TW202407478A - 用於增材或減材製造程序之系統、方法及媒介 - Google Patents

用於增材或減材製造程序之系統、方法及媒介 Download PDF

Info

Publication number
TW202407478A
TW202407478A TW112140186A TW112140186A TW202407478A TW 202407478 A TW202407478 A TW 202407478A TW 112140186 A TW112140186 A TW 112140186A TW 112140186 A TW112140186 A TW 112140186A TW 202407478 A TW202407478 A TW 202407478A
Authority
TW
Taiwan
Prior art keywords
sample
images
module
machine learning
final quality
Prior art date
Application number
TW112140186A
Other languages
English (en)
Inventor
馬修 Ｃ 樸特曼
巴迪姆 皮斯基
達瑪斯 Ｗ 黎莫葛
古希基 薩德 諾麗
阿斯溫 拉加 納莫斯瓦蘭
法比安 侯
Original Assignee
美商奈米創尼克影像公司
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 美商奈米創尼克影像公司 filed Critical 美商奈米創尼克影像公司
Publication of TW202407478A publication Critical patent/TW202407478A/zh

Links

Classifications

    • 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
    • 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
    • G05B19/406—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 monitoring or safety
    • 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
    • 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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/32177—Computer assisted quality surveyance, caq
    • 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
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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
    • G05B2219/32181—Monitor production, assembly apparatus with multiple sensors
    • 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
    • G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
    • 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
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • 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
    • G05B2219/32193—Ann, neural base quality management
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32197—Inspection at different locations, stages of 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49007—Making, forming 3-D object, model, surface
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • General Factory Administration (AREA)
  • Saccharide Compounds (AREA)
  • Compositions Of Macromolecular Compounds (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本文中揭示一種製造系統。該製造系統包含一或多個站、一監測平台及一控制模組。該一或多個站之各站經組態以執行一組件之一多步驟製造程序中之至少一個步驟。該監測平台經組態以在整個該多步驟製造程序中監測該組件之進展。該控制模組經組態以動態地調整該多步驟製造程序之各步驟之處理參數以達成該組件之一所要最終品質度量。

