KR20220077144A - 제조 공정을 위한 시스템, 방법 및 매체 - Google Patents

제조 공정을 위한 시스템, 방법 및 매체 Download PDF

Info

Publication number
KR20220077144A
KR20220077144A KR1020227015026A KR20227015026A KR20220077144A KR 20220077144 A KR20220077144 A KR 20220077144A KR 1020227015026 A KR1020227015026 A KR 1020227015026A KR 20227015026 A KR20227015026 A KR 20227015026A KR 20220077144 A KR20220077144 A KR 20220077144A
Authority
KR
South Korea
Prior art keywords
component
control module
manufacturing
quality metric
station
Prior art date
Application number
KR1020227015026A
Other languages
English (en)
Inventor
다마스 리모지
파비안 허프
구쉬키 사데흐 노우리
아스윈 라그하브 니르마레스와란
바딤 핀스키
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
Publication of KR20220077144A publication Critical patent/KR20220077144A/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
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • 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
    • B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/80—Plants, production lines or modules
    • B22F12/82—Combination of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/86—Serial processing with multiple devices grouped
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Magnetic Heads (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Game Rules And Presentations Of Slot Machines (AREA)
  • Image Analysis (AREA)

Abstract

제조 시스템이 본원에 개시된다. 제조 시스템은 하나 이상의 스테이션과, 모니터링 플랫폼, 및 제어 모듈을 포함할 수 있다. 각각의 스테이션은 구성요소에 대한 다단계 제조 공정에서 적어도 하나의 단계를 수행하도록 구성된다. 모니터링 플랫폼은 다단계 제조 공정 전반에 걸쳐 구성요소의 진행 상황을 모니터링하도록 구성된다. 제어 모듈은 구성요소에 대해 원하는 최종 품질 메트릭을 달성하기 위해 다단계 제조 공정의 각각의 단계의 공정 파라미터를 동적으로 조정하도록 구성된다.

Description

제조 공정을 위한 시스템, 방법 및 매체
관련 출원에 대한 교차 참조
본 출원은 2019년 11월 7일 출원된 미국 가출원 제62/932,043호에 대한 우선권을 주장하며, 이 전체가 본원에 참조로 포함된다.
본 개시는 일반적으로 제조 공정을 위한 시스템, 방법 및 매체에 관한 것이다.
원하는 설계 사양을 일관되게 충족하는 구성요소를 안전하고 시기 적절하며 최소한의 낭비로 제조하기 위해서는 일반적으로 제조 공정에 대한 지속적인 모니터링과 조정이 필요하다.
미국공개특허 제2019-0118300호(2019.04.25.)
본 발명은 원하는 설계 사양을 일관되게 충족하는 구성요소를 안전하고 시기 적절하며 최소한의 낭비로 제조하기 위해 제조 공정에 대한 지속적인 모니터링과 조정이 가능한 제조 공정을 위한 시스템, 방법 및 매체를 제공하는 것을 목적으로 한다.
일부 실시형태에서, 제조 시스템이 본원에 개시된다. 제조 시스템은 하나 이상의 스테이션과, 모니터링 플랫폼, 및 제어 모듈을 포함할 수 있다. 각각의 스테이션은 구성요소에 대한 다단계 제조 공정에서 적어도 하나의 단계를 수행하도록 구성된다. 모니터링 플랫폼은 다단계 제조 공정 전반에 걸쳐 구성요소의 진행 상황을 모니터링하도록 구성된다. 제어 모듈은 구성요소에 대해 원하는 최종 품질 메트릭을 달성하기 위해 다단계 제조 공정의 각각의 단계의 공정 파라미터를 동적으로 조정하도록 구성된다. 제어 모듈은 동작을 수행하도록 구성된다. 동작은, 모니터링 플랫폼으로부터, 다단계 제조 공정의 하나의 단계에서 구성요소와 관련된 입력을 수신하는 단계를 포함한다. 동작은, 제어 모듈에 의해, 다수의 단계 중 적어도 제 1 단계가 복구 불가능한 실패를 경험하지 않았으며 다수의 단계 중 적어도 제 2 단계가 복구 불가능한 실패를 경험했다고 결정하는 단계를 더 포함한다. 동작은, 결정을 기반으로, 제어 모듈에 의해, 입력을 기반으로 구성요소에 대한 상태 인코딩(state encoding)을 생성하는 단계를 더 포함한다. 동작은, 제어 모듈에 의해, 구성요소의 상태 인코딩과 입력을 기반으로, 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않다고 결정하는 단계를 더 포함한다. 동작은, 결정을 기반으로, 제어 모듈에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계를 더 포함하고, 여기서 조정은 다음 스테이션에 의해 수행될 시정 조치 및 적어도 제 2 단계의 처리를 중지시키는 명령을 포함한다.
일부 실시형태에서, 다단계 제조 방법이 본원에 개시된다. 컴퓨팅 시스템은, 제조 시스템의 모니터링 플랫폼으로부터, 하나 이상의 스테이션 중 하나의 스테이션에서의 구성요소의 이미지를 수신한다. 각각의 스테이션은 다단계 제조 공정의 하나의 단계를 수행하도록 구성된다. 컴퓨팅 시스템은 다수의 단계 중 적어도 제 1 단계가 복구 불가능한 실패를 경험하지 않았으며 다수의 단계 중 적어도 제 2 단계가 복구 불가능한 실패를 경험했다고 결정한다. 결정을 기반으로, 컴퓨팅 시스템은 구성요소의 이미지를 기반으로 구성요소에 대한 상태 인코딩을 생성한다. 컴퓨팅 시스템은 구성요소의 상태 인코딩과 이미지를 기반으로 구성요소의 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않은 것을 결정한다. 결정을 기반으로, 컴퓨팅 시스템은 적어도 다음 스테이션에 대한 제어 로직을 조정한다. 조정은 다음 스테이션에서 수행될 시정 조치 및 적어도 제 2 단계의 처리를 중지시키는 명령을 포함한다.
일부 실시형태에서, 3차원(3D) 프린팅 시스템이 본원에 개시된다. 3차원 프린팅 시스템은 처리 스테이션과, 모니터링 플랫폼 및 제어 모듈을 포함한다. 처리 스테이션은 다수의 층을 증착하여 구성요소를 형성하도록 구성된다. 모니터링 플랫폼은 증착 공정 전반에 걸쳐 구성요소의 진행 상황을 모니터링하도록 구성된다. 제어 모듈은 구성요소에 대한 원하는 최종 품질 메트릭을 달성하기 위해 다수의 층의 각각의 층에 대한 공정 파라미터를 동적으로 조정하도록 구성된다. 제어 모듈은 동작을 수행하도록 구성된다. 동작은, 모니터링 플랫폼으로부터, 층이 증착된 후 구성요소의 이미지를 수신하는 단계를 포함한다. 동작은, 제어 모듈에 의해, 다수의 단계 중 적어도 제 1 단계가 복구 불가능한 실패를 경험하지 않았으며 다수의 단계 중 적어도 제 2 단계가 복구 불가능한 실패를 경험했다고 결정하는 단계를 더 포함한다. 동작은, 제어 모듈에 의해, 구성요소의 이미지를 기반으로 구성요소에 대한 상태 인코딩을 생성하는 단계를 더 포함한다. 동작은, 제어 모듈에 의해, 구성요소의 상태 인코딩과 이미지를 기반으로 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않은 것을 결정하는 단계를 더 포함한다. 동작은, 결정을 기반으로, 제어 모듈에 의해, 다수의 층 중 적어도 다음 층을 증착하기 위한 제어 로직을 조정하는 단계를 더 포함한다. 조정은 다음 층의 증착 동안 수행될 시정 조치 및 적어도 제 2 단계의 처리를 중지시키는 명령을 포함한다.
본 발명은 원하는 설계 사양을 일관되게 충족하는 구성요소를 안전하고 시기 적절하며 최소한의 낭비로 제조할 수 있고, 제조 공정에 대한 지속적인 모니터링과 조정이 가능하다는 효과가 있다.
위에서 언급한 본 개시의 특징이 상세히 이해될 수 있도록, 위에서 간략하게 요약한 본 개시의 보다 구체적인 설명은 첨부된 도면에 일부가 도시된 실시형태를 참조하여 제공될 수 있다. 그러나, 첨부된 도면은 본 개시의 전형적인 실시형태만을 예시하고, 따라서 본 개시가 다른 동등하게 효과적인 실시형태를 허용할 수 있기 때문에 그 범위를 제한하는 것으로 간주되어서는 안 된다는 점에 주목해야 한다.
도 1은 예시적인 실시형태에 따른 제조 환경을 도시하는 블록도이다.
도 2는 예시적인 실시형태에 따른 제조 환경의 예측 엔진을 도시하는 블록도이다.
도 3은 예시적인 실시형태에 따른 예측 엔진의 상태 오토인코더(state autoencoder)의 아키텍처를 도시하는 블록도이다.
도 4는 예시적인 실시형태에 따른 예측 엔진의 시정 에이전트에 대한 액터-크리틱(actor-critic) 패러다임의 아키텍처를 도시하는 블록도이다.
도 5는 예시적인 실시형태에 따른 다단계 제조 공정을 수행하는 방법을 도시하는 흐름도이다.
도 6a는 예시적인 실시형태에 따른 시스템 버스 컴퓨팅 시스템 아키텍처를 도시한다.
도 6b는 예시적인 실시형태에 따른 칩셋 아키텍처를 갖는 컴퓨터 시스템을 도시한다.
이해를 돕기 위해, 가능한 한 동일한 참조 번호를 사용하여 도면에 공통적인 동일한 요소를 지정했다. 하나의 실시형태에 개시된 요소들은 특별한 언급 없이도 다른 실시형태에서 유리하게 활용될 수 있을 것이다.
본원에 설명된 하나 이상의 기술은 일반적으로 다단계 제조 공정의 각각의 단계를 모니터링하도록 구성된 모니터링 플랫폼에 관한 것이다. 다단계 제조 공정의 각각의 단계에 대해, 모니터링 플랫폼은 구성요소의 진행 상황을 모니터링하고, 구성요소의 현재 상태가 최종 구성요소와 관련된 최종 품질 메트릭에 어떻게 영향을 미치는지 결정할 수 있다. 일반적으로 최종 품질 메트릭은 다단계 제조 공정의 각각의 단계에서는 측정될 수 없는 메트릭이다. 예시적인 최종 품질 메트릭은 최종 구성요소의 인장 강도, 경도, 열적 특성 등을 포함할 수 있지만 이에 한정되지는 않는다. 인장 강도와 같은 특정 최종 품질 메트릭의 경우, 이러한 메트릭을 측정하기 위해 파괴 시험이 사용된다.
본원에 설명된 하나 이상의 기술은 하나 이상의 인공 지능 기술을 사용하여 다단계 제조 공정의 각각의 단계에서 최종 품질 메트릭을 예상할 수 있다. 예를 들어, 본원에 설명된 하나 이상의 기술은 다단계 제조 공정의 특정 단계에서 구성요소의 상태를 기반으로 최종 품질 메트릭을 예상하기 위해 하나 이상의 강화 알고리즘을 활용할 수 있다.
또한, 본원에 제공된 하나 이상의 기술은 복구 불가능한 실패가 존재하는지 여부를 검출하기 위한 메커니즘을 포함할 수 있다. 예를 들어, 주어진 처리 스테이션에서의 구성요소의 처리 이후, 본 시스템은 복구 불가능한 실패가 존재하는지를 결정하기 위해 구성요소를 분석하기 위한 메커니즘을 포함할 수 있다. 그러나, 전체 구성요소에 대한 이진 출력(예를 들어, 실패가 존재함, 실패가 존재하지 않음)을 제공하는 대신, 본 시스템은 구성요소를 제조하기 위한 다수의 단계의 각각의 단계에 대해 실패 결정을 내리는 하나 이상의 기계 학습 기술을 포함할 수 있다.
물리적 환경에 강화 학습을 적용하는 것은 사소한 일이 아니다. 강화 학습은 일반적으로 다른 유형의 기계 학습 기술만큼 실제 물리적 환경에 도움이 되지 않는다. 이는 일반적으로 예측 모델을 훈련시키는 데 필요한 훈련 예제가 많기 때문일 수 있다. 물리적 환경에서는 물리적 구성요소를 제조하는 비용과 시간으로 인해 필요한 수의 훈련 예제를 생성하기 어려운 경우가 많다. 이러한 제한을 처리하기 위해, 본원에 제공된 하나 이상의 기술은 모델이 없는 강화 학습 기술을 활용할 수 있으며, 이를 통해 예측 모델은 탐색될 환경을 학습할 수 있다. 이는 최적의 조치를 예측하는 데 필요한 측정이 적기 때문에 물리적 측정과 잘 어울린다.
