉末床８２は、最上層を示しており、その厚みはσｚである。粉末床８１は、最上層より下層であり、過去に敷き詰められたものである。走査線８３は、１回前の走査にて照射された部位である。走査線８５は、今回の走査にて照射が予定されている部位である。そして、ビームスポット８４は、現在において照射されている部位である。走査線８３と走査線８５との間隔は、δｙである。

図１４は、走査線間隔と走査パターンと走査線長さと、走査パターン間のオフセット量の説明図である。
輪郭線照射領域９２は、造形物の輪郭を形成する照射領域であり、その内部を埋めるように複数の走査線９３１～９３９と、走査線９４１～９４９などが描かれている。これにより造形物の内部を充填するように溶融池を形成することができる。

図１５は、輪郭線照射からのオフセット量の説明図である。
輪郭線９１は、ＣＡＤデータ上の造形物の輪郭である。輪郭線照射領域９２は、この輪郭線９１よりも所定のオフセット量だけ内側に照射されている。これにより、光ビームによる溶融池のサイズを考慮して、より誤差の少ない輪郭を形成することができる。

図１２に戻り説明を続ける。入力部４１は、付加製造装置５により付加製造された造形結果の目標値である評価目標値の入力を受け付ける。
付加製造装置５により付加製造された造形結果の実測値とは、上述した出力パラメータである。出力パラメータは、付加製造装置５による付加製造の標準サンプル１の造形結果の実測値と、付加製造装置５の装置状態に関する実測値とを含む。

また、入力部４１は、入力パラメータである標準サンプル１の付加製造条件の範囲と、出力パラメータである標準サンプル１の造形結果の実測値の範囲により規定される探索領域内と、この探索領域の付加製造条件の基準値の入力を受け付ける。探索領域とは、入力パラメータの値を探索する領域であり、具体的にいうと、付加製造条件の制御因子として設定可能な入力範囲である。探索領域は、入力パラメータの制御範囲と、付加製造装置５の出力パラメータの目標範囲で規定される。付加製造条件の基準値とは、入力パラメータの基準値であり、過去に得られた入力パラメータの値である。

生成部４２は、探索領域内の付加製造条件の設定値と、この設定値を付加製造装置５に与えた場合の造形結果の実測値との組合せに基づいて、付加製造条件と造形結果の実測値との関係を示す予測モデルを生成する。付加製造条件の設定値は、学習データとして用意された入力パラメータの値である。造形結果の実測値とは、付加製造装置５が標準サンプル１を造形した造形結果を実測したものである。

予測モデルとは、入力パラメータと出力パラメータとの関係を示す関数である。生成部４２は、ニューラルネットワーク、サポートベクターマシン等の多入力多出力に対応可能な回帰分析や、相関分析、主成分分析、重回帰分析などの統計分析により、探索領域内の条件の設定値と出力の実測値との関係を示す予測モデルを生成する。

特定部４３は、生成部４２によって生成された予測モデルに、入力部４１によって入力された評価目標値を与えることにより、予測モデルから予測値の存在領域を特定する。特定部４３は更に、この予測値を付加製造装置５に設定して標準サンプル１を造形させる実証実験を実施して、造形中のモニタリング情報を取得し、その結果を実測値として取得する。ここで実測値とは、特定部４３が造形物の検査により取得した形状情報および欠陥情報である。判断部４４は、実証実験の結果である実測値、つまり造形物の欠陥情報が、評価目標値を達成しているか否かを判断する。

第二機械学習部４８は、予測値を付加製造装置５に設定して標準サンプル１を造形させる実証実験で取得されたモニタリング情報から、造形された標準サンプル１の欠陥判定結果である造形結果スコアを推定する。ここで造形結果スコアとは、実証実験の結果である実測値であり、かつ造形物の欠陥情報でもある。

