KR102352980B1 - Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning - Google Patents

Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning Download PDF

Info

Publication number
KR102352980B1
KR102352980B1 KR1020200161994A KR20200161994A KR102352980B1 KR 102352980 B1 KR102352980 B1 KR 102352980B1 KR 1020200161994 A KR1020200161994 A KR 1020200161994A KR 20200161994 A KR20200161994 A KR 20200161994A KR 102352980 B1 KR102352980 B1 KR 102352980B1
Authority
KR
South Korea
Prior art keywords
metal
fft data
collected
printing
layer
Prior art date
Application number
KR1020200161994A
Other languages
Korean (ko)
Inventor
권오형
김형균
김원래
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200161994A priority Critical patent/KR102352980B1/en
Application granted granted Critical
Publication of KR102352980B1 publication Critical patent/KR102352980B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • 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
    • B33Y80/00—Products made by additive manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Medical Informatics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Powder Metallurgy (AREA)

Abstract

One embodiment of the present invention provides a metal 3D printing product defect monitoring method and a metal 3D printing product defect monitoring apparatus based on machine learning. According to one embodiment of the present invention, the defect monitoring apparatus estimates defect characteristics and conditions due to microscopic deformation, defect, breakage, and the like inside a metal 3D printing product and determines a layer in which the microscopic deformation, defect, breakage, and the like have occurred during metal 3D printing. The monitoring method comprises the following steps of: scanning laser on 3D printing powder; collecting acoustic emission signals; converting the acoustic emission signals into collected fast fourier transform (FFT) data; obtaining collected output FFT data by inputting the collected FFT data into a machine learning model; comparing the collected FFT data and the collected output FFT data; and determining an abnormal layer in which the collected output FFT data is not equal to the collected FFT data.

Description

기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 방법 및 금속 3D 프린팅 제품 결함 모니터링 장치{METHOD FOR METAL 3D PRINTING PRODUCT DEFECT MONITORING AND APPARATUS FOR METAL 3D PRINTING PRODUCT DEFECT MONITORING BASED ON MACHINE LEARNING} METHOD FOR METAL 3D PRINTING PRODUCT DEFECT MONITORING AND APPARATUS FOR METAL 3D PRINTING PRODUCT DEFECT MONITORING BASED ON MACHINE LEARNING

본 발명은 금속 3D 프린팅 제품의 결함을 모니터링 하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 기계 학습을 기반으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법 및 금속 3D 프린팅 제품 결함 모니터링 장치에 관한 것이다.The present invention relates to a method and an apparatus for monitoring defects in a metal 3D printed product, and more particularly, to a method and an apparatus for monitoring a defect in a metal 3D printed product based on machine learning.

금속 3D 프린터는 제품을 만드는데 플라스틱 소재를 사용했던 기존의 3D 프린터와 달리 다양한 금속 재료를 가공해 원하는 모양으로 제작할 수 있다. 금속 3D 프린터는 금형 없이 부품을 만들 수 있어 제조 비용과 시간을 혁신적으로 줄여주고 기존 제조 공정으로는 만들기 어려운 복잡한 부품도 생산할 수 있어 산업 현장에서의 활용도가 높다. 의료, 자동차, 산업 설비는 물론 항공기와 로켓 엔진 부품 생산에도 사용된다. Unlike conventional 3D printers that use plastic materials to make products, metal 3D printers can process various metal materials to produce desired shapes. Metal 3D printers can create parts without a mold, which can innovatively reduce manufacturing costs and time, and can also produce complex parts that are difficult to make with existing manufacturing processes, so it is highly utilized in industrial fields. It is used in medical, automotive and industrial equipment, as well as in the production of aircraft and rocket engine parts.

종래 금속 3D 프린팅 공정 중 취득하는 모니터링을 위한 수집 데이터의 종류는 크게 고속카메라를 사용한 용융풀 이미지, 열화상 카메라를 이용한 온도 데이터 및 포토 다이이오드 사용한 용융풀 광세기 등이 있다. The types of collected data for monitoring acquired during the conventional metal 3D printing process include a molten pool image using a high-speed camera, temperature data using a thermal imaging camera, and molten pool light intensity using a photo diode.

그러나, 상기 용융풀 이미지 데이터의 경우, 단순 형상만 획득 가능하므로 소재와 연계한 정보 획득이 불가하고, 온도 데이터 수집의 경우 온도의 보정이 어려우며, 용융풀 광세기의 경우 모든 방향의 광 수집이 불가한 것뿐만 아니라 소재와 연계한 정보의 획득이 불가한 문제점이 있었다. However, in the case of the molten pool image data, since only a simple shape can be obtained, it is impossible to obtain information related to the material. In addition, there was a problem in that it was impossible to obtain information related to the material.

또한, 종래의 3D 프린팅 공정의 실시간 감시 시스템은 상기 원료를 토출하는 프린트헤드에 연결된 모터 구동부의 전류신호를 감지하는 센서 신호를 이용하여 프린트헤드의 변위와 3차원 모형의 제조 진행률을 계산하여 모형의 제조완료시간을 산출하여 단말기에 전송하는 시스템이다. In addition, the real-time monitoring system of the conventional 3D printing process calculates the displacement of the printhead and the manufacturing progress rate of the 3D model using a sensor signal that detects a current signal of a motor driving unit connected to the printhead that discharges the raw material, thereby forming the model. It is a system that calculates the manufacturing completion time and transmits it to the terminal.

이러한 발명에 따른 모니터링 시스템은 금속 3D 프린팅 제품의 제조 진행률 및 제조완료시간을 산출하여 제공할 수 있지만, 공정 중 재료의 상태변화 및 재료 내부의 미시적 변형 및 결함 여부를 직접적으로 모니터링 하기 어려운 문제점이 있었다.The monitoring system according to the present invention can calculate and provide the manufacturing progress and manufacturing completion time of metal 3D printing products, but there is a problem in that it is difficult to directly monitor the state change of the material during the process and the microscopic deformation and defects inside the material. .

따라서, 3D 프린팅 공정 중 소재 내부의 미시적 변형 및 결함 여부를 감시 가능한 시스템 개발을 위한 여전히 많은 도전 과제가 남아 있다.Therefore, there are still many challenges to develop a system capable of monitoring microscopic deformation and defects inside the material during the 3D printing process.

대한민국 등록특허 제1839206호Republic of Korea Patent No. 1839206

본 발명이 이루고자 하는 기술적 과제는 공정 중 발생하는 소재 내부의 미시적 변형 또는 결함 여부를 파악하기 위해 기계 학습을 이용한 금속 3D 프린팅 제품 결함 모니터링 방법 및 장치를 제공하는 것이다. The technical problem to be achieved by the present invention is to provide a method and apparatus for monitoring defects in metal 3D printing products using machine learning in order to identify microscopic deformation or defects inside the material that occur during the process.

본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved by the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned can be clearly understood by those of ordinary skill in the art to which the present invention belongs from the description below. There will be.

상기 기술적 과제를 달성하기 위하여, 본 발명의 일 실시예는 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 방법을 제공한다.In order to achieve the above technical problem, an embodiment of the present invention provides a machine learning-based metal 3D printing product defect monitoring method.

