KR20220054673A - 제조 공정을 위한 시스템, 방법 및 매체 - Google Patents

제조 공정을 위한 시스템, 방법 및 매체 Download PDF

Info

Publication number
KR20220054673A
KR20220054673A KR1020227011079A KR20227011079A KR20220054673A KR 20220054673 A KR20220054673 A KR 20220054673A KR 1020227011079 A KR1020227011079 A KR 1020227011079A KR 20227011079 A KR20227011079 A KR 20227011079A KR 20220054673 A KR20220054673 A KR 20220054673A
Authority
KR
South Korea
Prior art keywords
product
control module
station
quality metric
adjusting
Prior art date
Application number
KR1020227011079A
Other languages
English (en)
Inventor
파비안 허프
존 비. 풋맨
매튜 씨. 풋맨
바딤 핀스키
다마스 리모지
아스윈 라그하브 니르마레스와란
구쉬키 사데흐 노우리
Original Assignee
나노트로닉스 이미징, 인코포레이티드
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 나노트로닉스 이미징, 인코포레이티드 filed Critical 나노트로닉스 이미징, 인코포레이티드
Priority claimed from PCT/US2020/049886 external-priority patent/WO2021050508A1/en
Publication of KR20220054673A publication Critical patent/KR20220054673A/ko

Links

Images

Classifications

    • 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
    • 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
    • B33Y10/00—Processes of 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • 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
    • G06N3/08—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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • B29C2948/00—Indexing scheme relating to extrusion moulding
    • B29C2948/92—Measuring, controlling or regulating
    • B29C2948/92504—Controlled parameter
    • B29C2948/92571—Position, e.g. linear or angular
    • 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
    • B29C2948/00—Indexing scheme relating to extrusion moulding
    • B29C2948/92—Measuring, controlling or regulating
    • B29C2948/92504—Controlled parameter
    • B29C2948/9258—Velocity
    • 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
    • B29C2948/00—Indexing scheme relating to extrusion moulding
    • B29C2948/92—Measuring, controlling or regulating
    • B29C2948/92504—Controlled parameter
    • B29C2948/9258—Velocity
    • B29C2948/926—Flow or feed rate
    • 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
    • B29C2948/00—Indexing scheme relating to extrusion moulding
    • B29C2948/92—Measuring, controlling or regulating
    • B29C2948/92819—Location or phase of control
    • B29C2948/92857—Extrusion unit
    • B29C2948/92904—Die; Nozzle zone
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)
  • Preparation Of Compounds By Using Micro-Organisms (AREA)

Abstract

제조 시스템이 여기에 개시된다. 제조 시스템은 하나 이상의 스테이션, 모니터링 플랫폼, 및 제어 모듈을 포함한다. 하나 이상의 스테이션의 각각의 스테이션은 제품에 대한 다단계 제조 공정에서 적어도 하나의 단계를 수행하도록 구성된다. 모니터링 플랫폼은 다단계 제조 공정 전반에 걸쳐 제품의 진행 상황을 모니터링하도록 구성된다. 제어 모듈은 제품에 대해 원하는 최종 품질 메트릭을 달성하기 위해 다단계 제조 공정의 각 단계의 처리 파라미터들을 동적으로 조정하도록 구성된다.