設定部４５は、判断部４４によって予測値の実証実験の結果である実測値が、評価目標値を達成していないと判断された場合、この予測値と実測値の組合せを、付加製造条件の設定値と造形結果の組合せに加えて、生成部４２に予測モデルを更新させる。

出力部４６は、判断部４４によって予測値の実証実験の結果である実測値が、評価目標値を達成していると判断された場合、この予測値を出力する。出力部４６は、評価目標値を達成している予測値を出力装置２４の一例であるディスプレイに表示してもよく、通信部２５を介して外部装置に送信してもよく、記憶部２２やレシピデータベース４７６に保存してもよい。この予測値は、付加製造条件の設定値である。

図１６は、第一機械学習部４７の機能的構成例を示すブロック図である。
第一機械学習部４７は、レシピデータベース４７６と、データ処理部６２と、アルゴリズム選択部６３と、パラメータセット構築部６４とを備える。レシピデータベース４７６は、材料種エネルギー密度範囲データベース６１１と、選択パラメータ／設定範囲データベース６１２と、パラメータセット／結果データベース６１３を格納している。
第一機械学習部４７は、初期学習レシピとして、材料情報および装置情報に応じた付加製造条件を出力する。そして第一機械学習部４７は、複数の付加製造条件と欠陥情報の組合せから、推奨レシピとして新たな付加製造条件を出力する。レシピデータベース４７６には、材料種、材料物性、過去に実施した材料毎の付加製造条件および製造結果が格納されている。

材料種エネルギー密度範囲データベース６１１は、材料種、材料物性、および、この材料に対して所定のエネルギー密度を与えたときの造形物の特性を格納している。選択パラメータ／設定範囲データベース６１２は、ユーザにより選択されたパラメータや設定範囲などを格納している。パラメータセット／結果データベース６１３は、過去に実施した材料毎の付加製造条件とその製造結果とを格納している。製造結果とは、この付加製造条件にて付加製造された造形物の欠陥情報のことをいう。

この第一機械学習部４７には、材料物性データ７１、レシピ７２、パラメータ設定範囲７３、初期学習レシピ導出数７４が入力されると、レシピデータベース４７６に基づいて各種機械学習を実施したのち、付加製造条件であるレシピ７５を算出する。レシピ７５には、造形物の内部を塗り潰す制御因子である熱源出力、走査速度、走査線間隔、積層厚みがある。第一機械学習部４７は、造形物の内部を塗り潰す制御因子から、エネルギー密度の設定範囲を算出し、エネルギー密度の設定範囲に応じて初期学習用の付加製造条件を割り付ける。第一機械学習部４７は、これら制御因子の選択と、制御因子の設定範囲の入力を受け付け、これら制御因子に対して、上位項目と下位項目と設定順序とを割り付ける。

材料物性データ７１は、材料種と材料物性の組合せである。レシピ７２は、付加製造条件を示すパラメータ群であり、例えばＩｎ－Ｓｋｉｎ、Ｄｏｗｎ－Ｓｋｉｎ、またはコンターにおけるレーザ出力や操作速度などをいう。

アルゴリズム選択部６３は、設定する項目に合わせて、バラメータ判定ルール、エネルギー密度演算、自動割付ルール、合否判定ルールなどの演算ルールを構築してデータ処理部６２に与える。データ処理部６２は、アルゴリズム選択部６３から与えられた演算ルールに応じた演算によりパラメータセットを得ると、パラメータセット構築部６４に出力する。パラメータセット構築部６４は、データ処理部６２が演算したパラメータセットから必要単位に応じた初期学習レシピであるレシピ７５を導出する。

図１７は、材料の物性値を示す図である。
材料物性データ７１は、各材料名と、熱伝導率や吸収率などの物性データとの組合せが格納されている。

図１８は、各材料のエネルギー密度と欠陥値との関係を示すグラフである。
グラフの横軸は、エネルギー密度を示している。縦軸は、付加製造品の密度を示している。付加製造品の密度が高いほど欠陥率が小さくなる。各材料Ａ～Ｃそれぞれ、付加製造品の密度が所定値を超えるように、適切なエネルギー密度で付加製造条件を設定する必要がある。