Description

用於增材或減材製造程序之系統、方法及媒介
本發明大體上係關於一種用於製造程序之系統、方法及媒介。
為了安全地、及時地且以最小浪費製造始終符合所要設計規格之樣品，通常需要對製造程序進行持續監測及調整。
在一些實施例中，本文中揭示一種製造系統。該製造系統包含一或多個站、一監測平台及一控制模組。該一或多個站之各站經組態以執行一組件之一多步驟製造程序中之至少一個步驟。該監測平台經組態以在整個該多步驟製造程序中監測該組件之進展。該控制模組經組態以動態地調整該多步驟製造程序之各步驟之處理參數以達成該組件之一所要最終品質度量。該控制模組經組態以執行操作。該等操作包含在該多步驟製造程序之一步驟，自該監測平台接收與該組件相關聯之一輸入。該等操作進一步包含藉由該控制模組基於該樣品之影像產生一最終品質度量預測。該等操作進一步包含藉由該控制模組判定該最終品質度量預測未在一可接受值範圍內。該等操作進一步包含基於該判定而藉由該控制模組調整至少一後續(following)站之控制邏輯。調整該控制邏輯包含：應用待藉由該後續站執行之一校正動作。
在一些實施例中，本文中揭示一種多步驟製造方法。一運算系統自一製造系統之一監測平台接收一或多個站之一站處之一樣品的一影像。各站經組態以執行一多步驟製造程序之一步驟。該運算系統基於該樣品之該影像產生一最終品質度量預測。該運算系統判定該最終品質度量預測未在一可接受值範圍內。基於該判定，該運算系統調整至少一後續站之控制邏輯，其中該調整包括應用待藉由該後續站執行之一校正動作。
在一些實施例中，本文中揭示一種三維列印系統。該系統包含一處理站(processing station)、一監測平台及一控制模組。該處理站經組態以沈積複數個層以形成一樣品。該監測平台經組態以在整個一沈積程序中監測該樣品之進展。該控制模組經組態以動態地調整該複數個層之各層之處理參數以達成組件之一所要最終品質度量。該控制模組經組態以執行操作。該等操作包含自該監測平台接收在已沈積一層之後一樣品之一影像。該等操作進一步包含藉由該控制模組基於該樣品之該影像產生一最終品質度量預測。該等操作進一步包含藉由該控制模組判定該最終品質度量預測未在一可接受值範圍內。該等操作進一步包含基於該判定而藉由該控制模組調整待沈積之至少一後續層之控制邏輯，其中該調整包括應用待藉由該後續層之沈積執行之一校正動作。
相關申請案之交叉參考
本申請案主張2020年2月21日申請之美國臨時申請案序號62/979,639之優先權，該案之全文特此以引用的方式併入。
本文中所描述之一或多種技術大體上係關於一種監測平台，該監測平台經組態以監測一多步驟製造程序之各步驟。針對多步驟製造程序之各步驟，監測平台可監測樣品之進展且判定樣品之一當前狀態如何影響與最終樣品相關聯之一最終品質度量。一般而言，一最終品質度量係無法在一多步驟製造程序之各步驟量測之一度量。例示性最終品質度量可包含但不限於最終樣品之抗張強度、硬度、熱性質及類似者。對於諸如抗張強度之某些最終品質度量，使用破壞性測試來量測此度量。
本文中所描述之一或多種技術能夠在一多步驟製造程序之各步驟使用一或多種人工智慧技術來預計(project)最終品質度量。例如，本文中所描述之一或多種技術可利用無監督K均值叢集及一深度學習網路來學習叢集特徵。可針對不可靠的前饋設定點創建高保真度標籤。隨後，可使用一迴歸因子(regressor)深度學習網路重新標記全部影像來推廣此方法。使用重新標記之影像，可訓練兩個網路以在製造程序上之一特定點預測一樣品之一品質度量。
製造程序可為複雜的且包含藉由不同處理站(process station) (或「站」)處理之原材料，直至產生一最終樣品。在一些實施例中，各處理站接收用於處理之一輸入且可輸出一中間輸出，該中間輸出可向前傳遞至一後續(subsequent) (下游)處理站以進行額外處理。在一些實施例中，一最終處理站可接收用於處理之一輸入且可輸出最終樣品或更一般而言最終輸出。
在一些實施例中，各站可包含可執行一組程序步驟之一或多個工具/設備。例示性處理站可包含但不限於傳送帶、射出模製壓機、切割機、模壓機、擠壓機、電腦數值控制(CNC)磨機、研磨機、組裝站、三維列印機、品質控制站、驗證站及類似者。
在一些實施例中，可藉由一或多個程序控制器來控管各處理站之操作。在一些實施例中，各處理站可包含可經程式化以控制處理站之操作的一或多個程序控制器。在一些實施例中，一操作者或控制演算法可為站控制器提供可表示各控制值之所要值或值範圍之站控制器設定點。在一些實施例中，在一製造程序中用於回饋或前饋之值可被稱為控制值。例示性控制值可包含但不限於：速度、溫度、壓力、真空、旋轉、電流、電壓、功率、黏度、站處所使用之材料/資源、產出率(throughput rate)、停機時間、有毒煙氣及類似者。
在一些實施例中，一樣品可指代一製造程序之一輸出。例如，一製造程序之一輸出可為作為一行動裝置之部分之一電路板、作為行動裝置之部分之一螢幕，及/或一完整行動裝置。
圖1係繪示根據實例實施例之一製造環境100之一方塊圖。製造環境100可包含一製造系統102、一監測平台104及一控制模組106。製造系統102可廣泛代表一多步驟製造系統。在一些實施例中，製造系統102可表示用於增材製造之一製造系統(例如，3D列印系統)。在一些實施例中，製造系統102可表示用於減材製造(例如，CNC機械加工)之一製造系統。在一些實施例中，製造系統102可表示用於增材製造及減材製造之一組合之一製造系統。更一般而言，在一些實施例中，製造系統102可表示用於一般製造程序之一製造系統。
製造系統102可包含一或多個站108 1至108 n(大體上為「站 108」)。各站108可表示一多步驟製造程序中之一步驟及/或站。例如，各站108可表示一3D列印程序中之一層沈積操作(例如，站108 1可對應於層1，站108 2可對應於層2，等等)。在另一實例中，各站108可對應於一特定處理站。在一些實施例中，一樣品之一製造程序可包含複數個步驟。在一些實施例中，複數個步驟可包含一有序序列之步驟。在一些實施例中，複數個步驟可包含一無序(例如，隨機或偽隨機)序列之步驟。