본 발명의 일 실시예에 따른 상기 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 방법은, The machine learning-based metal 3D printing product defect monitoring method according to an embodiment of the present invention,

3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계;scanning a laser on the 3D printing powder supplied on the metal 3D printing build part to form a 3D printing product;

음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계;collecting acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning using an acoustic emission sensor;

상기 수집된 음향 방출 신호들을 수집 FFT(Fast Fourier Transform) 데이터들로 변환하는 단계;converting the collected acoustic emission signals into collected Fast Fourier Transform (FFT) data;

상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 수집 출력 FFT 데이터들을 얻는 단계; inputting the collected FFT data into a machine-learned model to obtain collected output FFT data;

상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교하는 단계; 및comparing whether the collected output FFT data is identical to the collected FFT data; and

상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 결정하는 단계를 포함하고,If the collected output FFT data is not the same as the collected FFT data, determining the corresponding layer of the metal 3D printing product corresponding to the collected output FFT data as an abnormal layer,

상기 기계 학습된 모델은 정상 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 출력 FFT 데이터를 생성할 수 있도록 기계 학습하여 형성된 모델인 것을 특징으로 한다. The machine-learned model is a model formed by machine learning to generate output FFT data having the same shape as the standard FFT data by inputting standard FFT data corresponding to each layer of a normal metal 3D printing product. .

또한, 상기 음향 방출 센서는 금속 3D 프린터의 레이저 스캐닝 시 금속 분말이 상기 금속 3D 프린팅 제품으로 적층 형성 될 때 금속 분말의 변화에 의한 탄성응력파를 측정하는 것을 특징으로 한다. In addition, the acoustic emission sensor is characterized in that it measures the elastic stress wave due to a change in the metal powder when the metal powder is laminated and formed into the metal 3D printed product during laser scanning of the metal 3D printer.

또한, 상기 음향 방출 센서는 상기 금속 3D프린팅 빌드부 하부에 장착된 것을 특징으로 한다.In addition, the sound emission sensor is characterized in that it is mounted under the metal 3D printing build part.

또한, 상기 기계 학습된 모델은 DNN((Deep Neural Network) 또는 GAN(Generative Adversarial Network)을 이용하여 기계학습하여 형성된 모델인 것을 특징으로 한다. In addition, the machine-learned model is characterized in that it is a model formed by machine learning using a deep neural network (DNN) or a generative adversarial network (GAN).

상기 기술적 과제를 달성하기 위하여, 본 발명의 다른 실시예는 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 장치를 제공한다.In order to achieve the above technical problem, another embodiment of the present invention provides a machine learning-based metal 3D printing product defect monitoring device.

본 발명의 다른 실시예에 따른 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 장치는,Machine learning-based metal 3D printing product defect monitoring device according to another embodiment of the present invention,

금속 3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 금속 3D 프린팅 분말에 레이저를 스캐닝하는 레이저 스캐닝부; a laser scanning unit for scanning a laser on the metal 3D printing powder supplied on the metal 3D printing build unit to form a metal 3D printing product;

상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 음향 방출 센서를 포함하는 센서부; 및a sensor unit including an acoustic emission sensor that collects acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning; and

상기 음향 방출 센서로부터 상기 수집된 음향 방출 신호들을 수신하여 상기 금속 3D 프린팅 제품의 각 층 마다 수집한 상기 음향 방출 신호들을 수집 FFT데이터들로 변환하고, 상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 수집 출력 FFT 데이터들을 얻고, 상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교하고, 상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 결정하는 제어부를 포함하고,By receiving the collected acoustic emission signals from the acoustic emission sensor, converting the acoustic emission signals collected for each layer of the metal 3D printed product into collected FFT data, and inputting the collected FFT data to a machine-learning model Acquire collected output FFT data, compare whether the collected output FFT data is identical to the collected FFT data, and correspond to the collected output FFT data if the collected output FFT data is not the same as the collected FFT data A control unit for determining the corresponding layer of the metal 3D printing product to be an abnormal layer,

상기 기계 학습된 모델은 정상 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 상기 출력 FFT 데이터를 생성할 수 있도록 기계 학습하여 형성된 모델인 것을 특징으로 한다.The machine-learned model is a model formed by machine learning to generate the output FFT data having the same shape as the standard FFT data by inputting standard FFT data corresponding to each layer of a normal metal 3D printing product. do.

또한, 상기 음향 방출 센서는 상기 금속 3D 프린팅 빌드부 하부에 장착된 것을 특징으로 한다. In addition, the sound emission sensor is characterized in that it is mounted under the metal 3D printing build part.

또한, 상기 기계 학습된 모델은, DNN((Deep Neural Network) 또는 GAN(Generative Adversarial Network)을 이용하여 기계학습하여 형성된 모델인 것을 특징으로 한다. In addition, the machine-learned model is characterized in that it is a model formed by machine learning using a deep neural network (DNN) or a generative adversarial network (GAN).

본 발명의 실시예에 따르면, 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 방법 및 금속 3D 프린팅 제품 결함 모니터링 장치를 제공 할 수 있다. According to an embodiment of the present invention, it is possible to provide a machine learning-based metal 3D printing product defect monitoring method and a metal 3D printing product defect monitoring device.

따라서, 본 발명의 실시예에 따라 금속 3D 프린터의 레이저 스캐닝시, 상기 빌드부 하부에 장착된 상기 음향 방출 센서를 이용해 수집한 상기 음향 방출 신호들을 상기 수집 FFT데이터로 변환 할 수 있다.Accordingly, during laser scanning of the metal 3D printer according to an embodiment of the present invention, the acoustic emission signals collected using the acoustic emission sensor mounted under the build unit may be converted into the collected FFT data.

상기 수집 FFT데이터를 상기 기계 학습된 모델에 제공하여 상기 수집 FFT데이터와 상기 출력 FFT데이터가 동일한 경우, 정상으로 판단하고 상기 수집 FFT데이터와 상기 출력 FFT데이터가 동일하지 않은 경우, 상기 출력 FFT데이터와 대응하는 층을 비정상층으로 결정할 수 있다. If the collected FFT data and the output FFT data are the same by providing the collected FFT data to the machine-learning model, it is determined as normal, and when the collected FFT data and the output FFT data are not the same, the output FFT data and The corresponding layer may be determined as an abnormal layer.

이에 따라, 상기 금속 3D 프린팅 중 상기 금속 3D 프린팅 제품 내부의 미시적 변형, 결함, 파괴 등에 따른 결함 특성 및 상태를 평가 할 수 있고 미시적 변형, 결함, 파괴 등이 발생된 위치와 해당 층을 판정할 수 있다. Accordingly, during the metal 3D printing, it is possible to evaluate the defect characteristics and states due to microscopic deformation, defects, and destruction inside the metal 3D printed product, and to determine the location and the corresponding layer where the microscopic deformation, defect, destruction, etc. occurred. have.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.It should be understood that the effects of the present invention are not limited to the above-described effects, and include all effects that can be inferred from the configuration of the invention described in the detailed description or claims of the present invention.