図１９は、第二機械学習部４８の機能的構成例を示すブロック図である。
第二機械学習部４８は、欠陥データベース６６と、データ処理部６７と、アルゴリズム選択部６８と、欠陥判定部６９とを備える。欠陥データベース６６は、モニタリング情報データベース６６１と、欠陥判定結果データベース６６２と、レシピ／欠陥率データベース６６３を格納している。第二機械学習部４８は、造形中の付加製造装置５から取得したモニタリング情報７６から、造形結果スコア７７を算出する部位である。これにより標準サンプル１などの造形物を手作業で測定することなく、造形結果のスコアを得ることができる。なおモニタリング情報７６には、造形中におけるレーザ照射部の輝度、温度、波長、光学画像などが含まれる。第二機械学習部４８において、欠陥データベースを教師データとして学習したモデルが、造形中のモニタリング情報より造形物の欠陥情報を推定する。そして、第二機械学習部４８は、この造形物の欠陥情報、および、材料、形状情報、付加製造条件、造形中のモニタリング情報を、この欠陥データベースに格納する。

モニタリング情報データベース６６１は、過去の造形中のモニタリング情報を格納する。欠陥判定結果データベース６６２は、モニタリング情報を取得した際に造形した標準サンプル１の手作業などによる欠陥判定結果を格納する。レシピ／欠陥率データベース６６３は、各レシピ（付加製造条件）と欠陥判定率とを対応づけて格納する。つまり欠陥データベース６６は、材料、形状情報、付加製造条件、造形中のモニタリング情報および欠陥情報を関連付けて蓄積している。

データ処理部６７は、モニタリング情報データベース６６１の過去のモニタリング情報と、欠陥判定結果データベース６６２の過去の欠陥判定結果を教師データとして機械学習して、モニタリング情報を入力とした場合の欠陥判定結果を予測するモデルを作成する。アルゴリズム選択部６８は、モニタリング情報と欠陥判定結果との相関マップを作成するアルゴリズムを選択して、データ処理部６７に与える。

欠陥判定部６９は、データ処理部６７が生成したモデルによって、モニタリング情報７６から欠陥を判定し、造形結果スコア７７を導出する。

図２０は、付加製造条件探索装置２による探索処理を示すフローチャートである。
最初、第一機械学習部４７は、材料種別入力部４７７により、材料種別・材料特性（熱特性データ）を取得する（ステップＳ３０）。そして、第一機械学習部４７は、入力部４７２により、パラメータの種類および設定可能範囲およびレシピ数を取得する（ステップＳ３１）。ここでレシピとは、材料情報および装置情報に応じた付加製造条件のことをいう。

第一機械学習部４７は、演算部４７５により、新規造形条件に対する初期学習用レシピを作成する（ステップＳ３２）。
付加製造装置５は、このレシピを用いて造形物を付加製造しつつ、付加製造中のモニタリング情報を取得する（ステップＳ３３）。そして、第二機械学習部４８は、モニタリング情報より造形物の欠陥を推定する（ステップＳ３４）。なお、ステップＳ３４と並行して、検査者が付加製造装置５にて製造された造形物の検査を実施して、造形物の形状情報や欠陥情報を取得してもよい。
そして、判断部４４は、この造形物を付加製造した際の材料、レシピ、付加製造中のモニタリング情報および欠陥判定結果を関連付けて、レシピデータベース４７６に格納する（ステップＳ３５）。