各站108可包含一程序控制器114及控制邏輯116。各程序控制器114 1至114 n可經程式化以控制各個各自站108之操作。在一些實施例中，控制模組106可為各程序控制器114提供可表示各控制值之所要值或值範圍之站控制器設定點。控制邏輯116可指代與一站108之程序步驟相關聯之屬性/參數。在操作中，取決於一最終品質度量之一當前軌跡，可藉由控制模組106在整個製造程序中動態地更新各站108之控制邏輯116。
監測平台104可經組態以監測製造系統102之各站108。在一些實施例中，監測平台104可為製造系統102之一組件。例如，監測平台104可為一3D列印系統之一組件。在一些實施例中，監測平台104可獨立於製造系統102。例如，監測平台104可改裝至一現有製造系統102上。在一些實施例中，監測平台104可表示經組態以在一多步驟程序之各步驟捕捉一樣品之一影像的一成像裝置。例如，監測平台104可經組態以在各站108處捕捉樣品之一影像。一般而言，監測平台104可經組態以捕捉與一樣品之產生相關聯之資訊(例如，一影像、一電壓讀數、一速度讀數等)，且將該資訊作為輸入提供至控制模組106以進行評估。
控制模組106可經由一或多個通信通道與製造系統102及監測平台104通信。在一些實施例中，一或多個通信通道可表示經由網際網路(諸如蜂巢式或Wi-Fi網路)之個別連接。在一些實施例中，一或多個通信通道可使用直接連接(諸如射頻識別(RFID)、近場通信(NFC)、Bluetooth™ (藍芽)、low-energy Bluetooth™ (低功耗藍芽) (BLE)、Wi-Fi™、ZigBee™、環境背散射通信(ABC)協定、USB、WAN或LAN)來連接終端機、服務及行動裝置。
控制模組106可經組態以控制製造系統102之各程序控制器。例如，基於由監測平台104捕捉之資訊，控制模組106可經組態以調整與一特定站108或處理步驟相關聯之程序控制。在一些實施例中，控制模組106可經組態以基於一預計最終品質度量來調整一特定站108或處理步驟之程序控制。
控制模組106可包含預測引擎112。預測引擎112可表示一或多個機器學習模組，該一或多個機器學習模組經訓練以在一多步驟製造程序之各個別步驟基於經量測資料預計一樣品之一最終品質度量。在操作中，控制模組106可自監測平台104接收輸入。在一些實施例中，此輸入可採取在多步驟製造程序之一步驟之後，一樣品之一當前狀態之一影像之形式。基於輸入，控制模組106可預計樣品之一最終品質度量。取決於樣品之預計最終品質度量，控制模組106可判定在後續製造步驟中採取之一或多個動作。例如，若預計最終品質度量落在一可接受值範圍之外，則控制模組106可採取一或多個動作以矯正製造程序。在一些實施例中，控制模組106可與後續站108中之站控制器介接以調整其等各自控制及/或站參數。此等調整可幫助校正製造程序，使得最終品質度量可在可接受品質度量範圍內。
圖2係繪示根據例示性實施例之預測引擎112之一方塊圖。如所繪示，預測引擎112可包含至少一叢集模組202及一機器學習模組204。叢集模組202及機器學習模組204之各者可包含一或多個軟體模組。一或多個軟體模組可為儲存於一媒介(例如，與控制模組106相關聯之運算系統之記憶體)上之程式碼或指令之集合，該等集合表示實施一或多個演算法步驟之一系列機器指令(例如，程式碼)。此等機器指令可為處理器解譯以實施指令之實際電腦程式碼，或替代地，可為經解譯以獲得實際電腦程式碼之指令之一較高階編碼。一或多個軟體模組亦可包含一或多個硬體組件。一例示性演算法之一或多個態樣可藉由硬體組件(例如，電路)本身執行，而不是作為指令之結果。此外，在一些實施例中，叢集模組202及機器學習模組204之各者可經組態以在組件間傳輸一或多個信號。在此等實施例中，此等信號可不限於藉由一運算裝置執行之機器指令。
在一些實施例中，叢集模組202及機器學習模組204可經由一或多個區域網路205通信。網路205可為任何適合類型，包含經由網際網路(諸如蜂巢式或Wi-Fi網路)之個別連接。在一些實施例中，網路205可使用直接連接(諸如射頻識別(RFID)、近場通信(NFC)、Bluetooth™、low-energy Bluetooth™ (BLE)、Wi-Fi™、ZigBee™、環境背散射通信(ABC)協定、USB、WAN或LAN)來連接終端機、服務及行動裝置。因為所傳輸之資訊可為個人的或機密的，所以安全問題可規定加密或以其他方式保全此等類型之連接之一或多者。然而，在一些實施例中，所傳輸之資訊可為不太個人的，且因此，可為了方便勝過安全性起見選擇網路連接。
叢集模組202可經組態以在一製造程序期間將標籤指派給一樣品之影像。例如，變異性可沿著一製造程序之數個維度發生。特定言之，對於增材製造，變異性可沿著一列印件(print)之數個維度發生。一站108可接收關於用於製造程序中之一製造步驟之指令之一或多個參數。例如，在增材製造中，製造系統102可利用由控制模組106提供之程式碼(例如，G碼(G-code))，其可含有用於第 i層上之第 j指令之一或多個參數 、 、 、 及 ，其中 、 、 係位置設定點， 可表示針對一特定列印移動擠壓之細絲之一長度，且 可表示列印頭以其移動之速度。在一些實施例中，程式碼亦可包含元指令(meta instruction)溫度控制或軸線歸航(axis homing)。
在諸如利用增材製造之實施例之一些實施例中，為使一最終品質度量(例如，抗張強度)與層影像相關，可建立各層之一偏差係數 ，使得： 其中 可表示一列印移動之一所得表觀擠壓。各擠壓值 可具有一所得修飾符 。針對一層中之 N個列印移動，可以如下定義之抽象化跨層平均化此所得修飾符： 。 因此，可藉由量測平均偏差係數 而評定一整個層之擠壓偏差。對於一完美執行製造系統102或站108， ；然而，自然發生之變動可確保情況並非如此。在一些實施例中，為使自然變動與一最終品質度量(例如，抗張強度)相關，可在假定其標籤不可靠之情況下人為地擾動此等設定點。
