TWI765403B - 用於製造程序之系統及方法與三維（３ｄ）列印系統 - Google Patents

用於製造程序之系統及方法與三維（３ｄ）列印系統 Download PDF

Info

Publication number
TWI765403B
TWI765403B TW109138940A TW109138940A TWI765403B TW I765403 B TWI765403 B TW I765403B TW 109138940 A TW109138940 A TW 109138940A TW 109138940 A TW109138940 A TW 109138940A TW I765403 B TWI765403 B TW I765403B
Authority
TW
Taiwan
Prior art keywords
component
control module
manufacturing
station
quality metric
Prior art date
Application number
TW109138940A
Other languages
English (en)
Other versions
TW202134025A (zh
Inventor
達瑪斯 黎莫葛
法比安 侯
古希基 薩德 諾麗
阿斯溫 拉加 納莫斯瓦蘭
巴迪姆 皮斯基
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 TW202134025A publication Critical patent/TW202134025A/zh
Application granted granted Critical
Publication of TWI765403B publication Critical patent/TWI765403B/zh

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
    • 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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (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

本文中揭示一種製造系統。該製造系統可包含一或多個站、一監控平台及一控制模組。各站經組態以執行針對一組件之一多步驟製造程序中之至少一個步驟。該監控平台經組態以貫穿該多步驟製造程序監控該組件之進度。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