도 1은 본 발명의 일 실시 예에 따른 기계 학습을 기반으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법을 도시한 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 레이저 스캐닝시 측정한 음향방출신호로서 시간(time)에 따른 진폭(amplitude)을 나타낸 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 변환된 FFT(fast fourier transform) 데이터로서 진동수(frequency)에 따른 진폭(amplitude)을 나타낸 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 연속 공정 중 금속 3D 프린팅 제품 각각의 층과 수집 FFT데이터들을 대응시킨 것을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 전체 수집 FFT데이터들이 입력된 경우 동일한 전체 FFT데이터들을 출력하는 기계 학습된 모델을 나타내는 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 비정상 FFT데이터가 입력될 경우 기계 학습된 모델에 의해 상이한 FFT데이터를 출력한 것을 나타내는 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 연속 공정 중 비정상 수집FFT데이터가 포함된 경우 금속 3D 프린팅 제품 각각의 층과 상기 FFT데이터들을 대응시킨 것을 나타내는 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D 프린팅 모니터링 장치의 설치 구성을 개략적으로 보여주기 위한 사시도이다. 1 is a flowchart illustrating a metal 3D printing product defect monitoring method based on machine learning according to an embodiment of the present invention.
2 is a graph showing the amplitude (amplitude) according to time as an acoustic emission signal measured during laser scanning according to an embodiment of the present invention.
3 is a graph illustrating an amplitude according to a frequency as transformed fast Fourier transform (FFT) data according to an embodiment of the present invention.
4 is an exemplary view showing the correspondence between each layer of a metal 3D printing product and the collected FFT data during a continuous process according to an embodiment of the present invention.
5 is an exemplary diagram illustrating a machine-learned model that outputs the same entire FFT data when all collected FFT data are input according to an embodiment of the present invention.
6 is an exemplary diagram illustrating output of different FFT data by a machine-learned model when abnormal FFT data is input according to an embodiment of the present invention.
7 is an exemplary diagram illustrating the correspondence between each layer of a metal 3D printing product and the FFT data when abnormal FFT data collected during a continuous process is included according to an embodiment of the present invention.
8 is a perspective view schematically illustrating an installation configuration of a machine learning-based metal 3D printing monitoring device according to an embodiment of the present invention.

이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, the present invention will be described with reference to the accompanying drawings. However, the present invention may be embodied in several different forms, and thus is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.Throughout the specification, when a part is said to be “connected (connected, contacted, coupled)” with another part, it is not only “directly connected” but also “indirectly connected” with another member interposed therebetween. "Including cases where In addition, when a part "includes" a certain component, this means that other components may be further provided, rather than excluding other components, unless otherwise stated.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is used only to describe specific embodiments, and is not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present specification, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.

이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 일 실시예에 따른 기계 학습을 기반으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법을 설명한다.A metal 3D printing product defect monitoring method based on machine learning according to an embodiment of the present invention will be described.

도 1은 본 발명의 일 실시예에 따른 기계 학습을 기반으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법을 도시한 순서도이다.1 is a flowchart illustrating a metal 3D printing product defect monitoring method based on machine learning according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 기계 학습을 기반으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법은,Referring to Figure 1, a metal 3D printing product defect monitoring method based on machine learning according to an embodiment of the present invention,

3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계(S100), 음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계(S200), 상기 수집된 음향 방출 신호들을 수집 FFT(Fast Fourier Transform) 데이터들로 변환하는 단계 (S300) 상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 수집 출력 FFT 데이터들을 얻는 단계(S400), 상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교하는 단계를 포함하고(S500), 상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 결정하는 단계(S600)를 포함할 수 있다.A step of scanning a laser on the 3D printing powder supplied on the metal 3D printing build part to form a 3D printing product (S100), corresponding to each layer of the metal 3D printing product generated during the laser scanning using an acoustic emission sensor Collecting acoustic emission signals (S200), converting the collected acoustic emission signals into collection FFT (Fast Fourier Transform) data (S300) Inputting the collected FFT data to a machine-learning model to collect output FFT data obtaining (S400), comparing whether the collected output FFT data and the collected FFT data are identical (S500), and when the collected output FFT data are not the same as the collected FFT data It may include the step of determining the corresponding layer of the metal 3D printing product corresponding to the corresponding collected output FFT data as an abnormal layer (S600).

또한, 상기 기계 학습된 모델은 정상 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 출력 FFT 데이터를 생성할 수 있도록 기계 학습하여 형성된 모델인 것을 특징으로 한다. In addition, the machine-learned model is a model formed by machine learning to generate output FFT data having the same shape as the standard FFT data by inputting standard FFT data corresponding to each layer of a normal metal 3D printing product. do it with

먼저, 3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계를 포함할 수 있다. (S100)First, in order to form a 3D printed product, it may include scanning a laser on the 3D printing powder supplied on the metal 3D printing build unit. (S100)

금속 3D 프린팅 방식 중에 레이저빔을 이용하는 PBF(Poweder Ved Fusion) 방식이 있다. Among metal 3D printing methods, there is a Power Ved Fusion (PBF) method using a laser beam.

PBF(Powder Bed Fusion)방식은 분말공급장치에서 일정한 면적을 가지는 분말 베드에 수십μm의 금속분말층을 도포하고 조형광원으로 레이저 또는 전자빔을 설계도면에 따라 선택적으로 조사한 후 한 층씩 용융시켜 금속분말을 서로 결합시켜 쌓아 올라가는 방식이다.In the PBF (Powder Bed Fusion) method, a metal powder layer of several tens of μm is applied to a powder bed having a certain area in the powder supply device, and a laser or electron beam is selectively irradiated according to the design drawing as a shaping light source, and then the metal powder is melted layer by layer. It is a method of building up by combining them with each other.

상기 용융된 금속 분말을 냉각 및 고화함으로서 상기 금속 소재의 레이어(Layer)를 형성하는 용융 적층(Additive Manufacturing) 기술이다.It is an additive manufacturing technology that forms a layer of the metal material by cooling and solidifying the molten metal powder.

본 발명이 적용될 수 있는 3D 프린팅 방식은 PBF와 같은 파우더 베드에 레이저를 조사하여 용융 및 적층하는 방식이 바람직하나 이에 한정되지 않고 다른 금속 3D 프린팅 방식도 가능하다.The 3D printing method to which the present invention can be applied is preferably a method of melting and laminating by irradiating a laser to a powder bed such as PBF, but is not limited thereto, and other metal 3D printing methods are also possible.

이때 형성되는 상기 금속 3D 프린팅 제품 내부의 밀도를 99.9% 이상으로 유지 가능한 조건에서 상기 기계 학습을 기반으로 하는 금속 3D 프린팅 제품 결함 모니터링을 수행할 수 있다.In this case, the metal 3D printing product defect monitoring based on the machine learning may be performed under the condition that the density inside the formed metal 3D printing product can be maintained at 99.9% or more.

그 다음에, 음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계를 포함할 수 있다. (S200)Then, the method may include using an acoustic emission sensor to collect acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning. (S200)

이때, 상기 음향 방출 센서는 상기 빌드부(40) 하부에 직접 장착할 수 있다. In this case, the sound emission sensor may be directly mounted under the build unit 40 .

이때, 상기 금속 3D 프린터 작동 중 상기 레이저 스캐닝시 상기 금속 3D 프린팅 제품(20)을 적층 형성 하는 동안 상기 음향 방출 신호를 수집할 수 있다. In this case, the sound emission signal may be collected while the metal 3D printed product 20 is laminated during the laser scanning while the metal 3D printer is operating.

이때, 상기 음향 방출 센서는 레이저 스캐닝 시 상기 금속 3D 프린팅 제품(20)을 적층 형성 하는 동안 금속 분말의 변화로서 탄성응력파를 측정 가능한 것을 특징으로 한다. In this case, the acoustic emission sensor is characterized in that it is possible to measure the elastic stress wave as a change in the metal powder while the metal 3D printed product 20 is laminated during laser scanning.