제조 공정은 복잡할 수 있으며, 최종 구성요소가 생산될 때까지 다양한 공정 스테이션(또는 "스테이션")에 의해 처리되는 원자재를 포함할 수 있다. 일부 실시형태에서, 각각의 공정 스테이션은 처리를 위한 투입물을 수용하고 추가 처리를 위해 후속(다운스트림) 공정 스테이션을 따라 전달될 수 있는 중간 산출물을 출력할 수 있다. 일부 실시형태에서, 최종 공정 스테이션은 처리를 위한 투입물을 수용할 수 있고, 최종 구성요소 또는 더 일반적으로는 최종 산출물을 출력할 수 있다.
일부 실시형태에서, 각각의 스테이션은 한 세트의 공정 단계를 수행할 수 있는 하나 이상의 도구/장비를 포함할 수 있다. 예시적인 공정 스테이션은 컨베이어 벨트, 사출 성형 프레스, 절단 기계, 다이 스탬핑 기계, 압출기, 컴퓨터 수치 제어(CNC) 밀, 그라인더, 조립 스테이션, 3차원 프린터, 품질 관리 스테이션, 검증 스테이션 등을 포함할 수 있지만 이에 한정되지는 않는다.
일부 실시형태에서, 각각의 공정 스테이션의 동작은 하나 이상의 공정 제어기에 의해 통제될 수 있다. 일부 실시형태에서, 각각의 공정 스테이션은, 공정 스테이션의 동작을 제어하도록 프로그램될 수 있는 하나 이상의 공정 제어기를 포함할 수 있다. 일부 실시형태에서, 작업자 또는 제어 알고리즘은 스테이션 제어기에 각각의 제어 값에 대한 원하는 값 또는 값의 범위를 나타낼 수 있는 스테이션 제어기 설정값을 제공할 수 있다. 일부 실시형태에서, 제조 공정에서 피드백 또는 피드포워드에 사용되는 값은 제어 값이라 할 수 있다. 예시적인 제어 값은 속도, 온도, 압력, 진공, 회전, 전류, 전압, 전력, 점도, 스테이션에서 사용되는 재료/자원, 처리율, 정전 시간, 유독 가스 등을 포함할 수 있지만 이에 한정되지는 않는다.
일부 실시형태에서, 구성요소는 제조 공정의 출력물을 의미할 수 있다. 예를 들어, 제조 공정의 출력물은 모바일 장치의 일부인 회로 기판, 모바일 장치의 일부인 화면 및/또는 완성된 모바일 장치일 수 있다.
도 1은 예시적인 실시형태에 따른 제조 환경(100)을 도시하는 블록도이다. 제조 환경(100)은 제조 시스템(102)과, 모니터링 플랫폼(104), 및 제어 모듈(106)을 포함할 수 있다. 제조 시스템(102)은 다단계 제조 시스템을 광범위하게 나타낼 수 있다. 일부 실시형태에서, 제조 시스템(102)은 적층 제조(예를 들어, 3D 프린팅 시스템)에 사용하기 위한 제조 시스템을 나타낼 수 있다. 일부 실시형태에서, 제조 시스템(102)은 절삭 가공(예를 들어, CNC 기계가공)에 사용하기 위한 제조 시스템을 나타낼 수 있다. 일부 실시형태에서, 제조 시스템(102)은 적층 제조 및 절삭 가공의 조합에서 사용하기 위한 제조 시스템을 나타낼 수 있다. 보다 일반적으로, 일부 실시형태에서, 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 공정 내의 단계 및/또는 스테이션을 나타낼 수 있다. 예를 들어, 각각의 스테이션(108)은 3D 프린팅 공정 내의 층 증착 작업을 나타낼 수 있다(예를 들어, 스테이션(1081)은 층(1)에 해당할 수 있고, 스테이션(1082)은 층(2)에 해당할 수 있다). 또 다른 예에서, 각각의 스테이션(108)은 특정 처리 스테이션에 해당할 수 있다. 일부 실시형태에서, 구성요소의 제조 공정은 다수의 단계를 포함할 수 있다. 일부 실시형태에서, 다수의 단계는 순서화된 단계 시퀀스를 포함할 수 있다. 일부 실시형태에서, 다수의 단계는 순서 없는(예를 들어, 랜덤 또는 의사 랜덤) 단계 시퀀스를 포함할 수 있다.
각각의 스테이션(108)은 공정 제어기(114) 및 제어 로직(116)을 포함할 수 있다. 각각의 공정 제어기(1141-114n)는 각각의 스테이션(108)의 동작을 제어하도록 프로그램될 수 있다. 일부 실시형태에서, 제어 모듈(106)은 각각의 제어 값에 대해 원하는 값 또는 값의 범위를 나타낼 수 있는 스테이션 제어기 설정값을 각각의 공정 제어기(114)에 제공할 수 있다. 제어 로직(116)은 스테이션(108)의 공정 단계와 관련된 속성/파라미터를 참조할 수 있다. 동작하는 동안, 각각의 스테이션(108)에 대한 제어 로직(116)은 최종 품질 메트릭의 현재 궤적에 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 실시형태에서, 모니터링 플랫폼(104)은 제조 시스템(102)의 구성요소일 수 있다. 예를 들어, 모니터링 플랫폼(104)은 3D 프린팅 시스템의 구성요소일 수 있다. 일부 실시형태에서, 모니터링 플랫폼(104)은 제조 시스템(102)과는 독립적일 수 있다. 예를 들어, 모니터링 플랫폼(104)은 기존 제조 시스템(102)에 새로 장착될 수 있다. 일부 실시형태에서, 모니터링 플랫폼(104)은 다단계 공정의 각각의 단계에서 구성요소의 이미지를 캡처하도록 구성된 이미징 장치를 나타낼 수 있다. 예를 들어, 모니터링 플랫폼(104)은 각각의 스테이션(108)에서의 구성요소의 이미지를 캡처하도록 구성될 수 있다. 일반적으로, 모니터링 플랫폼(104)은 구성요소의 생산과 관련된 정보(예를 들어, 이미지, 전압 판독값, 속도, 판독값 등)를 캡처하고, 해당 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 실시형태에서, 하나 이상의 통신 채널은 셀룰러 또는 와이파이 네트워크와 같은 인터넷을 통한 개별 연결을 나타낼 수 있다. 일부 실시형태에서, 하나 이상의 통신 채널은 무선 주파수 식별(RFID), 근거리 통신(NFC), 블루투스(Bluetooth™), 저에너지 블루투스(BLE), 와이파이(Wi-Fi™), 지그비(ZigBee™), 주변 후방산란 통신(ambient backscatter communication, ABC) 프로토콜, USB, WAN 또는 LAN와 같은 직접 연결을 사용하여 단말, 서비스 및 모바일 장치를 연결할 수 있다.
제어 모듈(106)은 제조 시스템(102)의 각각의 공정 제어기를 제어하도록 구성될 수 있다. 예를 들어, 모니터링 플랫폼(104)에 의해 캡처된 정보를 기반으로, 제어 모듈(106)은 특정 스테이션(108) 또는 처리 단계와 관련된 공정 제어를 조정하도록 구성될 수 있다. 일부 실시형태에서, 제어 모듈(106)은 예상 최종 품질 메트릭을 기반으로 특정 스테이션(108) 또는 처리 단계의 공정 제어를 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 데이터를 기반으로 구성요소의 최종 품질 메트릭을 예상하도록 훈련된 하나 이상의 기계 학습 모듈을 나타낼 수 있다. 동작하는 동안, 제어 모듈(106)은 모니터링 플랫폼(104)으로부터 입력을 수신할 수 있다. 일부 실시형태에서, 이러한 입력은 다단계 제조 공정의 하나의 단계 이후의 구성요소의 현재 상태의 이미지의 형태를 취할 수 있다. 입력을 기반으로, 제어 모듈(106)은 구성요소의 최종 품질 메트릭을 예상할 수 있다. 구성요소의 예상 최종 품질 메트릭에 따라, 제어 모듈(106)은 후속 제조 단계에서 취해야 할 하나 이상의 조치를 결정할 수 있다. 예를 들어, 예상 최종 품질 메트릭이 허용되는 값의 범위 밖에 있는 경우, 제어 모듈(106)은 제조 공정을 시정하기 위한 하나 이상의 조치를 취할 수 있다. 일부 실시형태에서, 제어 모듈(106)은 후속 스테이션(108)의 스테이션 제어기와 인터페이스하여, 이들 각각의 제어 및/또는 스테이션 파라미터를 조정할 수 있다. 이러한 조정은 최종 품질 메트릭이 허용되는 품질 메트릭 범위 내에 있도록 제조 공정을 수정하는 데 도움이 될 수 있다.
도 2는 예시적인 실시형태에 따른 예측 엔진(112)을 도시하는 블록도이다. 도시된 바와 같이, 예측 엔진(112)은 실패 분류기(202)와, 상태 오토인코더(204), 및 시정 에이전트(206)를 포함할 수 있다. 실패 분류기(202), 상태 오토인코더(204), 및 시정 에이전트(206) 각각은 하나 이상의 소프트웨어 모듈을 포함할 수 있다. 하나 이상의 소프트웨어 모듈은, 하나 이상의 알고리즘 단계를 구현하는 일련의 기계 명령(예를 들어, 프로그램 코드)에 해당하는, 매체(예를 들어, 제어 모듈(106)과 관련된 컴퓨팅 시스템의 메모리)에 저장된 코드 또는 명령의 모음일 수 있다. 이러한 기계 명령은 프로세서가 명령을 구현하기 위해 해석하는 실제 컴퓨터 코드일 수 있거나, 대안적으로 실제 컴퓨터 코드를 얻기 위해 해석되는 명령의 더 높은 수준의 코딩일 수 있다. 하나 이상의 소프트웨어 모듈은 또한 하나 이상의 하드웨어 구성요소를 포함할 수 있다. 예시적인 알고리즘의 하나 이상의 양태는, 명령의 결과로서라기보다는, 하드웨어 구성요소(예를 들어, 회로) 자체에 의해 수행될 수 있다. 또한, 일부 실시형태에서, 실패 분류기(202), 상태 오토인코더(204), 및 시정 에이전트(206) 각각은 구성요소들 사이에서 하나 이상의 신호를 전송하도록 구성될 수 있다. 이러한 실시형태에서, 이러한 신호는 컴퓨팅 장치에 의해 실행되는 기계 명령으로 제한되지 않을 수 있다.
일부 실시형태에서, 실패 분류기(202), 상태 오토인코더(204), 및 시정 에이전트(206)는 하나 이상의 로컬 네트워크(205)를 통해 통신할 수 있다. 네트워크(205)는 셀룰러 또는 와이파이 네트워크와 같은 인터넷을 통한 개별 연결을 포함하는 적절한 유형의 것일 수 있다. 일부 실시형태에서, 네트워크(205)는 무선 주파수 식별(RFID), 근거리 통신(NFC), 블루투스(Bluetooth™), 저에너지 블루투스(BLE), 와이파이(Wi-Fi™), 지그비(ZigBee™), 주변 후방산란 통신(ABC) 프로토콜, USB, WAN 또는 LAN와 같은 직접 연결을 사용하여 단말, 서비스 및 모바일 장치를 연결할 수 있다. 전송되는 정보는 개인 정보이거나 기밀 정보일 수 있으므로, 보안 문제는 이러한 유형의 연결 중 하나 이상이 암호화되거나 다른 방식으로 보호될 것을 필요로 한다. 그러나, 일부 실시형태에서, 전송되는 정보는 덜 개인적일 수 있고, 따라서 네트워크 연결은 보안보다 편의를 위해 선택될 수 있다.
실패 분류기(202)는 제조 기술에 대한 시정 조치가 가능한지 여부를 결정하도록 구성될 수 있다. 예를 들어, 실패 분류기(202)는 입력으로서 모니터링 플랫폼(104)으로부터 입력을 수신할 수 있다. 입력을 기반으로, 실패 분류기(202)는 복구 불가능한 실패가 존재하는지 여부를 결정할 수 있다. 3D 프린팅 분야의 특정 예를 사용하면, 3D 프린터의 히트 베드(heat bed)에서 부품이 제거되거나, 피더 기어(feeder gear)가 표면을 잡을 수 없을 정도로 필라멘트가 연마되면, 층들은 본질적으로 잘못 인쇄된다. 후속 층에 플라스틱을 어느 정도 증착해도 인쇄물의 최종 형태에 영향을 미치지 않기 때문에, 이는 일반적으로 복구할 수 없는 실패이다. 이러한 방식으로, 실패는 현재의 활성층이 인쇄될 수 없는 표본으로 분류된다. 이러한 상황을 시정하기 위해, 한 가지 접근 방식은, 추가로 융합되지 않은 플라스틱이 다른 표본에 영향을 미치지 않고 실패가 일괄적인 실패로 이어지지 않도록, 실패가 감지된 영역의 인쇄를 중지하는 것이다.
일부 실시형태에서, 실패 분류기(202)는 구성요소의 일부가 실패했는지 여부를 식별하도록 구성될 수 있다. 예를 들어, 일부 제조 절차에서, 구성요소는 여러 처리 단계(예를 들어, 3D 프린팅 공정)를 포함할 수 있다. 이러한 실시형태에서, 실패는 서브세트의 단계 동안 존재할 있고, 나머지 단계는 다운스트림 처리를 위해 인라인으로 유지된다. 종래에 시스템은 전체 구성요소가 실패를 겪었다고 결정하는 데 제한이 있었다, 즉 실패한 여러 단계와 실패하지 않은 나머지 단계가 있었다. 실패 분류기(202)는, 실패 분류기(202)가 실패한 다수의 단계 중 특정 단계를 식별할 수 있도록 하는 기능을 제공함으로써 종래의 시스템을 개선한다. 이러한 특정 단계를 식별함으로써, 실패 분류기(202)는 그렇지 않으면 완전한 실패로 분류될 구성요소의 추가 처리를 가능하게 할 수 있다.
일부 실시형태에서, 실패 분류기(202)는 복구 불가능한 실패가 존재하는 때를 식별하도록 훈련된 합성곱 신경망(convolutional neural network, CNN)(212)을 포함할 수 있다. 일부 실시형태에서, CNN(212)은 특징 학습(feature learning)을 위한 세 개의 합성곱 계층(convolutional layer)/최대 풀링 계층(max pooling layer)을 포함할 수 있고, 드롭아웃(dropout)이 있는 완전 연결 신경망, 및 이진 분류를 수행하는 소프트-맥스 활성화(soft-max activation)가 뒤따를 수 있다. 일부 실시형태에서, CNN(212)은, 모니터링 플랫폼(104)의 입력으로서, 제조 단계의 시작 전에 구성요소의 이미지를 수신할 수 있다. 이미지를 기반으로, CNN(212)은 복구 불가능한 실패가 존재하는지 여부를 나타내는 이진 출력(예를 들어, 실패하거나 실패하지 않음)을 생성하도록 구성될 수 있다.
일부 실시형태에서, CNN(212)은 실패하거나 실패하지 않은 다음 클래스에 대해 훈련될 수 있다. 훈련 세트는 실패한 구성요소의 특징과 실패하지 않은 구성요소의 특징을 포함하는 구성요소의 다양한 이미지를 포함할 수 있다. 일부 실시형태에서, 훈련 세트는 각각의 클래스의 수천 개의 예제를 포함할 수 있다. 3D 프린팅 분야의 특정 예를 사용하면, Y 개(예를 들어, 500 개) 층이 있는 실패한 인쇄는 인쇄 가능한 층을 나타내는 N 개의 예 및 Y-N 개의 실패의 예를 가질 수 있으므로(여기서 N은 인쇄가 실패한 층을 나타낼 수 있음), 훈련 세트는 각각의 분류의 적절한 수의 경우를 포함할 수 있다. 일부 실시형태에서, 주어진 배치(batch)는 인쇄된 12 개의 표본을 포함할 수 있고, 배치당 총 6000 개의 이미지에 달한다. 개별 관심 영역에서 인쇄가 실패한 층을 시각적으로 식별하고 이에 따라 데이터 세트를 분할하는 단계를 포함하는 라벨링을 사용하여 많은 세트의 트레이닝 이미지가 수집될 수 있다.
일부 실시형태에서, CNN(212)은 보다 미묘한 훈련 세트에 대해 훈련될 수 있으며, 여기서 두 개 이상의 처리 단계를 포함하는 각각의 구성요소에 대해, 각각의 단계는 실패 또는 실패하지 않은 것으로 라벨링된다. 훈련 세트는 실패한 단계의 특징과 실패하지 않은 단계의 특징을 포함하는 구성요소의 다양한 이미지를 포함할 수 있다. 일부 실시형태에서, 훈련 세트는 각각의 클래스의 수천 개의 예를 포함할 수 있다.
상태 오토인코더(204)는 특정 구성요소에 대한 상태 인코딩을 생성하도록 구성될 수 있다. 일부 실시형태에서, 상태 오토인코더(204)는, 구성요소가 실패하지 않은 적어도 하나의 단계를 포함한다고 실패 분류기(202)가 결정할 때, 상태 오토인코더를 생성하도록 구성될 수 있다. 예를 들어, 상태 오토인코더(204)는 에이전트가 행동할 상태를 생성하도록 구성될 수 있다. 일부 실시형태에서, 상태 오토인코더(204)는 에이전트가 행동할 상태를 생성하기 위해 훈련된 사용자 비지도 방법일 수 있다.
도 3은 예시적인 실시형태에 따른 상태 오토인코더(204)의 아키텍처를 나타내는 블록도이다. 도시된 바와 같이, 상태 오토인코더(204)는 인코더 부분(302)과 디코더 부분(304)을 포함할 수 있다. 인코더 부분(302)과 디코더 부분(304)은 자체의 미러링된 버전일 수 있으며, 이를 통해 이미지의 핵심 구성요소를 나타낼 수 있는 임의의 차원으로 정보를 감소시키도록 가중치가 훈련될 수 있다.
도시된 바와 같이, 인코더 부분(302)은 이미지(306)와, 하나 이상의 합성곱 계층(308)과, 풀링 계층(310), 및 하나 이상의 완전 연결 계층(312)을 포함할 수 있다. 일부 실시형태에서, 이미지(306)는 목표로 하는 구성요소 또는 표본의 모니터링 플랫폼(104)으로부터 수신된 입력 이미지를 나타낼 수 있다. 일부 실시형태에서, 하나 이상의 합성곱 계층(308)은 여러 합성곱 계층을 나타낼 수 있으며, 각각의 합성곱 계층은 입력 이미지에 존재하는 특정 특징을 식별하도록 구성된다. 하나 이상의 합성곱 계층(308)을 통과한 후, 하나 이상의 합성곱 계층(308)으로부터의 출력이 풀링 계층(310)에 제공될 수 있다. 풀링 계층(310)은 이미지의 전체 크기를 줄이도록 구성될 수 있다. 풀링 계층(310)의 출력은 하나 이상의 완전 연결 계층(312)에 제공될 수 있다. 일부 실시형태에서, 하나 이상의 완전 연결 계층(312)은 여러 완전 연결 계층(312)을 나타낼 수 있다. 하나 이상의 완전 연결 계층(312)은 출력으로서 특징 벡터(314)를 생성할 수 있으며, 이는 시정 에이전트(206)에 대한 상태 정의로 사용될 수 있다. 특징 벡터(314)는 목표로 하는 표본(예를 들어, 표본의 이미지)의 하나 이상의 고차원 특징(들)의 인코딩된 저차원 표현일 수 있다. 인코딩된 특징 벡터(314)는 고정 차원의 잠재 변수일 수 있다. 특징 벡터(314) 차원은 인코딩된 잠재 공간에서 고차원 특징을 가장 잘 나타내기 위해 신경망 설계 과정의 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 완전 연결 계층(316)과, 하나 이상의 업샘플링 계층(deconvolutional layer, 318)과, 하나 이상의 역합성곱 계층(deconvolutional layer, 320), 및 하나 이상의 이미지(322)를 포함할 수 있다. 하나 이상의 완전 연결 계층(316)은 하나 이상의 완전 연결 계층(312)으로부터 입력을 수신할 수 있다. 예를 들어, 하나 이상의 완전 연결 계층(316)은, 인코더 부분(302)으로부터, 입력으로서 디스케일된(descaled) 이미지 데이터를 수신할 수 있다. 완전 연결 계층(316)은 하나 이상의 업샘플링 층(318)에 입력을 제공할 수 있다. 업샘플링 층(318)은 완전 연결 계층(316)에 의해 제공된 입력의 차원을 업샘플링하거나 증가시키도록 구성될 수 있다. 업샘플링 층(318)은 업샘플링된 이미지를 하나 이상의 역합성곱 계층(320)에 제공하여 하나 이상의 이미지(322)를 생성할 수 있다.
다시 도 2를 참조하면, 상태 오토인코더(204)에 의해 생성된 특징 벡터는 시정 에이전트(206)에 대한 입력으로서 제공될 수 있다. 시정 에이전트(206)는 구성요소의 현재 상태를 기반으로 구성요소에 대한 최종 품질 메트릭을 예상하고, 예상되는 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않다고 가정할 때 취해야 할 하나 이상의 시정 조치를 식별하도록 구성될 수 있다.
도 4는 예시적인 실시형태에 따른 시정 에이전트(206)에 대한 액터-크리틱 패러다임의 아키텍처를 나타내는 블록도이다. 도시된 바와 같이, 시정 에이전트(206)는 현재 상태(402)와, 액터 네트워크("액터")(404), 및 크리틱 네트워크("크리틱")(406)를 포함할 수 있다. 현재 상태(402)는 상태 오토인코더(204)에 의해 생성된 특징 벡터(314)를 나타낼 수 있다. 예를 들어, 시정 에이전트(206)는 특징 벡터(314)를 수신하고, 동시에 두 개의 개별 네트워크, 즉 액터(404) 및 크리틱(406)에 대한 입력으로서 이를 사용할 수 있다.
액터(404)는 주어진 상태 정의를 기반으로 취해질 시정 조치의 예측을 생성하도록 구성될 수 있다. 예를 들어, 특징 벡터(314)를 기반으로, 액터(404)는 최종 품질 메트릭을 기반으로 취해질 하나 이상의 시정 조치를 생성하도록 구성될 수 있다. 일부 실시형태에서, 취해야 할 허용되는 조치의 세트는 사용자에 의해 미리 설정될 수 있다. 예를 들어, 3D 프린팅의 경우, 취해야 할 허용되는 조치의 세트는, 압출 플라스틱의 길이를 변경하는 것과 압출기 헤드 속도를 변경하는 것을 포함할 수 있다. 이러한 조치는 일반적으로 3D 프린팅 공정의 모든 인쇄 조치에 포함되고, 명령당 압출될 플라스틱의 양 및 프린트 헤드가 이동하는 속도를 결정하기 때문에 선택되었다. 두 변수 모두 압출 공정의 정밀도와 관련이 있다.
도시된 바와 같이, 액터(404)는 하나 이상의 완전 연결 계층(408, 412) 및 하나 이상의 활성화 함수(410, 414)를 포함할 수 있다. 일부 실시형태에서, 활성화 함수(410, 414)는 쌍곡 탄젠트(tanh) 활성화 함수일 수 있다. 출력으로서, 액터(404)는 특징 벡터(314)에 의해 정의된 구성요소의 현재 상태를 기반으로 취해질 조치의 세트(예를 들어, 보상 세트(416))를 생성하도록 구성될 수 있다.
크리틱(406)은 액터(404)와 유사한 아키텍처를 포함할 수 있다. 예를 들어, 크리틱(406)은 유사한 하나 이상의 완전 연결 계층(418, 422) 및 유사한 하나 이상의 활성화 함수(420, 424)를 포함할 수 있다. 액터(404)와 크리틱(406)에 대한 동일한 입력의 특성은, 적절한 변환이 연결(concatenation)까지 액터(404)와 크리틱(406) 모두에 대해 동일한 네트워크 아키텍처를 포함할 것을 시사할 수 있다. 액터(404)와 크리틱(406) 모두의 아키텍처는 그에 따라 설계될 수 있다. 액터(404)와 크리틱(406) 모두에 대해 유사한 아키텍처를 채택하면, 설계 과정이 간단하고 빠르며 디버그하기 쉽다. 일부 실시형태에서, 후속 네트워크 계층의 크기와 형상은 그 연결에 의존할 수 있다. 하나 이상의 완전 연결 계층(418, 422)으로부터의 출력은 액터(404)에 의해 생성된 조치의 세트(예를 들어, 보상 세트(416))와 병합(예를 들어, 병합(426))될 수 있다. 크리틱(406)은 완전 연결 계층(428)과 활성화 함수(430)를 사용하여 조치의 궤적에 걸쳐 품질을 예측(예를 들어, 예측(432))하기 위해 조치의 세트를 사용할 수 있다.
도 2를 다시 참조하면, 예측 엔진(112)은 데이터베이스(208)와 통신할 수 있다. 데이터베이스(208)는 하나 이상의 사전 경험(210)을 저장할 수 있다. 사전 경험(210)은 주어진 상태 벡터에 대해 취해진 권장 조치 및 이러한 권장 조치의 결과인 대응하는 최종 품질 메트릭을 나타낼 수 있다. 이러한 방식으로, 예측 엔진(112)은 허용되는 최종 품질 메트릭의 범위 내에 있는 최종 품질 메트릭을 초래할 구성요소의 주어진 상태에 대해 취해야 할 조치를 학습하기 위해 그 파라미터를 지속적으로 조정할 수 있다.
도 5는 예시적인 실시형태에 따른 다단계 제조 공정을 수행하는 방법(500)을 도시하는 흐름도이다. 방법(500)은 단계 502에서 시작할 수 있다.
단계 502에서, 정규 명령 세트가 제조 시스템(102)에 제공될 수 있다. 정규 명령 세트는 제조 공정에 대한 명령의 세트를 나타낼 수 있다. 일부 실시형태에서, 정규 명령 세트는 각각의 스테이션(108)에 제공될 수 있다. 이러한 실시형태에서, 각각의 정규 명령 세트는 각각의 스테이션(108)에 대응하는 특정 제조 단계에 대한 공정 파라미터를 결정할 수 있다.
단계 504에서, 제어 모듈(106)은 제조 시스템(102)이 종료 상태에 있는지 여부를 결정할 수 있다. 다시 말해서, 제어 모듈(106)은 제조 시스템(102)이 목표로 하는 구성요소의 완성을 완료했는지 여부를 결정할 수 있다. 제조 시스템(102)이 종료 상태에 있다고(즉, 구성요소가 제조되었다고) 제어 모듈(106)이 결정하면, 방법(500)은 종료될 수 있다. 그러나, 제조 시스템(102)이 종료 상태에 있지 않다고 제어 모듈(106)이 결정하면, 방법(500)은 단계 506로 진행할 수 있다.
단계 506에서, 주어진 제조 단계에 시정 조치가 적용될 수 있다. 예를 들어, 시정 에이전트(206)에 의해 생성된 예측을 기반으로, 제어 모듈(106)은 적용될 시정 조치에 해당하는 하나 이상의 공정 파라미터를 조정하도록 주어진 스테이션(108)에 지시할 수 있다. 또 다른 예에서, 시정 에이전트(206)에 의해 생성된 예측을 기반으로, 제어 모듈(106)은 후속 단계의 하나 이상의 공정 파라미터를 조정할 수 있다. 일부 실시형태에서, 단계 506는, 구성요소가 제 1 처리 단계를 겪고 있는 상황 또는 시정 에이전트(206)가 시정 조치가 필요하지 않다고 결정할 때와 같이 선택적일 수 있다.
단계 508에서, 예측 엔진(112)은 처리 단계의 끝에서 구성요소를 검사할 수 있다. 예를 들어, 예측 엔진(112)은 모니터링 플랫폼(104)으로부터 특정 처리 단계의 끝에서 구성요소의 입력(예를 들어, 하나 이상의 이미지)을 수신할 수 있다. 입력을 사용하여, 실패 분류기(202)는 복구 불가능한 실패가 존재하는지 여부를 결정할 수 있다. 예를 들어, 실패 분류기(202)는 복구 불가능한 실패가 존재하는지 여부를 결정하기 위해 이미지의 다양한 특징을 식별하도록 훈련된 CNN(212)에 이미지를 제공할 수 있다.
단계 510에서, 예측 엔진(112)은 복구 불가능한 실패가 존재하는지 여부를 결정할 수 있다. 일부 실시형태에서, 제조 공정에서 구성요소를 처리하기 위한 모든 단계가 실패한 경우 복구 불가능한 실패가 존재할 수 있다. 단계 510에서 복구 불가능한 실패가 존재한다고 예측 엔진(112)이 결정하면(즉, 모든 단계가 실패함), 제조 공정은 종료될 수 있다. 그러나, 단계 510에서 구성요소를 처리하기 위한 적어도 하나의 단계가 실패하지 않았다고 예측 엔진(112)이 결정하면, 복구 불가능한 실패가 존재하지 않고, 방법(500)은 단계 514로 진행할 수 있다.
단계 514에서, 예측 엔진(112)은 특정 처리 단계에 대한 상태 인코딩을 생성할 수 있다. 예를 들어, 상태 오토인코더(204)는, 적어도 하나의 단계가 실패하지 않았다고 실패 분류기(202)가 결정할 때, 제조 단계에 대한 상태 인코딩을 생성하도록 구성될 수 있다. 상태 오토인코더(204)는 모니터링 플랫폼(104)에 의해 캡처된 수신 입력(예를 들어, 구성요소의 하나 이상의 이미지)을 기반으로 상태 인코딩을 생성할 수 있다.
단계 516에서, 예측 엔진(112)은 입력 및 상태 인코딩을 기반으로 다음 스테이션에서 취해질 시정 조치를 결정할 수 있다. 예를 들어, 시정 에이전트(206)는 구성요소의 현재 상태를 기반으로 구성요소에 대한 최종 품질 메트릭을 예상하고, 예상되는 최종 품질 메트릭이 허용되는 값의 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 공정 제어기(114)에 시정 조치를 전송할 수 있다. 일부 실시형태에서, 시정 조치는, 다운스트림 스테이션(108)이 실패를 경험하지 않은 단계를 계속 처리하면서, 실패를 경험한 구성요소를 제조하기 위한 단계의 처리를 중지시키는 명령을 포함할 수 있다.
단계 516 이후, 방법(500)은 단계 504로 복귀할 수 있고, 제어 모듈(106)은 제조 시스템(102)이 종료 상태에 있는지 여부를 결정할 수 있다. 제조 시스템(102)이 종료 상태에 있다고(즉, 구성요소가 제조되었다고) 제어 모듈(106)이 결정하면, 방법(500)은 종료된다. 그러나, 제조 시스템(102)이 종료 상태에 있지 않다고 제어 모듈(106)이 결정하면, 방법(500)은 단계 506로 진행할 수 있다.
단계 506에서, 주어진 제조 단계에 시정 조치가 적용될 수 있다. 예를 들어, 단계 516에서 시정 에이전트(206)에 의해 생성된 예측을 기반으로, 제어 모듈(106)은 적용될 시정 조치에 해당하는 하나 이상의 공정 파라미터를 조정하도록 주어진 스테이션(108)에 지시할 수 있다. 또 다른 예에서, 단계 516에서 시정 에이전트(206)에 의해 생성된 예측을 기반으로, 제어 모듈(106)은 적용될 시정 조치에 해당하는, 후속 단계의 하나 이상의 공정 파라미터를 조정할 수 있다.
다음 공정은 제조 시스템(102)이 종료 상태에 있다고 제어 모듈(106)이 결정할 때까지 반복될 수 있다.
도 6a는 예시적인 실시형태에 따른 시스템 버스 컴퓨팅 시스템 아키텍처(600)를 도시하고 있다. 시스템(600)의 하나 이상의 구성요소는 버스(605)를 사용하여 서로 전기적으로 통신할 수 있다. 시스템(600)은 프로세서(예를 들어, 하나 이상의 CPU, GPU 또는 다른 유형의 프로세서)(610) 및 판독 전용 메모리(ROM)(620) 및 랜덤 액세스 메모리(RAM)(625)와 같은 시스템 메모리(615)를 포함하는 다양한 시스템 구성요소를 프로세서(610)에 결합시키는 시스템 버스(605)를 포함할 수 있다. 시스템(600)은, 프로세서(610)에 직접 연결되거나, 이에 근접하거나, 이의 일부로서 통합된 고속 메모리의 캐시를 포함할 수 있다. 시스템(600)은 프로세서(610)에 의한 빠른 액세스를 위해 메모리(615) 및/또는 저장 장치(630)로부터 캐시(612)로 데이터를 복사할 수 있다. 이러한 방식으로, 캐시(612)는 데이터를 기다리는 동안의 프로세서(610) 지연을 피하는 성능 향상을 제공할 수 있다. 이들 및 다른 모듈은 다양한 동작을 수행하도록 프로세서(610)를 제어하거나 제어하도록 구성될 수 있다. 다른 시스템 메모리(615)도 사용할 수 있다. 메모리(615)는 다양한 성능 특성을 갖는 다수의 다양한 유형의 메모리를 포함할 수 있다. 프로세서(610)는 단일 프로세서 또는 다수의 프로세서를 나타낼 수 있다. 프로세서(610)는 프로세서(610)를 제어하도록 구성된, 저장 장치(630)에 저장된 서비스 1(632), 서비스 2(634) 및 서비스 3(636)과 같은, 범용 프로세서 또는 하드웨어 모듈 또는 소프트웨어 모듈, 및 소프트웨어 명령이 실제 프로세서 설계에 통합되는 특수 목적 프로세서 중 하나 이상을 포함할 수 있다. 프로세서(610)는 본질적으로 다수의 코어 또는 프로세서, 버스, 메모리 제어기, 캐시 등을 포함하는 완전히 자체 완비된 컴퓨팅 시스템일 수 있다. 다중 코어 프로세서는 대칭 또는 비대칭일 수 있다.
컴퓨팅 장치(600)와의 사용자 상호작용을 가능하게 하기 위해, 입력 장치(645)는 음성용 마이크, 제스처 또는 그래픽 입력용 터치 감지 스크린, 키보드, 마우스, 모션 입력, 음성 등과 같은 임의의 수의 입력 메커니즘일 수 있다. 출력 장치(635)는 또한 본 기술 분야의 숙련자에게 알려진 다수의 출력 메커니즘 중 하나 이상일 수 있다. 경우에 따라, 다중 모드 시스템은 사용자가 컴퓨팅 장치(600)와 통신하기 위해 여러 유형의 입력을 제공할 수 있도록 할 수 있다. 통신 인터페이스(640)는 일반적으로 사용자 입력 및 시스템 출력을 통제하고 관리할 수 있다. 특정 하드웨어 장치에서 작동하는 데 제한이 없고, 따라서 여기의 기본 기능은 개발될 때 개선된 하드웨어 또는 펌웨어 장치로 쉽게 대체될 수 있다.
저장 장치(630)는 비휘발성 메모리일 수 있고, 자기 카세트, 플래시 메모리 카드, 반도체 메모리 장치, 디지털 다용도 디스크, 카트리지, 랜덤 액세스 메모리(RAM)(625), 판독 전용 메모리(ROM)(620) 및 이들의 하이브리드와 같이, 컴퓨터에 의해 액세스 가능한 데이터를 저장할 수 있는 하드 디스크 또는 다른 유형의 컴퓨터 판독 가능 매체일 수 있다.
저장 장치(630)는 프로세서(610)를 제어하기 위한 서비스(632, 634, 636)를 포함할 수 있다. 다른 하드웨어 또는 소프트웨어 모듈이 고려된다. 저장 장치(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 구성요소와 관련하여 컴퓨터 판독 가능 매체에 저장된 소프트웨어 구성요소를 포함할 수 있다.
도 6b는 예시적인 실시형태에 따른 칩셋 아키텍처를 갖는 컴퓨터 시스템(650)을 도시하고 있다. 컴퓨터 시스템(650)은 개시된 기술을 구현하기 위해 사용될 수 있는 컴퓨터 하드웨어, 소프트웨어, 및 펌웨어의 예일 수 있다. 시스템(650)은 식별된 계산을 수행하도록 구성된 소프트웨어, 펌웨어 및 하드웨어를 실행할 수 있는 임의의 수의 물리적 및/또는 논리적으로 구별되는 리소스를 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)에 정보를 출력하고, 예를 들어 자기 매체 및 반도체 매체를 포함할 수 있는 저장 장치(670)에 대해 정보를 읽고 기록할 수 있다. 칩셋(660)은 또한 RAM(675)에 대해 데이터를 읽고 기록할 수 있다. 다양한 사용자 인터페이스 구성요소(685)와 인터페이스하기 위한 브리지(680)는 칩셋(660)과 인터페이스하기 위해 제공될 수 있다. 이러한 사용자 인터페이스 구성요소(685)는 키보드, 마이크로폰, 터치 검출 및 처리 회로, 마우스와 같은 포인팅 장치 등을 포함할 수 있다. 일반적으로, 시스템(650)에 대한 입력은 기계가 생성하고 및/또는 인간이 생성한 다양한 소스 중 임의의 것에서 비롯될 수 있다.
칩셋(660)은 또한 다양한 물리적 인터페이스를 가질 수 있는 하나 이상의 통신 인터페이스(690)와 인터페이스할 수 있다. 이러한 통신 인터페이스는 유선 및 무선 근거리 통신망용, 광대역 무선 통신망용 및 개인 통신망용 인터페이스를 포함할 수 있다. 본원에 개시된 GUI를 생성, 디스플레이 및 사용하기 위한 방법의 일부 응용은 물리적 인터페이스를 통해 정렬된 데이터세트를 수신하는 단계를 포함하거나, 저장 장치(670 또는 675)에 저장된 데이터를 분석하는 하나 이상의 프로세서(655)에 의해 기계 자체에 의해 생성될 수 있다. 또한, 기계는 사용자 인터페이스 구성요소(685)를 통해 사용자로부터 입력을 수신하고, 하나 이상의 프로세서(655)를 사용하여 이러한 입력을 해석함으로써 브라우징 기능과 같은 적절한 기능을 실행할 수 있다.
예시적인 시스템(600 및 650)은 하나 이상의 프로세서(610)를 가질 수 있거나, 더 큰 처리 능력을 제공하기 위해 함께 네트워크화된 컴퓨팅 장치의 그룹 또는 클러스터의 일부일 수 있다는 것을 인식할 수 있을 것이다.
상기한 내용은 본원에 설명된 실시형태에 관한 것이지만, 그 기본 범위를 벗어나지 않으면서 다른 및 추가 실시형태가 고안될 수 있다. 예를 들어, 본 개시의 양태는 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 본원에 설명된 일 실시형태는 컴퓨터 시스템과 함께 사용하기 위한 프로그램 제품으로 구현될 수 있다. 프로그램 제품의 프로그램(들)은 실시형태의 기능(본원에 설명된 방법을 포함함)을 정의하고, 다양한 컴퓨터 판독 가능 저장 매체에 포함될 수 있다. 예시적인 컴퓨터 판독 가능 저장 매체는: (i) 정보가 영구적으로 저장되는 기록 불가능한 저장 매체(예를 들어, CD-ROM 드라이브로 판독 가능한 CD-ROM 디스크와 같은 컴퓨터 내의 판독 전용 메모리(ROM) 장치, 플래시 메모리, ROM 칩, 또는 임의의 유형의 반도체 비휘발성 메모리); 및 (ii) 변경 가능한 정보가 저장되는 기록 가능한 저장 매체(예를 들어, 디스켓 드라이브 또는 하드 디스크 드라이브 내의 플로피 디스크 또는 임의의 유형의 반도체 랜덤 액세스 메모리)를 포함하지만 이에 한정되지는 않는다. 이러한 컴퓨터 판독 가능 저장 매체는 개시된 실시형태의 기능을 지시하는 컴퓨터 판독 가능 명령을 운반할 때 본 개시의 실시형태이다.
앞의 예들은 예시적이며 제한적이지 않다는 것이 본 기술 분야의 숙련자는 인정할 것이다. 이에 대한 모든 치환, 향상, 등가물 및 개선은 명세서를 읽고 도면을 연구할 때 본 기술 분야의 숙련자에게 자명한 것으로 본 개시의 진정한 사상 및 범위 내에 포함되기 위한 것이다. 따라서 다음의 첨부된 청구범위는 이러한 교시의 진정한 사상 및 범위에 속하는 모든 수정, 치환 및 등가물을 포함하기 위한 것이다.

Claims (20)

  1. 하나 이상의 스테이션과, 모니터링 플랫폼, 및 제어 모듈을 포함하는 제조 시스템으로서,
    각각의 스테이션은 구성요소에 대한 다단계 제조 공정에서 적어도 하나의 단계를 수행하도록 구성되고;
    모니터링 플랫폼은 다단계 제조 공정 전반에 걸쳐 구성요소의 진행 상황을 모니터링하도록 구성되고; 및
    제어 모듈은 구성요소에 대한 원하는 최종 품질 메트릭을 달성하기 위해 다단계 제조 공정의 각각의 단계의 공정 파라미터를 동적으로 조정하도록 구성되고, 제어 모듈은:
    모니터링 플랫폼으로부터, 다단계 제조 공정의 하나의 단계에서 구성요소와 관련된 입력을 수신하는 단계와;
    제어 모듈에 의해, 다수의 단계 중 적어도 제 1 단계가 복구 불가능한 실패를 경험하지 않았으며 다수의 단계 중 적어도 제 2 단계가 복구 불가능한 실패를 경험했다고 결정하는 단계와;
    결정을 기반으로, 제어 모듈에 의해, 입력을 기반으로 구성요소에 대한 상태 인코딩을 생성하는 단계와;
    제어 모듈에 의해, 구성요소의 상태 인코딩과 입력을 기반으로, 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않다고 결정하는 단계; 및
    결정을 기반으로, 제어 모듈에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계로서, 여기서 조정은 다음 스테이션에 의해 수행될 시정 조치 및 적어도 제 2 단계의 처리를 중지시키는 명령을 포함하는, 단계를 포함하는 동작을 수행하도록 구성되는, 제조 시스템.
  2. 제 1 항에 있어서,
    최종 품질 메트릭은 구성요소의 처리가 완료될 때까지 측정될 수 없는, 제조 시스템.
  3. 제 1 항에 있어서,
    제어 모듈에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계는:
    다음 스테이션에 의해 수행될 시정 조치를 식별하는 단계; 및
    시정 조치와 상태 인코딩을 기반으로 최종 품질 메트릭을 예상하는 단계를 포함하는, 제조 시스템.
  4. 제 1 항에 있어서,
    동작은:
    복구 불가능한 실패가 존재하는 때를 식별하도록 합성곱 신경망을 훈련시키는 단계를 더 포함하는, 제조 시스템.
  5. 제 4 항에 있어서,
    입력은 이미지를 포함하고, 제어 모듈은 합성곱 신경망을 사용하여 복구 불가능한 실패가 존재한다고 결정하는, 제조 시스템.
  6. 제 1 항에 있어서,
    제어 모듈에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계는:
    추가의 다음 스테이션에 대한 추가 제어 로직을 조정하는 단계를 포함하는, 제조 시스템.
  7. 제 1 항에 있어서,
    하나 이상의 스테이션 각각은 3D 프린팅 공정 내의 층 증착에 해당하는 제조 시스템.
  8. 다단계 제조 방법으로서, 다단계 제조 방법은:
    컴퓨팅 시스템에 의해, 제조 시스템의 모니터링 플랫폼으로부터, 하나 이상의 스테이션 중 하나의 스테이션에서 구성요소의 이미지를 수신하는 단계로서, 각각의 스테이션은 다단계 제조 공정의 하나의 단계를 수행하도록 구성되는, 단계와;
    컴퓨팅 시스템에 의해, 다수의 단계 중 적어도 제 1 단계가 복구 불가능한 실패를 경험하지 않았으며 다수의 단계 중 적어도 제 2 단계가 복구 불가능한 실패를 경험했다고 결정하는 단계와;
    결정을 기반으로, 컴퓨팅 시스템에 의해, 구성요소의 이미지를 기반으로 구성요소에 대한 상태 인코딩을 생성하는 단계와;
    컴퓨팅 시스템에 의해, 구성요소의 상태 인코딩과 이미지를 기반으로 구성요소의 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않은 것을 결정하는 단계; 및
    결정을 기반으로, 컴퓨팅 시스템에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계로서, 여기서 조정은 다음 스테이션에 의해 수행될 시정 조치 및 적어도 제 2 단계의 처리를 중지시키는 명령을 포함하는, 단계를 포함하는 다단계 제조 방법.
  9. 제 8 항에 있어서,
    최종 품질 메트릭은 구성요소의 처리가 완료될 때까지 측정될 수 없는, 다단계 제조 방법.
  10. 제 8 항에 있어서,
    컴퓨팅 시스템에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계는:
    다음 스테이션에 의해 수행될 시정 조치를 식별하는 단계; 및
    시정 조치와 상태 인코딩을 기반으로 최종 품질 메트릭을 예상하는 단계를 포함하는, 다단계 제조 방법.
  11. 제 8 항에 있어서,
    컴퓨팅 시스템에 의해, 복구 불가능한 실패가 존재하는 때를 식별하도록 합성곱 신경망을 훈련시키는 단계를 더 포함하는 다단계 제조 방법.
  12. 제 11 항에 있어서,
    컴퓨팅 시스템은 합성곱 신경망을 사용하여 복구 불가능한 실패가 존재한다고 결정하는, 다단계 제조 방법.
  13. 제 8 항에 있어서,
    컴퓨팅 시스템에 의해, 적어도 다음 스테이션에 대한 제어 로직을 조정하는 단계는:
    추가의 다음 스테이션에 대한 추가 제어 로직을 조정하는 단계를 포함하는, 다단계 제조 방법.
  14. 제 8 항에 있어서,
    하나 이상의 스테이션 각각은 3D 프린팅 공정 내의 층 증착에 해당하는, 다단계 제조 방법.
  15. 처리 스테이션과, 모니터링 플랫폼 및 제어 모듈을 포함하는 3차원(3D) 프린팅 시스템으로서,
    처리 스테이션은 다수의 층을 증착하여 구성요소를 형성하도록 구성되고;
    모니터링 플랫폼은 증착 공정 전반에 걸쳐 구성요소의 진행 상황을 모니터링하도록 구성되고; 및
    제어 모듈은 구성요소에 대한 원하는 최종 품질 메트릭을 달성하기 위해 다수의 층의 각각의 층에 대한 공정 파라미터를 동적으로 조정하도록 구성되고, 제어 모듈은:
    모니터링 플랫폼으로부터, 층이 증착된 후 구성요소의 이미지를 수신하는 단계와;
    제어 모듈에 의해, 다수의 단계 중 적어도 제 1 단계가 복구 불가능한 실패를 경험하지 않았으며 다수의 단계 중 적어도 제 2 단계가 복구 불가능한 실패를 경험했다고 결정하는 단계와;
    제어 모듈에 의해, 구성요소의 이미지를 기반으로 구성요소에 대한 상태 인코딩을 생성하는 단계와;
    제어 모듈에 의해, 구성요소의 상태 인코딩과 이미지를 기반으로 최종 품질 메트릭이 허용되는 값의 범위 내에 있지 않은 것을 결정하는 단계; 및
    결정을 기반으로, 제어 모듈에 의해, 다수의 층 중 적어도 다음 층을 증착하기 위한 제어 로직을 조정하는 단계로서, 조정은 다음 층의 증착 동안 수행될 시정 조치 및 적어도 제 2 단계의 처리를 중지시키는 명령을 포함하는, 단계를 포함하는 동작을 수행하도록 구성되는, 3차원 프린팅 시스템.
  16. 제 15 항에 있어서,
    최종 품질 메트릭은 구성요소의 처리가 완료될 때까지 측정될 수 없는, 3차원 프린팅 시스템.
  17. 제 15 항에 있어서,
    제어 모듈에 의해, 적어도 다음 층을 증착하기 위한 제어 로직을 조정하는 단계는:
    다음 층의 증착 동안 수행될 시정 조치를 식별하는 단계; 및
    시정 조치와 상태 인코딩을 기반으로 최종 품질 메트릭을 예상하는 단계를 포함하는, 3차원 프린팅 시스템.
  18. 제 15 항에 있어서,
    복구 불가능한 실패가 존재하는 때를 식별하도록 합성곱 신경망을 훈련시키는 단계를 더 포함하는 3차원 프린팅 시스템.
  19. 제 18 항에 있어서,
    제어 모듈은 합성곱 신경망을 사용하여 복구 불가능한 실패가 존재한다고 결정하는, 3차원 프린팅 시스템.
  20. 제 15 항에 있어서,
    적어도 다음 층을 증착하기 위한 제어 로직을 조정하는 단계는:
    추가의 다음 층에 대한 추가 제어 로직을 조정하는 단계를 포함하는, 3차원 프린팅 시스템.
KR1020227015026A 2019-11-07 2020-11-06 제조 공정을 위한 시스템, 방법 및 매체 KR20220077144A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962932043P 2019-11-07 2019-11-07
US62/932,043 2019-11-07
PCT/US2020/059336 WO2021092327A1 (en) 2019-11-07 2020-11-06 Systems, methods, and media for manufacturing processes

Publications (1)

Publication Number Publication Date
KR20220077144A true KR20220077144A (ko) 2022-06-08

Family

ID=75846324

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227015026A KR20220077144A (ko) 2019-11-07 2020-11-06 제조 공정을 위한 시스템, 방법 및 매체

Country Status (7)

Country Link
US (1) US20210138735A1 (ko)
EP (1) EP4054819A4 (ko)
JP (2) JP7289171B2 (ko)
KR (1) KR20220077144A (ko)
CN (1) CN114641386A (ko)
TW (2) TWI802374B (ko)
WO (1) WO2021092327A1 (ko)

Families Citing this family (2)

* 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
US20210192779A1 (en) * 2019-11-06 2021-06-24 Nanotronics Imaging, Inc. Systems, Methods, and Media for Manufacturing Processes

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190118300A (ko) 2018-04-10 2019-10-18 이성범 적립 포인트 또는 스마트폰의 폰빌링을 이용한 톨게이트 통행료 지불방법

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3380849B2 (ja) * 1997-02-06 2003-02-24 松下電器産業株式会社 処理レート算出方法
JPH11243041A (ja) * 1998-02-26 1999-09-07 Mitsubishi Electric Corp 品質管理システムおよび記録媒体
JP2000094275A (ja) * 1998-09-22 2000-04-04 Yokogawa Electric Corp 生産システム
US8185230B2 (en) * 2002-08-22 2012-05-22 Advanced Micro Devices, Inc. Method and apparatus for predicting device electrical parameters during fabrication
JP6198224B2 (ja) * 2014-02-14 2017-09-20 株式会社ｓｍａｒｔ−ＦＯＡ 情報収集システム、情報収集方法、及び情報収集プログラム
EP2988888B1 (en) * 2013-04-26 2017-11-01 United Technologies Corporation Local contamination detection in additive manufacturing
US9855698B2 (en) 2013-08-07 2018-01-02 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
US10421267B2 (en) * 2015-02-12 2019-09-24 Arevo, Inc. Method to monitor additive manufacturing process for detection and in-situ correction of defects
US10286603B2 (en) * 2015-12-10 2019-05-14 Velo3D, Inc. Skillful three-dimensional printing
CN107839236B (zh) * 2016-09-21 2019-07-30 三纬国际立体列印科技股份有限公司 3d印表机的校正方法
US10953647B2 (en) * 2017-01-06 2021-03-23 International Business Machines Corporation Methods and systems for detecting and rectifying faults in 3D printing processes
EP3375607A1 (de) * 2017-03-15 2018-09-19 Heraeus Additive Manufacturing GmbH Verfahren zum bestimmen von druckprozessparameterwerten, verfahren zum steuern eines 3d-druckers, computer-lesbares speichermedium und 3d-drucker
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
WO2019040948A1 (en) * 2017-08-25 2019-02-28 Massachusetts Institute Of Technology DETECTION AND CONTROL OF ADDITIVE MANUFACTURING PROCESSES
JP2019159510A (ja) * 2018-03-09 2019-09-19 キヤノン株式会社 印刷物製造計画作成装置
KR20230141955A (ko) * 2018-12-18 2023-10-10 아르셀러미탈 중간 금속 제품(들)의 그룹으로부터의 최종 금속 제품(들)의 그룹의 제조를 제어하기 위한 방법 및 전자 장치, 관련 컴퓨터 프로그램, 제조 방법 및 설비
JP7121649B2 (ja) * 2018-12-18 2022-08-18 株式会社ミマキエンジニアリング 生産管理システムおよび生産管理プログラム
US12055922B2 (en) * 2019-01-15 2024-08-06 Jfe Steel Corporation Analysis system and analysis method
JP2020127968A (ja) * 2019-02-07 2020-08-27 パナソニックＩｐマネジメント株式会社 学習装置および切断加工評価システム
JP7192190B2 (ja) * 2019-06-27 2022-12-20 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、及び制御装置
US11117328B2 (en) * 2019-09-10 2021-09-14 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
JP6833090B2 (ja) * 2020-05-22 2021-02-24 三菱電機株式会社 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190118300A (ko) 2018-04-10 2019-10-18 이성범 적립 포인트 또는 스마트폰의 폰빌링을 이용한 톨게이트 통행료 지불방법

Also Published As

Publication number Publication date
TW202134025A (zh) 2021-09-16
CN114641386A (zh) 2022-06-17
TWI765403B (zh) 2022-05-21
EP4054819A1 (en) 2022-09-14
TWI802374B (zh) 2023-05-11
WO2021092327A1 (en) 2021-05-14
EP4054819A4 (en) 2023-11-29
US20210138735A1 (en) 2021-05-13
TW202228975A (zh) 2022-08-01
JP2023113719A (ja) 2023-08-16
JP7289171B2 (ja) 2023-06-09
TW202330242A (zh) 2023-08-01
JP2022554303A (ja) 2022-12-28

Similar Documents

Publication Publication Date Title
US11117328B2 (en) Systems, methods, and media for manufacturing processes
JP2023113719A (ja) 製造プロセスのためのシステム、方法、および媒体
JP7320885B2 (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
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
TWI847645B (zh) 用於校正製造程序之系統、方法及非暫態電腦可讀媒體
JP2023516776A (ja) 製造プロセスのためのシステム、方法及び媒体
KR20230025698A (ko) 제조 공정을 위한 시스템, 방법 및 매체

Legal Events

Date Code Title Description
E902 Notification of reason for refusal