ステップＳ３６にて、判断部４４は、造形結果のスコアが評価目標値に到達したか否かを判定する。判断部４４は、造形結果のスコアが評価目標値に到達したならば（Ｙｅｓ）、図２０の処理を終了する。判断部４４は、造形結果のスコアが評価目標値に到達していないならば（Ｎｏ）、ステップＳ３７に進む。
ステップＳ３７にて、第一機械学習部４７が、造形結果のスコアとパラメータの回帰分析を実施して、新たな推奨レシピを導出すると、ステップＳ３３に戻る。そして、付加製造条件探索装置２は、この推奨レシピに基づいて、ステップＳ３３からＳ３６までの一連の処理を繰り返す。これにより、第一機械学習部４７は、推奨レシピが評価目標値に到達するまで修正することができる。

《付加製造条件の探索》
付加製造条件の探索は、予測モデルに基づいて実証実験を行って、目標を満たす最適の解を探索することで実現される。このため、付加製造条件探索装置２は、実証実験の結果である造形結果を学習データに加えて予測モデルを更新し、目標を満たすまでこれを繰り返し実施する。付加製造条件探索装置２は更に、目標を徐々に最終目標へ向けて更新することで、効率よく最適な解を探索することができる。

付加製造において、付加製造条件探索装置２は、上述した所定個数の付加製造条件のデータセットを作成する。そして、付加製造条件探索装置２は、付加製造装置５に標準サンプル１を付加製造させて、実証実験結果（造形結果）を学習データとして、予測モデルを生成する。

付加製造条件探索装置２は、実証実験結果を加えた学習データから予測モデルを生成し、予測モデルによる予測結果を算出する。上記にて算出した予測結果を付加製造条件とした実証実験結果（造形結果）が目標を満たすまで上記の処理を繰り返すことで、効率よく最適の解を探索することができる。

図２１は、付加製造装置５における付加製造条件探索処理のフローチャートである。
付加製造条件探索装置２は、付加製造装置５にて付加製造した標準サンプル１の造形結果の目標値、および探索設定の入力を受け付ける（ステップＳ１１）。探索設定とは、例えば、探索結果と目標値との差または乖離の許容値である。

次に、付加製造条件探索装置２は、入力部４１により、ベースとなる解の入力およびその解に関する情報の入力を受け付ける（ステップＳ１２）。具体的にいうと、付加製造条件探索装置２は、上記した数十個の付加製造条件のデータセットの入力パラメータおよびその入力パラメータを用いた際の出力パラメータを受け付ける。付加製造条件探索装置２は更に、探索開始前の最適の解（入力パラメータの値）および最適の解を用いた際の出力パラメータ、探索開始前の出力パラメータの目標値、入力パラメータと出力パラメータとの関係を説明するモデル関数の入力を受け付ける。

付加製造条件探索装置２は、生成部４２により、標準サンプル１の造形結果の目標値を満たす解である入力パラメータを予測するための予測モデルを生成する（ステップＳ１３）。具体的にいうと、付加製造条件探索装置２は、記憶部２２に保存されたデータ（例えば、初期データ）を用いて、付加製造装置５の入出力データの関係を示す関数を予測モデルとして生成する。入出力データとは、付加製造装置５に与えられる入力パラメータの値を入力データとし、付加製造装置５で付加製造した標準サンプル１の造形結果から得られる実測値を出力データとしたときの、入力データと出力データの組み合わせである。

なお、入出力データの関係を解析する方法としては、ニューラルネットワーク、サポートベクター回帰、カーネル法を用いた回帰等の多入力多出力に応対可能な回帰分析を使用できる。また、相関分析、主成分分析、重回帰分析等の統計解析が使用できる。

次に、付加製造条件探索装置２は、生成された予測モデルを用いて、目的の解が得られる、もしくは目的の解に近い造形結果を得るための付加製造条件のパラメータを予測し、予測結果として出力すると共に保存する（ステップＳ１４）。

一回の予測で最適解を探索するためには、付加製造条件で設定可能なパラメータの設定範囲の全領域を網羅するデータを取得し、解析する必要がある。しかし、前述した通り、パラメータ数の増加に従い、パラメータの組合せが膨大となるため、全領域の探索は探索時間が膨大となり、実施することが極めて困難となる。