用於製造程序之系統及方法與三維(3D)列印系統
本發明大體上係關於一種用於製造程序之系統、方法及媒體。
為了安全地、及時地且以最小浪費製造不斷地滿足所要設計規格之組件，通常需要對製造程序之持續監控及調整。
在一些實施例中，本文中揭示一種製造系統。該製造系統可包含一或多個站、一監控平台及一控制模組。各站經組態以執行針對一組件之一多步驟製造程序中之至少一個步驟。該監控平台經組態以貫穿該多步驟製造程序監控該組件之進度。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處，自該監控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判定複數個步驟之至少一第一步驟尚未經歷一不可恢復故障且該複數個步驟之至少一第二步驟已經歷該不可恢復故障。該等操作進一步包含基於該判定，藉由該控制模組基於該輸入而產生針對該組件之一 狀態編碼。該等操作進一步包含藉由該控制模組基於該組件之該狀態編碼及該輸入而判定該最終品質度量不在一可接受值範圍內。該等操作進一步包含基於該判定，藉由該控制模組調整用於至少一後續站之控制邏輯，其中該調整包括待由該後續站執行之一校正動作及暫停至少該第二步驟之處理之一指令。
在一些實施例中，本文中揭示一種多步驟製造方法。一運算系統在一或多個站之一站處自一製造系統之一監控平台接收一組件之一影像。各站經組態以執行一多步驟製造程序之一步驟。該運算系統判定複數個步驟之至少一第一步驟尚未經歷一不可恢復故障且該複數個步驟之至少一第二步驟已經歷該不可恢復故障。基於該判定，該運算系統基於該組件之該影像而產生針對該組件之一狀態編碼。該運算系統基於該組件之該狀態編碼及該影像而判定該組件之一最終品質度量不在一可接受值範圍內。基於該判定，該運算系統調整用於至少一後續站之控制邏輯。該調整包含待由該後續站執行之一校正動作及暫停至少該第二步驟之處理之一指令。
在一些實施例中，本文中揭示一種三維(3D)列印系統。該三維列印系統包含一處理站、一監控平台及一控制模組。該處理站經組態以沈積複數個層以形成一組件。該監控平台經組態以貫穿一沈積程序監控該組件之進度。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。該等操作包含在已沈積一層之後，自該監控平台接收該組件之一影像。該等操作進一步包含藉由該控制模組判定複數個步驟之至少一第一步驟尚未經歷一不可恢復故障且該複數個步驟之至少一第二步驟已經歷該不 可恢復故障。該等操作進一步包含藉由該控制模組基於該組件之該影像而產生針對該組件之一狀態編碼。該等操作進一步包含藉由該控制模組基於該組件之該狀態編碼及該影像而判定該最終品質度量不在一可接受值範圍內。該等操作進一步包含基於該判定，藉由該控制模組調整用於沈積該複數個層之至少一後續層之控制邏輯。該調整包括待在該後續層之沈積期間執行之一校正動作及暫停至少該第二步驟之處理之一指令。
100:製造環境
102:製造系統
104:監控平台
106:控制模組
1081-108n:站
112:預測引擎
1141-114n:程序控制器
116:控制邏輯
1161-116n:控制邏輯
202:故障分類器
204:狀態自動編碼器
205:區域網路
206:校正代理
208:資料庫
210:先前經驗
212:廻旋神經網路(CNN)
302:編碼器部分
304:解碼器部分
306:影像
308:廻旋層
310:匯集層
312:完全連接層
314:特徵向量
316:完全連接層
318:增加取樣層
320:反廻旋層
322:影像
402:當前狀態
404:行動者網路(「行動者」)
406:評論家網路(「評論家」)
408:完全連接層
410:啟動函數
412:完全連接層
414:啟動函數
416:獎勵集
418:完全連接層
420:啟動函數
422:完全連接層
424:啟動函數
426:合併
428:完全連接層
430:啟動函數
432:預測
500:方法
502:步驟
504:步驟
506:步驟
508:步驟
510:步驟
514:步驟
516:步驟
600:運算系統
605:匯流排/系統匯流排
610:處理器
612:快取區
615:系統記憶體
620:唯讀記憶體(ROM)
625:隨機存取記憶體(RAM)
630:儲存裝置
632:服務1
634:服務2
635:輸出裝置/顯示器
636:服務3
640:通信介面
645:輸入裝置
650:電腦系統
655:處理器
660:晶片組
665:輸出
670:儲存裝置/儲存器
675:RAM/儲存器
680:橋接器
685:使用者介面組件
690:通信介面
為了可詳細地理解本發明之上述特徵之方式，可參考實施例對本發明進行上文簡要地概述之一更特定描述，一些該等實施例在隨附圖式中繪示。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視為對其範疇之限制，此係因為本發明可允許其他同等有效實施例。
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係繪示根據實例實施例之製造環境之預測引擎之一方塊圖。
圖3係繪示根據實例實施例之預測引擎之狀態自動編碼器之架構之一方塊圖。
圖4係繪示根據實例實施例之用於預測引擎之校正代理之一行動者評論家範式之架構之一方塊圖。
圖5係繪示根據實例實施例之執行一多步驟製造程序之一方法之一流程圖。
圖6A繪示根據實例實施例之一系統匯流排運算系統架構。
圖6B繪示根據實例實施例之具有一晶片組架構之一電腦系 統。
為了促進理解，在可能情況下已使用相同元件符號來指定該等圖所共有之相同元件。經考量，一項實施例中所揭示之元件可在沒有特定敘述之情況下有益地用於其他實施例。
相關申請案之交叉參考
本申請案主張2019年11月7日申請之美國臨時申請案第62/932,043號之優先權，其全部內容特此以引用方式併入本文中。
本文中所描述之一或多種技術通常係關於一種經組態以監控一多步驟製造程序之各步驟之監控平台。針對多步驟製造程序之各步驟，該監控平台可監控組件之進度且判定組件之一當前狀態如何影響與最終組件相關聯之一最終品質度量。通常，一最終品質度量係無法在一多步驟製造程序之各步驟處量測之一度量。實例性最終品質度量可包含但不限於最終組件之拉伸強度、硬度、熱性質及類似物。針對特定最終品質度量，諸如拉伸強度，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使用一或多種人工智慧技術預計在一多步驟製造程序之各步驟處之最終品質度量。例如，本文中所描述之一或多種技術可利用一或多種強化演算法以基於在一多步驟製造程序之一特定步驟處組件之一狀態而預計最終品質度量。