在一些實施例中，擠壓係數 可為直接影響增材製造中之製造部分之品質結果的一參數。在一些實施例中，代替一擠壓係數，可使用來自一化學製造程序之一排氣流之氧/二氧化碳含量。在一些實施例中，可使用一薄膜沈積之一橢偏量測。可建立擠壓係數之一向量 。在一些實施例中，可以類似方式使用速度係數之一向量(如與一正常基線之偏差) 。此等向量可充當選取品質度量之一函數之引數。在一些實施例中，其中所選取品質度量係抗張強度 ： 其中 之確切公式可為未知的且將藉由叢集模組202學習一近似值。
在一些實施例中，直接量測一所選取設定點(諸如 )之一結果可能不可行。因此，叢集模組202可經組態以估計一站108之一偏差係數 。此估計可設想為： 其中 可表示 之估計， 可表示第 i層之一俯視影像，且 可表示映射函數 之經學習參數。
叢集模組202可利用一端對端叢集方法，該方法可經訓練以同時學習產生特徵向量之一神經網路之參數及所得特徵向量之叢集指派兩者。在一些實施例中，可使用K均值叢集技術來將資料點劃分成K個叢集群組，其中各資料點可以最近平均值低於叢集，因此實現無監督自動生成標記。在一些實施例中，可在網路中循序地使用卷積(convolutional)及池化(pooling)層以自影像提取特徵，其後接著一或多個全連接網路層，可透過該一或多個全連接網路層使用反向傳播。在一些實施例中，可使用對特徵向量之K均值叢集指派作為標籤以計算用於更新一神經網路之梯度。
圖3係繪示根據例示性實施例之叢集模組202之一例示性架構之一方塊圖。如所展示，叢集模組202可包含一卷積神經網路(convolutional neural network; CNN) 302、分類模組304及一迴歸模組306。
卷積神經網路302可自一影像集合308接收一或多個輸入影像作為輸入。在一些實施例中，用於訓練之一或多個輸入影像可表示由監測平台104捕捉之實際影像及/或合成產生之影像。卷積神經網路302可經訓練以自一或多個輸入影像之各者提取特徵向量。例如，在給定由卷積神經網路302產生之一特徵向量之情況下，可將卷積神經網路302訓練為所得K個叢集內之變異數之最小化。
分類模組304可經組態以接收由卷積神經網路302提取之一或多個特徵向量作為輸入。分類模組304可經組態以將K均值叢集應用於一或多個特徵向量以對特徵進行分類。在一些實施例中，可使用叢集之擬合來計算用於反向傳播之梯度。在一些實施例中，可藉由分類模組304之K均值叢集及卷積神經網路302之正向傳播兩者來計算叢集。在一些實施例中，可計算卷積神經網路302在預測全部影像之一經指派叢集標籤時之準確度。可選取來自 Z個迭代之具有最高準確度之叢集影像群組以供進一步使用。
迴歸模組306可經組態以產生一影像之一偏差分數。例如，迴歸模組306可使用由卷積神經網路302產生之特徵向量之一輸入來產生一影像之一偏差分數。在一些實施例中，可藉由透過運用K均值叢集達成之一投票程序聚集標籤而訓練迴歸模組306。在一些實施例中，叢集資料集可使用來自以已知偏差係數人為擾動之一程序之影像，但程序之不可靠性為如純標籤之標籤添加不確定性。針對每一叢集，可應用已知偏差係數之眾數值(modal value)作為群組之一標籤。接著，可使用由卷積神經網路302產生之特徵向量之一輸入及與該特徵向量相關聯之眾數叢集值之一標籤來訓練迴歸模組306。以此方式，叢集模組202可將一影像輸入至卷積神經網路302，使用輸出特徵向量作為至迴歸模組306之一輸入，迴歸模組306接著可輸出影像之一偏差分數。
在一些實施例中，迴歸模組306可包含可利用線性激發函數之複數個全連接層。
使用叢集模組202，可針對各影像產生新的資料對集。使用視覺特徵之新標籤指派可幫助緩解在不可靠設定點之習知使用中所發現之證實不足以用於監督學習的問題。可使用具有權重 之一深度神經網路來近似計算映射函數，且可使用經訓練網路 來估計一新的擠壓標籤集 。在一些實施例中，較高保真度標籤可用於進一步預測訓練。
再參考圖2，機器學習模組204可經組態以基於一站108處之一樣品之一影像及與該影像相關聯之一或多個標籤來預測一製造程序中之一樣品之一最終品質度量。在一些實施例中，可使用設定點標籤 來訓練機器學習模組204。在一些實施例中，機器學習模組204可表示一全連接神經網路。在一些實施例中，機器學習模組204可表示具有內部警示(internal attention)機制之一閘控遞迴單元。機器學習模組204可經組態以使用 之較高保真度標籤來映射 。此可被重寫為： 其中 可表示預測抗張強度且 可表示預測函數 之經學習參數。
一經完全訓練，預測引擎112便可使用機器學習模組204用於進行與一樣品之最終品質度量有關之預測。當一終端使用者或管理者想要重新訓練預測引擎112時，可利用叢集模組202。
圖4係繪示根據實例實施例之機器學習模組204之一架構之一方塊圖。如所展示及先前所論述，機器學習模組204可表示一全連接神經網路。
如所展示，機器學習模組204可包含利用具有ReLU激發之全連接層之一分支合併架構400。架構400可利用在將 及 傳遞至壓縮在經量測抗張強度 之標籤上訓練之預測值 的一系列全連接層中之前將 及 各別地變換為較高維度。
如所提供，架構400可包含一第一分支402及一第二分支404。第一分支402可接收 作為輸入。可將輸入 提供至一第一全連接層406。可將來自全連接層406之輸出提供至一遞迴線性激發函數(ReLU) 408。可將來自ReLU 408之輸出傳遞至一第二全連接層410，其後接著一第二ReLU 412及一丟棄層(dropout layer) 414。