これらの問題を回避しながら、効率良く解を探索するためには、（ａ）予測モデル作成用のデータの取得、（ｂ）予測モデルの作成、（ｃ）予測結果の取得、（ｄ）予測結果の実証実験を行い、更に（ａ２）実証実験結果をモデル作成用のデータベースへ追加することで、予測と検証とを繰り返せばよい。

予測モデル作成用のデータの取得は、ステップＳ１２の処理に対応する。予測モデルの生成は、ステップＳ１３の処理に対応する。予測結果の取得は、ステップＳ１４の処理に対応する。予測結果の実証実験は、ステップＳ１５の処理に対応する。実証実験結果をモデル作成用のデータベースへ追加することは、ステップＳ１６の処理に対応する。

具体的にいうと、付加製造条件探索装置２は、予測条件を探索条件として、付加製造装置５により実証実験を行う（ステップＳ１５）。そして、付加製造条件探索装置２は、各探索条件における付加製造装置５の入出力データを実証実験結果、すなわち探索結果として取得する。

付加製造条件探索装置２は、取得した探索結果をレシピ／欠陥率データベース６６３に保存する（ステップＳ１６）。つまり、付加製造条件探索装置２は、実証実験で用いられた入力パラメータである付加製造条件の値と、この入力パラメータの値を用いて取得された付加製造装置５で付加製造された標準サンプル１の造形結果の値との組である入出力データを、探索結果としてレシピ／欠陥率データベース６６３に保存する。ここで標準サンプル１の造形結果の値とは、標準サンプル１の欠陥情報である。

次に、付加製造条件探索装置２は、取得した入出力データから最適解を特定し（ステップＳ１７）、特定した最適解を記憶部２２に保存する。
このあと、付加製造条件探索装置２は、最終目標が達成されたか否かを判断する（ステップＳ１８）。最終の目標が達成された場合（ステップＳ１８：Ｙｅｓ）、付加製造条件探索装置２は、図２１の処理を終了する。一方、最終の目標が達成されていない場合（ステップＳ１８：Ｎｏ）、付加製造条件探索装置２は、ステップＳ１９に進んで目標を更新し、ついでステップＳ１２に戻って学習データの更新を行う。

具体的にいうと、ステップＳ１８において、付加製造条件探索装置２は、更新後の最適解に対応する出力パラメータが最終の目標値と等しいまたは最終の目標値との差が許容範囲内である場合、最終目標が達成されたと判断する（ステップＳ１８：Ｙｅｓ）。
一方、付加製造条件探索装置２は、更新後の最適解に対応する出力パラメータが最終の目標値と等しいか、または最終の目標値との差が許容範囲内でない場合、目標未達成と判断し（ステップＳ１８：Ｎｏ）、ステップＳ２０に進む。

ステップＳ２０にて、付加製造条件探索装置２は、目標値、探索結果と目標値との差、または乖離の許容値の更新を行い、ステップＳ１２の処理に戻る。
ステップＳ１３からＳ１８までの処理を進める際、最初から最終的な目標を与えた場合や、探索結果と目標値との差、または乖離の許容値として非常に小さな値を与えた場合には、最適解探索の難易度が上がり、付加製造条件探索装置２が解を発見できない可能性がある。これを避けるために、付加製造条件探索装置２は、探索の初期段階で最終目標とは別の目標を与えることがある。その現在の目標が達成され、かつ最終目標が満たされない場合（ステップＳ１８：Ｎｏ）、ステップＳ２０において、目標値を段階的に最終目標値に近付けることで、最終的な目標を達成する解を発見できる可能性を高めることができる。