Description

제조 공정을 위한 시스템, 방법 및 매체
본 출원은 2019년 9월 10일자로 출원된 미국 가출원 일련 번호 62/898,535에 대한 우선권을 주장하며, 이는 그 전체가 참고로 여기에 포함된다.
본 개시는 일반적으로 제조 공정(프로세스)을 위한 시스템, 방법 및 매체에 관한 것이다.
원하는 설계 사양을 일관되게 충족하는 제품을 안전하고 시기 적절하며 최소한의 낭비로 제조하기 위해서는, 일반적으로 제조 공정에 대한 지속적인 모니터링 및 조정이 필요하다.
일부 실시예들에서, 제조 시스템이 여기에 개시된다.
제조 시스템은 하나 이상의 처리 스테이션, 모니터링 플랫폼 및 제어 모듈을 포함한다. 하나 이상의 처리 스테이션의 각 처리 스테이션은 제품에 대한 다단계 제조 공정(프로세스)에서 적어도 하나의 단계를 수행하도록 구성된다. 모니터링 플랫폼은 다단계 제조 공정 전반에 걸쳐 제품의 진행 상황을 모니터링하도록 구성된다. 제어 모듈은 제품에 대해 원하는 최종 품질 메트릭을 달성하기 위해 다단계 제조 공정의 각 단계의 처리 파라미터들을 동적으로 조정하도록 구성된다. 작업(동작)들을 수행하도록 구성된 제어 모듈이다. 작업(동작)들은 모니터링 플랫폼으로부터, 다단계 제조 공정의 단계에서 제품과 연관된 입력을 수신하는 단계를 포함한다. 작업들은 제어 모듈에 의해, 상기 입력에 기초하여 제품에 대한 상태 인코딩을 생성하는 단계를 더 포함한다. 작업들은 제어 모듈에 의해, 상기 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다는 것을 상기 상태 인코딩 및 상기 입력에 기초하여 결정하는 단계를 더 포함한다. 작업들은 제어 모듈에 의해, 상기 결정에 기초하여 적어도 후속(following) 처리 스테이션에 대한 제어 로직을 조정하는 단계를 더 포함한다. 조정하는 단계는 후속 처리 스테이션에 의해 수행될 시정 조치(corrective action)를 포함한다.
일부 실시예들에서, 다단계 제조 방법이 여기에 개시되어 있다. 컴퓨팅 시스템은 제조 시스템의 모니터링 플랫폼으로부터, 처리 스테이션의 제품 이미지를 수신한다. 처리 스테이션은 다단계 제조 공정의 적어도 하나의 단계를 수행하도록 구성될 수 있다. 컴퓨팅 시스템은 제품 이미지를 기반으로 제품에 대한 상태 인코딩을 생성한다. 컴퓨팅 시스템은 제품의 상태 인코딩 및 이미지를 기반으로, 제품의 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않음을 결정한다. 상기 결정에 기초하여, 컴퓨팅 시스템은 적어도 후속 처리 스테이션에 대한 제어 로직을 조정하고, 여기서 조정은 후속 처리 스테이션에 의해 수행될 시정 조치를 포함한다.
일부 실시예들에서, 3차원(3D) 프린팅 시스템이 여기에 개시된다. 3D 프린팅 시스템은 처리 스테이션, 모니터링 플랫폼 및 제어 모듈을 포함한다. 처리 스테이션은 제품을 형성하기 위해 복수의 층(layer)들을 증착하도록 구성된다. 증착 공정 전반에 걸쳐 제품의 진행 상황을 모니터링하도록 구성된 모니터링 플랫폼이다. 제어 모듈은 제품에 대한 원하는 최종 품질 메트릭을 달성하기 위해 복수의 층들의 각 층에 대한 처리 파라미터들을 동적으로 조정하도록 구성된다. 작업들을 수행하도록 구성된 제어 모듈이다. 작업들은 모니터링 플랫폼으로부터, 층이 증착된 후 제품 이미지를 수신하는 단계를 포함한다. 작업들은 제어 모듈에 의해, 제품의 이미지에 기초하여 제품에 대한 상태 인코딩을 생성하는 단계를 더 포함한다. 작업들은 제어 모듈에 의해, 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다는 것을 제품의 이미지 및 상태 인코딩에 기초하여 결정하는 단계를 더 포함한다. 작업들은 상기 결정에 기초하여, 제어 모듈에 의해, 복수의 층들 중 적어도 하나의 후속(following) 층을 증착하기 위한 제어 로직을 조정하는 단계를 더 포함한다. 조정하는 단계는 상기 후속 층의 증착 동안 수행될 시정 조치를 포함한다.
본 개시의 상기 인용된 특징들이 상세하게 이해될 수 있도록, 위에서 간략하게 요약된 본 개시의 보다 특정한 설명은 실시예들을 참조하여 이루어질 수 있으며, 그 중 일부는 첨부된 도면들에 도시되어 있다. 그러나, 첨부된 도면들은 본 개시의 전형적인 실시예들만을 예시하며, 따라서 본 개시가 다른 동등하게 효과적인 실시예들을 허용할 수 있기 때문에 그 범위를 제한하는 것으로 간주되어서는 안된다는 점에 유의해야 한다.
도 1은 예시적인 실시예들에 따른, 제조 환경을 도시하는 블록도이다.
도 2는 예시적인 실시예들에 따른, 제조 환경의 예측 엔진을 도시하는 블록도이다.
도 3은 예시적인 실시예들에 따른, 예측 엔진의 상태 자동인코더(state autoencoder)의 아키텍처를 도시하는 블록도이다.
도 4는 예시적인 실시예들에 따른, 예측 엔진의 교정 에이전트(corrective agent)에 대한 행위자-비평가(actor-critic) 패러다임의 아키텍처를 도시하는 블록도이다.
도 5는 예시적인 실시예들에 따른, 다단계 제조 공정(프로세스)을 수행하는 방법을 도시하는 흐름도이다.
도 6a는 예시적인 실시예들에 따른, 시스템 버스 컴퓨팅 시스템 아키텍처를 도시한 도면이다.
도 6b는 예시적인 실시예들에 따른, 칩셋(chipset) 아키텍처를 구비한 컴퓨터 시스템을 도시한 도면이다.
이해를 용이하게 하기 위해, 가능한 한 동일한 도면 부호들을 사용하여, 도면들에 공통적인 동일한 요소들을 지정하였다. 일 실시예에 개시된 요소들은 특별한 언급 없이도 다른 실시예들에서 유리하게 활용될 수 있음이 고려된다.
제조 공정들은 복잡할 수 있고, 최종 제품이 생산될 때까지 서로 다른 공정 스테이션들(또는 "스테이션들")에 의해 처리되는 원료들을 포함할 수 있다. 일부 실시예들에서, 각각의 공정 스테이션은 처리를 위한 입력을 수신하고, 추가 처리를 위해 후속(다운스트림) 공정 스테이션을 따라 전달될 수 있는 중간 출력을 출력할 수 있다. 일부 실시예들에서, 최종 공정 스테이션은 처리를 위한 입력을 수신할 수 있고, 최종 제품 또는 보다 일반적으로는 최종 출력을 출력할 수 있다.
일부 실시예들에서, 각각의 스테이션은 일련의(a set of) 공정 단계들을 수행할 수 있는 하나 이상의 도구/장비를 포함할 수 있다. 예시적인 공정 스테이션들은 컨베이어 벨트, 사출 성형 프레스, 절단 기계, 다이(die) 스탬핑 기계, 압출기, 컴퓨터 수치 제어(CNC; computer numerical control) 밀(mill), 그라인더(grinder), 조립 스테이션, 3차원 프린터, 품질 관리(제어) 스테이션, 검증 스테이션 등을 포함할 수 있지만, 이들로 한정되는 것은 아니다.
일부 실시예들에서, 각각의 처리 스테이션의 동작들은 하나 이상의 공정(프로세스) 컨트롤러에 의해 통제될 수 있다. 일부 실시예들에서, 각각의 공정 스테이션은 공정 스테이션의 동작을 제어하도록 프로그래밍될 수 있는 하나 이상의 공정 컨트롤러를 포함할 수 있다. 일부 실시예들에서, 오퍼레이터 또는 제어 알고리즘들은 각각의 제어 값에 대한 원하는 값 또는 값들의 범위를 나타낼 수 있는 스테이션 컨트롤러 설정값들(setpoints)을 스테이션 컨트롤러에 제공할 수 있다. 일부 실시예들에서, 제조 공정에서 피드백 또는 피드 포워드(feed forward)에 사용되는 값들은 제어 값들로서 지칭될 수 있다. 예시적인 제어 값들에는 속도, 온도, 압력, 진공, 회전, 전류, 전압, 전력, 점도, 스테이션에서 사용되는 재료/자원(리소스), 처리율, 정전 시간, 유독 가스 등이 포함될 수 있지만, 이에 국한되지 않는다.
여기에 설명된 하나 이상의 기술은 일반적으로 다단계 제조 공정의 각각의 단계를 모니터링하도록 구성된 모니터링 플랫폼에 관한 것이다. 다단계 제조 공정의 각각의 단계에 대해, 모니터링 플랫폼은 제품의 진행 상황을 모니터링할 수 있고, 제품의 현재 상태가 최종 제품과 연관된 최종 품질 메트릭에 어떻게 영향을 미치는지를 결정할 수 있다. 일반적으로, 최종 품질 메트릭은 다단계 제조 공정의 각각의 단계에서 측정될 수 없는 메트릭이다. 예시적인 최종 품질 메트릭들은 인장 강도, 경도, 최종 제품의 열적 특성들 등을 포함할 수 있지만, 이에 한정되는 것은 아니다. 인장 강도와 같은 특정 최종 품질 메트릭들의 경우에는, 이러한 메트릭을 측정하기 위해 파괴 테스트(destructive testing)가 사용된다.
여기에 설명된 하나 이상의 기술은 하나 이상의 인공 지능 기술을 사용하여 다단계 제조 공정의 각 단계에서 최종 품질 메트릭을 투영할 수 있다. 예를 들어, 여기에 설명된 하나 이상의 기술은 다단계 제조 공정의 특정 단계에서 제품의 상태를 기반으로 최종 품질 메트릭을 투영하기 위해 하나 이상의 강화 알고리즘을 활용할 수 있다.
물리적 환경에 강화 학습을 적용하는 것은 간단한 작업이 아니다. 일반적으로 강화 학습은 다른 유형들의 기계 학습 기술들만큼 실제 물리적 환경에 도움이 되지 않는다. 그 이유는, 전형적으로 예측 모델을 훈련하는데 필요한 훈련 예제가 많기 때문일 수 있다. 물리적 환경에서는, 물리적 제품들을 제조하는 비용과 시간으로 인해 필요한 수의 교육 예제들을 생성하기 어려운 경우가 많다. 이 제한을 설명하기 위해, 여기에 제공된 하나 이상의 기술은 모델이 없는(model-free) 강화 학습 기술을 활용할 수 있으며, 이를 통해 예측 모델은 탐색되는(traversed) 환경을 학습할 수 있다. 이것은 최적의 동작들을 예측하는데 필요한 측정들이 적기 때문에 물리적 측정들과 잘 어울린다.
도 1은 예시적인 실시예들에 따른, 제조 환경(100)을 도시하는 블록도이다. 제조 환경(100)은 제조 시스템(102), 모니터링 플랫폼(104), 및 제어 모듈(106)을 포함할 수 있다. 제조 시스템(102)은 다단계 제조 시스템을 광범위하게 나타낼 수 있다. 일부 실시예들에서, 제조 시스템(102)은 적층(additive) 제조에 사용하기 위한 제조 시스템을 나타낼 수 있다(예를 들어, 3D 프린팅 시스템). 일부 실시예들에서, 제조 시스템(102)은 감산(subtractive) 제조에 사용하기 위한 제조 시스템을 나타낼 수 있다(예를 들어, CNC 기계가공). 일부 실시예들에서, 제조 시스템(102)은 적층 제조 및 감산 제조의 조합에서 사용하기 위한 제조 시스템을 나타낼 수 있다. 보다 일반적으로, 일부 실시예들에서, 제조 시스템(102)은 일반적인 제조 공정에서 사용하기 위한 제조 시스템을 나타낼 수 있다.
제조 시스템(102)은 하나 이상의 스테이션(1081-108n)(일반적으로, "스테이션(108)")을 포함할 수 있다. 각각의 스테이션(108)은 다단계 제조 공정의 단계 및/또는 스테이션을 나타낼 수 있다. 예를 들어, 각각의 스테이션(108)은 3D 프린팅 공정에서 층(레이어) 증착 동작을 나타낼 수 있다(예를 들어, 스테이션(1081)은 레이어 1에 대응할 수 있고, 스테이션(1082)은 레이어 2에 대응할 수 있음 등). 다른 예에서, 각각의 스테이션(108)은 특정 처리 스테이션에 대응할 수 있다.
각각의 스테이션(108)은 프로세스(공정) 컨트롤러(114) 및 제어 로직(116)을 포함할 수 있다. 각각의 프로세스 컨트롤러(1141-114n)는 각각의 스테이션(108)의 동작을 제어하도록 프로그래밍될 수 있다. 일부 실시예들에서, 제어 모듈(106)은 각각의 제어 값에 대한 원하는 값 또는 값들의 범위를 나타낼 수 있는 스테이션 컨트롤러 설정값들을 각각의 프로세스 컨트롤러(114)에 제공할 수 있다. 제어 로직(116)은 스테이션(108)의 공정 단계들과 연관된 속성/파라미터를 참조할 수 있다. 동작시, 각 스테이션(108)에 대한 제어 로직(116)은 최종 품질 메트릭의 현재 궤적(trajectory)에 따라 제어 모듈(106)에 의해 제조 공정 전반에 걸쳐 동적으로 업데이트될 수 있다.
모니터링 플랫폼(104)은 제조 시스템(102)의 각각의 스테이션(108)을 모니터링하도록 구성될 수 있다. 일부 실시예들에서, 모니터링 플랫폼(104)은 제조 시스템(102)의 구성 요소일 수 있다. 예를 들어, 모니터링 플랫폼(104)은 3D 프린팅 시스템의 구성 요소일 수 있다. 일부 실시예들에서, 모니터링 플랫폼(104)은 제조 시스템(102)과는 독립적일 수 있다. 예를 들어, 모니터링 플랫폼(104)은 기존 제조 시스템(102)에 개장(retrofit)될 수 있다. 일부 실시예들에서, 모니터링 플랫폼(104)은 다단계 공정의 각 단계에서 제품의 이미지를 캡처하도록 구성된 이미징 디바이스를 나타낼 수 있다. 예를 들어, 모니터링 플랫폼(104)은 각각의 스테이션(108)에서 제품의 이미지를 캡처하도록 구성될 수 있다. 일반적으로, 모니터링 플랫폼(104)은 제품의 생산과 관련된 정보(예를 들어, 이미지, 전압 판독, 속도 판독 등)를 캡처하고, 그 정보를 입력으로서, 평가를 위해 제어 모듈(106)에 제공하도록 구성될 수 있다.
제어 모듈(106)은 하나 이상의 통신 채널을 통해 제조 시스템(102) 및 모니터링 플랫폼(104)과 통신할 수 있다. 일부 실시예들에서, 상기 하나 이상의 통신 채널은 셀룰러 또는 Wi-Fi 네트워크들과 같은 인터넷을 통한 개별 연결들을 나타낼 수 있다. 일부 실시예들에서, 상기 하나 이상의 통신 채널은 RFID(무선 주파수 식별), NFC(근거리 통신), Bluetooth™, 저(low)-에너지 Bluetooth™(BLE), Wi-Fi™, ZigBee™, 주변 후방 산란 통신(ABC; ambient backscatter communication) 프로토콜, USB, WAN 또는 LAN과 같은 직접 연결들을 사용하여 단말기, 서비스 및 모바일 디바이스들을 연결할 수 있다.
제어 모듈(106)은 제조 시스템(102)의 각각의 프로세스(공정) 컨트롤러를 제어하도록 구성될 수 있다. 예를 들어, 모니터링 플랫폼(104)에 의해 캡처된 정보에 기초하여, 제어 모듈(106)은 특정 스테이션(108)과 연관된 공정 제어들을 조정하도록 구성될 수 있다. 일부 실시예들에서, 제어 모듈(106)은 투영된 최종 품질 메트릭에 기초하여 특정 스테이션(108)의 공정 제어들을 조정하도록 구성될 수 있다.
제어 모듈(106)은 예측 엔진(112)을 포함할 수 있다. 예측 엔진(112)은, 다단계 제조 공정의 각각의 개별 단계에서 측정된 데이터에 기초하여 제품의 최종 품질 메트릭을 투영하도록 훈련된 하나 이상의 기계 학습 모듈을 나타낼 수 있다. 작동시, 제어 모듈(106)은 모니터링 플랫폼(104)으로부터 입력을 수신할 수 있다. 일부 실시예들에서, 이러한 입력은 다단계 제조 공정의 단계를 따르는 제품의 현재 상태의 이미지 형태를 취할 수 있다. 입력에 기초하여, 제어 모듈(106)은 제품의 최종 품질 메트릭을 투영할 수 있다. 제품의 투영된 최종 품질 메트릭에 따라, 제어 모듈(106)은 후속 제조 단계들에서 취할 하나 이상의 동작(action)을 결정할 수 있다. 예를 들어, 상기 투영된 최종 품질 메트릭이 허용 가능한 값들의 범위 밖에 있는 경우, 제어 모듈(106)은 제조 공정을 수정하기 위해 하나 이상의 동작을 취할 수 있다. 일부 실시예들에서, 제어 모듈(106)은 후속 스테이션들(108)의 스테이션 컨트롤러들과 인터페이스하여, 그것들의 각각의 제어 및/또는 스테이션 파라미터들을 조정할 수 있다. 이러한 조정들은 최종 품질 메트릭이 허용 가능한 품질 메트릭 범위 내에 있도록 제조 공정을 수정하는데 도움이 될 수 있다.
도 2는 예시적인 실시예들에 따른, 예측 엔진(112)을 도시하는 블록도이다. 도시된 바와 같이, 예측 엔진(112)은 고장 분류기(202), 상태 자동인코더(204), 및 교정 에이전트(206)를 포함할 수 있다. 고장 분류기(202), 상태 자동인코더(204), 및 교정 에이전트(206) 각각은 하나 이상의 소프트웨어 모듈을 포함할 수 있다. 상기 하나 이상의 소프트웨어 모듈은 하나 이상의 알고리즘 단계를 구현하는 일련의 기계 명령어들(예: 프로그램 코드)을 나타내는 매체(예: 제어 모듈(106)과 연관된 컴퓨팅 시스템들의 메모리)에 저장된 명령어들 또는 코드의 모음(collection)들일 수 있다. 그러한 기계 명령어들은 프로세서가 명령어들을 구현하기 위해 해석하는 실제 컴퓨터 코드일 수 있거나, 대안적으로, 실제 컴퓨터 코드를 얻기 위해 해석되는 명령어들의 더 높은 수준(레벨)의 코딩일 수 있다. 상기 하나 이상의 소프트웨어 모듈은 또한 하나 이상의 하드웨어 구성 요소를 포함할 수 있다. 예시적인 알고리즘의 하나 이상의 양태는 명령어들의 결과로서라기 보다는 상기 하드웨어 구성 요소들(예를 들어, 회로망) 자체에 의해 수행될 수 있다. 또한, 일부 실시예들에서, 고장 분류기(202), 상태 자동인코더(204), 및 교정 에이전트(206) 각각은 상기 구성 요소들 사이에서 하나 이상의 신호를 전송하도록 구성될 수 있다. 이러한 실시예들에서, 그 신호들은 컴퓨팅 디바이스에 의해 실행되는 기계 명령어들로 한정되지 않을 수 있다.
일부 실시예들에서, 고장 분류기(202), 상태 자동인코더(204), 및 교정 에이전트(206)는 하나 이상의 로컬 네트워크(205)를 통해 통신할 수 있다. 네트워크(205)는 셀룰러 또는 Wi-Fi 네트워크들과 같은, 인터넷을 통한 개별 연결들을 포함하는 임의의 적합한 유형일 수 있다. 일부 실시예들에서, 네트워크(205)는 RFID(무선 주파수 식별), NFC(근거리 통신), Bluetooth™, 저(low)-에너지 Bluetooth™(BLE), Wi-Fi™, ZigBee™, 주변 후방 산란 통신(ABC) 프로토콜, USB, WAN 또는 LAN과 같은 직접 연결들을 사용하여 단말기, 서비스, 및 모바일 디바이스들을 연결할 수 있다. 전송된 정보는 개인 정보이거나 기밀일 수 있기 때문에, 보안 문제로 인해 이러한 연결 유형들 중 하나 이상이 암호화되거나 다른 방식으로 보호되어야 할 수 있다. 그러나, 일부 실시예들에서는, 전송되는 정보는 덜 개인적일 수 있으므로, 보안보다는 편의를 위해 네트워크 연결들이 선택될 수 있다.
고장 분류기(202)는 제조 기술에 대한 시정 조치가 가능한지 여부를 결정하도록 구성될 수 있다. 예를 들어, 고장 분류기(202)는 모니터링 플랫폼(104)으로부터의 입력을 입력으로서 수신할 수 있다. 상기 입력에 기초하여, 고장 분류기(202)는 복구 불가능한 장애가 존재하는지 여부를 결정할 수 있다. 3D 프린팅 분야의 특정 예를 사용하면, 3D 프린터의 히트 베드(heat bed)로부터 부품이 빠질(dislodged) 수 있거나 또는 피더 기어(feeder gears)가 표면을 잡을 수 없을 정도로 필라멘트가 연마되는(ground down) 경우에, 레이어(층)들은 본질적으로 잘못 인쇄된다. 이것은 전형적으로 복구할 수 없는 오류인데, 그 이유는 후속 레이어들에 플라스틱을 어느 정도 증착해도 인쇄물의 최종 형태에 영향을 미치지 않기 때문이다. 이러한 방식으로, 결함은 현재 활성층이 인쇄할 수 없는 시편(specimen)으로 분류된다. 이러한 상황들을 수정하기 위해, 한 가지 접근 방식은 고장이 감지된 영역의 인쇄를 중지하는 것인데, 이로써 추가적인 융합되지 않은 플라스틱이 다른 시편에 영향을 미치지 않고 고장이 배치 고장(batch failure)으로 연쇄적으로 이어지지 않도록 한다.
일부 실시예들에서, 고장 분류기(202)는 복구 불가능한 고장이 존재하는 때를 식별하도록 훈련된 컨볼루션 신경망(CNN; convolutional neural network)(212)을 포함할 수 있다. 일부 실시예들에서, CNN(212)은 특징 학습을 위한 3개의 컨볼루션/최대(max) 풀링(pooling) 레이어들을 포함할 수 있고, 그 다음에는 드롭아웃(dropout)이 있는 완전-연결 네트워크, 및 이진(binary) 분류를 수행하는 소프트-최대 활성화가 뒤따를 수 있다. 일부 실시예들에서, CNN(212)은 제조 단계의 시작 전에 제품의 이미지를 모니터링 플랫폼(104)으로부터의 입력으로서 수신할 수 있다. 상기 이미지에 기초하여, CNN(212)은 복구 불가능한 장애(고장)가 존재하는지 여부를 나타내는 이진 출력(예를 들어, 고장 또는 비(not)-고장)을 생성하도록 구성될 수 있다.
일부 실시예들에서, CNN(212)은 고장된 또는 고장되지 않은 다음 클래스들에 대해 훈련될 수 있다. 훈련 세트는 고장된 제품들의 특징과 고장되지 않은 제품들의 특징을 포함하는 다양한 제품 이미지들을 포함할 수 있다. 일부 실시예들에서, 훈련 세트는 각 클래스의 수천 개의 예들을 포함할 수 있다. 3D 인쇄(프린팅) 분야의 특정 예를 사용하면, 훈련 세트는 각 분류의 적절한 수의 인스턴스(instance)들을 포함할 수 있는데, 그 이유는 Y(예: 500) 레이어들을 갖는 파일 인쇄물(filed print)은 인쇄 가능한 레이어를 나타내는 N개의 예, 및 Y-N개의 고장 예를 가질 수 있기 때문이다 - 여기서 N은 인쇄 고장의 레이어를 나타낼 수 있다. 일부 실시예들에서, 주어진 배치(batch)에는 12개의 시편이 인쇄되어 배치당 총 6000개의 이미지가 포함될 수 있다. 개별 관심 영역에서 인쇄가 고장된(failed) 레이어를 시각적으로 식별하고 그에 따라 데이터 세트를 분할하는 것을 포함하는 라벨링(labelling)을 사용하여 대규모 훈련 이미지 세트를 수집할 수 있다.
상태 자동인코더(204)는 제품이 고장나지 않았다는 고장 분류기(202)에 의한 결정 시(時)에 특정 제품에 대한 상태 인코딩을 생성하도록 구성될 수 있다. 예를 들어, 상태 자동인코더(204)는 에이전트가 행동할 상태를 생성하도록 구성될 수 있다. 일부 실시예들에서, 상태 자동인코더(204)는 에이전트가 행동할 상태를 생성하기 위해, 훈련된 사용자 비감독(unsupervised) 방법들일 수 있다.
도 3은 예시적인 실시예들에 따른, 상태 자동인코더(204)의 아키텍처를 나타내는 블록도이다. 도시된 바와 같이, 상태 자동인코더(204)는 인코더 부분(302) 및 디코더 부분(304)을 포함할 수 있다. 인코더 부분(302) 및 디코더 부분(304)은 자체의 미러링된(mirrored) 버전일 수 있으며, 이것으로 인해 가중치(weight)들이 훈련되어, 이미지의 핵심 구성 요소들을 나타낼 수 있는 임의의 차원으로 정보를 감소시킬 수 있다.
도시된 바와 같이, 인코더 부분(302)은 이미지들(306), 하나 이상의 컨볼루션 레이어(308), 풀링(pooling) 레이어(310), 및 하나 이상의 완전히 연결된 레이어(312)를 포함할 수 있다. 일부 실시예들에서, 이미지들(306)은 타겟 제품 또는 시편의 모니터링 플랫폼(104)으로부터 수신된 입력 이미지를 나타낼 수 있다. 일부 실시예들에서, 하나 이상의 컨볼루션 레이어(308)는 여러 컨볼루션 레이어들을 나타낼 수 있으며, 각 컨볼루션 레이어는 상기 입력 이미지에 존재하는 특정 특징들을 식별하도록 구성될 수 있다. 하나 이상의 컨볼루션 레이어(308)를 통과한 후, 하나 이상의 컨볼루션 레이어(308)로부터의 출력이 풀링 레이어(310)에 제공될 수 있다. 풀링 레이어(310)는 이미지의 전체 크기(사이즈)를 줄이도록 구성될 수 있다. 풀링 레이어(310)의 출력은 하나 이상의 완전히 연결된 레이어(312)에 제공될 수 있다. 일부 실시예들에서, 하나 이상의 완전히 연결된 레이어(312)는 여러 개의 완전히 연결된 레이어들(312)을 나타낼 수 있다. 하나 이상의 완전히 연결된 레이어(312)는 교정 에이전트(206)에 대한 상태 정의로서 사용될 수 있는 특징 벡터(314)를 출력으로서 생성할 수 있다. 특징 벡터(314)는 타겟 시편의 하나 이상의 고(high)차원 특징(들)(예를 들어, 시편의 이미지들)의 인코딩된 저(low)차원 표현일 수 있다. 인코딩된 특징 벡터(314)는 고정 차원의 잠재 변수일 수 있다. 특징 벡터(314) 차원은 인코딩된 잠재 공간에서 고차원 특징들을 가장 잘 나타내기 위해 신경망 설계 프로세스의 일부로서 선택될 수 있다.
디코더 부분(304)은 인코더 부분(302)에 의해 생성된 출력으로부터 입력 이미지를 재구성하도록 구성될 수 있다. 디코더 부분(304)은 하나 이상의 완전히 연결된 레이어(316), 하나 이상의 업샘플링(upsampling) 레이어(318), 하나 이상의 디컨볼루션 레이어(320), 및 하나 이상의 이미지(322)를 포함할 수 있다. 하나 이상의 완전히 연결된 레이어(316)는 하나 이상의 완전히 연결된 레이어(312)로부터 입력을 수신할 수 있다. 예를 들어, 하나 이상의 완전히 연결된 레이어(316)는 인코더 부분(302)으로부터, 디스케일링된(descaled) 이미지 데이터를 입력으로서 수신할 수 있다. 완전히 연결된 레이어들(316)은 하나 이상의 업샘플링 레이어(318)에 입력을 제공할 수 있다. 업샘플링 레이어들(318)은 완전히 연결된 레이어들(316)에 의해 제공된 입력의 차원들을 업샘플링하거나 증가시키도록 구성될 수 있다. 업샘플링 레이어들(318)은 업샘플링된 이미지들을 하나 이상의 디컨볼루션 레이어(320)에 제공하여 하나 이상의 이미지(322)를 생성할 수 있다.
다시 도 2를 참조하면, 상태 자동인코더(204)에 의해 생성된 특징 벡터는 교정 에이전트(206)에 대한 입력으로서 제공될 수 있다. 교정 에이전트(206)는 제품의 현재 상태에 기초하여 제품에 대한 최종 품질 메트릭을 투영하고, 투영된 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다고 가정할 때 취해야 할 하나 이상의 시정 조치를 식별하도록 구성될 수 있다.
도 4는 예시적인 실시예들에 따른, 교정 에이전트(206)에 대한 행위자-비평가 패러다임의 아키텍처를 도시하는 블록도이다. 도시된 바와 같이, 교정 에이전트(206)는 현재 상태(402), 행위자 네트워크("행위자")(404), 및 비평가 네트워크("비평가")(406)를 포함할 수 있다. 현재 상태(402)는 상태 자동인코더(204)에 의해 생성된 특징 벡터(314)를 나타낼 수 있다. 예를 들어, 교정 에이전트(206)는 특징 벡터(314)를 수신할 수 있고, 병렬로(in parallel) 그것을 2개의 개별 네트워크들, 즉 행위자(404) 및 비평가(406)에 대한 입력으로 사용할 수 있다.
행위자(404)는 주어진 상태 정의에 기초하여 취해질 시정 조치들의 예측들을 생성하도록 구성될 수 있다. 예를 들어, 특징 벡터(314)에 기초하여, 행위자(404)는 최종 품질 메트릭에 기초하여 취해질 하나 이상의 시정 조치를 생성하도록 구성될 수 있다. 일부 실시예들에서, 취해질 가능한 허용 가능 조치들의 세트는 사용자에 의해 미리 설정될 수 있다. 예를 들어, 3D 프린팅의 경우에, 취해질 허용 가능 조치들의 세트는 압출 플라스틱의 길이 변경 및 압출기 헤드의 속도 변경을 포함할 수 있다. 이러한 조치들이 선택된 이유는 그것들이 전형적으로 3D 프린팅 공정(프로세스)의 모든 인쇄 이동에 포함되고, 명령당 압출될 플라스틱의 양뿐만 아니라 프린트 헤드가 이동하는 속도를 지시하기 때문이다. 둘 다의 변수들은 압출 공정의 정밀도와 관련이 있다.
도시된 바와 같이, 행위자(404)는 하나 이상의 완전히 연결된 레이어(층)(408, 412) 및 하나 이상의 활성화 함수(410, 414)를 포함할 수 있다. 일부 실시예에서, 활성화 함수들(410, 414)은 쌍곡선 tan (tanh) 활성화 함수일 수 있다. 출력으로서, 행위자(404)는 특징 벡터(314)에 의해 정의된 바와 같이, 제품의 현재 상태에 기초하여 취해질 조치들의 세트(예를 들어, 보상 세트(416))를 생성하도록 구성될 수 있다.
비평가(406)는 행위자(404)와 유사한 아키텍처를 포함할 수 있다. 예를 들어, 비평가(406)는 유사한 하나 이상의 완전히 연결된 레이어(418, 422) 및 유사한 하나 이상의 활성화 함수(420, 424)를 포함할 수 있다. 행위자(404) 및 비평가(406)에 대한 동일한 입력들의 특성은 적절한 변환이 연결될 때까지 행위자(404)와 비평가(406) 둘 다에 대해 동일한 네트워크 아키텍처들을 포함할 것을 제안할 수 있다. 행위자(404)와 비평가(406) 둘 다의 아키텍처는 그에 따라 설계될 수 있다. 행위자(404)와 비평가(406) 둘 다에 대해 유사한 아키텍처를 채택하면, 설계 공정이 간단하고 빠르며 디버그하기 쉬울 수 있다. 일부 실시예들에서, 후속 네트워크 레이어들의 크기 및 형상은 그 연결에 의존할 수 있다. 하나 이상의 완전히 연결된 레이어(418, 422)로부터의 출력은 행위자(404)에 의해 생성된 조치들의 세트(예를 들어, 보상 세트(416))와 병합될 수 있다(예를 들어, 병합(426)). 비평가(406)는 완전히 연결된 레이어들(428) 및 활성화 함수(430)를 사용하여 조치의 궤적에 대한 품질의 예측(예를 들어, 예측(432))을 하기 위해 상기 조치들의 세트를 사용할 수 있다.
도 2를 다시 참조하면, 예측 엔진(112)은 데이터베이스(208)와 통신할 수 있다. 데이터베이스(208)는 하나 이상의 이전(prior) 경험(210)을 저장할 수 있다. 이전 경험들(210)은 주어진 상태 벡터에 대해 취해진 권장 조치들, 및 이러한 권장 조치들의 결과로서 대응하는 최종 품질 메트릭을 나타낼 수 있다. 이러한 방식으로, 예측 엔진(112)은 수용 가능한 최종 품질 메트릭들의 범위 내에 있는 최종 품질 메트릭을 초래할 제품의 주어진 상태에 대해 어떤 조치들을 취해야 하는지를 학습하기 위해 그 파라미터들을 지속적으로 조정할 수 있다.
도 5는 예시적인 실시예들에 따른, 다단계 제조 공정을 수행하는 것을 정정하는 방법(500)을 예시하는 흐름도이다. 방법(500)은 단계(502)에서 시작할 수 있다.
단계(502)에서, 표준 명령어 세트가 제조 시스템(102)에 제공될 수 있다. 표준 명령어 세트는 제조 공정에 대한 명령어들의 세트를 나타낼 수 있다. 일부 실시예들에서, 표준 명령어 세트는 각각의 스테이션(108)에 제공될 수 있다. 이러한 실시예들에서, 각각의 표준 명령어 세트는 각각의 스테이션(108)에 대응하는 특정 제조 단계에 대한 처리 파라미터들을 지시할 수 있다.
단계(504)에서, 제어 모듈(106)은 제조 시스템(102)이 최종 상태(terminal state)에 있는지 여부를 결정할 수 있다. 다시 말해서, 제어 모듈(106)은 제조 시스템(102)이 타겟 제품을 완성하는 것을 완료했는지 여부를 결정할 수 있다. 제어 모듈(106)이 제조 시스템(102)이 최종 상태에 있다고 결정하면(즉, 제품이 제조됨), 방법(500)은 종료될 수 있다. 그러나, 제어 모듈(106)이 제조 시스템(102)이 최종 상태에 있지 않다고 결정하면, 방법(500)은 단계(506)로 진행할 수 있다.
단계(506)에서, 시정 조치가 주어진 제조 단계에 적용될 수 있다. 예를 들어, 교정 에이전트(206)에 의해 생성된 예측에 기초하여, 제어 모듈(106)은 주어진 스테이션(108)에 상기 적용될 시정 조치에 대응하는 하나 이상의 처리 파라미터를 조정하도록 지시할 수 있다. 일부 실시예들에서, 단계(506)는 제품이 제 1 처리 단계를 겪고 있는 상황들에서와 같이 또는 교정 에이전트(206)가 시정 조치가 필요하지 않다고 결정할 때와 같이 선택적(옵션)일 수 있다.
단계(508)에서, 예측 엔진(112)은 처리 단계의 끝에서 제품을 검사할 수 있다. 예를 들어, 예측 엔진(112)은 모니터링 플랫폼(104)으로부터 특정 처리 단계의 끝에서 제품의 입력(예를 들어, 하나 이상의 이미지)을 수신할 수 있다. 상기 입력을 사용하여, 고장 분류기(202)는 복구 불가능한 장애가 존재하는지 여부를 결정할 수 있다. 예를 들어, 고장 분류기(202)는 복구 불가능한 장애가 존재하는지 여부를 결정하기 위해 이미지의 다양한 특징들을 식별하도록 훈련된 CNN(212)에 이미지를 제공할 수 있다.
단계(510)에서, 예측 엔진(112)은 고장(장애)이 존재하는지 여부를 결정할 수 있다. 단계(510)에서 예측 엔진(112)이 복구 불가능한 장애가 존재한다고 결정하면, 제조 프로세스(공정)가 종료될 수 있다. 그러나, 단계(510)에서 예측 엔진(112)이 복구 불가능한 장애가 존재하지 않는다고 결정하면, 방법(500)은 단계(514)로 진행할 수 있다.
단계(514)에서, 예측 엔진(112)은 특정 처리 단계에 대한 상태 인코딩을 생성할 수 있다. 예를 들어, 상태 자동인코더(204)는 제품이 고장나지 않았다는 고장 분류기(202)에 의한 결정 시(時)에 제조 단계를 위한 상태 인코딩을 생성하도록 구성될 수 있다. 상태 자동인코더(204)는 모니터링 플랫폼(104)에 의해 캡처된 수신된 입력(예를 들어, 제품의 하나 이상의 이미지)에 기초하여 상태 인코딩을 생성할 수 있다.
단계(516)에서, 예측 엔진(112)은 상기 입력 및 상태 인코딩에 기초하여 다음 스테이션에서 취해질 시정 조치를 결정할 수 있다. 예를 들어, 교정 에이전트(206)는 제품의 현재 상태에 기초하여 제품에 대한 최종 품질 메트릭을 투영하고, 투영된 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다고 가정할 때, 취해야 할 하나 이상의 시정 조치를 식별하도록 구성될 수 있다. 예측 엔진(112)은 다음 처리 단계에 대응하는 각각의 처리 제어기(114)에 상기 시정 조치를 전송할 수 있다.
단계(516) 다음에, 방법(500)은 단계(504)로 복귀할 수 있고, 제어 모듈(106)은 제조 시스템(102)이 최종 상태에 있는지 여부를 결정할 수 있다. 제어 모듈(106)이 제조 시스템(102)이 최종 상태에 있다고 결정하면(즉, 제품이 제조됨), 방법(500)은 종료된다. 그러나, 제어 모듈(106)이 제조 시스템(102)이 최종 상태에 있지 않다고 결정하면, 방법(500)은 단계(506)로 진행할 수 있다.
단계(506)에서, 시정 조치가 주어진 제조 단계에 적용될 수 있다. 예를 들어, 단계(516)에서 교정 에이전트(206)에 의해 생성된 예측에 기초하여, 제어 모듈(106)은 주어진 스테이션(108)에 상기 적용될 시정 조치에 대응하는 하나 이상의 처리 파라미터를 조정하도록 지시할 수 있다.
다음 공정들은 제어 모듈(106)이 제조 시스템(102)이 최종 상태에 있다고 결정할 때까지 반복될 수 있다.
도 6a는 예시적인 실시예들에 따른, 시스템 버스 컴퓨팅 시스템 아키텍처(600)를 도시한 도면이다. 시스템(600)의 하나 이상의 구성 요소는 버스(605)를 사용하여 서로 전기적으로 통신할 수 있다. 시스템(600)은 프로세서(예를 들어, 하나 이상의 CPU, GPU 또는 다른 유형들의 프로세서)(610), 및 읽기 전용 메모리(ROM)(620) 및 랜덤 액세스 메모리(RAM)(625)와 같은 시스템 메모리(615)를 포함하는 다양한 시스템 구성 요소들을 프로세서(610)에 연결하는 시스템 버스(605)를 포함할 수 있다. 시스템(600)은 프로세서(610)와 직접 연결되거나 프로세서(610)에 근접하거나 프로세서(610)의 일부로서 통합된 고속 메모리 캐시를 포함할 수 있다. 시스템(600)은 프로세서(610)에 의한 빠른 액세스를 위해 메모리(615) 및/또는 저장 디바이스(630)로부터 캐시(612)로 데이터를 복사할 수 있다. 이러한 방식으로, 캐시(612)는 데이터를 기다리는 동안 프로세서(610) 지연(delay)들을 피하는 성능 향상을 제공할 수 있다. 이들 및 다른 모듈들은 다양한 동작들을 수행하도록 프로세서(610)를 제어할 수 있거나 제어하도록 구성될 수 있다. 또한, 다른 시스템 메모리(615)도 사용될 수 있다. 메모리(615)는 서로 다른 성능 특성들을 갖는 다수의 서로 다른 유형들의 메모리를 포함할 수 있다. 프로세서(610)는 단일 프로세서 또는 다중 프로세서들을 나타낼 수 있다. 프로세서(610)는 프로세서(610)를 제어하도록 구성된, 저장 디바이스(630)에 저장된 서비스 1(632), 서비스 2(634) 및 서비스 3(636)과 같은 범용 프로세서 또는 하드웨어 모듈 또는 소프트웨어 모듈 중 하나 이상뿐만 아니라, 소프트웨어 명령들이 실제 프로세서 설계에 통합되는 특수-목적 프로세서를 포함할 수 있다. 프로세서(610)는 본질적으로 다중 코어들 또는 프로세서들, 버스, 메모리 컨트롤러, 캐시 등을 포함하는 완전히 자체-포함된 컴퓨팅 시스템일 수 있다. 다중-코어 프로세서는 대칭 또는 비대칭일 수 있다.
컴퓨팅 디바이스(600)와의 사용자 상호작용을 가능하게 하기 위해, 입력 디바이스(645)는 음성용 마이크로폰, 제스처 또는 그래픽 입력용 터치-감지 스크린, 키보드, 마우스, 모션(motion) 입력, 음성 등과 같은 임의의 개수의 입력 메커니즘들일 수 있다. 또한, 출력 디바이스(635)는 당업자들에게 알려진 다수의 출력 메커니즘들 중 하나 이상일 수 있다. 일부 예들에서, 다중 모드(multimodal) 시스템들로 인해 사용자는 컴퓨팅 디바이스(600)와 통신하기 위해 여러 유형들의 입력을 제공할 수 있다. 통신 인터페이스(640)는 일반적으로 사용자 입력 및 시스템 출력을 통제하고 관리할 수 있다. 임의의 특정 하드웨어 배열에서 작동하는데 제한이 없으므로 여기의 기본 기능들은 개발될 때 개선된 하드웨어 또는 펌웨어 배열들로 쉽게 대체될 수 있다.
저장 디바이스(630)는 비휘발성 메모리일 수 있고, 그리고 컴퓨터에 의해 액세스 가능한 데이터를 저장할 수 있는 하드 디스크 또는 다른 유형들의 컴퓨터 판독가능 매체일 수 있는데, 예를 들어 자기(magnetic) 카세트, 플래시 메모리 카드, 솔리드 스테이트(solid state) 메모리 디바이스, 디지털 다목적 디스크, 카트리지, 랜덤 액세스 메모리(RAM)(625), 읽기 전용 메모리(ROM)(620), 및 이들의 혼성물(hybrids) 등이 있다.
저장 디바이스(630)는 프로세서(610)를 제어하기 위한 서비스들(632, 634, 636)을 포함할 수 있다. 다른 하드웨어 또는 소프트웨어 모듈들이 고려될 수 있다. 저장 디바이스(630)는 시스템 버스(605)에 연결될 수 있다. 일 양태에서, 특정 기능을 수행하는 하드웨어 모듈은 기능을 수행하기 위해 프로세서(610), 버스(605), 디스플레이(635) 등과 같은 필요한 하드웨어 구성 요소들과 관련하여 컴퓨터-판독가능 매체에 저장된 소프트웨어 구성 요소를 포함할 수 있다.
도 6b는 예시적인 실시예들에 따른, 칩셋(chipset) 아키텍처를 구비한 컴퓨터 시스템(650)을 도시한 도면이다. 컴퓨터 시스템(650)은 개시된 기술을 구현하기 위해 사용될 수 있는 컴퓨터 하드웨어, 소프트웨어, 및 펌웨어의 예일 수 있다. 시스템(650)은: 식별된 계산들을 수행하도록 구성된 소프트웨어, 펌웨어 및 하드웨어를 실행할 수 있는 임의의 개수의 물리적 및/또는 논리적으로 구별되는 리소스(resource)들을 나타내는 하나 이상의 프로세서(655)를 포함할 수 있다. 하나 이상의 프로세서(655)는 하나 이상의 프로세서(655)에 대한 입력 및 출력을 제어할 수 있는 칩셋(660)과 통신할 수 있다. 이 예에서, 칩셋(660)은 디스플레이와 같은 출력(665)으로 정보를 출력하고, 저장 디바이스(670)에 정보를 읽고 쓸 수 있다. 저장 디바이스(670)는 예를 들어 자기 매체 및 솔리드 스테이트 매체를 포함할 수 있다. 칩셋(660)은 또한 RAM(675)에 대해 데이터를 읽고 쓸 수 있다. 다양한 사용자 인터페이스 구성 요소들(685)과 인터페이스하기 위한 브리지(680)는 칩셋(660)과 인터페이스하기 위해 제공될 수 있다. 이러한 사용자 인터페이스 구성 요소들(685)은 키보드, 마이크로폰, 터치 감지 및 처리 회로망, 마우스와 같은 포인팅 디바이스 등을 포함할 수 있다. 일반적으로, 시스템(650)으로의 입력들은 기계 발생된 및/또는 인간 발생된 다양한 소스들 중 임의의 소스로부터 올 수 있다.
칩셋(660)은 또한 서로 다른 물리적 인터페이스들을 가질 수 있는 하나 이상의 통신 인터페이스들(690)과 인터페이스할 수 있다. 이러한 통신 인터페이스들은 유선 및 무선 로컬 영역 네트워크들, 광대역 무선 네트워크들뿐만 아니라 개인 영역 네트워크들을 위한 인터페이스들을 또한 포함할 수 있다. 여기에 개시된 GUI를 생성, 표시(display) 및 사용하기 위한 방법들의 일부 애플리케이션들은 물리적 인터페이스를 통해 정렬된(ordered) 데이터세트들을 수신하는 것을 포함하거나, 저장소(storage)(670 또는 675)에 저장된 데이터를 분석하는 하나 이상의 프로세서(655)에 의해 기계 자체에 의해 생성될 수 있다. 또한, 기계는 사용자 인터페이스 구성 요소들(685)을 통해 사용자로부터 입력들을 수신하고, 하나 이상의 프로세서(655)를 사용하여 이러한 입력들을 해석함으로써 브라우징 기능과 같은 적절한 기능들을 실행할 수 있다.
예시적인 시스템들(600 및 650)은 하나보다 많은 프로세서(610)를 가질 수 있거나, 더 큰 처리 능력을 제공하기 위해 함께 네트워크화된 컴퓨팅 디바이스들의 그룹 또는 클러스터의 일부일 수 있다는 것을 이해할 수 있다.
전술한 내용은 본 명세서에 설명된 실시예들에 관한 것이지만, 그 기본 범위를 벗어나지 않으면서 다른 실시예 및 추가 실시예가 고안될 수 있다. 예를 들어, 본 개시의 양상들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 여기에 설명된 일 실시예는 컴퓨터 시스템과 함께 사용하기 위한 프로그램 제품으로 구현될 수 있다. 프로그램 제품의 프로그램(들)은 (본 명세서에 설명된 방법들을 포함하는) 실시예들의 기능들을 정의하고, 다양한 컴퓨터-판독가능 저장 매체에 포함될 수 있다. 예시적인 컴퓨터-판독가능 저장 매체에는 다음이 포함되지만 이에 국한되는 것은 아니다: (i) 정보가 영구적으로 저장되는, 쓰기 불가능한 저장 매체(예: CD-ROM 드라이브로 읽을 수 있는 CD-ROM 디스크, 플래시 메모리, ROM 칩 또는 임의의 유형의 솔리드-스테이트 비휘발성 메모리와 같은 컴퓨터 내의 읽기-전용 메모리(ROM) 디바이스들); 및 (ii) 변경 가능한 정보가 저장되는, 쓰기 가능한 저장 매체(예: 디스켓 드라이브 내의 플로피 디스크 또는 하드-디스크 드라이브 또는 임의의 유형의 솔리드 스테이트 랜덤-액세스 메모리). 이러한 컴퓨터-판독가능 저장 매체는 개시된 실시예들의 기능들을 지시하는 컴퓨터-판독가능 명령들을 운반할 때, 본 발명의 실시예이다.
앞의 예들은 예시적이며 제한적이지 않다는 것이 당업자들에게 이해될 것이다. 모든 순열(permutations), 향상, 등가물 및 개선 사항은 본 명세서를 읽고 도면들을 연구할 때 당업자들에게는 자명한 것으로 본 개시의 진정한 사상 및 범위 내에 포함되도록 의도된다. 따라서, 다음에 첨부된 청구범위는 이러한 교시들의 진정한 사상 및 범위에 속하는 모든 그러한 수정, 순열 및 등가물들을 포함하도록 의도된다.

Claims (20)

  1. 제조 시스템에 있어서:
    하나 이상의 스테이션으로서, 각 스테이션은 제품에 대한 다단계 제조 공정에서 적어도 하나의 단계를 수행하도록 구성되는, 스테이션;
    상기 다단계 제조 공정 전반에 걸쳐 상기 제품의 진행 상황을 모니터링하도록 구성되는 모니터링 플랫폼; 및
    상기 제품에 대해 원하는 최종 품질 메트릭을 달성하기 위해 상기 다단계 제조 공정의 각 단계의 처리 파라미터들을 동적으로 조정하도록 구성되는 제어 모듈을 포함하고,
    상기 제어 모듈은 작업들을 수행하도록 구성되고, 상기 작업들은:
    상기 모니터링 플랫폼으로부터, 상기 다단계 제조 공정의 단계에서 상기 제품과 연관된 입력을 수신하는 단계;
    상기 제어 모듈에 의해, 상기 입력에 기초하여 상기 제품에 대한 상태 인코딩을 생성하는 단계;
    상기 제어 모듈에 의해, 상기 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다는 것을 상기 제품의 이미지 및 상기 상태 인코딩에 기초하여 결정하는 단계; 및
    상기 결정에 기초하여, 상기 제어 모듈에 의해, 적어도 후속(following) 스테이션에 대한 제어 로직을 조정하는 단계를 포함하고,
    상기 조정하는 단계는 상기 후속 스테이션에 의해 수행될 시정 조치(corrective action)를 포함하는 것을 특징으로 하는, 제조 시스템.
  2. 제 1 항에 있어서,
    상기 최종 품질 메트릭은 상기 제품의 처리가 완료될 때까지 측정될 수 없는, 제조 시스템.
  3. 제 1 항에 있어서,
    상기 제어 모듈에 의해, 적어도 상기 후속 스테이션에 대한 상기 제어 로직을 조정하는 단계는:
    상기 후속 스테이션에 의해 수행될 상기 시정 조치를 식별하는 단계; 및
    상기 시정 조치 및 상기 상태 인코딩에 기초하여 상기 최종 품질 메트릭을 투영하는 단계를 포함하는, 제조 시스템.
  4. 제 1 항에 있어서,
    상기 작업들은 상기 제어 모듈에 의해, 상기 입력에 기초하여 복구 불가능한 장애가 존재하는지 여부를 결정하는 단계를 더 포함하는, 제조 시스템.
  5. 제 4 항에 있어서,
    상기 입력은 이미지를 포함하고, 상기 제어 모듈은 컨볼루션 신경망(convolutional neural network)을 사용하여 상기 복구 불가능한 장애가 존재함을 결정하는, 제조 시스템.
  6. 제 1 항에 있어서,
    상기 제어 모듈에 의해, 적어도 상기 후속 스테이션에 대한 상기 제어 로직을 조정하는 단계는 추가 후속 스테이션에 대한 추가 제어 로직을 조정하는 단계를 포함하는, 제조 시스템.
  7. 제 1 항에 있어서,
    상기 하나 이상의 처리 스테이션 각각은 3D 프린팅 공정의 층(layer) 증착에 대응하는, 제조 시스템.
  8. 다단계 제조 방법에 있어서:
    제조 시스템의 모니터링 플랫폼으로부터 컴퓨팅 시스템에 의해, 하나 이상의 스테이션의 스테이션에서 제품의 이미지를 수신하는 단계로서, 각 스테이션은 다단계 제조 공정의 단계를 수행하도록 구성되는, 단계;
    상기 컴퓨팅 시스템에 의해, 상기 제품의 이미지에 기초하여 상기 제품에 대한 상태 인코딩을 생성하는 단계;
    상기 컴퓨팅 시스템에 의해, 상기 제품의 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다는 것을 상기 제품의 이미지 및 상기 상태 인코딩에 기초하여 결정하는 단계; 및
    상기 결정에 기초하여, 상기 컴퓨팅 시스템에 의해, 적어도 후속 스테이션에 대한 제어 로직을 조정하는 단계를 포함하고,
    상기 조정하는 단계는 상기 후속 스테이션에 의해 수행될 시정 조치를 포함하는, 다단계 제조 방법.
  9. 제 8 항에 있어서,
    상기 최종 품질 메트릭은 상기 제품의 처리가 완료될 때까지 측정될 수 없는, 다단계 제조 방법.
  10. 제 8 항에 있어서,
    상기 컴퓨팅 시스템에 의해, 적어도 상기 후속 스테이션에 대한 상기 제어 로직을 조정하는 단계는:
    상기 후속 스테이션에 의해 수행될 상기 시정 조치를 식별하는 단계; 및
    상기 시정 조치 및 상기 상태 인코딩에 기초하여 상기 최종 품질 메트릭을 투영하는 단계를 포함하는, 다단계 제조 방법.
  11. 제 8 항에 있어서,
    상기 컴퓨팅 시스템에 의해, 상기 이미지에 기초하여 복구 불가능한 장애가 존재하는지 여부를 결정하는 단계를 더 포함하는 다단계 제조 방법.
  12. 제 11 항에 있어서,
    상기 컴퓨팅 시스템은 컨볼루션 신경망을 사용하여 복구 불가능한 장애가 존재함을 결정하는, 다단계 제조 방법.
  13. 제 8 항에 있어서,
    상기 컴퓨팅 시스템에 의해, 적어도 상기 후속 스테이션에 대한 상기 제어 로직을 조정하는 단계는 추가 후속 스테이션에 대한 추가 제어 로직을 조정하는 단계를 포함하는, 다단계 제조 방법.
  14. 제 8 항에 있어서,
    상기 하나 이상의 스테이션 각각은 3D 프린팅 공정의 층 증착에 대응하는, 다단계 제조 방법.
  15. 3차원(3D) 프린팅 시스템에 있어서:
    제품을 형성하기 위해 복수의 층(layer)들을 증착하도록 구성된 처리 스테이션;
    증착 공정 전반에 걸쳐 상기 제품의 진행 상황을 모니터링하도록 구성된 모니터링 플랫폼; 및
    상기 제품에 대한 원하는 최종 품질 메트릭을 달성하기 위해 상기 복수의 층들의 각 층에 대한 처리 파라미터들을 동적으로 조정하도록 구성된 제어 모듈을 포함하고,
    상기 제어 모듈은 작업들을 수행하도록 구성되고, 상기 작업들은:
    상기 모니터링 플랫폼으로부터, 층이 증착된 후 상기 제품의 이미지를 수신하는 단계;
    상기 제어 모듈에 의해, 상기 제품의 이미지에 기초하여 상기 제품에 대한 상태 인코딩을 생성하는 단계;
    상기 제어 모듈에 의해, 상기 최종 품질 메트릭이 허용 가능한 값들의 범위 내에 있지 않다는 것을 상기 제품의 이미지 및 상기 상태 인코딩에 기초하여 결정하는 단계; 및
    상기 결정에 기초하여, 상기 제어 모듈에 의해, 상기 복수의 층들 중 적어도 하나의 후속(following) 층을 증착하기 위한 제어 로직을 조정하는 단계를 포함하고,
    상기 조정하는 단계는 상기 후속 층의 증착 동안 수행될 시정 조치를 포함하는 것을 특징으로 하는, 3D 프린팅 시스템.
  16. 제 15 항에 있어서,
    상기 최종 품질 메트릭은 상기 제품의 처리가 완료될 때까지 측정될 수 없는, 3D 프린팅 시스템.
  17. 제 15 항에 있어서,
    상기 제어 모듈에 의해, 적어도 상기 후속 층을 증착하기 위한 상기 제어 로직을 조정하는 단계는:
    상기 후속 층의 증착 동안 수행될 상기 시정 조치를 식별하는 단계; 및
    상기 시정 조치 및 상기 상태 인코딩에 기초하여 상기 최종 품질 메트릭을 투영하는 단계를 포함하는, 3D 프린팅 시스템.
  18. 제 15 항에 있어서,
    상기 제어 모듈에 의해, 상기 이미지에 기초하여 복구 불가능한 장애가 존재하는지 여부를 결정하는 단계를 더 포함하는 3D 프린팅 시스템.
  19. 제 18 항에 있어서,
    상기 제어 모듈은 컨볼루션 신경망을 사용하여 상기 복구 불가능한 장애가 존재함을 결정하는, 3D 프린팅 시스템.
  20. 제 15 항에 있어서,
    컴퓨팅 시스템에 의해, 적어도 상기 후속 층을 증착하기 위한 상기 제어 로직을 조정하는 단계는 추가 후속 층에 대한 추가 제어 로직을 조정하는 단계를 포함하는, 3D 프린팅 시스템.
KR1020227011079A 2019-09-10 2020-09-09 제조 공정을 위한 시스템, 방법 및 매체 KR20220054673A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962898535P 2019-09-10 2019-09-10
US62/898,535 2019-09-10
PCT/US2020/049886 WO2021050508A1 (en) 2019-09-10 2020-09-09 Systems, methods, and media for manufacturing processes

Publications (1)

Publication Number Publication Date
KR20220054673A true KR20220054673A (ko) 2022-05-03

Family

ID=74849976

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227011079A KR20220054673A (ko) 2019-09-10 2020-09-09 제조 공정을 위한 시스템, 방법 및 매체

Country Status (5)

Country Link
US (2) US11117328B2 (ko)
EP (1) EP4028228A4 (ko)
KR (1) KR20220054673A (ko)
CN (1) CN114450135A (ko)
TW (3) TWI764272B (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210311440A1 (en) * 2019-11-06 2021-10-07 Nanotronics Imaging, Inc. Systems, Methods, and Media for Manufacturing Processes
WO2021092329A1 (en) * 2019-11-06 2021-05-14 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US20210192779A1 (en) * 2019-11-06 2021-06-24 Nanotronics Imaging, Inc. Systems, Methods, and Media for Manufacturing Processes
TWI765403B (zh) * 2019-11-07 2022-05-21 美商奈米創尼克影像公司 用於製造程序之系統及方法與三維（３ｄ）列印系統
KR20220133712A (ko) * 2021-03-25 2022-10-05 현대자동차주식회사 차량의 품질 관리 시스템 및 그 방법
WO2023107092A1 (en) * 2021-12-06 2023-06-15 Hewlett-Packard Development Company, L.P. Manufacturing powder predictions

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1129509B (it) 1980-01-14 1986-06-04 Tasco Spa Procedimento ed apparecchiatura per il ritrovamento in tempo reale di difetti in oggetti industriali
DE3750285T2 (de) 1986-10-03 1995-03-30 Omron Tateisi Electronics Co Gerät zur Untersuchung einer elektronischen Vorrichtung in fester Baugruppe.
US5815198A (en) 1996-05-31 1998-09-29 Vachtsevanos; George J. Method and apparatus for analyzing an image to detect and identify defects
US6266436B1 (en) 1999-04-09 2001-07-24 Kimberly-Clark Worldwide, Inc. Process control using multiple detections
US6847854B2 (en) 2001-08-10 2005-01-25 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US7032816B2 (en) 2001-12-28 2006-04-25 Kimberly-Clark Worldwide, Inc. Communication between machines and feed-forward control in event-based product manufacturing
US7202793B2 (en) 2002-10-11 2007-04-10 Attention Technologies, Inc. Apparatus and method of monitoring a subject and providing feedback thereto
US8909926B2 (en) 2002-10-21 2014-12-09 Rockwell Automation Technologies, Inc. System and methodology providing automation security analysis, validation, and learning in an industrial controller environment
US8103087B2 (en) 2006-01-20 2012-01-24 Hitachi High-Technologies Corporation Fault inspection method
US8131055B2 (en) 2008-01-31 2012-03-06 Caterpillar Inc. System and method for assembly inspection
DE112009005510A5 (de) 2008-01-31 2013-06-20 Fisher-Rosemount Systems, Inc. Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung
US7974723B2 (en) 2008-03-06 2011-07-05 Applied Materials, Inc. Yield prediction feedback for controlling an equipment engineering system
NL2006002A (en) * 2010-02-19 2011-08-22 Asml Netherlands Bv Lithographic apparatus and device manufacturing method.
WO2012000650A1 (en) 2010-06-28 2012-01-05 Precitec Kg A method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same
KR20140116551A (ko) 2012-01-31 2014-10-02 쓰리엠 이노베이티브 프로퍼티즈 캄파니 표면의 삼차원 구조를 측정하는 방법 및 장치
EP2965286A1 (en) 2013-03-04 2016-01-13 Rite-Hite Holding Corporation Methods and apparatus for video based process monitoring and control
US10386827B2 (en) 2013-03-04 2019-08-20 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics platform
US9056422B2 (en) 2013-04-09 2015-06-16 Massachusetts Institute Of Technology Methods and apparatus for encoded textures
US9855698B2 (en) 2013-08-07 2018-01-02 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
US20150184549A1 (en) 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
TWI526797B (zh) 2014-09-02 2016-03-21 三緯國際立體列印科技股份有限公司 立體列印裝置的校正裝置以及校正方法
CN107004060B (zh) 2014-11-25 2022-02-18 Pdf决策公司 用于半导体制造工艺的经改进工艺控制技术
US10421267B2 (en) 2015-02-12 2019-09-24 Arevo, Inc. Method to monitor additive manufacturing process for detection and in-situ correction of defects
EP3391638A4 (en) 2015-12-16 2019-08-14 Martineau, Pierre R. METHOD AND DEVICE FOR REMANENT IMAGE CONTROL
JP6979963B2 (ja) * 2016-02-18 2021-12-15 ヴェロ・スリー・ディー・インコーポレイテッド 正確な３次元印刷
US20190339671A1 (en) * 2017-01-05 2019-11-07 Itamar Izhak Yona Systems and methods for automatic three-dimensional object printing
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
US10753955B2 (en) * 2017-06-30 2020-08-25 General Electric Company Systems and method for advanced additive manufacturing
US11511373B2 (en) 2017-08-25 2022-11-29 Massachusetts Institute Of Technology Sensing and control of additive manufacturing processes
CN107498874B (zh) * 2017-09-21 2023-09-12 杭州捷诺飞生物科技股份有限公司 三维打印同步微层析成像在线监控方法及系统
US10394229B2 (en) 2017-09-27 2019-08-27 International Business Machines Corporation Orchestration of learning and execution of model predictive control tool for manufacturing processes
US10870219B2 (en) * 2017-10-11 2020-12-22 Caterpillar Inc. Monitoring system for three-dimensional printing
US11112771B2 (en) * 2017-12-20 2021-09-07 Moog Inc. Convolutional neural network evaluation of additive manufacturing images, and additive manufacturing system based thereon
KR20200124304A (ko) 2018-03-20 2020-11-02 도쿄엘렉트론가부시키가이샤 통합형 종단간 자기 정렬 다중 패터닝 공정을 위한 플랫폼 및 작업 방법
US11084225B2 (en) 2018-04-02 2021-08-10 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
US10518480B2 (en) 2018-04-02 2019-12-31 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence feedback control in additive manufacturing
US10930531B2 (en) 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
JP7103274B2 (ja) * 2019-02-28 2022-07-20 日本電信電話株式会社 検知装置及び検知プログラム
US10481579B1 (en) 2019-02-28 2019-11-19 Nanotronics Imaging, Inc. Dynamic training for assembly lines

Also Published As

Publication number Publication date
US20210394456A1 (en) 2021-12-23
TW202228992A (zh) 2022-08-01
EP4028228A1 (en) 2022-07-20
EP4028228A4 (en) 2023-09-27
CN114450135A (zh) 2022-05-06
US20210069990A1 (en) 2021-03-11
TW202126473A (zh) 2021-07-16
US11117328B2 (en) 2021-09-14
TWI764272B (zh) 2022-05-11
TW202402507A (zh) 2024-01-16
TWI821985B (zh) 2023-11-11

Similar Documents

Publication Publication Date Title
KR20220054673A (ko) 제조 공정을 위한 시스템, 방법 및 매체
JP2023113719A (ja) 製造プロセスのためのシステム、方法、および媒体
US20210263495A1 (en) Systems, Methods, and Media for Manufacturing Processes
KR20220093171A (ko) 제조 공정을 위한 시스템, 방법 및 매체
US20210311440A1 (en) Systems, Methods, and Media for Manufacturing Processes
JP7320884B2 (ja) 製造プロセスのためのシステム、方法、および媒体
KR20220154135A (ko) 제조 공정을 위한 시스템, 방법 및 매체
EP4168941A1 (en) Systems, methods, and media for manufacturing processes

Legal Events

Date Code Title Description
E902 Notification of reason for refusal