此外，本文中所提供之一或多種技術可包含用於偵測是否存在一不可恢復故障之一機構。例如，在一給定處理站處處理一組件之後，本系統可包含用於分析該組件以判定是否存在一不可恢復故障之一機構。然而，取代提供有關整個組件之一二元輸出(例如，存在故障，不存 在故障)，本系統亦可包含對用於製造該組件之複數個步驟之各步驟做出一故障判定之一或多種機器學習技術。
將強化學習應用於實體環境並非一項輕鬆的任務。通常，強化學習不像其他類型之機器學習技術般有利於真實實體環境。此可能歸咎於訓練一預測模型通常所需之大量訓練實例。在實體環境中，歸因於製造實體組件之成本及時間，通常難以產生所需數目個訓練實例。為了考量此限制，本文中所提供之一或多種技術可利用一無模型強化學習技術，該技術允許一預測模型在遍歷一環境時學習該環境。此對於實體量測非常有效，此係因為其需要較少量測來預測最佳動作。
製造程序可能係複雜的且包含由不同處理站(或「若干站」)處理之原材料直至生產出一最終組件為止。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可傳遞至一後繼(下游)處理站以供額外處理之一中間輸出。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組件或更一般地最終輸出。
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。實例性處理站可包含但不限於傳送帶、射出成型壓機、切割機、模壓機、擠出機、電腦數值控制(CNC)磨機、磨床、裝配站、三維列印機、品質控制站、驗證站及類似物。
在一些實施例中，各處理站之操作可由一或多個程序控制器支配。在一些實施例中，各處理站可包含可經程式化以控制該處理站之操作之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向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。實 例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、停機時間、有毒煙霧及類似物。
在一些實施例中，一組件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、作為該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、一監控平台104及一控制模組106。製造系統102可廣泛地代表一多步驟製造系統。在一些實施例中，製造系統102可代表用於增材製造中之一製造系統(例如，3D列印系統)。在一些實施例中，製造系統102可代表用於減材製造(例如，CNC加工)中之一製造系統。在一些實施例中，製造系統102可代表用於增材製造及減材製造之一組合中之一製造系統。更一般地，在一些實施例中，製造系統102可代表用於一般製造程序中之一製造系統。
製造系統102可包含一或多個站1081至108n(通常，「站108」)。各站108可代表一多步驟製造程序中之一步驟及/或站。例如，各站108可代表一3D列印程序中之一層沈積操作(例如，站1081可對應於層1，站1082可對應於層2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，針對一組件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步驟序列。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)步驟序列。
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1141至114n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可向各程序控制器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。各控制邏輯1161-116n(統稱控制邏輯116)可參考與一站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，可由控制模組106貫穿製造程序動態地更新用於各站108之控制邏輯116。
監控平台104可經組態以監控製造系統102之各站108。在一些實施例中，監控平台104可為製造系統102之一組件。例如，監控平台104可為一3D列印系統之一組件。在一些實施例中，監控平台104可獨立於製造系統102。例如，監控平台104可經改裝至一既有製造系統102上。在一些實施例中，監控平台104可代表經組態以在一多步驟程序之各步驟處擷取一組件之一影像之一成像裝置。例如，監控平台104可經組態以在各站108處擷取該組件之一影像。通常，監控平台104可經組態以擷取與一組件之生產相關聯之資訊(例如，一影像、一電壓讀數、一速度讀數等)，且將彼資訊作為輸入提供至控制模組106以供評估。
控制模組106可經由一或多個通信頻道與製造系統102及監控平台104進行通信。在一些實施例中，一或多個通信頻道可代表經由諸如蜂巢式或Wi-Fi網路之網際網路之個別連接。在一些實施例中，一或多個通信頻道可使用直接連接來連接終端機、服務及行動裝置，諸如射頻識別(RFID)、近場通信(NFC)、BluetoothTM、低能BluetoothTM(BLE)、Wi-FiTM、ZigBeeTM、環境反向散射通信(ABC)協定、USB、WAN或LAN。
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，基於由監控平台104擷取之資訊，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可經組態以基於一經預計最終品質度量而調整一特定站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可代表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基於一多步驟製造程序之各個別步驟處之經量測資料而預計一組件之一最終品質度量。在操作中，控制模組106可自監控平台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的一組件之一當前狀態之一影像之形式。基於該輸入，控制模組106可預計該組件之一最終品質度量。取決於該組件之經預計最終品質度量，控制模組106可判定在後繼製造步驟中採取之一或多個動作。例如，若經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可採取矯正製造程序之一或多個動作。在一些實施例中，控制模組106可與後繼站108中之站控制器介接以調整其等各自控制及/或站參數。此等調整可輔助校正製造程序，使得最終品質度量可在可接受品質度量之範圍內。
圖2係繪示根據實例性實施例之預測引擎112之一方塊圖。如所繪示，預測引擎112可包含故障分類器202、狀態自動編碼器204及校正代理206。故障分類器202、狀態自動編碼器204及校正代理206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體(例如，與控制模組106相關聯之運算系統之記憶體)上之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)之碼或指令之集合。此等機器指令可為處理器解釋以實施該等指令之實際電腦碼，或替代地可為經解釋以獲得實際電腦碼之指令之一更高階編碼。一或多個軟體模組亦可包含一或多個硬體組件。一實例演算法之一或多個態樣可由硬體組件(例如，電路)自 身來執行，而非作為該等指令之一結果。此外，在一些實施例中，故障分類器202、狀態自動編碼器204及校正代理206之各者可經組態以在該等組件當中傳輸一或多個信號。在此等實施例中，此等信號可不限於由一運算裝置執行之機器指令。
在一些實施例中，故障分類器202、狀態自動編碼器204及校正代理206可經由一或多個區域網路205進行通信。網路205可為任何合適類型，包含經由諸如蜂巢式或Wi-Fi網路之網際網路之個別連接。在一些實施例中，網路205可使用直接連接來連接終端機、服務及行動裝置，諸如射頻識別(RFID)、近場通信(NFC)、BluetoothTM、低能BluetoothTM(BLE)、Wi-FiTM、ZigBeeTM、環境反向散射通信(ABC)協定、USB、WAN或LAN。因為經傳輸資訊可為私人的或機密的，所以安全顧慮可規定待加密或以其他方式保全之此等類型之連接之一或多者。然而，在一些實施例中，正在傳輸之資訊可能不太私人，且因此，可出於便利優先於安全性而選擇網路連接。
故障分類器202可經組態以判定有關一製造技術之一校正動作是否可能。例如，故障分類器202可接收來自監控平台104之輸入作為輸入。基於該輸入，故障分類器202可判定是否存在一不可恢復故障。使用3D列印領域中之一特定實例，當一部件可能變得自3D列印機之一熱床脫落或細絲被磨成供料器齒輪不能抓住表面之點時，層將固有地被錯印。此通常係一不可恢復故障，此係因為在後繼層上沈積任何量之塑膠將不會影響列印之最終形式。以此方式，將一故障分類為當前主動層無法列印上之一樣品。為了校正此等情況，一種方法係停止列印其中偵測到故障之區，使得額外未熔融塑膠將不會影響其他樣品且致使故障連串為一批量 故障。
在一些實施例中，故障分類器202可經組態以識別一組件之一部分是否已出故障。例如，在一些製造程序中，一組件可包含若干處理步驟(例如，一3D列印程序)。在此等實施例中，一步驟子集可能存在故障，而其餘步驟保持聯機以供下游處理。習知上，系統將限於判定整個組件已經歷一故障，即，出故障之若干步驟及未出故障之其餘步驟。故障分類器202藉由提供允許故障分類器202識別出故障之複數個步驟之彼等特定步驟之功能來改良習知系統。藉由識別彼等特定步驟，故障分類器202可實現否則將被分類為一完全故障之一組件之進一步處理。
在一些實施例中，故障分類器202可包含經訓練以識別何時存在一不可恢復故障之一廻旋神經網路(CNN)212。在一些實施例中，CNN 212可包含用於特徵學習之三個廻旋/最大匯集層，之後係具有捨棄(dropout)之一全連接網路，及執行二元分類之soft-max啟動。在一些實施例中，CNN 212可在一製造步驟起始之前自監控平台104接收一組件之一影像作為輸入。基於該影像，CNN 212可經組態以產生指示是否存在一不可恢復故障之一二元輸出(例如，出故障或未出故障)。
在一些實施例中，可根據以下類別(出故障或未出故障)來訓練CNN 212。訓練集可包含內含出故障組件之特徵及未出故障組件之特徵之各種組件影像。在一些實施例中，訓練集可包含各類別之數千項實例。使用3D列印領域中之一特定實例，訓練集可包含各類別之足夠數目個例項，此係因為具有Y(例如，500)個層之一歸檔列印可具有表示一可列印層實例之N項實例及Y-N項故障實例，其中N可表示列印出故障之層。在一些實施例中，一給定批量可包含十二個經列印樣品，每批量總共 6000個影像。可用標記收集一大訓練影像集，該標記包含在視覺上識別一個別所關注區中列印出故障所在之層且相應地分割資料集。
在一些實施例中，可依一更精細訓練集訓練CNN 212，其中針對包含兩個或更多個處理步驟之各組件，各步驟被標記為出故障或未出故障。該訓練集可包含內含出故障步驟之特徵及未出故障步驟之特徵之各種組件影像。在一些實施例中，該訓練集可包含各類別之數千項實例。
狀態自動編碼器204可經組態以產生針對一特定組件之一狀態編碼。在一些實施例中，狀態自動編碼器204可經組態以在由故障分類器202判定該組件包含尚未出故障之至少一個步驟時，產生狀態自動編碼器。例如，狀態自動編碼器204可經組態以產生供一代理起作用之一狀態。在一些實施例中，狀態自動編碼器204可經訓練使用者非監督方法以便產生供一代理起作用之一狀態。
圖3係繪示根據實例實施例之狀態自動編碼器204之架構之一方塊圖。如所展示，狀態自動編碼器204可包含一編碼器部分302及一解碼器部分304。編碼器部分302及解碼器部分304可為其等自身之鏡像版本，此允許訓練權重以將資訊減少至能夠表示一影像之核心組成之一任意維度。
如所展示，編碼器部分302可包含影像306、一或多個廻旋層308、一匯集層310及一或多個完全連接層312。在一些實施例中，影像306可代表自一目標組件或樣品之監控平台104接收之一輸入影像。在一些實施例中，一或多個廻旋層308可代表若干廻旋層，其中各廻旋層經組態以識別輸入影像中存在之特定特徵。在傳遞通過一或多個廻旋層308之後，可將來自一或多個廻旋層308之輸出提供至一匯集層310。匯集層310 可經組態以減小該影像之總大小。匯集層310之輸出可經提供至一或多個完全連接層312。在一些實施例中，一或多個完全連接層312可代表若干完全連接層312。一或多個完全連接層312產生特徵向量314作為輸出，該特徵向量314可用作校正代理206之狀態定義。特徵向量314可為目標樣品之一或多個高維特徵之一經編碼低維表示(例如，樣品之影像)。經編碼特徵向量314可為固定維度之一潛在變數。可選擇特徵向量314維度作為神經網路設計程序之一部分以最好地表示經編碼潛在空間中之高維特徵。
解碼器部分304可經組態以自由編碼器部分302產生之輸出重構輸入影像。解碼器部分304可包含一或多個完全連接層316、一或多個增加取樣層318、一或多個反廻旋層320及一或多個影像322。一或多個完全連接層316可自一或多個完全連接層312接收輸入。例如，一或多個完全連接層316可自編碼器部分302接收經縮小影像資料作為輸入。完全連接層316可將輸入提供至一或多個增加取樣層318。增加取樣層318可經組態以增加取樣或增加由完全連接層316提供之輸入之維度。增加取樣層318可將經增加取樣影像提供至一或多個反廻旋層320以產生一或多個影像322。
再次參考圖2，可將由狀態自動編碼器204產生之特徵向量作為輸入提供至校正代理206。校正代理206可經組態以基於一組件之一當前狀態而預計該組件之一最終品質度量且識別待採取之一或多個校正動作，假設經預計最終品質度量不在一可接受值範圍內。
圖4係繪示根據實例實施例之校正代理206之一行動者評論家範式之架構之一方塊圖。如所展示，校正代理206可包含一當前狀態402、一行動者網路(「行動者」)404及一評論家網路(「評論家」)406。 當前狀態402可代表由狀態自動編碼器204產生之特徵向量314。例如，校正代理206可接收特徵向量314且並行地使用其作為至兩個單獨網路之輸入：行動者404及評論家406。
行為者404可經組態以基於一給定狀態定義而產生待採取之校正動作之預測。例如，基於特徵向量314，行動者404可經組態以基於最終品質度量而產生待採取之一或多個校正動作。在一些實施例中，待採取之可能的許可動作集可由一使用者預先設定。例如，在3D列印之情況下，待採取之許可動作集可包含改變一經擠出塑膠之一長度及改變擠出機頭之一速度。選擇此等動作係因為其等通常包含於3D列印程序之每個列印動作中且規定意謂著每指令待擠出之塑膠量以及列印頭移動之速度。兩個變數與擠出程序之精度相關。
如所展示，行動者404可包含一或多個完全連接層408、412及一或多個啟動函數410、414。在一些實施例中，啟動函數410及414可為雙曲線tan(tanh)啟動函數。行動者404可經組態以基於如由特徵向量314所定義之組件之當前狀態而產生待採取之一動作集(例如，獎勵集416)作為輸出。
評論家406可包含類似於行動者404之架構。例如，評論家406可包含類似的一或多個完全連接層418、422及類似的一或多個啟動函數420、424。行動者404及評論家406之相同輸入之性質可建議一適當變換，其將含有行動者404及評論家406兩者之相同網路架構直至級聯為止。可相應地設計行動者404及評論家406兩者之架構。針對行動者404及評論家406兩者採用類似架構可允許設計程序簡單、快速且易於除錯。在一些實施例中，後繼網路層之大小及形狀可取決於彼級聯。來自一或多個 完全連接層418、422之輸出可與由行動者404產生之動作集(例如，獎勵集416)合併(例如，合併426)。評論家406可使用動作集以使用完全連接層428及啟動函數430對一動作軌跡做出一品質預測(例如，預測432)。
再次參考圖2，預測引擎112可與資料庫208進行通信。資料庫208可儲存一或多個先前經驗210。先前經驗210可代表針對一給定狀態向量採取之所推薦動作及作為彼等所推薦操作之一結果之一對應最終品質度量。以此方式，預測引擎112可不斷地調整其參數以便暸解針對一組件之一給定狀態採取哪些動作，此將導致在一可接受最終品質度量之範圍內之一最終品質度量。
圖5係繪示根據實例實施例之校正一執行一多步驟製造程序之一方法500之一流程圖。方法500可在步驟502處開始。
在步驟502處，可將一規範指令集提供至製造系統102。規範指令集可代表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504處，控制模組106可判定製造系統102是否處於一終端狀態。換言之，控制模組106可判定製造系統102是否已完工完成一目標組件。若控制模組106判定製造系統102處於一終端狀態(即，該組件已被製造)，則方法500可結束。然而，若控制模組106判定製造系統102未處於一終端狀態，則方法500可繼續進行至步驟506。
在步驟506處，可將一校正動作應用於一給定製造步驟。例如，基於由校正代理206產生之一預測，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。在另一實例中， 基於由校正代理206產生之一預測，控制模組106可調整一後繼步驟之一或多個處理參數。在一些實施例中，諸如在其中該組件正在經歷第一處理步驟之情況下或當校正代理206判定不需要校正動作時，步驟506可為可選的。
在步驟508處，預測引擎112可在一處理步驟結束時檢測該組件。例如，預測引擎112可在一特定處理步驟結束時自監控平台104接收該組件之輸入(例如，一或多個影像)。使用該輸入，故障分類器202可判定是否存在一不可恢復故障。例如，故障分類器202可將該影像提供至CNN 212，該CNN 212經訓練以識別該影像之各種特徵以判定是否存在一不可恢復故障。
在步驟510處，預測引擎112可判定是否存在一不可恢復故障。在一些實施例中，若在製造程序中用於處理該組件之所有步驟已出故障，則可能存在一不可恢復出故障。若在步驟510處，預測引擎112判定存在一不可恢復故障(即，所有步驟已出故障)，則製造程序可終止。然而，若在步驟510處，預測引擎112判定用於處理該組件之至少一個步驟尚未出故障，則不存在一不可恢復出故障，且方法500可繼續進行至步驟514。
在步驟514處，預測引擎112可產生針對特定處理步驟之一狀態編碼。例如，狀態自動編碼器204可經組態以在由故障分類器202判定至少一個步驟尚未出故障時，產生針對該製造步驟之一狀態編碼。狀態自動編碼器204可基於由監控平台104擷取之經接收輸入(例如，該組件之一或多個影像)而產生狀態編碼。
在步驟516處，預測引擎112可基於該輸入及該狀態編碼而 判定待在下一站處採取之一校正動作。例如，校正代理206可經組態以基於一組件之一當前狀態而預計該組件之一最終品質度量且識別待採取之一或多個校正動作，假設經預計最終品質度量不在一可接受值範圍內。預測引擎112可將校正動作傳輸至對應於下一處理步驟之一各自程序控制器114。在一些實施例中，校正動作可包含下游站108暫停已經歷一故障之用於製造該組件之步驟之處理，同時繼續處理尚未經歷一故障之步驟之指令。
在步驟516之後，方法500可回復至步驟504，且控制模組106可判定製造系統102是否處於一終端狀態。若控制模組106判定製造系統102處於一終端狀態(即，該組件已被製造)，則方法500結束。然而，若控制模組106判定製造系統102未處於一終端狀態，則方法500可繼續進行至步驟506。
在步驟506處，可將一校正動作應用於一給定製造步驟。例如，基於在步驟516處由校正代理206產生之一預測，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。在另一實例中，基於在步驟516處由校正代理206產生之一預測，控制模組106可調整對應於待應用之校正動作之一後繼步驟之一或多個處理參數。
可重複後續程序直至控制模組106判定製造系統102處於一終端狀態為止。
圖6A繪示根據實例實施例之一系統匯流排之運算系統600。運算系統600之一或多個組件可使用一匯流排605彼此進行電通信。運算系統600可包含一處理器(例如，一或多個CPU、GPU或其他類型之處理器)610及將包含系統記憶體615之各種系統組件(諸如唯讀記憶體 (ROM)620及隨機存取記憶體(RAM)625)耦合至處理器610之一系統匯流排605。運算系統600可包含直接與處理器610連接、緊鄰處理器610或整合為處理器610之部分之高速記憶體之一快取區。運算系統600可將資料自記憶體615及/或儲存裝置630複製至快取區612以供處理器610快速存取。以此方式，快取區612可提供避免處理器610在等待資料的同時延時之一效能提高。此等及其他模組可控制或經組態以控制處理器610以執行各種動作。其他系統記憶體615亦可供使用。記憶體615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610可代表單個處理器或多個處理器。處理器610可包含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630中、經組態以控制處理器610之服務1 632、服務2 634及服務3 636)以及一專用處理器(其中軟體指令經併入至實際處理器設計中)之一或多者。處理器610可本質上為一完全自含式運算系統，含有多個核心或處理器、一匯流排、記憶體控制器、快取區等。一多核心處理器可為對稱的或非對稱的。
為了實現與運算系統600之使用者互動，一輸入裝置645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。一輸出裝置635亦可為熟習此項技術者已知之數個輸出機構之一或多者。在一些例項中，多模式系統可使一使用者能夠提供多種類型之輸入以與運算系統600進行通信。通信介面640通常可支配及管理使用者輸入及系統輸出。有關任何特定硬體配置之操作不存在限制且因此在此基本特徵可在改良式硬體或韌體配置被開發時容易替換成改良式硬體或韌體配置。
儲存裝置630可為一非揮發性記憶體且可為可儲存可由一電腦存取之資料之一硬碟或其他類型之電腦可讀媒體，諸如盒式磁帶、快 閃記憶卡、固態記憶體裝置、數位多功能光碟、卡匣、隨機存取記憶體(RAM)625、唯讀記憶體(ROM)620及其等混合物。
儲存裝置630可包含用於控制處理器610之服務632、634及636。其他硬體或軟體模組經考慮。儲存裝置630可經連接至系統匯流排605。在一個態樣中，執行一特定功能之一硬體模組可包含與必要硬體組件(諸如處理器610、匯流排605、顯示器635等)相關地儲存於一電腦可讀媒體中以實行該功能之軟體組件。
圖6B繪示根據實例實施例之具有一晶片組架構之一電腦系統650。電腦系統650可為可用來實施所揭示技術之電腦硬體、軟體及韌體之一實例。系統650可包含代表能夠執行經組態以執行所識別運算之軟體、韌體及硬體之任何數目個實體及/或邏輯上相異的資源之一或多個處理器655。一或多個處理器655可與控制至一或多個處理器655之輸入及來自一或多個處理器655之輸出之一晶片組660進行通信。在此實例中，晶片組660將資訊輸出至輸出665，諸如一顯示器，且可將資訊讀取及寫入至儲存裝置670，該儲存裝置670可例如包含磁性媒體及固態媒體。晶片組660亦可自RAM 675讀取資料及將資料寫入至RAM 675。可提供用於與各種使用者介面組件685介接之一橋接器680以與晶片組660介接。此等使用者介面組件685可包含一鍵盤、一麥克風、觸控偵測及處理電路、一指向裝置，諸如一滑鼠等。通常，至系統650之輸入可來自機器產生及/或人工產生之多種源之任一者。
晶片組660亦可與可具有不同實體介面之一或多個通信介面690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之方法之一些應用可包含透過實體介面或待由機器自身藉由一或多個處理器655分析儲存於儲存器670或675中之資料而產生之有序資料集。此外，該機器可透過使用者介面組件685自一使用者接收輸入且藉由使用一或多個處理器655解釋此等輸入來執行適當功能，諸如瀏覽功能。
可暸解，實例運算系統600及電腦系統650可具有一個以上處理器610或為一起網路化以提供更大處理能力之運算裝置之一群組或群集之部分。
雖然前文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，本發明之態樣可以硬體或軟體或硬體及軟體之一組合來實施。本文中所描述之一項實施例可被實施為與一電腦系統一起使用之一程式產品。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)且可被含在多種電腦可讀儲存媒體上。闡釋性電腦可讀儲存媒體包含但不限於：(i)資訊永久地儲存於其上之不可寫入儲存媒體(例如，一電腦內之唯讀記憶體(ROM)裝置，諸如由一CD-ROM碟機可讀之CD-ROM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)可更改資訊經儲存於其上之可寫入儲存媒體(例如，一磁碟機或硬碟機內之軟碟或任何類型之固態隨機存取記憶體)。當攜載指導所揭示實施例之功能之電腦可讀指令時，此等電腦可讀儲存媒體係本發明之實施例。
熟習此項技術者將明白，前述實例係實例性的且非限制性的。意圖係在閱讀說明書及研究圖式之後對熟習此項技術者而言顯而易見的該等實例之所有排列、增強、等效物及改良被包含於本發明之真實精神及範疇內。因此，意圖係以下隨附發明申請專利範圍包含如落入此等教示之真實精神及範疇內之所有此等修改、排列及等效物。
500:方法
502:步驟
504:步驟
506:步驟
508:步驟
510:步驟
514:步驟
516:步驟