また、付加製造条件探索装置２が、現在の目標として、探索結果と目標値との差、または乖離の許容値として大きな値を与え、その現在の目標が達成され、かつ最終目標が満たされない場合（ステップＳ１８：Ｎｏ）、目標値を段階的に最終目標値に近付けることで、最終的な目標を達成する解を発見できる可能性を高めることができる。

初期目標から最終目標への段階的な更新方法としては、初期目標と最終目標の間となる値を持った目標値を複数準備し、最初の現在の目標として、初期目標を与え、現在の目標が達成される毎に、最終目標へ近付く目標値を、現在の目標値として、更新すればよい。もしくは、最初の現在の目標として、初期目標値を与え、所定割合で徐々に最終目標へ近付くように目標値を複数準備して用いてもよい。

《第２の実施形態》
第１の実施形態の付加製造条件探索において、標準サンプルを用いれば、造形可能な領域に配置できる数の造形条件を一度の実証実験で評価することが可能である。

一方、造形環境に関わるパラメータを取扱う場合、環境毎に造形条件を割り当てる必要がある。造形環境に関わるパラメータとは、例えば、積層厚さ、予熱温度、造形環境圧力、粉末粒径などを含む。すなわち、付加製造において、一度の実証実験で造形環境に関わるパラメータを変化させることができないため、造形環境に関わるパラメータを変更する毎に付加製造条件のデータセットを変更する必要がある。

造形環境に関わるパラメータを変更する場合、その目的を明確にする必要がある。例えば、造形環境に関わるパラメータ変更の目的は、上記造形条件と造形環境に関わるパラメータを含めた最適化なのか、それとも造形環境に関わるパラメータを決定することなのかを明確化する必要がある。例えば、本発明者の検証結果では、積層厚さを含めた付加製造条件のデータセットを用いて付加製造条件を探索した場合、付加製造条件探索装置２は、予測値として積層厚さがより薄い条件が導出されることが明らかとなった。

そのため、積層厚さを扱う場合は、エンジニアが必要とする積層厚さをあらかじめ決定し、固定条件として図２１の処理によって最適化することが好ましい。ただし、所定の開発期間だけ解を探索したにも関わらず、解と目標値との間に所定の乖離があった場合は、より小さい積層厚さに変更して最適解を求めると、その金属材料に対する積層厚さの最適解を求めることができる。

図２２は、第２の実施形態の付加製造条件探索装置２における付加製造条件探索処理のフローチャートである。
まず始めに、入力部４１は、積層厚さ等の環境条件の入力を受け付け（ステップＳ１０）、図２１のステップＳ１１と同様な処理に進む。造形環境に関わるパラメータは、別の方法であらかじめ求めてから、第２の実施形態の付加製造条件探索装置２に入力してもよい。

ステップＳ１１からＳ１７までの処理は、図２１と同様である。
ステップＳ１８にて、付加製造条件探索装置２は、更新後の最適解に対応する出力パラメータが最終の目標値と等しいまたは最終の目標値との差が許容範囲内である場合、最終の目標を達成したと判断する（ステップＳ１８：Ｙｅｓ）。

一方、付加製造条件探索装置２は、更新後の最適解に対応する出力パラメータが最終の目標値と等しいまたは最終の目標値との差が許容範囲内でない場合、目標未達成と判断し（ステップＳ１８：Ｎｏ）、ステップＳ１９に進む。

ステップＳ１９にて、付加製造条件探索装置２は、規定の開発時間に到達したか否かを判定する。付加製造条件探索装置２は、規定の開発時間に到達したならば（Ｙｅｓ）、ステップＳ２１に進み、積層厚さを変更すると、ステップＳ１２に戻る。付加製造条件探索装置２は、規定の開発時間に到達していないならば（Ｎｏ）、ステップＳ２０に進み、図２１と同様に目標を更新すると、ステップＳ１２に戻る。

（変形例）
本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば上記した実施形態は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることも可能である。

上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路などのハードウェアで実現してもよい。上記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈して実行することにより、ソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリ、ハードディスク、ＳＳＤ（Solid State Drive）などの記録装置、または、フラッシュメモリカード、ＤＶＤ（Digital Versatile Disk）などの記録媒体に置くことができる。

各実施形態に於いて、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には、殆ど全ての構成が相互に接続されていると考えてもよい。
本発明の変形例として、例えば、次の（ａ）～（ｃ）のようなものがある。

（ａ） 本発明は粉末床溶融結合方式の付加製造装置に限定されず、指向性エネルギー堆積方式や、それ以外の付加製造装置に適用してもよい。
（ｂ） 標準サンプルは、少なくとも３面が平滑面であればよい。
（ｃ） 標準サンプルは、立方体形状に限定されず、直方体であってもよい。

１ 標準サンプル
１１ 正面
１１１～１１９ 領域
１２ 上面
１３ 左側面
１３１～１３３ 領域
１４ 背面
１５ 右側面
１６ 底面
２ 付加製造条件探索装置
２１ プロセッサ
２２ 記憶部
２３ 入力装置
２４ 出力装置
２５ 通信部
２６ バス
４１ 入力部
４２ 生成部
４３ 特定部
４４ 判断部
４５ 設定部
４６ 出力部
４７ 第一機械学習部
４７１ 制御因子情報部
４７２ 入力部
４７３ 上位項目
４７４ 下位項目
４７５ 演算部
４７６ レシピデータベース
４７７ 材料種別入力部
４７８ 演算部
４８ 第二機械学習部
５ 付加製造装置
５０１ 光ビーム源
５０２ 透過窓
５１０ チャンバ
５１１ ガス供給部
５１２ 排気機構
５１３ リコータ
５１４ 材料供給部
５１５ 付加製造部
５１６ 回収部
５１７ ステージ
５１８ ステージ
５３０ 制御部
５６ 温度センサ
５７ 圧力センサ
５８ 酸素センサ
６１１ 材料種エネルギー密度範囲データベース
６１２ 選択パラメータ／設定範囲データベース
６１３ パラメータセット／結果データベース
６２ データ処理部
６３ アルゴリズム選択部
６４ パラメータセット構築部
６６ 欠陥データベース
６６１ モニタリング情報データベース
６６２ 欠陥判定結果データベース
６６３ レシピ／欠陥率データベース
６７ データ処理部
６８ アルゴリズム選択部
６９ 欠陥判定部
７１ 材料物性データ
７２ レシピ
７３ パラメータ設定範囲
７４ 初期学習レシピ導出数
７５ レシピ
８１ 粉末床
８２ 粉末床
８３，８５ 走査線
８４ ビームスポット
９１ 輪郭線
９２ 輪郭線照射領域
９３１～９３９ 走査線
９４１～９４９ 走査線

Claims (14)

1. 材料、形状情報、付加製造条件、造形中のモニタリング情報および欠陥情報を関連付けて蓄積する欠陥データベースと、
   材料情報および装置情報に応じた付加製造条件を出力し、複数の付加製造条件と欠陥情報の組合せから新たな付加製造条件を出力する第一機械学習部と、
   付加製造装置に前記付加製造条件による造形を行わせて、造形中のモニタリング情報を取得し、造形物の検査により形状情報および欠陥情報を取得する特定部と、
   前記欠陥データベースを教師データとして学習したモデルが、前記モニタリング情報より造形物の欠陥情報を推定して、前記欠陥データベースに格納する第二機械学習部と、
   前記造形物の欠陥情報が評価目標値を達成しているか否かを判断する判断部と、
   を備えることを特徴とする付加製造条件探索装置。
2. 付加製造装置により製造された標準サンプルの造形結果とこれに対応する付加製造条件、前記標準サンプルの評価目標値、および、前記付加製造条件および前記造形結果の範囲により規定される探索領域を受け付ける入力部、
   を備えることを特徴とする請求項１に記載の付加製造条件探索装置。
3. 前記探索領域内の前記付加製造条件の設定値、および、前記付加製造条件の設定値を前記付加製造装置に設定した場合の造形結果に基づいて、付加製造条件と造形結果との関係を示す予測モデルを生成する生成部を備え、
   前記特定部は、前記入力部が受け付けた前記評価目標値を前記予測モデルに与えることにより、前記予測モデルから予測値を算出し、前記予測値を前記付加製造装置に設定した実証実験の結果を実測値として取得する、
   ことを特徴とする請求項２に記載の付加製造条件探索装置。
4. 前記評価目標値を達成している場合には前記予測値を付加製造条件の設定値として出力する出力部と、
   を備えることを特徴とする請求項３に記載の付加製造条件探索装置。
5. 前記実測値が前記評価目標値を達成していない場合には、前記予測値と前記実測値の組合せを、付加製造条件の設定値と造形結果の組合せに加えて、前記生成部に予測モデルを更新させる設定部と、
   を備えることを特徴とする請求項３に記載の付加製造条件探索装置。
6. 前記標準サンプルは、少なくとも三面が平滑面である六面体であり、
   付加製造条件で設定する３種の領域である造形領域の塗り潰しと、
   オーバーハングを形成する領域と、
   造形高さ方向の最表面を形成する領域と、
   が関与し、直線および曲線で構成される抜き穴形状が集約された一面を有する、
   ことを特徴とする請求項２に記載の付加製造条件探索装置。
7. 前記標準サンプルのスライスデータは、積層方向の中央部の任意の一層において、少なくとも二以上の独立した領域を含み、
   前記標準サンプルの外縁より所定幅で切断された小領域と、その他の部分よりなる大領域とを備える、
   ことを特徴とする請求項２に記載の付加製造条件探索装置。
8. 材料種、材料物性、過去に実施した材料毎の付加製造条件および製造結果を格納するレシピデータベースを備える、
   ことを特徴とする請求項２に記載の付加製造条件探索装置。
9. 前記第一機械学習部は、付加製造条件を探索する材料種および材料物性が入力されると、前記レシピデータベースに基づき、造形物の内部を塗り潰す制御因子である熱源出力、走査速度、走査線間隔、積層厚みからエネルギー密度の設定範囲を算出する、
   ことを特徴とする請求項８に記載の付加製造条件探索装置。
10. 前記第一機械学習部は、エネルギー密度の設定範囲の入力を受け付ける、
    ことを特徴とする請求項９に記載の付加製造条件探索装置。
11. 前記第一機械学習部は、前記エネルギー密度の設定範囲に応じて初期学習用の付加製造条件を割り付ける、
    ことを特徴とする請求項９に記載の付加製造条件探索装置。
12. 前記第一機械学習部は、前記制御因子の選択と、前記制御因子の設定範囲の入力を受け付ける、
    ことを特徴とする請求項９に記載の付加製造条件探索装置。
13. 前記第一機械学習部は、前記制御因子に対して、上位項目と下位項目と設定順序とを割り付ける、
    ことを特徴とする請求項１２に記載の付加製造条件探索装置。
14. 材料情報および装置情報に応じた付加製造条件を出力するか、または複数の付加製造条件と欠陥情報の組合せから新たな付加製造条件を出力するステップと、
    付加製造装置に前記付加製造条件による造形を行わせて、造形中のモニタリング情報を取得し、造形物の検査により形状情報および欠陥情報を取得するステップと、
    造形中のモニタリング情報および欠陥情報の組合せの欠陥データベースを教師データとして学習したモデルが、前記モニタリング情報より造形物の欠陥情報を推定して、前記欠陥データベースに格納するステップと、
    前記造形物の欠陥情報が評価目標値を達成しているか否かを判断するステップと、
    を実行することを特徴とする付加製造条件探索方法。

Images