상기 탄성응력파는 재료 내의 국부적 음향발생원으로부터 급격한 에너지의 방출에 의하여 발생하는 현상의 종류로서 일시적인 탄성파를 의미한다. The elastic stress wave is a kind of phenomenon generated by the sudden release of energy from a local sound generating source in a material, and means a temporary elastic wave.

이때, 상기 금속 3D 프린터를 이용하여 상기 금속 3D 프린팅 제품이 적층 형성될 때, 상기 빌드부에 용융된 금속 분말이 냉각 및 고화에 의한 상태 변화 시 상기 탄성응력파가 방출될 수 있다. In this case, when the metal 3D printed product is laminated using the metal 3D printer, the elastic stress wave may be emitted when the state of the metal powder melted in the build part is changed due to cooling and solidification.

상기 방출된 탄성응력파는 공정이 정상적으로 진행 될 경우, 각 층마다 동일한 형태의 탄성응력파가 발생될 수 있다. When the process proceeds normally, the emitted elastic stress wave may generate the same type of elastic stress wave for each layer.

반면에, 공정 중에 금속 3D 프린팅 제품(20) 내부에 미시적 변형, 결함, 파괴가 발생한 경우 정상적인 공정의 탄성응력파가 아닌 이형(異形)의 탄성응력파가 발생될 수 있다.On the other hand, when microscopic deformation, defect, or destruction occurs inside the metal 3D printing product 20 during the process, an elastic stress wave of a different shape may be generated, not the elastic stress wave of a normal process.

그 다음에, 상기 수집된 음향 방출 신호들을 수집 FFT(Fast Fourier Transform) 데이터들로 변환할 수 있다(S300). Thereafter, the collected acoustic emission signals may be converted into collected FFT (Fast Fourier Transform) data (S300).

푸리에 변환 (Fourier transform)은 시간 도메인(Time Domain)을 주파수 도메인(Frequency Domain)으로 변환시켜 시간에 대한 함수(혹은 신호)를 주파수 성분으로 분해하는 과정이다. Fourier transform is a process of decomposing a function (or signal) with respect to time into frequency components by transforming a time domain into a frequency domain.

즉, 푸리에 변환은 상기 복잡한 함수(혹은 신호)를 단순한 함수(혹은 신호)로 분해할 수 있다. That is, the Fourier transform may decompose the complex function (or signal) into a simple function (or signal).

상기 기계 학습 모델에 제공되는 함수(혹은 신호) 데이터는 20 밀리 초 단위의 조각일 수 있는 것을 특징으로 한다.Function (or signal) data provided to the machine learning model may be a piece of 20 milliseconds.

이제, 탄성응력파를 처리하기 쉬운 포맷으로 만들었고, 상기 음향 방출 신호 조각은 현재 진행되는 공정이 정상상태인지, 비정상 상태인지 찾기 위해서 기계 학습 모델에 제공(feed)할 수 있다.Now that the elastic stress wave has been made into an easy-to-process format, the acoustic emission signal fragment can be fed to a machine learning model to find out whether the current process is in a steady state or an abnormal state.

그 다음에, 상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 수집 출력 FFT 데이터들을 얻을 수 있다(S400).Then, the collected FFT data may be input to the machine-learning model to obtain the collected output FFT data (S400).

상기 기계 학습된 모델은 정상인 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 기계 학습 모델에 제공하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 출력 FFT 데이터들을 생성할 수 있도록 기계 학습하여 형성된 모델인 것을 특징으로 한다. The machine-learned model is a model formed by machine learning to generate output FFT data having the same shape as the standard FFT data by providing standard FFT data corresponding to each layer of a normal metal 3D printing product to the machine learning model characterized in that

이때, 상기 기계 학습된 모델은 DNN(Deep Neural Network)을 이용할 수 있다. In this case, the machine-learned model may use a deep neural network (DNN).

상기 DNN(Deep Neural Network)은 심층 신경망으로서 입력층과 출력층 사이에 다중의 은닉층을 포함하는 인공 신경망이다.The Deep Neural Network (DNN) is an artificial neural network including multiple hidden layers between an input layer and an output layer as a deep neural network.

이때, 사용된 심층신경망은 auto-encoder, variational auto-encoder 및 U-net 중 적어도 어느 하나를 이용 할 수 있다. In this case, the used deep neural network may use at least one of auto-encoder, variational auto-encoder, and U-net.

또한, 상기 기계 학습된 모델은 GAN(Generative Adversarial Network)을 이용 할 수 있다. In addition, the machine-learning model may use a Generative Adversarial Network (GAN).

상기 GAN(Generative Adversarial Network)은 생성적 대립 신경망으로서, 생성 모델과 판별 모델이 경쟁하면서 실제와 가까운 이미지, 동영상 또는 음성 등을 자동으로 만들어 낼 수 있다. The GAN (Generative Adversarial Network) is a generative adversarial neural network, and can automatically generate an image, video, or voice close to reality while a generative model and a discriminant model compete.

이때, 정상인 금속 3D 프린팅 제품의 각층은 내부의 미시적 변형, 결함 및 파괴 등이 발생하지 않은 정상적으로 형성된 층 일 수 있다. At this time, each layer of a normal metal 3D printing product may be a normally formed layer in which microscopic deformation, defects, and destruction of the inside do not occur.

상기 표준 FFT데이터는 금속 3D 프린팅 공정이 미시적 변형, 결함, 파괴 등이 발생하지 않은 정상 공정 중 측정된 음향 방출 신호를 FFT데이터로 변환 한 데이터를 의미한다. The standard FFT data refers to data obtained by converting an acoustic emission signal measured during a normal process in which the metal 3D printing process does not have microscopic deformation, defects, or destruction into FFT data.

예를 들어, 상기 기계 학습 모델에 이용되는 입력 데이터는 금속 3D 프린팅 제품(20) 각각의 층에 대응하여 수집되는 1군의 전체 표준 FFT데이터들일 수 있다. For example, the input data used in the machine learning model may be a group of standard FFT data collected corresponding to each layer of the metal 3D printed product 20 .

또한, 기계 학습에 이용되는 출력 데이터는 상기 입력 데이터와 동일한 1군의 전체 표준 FFT데이터들일 수 있다. In addition, the output data used for machine learning may be the same group of standard FFT data as the input data.

이러한 1군의 전체 표준 FFT 데이터들 복수 개를 이용하여 기계 학습을 여러 번 수행하여 기계 학습된 모델로 생성 될 수 있다.A machine learning model can be generated by performing machine learning several times using a plurality of all standard FFT data of this group.

따라서, 1군의 전체 표준 FFT 데이터들을 기계 학습 모델의 입력 데이터 및 출력 데이터로 동일하게 제공하여 기계 학습시킴으로써, 상기 기계 학습된 모델에 임의의 정상 FFT 데이터들이 제공될 경우 상기 정상 FFT 데이터들과 동일한 형태를 갖는 출력 FFT 데이터들을 생성할 수 있다.Therefore, by providing the same standard FFT data of a group as input data and output data of the machine learning model to machine learning, when any normal FFT data is provided to the machine-learning model, the same as the normal FFT data It is possible to generate output FFT data having a shape.

즉, 상기 기계 학습 모델은 정상인 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 이용하여 기계 학습을 할 수 있다.That is, the machine learning model may perform machine learning using standard FFT data corresponding to each layer of a normal metal 3D printing product.