第二分支404可接收 作為輸入。類似地，可將輸入 提供至一第一全連接層416。可將來自全連接層416之輸出提供至ReLU 418。可將來自ReLU 418之輸出傳遞至一第二全連接層420，其後接著一第二ReLU 422及一丟棄層424。
可將來自各分支402及404之輸出合併且作為輸入提供至全連接層430。可將來自全連接層430之輸出提供至丟棄層432。可將來自ReLU 432之輸出傳遞至一全連接迴歸因子434，其後接著一雙曲正切激發函數436。來自機器學習模組204之輸出可為一預測值 。
圖5係繪示根據實例實施例之機器學習模組204之一架構之一方塊圖。如所展示及先前所論述，機器學習模組204可表示具有內部警示機制之一閘控遞迴單元。
如所展示，機器學習模組204可包含一閘控遞迴單元架構500。閘控遞迴單元可經組態以在給定 及 之情況下預測一最終品質度量(例如，抗張強度 )。可使用架構500，此係因為其很好地處理順序資料且能夠透過其預測值保存關於故障層之資訊。
輸入502可包含一樣品之關鍵層或一樣品之關鍵程序步驟之 及 值。例如，在一製造程序中，可存在與其他程序步驟相比對最終品質度量貢獻更多之程序步驟。可透過相關或理論分析來完成此等步驟之識別。在增材製造之情況中，在一張力(tensile pull)期間經歷之應力將針對最小表面積之層為最高。因此，可定義層之一區，該區在擠壓之正態偏差下可擬合該定義。此等層或步驟可被稱為「關鍵層」或「關鍵步驟」。在一些實施例中，所使用之輸入標籤係來自叢集模組202之輸出之估計 值。在一些實施例中，可基於所使用之閘控遞迴單元區塊之數目來劃分或分佈各樣品之資料序列。如圖5之實施例中所展示，可將輸入502劃分成對應於四個閘控遞迴單元區塊504之四個集合。可將各資料集提供至一各自閘控遞迴單元區塊504。
在一些實施例中，可將來自各閘控遞迴單元區塊504之輸出串接且傳遞至一全連接層506及迴歸因子輸出層508，以估計對應於一最終品質度量(例如，抗張強度 )之一連續值。
圖6係繪示根據實例實施例之校正執行一多步驟製造程序之一方法600之一流程圖。方法600可在步驟602開始。
在步驟602，可將一規範(canonical)指令集提供至製造系統102。規範指令集可表示用於一製造程序之一指令集。在一些實施例中，可將一規範指令集提供至各站108。在此等實施例中，各規範指令集可規定對應於一各自站108之一特定製造步驟之處理參數。
在步驟604，監測平台104可在一多步驟程序之一處理步驟結束時捕捉一樣品之一影像。例如，監測平台104可經組態以在於一各自站108處進行處理之後捕捉樣品之一影像。在一些實施例中，監測平台104可經組態以捕捉與一樣品之產生相關聯之資訊(例如，一影像、一電壓讀數、一速度讀數等)，且將該資訊作為輸入提供至控制模組106以進行評估。
在步驟606，預測引擎112可檢測樣品之一或多個影像。例如，預測引擎112可在一特定處理步驟結束時自監測平台104接收樣品之輸入(例如，一或多個影像)。使用該輸入，預測引擎112可產生樣品之一預計最終品質度量。
在步驟608，可將一校正動作應用於一後續製造步驟。例如，基於預計最終品質度量，控制模組106可指示一給定站108調整對應於待應用之校正動作之一或多個處理參數。
圖7A繪示根據實例實施例之一系統匯流排運算系統架構700。系統700之一或多個組件可使用一匯流排705彼此電氣通信。系統700可包含一處理器(例如，一或多個CPU、GPU或其他類型之處理器) 710及一系統匯流排705，系統匯流排705將包含系統記憶體715 (諸如唯讀記憶體(ROM) 720及隨機存取記憶體(RAM) 725)之各種系統組件耦合至處理器710。系統700可包含與處理器710直接連接、緊密靠近處理器710或整合為處理器710之部分之高速記憶體之一快取區。系統700可將資料自記憶體715及/或儲存裝置730複製至快取區712以供處理器710快速存取。以此方式，快取區712可提供效能提升而避免處理器710在等待資料時延遲。此等及其他模組可控制或經組態以控制處理器710以執行各種動作。其他系統記憶體715亦可供使用。記憶體715可包含具有不同效能特性之多種不同類型之記憶體。處理器710可表示一單一處理器或多個處理器。處理器710可包含經組態以控制處理器710之一通用處理器或一硬體模組或軟體模組(諸如儲存於儲存裝置730中之服務1 732、服務2 734及服務3 736)之一或多者，以及將軟體指令併入至實際處理器設計中之一專用處理器。處理器710實質上可為含有多個核心或處理器、一匯流排、記憶體控制器、快取區等之一完全自給自足運算系統。一多核心處理器可為對稱的或非對稱的。
為實現與運算裝置700之使用者互動，一輸入裝置745可為任何數目個輸入機構，諸如用於語音之一麥克風、用於手勢或圖形輸入之一觸敏螢幕、鍵盤、滑鼠、運動輸入、語音等等。一輸出裝置735亦可為一般技術者已知之若干輸出機構之一或多者。在一些例項中，多模態系統可使一使用者能夠提供多種類型之輸入以與運算裝置700通信。通信介面740一般可控管及管理使用者輸入及系統輸出。不存在對在任何特定硬體配置上操作之限制，且因此，此處之基本特徵可容易在其等被發展時替換為經改良硬體或韌體配置。
儲存裝置730可為一非揮發性記憶體且可為一硬碟或可儲存可由一電腦存取之資料之其他類型的電腦可讀媒介，諸如盒式磁帶(magnetic cassette)、快閃記憶卡、固態記憶體裝置、數位多功能光碟、匣式磁帶(cartridge)、隨機存取記憶體(RAM) 725、唯讀記憶體(ROM) 720及其等之混合。
儲存裝置730可包含用於控制處理器710之服務732、734及736。考慮其他硬體或軟體模組。儲存裝置730可連接至系統匯流排705。在一個態樣中，執行一特定功能之一硬體模組可包含儲存於與必要硬體組件(諸如處理器710、匯流排705、顯示器735等等)連接之一電腦可讀媒介中以實行功能之軟體組件。