Claims (20)

  1. 一種製造系統，其包括：一或多個站，各站經組態以執行針對一組件之一多步驟製造程序中之至少一個步驟；一監控平台，其經組態以貫穿該多步驟製造程序監控該組件之進度；及一控制模組，其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，包括：在該多步驟製造程序之一步驟處，自該監控平台接收與該組件相關聯之一輸入；藉由該控制模組判定複數個步驟之至少一第一步驟尚未經歷一不可恢復故障且該複數個步驟之至少一第二步驟已經歷該不可恢復故障；基於該判定，藉由該控制模組基於該輸入而產生針對該組件之一狀態編碼；藉由該控制模組基於該組件之該狀態編碼及該輸入而判定該最終品質度量不在一可接受值範圍內；及基於該判定，藉由該控制模組調整用於至少一後續站之控制邏輯，其中該調整包括待由該後續站執行之一校正動作及暫停至少該第二步驟之處理之一指令。
  2. 如請求項1之製造系統，其中無法量測該最終品質度量直至該組件之處理完成為止。
  3. 如請求項1之製造系統，其中藉由該控制模組調整用於至少該後續站之該控制邏輯包括：識別待由該後續站執行之該校正動作；及基於該校正動作及該狀態編碼而預計該最終品質度量。
  4. 如請求項1之製造系統，其中該等操作進一步包括：訓練一廻旋神經網路以識別何時存在該不可恢復故障。
  5. 如請求項4之製造系統，其中該輸入包括一影像且其中該控制模組使用一廻旋神經網路判定存在該不可恢復故障。
  6. 如請求項1之製造系統，其中藉由該控制模組調整用於至少該後續站之該控制邏輯包括：調整用於一進一步後續站之一進一步控制邏輯。
  7. 如請求項1之製造系統，其中該一或多個站之各者對應於一3D列印程序中之一層沈積。
  8. 一種多步驟製造方法，其包括：藉由一運算系統在一或多個站之一站處自一製造系統之一監控平台 接收一組件之一影像，各站經組態以執行一多步驟製造程序之一步驟；藉由該運算系統判定複數個步驟之至少一第一步驟尚未經歷一不可恢復故障且該複數個步驟之至少一第二步驟已經歷該不可恢復故障；基於該判定，藉由該運算系統基於該組件之該影像而產生針對該組件之一狀態編碼；藉由該運算系統基於該組件之該狀態編碼及該影像而判定該組件之一最終品質度量不在一可接受值範圍內；及基於該判定，藉由該運算系統調整用於至少一後續站之控制邏輯，其中該調整包括待由該後續站執行之一校正動作及暫停至少該第二步驟之處理之一指令。
  9. 如請求項8之多步驟製造方法，其中無法量測該最終品質度量直至該組件之處理完成為止。
  10. 如請求項8之多步驟製造方法，其中藉由該運算系統調整用於至少該後續站之該控制邏輯包括：識別待由該後續站執行之該校正動作；及基於該校正動作及該狀態編碼而預計該最終品質度量。
  11. 如請求項8之多步驟製造方法，其進一步包括：藉由該運算系統訓練一廻旋神經網路以識別何時存在該不可恢復故障。
  12. 如請求項11之多步驟製造方法，其中該運算系統使用一廻旋神經網路判定存在一不可恢復故障。
  13. 如請求項8之多步驟製造方法，其中藉由該運算系統調整用於至少該後續站之該控制邏輯包括：調整用於一進一步後續站之一進一步控制邏輯。
  14. 如請求項8之多步驟製造方法，其中該一或多個站之各者對應於一3D列印程序中之一層沈積。
  15. 一種三維(3D)列印系統，其包括：一處理站，其經組態以沈積複數個層以形成一組件；一監控平台，其經組態以貫穿一沈積程序監控該組件之進度；及一控制模組，其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，包括：在已沈積一層之後，自該監控平台接收該組件之一影像；藉由該控制模組判定複數個步驟之至少一第一步驟尚未經歷一不可恢復故障且該複數個步驟之至少一第二步驟已經歷該不可恢復故障；藉由該控制模組基於該組件之該影像而產生針對該組件之一狀態編碼；藉由該控制模組基於該組件之該狀態編碼及該影像而判定該最終 品質度量不在一可接受值範圍內；及基於該判定，藉由該控制模組調整用於沈積該複數個層之至少一後續層之控制邏輯，其中該調整包括待在該後續層之沈積期間執行之一校正動作及暫停至少該第二步驟之處理之一指令。
  16. 如請求項15之系統，其中無法量測該最終品質度量直至該組件之處理完成為止。
  17. 如請求項15之系統，其中藉由該控制模組調整用於沈積至少該後續層之該控制邏輯包括：識別待在該後續層之沈積期間執行之該校正動作；及基於該校正動作及該狀態編碼而預計該最終品質度量。
  18. 如請求項15之系統，其進一步包括：訓練一廻旋神經網路以識別何時存在該不可恢復故障。
  19. 如請求項18之系統，其中該控制模組使用該廻旋神經網路判定存在該不可恢復故障。
  20. 如請求項15之系統，其中調整用於沈積至少該後續層之該控制邏輯包括：調整用於一進一步後續層之一進一步控制邏輯。
TW109138940A 2019-11-07 2020-11-06 用於製造程序之系統及方法與三維（３ｄ）列印系統 TWI765403B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962932043P 2019-11-07 2019-11-07
US62/932,043 2019-11-07

Publications (2)

Publication Number Publication Date
TW202134025A TW202134025A (zh) 2021-09-16
TWI765403B true TWI765403B (zh) 2022-05-21

Family

ID=75846324

Family Applications (2)

Application Number Title Priority Date Filing Date
TW111114696A TWI802374B (zh) 2019-11-07 2020-11-06 用於校正製造程序之系統、方法及非暫態電腦可讀媒體
TW109138940A TWI765403B (zh) 2019-11-07 2020-11-06 用於製造程序之系統及方法與三維（３ｄ）列印系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW111114696A TWI802374B (zh) 2019-11-07 2020-11-06 用於校正製造程序之系統、方法及非暫態電腦可讀媒體

Country Status (7)

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

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210192779A1 (en) * 2019-11-06 2021-06-24 Nanotronics Imaging, Inc. Systems, Methods, and Media for Manufacturing Processes
US20210311440A1 (en) * 2019-11-06 2021-10-07 Nanotronics Imaging, Inc. Systems, Methods, and Media for Manufacturing Processes

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201813808A (zh) * 2016-09-21 2018-04-16 三緯國際立體列印科技股份有限公司 3d印表機的校正方法
US20190118300A1 (en) * 2017-08-25 2019-04-25 Massachusetts Institute Of Technology Sensing and Control of Additive Manufacturing Processes

Family Cites Families (22)

* 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
US20160067779A1 (en) * 2013-04-26 2016-03-10 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
US10071422B2 (en) 2015-12-10 2018-09-11 Velo3D, Inc. Skillful three-dimensional printing
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
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
KR20190118300A (ko) 2018-04-10 2019-10-18 이성범 적립 포인트 또는 스마트폰의 폰빌링을 이용한 톨게이트 통행료 지불방법
MX2021007395A (es) 2018-12-18 2021-07-16 Arcelormittal Metodo y dispositivo electronico para controlar la fabricacion de un grupo de productos metalicos finales a partir de un grupo de productos metalicos intermedios, programa informatico relacionado, metodo de fabricacion e instalacion.
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
BR112021013249A2 (pt) 2019-01-15 2021-09-14 Jfe Steel Corporation Sistema de análise e método de análise
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
CN114450135A (zh) * 2019-09-10 2022-05-06 纳米电子成像有限公司 用于制造过程的系统、方法和介质
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201813808A (zh) * 2016-09-21 2018-04-16 三緯國際立體列印科技股份有限公司 3d印表機的校正方法
US20190118300A1 (en) * 2017-08-25 2019-04-25 Massachusetts Institute Of Technology Sensing and Control of Additive Manufacturing Processes

Also Published As

Publication number Publication date
CN114641386A (zh) 2022-06-17
TW202228975A (zh) 2022-08-01
US20210138735A1 (en) 2021-05-13
JP7289171B2 (ja) 2023-06-09
EP4054819A4 (en) 2023-11-29
WO2021092327A1 (en) 2021-05-14
EP4054819A1 (en) 2022-09-14
JP2023113719A (ja) 2023-08-16
TW202330242A (zh) 2023-08-01
TW202134025A (zh) 2021-09-16
KR20220077144A (ko) 2022-06-08
TWI802374B (zh) 2023-05-11
JP2022554303A (ja) 2022-12-28

Similar Documents

Publication Publication Date Title
TWI764272B (zh) 製造系統、多步驟製造方法及三維列印系統
TWI760916B (zh) 用於工廠自動化生產線之製造系統
TWI765403B (zh) 用於製造程序之系統及方法與三維（３ｄ）列印系統
TWI767576B (zh) 用於製造程序之系統、方法及媒介
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
JP7320884B2 (ja) 製造プロセスのためのシステム、方法、および媒体
TWI801820B (zh) 用於製造流程之系統及方法
KR20230025698A (ko) 제조 공정을 위한 시스템, 방법 및 매체