한편, 비정상인 금속 3D 프린팅 제품의 각층에 대응하는 FFT 데이터들을 상기 기계 학습된 모델에 입력 데이터로 제공할 경우, 이는 학습된 데이터 범위 밖의 데이터이기 때문에 상기 입력 데이터와 동일한 형태를 갖는 FFT 데이터가 출력되지 않게 된다.On the other hand, when FFT data corresponding to each layer of an abnormal metal 3D printing product is provided as input data to the machine-learned model, FFT data having the same shape as the input data is output because it is data outside the learned data range. it won't happen

따라서, 임의의 1군의 전체 FFT데이터들을 이러한 기계 학습된 모델에 입력하였을 때 출력된 1군의 전체 출력 FFT 데이터들이 상기 입력된 1군의 전체 FFT 데이터들과 동일한 형태를 나타낸다면 정상 공정에 의해 금속 3D프린팅 제품이 형성 된 것으로 판단 할 수 있다. Therefore, when all FFT data of a group of arbitrary 1 is input to such a machine-learning model, if the total output FFT data of group 1 exhibits the same shape as the entire FFT data of the input group 1, by the normal process It can be determined that a metal 3D printed product has been formed.

반면에, 상기 출력된 1군의 전체 출력 FFT 데이터들이 상기 입력된 1군의 전체 FFT 데이터들과 동일하지 않은 형태를 나타낸다면 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 판단 할 수 있다.On the other hand, if the total output FFT data of the output group 1 shows a shape that is not the same as the total FFT data of the group 1 input, the corresponding layer of the metal 3D printed product corresponding to the collected output FFT data is abnormal. layers can be judged.

그 다음에, 상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교하는 단계를 포함할 수 있다. (S500) Thereafter, the method may include comparing whether the collected output FFT data is identical to the collected FFT data. (S500)

이때, 임의의 정상인 금속 3D프린팅 제품의 각층에 대응하는 수집 FFT 데이터들을 상기 기계 학습된 모델에 입력 데이터로 제공할 경우, 이는 학습된 데이터 범위 내의 데이터이기 때문에 상기 입력 데이터와 동일한 형태를 갖는 FFT데이터를 출력할 수 있다. At this time, when the collected FFT data corresponding to each layer of an arbitrary normal metal 3D printing product is provided as input data to the machine-learned model, since this is data within the learned data range, FFT data having the same shape as the input data can be printed out.

반면에, 임의의 비정상인 금속 3D 프린팅 제품의 각층에 대응하는 FFT 데이터들을 상기 기계 학습된 모델에 입력 데이터로 제공할 경우, 이는 학습된 데이터 범위 밖의 데이터이기 때문에 상기 입력 데이터와 동일한 형태를 갖는 FFT 데이터가 출력되지 않게 된다. On the other hand, when FFT data corresponding to each layer of an arbitrary abnormal metal 3D printing product is provided as input data to the machine-learned model, the FFT having the same shape as the input data because it is data outside the learned data range No data is output.

즉, 상기 기계 학습 된 모델에 의해 임의의 상기 FFT데이터와 수집 출력 FFT데이터가 동일한지 여부에 대한 비교를 할 수 있다. That is, it is possible to compare whether the arbitrary FFT data and the collected output FFT data are the same by the machine-learning model.

그 다음에, 상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 결정하는 단계를 포함할 수 있다(S600). Then, when the collected output FFT data is not the same as the collected FFT data, the method may include determining a corresponding layer of the metal 3D printing product corresponding to the collected output FFT data as an abnormal layer (S600). ).

이때, 금속 3D 프린팅 제품의 정상 층은 상기 기계 학습된 모델에 의해 수집 FFT데이터와 동일한 형태의 FFT데이터가 출력될 수 있기 때문에, 상기 수집 FFT데이터와 동일한 FFT데이터를 출력한 경우 상기 수집 출력 FFT데이터에 대응되는 금속 3D 프린팅 제품의 해당 층을 정상 층으로 결정 할 수 있다. At this time, since the FFT data in the same form as the FFT data collected by the machine-learned model can be output to the top layer of the metal 3D printing product, when the same FFT data as the collected FFT data is output, the collected output FFT data It is possible to determine the corresponding layer of the metal 3D printing product corresponding to the normal layer.

반면에, 금속 3D 프린팅 제품의 비정상 층은 상기 기계 학습된 모델에 의해 수집 FFT데이터와 동일하지 않은 형태의 FFT데이터가 출력될 수 있기 때문에, 상기 수집 FFT데이터와 동일하지 않은 FFT데이터를 출력한 경우 상기 수집 출력 FFT데이터에 대응되는 금속 3D 프린팅 제품의 해당 층을 비정상 층으로 결정 할 수 있다. On the other hand, in the case of outputting FFT data that is not the same as the collected FFT data, because the abnormal layer of the metal 3D printing product may output FFT data in a form that is not the same as the collected FFT data by the machine-learned model A corresponding layer of the metal 3D printing product corresponding to the collected output FFT data may be determined as an abnormal layer.

도 2 내지 도 7은 본 발명의 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 방법을 나타낸 일 실시예에 따른 도면들이다. 2 to 7 are views according to an embodiment of the present invention showing a machine learning-based metal 3D printing product defect monitoring method.

도 2 내지 도 7을 함께 참조하여 본 발명의 일 실시예에 따른 상기 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 방법을 설명한다.The machine learning-based metal 3D printing product defect monitoring method according to an embodiment of the present invention will be described with reference to FIGS. 2 to 7 together.

상기 일 실시예에 이용된 기계 학습 된 모델은 DNN(Deep Neural Network)이 될 수 있다. The machine-learning model used in the above embodiment may be a Deep Neural Network (DNN).

도 2는 본 발명의 일 실시예에 따른 상기 레이저 스캐닝시 측정한 상기 음향 방출 신호로서 시간(time)에 따른 진폭(amplitude)을 나타낼 수 있다.2 is the acoustic emission signal measured during the laser scanning according to an embodiment of the present invention, and may represent an amplitude according to time.

이때, 음향 방출 센서는 상기 금속 3D 프린팅 제품(20)을 적층 형성할 때, 각 층마다 발생한 상기 탄성응력파를 수집한다.At this time, the acoustic emission sensor collects the elastic stress wave generated for each layer when the metal 3D printed product 20 is laminated.

이때, 음향 방출 센서는 수집된 탄성응력파를 상기 음향 방출 신호와 같은 전기적 신호로 바꿀 수 있다. In this case, the acoustic emission sensor may convert the collected acoustic stress wave into an electrical signal such as the acoustic emission signal.

이로써, 상기 음향 방출 신호는 도 2와 같이 시간에 따른 진폭 그래프로 나타낼 수 있다. Accordingly, the sound emission signal may be expressed as an amplitude graph according to time as shown in FIG. 2 .

그 다음에, 도 3은, 일 실시예에 따른 변환된 FFT(Fast Fourier Transform) 그래프로서 진동수(Frequency)에 따른 진폭(amplitude)을 나타낼 수 있다. Next, FIG. 3 is a converted Fast Fourier Transform (FFT) graph according to an embodiment, and may represent amplitude according to frequency.

상기 제어부(50)에서는 상기 도 2와 같이 시간에 대한 함수로 수집된 음향 방출 신호를 상기 도 3의 주파수에 대한 함수로 변환할 수 있다. The controller 50 may convert the acoustic emission signal collected as a function of time as shown in FIG. 2 into a function of the frequency of FIG. 3 .

상기 푸리에 변환에 의해 시간에 대한 신호를 주파수에 대한 신호로 변환 할 수 있으므로 복잡한 형태의 신호를 단순한 형태의 신호로 분해할 수 있다. Since a signal for time can be converted into a signal for frequency by the Fourier transform, a complex signal can be decomposed into a simple signal.

상기 금속 3D 프린팅 적층 공정이 연속으로 진행되면 상기 도 4와 같이, 각 층에 대응하는 FFT데이터로 나타낼 수 있다. When the metal 3D printing lamination process is continuously performed, it can be represented by FFT data corresponding to each layer, as shown in FIG. 4 .

이때, 상기 수집 FFT데이터를 통해 상기 금속 3D 프린팅 제품 (20) 각각의 층이 전부 정상 층이라는 판단을 하기 위해서는 기계 학습된 모델이 필요하다.In this case, a machine-learning model is required to determine that all layers of the metal 3D printed product 20 are normal layers through the collected FFT data.

도 5는, 전체 수집 FFT데이터들이 기계 학습 모델에 입력된 경우 동일한 형태의 전체 FFT데이터들을 출력하는 기계 학습된 모델을 나타낼 수 있다. FIG. 5 may represent a machine-learning model that outputs all FFT data of the same form when all collected FFT data are input to the machine learning model.

상기 도 5를 참조하면, 기계 학습 모델에 이용되는 입력 데이터는 금속 3D 프린팅 제품 각각의 층에 대응하여 수집되는 1군의 전체 표준 FFT데이터들이고, 출력 데이터는 금속 3D 프린팅 제품 각각의 층에 대응하여 출력된 1군의 전체 출력 FFT데이터들인 것을 특징으로 한다. Referring to FIG. 5 , the input data used for the machine learning model is a group of standard FFT data collected corresponding to each layer of the metal 3D printing product, and the output data is corresponding to each layer of the metal 3D printing product. It is characterized in that it is the total output FFT data of the output group.

이때, 상기 기계 학습 된 모델은 상기 1군의 전체 표준 FFT데이터들과 상기 1군의 전체 출력 FFT데이터들을 동시에 기계 학습 모델에 입력하는 것을 특징으로 한다. In this case, the machine-learned model is characterized in that the first group of all standard FFT data and the first group of all output FFT data are simultaneously input to the machine learning model.

즉, 상기 1군의 전체 표준 FFT데이터들과 상기 1군의 전체 출력 FFT 데이터들이 동일한 형태를 가진다면 정상 공정에 의해 금속 3D 프린팅 제품이 형성 된 것으로 판단 할 수 있도록 기계 학습하는 것을 특징으로 한다. That is, if the entire standard FFT data of the first group and the total output FFT data of the first group have the same shape, machine learning is performed to determine that a metal 3D printing product is formed by a normal process.

이러한 1군의 전체 표준 FFT 데이터들 복수 개를 이용하여 기계 학습을 여러 번 수행하여 기계 학습된 모델로 생성 될 수 있다.A machine learning model may be generated by performing machine learning several times using a plurality of all standard FFT data of this group.

도 6은, 본 발명의 일 실시예에 따른 비정상 FFT데이터가 입력될 경우 상기 기계 학습된 모델에 의해 수집 FFT데이터와 다른 형태의 FFT데이터를 출력한 것을 나타낼 수 있다. FIG. 6 may show that FFT data in a format different from that of FFT data collected by the machine-learning model is output when abnormal FFT data is input according to an embodiment of the present invention.

상기 도 6을 참조하면 DNN을 중심으로 좌측에 있는 그래프가 기계학습 모델에 제공되는 수집 FFT데이터이고, DNN을 중심으로 우측에 있는 그래프는 DNN에 의해 출력된 FFT데이터를 의미 할 수 있다. Referring to FIG. 6 , the graph on the left with the DNN as the center is the collected FFT data provided to the machine learning model, and the graph on the right with the DNN as the center may mean the FFT data output by the DNN.

상기 금속 3D 프린팅 제품에 결함이 있는 층이 발생한 경우, 상기 금속 3D 프린팅 제품의 정상인 층에서 수집한 FFT데이터와 동일하지 않은 형태의 FFT 데이터를 수집 할 수 있다. When a defective layer occurs in the metal 3D printed product, FFT data in a form that is not the same as the FFT data collected from a normal layer of the metal 3D printed product may be collected.

따라서, 상기 제공된 수집 FFT데이터와 동일하지 않은 FFT데이터를 출력한 경우, 상기 비정상 수집 FFT데이터에 대응하는 상기 금속 3D 프린팅 제품 해당층을 비정상 층으로 결정할 수 있다. Accordingly, when FFT data that is not the same as the provided FFT data is output, the metal 3D printed product corresponding layer corresponding to the abnormally collected FFT data may be determined as an abnormal layer.

상기 도 7은 본 발명의 일 실시 예에 따른 비정상 수집 FFT데이터가 포함된 상기 수집 FFT데이터를 상기 금속 3D 프린팅 제품 각각의 층과 대응시킨 것을 나타내는 도면이다. 7 is a view showing the correspondence of the collected FFT data including the abnormally collected FFT data with each layer of the metal 3D printing product according to an embodiment of the present invention.

상기 도 7은 금속 3D 프린터의 연속 공정 중에 첫 번째 층, 두 번째 층, 네 번째 층은 정상인 수집 FFT데이터를 나타낼 수 있고, 세 번째 층은 비정상 수집 FFT데이터를 나타낼 수 있다. 7 shows that during the continuous process of the metal 3D printer, the first layer, the second layer, and the fourth layer may represent normal collected FFT data, and the third layer may represent abnormal collected FFT data.

상기 도 7의 세 번째 층인 상기 비정상 수집 FFT데이터는 상기 기계 학습 된 모델에 제공되면 상기 수집 FFT와 동일하지 않은 상기 출력 FFT 데이터를 생성할 수 있다. When the abnormal collected FFT data, which is the third layer of FIG. 7, is provided to the machine-learning model, the output FFT data that is not identical to the collected FFT data may be generated.

이때, 제공된 상기 수집 FFT데이터들과 상기 출력 FFT데이터들의 동일성을 비교하여 세 번째 층에 동일하지 않은 층이 발견되었으므로, 상기 금속 3D 프린팅 제품의 세 번째 층을 결함이 있는 층으로 결정 할 수 있다. At this time, since a non-identical layer was found in the third layer by comparing the provided FFT data and the output FFT data, the third layer of the metal 3D printed product can be determined as a defective layer.

본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 장치를 설명한다. A machine learning-based metal 3D printing product defect monitoring device according to an embodiment of the present invention will be described.

도 8은 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D 프린팅 제품 결함 모니터링 장치의 설치 구성을 개략적으로 보여주기 위한 사시도이다. 8 is a perspective view schematically illustrating an installation configuration of a machine learning-based metal 3D printing product defect monitoring apparatus according to an embodiment of the present invention.

상기 도 8을 참조하면, 상기 빌드부(40) 상부에 상기 레이저스캐닝부(10)가 형성 될 수 있고, 상기 빌드부(40) 하부에 센서부(30)가 부착되어 형성될 수 있다. 상기 센서부(30)는 상기 제어부(50)와 연결될 수 있다.Referring to FIG. 8 , the laser scanning unit 10 may be formed on the upper portion of the build unit 40 , and the sensor unit 30 may be attached to the lower portion of the build unit 40 . The sensor unit 30 may be connected to the control unit 50 .

