TWI769872B - 積層製造方法 - Google Patents
積層製造方法 Download PDFInfo
- Publication number
- TWI769872B TWI769872B TW110123068A TW110123068A TWI769872B TW I769872 B TWI769872 B TW I769872B TW 110123068 A TW110123068 A TW 110123068A TW 110123068 A TW110123068 A TW 110123068A TW I769872 B TWI769872 B TW I769872B
- Authority
- TW
- Taiwan
- Prior art keywords
- surface roughness
- powder layer
- laser
- powder
- remelting
- Prior art date
Links
Images
Classifications
-
- 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
- B22F10/30—Process control
- B22F10/36—Process control of energy beam parameters
- B22F10/364—Process control of energy beam parameters for post-heating, e.g. remelting
-
- 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
- B22F10/20—Direct sintering or melting
- B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
-
- 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
- B22F10/30—Process control
- B22F10/37—Process control of powder bed aspects, e.g. density
-
- 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
- B22F10/30—Process control
- B22F10/38—Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
-
- 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
- B22F10/50—Treatment of workpieces or articles during build-up, e.g. treatments applied to fused layers during build-up
-
- 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
-
- 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
- B29C64/10—Processes of additive manufacturing
- B29C64/141—Processes of additive manufacturing using only solid materials
- B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
-
- 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
- B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- 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
- B22F2999/00—Aspects linked to processes or compositions used in powder metallurgy
-
- 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
- B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
- B33Y40/20—Post-treatment, e.g. curing, coating or polishing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
- Mechanical Engineering (AREA)
- Powder Metallurgy (AREA)
Abstract
本發明提供一種積層製造方法。此方法包含在粉層上進行雷射粉床熔融(L-PBF)製程。然後,獲得L-PBF製程後的粉層之第一表面粗糙度,以產生第一表面輪廓。使用吸收度及一組重熔製程參數資料來進行熱傳模擬。藉由第一表面輪廓及低通濾波器,來獲得雷射重熔後之粉層的第二表面輪廓。然後,重複調整此組重熔製程參數的數值,以進行熱傳模擬,直至自第二表面輪廓所預測的第二表面粗糙度值小於或等於表面粗糙度閾值,藉以獲得重熔製程參數的最佳數值,以進行重熔製程來減少L-PBF製程後之粉層的表面粗糙度。
Description
本發明是關於一種積層製造(additive manufacturing,AM)方法,特別是關於一種以重熔製程參數的最佳數值進行雷射重熔製程(laser re-melting process)的積層製造方法。
積層製造(additive manufacturing,AM) ,即俗稱的3D列印,係建立數位化電腦模型檔案後,藉由加熱金屬粉末或塑膠材料,使其呈熔融可塑狀態,再透過一層層堆疊以製得工件的技術。近年來,積層製程技術已快速地成長,因為積層製造技術具有快速、多樣化且可以最少化金屬粉末的浪費而降低成本的方式製造具高度複雜結構的功能性組件的能力。雷射粉床熔融(laser powder bed fusion,L-PBF)製程即是最常見的積層製造技術之一。
在雷射粉床熔融製程中,具有複雜幾何形狀的3D組件係以一層接一層的方式來製造,其藉由使用控制雷射光束以選擇性地熔融金屬粉床的特定區域。然而,由於雷射粉床熔融製程的隨機性質,即使是在製造平板上的不同位置使用最佳化的製程條件下,每一層固化層(solidified layer)的頂表面粗糙度仍會有所不同。如此一來,所製作組件的機械性質頻繁地隨著組件改變而有變化。因此,雷射研磨(laser polishing)技術或雷射重熔製程(laser re-melting process)係用以減少每一層固化層的表面粗糙度。
然而,用於每一層之雷射重熔製程的參數通常係透過實驗試誤法(trial-and-error)來決定。有鑑於此,亟須提供一種積層製造方法,以最佳化的重熔製程參數值來進行雷射重熔製程。
本揭露之一目的是提供一種積層製造方法,藉由模擬的方式以獲得最佳化的重熔製程參數值,故可有效地進行雷射重熔製程,以減少雷射粉床熔融製程後之粉層的表面粗糙度。
根據上述之目的,本揭露之一態樣提供一種積層製造方法。在積層製造方法中,首先,提供粉床,其中粉床包括基材及設置在基材上的粉層。接著,在粉層上使用一組熔融參數資料進行雷射粉床熔融(laser powder bed fusion,L-PBF)製程。此組熔融參數資料包括第一雷射功率值、第一掃描速度值及第一掃描間距(hatching space)值。獲得關於粉床之一組性質資料。此組性質資料包括粉層之頂表面的材料性質及光學性質。然後,獲得雷射粉床熔融製程後的粉層之頂表面的第一表面粗糙度值,且第一表面輪廓係自第一表面粗糙度值基於高斯概率假設(Gaussian probability assumption)所產生。隨後,根據雙向反射分布函數(bidirectional distribution reflection function,BRDF),並藉由使用第一表面輪廓及此組性質資料,以獲得粉層之吸收度。提供一組重熔製程參數資料,以在粉層上進行重熔製程。此組重熔製程參數資料包括第二雷射功率值、第二掃描速度值及第二掃描間距值。然後,藉由使用此組重熔製程參數資料、此組性質資料及粉層之吸收度,來進行熱傳模擬操作,以模擬重熔製程,藉以獲得熔池區域中的溫度分布及平均熔化時間。藉由使用平均熔化時間及此組性質資料,來計算截止頻率(cut-off frequency),藉以獲得低通濾波器(low pass filter)。接著,藉由使用第一表面輪廓及低通濾波器,以獲得雷射重熔製程後的粉層之頂表面的第二表面輪廓。然後,基於第二表面輪廓,預測雷射重熔製程後的粉層之頂表面的第二表面粗糙度值。重複調整此組重熔製程參數資料,以進行熱傳模擬操作,直至第二表面粗糙度值小於或等於表面粗糙度閾值。然後,以此組重熔製程參數資料在雷射粉床熔融製程後之粉層的頂表面上進行雷射重熔製程。
根據本揭露之一實施例,上述第一表面粗糙度值係藉由虛擬量測方法獲得。
根據本揭露之一實施例,上述虛擬量測方法係基於類神經網路演算法、倒傳遞類神經網路(Back Propagation Neural Network;BPNN)演算法、通用迴歸類神經網路(General Regression Neural Network;GRNN)演算法、徑向基底類神經網路(Radial Basis Function Neural Network;RBFNN)演算法、簡單回歸性網路(Simple Recurrent Network;SRN)、支持向量資料描述(Support Vector Data Description;SVDD)演算法、支持向量機(Support Vector Machine;SVM)演算法、複迴歸 (Multiple Regression;MR)演算法、部分最小平方 (Partial Least Squares;PLS)演算法、非線性替代偏最小平方法(Nonlinear Iterative Partial Least Squares;NIPALS)演算法或廣義線性模式(Generalized Linear Models;GLMs)。
根據本揭露之一實施例,上述預測第二表面粗糙度值之步驟包含藉由快速傅立葉轉換(fast Fourier transform,FFT)演算法,將第一表面輪廓自空間域(spatial domain)轉換成頻率域(frequency domain)。接著,對頻率域的第一表面輪廓施加低通濾波器,藉以獲得頻率域的第二表面輪廓。藉由快速傅立葉轉換演算法,再將第二表面輪廓自頻率域轉換成空間域。然後,自空間域的第二表面輪廓計算第二表面粗糙度值。
根據本揭露之一實施例,上述方法更包含藉由使用溫度分布,以獲得對應熔池區域中複數個節點的複數個熔化時間。然後,藉由使用熔化時間及此些節點,來計算平均熔化時間。
根據本揭露之一實施例,上述熱傳模擬操作為有限元素熱傳模擬操作。
根據本揭露之另一態樣,提供一種進行雷射重熔製程的積層製造方法。方法包含獲得至少一粉層之複數個第一表面粗糙度值,其中至少一粉層已被使用一組熔融參數資料之雷射粉床熔融製程所處理。此組熔融參數資料包括第一雷射功率值、第一掃描速度值及第一掃描間距值。然後,進行關於每一個至少一粉層之每一個第一表面粗糙度值的模擬操作,藉以獲得重熔操作表。重熔操作表包括以一對一的方式對應第一表面粗糙度值的複數組重熔製程參數資料。模擬操作包含獲得關於至少一粉層其中之一者的一組性質資料,其中此組性質資料包括至少一粉層其中之每一者的材料性質及光學性質。基於高斯概率假設,自其中之一個第一表面粗糙度值產生第一表面輪廓。然後,根據雙向反射分布函數,並藉由使用第一表面輪廓及此組性質資料,以獲得至少一粉層其中之一者的吸收度。提供一組重熔製程參數資料,以在粉層上進行重熔製程,其中此組重熔製程參數資料包括第二雷射功率值、第二掃描速度值及第二掃描間距值。然後,藉由使用此組重熔製程參數資料、此組性質資料及至少一粉層其中之一者的吸收度,來進行熱傳模擬操作,以模擬重熔製程,藉以獲得熔池區域中的溫度分布及平均熔化時間。藉由使用平均熔化時間及此組性質資料,來計算截止頻率,藉以獲得低通濾波器。接著,藉由使用第一表面輪廓及低通濾波器,以獲得至少一粉層其中之一者的第二表面輪廓。基於第二表面輪廓,預測至少一粉層其中之一者的第二表面粗糙度值。模擬操作包含重複調整此組重熔製程參數資料,以進行熱傳模擬操作,直至第二表面粗糙度值小於或等於表面粗糙度閾值。在模擬操作之後,在另一粉層之頂表面上進行雷射粉床熔融製程之後,獲得另一粉層之頂表面的另一粗糙度值。藉由另一粗糙度值,在重熔操作表中找另一組重熔製程參數資料,藉以另一組重熔製程參數資料在雷射粉床熔融製程後的另一粉層之頂表面上進行雷射重熔製程。
根據本揭露之一實施例,上述第一表面粗糙度值係在相同的粉層上。
根據本揭露之一實施例,上述第一表面粗糙度值係在不同的粉層上。
根據本揭露之一實施例,上述另一粗糙度值係藉由虛擬量測方法獲得。
因此,應用本揭露之積層製造方法,雷射粉床熔融所處理的工件之品質可透過控制每一層的表面粗糙度而優化。
須理解的是,上述的簡述及以下的細節都係以具體例來進行說明,而無意對本發明的申請專利範圍做進一步的解釋。
參照所繪示的相關圖式,以詳細說明本發明的實施例。在可行的情況下,用於圖式及說明中的相同參考數字係指相同或相似的物件。
雖然目前有系統可用以監控在雷射粉床熔融製程時,在個別熔化粉層中有例如孔隙生成及過多表面粗糙度的缺陷產生,仍需有一種方法可與此類系統結合,以確實修飾雷射粉床熔融製程的粉層。
請參照圖1A、圖1B及圖2,其中圖1A及圖1B係繪示根據本揭露一些實施例之積層製造方法100的流程圖,而圖2係繪示根據本揭露一些實施例之在製程機台上之積層製程工具200的示意圖。在操作110中,提供粉床及雷射。在一些實施例中,如圖2所示,裝置200包含在粉床容器216內的粉床210,其中粉床210包含沉積在基材214上的複數個粉層212 。除此之外,每一個粉層212包含複數個粉體材料。
接著,進行操作115,藉由使用具有一組熔融參數資料的雷射202,在粉層212之頂表面上進行雷射粉床熔融(laser powder bed fusion,L-PBF)製程,如圖2所示。在一些實施例中,此組熔融參數資料包括第一雷射功率值、第一掃描速度值及第一掃描間距(hatching space)值。在一些實施例中,在粉層212被雷射202照射之後,粉層212係被熔化並固化,因此可獲得固化層。在一些實施例中,在基材上有複數個粉層區域。在粉層212上進行雷射粉床熔融製程期間,雷射202係用以提供雷射光束204至粉床210各別的粉層區域,且粉層212係被熔化,且藉由控制特定的參數而形成並獲得產品所要的輪廓。當各別的粉層區域中的粉體被熔化,複數個熔池會形成在粉床210上。
然後,進行操作120,獲得關於粉床(例如粉床210)之一組性質資料。在一些實施例中,此組性質資料包含粉層之頂表面的材料性質及光學性質。在一些實施例中,材料性質包含但不限於熱導率(thermal conductivity)、密度、比熱、固相線溫度(solidus temperature)及液相線溫度(liquidus temperature)。在一些實施例中,光學性質包含但不限於粉體材料對不同雷射波長的折射率。
請參照圖1A,進行操作125,獲得雷射粉床熔融製程後的粉層之頂表面的第一表面粗糙度值。在一些實施例中,第一表面粗糙度值係藉由使用虛擬量測方法而獲得。在一些實施例中,前述虛擬量測方法係基於類神經網路演算法、倒傳遞類神經網路(Back Propagation Neural Network;BPNN)演算法、通用迴歸類神經網路(General Regression Neural Network;GRNN)演算法、徑向基底類神經網路(Radial Basis Function Neural Network;RBFNN)演算法、簡單回歸性網路(Simple Recurrent Network;SRN)、支持向量資料描述(Support Vector Data Description;SVDD)演算法、支持向量機(Support Vector Machine;SVM)演算法、複迴歸 (Multiple Regression;MR)演算法、部分最小平方法(Partial Least Squares;PLS)演算法、非線性替代偏最小平方法(Nonlinear Iterative Partial Least Squares;NIPALS)演算法或廣義線性模式(Generalized Linear Models;GLMs)。在一些實施例中,第一表面粗糙度值係藉由使用表面粗糙度檢查儀而獲得。
進行操作130,自操作125所獲得的第一表面粗糙度值來建構第一表面輪廓。在一些實施例中,操作130係基於高斯概率假設(Gaussian probability assumption)。舉例而言,根據本揭露一些實施例,圖3A及圖3B顯示平均表面粗糙度值分別為Ra=2.49 μm及Ra=5.07 μm的模擬輪廓。另外,一種用以產生表面輪廓的方法係以一維函數製作隨機粗糙表面的模型,而函數係藉由二種分布函數(高度機率分佈及自相依函數(autocovariance function))以統計模式來描述。高度機率分佈係描述偏離特定平均參考值的表面高度,而自相依函數係描述側向地沿著表面之前述高度的變異數。在一些實施例中,式(1)係常用的模型,以近似高度機率分佈為高斯函數。(1)
在式(1)中,σ為高度的方均根(root mean square,rms)(表面粗糙度Ra),其係等於標準差,而ζ係高度函數。在一些實施例中,自相依函數可定義為式(2):(2)
在式(2)中,x1
及x2
為沿著表面的兩個不同點,且τ係關聯長度。
本揭露參引並合併在「D. Bergström, J. Powell, and A. Kaplan, "A ray-tracing analysis of the absorption of light by smooth and rough metal surfaces," Journal of applied physics, vol. 101, p. 113504, 2007」中提出的數學模型。
在第一表面輪廓產生之後,假設當雷射照射至具有不同表面粗糙度值的表面上時,吸收度會有不同。然後,進行操作135,根據雙向反射分布函數(bidirectional distribution reflection function,BRDF),以獲得粉床的吸收度。在一些實施例中,第一表面輪廓及此組性質資料係用以獲得吸收度。當在粉床上進行雷射粉床熔融製程或雷射重熔製程,雷射光束照射在固化層的表面,部分的雷射光束能量會被金屬粉體(粉體材料)所吸收,而剩餘的能量會被反射。典型地,被吸收的雷射能量係顯著地取決於粉床的表面粗糙度及金屬粉體(粉體材料)的光學性質。特別地,對於粗糙表面(例如具有較大的表面粗糙度值),雷射光束與表面形態之間的交互作用程度劇烈地增加,故被粉床所吸收的雷射能量增加。因此,表面形態對於雷射光吸收的影響須列入考慮。
用於操作135的雙向反射分布函數演算法可為式(3)。(3)
在式(3)中,θs
係反射角;φs
及φi
分別為入射光能量及反射光能量;而Ωi
及Ωs
分別為入射角及立體角。對整個球體積分式(3)獲得下式為具方向的半球反射率:(4)
然後,獲得表面的吸收度函數如式(5):(5)
可理解吸收度隨著表面粗糙度增加而顯著地增加,因為較高的粗糙度造成較大量的「山丘」及「山谷」結構,其造成雷射光能量與表面之間有較多的交互作用,如圖4A及圖4B所示,其係分別繪示具有完美平滑表面及粗糙表面之粉層與雷射光能量之間的交互作用。舉例而言,當表面粗糙度為2.5 μm,計算出的吸收度為約0.35;當表面粗糙度為4.98 μm,計算出的吸收度為約0.41。
請參閱圖1B,進行操作140,提供一組雷射的重熔製程參數資料,以在粉層上進行重熔製程。在一些實施例中,此組重熔製程參數資料包括第二雷射功率值、第二掃描速度值及第二掃描間距值。
進行操作150,進行熱傳模擬操作。在一些實施例中,熱傳模擬操作為有限元素熱傳模擬操作,以模擬重熔製程,藉以獲得熔池中的溫度分布。在一些實施例中,此組性質資料(例如在操作120中獲得)、粉層之吸收度(例如在操作135中獲得)及此組重熔製程參數資料(例如在操作140中獲得)係被採用以進行熱傳模擬操作。
在一些實施例中,在粉床之熔池中的熱傳的控制方程式可寫成:(6)
其中,ρ表示材料的密度(kg/m3
),c表示比熱(J/kg-K),T表示溫度(K),且Q表示單位體積所產生的熱量(W/m3
)。在一具體例中,粉層及基材係假設為起始溫度為293K。同時,頂表面上的熱傳之邊界條件係設定為:(7)
在式(7)中,kn
表示在垂直表面的方向上的熱導率,hc
表示熱傳係數(例如,hc
=100 W/m2
-K),Ta
表示常態溫度(例如,Ta
=293 K),σ表示史特凡常數(Stefan constant)(其係5.669×10-8
W/m2
-K),而ε表示發射率(例如對固態為0.4,而對熔融材料為0.1)。特別地,h(T-Ta
)係由於對流的熱量損失,而σε(T4
-Ta 4
)係由於輻射的熱量損失。再者,qlaser
表示所吸收的雷射能量,且係以式(8)表示。(8)
在式(8)中,P係雷射能量,r0
係雷射光束的半徑,v係雷射掃描速度,x、y及z係模擬領域的座標,且A係上述計算的吸收度。須注意的是,模擬係同時考慮相變化現象,其係可發生在當材料從塊材轉變成液體及從液體變成氣體,以及馬倫哥尼對流(Marangoni convection)由於非等向性的熱導率而在熔池形成上的影響。
再者,亦進行操作150,獲得平均熔化時間。須理解的是,熔化時間係指材料維持在液態的時間。在一些實施例中,獲得平均熔化時間的步驟包含藉由溫度分布來獲得對應複數個熔池中的節點的複數個熔化時間。然後,平均熔化時間係藉由使用熔化時間及節點來計算,如式(9)所示:(9)
在式(9)中,Tm i
係個別節點的熔化時間,而N係熔池中的節點總數。
進行操作160,計算截止頻率(cut-off frequency)。在一些實施例中,此組性質資料(例如由操作120所獲得)及平均熔化時間(例如由操作150所獲得)係根據式(10)以計算截止頻率:(10)
在式(10)中,fcr
表示截止頻率(1/mm),μ表示動態黏度(Ns/m2
),ρ表示密度(kg/m3
),且Tm
表示熔化時間。須理解的是,動態黏度及密度皆係包含於此組性質資料中。舉例而言,表1表示對三組雷射重熔製程參數資料的截止頻率。
表1
本揭露參引並合併在「E. Ukar, A. Lamikiz, S. Martínez, I. Tabernero, and L. L. De Lacalle, "Roughness prediction on laser polished surfaces," Journal of Materials Processing Technology, vol. 212, pp. 1305-1313, 2012」中所提出的數學模型。
然後,進行操作170,獲得雷射重熔製程後的粉層之頂表面的第二表面輪廓。在一些實施例中,第一表面輪廓及具有截止頻率的低通濾波器係用以預測雷射熔融製程後的第二表面輪廓。請參照圖5,圖5係繪示雷射重熔之前及之後的表面輪廓,其中雷射重熔之前的表面輪廓係在以150 W的雷射能量及600 mm/s的掃描速度進行的雷射粉床熔融製程之後所獲得,而雷射重熔之後的表面輪廓係對頻率域施加低通濾波器後所獲得的模擬輪廓。可以觀察到,雷射重熔製程使平均表面粗糙度值由4.5 μm減少到2.8 μm。須理解的是,低通濾波器可讓較低的頻率通過但阻擋較高的頻率。因此,第二表面輪廓係由較低頻率的訊號所組成。
然後,進行操作180,預測雷射重熔製程後的粉層之頂表面的第二表面粗糙度值。第二表面粗糙度值係基於操作170所獲得之第二表面輪廓。在一些實施例中,預測第二表面粗糙度值的步驟包含藉由快速傅立葉轉換(fast Fourier transform,FFT)演算法,將第一表面輪廓自空間域(spatial domain)轉換成頻率域(frequency domain)。接著,對頻率域的第一表面輪廓施加低通濾波器,藉以獲得頻率域的第二表面輪廓。然後,藉由快速傅立葉轉換演算法,再將第二表面輪廓自頻率域轉換成空間域。最後,自空間域的第二表面輪廓計算第二表面粗糙度值。
請參照圖6,圖6係在不同例示中的第一表面粗糙度值(以菱形表示)、以不同組雷射重熔參數資料進行雷射重熔製程之後的第二表面粗糙度值(模擬)(以圓形表示)及表面粗糙度值(實驗量測)(以正方形表示)。在例示1至例示6中,雷射重熔參數資料係150 W的雷射能量及600 mm/s的掃描速度;而在例示7及例示8中,雷射重熔參數資料係190 W的雷射能量及880 mm/s的掃描速度;且在在例示9及例示10中,雷射重熔參數資料係190 W的雷射能量及700 mm/s的掃描速度。如圖6所示,表面粗糙度值確實地在雷射重熔製程之後減少。再者,在模擬的表面粗糙度值及量測的表面粗糙度值之間的差異偏差不大於12.3%。
然後,進行操作185,比較第二表面粗糙度值與表面粗糙度閾值。因此,重複操作140至操作180,直至第二表面粗糙度值小於或等於表面粗糙度閾值。在一些實施例中,表面粗糙度閾值為2.8 μm。若第二表面粗糙度值大於表面粗糙度閾值,代表此組重熔製程參數資料須調整,故自操作185中「否」的箭頭所指示,自操作140開始重複。另外,若第二表面粗糙度值小於或等於表面粗糙度閾值,代表此組重熔製程參數資料係適用於重熔製程,故進行操作190,在雷射粉床熔融製程後之粉層的頂表面上進行雷射重熔製程。在一些實施例中,雷射重熔製程係以此組重熔製程參數資料進行。
請參閱圖7,圖7係繪示根據本揭露一些實施例之積層製造方法500的流程圖。首先,進行操作510,獲得至少一粉層之複數個第一表面粗糙度值,其中至少一粉層已被雷射粉床熔融製程所處理。在一些實施例中,雷射粉床熔融製程係以一組熔融參數資料來進行,其中此組熔融參數資料包括第一雷射功率值、第一掃描速度值及第一掃描間距值。在一些實施例中,第一表面粗糙度值係位於相同粉層上或不同粉層上。在另一些實施例中,第一表面粗糙度值係位於分別設置在不同基材上的不同粉層上。在一些實例中,第一表面粗糙度值係藉由虛擬量測方法所獲得。
然後,進行操作520,以從操作510所獲得的每一個第一表面粗糙度值來進行模擬操作。因此,可獲得包含多組重熔製程參數資料的重熔操作表。前述多組重熔製程參數資料係以一對一的形式對應到第一表面粗糙度值。在一些實施例中,模擬操作包含的步驟類似於上述的操作120至操作185。為了簡潔的目的,在此不再贅述模擬操作的步驟。
接著,進行操作530,在另一粉層之頂表面上進行雷射粉床熔融製程之後,獲得另一粉層之頂表面的另一粗糙度值。在一些實施例中,另一粗糙度值係藉由虛擬量測方法而獲得。然後,進行操作540,在重熔操作表中找另一組重熔製程參數資料。換言之,另一組重熔製程參數資料係藉由使用另一粗糙度值來決定。表2係根據本揭露一些實施例之重熔操作表。舉例而言,若虛擬量測方法所得之另一粗糙度值為2.9 μm,則重熔製程參數應決定為160 W的雷射能量,700 mm/s的掃描速度及100 μm的掃描間距。
表2
然後,進行操作550,以另一組重熔製程參數資料在雷射粉床熔融製程後的另一粉層之頂表面上進行雷射重熔製程。須理解的是,若另一粗糙度值係小於或等於粗糙度閾值(在一些實施例中為2.8 μm),可省略此另一粉層的雷射重熔製程。再者,操作530至操作550可重複,直至獲得所要的產品。換言之,雷射粉床熔融製程及雷射重熔製程的次數係取決於最終產品。
在一些實施例中,方法100及方法500可用以建立智慧型積層製造架構(intelligent additive manufacturing architecture,IAMA),以控制在雷射粉床熔融製程中的粉床之每一層的表面粗糙度。請參閱圖8,圖8係繪示根據本揭露一些實施例之智慧型積層製造架構600的方塊示意圖。智慧型積層製造架構600包含積層製造機器610、原位量測(in-situ metrology)系統620、外部量測(ex-situ metrology)系統630、自動化虛擬量測系統640、積層製造模擬器650、智慧型補償器660及追蹤計畫器670,其中積層製造機器610包含控制器612及積層製造設備614。
圖8係繪示智慧型積層製造架構600的基本概念。原位量測系統620使用同軸高速攝影機及高溫計,以分別觀察熔池並量測熔池發射的輻射強度。外部量測系統630係配置以收集製作樣品的外部資料,例如由實驗取得的熔池尺寸。追蹤計畫器670使用Materialize軟體以基於設計需求、機外製程參數調整值(PAf
)、製程參數建議範圍(PR)而產生每一層的計畫雷射掃描路徑。積層製造機器610的控制器612係根據機上製程參數調整值(PAn
)修改計畫的蹤跡,並輸出具有確實所要的能量值及掃描速度值的製程資料(PD)至積層製造設備614。
資料庫(DB)680收集及管理由原位量測系統620所產生的資料(其係原位量測資料IM)、由控制器612所產生的資料(其係製程參數PP)、由積層製造設備614所產生的資料(其係原位感測資料IS)及由外部量測系統630所產生的資料(其係外部量測資料EM),並提供此資料給自動化虛擬量測系統640,然後如上所述,自動化虛擬量測系統640可預測在粉床上的每一層之頂表面的表面粗糙度值,並傳輸至智慧型補償器660,其將自重熔操作表中選擇適當的雷射重熔參數資料。若表面粗糙度值大於表面粗糙度閾值(例如2.8 μm),自動化虛擬量測系統640將表面粗糙度值轉至積層製造模擬器650。基於所受到的表面粗糙度資訊,積層製造模擬器659獲得要求的一組雷射重熔參數資料(例如雷射能量及掃描速度),以使表面粗糙度值恢復到小於或等於表面粗糙度閾值。最後,此組雷射重熔參數資料被轉移到智慧型補償器660,其會產生控制訊號,以藉由追蹤計畫器670調整雷射重熔製程的製程參數設定。
在一些實施例中,原位量測系統620藉由監測熔池的形狀變化(藉由同軸高速CMOS攝影機所觀察)及反射光強度(藉由同軸高溫計所量測)來偵測製造變異。再者,雷射點位置、熔池影像特徵及溫度資料係被轉移至自動化虛擬量測系統640,然後其將如上所述的預測表面粗糙度。用於本揭露之原位量測系統620係基於美國專利公開第20200147893號及美國專利公開第20200247064號。即,本發明之實施例引用此些美國專利公開案之相關規定(Incorporated by reference)。
如上所述,自動化虛擬量測系統640根據自原位量測系統620及外部量測系統630收到的資料來預測粉床中每一層的表面粗糙度值。在一些實施例中,自動化虛擬量測系統640使用二種預測演算法,即非線性部分最小平方迴歸/複迴歸(non-linear Partial Least Squares Regression/ Multiple Regression,PLS/MR)演算法及線性神經網路(linear neural network,NN)演算法。然而,其他演算法亦適用於本揭露,例如倒傳遞類神經網路(Back Propagation Neural Network;BPNN)演算法、通用迴歸類神經網路(General Regression Neural Network;GRNN)演算法、徑向基底類神經網路(Radial Basis Function Neural Network;RBFNN)演算法、簡單回歸性網路(Simple Recurrent Network;SRN)、支持向量資料描述(Support Vector Data Description;SVDD)演算法、支持向量機(Support Vector Machine;SVM)演算法、複迴歸 (Multiple Regression;MR)演算法、部分最小平方 (Partial Least Squares;PLS)演算法、非線性替代偏最小平方法(Nonlinear Iterative Partial Least Squares;NIPALS)演算法或廣義線性模式(Generalized Linear Models;GLMs)。
請參閱圖9,圖9係繪示根據本揭露一些實施例之自動化虛擬量測系統640之工作流程的流程圖。由操作710開始,進行操作710,獲得一組模型資料。然後,進行操作720,建構非線性部分最小平方迴歸/複迴歸歸(non-linear Partial Least Squares Regression/ Multiple Regression,PLS/MR)模型,且進行操作740,建構線性神經網路(linear neural network,NN)模型。在實施線性神經網路模型時,在操作740之前進行操作730,其中操作740可決定超參數(hyper-parameters)(即時期數目(epoch number)、動量(momentum)、學習率(learning rate)及節點數),其會對神經網路的表現有巨大影響。進行操作750,提供測試資料。然後,進行操作760,藉由使用二種模型的結果,來預測表面粗糙度值。在一些實施例中,超參數係使用瀰集基因演算法(memetic-genetic algorithm,MGA)而自動地調整。用於本揭露之自動化虛擬量測系統640係基於美國專利公告號20200147893及美國專利公告號20200247064。即,本發明之實施例引用此些美國專利公開案之相關規定(Incorporated by reference)。
根據一些實施例,以智慧型積層製造架構600、方法100及/或方法500進行雷射粉床熔融製程使得平均表面粗糙度被控制在低於表面粗糙度閾值的程度。再者,表面粗糙度的平均值及標準差係顯著地低於以不控制表面粗糙度之習知雷射粉床熔融製程所製得的樣品。此外,相較於習知雷射粉床熔融製程,在一些實施例中,以智慧型積層製造架構600、方法100及/或方法500進行雷射粉床熔融製程使工件的平均抗拉強度自903 MPa優化至1013 MPa,且標準差由101.4 MPa減少至69.5 MPa。因此,智慧型積層製造架構600、方法100及/或方法500可透過控制每一層的表面粗糙度來控制雷射粉床熔融所製成之工件的品質。
上述實施例可使用電腦程式產品來實現,其可包含儲存有多個指令之機器可讀取媒體,這些指令可程式化(programming)電腦(或其他電子裝置)來進行基於本揭露之實施例的製程。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀記憶光碟(compact disk-read-only memory,CD-ROM)、磁光碟、唯讀記憶體(read-only memory,ROM)、隨機存取記憶體(random access memory,RAM)、可抹除可程式唯讀記憶體(erasable programmable read-only memory,EPROM)、電子可抹除可程式唯讀記憶體(electrically erasable programmable read-only memory,EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者,本發明之實施例也可做為電腦程式產品來下載,其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。
須理解的是,上述本揭露之實施例中的前述步驟或操作可被結合或省略,且其順序可根據實際需求來調整。
雖然本揭露已以數個實施例揭露如上,然其並非用以限定本揭露,在本發明所屬技術領域中任何具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:方法
110,115,120,125,130,135,140,150,160,170,180,185,190:操作
200:裝置
202:雷射
204:雷射光束
210:粉床
212:粉層
214:基材
216:粉床容器
500:方法
510,520,530,540,550:操作
600:智慧型積層製造架構
610:積層製造機器
612:控制器
614:積層製造設備
620:原位量測系統
630:外部量測系統
640:自動化虛擬量測系統
650:積層製造模擬器
660:智慧型補償器
670:追蹤計畫器
710,720,730,740,750,760:操作
CL:同軸光線
DB:資料庫
EM:外部量測資料
IM:原位量測資料
IS:原位感測資料
PAf
:機外製程參數調整值
PAn
:機上製程參數調整值
PP:製程參數
PR:製程參數建議範圍
PT:製程參數追蹤值
VM:虛擬量測資料
根據以下詳細說明並配合附圖閱讀,使本揭露的態樣獲致較佳的理解。需注意的是,如同業界的標準作法,許多特徵並不是按照比例繪示的。事實上,為了進行清楚討論,許多特徵的尺寸可以經過任意縮放。
圖1A及圖1B係繪示根據本揭露一些實施例之積層製造方法的流程圖。
圖2係繪示根據本揭露一些實施例之在製程機台上之積層製程工具的示意圖。
圖3A及圖3B係繪示根據本揭露一些實施例之不同平均表面粗糙度的模擬表面輪廓。
圖4A及圖4B係分別繪示具有完美平滑表面及粗糙表面之粉層與雷射光能量之間的交互作用。
圖5係繪示根據本揭露一些實施例之雷射重熔之前及之後的表面輪廓。
圖6係繪示根據本揭露一些實施例之在雷射重熔之前的表面粗糙度值、以不同組雷射重熔參數資料進行雷射重熔製程之後的實驗表面粗糙度值及模擬表面粗糙度值。
圖7係繪示根據本揭露一些實施例之積層製造方法的流程圖。
圖8係繪示根據本揭露一些實施例之智慧型積層製造架構的方塊示意圖。
圖9係繪示根據本揭露一些實施例之自動化虛擬量測系統之工作流程的流程圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
100:方法
140,150,160,170,180,185,190:操作
Claims (10)
- 一種積層製造方法,包含:提供一粉床,其中該粉床包括一基材及一粉層,且該粉層設置在該基材上;使用一組熔融參數資料在該粉層上進行一雷射粉床熔融(laser powder bed fusion,L-PBF)製程,其中該組熔融參數資料包括一第一雷射功率值、一第一掃描速度值及一第一掃描間距(hatching space)值;獲得關於該粉床之一組性質資料,其中該組性質資料包括該粉層之一頂表面的複數個材料性質及複數個光學性質;獲得該雷射粉床熔融製程後的該粉層之該頂表面的一第一表面粗糙度值;基於一高斯概率假設(Gaussian probability assumption),自該第一表面粗糙度值產生一第一表面輪廓;根據一雙向反射分布函數(bidirectional distribution reflection function,BRDF),並藉由使用該第一表面輪廓及該組性質資料,來獲得該粉層之一吸收度;提供一組重熔製程參數資料,以在該粉層上進行一重熔製程,其中該組重熔製程參數資料包括一第二雷射功率值、一第二掃描速度值及一第二掃描間距值;藉由使用該組重熔製程參數資料、該組性質資料及該粉 層之該吸收度,來進行一熱傳模擬操作,以模擬該重熔製程,而獲得一熔池區域中的一溫度分布及一平均熔化時間;藉由使用該平均熔化時間及該組性質資料,來計算一截止頻率(cut-off frequency),藉以獲得一低通濾波器(low pass filter);藉由使用該第一表面輪廓及該低通濾波器,以獲得該重熔製程後的該粉層之該頂表面的一第二表面輪廓;基於該第二表面輪廓,預測該重熔製程後的該粉層之該頂表面的一第二表面粗糙度值;重複調整該組重熔製程參數資料,以進行該熱傳模擬操作,直至該第二表面粗糙度值小於或等於一表面粗糙度閾值;以及在該雷射粉床熔融製程之後,以該組重熔製程參數資料在該粉層之該頂表面上進行一雷射重熔製程。
- 如請求項1所述之積層製造方法,其中該第一表面粗糙度值係藉由一虛擬量測方法來獲得。
- 如請求項2所述之積層製造方法,其中該虛擬量測方法係基於類神經網路演算法、倒傳遞類神經網路(Back Propagation Neural Network;BPNN)演算法、通用迴歸類神經網路(General Regression Neural Network;GRNN)演算法、徑向基底類神經網路(Radial Basis Function Neural Network;RBFNN)演算法、簡單回歸性網路(Simple Recurrent Network;SRN)、支持向量資料描述(Support Vector Data Description;SVDD)演算法、支持向量機(Support Vector Machine;SVM)演算法、複迴歸(Multiple Regression;MR)演算法、部分最小平方法(Partial Least Squares;PLS)演算法、非線性替代偏最小平方法(Nonlinear Iterative Partial Least Squares;NIPALS)演算法或廣義線性模式(Generalized Linear Models;GLMs)。
- 如請求項1所述之積層製造方法,其中該預測該第二表面粗糙度值之步驟包含:藉由一快速傅立葉轉換(fast Fourier transform,FFT)演算法,將該第一表面輪廓自一空間域(spatial domain)轉換成一頻率域(frequency domain);對該頻率域的該第一表面輪廓施加該低通濾波器,以獲得該頻率域的該第二表面輪廓;藉由快速傅立葉轉換演算法,將該第二表面輪廓自該頻率域轉換成該空間域;以及自該空間域的該第二表面輪廓計算出該第二表面粗糙度值。
- 如請求項1所述之積層製造方法,更包含: 藉由使用該溫度分布,以獲得對應該熔池區域中複數個節點的複數個熔化時間;以及藉由使用該些熔化時間及該些節點,來計算該平均熔化時間。
- 如請求項1所述之積層製造方法,其中該熱傳模擬操作為一有限元素熱傳模擬操作。
- 一種進行積層製造方法,該方法包含:獲得至少一粉層之複數個第一表面粗糙度值,其中該至少一粉層已被使用一組熔融參數資料之一雷射粉床熔融製程所處理,且該組熔融參數資料包括一第一雷射功率值、一第一掃描速度值及一第一掃描間距值;進行關於每一該至少一粉層之每一該些第一表面粗糙度值的一模擬操作,藉以獲得一重熔操作表,其中該重熔操作表包括以一對一的方式對應該些第一表面粗糙度值的複數組重熔製程參數資料,且該模擬操作包含:獲得關於該至少一粉層其中之一者的一組性質資料,其中該組性質資料包括該至少一粉層其中之每一者的複數個材料性質及複數個光學性質;基於一高斯概率假設,自該些第一表面粗糙度值其中之一者產生一第一表面輪廓;根據一雙向反射分布函數,並藉由使用該第一表面輪廓及該組性質資料,以獲得該至少一粉層其中之一 者的一吸收度;提供一組重熔製程參數資料,以在該粉層上進行一重熔製程,其中該組重熔製程參數資料包括一第二雷射功率值、一第二掃描速度值及一第二掃描間距值;藉由使用該組重熔製程參數資料、該組性質資料及該至少一粉層其中之一者的該吸收度,來進行一熱傳模擬操作,以模擬該重熔製程,藉以獲得一熔池區域中的一溫度分布及一平均熔化時間;藉由使用該平均熔化時間及該組性質資料,來計算一截止頻率,藉以獲得一低通濾波器;藉由使用該第一表面輪廓及該低通濾波器,以獲得該至少一粉層其中之一者的一第二表面輪廓;以及基於該第二表面輪廓,預測該至少一粉層其中之一者的一第二表面粗糙度值;以及重複調整該組重熔製程參數資料,以進行該熱傳模擬操作,直至該第二表面粗糙度值小於或等於一表面粗糙度閾值;在另一粉層之一頂表面上進行該雷射粉床熔融製程之後,獲得該另一粉層之該頂表面的另一粗糙度值;以及藉由該另一粗糙度值,在該重熔操作表中找另一組重熔製程參數資料,藉以於該雷射粉床熔融製程後,以另一組重熔製程參數資料在該另一粉層之該頂表面上進行一雷射重熔製程。
- 如請求項7所述之積層製造方法,其中該第一表面粗糙度值係在相同的粉層上。
- 如請求項7所述之積層製造方法,其中該第一表面粗糙度值係在不同的粉層上。
- 如請求項7所述之積層製造方法,其中該另一粗糙度值係藉由一虛擬量測方法獲得。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063043143P | 2020-06-24 | 2020-06-24 | |
US63/043,143 | 2020-06-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202200347A TW202200347A (zh) | 2022-01-01 |
TWI769872B true TWI769872B (zh) | 2022-07-01 |
Family
ID=78962708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110123068A TWI769872B (zh) | 2020-06-24 | 2021-06-24 | 積層製造方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11745267B2 (zh) |
CN (1) | CN113828794A (zh) |
TW (1) | TWI769872B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115592133B (zh) * | 2022-12-13 | 2023-03-10 | 中车工业研究院(青岛)有限公司 | 一种激光烧结扫描方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201600323A (zh) * | 2014-03-31 | 2016-01-01 | Mitsubishi Heavy Ind Ltd | 三維積層裝置及三維積層方法 |
US20170282247A1 (en) * | 2016-04-01 | 2017-10-05 | Board Of Regents, The University Of Texas System | Modeling of nanoparticle agglomeration and powder bed formation in microscale selective laser sintering systems |
CN109513924A (zh) * | 2018-11-21 | 2019-03-26 | 哈尔滨工业大学 | 一种激光选区熔化过程中表面粗糙度控制方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2448592C (en) * | 2002-11-08 | 2011-01-11 | Howmedica Osteonics Corp. | Laser-produced porous surface |
WO2013019663A2 (en) * | 2011-07-29 | 2013-02-07 | Carnegie Mellon University | Process mapping of melt pool geometry |
DE102011087374A1 (de) * | 2011-11-29 | 2013-05-29 | Matthias Fockele | Verfahren zur Herstellung eines Formkörpers durch schichtweises Aufbauen aus Werkstoffpulver |
JP6342912B2 (ja) * | 2012-11-08 | 2018-06-13 | ディーディーエム システムズ, インコーポレイテッド | 金属構成要素の加法的製造および修復 |
TWI539298B (zh) * | 2015-05-27 | 2016-06-21 | 國立成功大學 | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 |
JP6754118B2 (ja) * | 2016-08-18 | 2020-09-09 | 国立大学法人埼玉大学 | 三次元造形のためのコンピュータ支援製造装置,方法およびプログラム,三次元造形のための制御プログラム生成装置,ならびに三次元造形システム |
CN107229767B (zh) * | 2017-04-06 | 2021-01-19 | 广东工业大学 | 一种基于数值计算的激光冲击强化表面粗糙度的计算方法 |
CN110799286B (zh) * | 2017-06-20 | 2023-02-28 | 卡尔蔡司工业测量技术有限公司 | 用于增材制造的方法和设备 |
DE102017213378A1 (de) * | 2017-08-02 | 2019-02-07 | Siemens Aktiengesellschaft | Verfahren zum Ausbilden einer definierten Oberflächenrauheit |
US11511373B2 (en) * | 2017-08-25 | 2022-11-29 | Massachusetts Institute Of Technology | Sensing and control of additive manufacturing processes |
DE102017220153A1 (de) * | 2017-11-13 | 2019-06-19 | Trumpf Laser- Und Systemtechnik Gmbh | Verfahren und Vorrichtung zur schichtweisen additiven Fertigung von Bauteilen mittels eines kontinuierlichen und eines gepulsten Laserstrahls und zugehöriges Computerprogrammprodukt |
CN110246790B (zh) * | 2018-03-07 | 2023-11-24 | 美国莱迪思半导体公司 | 芯片托盘及其制造方法 |
US11433480B2 (en) * | 2018-03-23 | 2022-09-06 | Lawrence Livermore National Security, Llc | Additive manufacturing power map to mitigate overhang structure |
WO2020058722A1 (en) * | 2018-09-20 | 2020-03-26 | Camadd Ltd | A powder bed: additive manufacturing |
TWI747053B (zh) * | 2018-10-03 | 2021-11-21 | 國立成功大學 | 積層製造系統與方法及特徵擷取方法 |
US11383450B2 (en) | 2018-10-03 | 2022-07-12 | National Cheng Kung University | Additive manufacturing system and method and feature extraction method |
-
2021
- 2021-06-24 TW TW110123068A patent/TWI769872B/zh active
- 2021-06-24 US US17/356,544 patent/US11745267B2/en active Active
- 2021-06-24 CN CN202110704017.5A patent/CN113828794A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201600323A (zh) * | 2014-03-31 | 2016-01-01 | Mitsubishi Heavy Ind Ltd | 三維積層裝置及三維積層方法 |
US20170282247A1 (en) * | 2016-04-01 | 2017-10-05 | Board Of Regents, The University Of Texas System | Modeling of nanoparticle agglomeration and powder bed formation in microscale selective laser sintering systems |
CN109513924A (zh) * | 2018-11-21 | 2019-03-26 | 哈尔滨工业大学 | 一种激光选区熔化过程中表面粗糙度控制方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202200347A (zh) | 2022-01-01 |
CN113828794A (zh) | 2021-12-24 |
US11745267B2 (en) | 2023-09-05 |
US20210402476A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7314240B2 (ja) | 正確な3次元印刷 | |
US11654635B2 (en) | Enhanced non-destructive testing in directed energy material processing | |
Tran et al. | Systematic approach for determining optimal processing parameters to produce parts with high density in selective laser melting process | |
Teng et al. | Simulating melt pool shape and lack of fusion porosity for selective laser melting of cobalt chromium components | |
US20190143413A1 (en) | Material qualification system and methodology | |
Soylemez | High deposition rate approach of selective laser melting through defocused single bead experiments and thermal finite element analysis for Ti-6Al-4V | |
TWI747053B (zh) | 積層製造系統與方法及特徵擷取方法 | |
Wang et al. | Multi-physics modeling of direct energy deposition process of thin-walled structures: defect analysis | |
Pinkerton et al. | The significance of deposition point standoff variations in multiple-layer coaxial laser cladding (coaxial cladding standoff effects) | |
EP3710187B1 (en) | Methods and systems for repairing powder containment structures | |
US20100140236A1 (en) | Laser machining system and method | |
TWI769872B (zh) | 積層製造方法 | |
US10359603B1 (en) | Lightweight adaptive metal cooled mirrors | |
Yang et al. | Monitoring and detection of meltpool and spatter regions in laser powder bed fusion of super alloy Inconel 625 | |
Ermurat et al. | Process parameters investigation of a laser-generated single clad for minimum size using design of experiments | |
Khorasani et al. | A comprehensive study on meltpool depth in laser-based powder bed fusion of Inconel 718 | |
US11673339B2 (en) | Additive manufacturing system and method and feature extraction method | |
Saqib et al. | Investigation of the transient characteristics for laser cladding beads using 420 stainless steel powder | |
Jonaet et al. | Prediction of residual stress and deformation based on the temperature distribution in 3D-printed parts | |
Kumar et al. | Numerical modeling of selective laser melting: influence of process parameters on the melt pool geometry | |
Tran et al. | Intelligent additive manufacturing architecture for enhancing uniformity of surface roughness and mechanical properties of laser powder bed fusion components | |
Feng et al. | Functional requirements of software tools for laser-based powder bed fusion additive manufacturing for metals | |
Yang et al. | Real-time layer height estimation during multi-layer directed energy deposition using domain adaptive neural networks | |
Peng et al. | Optimization of build orientation for minimum thermal distortion in DMLS metallic additive manufacturing | |
Bordatchev et al. | An experimental study and statistical analysis of the effect of laser pulse energy on the geometric quality during laser precision machining |