圖7B繪示根據實例實施例之具有一晶片組架構之一電腦系統750。電腦系統750可為可用於實施所揭示技術之電腦硬體、軟體及韌體之一實例。系統750可包含一或多個處理器755，一或多個處理器755表示能夠執行經組態以執行經識別運算之軟體、韌體及硬體之任何數目個實體上及/或邏輯上相異之資源。一或多個處理器755可與可控制至一或多個處理器755之輸入及來自一或多個處理器755之輸出的一晶片組760通信。在此實例中，晶片組760將資訊輸出至輸出端765 (諸如一顯示器)，且可將資訊讀取及寫入至儲存裝置770，儲存裝置770例如可包含磁性媒介及固態媒介。晶片組760亦可自RAM 775讀取資料且將資料寫入至RAM 775。可提供用於與多種使用者介面組件785介接之一橋接器780用於與晶片組760介接。此等使用者介面組件785可包含一鍵盤、一麥克風、觸摸偵測及處理電路、一指標裝置(諸如一滑鼠)等等。一般而言，至系統750之輸入可來自機器產生及/或人工產生之多種來源之任何者。
晶片組760亦可與可具有不同實體介面之一或多個通信介面790介接。此等通信介面可包含用於有線及無線區域網路、用於寬頻無線網路以及個人區域網路之介面。用於產生、顯示及使用本文中所揭示之GUI之方法之一些應用程式可包含經由實體介面接收有序資料集，或係藉由機器本身藉由分析儲存於儲存器770或775中之資料之一或多個處理器755來產生。此外，機器可透過使用者介面組件785自一使用者接收輸入且藉由使用一或多個處理器755解譯此等輸入而執行適當功能，諸如瀏覽功能。
可瞭解，例示性系統700及750可具有一個以上處理器710或為網路連結在一起以提供較大處理能力之運算裝置之一群組或叢集之部分。
雖然前述內容係關於本文中所描述之實施例，但可在不脫離其基本範疇之情況下設計其他及進一步實施例。例如，可在硬體或軟體或硬體及軟體之一組合中實施本發明之態樣。本文中所描述之一項實施例可實施為用於搭配一電腦系統使用之一程式產品。程式產品之(若干)程式定義實施例之功能(包含本文中所描述之方法)且可含於多種電腦可讀儲存媒介上。闡釋性電腦可讀儲存媒介包含但不限於：(i)將資訊永久儲存於其上之不可寫(non-writable)儲存媒介(例如，一電腦內之唯讀記憶體(ROM)裝置，諸如可由一CD-ROM驅動機讀取之CD-ROM光碟、快閃記憶體、ROM晶片或任何類型之固態非揮發性記憶體)；及(ii)將可改寫(alterable)資訊儲存於其上之可寫儲存媒介(例如，一軟式磁碟機(diskette drive)或硬碟機內之軟碟或任何類型之固態隨機存取記憶體)。此等電腦可讀儲存媒介在攜載引導所揭示實施例之功能之電腦可讀指令時係本發明之實施例。
熟習此項技術者將瞭解，前述實例係例示性的且非限制性的。預期在閱讀本說明書及研究圖式之後，熟習此項技術者明白其之全部排列、增強、等效物及改良包含於本發明之真實精神及範疇內。因此，預期下文隨附發明申請專利範圍包含如落在此等教示之真實精神及範疇內之全部此等修改、排列及等效物。
100:製造環境 102:製造系統 104:監測平台 106:控制模組 108:站 108 1至108 n:站 112:預測引擎 114:程序控制器 114 1至114 n:程序控制器 116:控制邏輯 116 1至116 n:控制邏輯 202:叢集模組 204:機器學習模組 205:區域網路 302:卷積神經網路(CNN) 304:分類模組 306:迴歸模組 308:影像集合 400:分支合併架構 402:第一分支 404:第二分支 406:第一全連接層 408:遞迴線性激發函數(ReLU) 410:第二全連接層 412:第二遞迴線性激發函數(ReLU) 414:丟棄層 416:第一全連接層 418:遞迴線性激發函數(ReLU) 420:第二全連接層 422:第二遞迴線性激發函數(ReLU) 424:丟棄層 430:全連接層 432:丟棄層 434:全連接迴歸因子 436:雙曲正切激發函數 500:閘控遞迴單元架構 502:輸入 504:閘控遞迴單元區塊 506:全連接層 600:方法 602:步驟 604:步驟 606:步驟 608:步驟 700:系統匯流排運算系統架構/系統/運算裝置 705:系統匯流排 710:處理器 712:快取區 715:系統記憶體 720:唯讀記憶體(ROM) 725:隨機存取記憶體(RAM) 730:儲存裝置 732:服務1 734:服務2 735:輸出裝置/顯示器 736:服務3 740:通信介面 745:輸入裝置 750:電腦系統 755:處理器 760:晶片組 765:輸出端 770:儲存裝置/儲存器 775:隨機存取記憶體(RAM)/儲存器 780:橋接器 785:使用者介面組件 790:通信介面
為了使得可詳細理解本發明之上述特徵，可藉由參考實施例來進行對上文簡要概述之本發明之一更特定描述，在隨附圖式中繪示一些該等實施例。然而，應注意，隨附圖式僅繪示本發明之典型實施例且因此不應被認為是對其範疇之限制，因為本發明可承認其他等效實施例。
圖1係繪示根據實例實施例之一製造環境之一方塊圖。
圖2係繪示根據例示性實施例之預測引擎之一方塊圖。
圖3係繪示根據例示性實施例之叢集模組之一例示性架構之一方塊圖。
圖4係繪示根據實例實施例之機器學習模組之一架構之一方塊圖。
圖5係繪示根據實例實施例之機器學習模組之一架構之一方塊圖。
圖6係繪示根據實例實施例之校正執行一多步驟製造程序之一方法之一流程圖。
圖7A繪示根據實例實施例之一系統匯流排運算系統架構。
圖7B繪示根據實例實施例之具有一晶片組架構之一電腦系統。
為促進理解，已在可能的情況下使用相同元件符號來指定為圖所共有之相同元件。經考慮，在一項實施例中揭示之元件可在沒有具體敘述之情況下有利地用於其他實施例。
100:製造環境
102:製造系統
104:監測平台
106:控制模組
108:站
1081至108n:站
112:預測引擎
114:程序控制器
1141至114n:程序控制器
116:控制邏輯
1161至116n:控制邏輯

Claims (20)

  1. 一種用於增材或減材製造程序的製造系統，其包括： 一或多個站，各站經組態以執行一樣品之一多步驟製造程序中之至少一個步驟； 一監測平台，其經組態以在整個該多步驟製造程序中監測該樣品之進展；及 一控制模組，其經訓練以動態地調整該多步驟製造程序之各步驟之處理參數以達成該樣品之一所要最終品質度量，其中該控制模組的一機器學習模組被訓練係藉： 在該多步驟製造程序之複數個步驟接收一樣品的複數個影像； 經由一叢集模組來標記該樣品的該複數個影像； 基於該樣品的該已標記複數個影像來訓練該機器學習模組以預測該樣品的一最終品質度量；及 基於一目標樣品的一輸入影像來輸出經組態以預計該目標樣品的該最終品質度量的一經過全面訓練的控制模組。
  2. 如請求項1之製造系統，其中該最終品質度量直至該樣品之處理完成為止無法被量測。
  3. 如請求項1之製造系統，進一步包括： 訓練該叢集模組以標記該樣品之該複數個影像，以用於訓練該機器學習模組。
  4. 如請求項3之製造系統，其中訓練該叢集模組以標記該樣品之該複數個影像以用於訓練該機器學習模組包括： 訓練該叢集模組以學習由該複數個影像產生特徵向量之一神經網路之參數及該特徵向量之叢集指派。
  5. 如請求項1之製造系統，其中基於該樣品之該已標記影像訓練該機器學習模組來預測該樣品的該最終品質度量包括： 訓練該機器學習模組以在該多步驟製造程序的各個個別步驟預測該樣品的一最終品質度量。
  6. 如請求項1之製造系統，進一步包括： 經由該叢集模組重新標記該樣品之該複數個影像；及 重新訓練該機器學習模組以基於該樣品之該重新標記的複數個影像來預測該樣品的該最終品質度量。
  7. 如請求項1之製造系統，其中該控制模組進一步被組態成： 在該製造系統內部署該經過全面訓練的控制模組。
  8. 一種用於增材或減材製造程序的非暫態電腦可讀媒體，該非暫態電腦可讀媒體包括一或多個指令，該指令在被一處理器執行時，使一運算系統執行操作，包括： 藉由該運算系統，自經組態以在整個一多步驟製造程序中監測一樣品之進展的一監測平台，在該多步驟製造程序之複數個步驟，接收該樣品的複數個影像； 經由該運算系統的一叢集模組來標記該樣品的該複數個影像； 訓練該運算系統的一機器學習模組，基於該樣品的該已標記複數個影像，來預測該樣品的一最終品質度量； 基於一目標樣品的一輸入影像來輸出經組態以預計該目標樣品的該最終品質度量的一經過全面訓練的控制模組。
  9. 如請求項8之非暫態電腦可讀媒體，其中該最終品質度量直至該樣品之處理完成為止無法被量測。
  10. 如請求項8之非暫態電腦可讀媒體，其進一步包括： 訓練該叢集模組以標記該樣品之該複數個影像，以用於訓練該機器學習模組。
  11. 如請求項10之非暫態電腦可讀媒體，其訓練該叢集模組以標記該樣品之該複數個影像以用於訓練該機器學習模組包括： 訓練該叢集模組以學習由該複數個影像產生特徵向量之一神經網路之參數及該特徵向量之叢集指派。
  12. 如請求項8之非暫態電腦可讀媒體，其中基於該樣品之該已標記影像訓練該機器學習模組來預測該樣品的該最終品質度量包括： 訓練該機器學習模組以在該多步驟製造程序中的各個個別步驟預測該樣品的一最終品質度量。
  13. 如請求項8之非暫態電腦可讀媒體，進一步包括： 經由該叢集模組重新標記該樣品之該複數個影像；及 重新訓練該機器學習模組以基於該樣品之該重新標記的複數個影像來預測該樣品的該最終品質度量。
  14. 如請求項8之非暫態電腦可讀媒體，進一步包含： 在一製造系統內部署該經過全面訓練的控制模組。
  15. 一種用於增材或減材製造程序的系統，該系統包括： 一處理器；及 一記憶體，其內儲存有程式指令，該程式指令被該處理器執行時，使該系統執行操作，包括： 自經組態以在整個一多步驟製造程序中監測一樣品之進展的一監測平台，在該多步驟製造程序之複數個步驟，接收該樣品的複數個影像； 經由一叢集模組來標記該樣品的該複數個影像； 訓練一機器學習模組，基於該樣品的該已標記複數個影像，來預測該樣品的一最終品質度量； 基於一目標樣品的一輸入影像來輸出經組態以預計出該目標樣品的該最終品質度量的一經過全面訓練的控制模組。
  16. 如請求項15之系統，其中該最終品質度量直至該樣品之處理完成為止無法被量測。
  17. 如請求項15之系統，其中該等操作進一步包括： 訓練該叢集模組以標記該樣品之該複數個影像，以用於訓練該機器學習模組。
  18. 如請求項17之系統，其中訓練該叢集模組以標記該樣品之該複數個影像以用於訓練該機器學習模組包括： 訓練該叢集模組以學習由該複數個影像產生特徵向量之一神經網路之參數及該特徵向量之叢集指派。
  19. 如請求項15之系統，其中基於該樣品之該已標記複數個影像訓練該機器學習模組來預測該樣品的該最終品質度量包括： 訓練該機器學習模組以在該多步驟製造程序的各個個別步驟預測該樣品的一最終品質度量。
  20. 如請求項15之系統，其中該等操作進一步包括： 經由該叢集模組重新標記該樣品之該複數個影像；及 重新訓練該機器學習模組以基於該樣品之該重新標記的複數個影像來預測該樣品的該最終品質度量。
TW112140186A 2020-02-21 2021-02-20 用於增材或減材製造程序之系統、方法及媒介 TW202407478A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202062979639P 2020-02-21 2020-02-21
US62/979,639 2020-02-21

Publications (1)

Publication Number Publication Date
TW202407478A true TW202407478A (zh) 2024-02-16

Family

ID=77365512

Family Applications (3)

Application Number Title Priority Date Filing Date
TW110105999A TWI767576B (zh) 2020-02-21 2021-02-20 用於製造程序之系統、方法及媒介
TW111117330A TWI823382B (zh) 2020-02-21 2021-02-20 用於增材或減材製造程序之系統、方法及媒介
TW112140186A TW202407478A (zh) 2020-02-21 2021-02-20 用於增材或減材製造程序之系統、方法及媒介

Family Applications Before (2)

Application Number Title Priority Date Filing Date
TW110105999A TWI767576B (zh) 2020-02-21 2021-02-20 用於製造程序之系統、方法及媒介
TW111117330A TWI823382B (zh) 2020-02-21 2021-02-20 用於增材或減材製造程序之系統、方法及媒介

Country Status (7)

Country Link
US (1) US20210263495A1 (zh)
EP (1) EP4107588A4 (zh)
JP (1) JP2023515015A (zh)
KR (1) KR20220133998A (zh)
CN (1) CN115039040A (zh)
TW (3) TWI767576B (zh)
WO (1) WO2021168308A1 (zh)

Families Citing this family (3)

* 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
CN115759698B (zh) * 2022-12-06 2023-07-28 中山联合鸿兴造纸有限公司 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统
CN116167251B (zh) * 2023-04-24 2023-07-04 四川省比杰智会科技有限公司 基于加工设备的自聚类工时定额建模方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7032816B2 (en) * 2001-12-28 2006-04-25 Kimberly-Clark Worldwide, Inc. Communication between machines and feed-forward control in event-based product manufacturing
AU2003270866A1 (en) * 2002-09-30 2004-04-23 Tokyo Electron Limited Method and apparatus for the monitoring and control of a semiconductor manufacturing process
US7634151B2 (en) * 2005-06-23 2009-12-15 Hewlett-Packard Development Company, L.P. Imaging systems, articles of manufacture, and imaging methods
US7962237B2 (en) * 2008-08-06 2011-06-14 Objet Geometries Ltd. Method and apparatus for optimizing a scanning plan in three-dimensional printing
US9157876B2 (en) * 2011-07-25 2015-10-13 Electro Scientific Industries, Inc. Method and apparatus for characterizing objects and monitoring manufacturing processes
JP6214889B2 (ja) * 2013-03-14 2017-10-18 株式会社東芝 プロセス監視診断装置
US10953609B1 (en) * 2013-03-22 2021-03-23 Markforged, Inc. Scanning print bed and part height in 3D printing
US9056422B2 (en) * 2013-04-09 2015-06-16 Massachusetts Institute Of Technology Methods and apparatus for encoded textures
GB201313841D0 (en) * 2013-08-02 2013-09-18 Rolls Royce Plc Method of Manufacturing a Component
US9855698B2 (en) * 2013-08-07 2018-01-02 Massachusetts Institute Of Technology Automatic process control of additive manufacturing device
US20170001379A1 (en) * 2014-02-05 2017-01-05 United Technologies Corporation A self-monitoring additive manufacturing system and method of operation
CN103978307B (zh) * 2014-04-30 2015-08-05 中国科学院化学研究所 一种用于精确控温的高分子材料紫外激光3d打印方法及装置
CN105223914B (zh) * 2014-06-30 2018-09-07 中芯国际集成电路制造(上海)有限公司 管控机台生产数据的系统及其方法
TWI553436B (zh) * 2015-06-10 2016-10-11 A control system that monitors and obtains production information through a remote mobile device
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity
US11204597B2 (en) * 2016-05-20 2021-12-21 Moog Inc. Outer space digital logistics system
TWI655105B (zh) * 2017-01-05 2019-04-01 三緯國際立體列印科技股份有限公司 多色3d物件的切層列印方法
US10365640B2 (en) * 2017-04-11 2019-07-30 International Business Machines Corporation Controlling multi-stage manufacturing process based on internet of things (IoT) sensors and cognitive rule induction
US11602790B2 (en) * 2017-05-10 2023-03-14 Monash University Method and system for quality assurance and control of additive manufacturing process
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
US10360671B2 (en) * 2017-07-11 2019-07-23 Kla-Tencor Corporation Tool health monitoring and matching
WO2019040948A1 (en) * 2017-08-25 2019-02-28 Massachusetts Institute Of Technology DETECTION AND CONTROL OF ADDITIVE MANUFACTURING PROCESSES
CN111629902A (zh) * 2017-12-20 2020-09-04 莫戈公司 外太空数字物流系统
US10857738B2 (en) * 2018-03-19 2020-12-08 Tytus3D System Inc. Systems and methods for real-time defect detection, and automatic correction in additive manufacturing environment
US10518480B2 (en) * 2018-04-02 2019-12-31 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence feedback control in additive manufacturing
KR20190118300A (ko) 2018-04-10 2019-10-18 이성범 적립 포인트 또는 스마트폰의 폰빌링을 이용한 톨게이트 통행료 지불방법
JP2020001302A (ja) * 2018-06-29 2020-01-09 株式会社リコー 造形予測システム、造形予測表示システム、情報処理装置およびプログラム
CN208705198U (zh) * 2018-08-24 2019-04-05 泉州众鑫达信息科技有限公司 一种扬尘在线监测控制系统
CN109635875A (zh) * 2018-12-19 2019-04-16 浙江大学滨海产业技术研究院 一种基于深度学习的端到端网口检测方法
CN109919058A (zh) * 2019-02-26 2019-06-21 武汉大学 一种基于Yolo V3的多源视频影像重点目标快速检测方法
US10481579B1 (en) * 2019-02-28 2019-11-19 Nanotronics Imaging, Inc. Dynamic training for assembly lines
CN110328878A (zh) * 2019-05-17 2019-10-15 黑金刚（福建）自动化科技股份公司 一种鞋面的3d打印方法及其设备

Also Published As

Publication number Publication date
EP4107588A4 (en) 2024-03-20
TW202232257A (zh) 2022-08-16
WO2021168308A1 (en) 2021-08-26
TWI823382B (zh) 2023-11-21
KR20220133998A (ko) 2022-10-05
CN115039040A (zh) 2022-09-09
TW202136936A (zh) 2021-10-01
JP2023515015A (ja) 2023-04-12
TWI767576B (zh) 2022-06-11
EP4107588A1 (en) 2022-12-28
US20210263495A1 (en) 2021-08-26

Similar Documents

Publication Publication Date Title
TWI823382B (zh) 用於增材或減材製造程序之系統、方法及媒介
TWI821985B (zh) 製造系統、多步驟製造方法及非暫態電腦可讀媒介
JP7320885B2 (ja) 製造プロセスのためのシステム、方法、および媒体
JP2023113719A (ja) 製造プロセスのためのシステム、方法、および媒体
US20210311440A1 (en) Systems, Methods, and Media for Manufacturing Processes
TWI801820B (zh) 用於製造流程之系統及方法
JP7320884B2 (ja) 製造プロセスのためのシステム、方法、および媒体
KR20230025698A (ko) 제조 공정을 위한 시스템, 방법 및 매체