상기 레이저 스캐닝부(10)에서는 금속 3D 프린팅 공정 중 레이저 스캐너가 금속 분말 원료를 용융하기 위해 빌드부(40) 위 금속 분말 층에 레이저를 주사할 수 있다.In the laser scanning unit 10 , a laser scanner may scan the metal powder layer on the build unit 40 to melt the metal powder raw material during the metal 3D printing process.

상기 센서부(30)는 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품(20)의 각층에 대응하는 음향 방출 신호들을 수집하는 음향 방출 센서를 포함할 수 있다.The sensor unit 30 may include an acoustic emission sensor that collects acoustic emission signals corresponding to each layer of the metal 3D printed product 20 generated during the laser scanning.

이때, 상기 음향 방출 센서는 상기 금속 3D 프린팅 제품(20)이 냉각 및 고화 할 때 발생하는 상기 탄성응력파를 수집하여 상기 음향 방출 신호로 바꿀 수 있다.In this case, the acoustic emission sensor may collect the acoustic stress wave generated when the metal 3D printed product 20 cools and solidifies and converts it into the acoustic emission signal.

상기 제어부(50)는 상기 센서부(30)와 연결되어 수집된 상기 음향 방출 신호를 FFT데이터로 변환할 수 있다.The control unit 50 may be connected to the sensor unit 30 to convert the collected acoustic emission signal into FFT data.

또한, 상기 변환된 FFT데이터를 상기 기계 학습된 모델에 입력하여 상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교할 수 있다.In addition, by inputting the transformed FFT data to the machine-learning model, it is possible to compare whether the collected output FFT data is identical to the collected FFT data.

또한, 상기 기계 학습된 모델에 의해 상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 상기 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당 층을 비정상층으로 결정할 수 있다. In addition, when the collected output FFT data is not the same as the collected FFT data by the machine-learned model, the corresponding layer of the metal 3D printed product corresponding to the collected output FFT data may be determined as an abnormal layer.

또한, 상기 기계 학습된 모델은 상기 정상 금속 3D 프린팅 제품의 각층에 대응하는 상기 표준 FFT 데이터들을 입력하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 출력 FFT 데이터를 생성할 수 있다. In addition, the machine-learned model may generate output FFT data having the same shape as the standard FFT data by inputting the standard FFT data corresponding to each layer of the normal metal 3D printed product.

상기 표준 FFT데이터는 금속3D 프린팅 공정이 미시적 변형, 결함, 파괴 등이 발생하지 않은 정상 3D프린팅 공정 중 측정된 음향 방출 신호를 FFT데이터로 변환한 데이터를 의미한다. The standard FFT data refers to data obtained by converting an acoustic emission signal measured during a normal 3D printing process in which the metal 3D printing process does not have microscopic deformation, defects, or destruction into FFT data.

이때, 상기 기계 학습된 모델은, DNN(Deep Neural Network심층신경망)을 이용할 수 있다. In this case, the machine-learned model may use a deep neural network (DNN).

이때, 사용된 심층신경망은 auto-encoder, variational auto-encoder 및 U-net 중 적어도 어느 하나를 이용 할 수 있다.In this case, the used deep neural network may use at least one of auto-encoder, variational auto-encoder, and U-net.

또한, 상기 기계 학습된 모델은 GAN(Generative Adversarial Network)을 이용 할 수 있다. In addition, the machine-learned model may use a Generative Adversarial Network (GAN).

이때, 상기 제어부(50)에서 이용되는 제어장치는 상기 FFT변환, 상기 기계 학습 모델에 의한 동일성 판단을 실시할 수 있는 다양한 형태의 전자회로를 이용한 정보 처리 장치를 포함 할 수 있다. In this case, the control device used in the control unit 50 may include an information processing device using various types of electronic circuits capable of performing the FFT transformation and determination of identity based on the machine learning model.

상기와 같은 구성의 특징으로 인하여, 본 발명의 일 실시예에 따른 기계 학습 기반의 금속 3D 프린팅 제품 결함 모니터링 방법을 이용하면, 상기 금속 3D 프린팅 제품 내부의 미시적 변형, 결함, 파괴의 발생 유무 파악 및 구체적인 비정상 층의 위치를 파악할 수 있는 효과가 있다. Due to the characteristics of the above configuration, using the machine learning-based metal 3D printing product defect monitoring method according to an embodiment of the present invention, it is possible to determine whether microscopic deformation, defects, or destruction occur inside the metal 3D printed product, and It has the effect of identifying the location of a specific abnormal layer.

또한, 상기와 같은 구성의 특징으로 인하여, 본 발명의 일 실시예에 따르면, 기존의 금속 3D 프린터를 그대로 이용하면서 금속재료의 변화를 직접적으로 측정할 수 있는 기계 학습 기반의 금속 3D 프린팅 제품 결함 모니터링 장치를 제공 가능한 효과가 있다.In addition, due to the characteristics of the configuration as described above, according to an embodiment of the present invention, a machine learning-based metal 3D printing product defect monitoring that can directly measure a change in a metal material while using an existing metal 3D printer as it is There is a possible effect of providing the device.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The description of the present invention described above is for illustration, and those of ordinary skill in the art to which the present invention pertains can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. For example, each component described as a single type may be implemented in a dispersed form, and likewise components described as distributed may also be implemented in a combined form.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims, and all changes or modifications derived from the meaning and scope of the claims and their equivalents should be construed as being included in the scope of the present invention.

10: 레이저스캐닝부
20: 금속 3D 프린팅 제품
30: 센서부
40: 빌드부
50: 제어부 10: laser scanning unit
20: Metal 3D Printing Products
30: sensor unit
40: build unit
50: control unit

Claims (7)

3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계;
음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계;
상기 수집된 음향 방출 신호들을 수집 FFT(Fast Fourier Transform) 데이터들로 변환하는 단계;
상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 수집 출력 FFT 데이터들을 얻는 단계;
상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교하는 단계; 및,
상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 결정하는 단계를 포함하고,
상기 기계 학습된 모델은 정상 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 출력 FFT 데이터를 생성할 수 있도록 기계 학습하여 형성된 모델인 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법.
scanning the laser on the 3D printing powder supplied on the metal 3D printing build part to form a 3D printing product;
collecting acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning using an acoustic emission sensor;
converting the collected acoustic emission signals into collected Fast Fourier Transform (FFT) data;
inputting the collected FFT data into a machine-learned model to obtain collected output FFT data;
comparing whether the collected output FFT data is identical to the collected FFT data; and,
If the collected output FFT data is not the same as the collected FFT data, determining the corresponding layer of the metal 3D printing product corresponding to the collected output FFT data as an abnormal layer,
The machine-learned model is a model formed by machine learning to generate output FFT data having the same shape as the standard FFT data by inputting standard FFT data corresponding to each layer of a normal metal 3D printing product Methods for monitoring metal 3D printed product defects.
 제1항에 있어서,
상기 음향 방출 센서는 금속 3D 프린터의 레이저 스캐닝 시 금속 분말이 상기 금속 3D 프린팅 제품으로 적층 형성 될 때 금속 분말의 변화에 의한 탄성응력파를 측정하는 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법.
According to claim 1,
The acoustic emission sensor is a metal 3D printing product defect monitoring method, characterized in that for measuring the elastic stress wave due to a change in the metal powder when the metal powder is laminated to the metal 3D printed product during laser scanning of the metal 3D printer.
 제1항에 있어서,
상기 음향 방출 센서는 상기 금속 3D 프린팅 빌드부 하부에 장착된 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법.
According to claim 1,
The sound emission sensor is a metal 3D printing product defect monitoring method, characterized in that mounted under the metal 3D printing build part.
 제1항에 있어서,
상기 기계 학습된 모델은 DNN((Deep Neural Network) 또는 GAN(Generative Adversarial Network)를 이용하여 기계학습하여 형성된 모델인 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 방법.
According to claim 1,
The machine-learned model is a metal 3D printing product defect monitoring method, characterized in that the model is formed by machine learning using DNN (Deep Neural Network) or GAN (Generative Adversarial Network).
 금속 3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 금속 3D 프린팅 분말에 레이저를 스캐닝하는 레이저 스캐닝부;
상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 음향 방출 센서를 포함하는 센서부; 및
상기 음향 방출 센서로부터 상기 수집된 음향 방출 신호들을 수신하여 상기 금속 3D 프린팅 제품의 각 층 마다 수집한 상기 음향 방출 신호들을 수집 FFT데이터들로 변환하고, 상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 수집 출력 FFT 데이터들을 얻고, 상기 수집 출력 FFT 데이터들과 상기 수집 FFT 데이터들과의 동일성 유무를 비교하고, 상기 수집 출력 FFT 데이터들이 상기 수집 FFT 데이터들과 동일하지 않은 경우 해당 수집 출력 FFT 데이터에 대응되는 상기 금속 3D 프린팅 제품의 해당층을 비정상층으로 결정하는 제어부를 포함하고,
상기 기계 학습된 모델은 정상 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하여 상기 표준 FFT 데이터들과 동일한 형태를 갖는 상기 출력 FFT 데이터를 생성할 수 있도록 기계 학습하여 형성된 모델인 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 장치.
a laser scanning unit for scanning a laser on the metal 3D printing powder supplied on the metal 3D printing build unit to form a metal 3D printing product;
a sensor unit including an acoustic emission sensor that collects acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning; and
Receive the collected acoustic emission signals from the acoustic emission sensor, convert the acoustic emission signals collected for each layer of the metal 3D printed product into collection FFT data, and input the collected FFT data to a machine-learning model. Acquire collected output FFT data, compare whether the collected output FFT data is identical to the collected FFT data, and correspond to the collected output FFT data if the collected output FFT data is not the same as the collected FFT data A control unit for determining the corresponding layer of the metal 3D printing product to be an abnormal layer,
The machine-learned model is a model formed by machine learning to generate the output FFT data having the same shape as the standard FFT data by inputting standard FFT data corresponding to each layer of a normal metal 3D printing product. Metal 3D printed product defect monitoring device.
 제5항에 있어서,
상기 음향 방출 센서는 상기 금속 3D프린팅 빌드부 하부에 장착된 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 장치.
6. The method of claim 5,
The sound emission sensor is a metal 3D printing product defect monitoring device, characterized in that mounted under the metal 3D printing build part.
 제5항에 있어서,
상기 기계 학습된 모델은, DNN((Deep Neural Network) 또는 GAN(Generative Adversarial Network)을 이용하여 기계학습하여 형성된 모델인 것을 특징으로 하는 금속 3D 프린팅 제품 결함 모니터링 장치.
6. The method of claim 5,
The machine-learned model is a metal 3D printing product defect monitoring device, characterized in that it is a model formed by machine learning using a deep neural network (DNN) or a generative adversarial network (GAN).
KR1020200161994A 2020-11-27 2020-11-27 Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning KR102352980B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200161994A KR102352980B1 (en) 2020-11-27 2020-11-27 Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200161994A KR102352980B1 (en) 2020-11-27 2020-11-27 Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning

Publications (1)

Publication Number Publication Date
KR102352980B1 true KR102352980B1 (en) 2022-01-20

Family

ID=80053077

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161994A KR102352980B1 (en) 2020-11-27 2020-11-27 Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning

Country Status (1)

Country Link
KR (1) KR102352980B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240047682A (en) 2022-10-05 2024-04-12 한국생산기술연구원 Non-coaxial temperature distribution monitoring system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101839206B1 (en) 2016-05-18 2018-03-15 인하대학교 산학협력단 System for monitoring 3d printer
JP2020169965A (en) * 2019-04-05 2020-10-15 株式会社Ｉｆｇ Acoustic diagnostic device of multiple-train pulse electromagnetic force
JP2020533481A (en) * 2017-06-20 2020-11-19 カール・ツアイス・インダストリーエレ・メステクニク・ゲーエムベーハー Additional manufacturing method and equipment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101839206B1 (en) 2016-05-18 2018-03-15 인하대학교 산학협력단 System for monitoring 3d printer
JP2020533481A (en) * 2017-06-20 2020-11-19 カール・ツアイス・インダストリーエレ・メステクニク・ゲーエムベーハー Additional manufacturing method and equipment
JP2020169965A (en) * 2019-04-05 2020-10-15 株式会社Ｉｆｇ Acoustic diagnostic device of multiple-train pulse electromagnetic force

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Kim, Kyukwang, Seunggyu Kim, and Jessie S. Jeon. "Visual estimation of bacterial growth level in microfluidic culture systems." Sensors 18.2 (2018): 447. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240047682A (en) 2022-10-05 2024-04-12 한국생산기술연구원 Non-coaxial temperature distribution monitoring system

Similar Documents

Publication Publication Date Title
Qin et al. Research and application of machine learning for additive manufacturing
JP7032018B2 (en) Methods and systems for topographically inspecting and process controlling laminated build parts
JP6556174B2 (en) Multivariate statistical process control of laser powder bed additive manufacturing
US10048661B2 (en) Visualization of additive manufacturing process data
US10254754B2 (en) Systems and methods for receiving sensor data for an operating manufacturing machine and producing an alert during manufacture of a part
Xu et al. Realisation of a multi-sensor framework for process monitoring of the wire arc additive manufacturing in producing Ti-6Al-4V parts
Tapia et al. A review on process monitoring and control in metal-based additive manufacturing
US7423236B2 (en) Method and system for real-time monitoring and controlling height of deposit by using image photographing and image processing technology in laser cladding and laser-aided direct metal manufacturing process
EP3646968A1 (en) Method for automatically preventing defects potentially arising during an additive manufacturing process and manufacturing device
CN111168062B (en) Weld puddle monitoring system and method for detecting errors in an additive manufacturing process
KR102352980B1 (en) Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning
KR20190068349A (en) Method and apparatus for diagnosing soundness of three-dimensional printer
Fang et al. Process monitoring, diagnosis and control of additive manufacturing
Binder et al. Potentials and challenges of multi-material processing by laser-based powder bed fusion
EP3495904A1 (en) Method and apparatus for predicting manufacturing parameters of a product to be manufactured in a 3d-printing process
CN107127339A (en) A kind of metal 3D printing parts process of eliminating stress based on ultrasonic vibration
EP3579065A1 (en) Systems and methods to automate composite manufacturing quality checks
CN206177838U (en) Metal vibration material disk process control device based on infrared information
EP3659727A1 (en) Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device
Kao et al. Laser cladding quality monitoring using coaxial image based on machine learning
CN113118465A (en) Method and device for estimating a weld puddle depth during a 3D printing process, and 3D printing system
Abdelrahman et al. Quality certification and control of polymer laser sintering: layerwise temperature monitoring using thermal imaging
Yeung et al. Design and implementation of laser powder bed fusion additive manufacturing testbed control software
Haley et al. Review of in situ process monitoring for metal hybrid directed energy deposition
Stavropoulos Additive Manufacturing: Design, Processes and Applications

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant