TW202033341A - 監測積層製造之技術 - Google Patents
監測積層製造之技術 Download PDFInfo
- Publication number
- TW202033341A TW202033341A TW108137713A TW108137713A TW202033341A TW 202033341 A TW202033341 A TW 202033341A TW 108137713 A TW108137713 A TW 108137713A TW 108137713 A TW108137713 A TW 108137713A TW 202033341 A TW202033341 A TW 202033341A
- Authority
- TW
- Taiwan
- Prior art keywords
- thermal image
- risk score
- layer
- examples
- thermal
- Prior art date
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
- 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
- B29C64/165—Processes of additive manufacturing using a combination of solid and fluid materials, e.g. a powder selectively bound by a liquid binder, catalyst, inhibitor or energy absorber
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
- B29C64/205—Means for applying layers
- B29C64/209—Heads; Nozzles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- 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
-
- 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
-
- 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
- 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
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Factory Administration (AREA)
- Powder Metallurgy (AREA)
Abstract
在此描述透過一電子裝置監測積層製造之方法的範例。於一些範例中,一預測熱影像係針對一層體而計算。在一些範例中,針對該層體獲得一經擷取熱影像。於一些範例中,針對該層體之一風險分數係基於該預測熱影像及該經擷取熱影像而計算。在一些範例中,回應於判定該風險分數落於一臨界範圍以外而執行一緩和操作。
Description
本發明大致而言係有關於監測積層製造之技術。
三維(3D)固態部件可從一數位模型利用積層製造技術來製成。積層製造可用於快速原型開發、模具生產、模具母模生產及短程製造。積層製造涉及施敷連續的建構材料層。此不同於常移除材料以生成最終部件的傳統加工程序。在一些積層製造技術中,建構材料可被固化或熔融。
依據本發明之一可行實施例,係特地提出一種透過電子裝置監測積層製造的方法,其包含:針對一層體計算一預測熱影像;針對該層體獲得一經擷取熱影像;基於該預測熱影像及該經擷取熱影像,針對該層體計算一風險分數;以及回應於判定該風險分數落於一臨界範圍以外,執行一緩和操作。
積層製造可用於製造3D物件。三維(3D)列印為積層製造的一範例。一些3D列印的範例可選擇性積留一像素位階的料劑(例如液滴),以能控制視元(voxel)位階的能量沉積。舉例來說,熱能可被投注到一建構區位中的材料上,其中材料中的相位變化及固化視積留有料劑的視元而定而可發生。
預測暫態熱行為可用來監測積層製造。熱行為可表現成一熱影像。一熱影像為指出一區位中之溫度(或熱能)的一組資料。在一些範例中,一或數個類神經網路可用來計算預測熱影像。一預測熱影像為使用一機器學習模型計算出的一熱影像。舉例來說,該(等)類神經網路可運用一或數個連續色調圖(contone map)(例如指定一建構區位中之一料劑或多個料劑之設置、數量及/或時序之視元位階的機器指令)及/或前一個或前幾個熱影像來預測一熱影像。一風險分數可基於該預測熱影像及一經擷取熱影像來計算。一經擷取熱影像為以一感測器感測或擷取到的一熱影像。一風險分數為針對部件列印品質問題(例如劣化列印部件的風險)、機器狀態漂移、及/或其他程序控制問題的風險指示(例如數值指示)。應了解的是,雖然塑料可被用來說明本文所述之一些方法,但本文所述之技術可用於積層製造的其他變型。
本文所述之一些技術範例可基於一線上熱影像預測及熱影像感測而用於積層製造裝置運行時間性能監測及/或健康監測。在積層製造中,線上運行時間監測可用於多種應用及/或用途實例。
由於熱行為係與終端部件品質直接相關,故監測(例如風險分數計算)在一些範例中可用來推斷終端部件的品質。於一些範例中,線上熱監測(例如風險分數計算)可用來指示列印出的部件是否將符合一品質標準及/或積層製造裝置(例如印表機)的操作是否符合一操作標準,或積層製造裝置是否需要維修。在一些範例中,監測可用於離線製程診斷。舉例來說,於離線製程診斷中,層體監測統計量(例如對應於多重層體的風險分數)可用來找出一製造問題開始的時間及位置。
在本文中使用時,「視元」一詞及其變化詞可指「熱視元」。在一些範例中,一熱視元的尺寸可界定成於熱力學上有意義的一最小值(例如大於42微米或每英吋600點(600 dpi))。一視元尺寸的範例對每英吋150點(150 dpi)而言為25.4毫米(mm)/150≈170微米。一最大的視元尺寸可大略為490微米或50 dpi。「視元位階」一詞及其變化詞可指對應於視元尺寸的解析度、尺度或密度。「低解析度」一詞及其變化詞可指低於一視元位階的解析度、尺度或密度。舉例來說,一低解析度係低於一視元位階解析度。於一些範例中,一視元位階解析度可為至少大於一低解析度的一比例因子(例如5、8、10、15、20等)。低解析度可取決於一製造裝置(例如機器、印表機等)中的像素解析度。例如,一低解析度區位尺寸可有介於11 mm與37 mm間的一大小。雖然這邊提供低解析度區位尺寸的一範例,但可採用其他低解析度區位尺寸。
全部圖式中,相同的參考編號可指類似但不一定相同的元件。此等圖式不一定有依比例繪製,且一些部分的尺寸可能誇大以更為清楚說明所示的範例。此外,該等圖式提供與說明書一致的範例及/或實施態樣,然而,說明書並不限於圖式中所提供的範例及/或實施態樣。
圖1為一3D列印裝置100之一範例的簡化等角視圖,此3D列印裝置可用於監測積層製造之一範例。3D列印裝置100可包括一控制器116、一資料儲存件114、一建構區位102、一列印頭108、一熔劑容器110、一細化劑容器118、一滾筒130、一材料容器122、一熱投射器104及/或一熱感測器106。圖1中3D列印裝置100的範例可包括未繪出的額外構件,且描述的一些構件可在不脫離本揭露內容中之3D列印裝置100的範疇下被移除及/或修改。3D列印裝置100的構件可能未依比例繪製,而因此可能具有不同於圖中所示的尺寸及/或組態。
在圖1之範例中,3D列印裝置100包括一熔劑容器110、熔劑112、一細化劑容器118、細化劑120、一材料容器122及材料124。於其他範例中,3D列印裝置100可包括或多或少的容器、料劑、進料斗及/或材料。材料容器122為儲存可透過3D列印用之滾筒130施敷(例如散佈)到建構區位102上之材料124的一容器。熔劑容器110為儲存一熔劑112的一容器。此熔劑112為控制進入的熱能強度之一物質(例如液體、粉末等)。舉例來說,熔劑112可選擇性施加以利用自熱投射器104施加的熱使施敷的材料124改變相態及/或使施敷的材料124與另一層材料124熔合。例如,材料124中施用有熔劑112的區位最終可固化成所列印的物件。細化劑120為控制出去的熱能強度之一物質(例如液體、粉末等)。舉例來說,細化劑120可選擇性施加以使所列印之物件的邊緣細化。
建構區位102為上面可執行積層製造的一區位(例如表面)。於一些組態中,建構區位102可為一「建構體積」的基底,此建構體積可包括基底上方的一體積。在本文中使用時,「建構區位」用語可指一建構體積的基底及/或建構體積之另一部分(例如基底上方之另一平面)。
滾筒130為用以施敷材料124到建構區位102的一裝置。為列印一3D物件,滾筒130可連續施敷(例如散佈)材料124 (例如粉末),且列印頭108可連續施加及/或遞送熔劑112及/或細化劑120。熱投射器104為將能量(例如熱能、熱力等)傳遞到建構區位102中之材料124、熔劑112及/或細化劑120的一裝置。舉例來說,熔劑112可被施加在(材料124的)粒子打算熔合在一起的一層材料124上。細化劑120可被施加以改變熔融並產生微細的細部結構及/或平滑表面。能量(例如來自熱投射器104之熱能)的暴露造成料劑(例如熔劑112及細化劑120)與材料124間的反應,其可使材料124選擇性熔合一起以形成物件。
列印頭108為施加一或多個物質(例如熔劑112及/或細化劑120)的一裝置。此列印頭108可為例如一熱噴射列印頭、一壓電式列印頭等。列印頭108可包括一或數個噴嘴(圖中未顯示),其中熔劑112及/或細化劑120透過該(等)噴嘴擠出。在一些範例中,列印頭108可跨越建構區位102的一維度。雖然圖式中僅繪示單一列印頭108,但可使用多個列印頭108跨越建構區位102的一維度。此外,一或數個列印頭108可被設在一或數個列印桿中。列印頭108可被附接在一載架(圖1中未顯示)。此載架可讓列印頭108在建構區位102上作一維度或多個維度的移動。
材料124為用以製造物件的一物質(例如粉末)。材料124可從材料容器122移動(例如舀取、升起及/或擠出等),而滾筒130可將材料124施加(例如散佈)到建構區位102上(例如於目前層體之頂部上)。在一些範例中,滾筒130可跨越建構區位102之一維度(例如與列印頭108相同維度或與列印頭108不同維度)。雖然圖式中繪示一滾筒130,但可用其他構件來施加材料124到建構區位102上。於一些範例中,滾筒130可被附接在一載架(圖1中未顯示)。此載架可讓滾筒130在建構區位102上作一維度或多個維度的移動。在一些實施態樣中,可運用多個材料容器122。舉例來說,兩個材料容器122可示現在建構區位102的相對側上,其可允許材料124利用滾筒130在兩個方向上散佈。
於一些範例中,熱投射器104可跨越建構區位102的一維度。雖然圖式中繪示一個熱投射器104,但可用跨越建構區位102之一維度的多個熱投射器104。此外,一熱投射器或數個投射器104可設在一列印桿或數個列印桿中。此熱投射器104可被附接在一載架(圖1中未顯示)。此載架可讓熱投射器104在建構區位102上作一維度或多個維度的移動。
在一些範例中,列印頭108、滾筒130及熱投射器104各可被分開容裝及/或可獨立移動。於一些範例中,列印頭108、滾筒130及熱投射器104中之二或更多者可被容裝一起及/或可一起移動。在一範例中,列印頭108及熱投射器104可被容裝在一列印桿中跨越建構區位102之一個維度,而滾筒130可被容裝在的一載架中跨越建構區位102之另一維度。舉例來說,滾筒130一次動作可施加一層材料124於建構區位102上,其後可有列印頭108及熱投射器104單次或多次在建構區位102上作業。
控制器116為一運算裝置、一以半導體為基礎之微處理器、一中央處理單元(CPU)、圖像處理單元(GPU)、可現場規劃閘極陣列(FPGA)、一特定用途積體電路(ASIC)及/或其他硬體裝置。控制器116可經由通訊線路(圖中未顯示)連接到3D列印裝置100的其他構件。
控制器116可控制致動器(圖中未顯示),以控制3D列印裝置100之構件的運作。舉例來說,控制器116可控制用來控制列印頭108 (沿x、y及/或z軸)之移動的一或數個致動器、用來控制滾筒130 (沿x、y及/或z軸)移動的一或數個致動器、及/或用來控制熱投射器104 (沿x、y及/或z軸) 移動的一或數個致動器。控制器116亦可控制用以控制要由列印頭108從熔劑容器110及/或細化劑容器118積放之熔劑112及/或細化劑120之數量(例如比例)的一或數個致動器。在一些範例中,控制器116可控制沿z軸升起及降低建構區位102的一或數個致動器。控制器116可控制熱感測器106。舉例來說,熱感測器106可被包括(例如整合、內建、安裝)在3D列印裝置100中,且控制器116可請求及/或接收來自熱感測器106的熱影像。
控制器116可與一資料儲存件114通訊。此資料儲存件114可包括使控制器116控制以下動作的機器可讀指令:材料124的供應、對列印頭108之熔劑112及/或細化劑120的供應、列印頭108的移動、滾筒130的移動、及/或熱投射器104的移動。
在一些範例中,控制器116可控制滾筒130、列印頭108及/或熱投射器104,以基於一3D模型列印一3D物件。舉例來說,控制器116可運用以該3D模型為基礎的一或數個連續色調圖來控制列印頭108。一連續色調圖為表示供列印一物質(例如熔劑112或細化劑120)之一或數個位置(例如區位)的一組資料。於一些範例中,一連續色調圖可包括或表示用以列印一物質的機器指令(例如視元位階機器指令)。例如,一熔劑連續色調圖表示用以列印熔劑112的座標及/或數量。在一範例中,一細化劑連續色調圖表示用以列印細化劑120的座標及/或數量。於一些範例中,一連續色調圖可對應於3D模型的一個二維(2D)層體(例如2D切片、2D截面等)。舉例來說,一3D模型可被處理以產生對應於3D模型之多個層體的多個連續色調圖。在一些範例中,一連續色調圖可被表示成一組數值2D網格,其中各數值可指示是否要列印一料劑及/或在2D網格上之位置處的一料劑數量。例如,2D網格中之一數值的位置可對應於建構區位102中的一位置(例如在建構區位102處或上方之一特定位準(z)的一位置(x, y))。於一些範例中,一連續色調圖可為一前述2D網格或陣列的一壓縮版本(例如四元樹)。
資料儲存件114為一機器可讀儲存媒體。機器可讀儲存件為儲存可執行指令及/或資料的任何電子、磁性、光學或其他物理性儲存裝置。一機器可讀儲存媒體可為例如隨機存取記憶體(RAM)、電氣可抹除可規劃唯讀記憶體(EEPROM)、儲存驅動機、光碟及類似者。一機器可讀儲存媒體可以用以控制3D列印裝置100的可執行指令來編碼。一電腦可讀媒體為可由一處理器或電腦讀取之一機器可讀儲存媒體的一範例。
在一些範例中,資料儲存件114可儲存類神經網路資料126、熱影像資料128及/或風險分數資料129。於一些範例中,資料儲存件114可儲存連續色調圖(例如熔劑連續色調圖及/或細化劑連續色調圖)。類神經網路資料126包括定義一或數個類神經網路的資料及/或模型態樣。例如,類神經網路資料126可界定一節點或數個節點、數個節點之間的一連接或數個連接、一網路層或數個網路層、及/或一類神經網路或數個類神經網路。類神經網路的範例包括卷積類神經網路(CNN)(例如CNN、反卷積類神經網路、起始(inception)模組、殘差網路等)及循環類神經網路(RNN)(例如基礎RNN、多層RNN、雙向RNN、融合RNN、時鐘頻率驅動(clockwork)RNN等)。一些方法可運用RNN的一變型或數個變型(例如長短期記憶單元(LSTM)、窺視孔LSTM、無輸入閥(NIG)、無遺忘閥(NFG)、無輸出閥(NOG)、無輸入激活函數(NIAF)、無輸出激活函數(NOAF)、無窺視孔(NP)、結合輸入閥及遺忘閥(CIFG)、滿閥循環(FGR)、閥控循環單元(GRU)等)。可運用不同深度的一類神經網路或數個類神經網路。
在一些範例中,一類神經網路可包括一或數個輸入層、一或數個編碼層、一時空層(例如RNN層)、一或數個解碼層、及/或一或數個輸出層。舉例來說,緊接著輸入層,一編碼層可從輸入抓取特徵。此時空層可從一或數個連續色調圖及一或數個經擷取熱影像(例如從線上或即時機器內熱感測)學習順序及空間資訊兩者。解碼層可將特徵解譯成一輸出領域,且可座落於輸出層之前。在一些實施態樣中,各層體可包括一節點或數個節點(例如一個以上的節點(或感知器))。於一些範例中,一類神經網路可連接到另一個或另外多個類神經網路,可包括另一個或另外多個類神經網路,及/或可與另一個或另外多個類神經網路合併(例如疊加)。於一些範例中,另一個或另外多個類神經網路可被用作為一編碼器或解碼器。
在一些範例中,控制器116使用該(等)類神經網路(由類神經網路資料126定義)來預測熱影像。一熱影像為指出一區位中之溫度(或熱能)的一組資料。於一些範例中,一熱影像為一組熱數值2D網格,其中各熱數值指出對應於2D網格中之一位置的一溫度(或熱能)。在一些範例中,2D網格中的各位置可對應於建構區位102中之一位置(例如在建構區位102處或上方之一特定位準(z)的一位置(x, y))。一熱影像可由一熱感測器106計算(例如預測)或擷取(例如感測)。例如,熱感測器106可擷取一層體之一熱影像。
於一些範例中,控制器116可利用一類神經網路或多個類神經網路基於一連續色調圖或多個連續色調圖(例如一熔融連續色調圖及一細化連續色調圖)及一或數個經擷取熱影像(例如前幾個層體的線上或即時機器內熱感測)來計算(例如預測)一層體之一預測熱影像。該(等)連續色調圖及該(等)經擷取熱影像可用作為對該(等)類神經網路的輸入。舉例來說,一或數個視元位階的連續色調圖可用在一些方法,因為該(等)連續色調圖可有視元位階的能量控制。於一些範例中,可運用經擷取熱影像,因為它們能有熱擴散的推測。此(等)預測影像可被儲存於資料儲存件114中作為熱影像資料128。針對一層體之一熱影像可在形成一層體之前、期間及/或之後「預測」。舉例來說,一熱影像可針對尚未施敷及/或列印的一層體預測。此外或替代地,熱行為(例如一熱影像)可在施敷及/或列印一層體之後的時候針對該層體預測。在本文中使用時,「預測」用語及其變型可指利用一機器學習模型(例如一或數個類神經網路)計算。在一些方法中,一層體的一預測熱影像可獨立於擷取該層體之一熱影像而估算。
一連續色調圖可為料劑設置(例如針對一熔劑的設置及/或數量、及/或針對一細化劑的設置及/或數量)的一表示型態。雖然連續色調圖係提供作為進入(數個)類神經網路之資料輸入的範例,不過除了連續色調圖或替代連續色調圖,其他資訊或資料亦可被運用。例如,切片(slice)可被用來輔助預測熱影像,及/或可用作為一替代的學習資料集。特別是,於一些範例中,切片可取代一連續色調圖或數個連續色調圖使用,或除一連續色調圖或數個連續色調圖以外可使用切片。
熱感測器106為感測或擷取熱資料的一裝置。在一些範例中,熱感測器106被包括在(例如整合其中、內建、為其部分、及/或安裝至) 3D列印裝置100中。於一些範例中,熱感測器106可擷取建構區位102之熱影像。舉例來說,熱感測器106可為擷取建構區位102 (例如建構區位102中所施敷的材料)之熱影像的一紅外線熱感測器(例如照相機)。在一些範例中,熱感測器106可線上擷取熱影像。在本文中使用時,「線上」一詞表示在一製造程序期間。例如,熱影像感測器106可在列印之時擷取各層體的一熱影像,及/或可在材料積設、料劑施加、及/或熱投射期間或之時擷取一或多個影像。線上(例如即時)擷取熱影像可有一經擷取熱影像與一預測熱影像之線上(例如即時)比較。此(等)熱影像可指出建構區位102的熱變動(例如溫度變動)。於一些範例中,一熱影像可為所感測溫度(或熱能)的一個二維(2D)網格。例如,建構區位102的熱感測可指出(例如擷取及包封)環境複雜度及不均勻的熱擴散度。在一些方法中,(數個)熱影像可被轉換以與一連續色調圖或數個連續色調圖一致(例如與該(等)連續色調圖對齊)。於一些範例中,控制器116可接收來自熱感測器106的一層體之一經擷取熱影像。例如,控制器116可命令熱感測器106擷取一熱影像,且可響應而接收所擷取的熱影像。熱感測器106可針對待製造之一物件的各層體擷取一熱影像。
於一些範例中,控制器116可基於該(等)熱影像來計算一預測熱影像。舉例來說,控制器116可運用該(等)連續色調圖及該(等)熱影像作為對該(等)類神經網路的輸入。此(等)類神經網路可被用來基於該(等)連續色調圖及該(等)熱影像來計算(數個)預測熱影像。
一熱影像可對應於在一特定時間(例如在熱影像經擷取的時間)之一層體。預測、計算或估算預測熱影像可包括在層體形成時間之前、之時或之後計算層體之預測的熱影像。
應注意的是,於一些範例中,熱影像可被用來訓練(數個)類神經網路。舉例來說,控制器116可基於預測熱影像及熱影像來計算一損失函數。此(等)類神經網路可基於該損失函數來訓練。
在一些範例中,控制器116可基於預測熱影像及經擷取熱影像來決定針對一層體的一風險分數。一風險分數為積層製造問題之風險的一量測值。例如,一風險分數可提供針對部件列印品質問題(例如劣化列印部件的風險)、機器狀態漂移、及/或其他程序控制問題的指示。於一些範例中,風險分數指出所預期積層製造性能的一偏差程度。
於一些範例中,(數個)類神經網路(例如視元位階熱預測模型)可以實體熱施效者為基礎,且可預期學習機制以模擬熱將如何隨著輸入而產生。因此,預測熱影像可與所感測的熱影像比較,以指出積層製造程序是否遵循所預期的機制。所預期機制的偏差可指出列印出之物件(例如終端部件)的品質、隨時間之機器狀態漂移、及其他程序控制問題之風險。在一些範例中,此風險分數可利用一計數法、一數值法(例如L1範數、L2範數)、或計數與數值法之組合來決定、計算或估算。用來計算風險分數之方法的更多細節係配合圖4提供。
在一些範例中,風險分數可基於一形狀圖利用權重來決定。一形狀圖為指出積層製造用之一或數個物件的一或數個區域之資料。3D模型、3D模型切片及/或連續色調圖可為形狀圖的範例。一權重為用以依比例縮放(例如加重或減輕)一計算結果的數值。此等權重可包括對應於形狀圖之一物件區位的一權重,及對應於形狀圖之一非物件區位的一權重。一物件區位為將要形成或製造一物件的一或數個區位。一非物件區位為沒有要形成或製造一物件的一或數個區位。對應於物件區位的權重可大於對應於非物件區位的權重。舉例來說,在計算風險分數時,不同的權重可被施用在物件及非物件(例如粉末)區位。由於物件熱控制可與終端部件品質直接相關,故對物件區位加權比粉末區位更多係為有益。因此,目前層體的形狀圖可被用作一遮罩將熱影像及/或預測熱影像中的像素分成物件區位及粉末區位。在本文中使用時,一「像素」為一影像中對應於該影像中之一位置的一組分。舉例來說,一熱影像中的一像素可指出在該熱影像之一位置處的一溫度或熱能。在計算風險分數時,比起來自粉末區位的視元,更多的權重可放在來自部件區位的視元上。
於一些範例中,權重包括對應於具有一擴增物件區位之一第一區位的一第一權重,及對應於與該第一區位互補之一第二區位的一第二權重。此第一權重可大於第二權重。例如,在一些方法中,遮罩可能不會精確對應於形狀圖。對形狀邊界周圍的視元之熱控制可為終端部件品質中的一重要因素。因此,形狀圖中的該(等)物件區位可擴增一數量(例如像素數目、視元數目、物件尺寸百分比等)以產生遮罩。藉由使用遮罩,更多的權重可放在形狀邊界周圍的視元上。
在一些範例中,控制器116可基於風險分數來決定是否要執行一緩和操作。一緩和操作為用以減少風險、警告相關風險、及/或避免風險的一操作。一緩和操作的數個範例包括向一裝置呈現一訊息(例如在一顯示器上呈現一訊息、傳送一訊息(例如電子郵件、簡訊、語音訊息、影像、圖像等)),及/或停產。停產為停止或中止製造。於一些範例中,控制器116可響應於針對一層體或數個層體(例如連續層)判斷風險分數落於一臨界範圍以外而執行一緩和操作。
在一些範例中,控制器116可基於該風險分數來監測3D列印裝置100。舉例來說,控制器116可基於該風險分數來執行一緩和操作。於一些範例中,控制器116可如前述基於風險分數傳送一訊息及/或停產。
圖2為繪示可實現來監測積層製造之功能範例的一方塊圖。在一些範例中,配合圖2所述之功能的一者、數者或全部可由配合圖1描述的控制器116來執行。舉例來說,於一些範例中,用於切片238、連續色調圖產生242、一或數個類神經網路248、風險分數判斷234及/或緩和操作判斷236的指令可儲存在資料儲存件114中且由控制器116執行。於其他範例中,一功能或數個功能(例如切片238、連續色調圖產生242、一或數個類神經網路248、風險分數判斷234及/或緩和操作判斷236)可由另外設備執行。舉例來說,切片238可在一分開的設備上實施並發送至3D列印裝置100。
可獲得3D模型資料232。例如,3D模型資料232可從另一裝置接收及/或產生。此3D模型資料可指明列印一3D物件用之3D模型的形狀及/或尺寸。3D模型資料232可定義3D物件的內部及外部部分。3D模型資料232可例如使用多邊形網目來定義。舉例來說,3D模型資料232可使用數種格式來定義,諸如3MF檔案格式、物件(OBJ)檔案格式及/或立體光刻(STL)檔案格式等其他類型的檔案格式。
切片238可基於3D模型資料232執行。例如,切片238可包括產生對應於3D模型資料232的一組2D切片240。在一些方法中,3D模型資料232所指明的3D模型可沿一軸線(例如一垂直軸、z軸或其他軸線)被穿越,其中各切片240表示該3D模型的一2D截面。舉例來說,3D模型的切片238可包括識別一切片平面的一z座標。此切片平面的z座標可用來穿越3D模型,以識別3D模型中切片平面截取的一部分或數個部分。此等切片240可為本文所述之形狀圖的範例。
連續色調圖產生242可基於切片240執行。於一些範例中,一連續色調圖或數個連續色調圖244可針對各切片240產生242。舉例來說,連續色調圖產生242可包括產生一熔合連續色調圖及一細化連續色調圖,其中熔合連續色調圖指出用以針對一層體列印熔劑的一區位或數個區位及密度分布。細化連續色調圖指出用以針對該層體列印細化劑的一區位或數個區位及密度分布。該(等)連續色調圖244於一些範例中可採多種檔案格式來表示。例如,一連續色調圖244可格式化為一BKZ連續色調檔案、一SIF連續色調檔案及/或另外類型之連續色調檔案。
(數個)類神經網路248可用來基於該(等)連續色調圖244計算(例如預測)一預測熱影像250。在一些範例中,計算預測熱影像250亦可基於來自前一個或前幾個層體的熱影像資料246n。例如,該(等)類神經網路248可用來線上(例如即時)計算預測熱影像250。
風險分數判斷234可基於一目前層體之預測熱影像250及熱影像資料246a (例如最近形成之層體的一經擷取熱影像)來執行。舉例來說,一風險分數252可使用一計數法及/或一數值法針對一層體基於預測熱影像250及熱影像資料246a來計算。於一些範例中,熱影像的擷取可線上(例如即時)執行。
緩和操作判斷236可基於風險分數252來執行。例如,緩和操作判斷236可產生指出基於風險分數252是否要傳送一警示及/或中止積層製造的一操作信號254。於一些範例中,一警示可在風險分數252落於一臨界範圍以外時設定,及/或積層製造可在風險分數252針對一連串數目的層體落於一臨界範圍以外時中止。
圖3為可用於監測積層製造之一設備356的範例之示意圖。此設備356可為一運算裝置,諸如個人電腦、伺服器電腦、印表機、3D列印機、智慧型手機、平板電腦等。該設備356可包括及/或可耦合到一處理器362、一資料儲存件368、一輸入/輸出介面366、一機器可讀儲存媒體380、及/或一或數個熱影像感測器364。在一些範例中,設備356可與一積層製造裝置(例如配合圖1所述之3D列印裝置100)連通(例如耦合到、與其有一通訊鏈結)。替代地,設備356可為配合圖1所述之3D列印裝置100的一範例。舉例來說,處理器362可為配合圖1所述之控制器116的一範例,資料儲存件368可為配合圖1所述之資料儲存件114的一範例,而該(等)熱影像感測器364可為配合圖1所述之熱感測器106的一範例。設備356可包括額外構件(圖中未顯示),及/或本文所述之構件中的一些者可在不脫離本揭露內容之範疇的情況下被移除及/或修改。
處理器362可為以下項目中之任一者:中央處理單元(CPU)、以半導體為基礎之微處理器、圖像處理單元(GPU)、FPGA、特定用途積體電路(ASIC)、及/或適於擷取及執行儲存在機器可讀儲存媒體380中之指令的其他硬體裝置。處理器362可提取、解碼及/或執行儲存在機器可讀儲存媒體380上的指令(例如風險分數計算指令370、預測區間計算指令374、及/或緩和操作指令376)。此外或替代地,處理器362可包括一或數個電子電路,其包括用以執行該等指令(例如風險分數計算指令370、預測區間計算指令374、及/或緩和操作指令376)之一或數個功能性的電子組件。在一些範例中,處理器362可被組配來執行配合圖1、圖2及/或圖4、圖5中之一者、一些或全部所述的一個、一些或全部功能、操作、步驟、方法等。
機器可讀儲存媒體380可為含有或儲存電子資訊(例如指令及/或資料)的任何電子、磁性、光學或其他物理性儲存裝置。因此,機器可讀儲存媒體380可為例如隨機存取記憶體(RAM)、電氣可抹除可規劃唯讀記憶體(EEPROM)、儲存裝置、光碟及類似者。於一些實施態樣中,機器可讀儲存媒體380可為一非暫態有形機器可讀儲存媒體,其中「非暫態」一詞不涵蓋暫態傳播信號。
設備356亦可包括處理器362可將資訊儲存在其上的一資料儲存件368。此資料儲存件368可為依電性及/或非依電性記憶體,諸如動態隨機存取記憶體(DRAM)、EEPROM、磁阻式動態隨機存取記憶體(MRAM)、相位變化RAM (PCRAM)、憶阻器、快閃記憶體及類似者。於一些範例中,機器可讀儲存媒體380可被包括在資料儲存件368中。替代地,機器可讀儲存媒體380可與資料儲存件368分開。在一些方法中,資料儲存件368可儲存與機器可讀儲存媒體380所儲存者類似的指令及/或資料。例如,資料儲存件368可為非依電性記憶體,而機器可讀儲存媒體380可為依電性記憶體。
設備356更可包括一輸入/輸出介面366,處理器362可透過此介面與一或數個外部裝置(圖中未顯示)連通,例如用以接收及儲存有關待製造(例如列印)之該(等)物件的資訊。此輸入/輸出介面366可包括讓處理器362與該(等)外部裝置通訊的硬體及/或機器可讀指令。輸入/輸出介面366可有連至該(等)外部裝置的一有線或無線連接。輸入/輸出介面366更可包括一網路介面卡,及/或亦可包括讓處理器362與各種輸入及/或輸出裝置通訊的硬體及/或機器可讀指令,此等輸入及/或輸出裝置諸如鍵盤、滑鼠、顯示器、另一設備、電子裝置、運算裝置等,且一使用者可透過該等輸入及/或輸出裝置將指令輸入到設備356中。
在一些範例中,機器可讀儲存媒體380可儲存熱影像資料378。此熱影像資料378可從一或數個熱影像感測器364獲得(例如接收),及/或可預測。於一些範例中,設備356可包括一或數個熱影像感測器364,可被耦合到一或數個遠方的熱影像感測器,及/或可從一(整合及/或遠方)的熱影像感測器接收熱影像資料378 (例如一或數個熱影像)。熱影像感測器364的一些範例包括熱感照相機(例如紅外線照相機)。其他類型的熱感測器可被運用。在一些範例中,熱感測器的解析度可能小於視元的解析度(例如各溫度讀數可涵蓋包括多個視元的一區位)。舉例來說,一低解析度熱感照相機(例如具有解析度31×30像素、80×60像素等)可被運用。於其他範例中,該(等)熱影像感測器364可提供視元位階(或近視元位階)的熱感測。
熱影像資料378可包括一或多個熱影像。如先前所述,一熱影像可為表示遍布一面積及/或體積之熱能(例如溫度)的一影像。例如,一熱影像可指出一建構區位溫度分布(例如一頂層上的熱能溫度分布)。在一些範例中,該(等)熱影像感測器364可經受一校準程序以克服該(等)熱影像感測器364所引起的扭曲。舉例來說,一熱影像可被轉換以將該熱影像與該(等)連續色調圖對齊。不同類型的熱感測裝置可用於不同範例中。
處理器362可執行風險分數計算指令370來計算風險分數。此等風險分數可被儲存作為風險分數資料372。各個風險分數可對應於一層體。例如,處理器362可執行風險分數計算指令370,以基於一層體之一預測熱影像及該層體之一經擷取熱影像來計算一風險分數。在一些範例中,一風險分數可使用一計數法、一數值法(例如L1範數、L2範數)、或計數與數值法之組合來計算。於一些範例中,風險分數可利用權重(例如基於一形狀圖)來計算。
處理器362可執行預測區間計算指令374,以基於一組風險分數來計算一預測區間。一預測區間為風險分數的一預測範圍。預測區間的大小可基於一所用的模型及一目標準確位準來決定。模型參數可預先訓練以產生該預測區間。例如,該組風險分數可被模型化成一時間序列以計算該預測區間。於一些方法中,可採用多種時間序列模型以將對應於數個(例如N個)先前層體的該組風險分數(一序列或風險分數)模型化。可運用的時間序列模型之範例包括自回歸整合移動平均(ARIMA)時間序列模型。在一些範例中,針對一層體之一預測的風險分數可基於對應於前幾個層體之該組風險分數來計算。於一實際風險分數落於預測區間內的情況下,此預測可視為正確。例如,在風險分數落於預測區間內的情況下,列印程序可視為正常作動或符合一標準。
處理器362可執行緩和操作指令以基於風險分數判斷是否要執行一緩和操作。舉例來說,處理器362可判斷針對一層體的一風險分數是否落於預測區間以外。於一些範例中,一緩和操作可在風險分數落於預測區間以外的情況下執行。在一些範例中,一緩和操作可在數個風險分數(例如一臨界數目個風險分數、一臨界數目個連續風險分數等)落於預測區間以外的情況下執行。如同本文中所述,緩和操作的範例包括對一裝置呈現一訊息(例如在一顯示器上呈現一訊息、傳送一訊息(例如電子郵件、簡訊、語音訊息、影像、圖像等)),及/或中止製造。在一範例中,處理器362可在一風險分數落於一預測區間以外或數個風險分數落於對應預測區間以外的情況下,執行緩和操作指令376以經由輸入/輸出介面366呈現一訊息(例如一警示)。例如,處理器362可在一顯示器上呈現一警示,可經由輸入/輸出介面366傳送一電子郵件警示、可傳送一簡訊警示等。於一範例中,處理器362可在一風險分數落於一預測區間以外或數個風險分數落於對應預測區間以外的情況下,執行緩和操作指令376以中止製造。例如,若對應於M個連續層體之M個風險分數落於對應預測區間以外,則處理器362可發佈一命令以中止製造。在一些範例中,用以中止製造的命令可(藉由設備356)在本地執行或可經由輸入/輸出介面366傳送到另一裝置。
本文所述一些監測方法的範例可為有益。例如,若製造(例如列印)程序遵循預期的行為(例如視元位階熱預測可捕捉大多數層體的熱行為),則各層體的風險分數可相對穩定。若一層體的風險分數超過前幾個層體所產生的預測區間,則此可表示製造程序不再遵循預期的行為。此可表示終端部件的品質可能有一些問題及/或可能表示機器狀態已漂移且可能不再根據一標準運作。因此,一訊息(例如警示、警告等)可被傳送至操作者。若風險分數持續位於預測區間以外,則製造程序可能持續偏離預期的行為,且部件品質可能變得較不可靠。故而,若風險分數持續落於預測區間以外則製造可能中止。
於一些範例中,機器可讀儲存媒體380可儲存3D模型資料(圖3中未顯示)。此3D模型資料可由設備356產生及/或自另一裝置接收。在一些範例中,機器可讀儲存媒體380可包括切片指令(圖3中未顯示)。例如,處理器362可執行切片指令以在3D模型資料上執行切片並產生一2D視元切片堆疊。
於一些範例中,處理器362可執行連續色調圖產生指令(圖3中未顯示)以產生連續色調圖資料。此連續色調圖資料可表示在視元位階供列印一3D物件的料劑分布(例如熔劑分布及/或細化劑分布)。例如,連續色調圖資料可用作為供料劑分布用之每一層的機器指令(例如視元位階機器指令)。
應注意的是,於一些範例中,可運用對應於不同吸收或去除熱能之能力的多個不同料劑連續色調圖。此外或替代地,一些範例可運用不同列印模式,其中多個連續色調圖可針對各料劑使用。
針對一給定層(例如一目前層、一頂層等),於一些範例中,積覆在層體之所有料劑的該(等)連續色調圖可為一能量驅動力。應注意的是,另一個視元位階能量施效者可包括前幾個層體中相較於一給定視元可有一溫度差的相鄰視元,此溫度差可將熱通量引入或引出視元。
在一些範例中,機器可讀儲存媒體380可儲存類神經網路資料(圖3中未顯示)。此類神經網路資料可包括定義一類神經網路或數個類神經網路的資料。舉例來說,該類神經網路資料可定義一節點或數個節點、節點間的一連接或數個連接、一類神經網路層或數個類神經網路層、及/或一類神經網路或數個類神經網路。於一些範例中,處理器362可運用類神經網路資料來計算預測熱影像。一或數個預測熱影像可被存在機器可讀儲存媒體380上作為熱影像資料378。
在一些範例中,機器可讀儲存媒體380可儲存3D列印指令。舉例來說,處理器362可執行3D列印指令以列印一或數個3D物件。於一些實施態樣中,3D列印指令可包括用以控制一或數個裝置(例如滾筒、列印頭及/或熱投射器等)的指令。例如,此3D列印指令可使用一或數個連續色調圖(例如儲存作為連續色調圖資料)以控制一或數個列印頭在該(等)連續色調圖指定的一或數個位置列印一或數個料劑。於一些範例中,處理器362可執行3D列印指令以列印一或數個層體。此列印(例如熱投射器控制)可以熱影像(例如經擷取熱影像及/或預測熱影像)為基礎。
在一些範例中,機器可讀儲存媒體380可儲存類神經網路訓練指令。處理器362可執行類神經網路訓練指令以訓練(例如由類神經網路資料定義的)一或數個類神經網路。舉例來說,類神經網路訓練指令可包括一損失函數。處理器362可基於一預測熱影像及一熱影像來計算損失函數。舉例來說,熱影像可提供損失函數的實際值(ground truth),其可能在或可能不在視元位階。此損失函數可用來訓練一或數個類神經網路。舉例來說,該(等)類神經網路中的一或數個節點及/或一或數個連接權重可基於損失函數調整,以提升該(等)類神經網路的預測準確性。應注意的是,不是所有配合圖3說明的步驟及/或特徵在所有實施態樣中都為必要。
在一些範例中,設備356可實施基於熱預測的運行時間監測策略3D列印一。此策略可包括透過比較預測(例如預期)熱影像及經擷取熱影像來監測熱程序。此比較可在視元位階及/或低解析度執行。於一些範例中,該策略可包括基於將針對一層體在不同程度(例如低解析度及視元位階)之一經擷取熱影像與一預測熱影像間之差異量化的一風險評估方法。此策略可包括傳送一警示(例如警告訊息)給一或多個操作者,及/或包括中止工作。
圖4為繪示用以監測積層製造之方法400之範例的一流程圖。此方法400及/或一方法400步驟或數個步驟可由一電子裝置執行。舉例來說,方法400可由配合圖3所述之設備356 (及/或透過配合圖1所述之3D列印裝置100)執行。
設備356可針對一層體計算一預測熱影像(方塊402)。例如,至少一類神經網路可利用對應於前一個層體或前幾個層體的(數個)連續色調圖(例如視元位階機器指令)及/或(數個)熱影像來預測該熱影像。在一些範例中,針對該層體計算預測熱影像(方塊402)可與針對該層體之熱感測分開。
於一些範例中,在列印各層體時及在列印各層體之前,設備356可利用前幾個層體的熱感測、及多重層體(例如包括前幾個層體及目前層體)的熔劑及/或細化劑連續色調圖,來預測該目前層體的一熱影像(例如一視元位階熱影像)。此熱感測在一些範例中可為線上(例如即時)及在機器內。預測熱影像的計算可利用一深度類神經網路(DNN)達成。
設備356可獲得針對該層體的一經擷取熱影像(方塊404)。舉例來說,在層體被積設後,設備356可利用一熱影像感測器364獲得該層體之一經擷取熱影像(方塊404),或可從一遠方影像感測器接收該層體之一經擷取熱影像。
設備356可針對該層體基於該預測熱影像及該經擷取熱影像計算一風險分數。舉例來說,在列印各層體後,該預測熱影像可與原位實際經擷取熱影像比較,來計算針對各層體的風險分數。在一些範例中,設備356可利用計數法、數值法(例如L1範數、L2範數)、或計數與數值法組合來計算風險分數。
於一些範例中,計算風險分數可包括判斷針對一組像素中該預測熱影像之一像素與該經擷取熱影像之一像素間的差值,及計數具有大於一臨界值之差值的像素數目。計數具有大於一臨界值之差值的像素數目,可稱為計數法。例如,就一像素而言,若該預測熱影像與該經擷取熱影像間的差值超過一臨界值(例如該經擷取熱影像像素與該預測熱影像像素間差攝氏3度),則該像素被標記成偏移。因此,被標記成偏移的數個像素可被計數。
在一些範例中,計算風險分數可包括判斷針對一組像素中預測熱影像之一像素與經擷取熱影像之一像素間的差值,及計算差值的L1範數、L2範數、或L1範數及L2範數之組合。L1範數及L2範數為表示一程度、長度或尺寸的數學函數。例如,L1範數及/或L2範數可用來表示預測熱影像之一像素與經擷取熱影像之一像素間的差異程度。計算差值的L1範數、L2範數、或L1範數及L2範數之組合可稱為數值法。
應注意的是,計數法可就各個視元均一考量,而數值法亦可考量各視元的特定差值。視監測物件而定,風險分數可利用計數法、數值法、或計數法與數值法組合來計算。應注意的是,風險分數的計算可考量本文所述的不同權重。例如,風險分數計算亦可基於權重(例如以一形狀圖及/或遮罩的權重)。
在一些範例中,風險分數可基於一視元位階解析度之預測熱影像及經擷取熱影像來計算(方塊406)。於一些範例中,一類神經網路(例如DNN)可被用來增強經擷取熱影像的解析度。在一些範例中,經擷取熱影像可能在較視元位階解析度之下的一低解析度。低解析度的經擷取熱影像可利用一類神經網路而增強至視元位階的解析度。接著,(增強的) 視元位階解析度的經擷取熱影像可與視元位階解析度的預測熱影像比較來計算風險分數。
於一些範例中,風險分數可基於一低解析度的預測熱影像及經擷取熱影像來計算(方塊406)。舉例來說,經擷取熱影像及預測熱影像可皆在一低解析度。例如,熱影像感測器的解析度可在一低解析度,而一類神經網路可在該低解析度計算預測熱影像。此低解析度的經擷取熱影像可與低解析度的經擷取熱影像比較,來計算風險分數。
在一些範例中,經擷取熱影像可在一低解析度,而預測熱影像可在一視元位階解析度。設備356可將預測熱影像的採樣率降至經擷取熱影像的低解析度。接著,低解析度的預測熱影像即可與低解析度的經擷取熱影像比較。於一些範例中,降採樣可包括多種方法。例如,執行降採樣可包括執行基於內插法的降採樣、層體的最大池化、層體的平均池化或其之任何組合。
在一些範例中,風險分數可基於一視元位階解析度之風險分數及一低解析度風險分數的加權組合來計算(方塊406)。舉例來說,就各層體來說,風險分數的計算(方塊406)可基於視元位階比較、低解析度比較或兩者。例如,在精密細節及準確熱控制更為重要的使用情況下,可運用視元位階比較。在整體溫度分布更為重要的使用情況下,可運用低解析度比較。就整體綜合量化更為重要的使用情況而言,源自視元位階及低解析度比較的風險分數之一加權組合可被計算出作為最終的風險分數。
設備356可回應於判定風險分數落於一臨界範圍以外而執行一緩和操作(方塊408)。舉例來說,風險分數(或一組風險分數)可與一臨界範圍(或一組臨界範圍)比較。若該(等)風險分數落於該(等)臨界範圍以外,則設備356可執行緩和操作(方塊408)。
於一些範例中,執行緩和操作(方塊408)可包括傳送一警示。在一些範例中,執行緩和操作(方塊408)可包括回應於針對一連續數個層體判定風險分數落於臨界範圍以外而中止積層製造。
於一些範例中,該臨界範圍係為基於對應於多個先前層體之多個先前風險分數針對該層體計算的一預測區間。例如,設備356可儲存(例如記錄)針對多個層體的風險分數。舉例來說,設備356可記錄各風險分數連同一對應層體識別符成為一時間序列,作為風險分數資料372。數個先前層體(L)的風險分數可用作為一時間序列以預測(例如一目前或接續層的)一風險分數及/或(例如一目前或接續層的)一預測區間。例如,L=10。此時間序列及/或預測區間可針對各層體更新(例如在各層體之後)。
在一些範例中,針對一層體,設備356可比較計算出的風險分數及預測區間。若風險分數落於該預測區間以外,則設備356可傳送一訊息(例如電子郵件、簡訊等)給一使用者或操作者。此外或替代地,若M個以上之連續層體中的風險分數落於該預測區間以外,則設備356可中止列印工作。例如,M=10。
圖5為繪示風險分數計算594之一視覺化之範例的示意圖。於此範例中,k代表一積層製造程序之一目前層體。如圖5中所繪示,針對層體k的一熔合連續色調圖582、針對層體k的一細化連續色調圖584、及來自前一層體k-1的一經擷取熱影像586,可用於類神經網路熱影像預測592。在一些方法中,數個先前層體的連續色調圖及/或數個對應於層體k-1之前的層體之經擷取熱影像可用於類神經網路熱影像預測592。
此類神經網路熱影像預測592可產生針對層體k的一預測熱影像588。在積設層體k後,可獲得針對層體k的一經擷取熱影像590。例如,一熱感測器可提供針對層體k的經擷取熱影像590。
針對層體k的預測熱影像588及針對層體k的經擷取熱影像590可用於風險分數計算594。例如,預測熱影像588在風險分數計算594中可與經擷取熱影像590比較,以產生風險分數596。此風險分數計算594可運用一計數法及/或一數值法來產生風險分數596。
應注意的是,雖然本文描述各種系統及方法的範例,但本揭露內容不應受限於該等範例中。本文所述的範例變化可在本揭露內容之範疇內示現。例如,本文所述之範例的步驟、功能、態樣或元件可省略或組合。
100:3D列印裝置
102:建構區位
104:熱投射器
106:熱(影像)感測器
108:列印頭
110:熔劑容器
112:熔劑
114,368:資料儲存件
116:控制器
118:細化劑容器
120:細化劑
122:材料容器
124:材料
126:類神經網路資料
128,246a,246n,378:熱影像資料
129,372:風險分數資料
130:滾筒
232:3D模型資料
234:風險分數判斷
236:緩和操作判斷
238,240:切片
242:連續色調圖產生
244:連續色調圖
248:類神經網路
250,588:預測熱影像
252,596:風險分數
254:操作信號
356:設備
362:處理器
364:熱影像感測器
366:輸入/輸出介面
370:風險分數計算指令
374:預測區間計算指令
376:緩和操作指令
380:機器可讀儲存媒體
400:方法
402~408:方塊
582:熔合連續色調圖
584:細化連續色調圖
586,590:經擷取熱影像
592:類神經網路熱影像預測
594:風險分數計算
圖1為一3D列印裝置之範例的一簡化等角視圖,此3D列印裝置可用於監測積層製造之一範例;
圖2為說明可示現監測積層製造之功能的範例之一方塊圖;
圖3為可用於監測積層製造之設備的範例之一方塊圖;
圖4為說明用於監測積層製造之一方法的範例之一流程圖;以及
圖5為繪示風險分數計算之一視覺化之範例的示意圖。
400:方法
402~408:方塊
Claims (15)
- 一種透過電子裝置監測積層製造的方法,其包含: 針對一層體計算一預測熱影像; 針對該層體獲得一經擷取熱影像; 基於該預測熱影像及該經擷取熱影像,針對該層體計算一風險分數;以及 回應於判定該風險分數落於一臨界範圍以外,執行一緩和操作。
- 如請求項1之方法,其中計算該風險分數包含: 針對一組像素判斷該預測熱影像之一像素與該經擷取熱影像之一像素間的一差值;以及 計數具有大於一臨界值之該差值之像素數目。
- 如請求項1之方法,其中計算該風險分數包含: 針對一組像素判斷該預測熱影像之一像素與該經擷取熱影像之一像素間的一差值;以及 計算該差值的一L1範數、一L2範數、或該L1範數及該L2範數的一組合。
- 如請求項1之方法,其中該臨界範圍為基於對應於多個先前層體之多個先前風險分數而針對該層體計算出的一預測區間。
- 如請求項1之方法,其中該緩和操作包含傳送一警示。
- 如請求項1之方法,其中執行該緩和操作包含回應於針對一連續數個層體判定該風險分數落於該臨界範圍以外,中止該積層製造。
- 如請求項1之方法,其中該風險分數係基於在一視元位階解析度下之該預測熱影像及該經擷取熱影像而計算。
- 如請求項1之方法,其中該風險分數係基於在較一視元位階解析度為低的一解析度下之該預測熱影像及該經擷取熱影像而計算。
- 如請求項1之方法,其中該風險分數係基於一視元位階解析度風險分數及在較視元位階解析度為低的一解析度下之一風險分數之一加權組合而計算。
- 一種三維(3D)列印裝置,其包含: 一列印頭,用以基於一熔合連續色調圖來列印一熔劑,及基於一細化連續色調圖來列印一細化劑; 一熱投射器; 一熱感測器;以及 一控制器,其中該控制器係用以進行下列動作: 基於該熔合連續色調圖、該細化連續色調圖、及來自該熱感測器之先前層體之經擷取熱影像,利用一類神經網路預測一層體之一預測熱影像; 接收來自該熱感測器之該層體之一經擷取熱影像; 基於該預測熱影像及該經擷取熱影像判斷針對該層體之一風險分數;以及 基於該風險分數判斷是否要執行一緩和操作。
- 如請求項10之3D列印裝置,其中該風險分數係基於一形狀圖利用數個權重來決定。
- 如請求項11之3D列印裝置,其中該等權重包括對應於該形狀圖之一物件區位的一第一權重,及對應於該形狀圖之一非物件區位的一第二權重,且其中該第一權重大於該第二權重。
- 如請求項11之3D列印裝置,其中該等權重包括對應於具有一擴增物件區位之一第一區位的一第一權重,及對應於與該第一區位互補之一第二區位的一第二權重,其中該第一權重大於該第二權重。
- 一種非暫態實體電腦可讀媒體,其儲存可執行程式碼,包含進行以下動作的程式碼: 使一處理器基於對應於包括一第一層之一組層體的一組風險分數,針對一第二層計算一預測區間; 使該處理器基於該第二層之一預測熱影像及一經擷取熱影像,計算針對該第二層之一風險分數;以及 使該處理器回應於判定該風險分數落於該預測區間以外而執行一緩和操作。
- 如請求項14之電腦可讀媒體,其中使該處理器計算該預測區間之程式碼包含使該處理器將該組風險分數模型化成一時間序列的程式碼。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/US18/57990 | 2018-10-29 | ||
PCT/US2018/057990 WO2020091726A1 (en) | 2018-10-29 | 2018-10-29 | Monitoring additive manufacturing |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202033341A true TW202033341A (zh) | 2020-09-16 |
TWI774999B TWI774999B (zh) | 2022-08-21 |
Family
ID=70462133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108137713A TWI774999B (zh) | 2018-10-29 | 2019-10-18 | 透過電子裝置監測積層製造的方法、三維列印裝置及相關電腦可讀媒體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11597156B2 (zh) |
TW (1) | TWI774999B (zh) |
WO (1) | WO2020091726A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019209318A1 (en) * | 2018-04-27 | 2019-10-31 | Hewlett-Packard Development Company, L.P. | 3-d printing batch analysis |
JP7230368B2 (ja) * | 2018-08-20 | 2023-03-01 | 富士フイルムビジネスイノベーション株式会社 | 符号化装置、復号装置及びプログラム |
DE102018220367A1 (de) * | 2018-11-27 | 2020-05-28 | Adidas Ag | Volumenbasierte Vorhersage physikalischer Eigenschaften in Sportartikeln |
US11325314B2 (en) * | 2018-12-19 | 2022-05-10 | 3D Systems, Inc. | Three-dimensional article manufacturing system with build plan optimization for high risk article design |
CN113642819A (zh) * | 2020-05-11 | 2021-11-12 | 上海华力集成电路制造有限公司 | 连环许容时间区段站点异常时产品自动调度装置和方法 |
WO2022093190A1 (en) * | 2020-10-27 | 2022-05-05 | Hewlett-Packard Development Company, L.P. | 3d printing with build material layer contone maps |
EP4274730A1 (en) * | 2021-03-09 | 2023-11-15 | Hewlett-Packard Development Company, L.P. | Determining powder degradation |
US11831688B2 (en) * | 2021-06-18 | 2023-11-28 | Capital One Services, Llc | Systems and methods for network security |
CN114299085B (zh) * | 2021-12-23 | 2024-02-27 | 河南鑫安利安全科技股份有限公司 | 基于无人机航拍的危险源辨识方法 |
SE2250597A1 (en) * | 2022-05-19 | 2023-11-20 | Cellink Bioprinting Ab | Multi-sensor evaluation of a printing process |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2797730B2 (en) * | 2011-12-28 | 2020-03-04 | Arcam Ab | Method and apparatus for detecting defects in freeform fabrication |
WO2014074947A2 (en) * | 2012-11-08 | 2014-05-15 | Das, Suman | Systems and methods for additive manufacturing and repair of metal components |
US9855698B2 (en) | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US11007791B2 (en) | 2014-11-19 | 2021-05-18 | Electronics For Imaging, Ing. | Multi-layered textured printing |
US9514397B2 (en) | 2015-03-23 | 2016-12-06 | Intel Corporation | Printer monitoring |
WO2016200384A1 (en) * | 2015-06-10 | 2016-12-15 | Hewlett-Packard Development Company, L.P. | Build temperature modulation |
US20180169948A1 (en) | 2015-06-12 | 2018-06-21 | Materialise N.V. | System and method for ensuring consistency in additive manufacturing using thermal imaging |
JP2018535320A (ja) | 2015-10-30 | 2018-11-29 | シューラット テクノロジーズ, インク.Seurat Technologies Inc. | 付加製造システム及び方法 |
EP3378039A1 (en) * | 2015-11-16 | 2018-09-26 | Materialise N.V. | Error detection in additive manufacturing processes |
US10074167B2 (en) * | 2015-12-06 | 2018-09-11 | Kla-Tencor Corporation | Reducing registration and design vicinity induced noise for intra-die inspection |
US11027332B2 (en) | 2016-04-15 | 2021-06-08 | United States Of America As Represented By The Administrator Of Nasa | System and method for in-situ characterization and inspection of additive manufacturing deposits using transient infrared thermography |
WO2017196350A1 (en) * | 2016-05-12 | 2017-11-16 | Hewlett-Packard Development Company, L.P. | Thermal imaging device calibration |
WO2017196345A1 (en) | 2016-05-12 | 2017-11-16 | Hewlett-Packard Development Company, L.P. | Heating lamp calibration |
US11318535B2 (en) | 2016-12-23 | 2022-05-03 | General Electric Company | Method for process control in additive manufacturing |
CN110198828B (zh) * | 2017-01-27 | 2021-08-03 | 惠普发展公司,有限责任合伙企业 | 用于三维打印的方法、系统和存储介质 |
-
2018
- 2018-10-29 US US17/257,336 patent/US11597156B2/en active Active
- 2018-10-29 WO PCT/US2018/057990 patent/WO2020091726A1/en active Application Filing
-
2019
- 2019-10-18 TW TW108137713A patent/TWI774999B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI774999B (zh) | 2022-08-21 |
WO2020091726A1 (en) | 2020-05-07 |
US20210276270A1 (en) | 2021-09-09 |
US11597156B2 (en) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI774999B (zh) | 透過電子裝置監測積層製造的方法、三維列印裝置及相關電腦可讀媒體 | |
CN111448050B (zh) | 从连续色调图进行的热行为预测 | |
US11971699B2 (en) | Thermal mapping | |
CN112118949A (zh) | 增材制造中用于人工智能反馈控制的系统、方法和介质 | |
CN113728285B (zh) | 用于增材制造中人工智能过程控制的系统、方法以及介质 | |
US11971689B2 (en) | Object manufacturing visualization | |
Piovarci et al. | Closed-loop control of direct ink writing via reinforcement learning | |
JP2019124539A5 (zh) | ||
TW202114852A (zh) | 模擬調適技術 | |
CN113924204B (zh) | 用于模拟3d制造的方法和设备以及计算机可读介质 | |
US20220152936A1 (en) | Generating thermal images | |
CN113950403A (zh) | 适配制造模拟 | |
US20220388070A1 (en) | Porosity prediction | |
US11931967B2 (en) | Material phase detection in additive manufacturing | |
US20220016846A1 (en) | Adaptive thermal diffusivity | |
US20230288910A1 (en) | Thermal image determination | |
WO2021257100A1 (en) | Thermal image generation | |
CN117621456A (zh) | 高度补偿方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |