TWI790668B - 積層表面品質預測方法及其電腦程式產品 - Google Patents
積層表面品質預測方法及其電腦程式產品 Download PDFInfo
- Publication number
- TWI790668B TWI790668B TW110124456A TW110124456A TWI790668B TW I790668 B TWI790668 B TW I790668B TW 110124456 A TW110124456 A TW 110124456A TW 110124456 A TW110124456 A TW 110124456A TW I790668 B TWI790668 B TW I790668B
- Authority
- TW
- Taiwan
- Prior art keywords
- sample
- prediction
- melting
- workpiece
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 40
- 239000000654 additive Substances 0.000 title claims abstract description 18
- 230000000996 additive effect Effects 0.000 title claims abstract description 18
- 238000004590 computer program Methods 0.000 title claims description 10
- 238000012545 processing Methods 0.000 claims abstract description 53
- 239000000155 melt Substances 0.000 claims abstract description 8
- 238000002844 melting Methods 0.000 claims description 88
- 230000008018 melting Effects 0.000 claims description 88
- 239000000843 powder Substances 0.000 claims description 34
- 238000001304 sample melting Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000007480 spreading Effects 0.000 description 4
- 238000003892 spreading Methods 0.000 description 4
- 238000005352 clarification Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
一種積層表面品質預測方法,包含:獲得積層製造機台分別形成工件產品上依序堆疊層狀結構時所獲得或使用的加工資料。接著,輸入工件產品之加工資料至第一預測模型,以預測出一組融池尺寸預測資料。接著,輸入對應至工件產品之加工資料至第二預測模型,以預測出融池亮度預測資料。然後,進行預測操作,以輸入加工資料、融池尺寸預測資料以及融池亮度預測資料至品質預測模型,而預測出工件產品之品質狀態。
Description
本發明是有關於一種積層表面品質預測方法及其電腦程式產品,且特別是有關於一種能夠在積層製造機台在形成工件產品的某一層層狀結構的過程中預測下一層層狀結構之品質狀態的方法及其在電腦程式產品的應用。
積層製造(Additive Manufacturing;AM),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。當加工不完全或者參數不正確則會產生許多孔洞而造成表面品質不佳,而當孔隙率過高時將會導致整體密度降低,甚至產生龜裂的情形,另一方面,積層製造的產品會因為加熱、冷卻、膨脹與收縮等而產生殘留的應力,當殘留的應力超過材料或工件本身的抗拉伸強度時,則可能會導致工件翹曲或龜裂。
因此,需要一種能夠即時得知並預測工件表面品質
狀態已成為相關業者努力的目標。
因此,本發明之一目的是在提供積層表面品質預測方法,其可在積層製造機台形成工件產品的某一層層狀結構的過程中,直接同步預測尚未成形之下一層層狀結構的品質狀態,進而提供操作人員參考以即時調整機台的加工參數或變更後續加工流程。
根據本發明之上述目的,提出一種積層表面品質預測方法。在積層表面品質預測方法中,獲得積層製造機台分別形成工件產品上依序堆疊之i個層狀結構時所獲得或使用的i組加工資料,其中i為大於1的整數。其中,形成工件產品之每一個層狀結構的操作包含鋪設粉層於粉床平台上、以及將能量束依序導向粉層上的複數個粉體,以熔合粉體,來形成複數個融池。然後,輸入對應至工件產品之第i+1層結構的第i+1筆加工資料至第一預測模型,以預測出對應至第i+1層結構之一組融池尺寸預測資料。輸入對應至工件產品之第i層結構至第i-p層結構(其中p≧0)的融池的至少一筆加工資料至第二預測模型,以預測出對應至第i+1層結構之融池的一組融池亮度預測資料。然後,進行預測操作,以輸入加工資料、融池尺寸預測資料以及融池亮度預測資料至品質預測模型,而預測出對應至第i+1層結構之品質狀態。
依據本發明之一實施例,上述之第一預測模型係使
用積層製造機台形成每一至少一樣本工件之複數個樣本層狀結構時所獲得或使用的之複數組樣本加工資料以及每一個樣本層狀結構上之複數個樣本融池的複數個融池影像並根據一推估演算法來建立。
依據本發明之一實施例,上述之積層表面品質預測方法更包含:獲得積層製造機台在分別形成每一樣本工件上依序堆疊之複數個樣本層狀結構時所獲得或使用的複數組樣本加工資料以及對應至每一個樣本層狀結構之複數個樣本融池的複數個融池影像;由融池影像擷取出每一個樣本融池的一組融池尺寸資料;使用對應至每一個樣本工件之每一個樣本層狀結構的樣本加工資料和樣本融池的融池尺寸資料並根據一推估演算法,來建立第一預測模型,其中每一組樣本加工資料包含形成對應之樣本層狀結構之積層製造機台所使用之能量束的操作功率、操作速度、以及與對應之樣本工件有關之位置資訊。
依據本發明之一實施例,上述之積層表面品質預測方法更包含:獲得由該積層製造機台所形成之每一至少一樣本工件依序堆疊之每一複數個樣本層狀結構上之每一複數個樣本融池的一融池實際亮度;使用每一樣本工件之每一樣本層狀結構上每一個樣本融池的融池實際亮度並根據一第二推估演算法,來建立第二預測模型。
依據本發明之一實施例,上述之第二預測模型係使用由積層製造機台形成每一個樣本工件之複數個樣本層狀結構時所獲得或使用的複數個樣本加工資料、複數組鋪粉
均勻度資料、複數組融池尺寸資料及每一個樣本層狀結構上之複數個樣本融池的複數個融池實際亮度並根據一推估演算法來建立。
依據本發明之一實施例,上述之第二預測模型為一循環神經網路(Recurrent neural network,RNN)模型。
依據本發明之一實施例,上述之第二預測模型更包含溫度轉換模型,配置以將對應每一融池的融池亮度預測資料轉換為融池溫度預測資料。
依據本發明之一實施例,上述之積層表面品質預測方法更包含:獲得積層製造機台在分別形成每一至少一樣本工件上依序堆疊之複數個樣本層狀結構時所獲得或使用的複數筆樣本加工資料以及對應至每一樣本層狀結構之每一複數個樣本融池的融池影像;由每一個樣本融池的融池影像擷取出每一個樣本融池的一組融池尺寸資料及融池實際亮度;使用對應至每一樣本工件之每一樣本層狀結構的樣本加工資料、樣本融池的融池尺寸資料、每一樣本融池的融池實際亮度、以及對應至每一樣本工件之每一個樣本層狀結構的複數組品質實際量測值並根據一推估演算法,來建立品質預測模型。
依據本發明之一實施例,上述之利用第一預測模型來預測出對應至第i+1層結構之融池預測資料的步驟、以及利用第二預測模型來預測出對應至第i+1層結構之亮度預測資料的步驟均是在形成工件產品之第i層結構的操作
過程中進行。
根據本發明之上述目的,另提出一種用於預測積層表面品質之電腦程式產品,當電腦載入此電腦程式產品並執行後,可完成上述之積層表面品質預測方法。
由上述可知,本發明之積層表面品質之預測方法主要是應用在積層製造機台在形成工件產品的某一層層狀結構的同時,先行預測下一層層狀結構的品質狀態,以供操作人員快速掌握工件產品的品質並可及時修改機台的加工參數。另一方面,本發明在第一預測模型、第二預測模型以及品質預測模型建立後,只需要從融池影像來取得融池的亮度資料與尺寸資料,以作為品質預測模型之輸入值來預測工件產品的下一層層狀結構的品質狀態,而不需要花費巨額成本設置高溫測溫計。
100:系統架構
110:積層製造機台
111:粉床平台
112:能量源
112a:能量束
120:攝影機
130:綜觀取像裝置
A1:振鏡
A2:分光鏡
A3:分光鏡
A4:分光鏡
Li:長度
S1:品質預測模型的建立方法
S11,S12,S13:步驟
S2:第一預測模型的建立方法
S21,S22,S23:步驟
S3:第二預測模型的建立方法
S31,S32,S33:步驟
S4:積層表面品質之預測方法
S41,S42,S43,S44:步驟
Wi:寬度
Xi,Yi:中心點位置
為了更完整了解實施例及其優點,現參照結合所附圖式所做之下列描述,其中圖1係繪示根據本發明一些實施例之一種用來建立積層表面品質之預測方法的系統架構示意圖;圖2係繪示根據本發明一些實施例之一種建立品質預測模型之流程示意圖;圖3係繪示根據本發明一些實施例之一種融池影像之資料擷取示意圖;圖4係繪示根據本發明一些實施例之一種建立第一預
測模型之流程示意圖;圖5係繪示根據本發明一些實施例之一種建立第二預測模型之流程示意圖;圖6係繪示根據本發明一些實施例之一種積層表面品質之預測方法的流程示意圖;以及圖7係繪示根據本發明一些實施例之一種用於預測積層表面品質之系統流程圖。
請參照圖1及圖2,其中圖1係繪示根據本發明一些實施例之一種用來建立積層表面品質之預測方法的系統架構示意圖,圖2係繪示根據本發明一些實施例之一種建立品質預測模型之流程示意圖。本實施方式之品質預測模型的建立方法S1主要是使用圖1所示之系統架構100所收集的資料來建立。如圖1所示,系統架構100主要包含積層製造機台110、攝影機120以及綜觀取像裝置130。積層製造機台110主要是使用粉床熔融成型製程來製造樣本工件,並在樣本工件成形的過程中收集與積層表面品質有關的關鍵特徵參數,以建立積層的表面品質預測模型。積層製造機台110主要包含粉床平台111及能量源112(例如:雷射源)。在每一個樣本工件的製造過程中,粉床熔融成型製程係先利用鋪粉軸將粉體鋪設在粉床平台111上後,再利用能量源112透過振鏡A1與分光鏡A2來提供能量束112a至粉床平台111上的各個粉體,並藉
由控制特定製程參數,使粉體熔化成型。當熔融操作結束後,粉床平台111會下降一距離後,則可再次進行鋪粉及粉體熔化動作,透過多個層狀結構依序堆疊後可形成所需之樣本工件的外型。其中,當各個粉體熔化時,粉床111上形成有複數個樣本融池。
攝影機120係配置以在積層製造機台110分別形成每一個樣本工件的層狀結構時,對每一個樣本融池進行攝影,而獲得對應至每一個層狀結構之複數個樣本的融池影像。在一實施例中,攝影機120為同軸攝影機,且樣本融池的融池影像可透過分光鏡A3反射而由攝影機120取得。綜觀取像裝置130係配置以在工作空間中對粉床平台111進行逐層拍攝,而獲得複數張製程影像。此製程影像亦可用於後續查看製程異常發生位置、粉體鋪設狀況,並可進一步作為品質狀態評估依據。
積層的表面品質主要與積層製造機台110的所設定或所使用的加工資料、融池的特徵資料、以及融池的溫度資料有關,而融池的溫度則是與攝影機120所取得之融池亮度有關。因此,可透過上述之資料以及樣本工件的每一層層狀結構的品質實際量測值(例如表面粗糙度、工件密度、孔隙率、抗拉伸率等)來建立品質預測模型。如圖2所示,品質預測模型的建立方法S1包含以下步驟。首先,進行步驟S11,以獲得積層製造機台110在分別形成每一個樣本工件上依序堆疊之複數個樣本層狀結構時所獲得或使用的複數筆樣本加工資料以及對應至每一個樣本層狀結構
之每一複數個樣本融池的融池影像。其中,樣本加工資料主要包含形成對應之層狀結構之積層製造機台110所使用之能量束的操作功率與操作速度(例如雷射功率瓦數與雷射速度)、以及與對應之樣本工件有關之一位置資訊(例如樣本工件在粉床平台111上所擺放的中心位置)。融池的特徵資料包含融池的長度與寬度等尺寸資訊。樣本融池的融池影像是由攝影機120取得。
在步驟S11後,接著進行步驟S12,以由每一個樣本融池的融池影像擷取出每一個樣本融池的一組融池尺寸資料及融池實際亮度。例如圖3所示,融池尺寸資料可包含融池的長度Li、寬度Wi、以及中心點位置(Xi,Yi),其中Xi、Yi為座標值或可表示樣本工件在粉床平台111上所擺放的中心位置。在一些實施例中,可從每一個樣本融池的融池影像中取得融池的尺寸資料一最大值、一最小值、一平均值、一變異值、一標準差、一統計資料分佈的峰度(kurtosis)、一統計資料分佈的偏度(skewness)、一全距(Full Distance)和/或一四分位數作為代表。融池實際亮度可從樣本融池的融池影像經過影像處理與分析後而獲得。
在步驟S12後,接著進行步驟S13,以建立品質預測模型。在步驟S13中,使用對應至每一個樣本工件之每一層樣本層狀結構的樣本加工資料、樣本融池的融池尺寸資料、樣本融池的融池實際亮度、以及每一層樣本層狀結構所對應的品質實際量測值,並根據一推估演算法,來
建立品質預測模型。藉此,在一待測工件(工件產品)的加工過程中,透過輸入對應待測工件之每一層層狀結構之加工資料、融池尺寸資料、以及融池亮度資料至品質預測模型中,即可得知對應每一層層狀結構的品質狀態。在一例子中,推估演算法可為循環神經網路(Recurrent neural network,RNN)演算法。
為了達到在積層製造機台110在形成某一層之層狀結構的過程中,能夠同步預測其下一層之層狀結構的品質狀態,本發明進一步建立第一預測模型與第二預測模型來先行預測下一層的融池尺寸預測資料以及融池亮度預測資料,並以積層製造機台110所設定(或使用)的下一層之層狀結構的加工資料、融池尺寸預測資料以及融池亮度預測資料來預測下一層的品質狀態。
在本實施例中,第一預測模型係使用積層製造機台110形成每一個樣本工件之複數個樣本層狀結構時所獲得或使用的之複數組樣本加工資料以及每一樣本層狀結構上之複數個樣本融池的複數個融池影像,並根據一推估演算法來建立。請一併參照圖4,其係繪示根據本發明一些實施例之一種建立第一預測模型之流程示意圖。如圖4所示,第一預測模型的建立方法S2包含以下步驟。首先,進行步驟S21,以獲得積層製造機台110在分別形成每一個樣本工件上依序堆疊之複數個樣本層狀結構時所獲得或使用的複數組樣本加工資料、以及對應至每一個樣本層狀結構之複數個樣本融池的複數個融池影像。其中,樣本融池的融
池影像是由攝影機120取得。
在步驟S21後,接著進行步驟S22,以由每一個樣本融池的融池影像擷取出每一個樣本融池的一組融池尺寸資料。在步驟S22後,接著進行步驟S23,以建立第一預測模型。在步驟S23中,主要是使用對應至每一個樣本工件之每一層樣本層狀結構的樣本加工資料(例如積層製造機台110所使用之能量束的操作功率、操作速度、以及與對應之樣本工件有關之位置資訊)和樣本融池的尺寸資料(例如融池的長度Li與寬度Wi)並根據推估演算法,來建立第一預測模型。欲陳明者,在實際應用時,建立第一預測模型所需要之樣本加工資料與樣本融池的尺寸資料可直接在圖2所示之品質預測模型的建立方法S1的步驟S11與步驟S12中來取得。
在本實施例中,第二預測模型係使用積層製造機台110形成每一個樣本工件之複數個樣本層狀結構時所獲得或使用的之複數組樣本加工資料以及每一樣本層狀結構上之複數個樣本融池的融池亮度,並根據一推估演算法來建立。在一實施例子中,第二預測模型為循環神經網路(Recurrent neural network,RNN)。在一例子中,第二預測模型可為長短期記憶(long short-term memory,LSTM)模型。請一併參照圖1及圖5,其中圖5係繪示根據本發明一些實施例之一種建立第二預測模型之流程示意圖。如圖5所示,第二預測模型的建立方法S3包含以下步驟。首先,進行步驟S31,以獲得積層製造機
台110在分別形成每一個樣本工件上依序堆疊之複數個樣本層狀結構時所獲得或使用的複數組樣本加工資料、以及對應至每一個樣本層狀結構之複數個樣本融池的複數個融池影像。其中,樣本融池的融池影像是由攝影機120取得。在步驟S31後,接著進行步驟S32,以由每一個樣本融池的融池影像擷取出每一個樣本融池的一組融池實際亮度。在步驟S32後,接著進行步驟S33,以建立第二預測模型。在步驟S32中,主要是使用每一個樣本工件之每一層樣本層狀結構上每一個樣本融池的融池實際亮度並根據第二推估演算法,來建立第二預測模型。在其他實施例中,第二預測模型亦可使用由積層製造機台110形成每一個樣本工件之複數個樣本層狀結構時所獲得或使用的複數個樣本加工資料、綜觀取像裝置130所取得之複數組鋪粉均勻度資料,及每一個樣本層狀結構上之複數個樣本融池的複數個融池實際亮度和複數組融池尺寸資料並根據推估演算法來建立。欲陳明者,在實際應用時,建立第二預測模型所需要之樣本融池的融池實際亮度可直接在圖2所示之品質預測模型的建立方法S1的步驟S11與步驟S12中來取得。
請參照圖6及圖7,圖6及圖7係分別繪示根據本發明一些實施例之一種積層表面品質之預測方法的流程示意圖及系統流程圖。本實施方式之積層表面品質之預測方法S4包含以下步驟。首先,進行步驟S41,獲得積層製造機台110分別形成工件產品(待測工件)上依序堆疊之i個層狀結構時所獲得或使用的i組加工資料,其中i為大
於1的整數。其中,加工資料包含形成對應之層狀結構之積層製造機台110所使用之能量束的操作功率、操作速度、以及與工件產品有關之位置資訊。
接著,進行步驟S42,以在形成工件產品之第i層結構的操作過程中,輸入對應至工件產品之第i+1層結構的第i+1筆加工資料至第一預測模型,以預測出對應至第i+1層結構之融池尺寸預測資料。然後,進行步驟S43,,以在形成工件產品之第i層結構的操作過程中,輸入對應至工件產品之第i層結構至第i-p層結構(其中p≧0之整數)的加工資料至第二預測模型,以預測出對應至第i+1層結構之融池的融池亮度預測資料。在本步驟S43中,當p=0時代表只輸入對應第i層結構的加工資料來預測對應至第i+1層結構之融池的融池亮度預測資料;當p=1時,則代表同時輸入對應第i層結構的加工資料以及對應第i-1層結構的加工資料來預測對應至第i+1層結構之融池的融池亮度預測資料,以此類推。也就是說,為預測出對應至第i+1層結構之融池的融池亮度預測資料,可依據需求利用對應至第i+1層結構以前的一層或多層加工資料來做為第二預測模型的輸入值。同樣地,第二預測模型也不只能夠僅預測至對應至第i+1層結構之融池的融池亮度預測資料,亦可預測對應至第i+1層結構及其以後的融池的融池亮度預測資料。欲陳明者,在利用第二預測模型預測第i+1層結構之融池的融池亮度預測資料時,除了輸入對應之加工參數外,亦可同時輸入綜觀取像裝置130所取得之複數組
鋪粉均勻度資料,及每一個樣本層狀結構上之融池尺寸資料。在其他的例子中,第二預測模型亦可包含溫度轉換模型,配置以將對應每一融池的融池亮度預測資料轉換為融池溫度預測資料。
如圖6及圖7所示,在分別利用第一預測模型預測出融池尺寸預測資料、以及利用第二預測模型預測出融池亮度預測資料後,接著進行步驟S44,以進行預測操作。在預測操作中,輸入加工資料、融池尺寸預測資料以及融池亮度預測資料至品質預測模型,而預測出對應至第i+1層結構之品質狀態。
可理解的是,本發明之積層表面品質之預測方法S4為以上所述之實施步驟。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。上述實施例可利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)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(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。
由上述實施方式可知,本發明之積層表面品質之預測方法主要是應用在積層製造機台在形成工件產品的某一層層狀結構的同時,先行預測下一層層狀結構的品質狀態,以供操作人員快速掌握工件產品的品質並可及時修改機台的加工參數。另一方面,本發明在第一預測模型、第二預測模型以及品質預測模型建立後,只需要從融池影像來取得融池的亮度資料與尺寸資料,以作為品質預測模型之輸入值來預測工件產品的下一層層狀結構的品質狀態,而不需要花費巨額成本設置高溫測溫計。
雖然本揭露之實施例已以實施例揭露如上,然其並非用以限定本揭露之實施例,任何所屬技術領域中具有通常知識者,在不脫離本揭露之實施例的精神和範圍內,當可作些許的更動與潤飾,故本揭露之實施例的保護範圍當視後附的申請專利範圍所界定者為準。
S4:積層表面品質之預測方法
S41,S42,S43,S44:步驟
Claims (8)
- 一種積層表面品質預測方法,包含:獲得一積層製造機台分別形成一工件產品上依序堆疊之i個層狀結構時所獲得或使用的i組加工資料,其中i為大於1的整數,形成該工件產品之每一該些層狀結構的操作包含鋪設一粉層於一粉床平台上、以及將一能量束依序導向該粉層上的複數個粉體,以熔合該些粉體,來形成複數個融池;輸入對應至該工件產品之一第i+1層結構的一第i+1筆加工資料至一第一預測模型,以預測出對應至該第i+1層結構之一組融池尺寸預測資料,其中該第一預測模型係使用該積層製造機台形成每一至少一樣本工件之複數個樣本層狀結構時所獲得或使用的之複數組樣本加工資料以及每一該些樣本層狀結構上之複數個樣本融池的複數個融池影像來建立;輸入對應至該工件產品之一第i層結構至一第i-p層結構(其中p≧0)的至少一筆加工資料至一第二預測模型,以預測出對應至一第i+1層結構之該些融池的一組融池亮度預測資料,其中該第二預測模型係使用該積層製造機台所形成之每一該至少一樣本工件依序堆疊之每一該些樣本層狀結構上之每一該些樣本融池的一融池實際亮度來建立;以及進行一預測操作,以輸入該些加工資料、該組融池尺寸預測資料以及該組融池亮度預測資料至一品質預測模型, 而預測出對應至該第i+1層結構之一品質狀態,其中該品質預測模型係使用對應至每一該至少一樣本工件之每一該些樣本層狀結構的該些組樣本加工資料、該些樣本融池的複數組融池尺寸資料及該融池實際亮度、以及對應至每一該至少一樣本工件之每一該些樣本層狀結構的複數組品質實際量測值來建立。
- 如請求項1所述之積層表面品質預測方法,更包含:使用對應至每一該至少一樣本工件之每一該些樣本層狀結構的該些組樣本加工資料和該些樣本融池的該組融池尺寸資料並根據一推估演算法,來建立該第一預測模型,其中每一該些組樣本加工資料包含形成對應之樣本層狀結構之該積層製造機台所使用之能量束的一操作功率、一操作速度、以及與對應之樣本工件有關之一位置資訊。
- 如請求項1所述之積層表面品質預測方法,其中該第二預測模型係使用由該積層製造機台形成每一至少一樣本工件之該些樣本層狀結構時所獲得或使用的該些樣本加工資料、複數組鋪粉均勻度資料、該些組融池尺寸資料,及每一該些樣本層狀結構上之該些樣本融池的該些融池實際亮度並根據一推估演算法來建立。
- 如請求項1所述之積層表面品質預測方法, 其中該第二預測模型為一循環神經網路(Recurrent neural network,RNN)模型。
- 如請求項1所述之積層表面品質預測方法,其中該第二預測模型更包含一溫度轉換模型,配置以將對應每一該些融池的該組融池亮度預測資料轉換為融池溫度預測資料。
- 如請求項1所述之積層表面品質預測方法,更包含:由每一該些樣本融池的該融池影像擷取出每一該些樣本融池的該組融池尺寸資料及該融池實際亮度。
- 如請求項1至請求項6中任一項所述之積層表面品質預測方法,其中利用該第一預測模型來預測出對應至該第i+1層結構之該至少一融池預測資料的步驟、以及利用該第二預測模型來預測出對應至該第i+1層結構之至少一亮度預測資料的步驟均是在形成該工件產品之該第i層結構的操作過程中進行。
- 一種用於預測積層表面品質之電腦程式產品,當電腦載入此電腦程式產品並執行後,可完成請求項1至請求項7中任一項所述之積層表面品質預測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110124456A TWI790668B (zh) | 2021-07-02 | 2021-07-02 | 積層表面品質預測方法及其電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110124456A TWI790668B (zh) | 2021-07-02 | 2021-07-02 | 積層表面品質預測方法及其電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202302372A TW202302372A (zh) | 2023-01-16 |
TWI790668B true TWI790668B (zh) | 2023-01-21 |
Family
ID=86657847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110124456A TWI790668B (zh) | 2021-07-02 | 2021-07-02 | 積層表面品質預測方法及其電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI790668B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202014298A (zh) * | 2018-10-03 | 2020-04-16 | 國立成功大學 | 積層製造系統與方法及特徵擷取方法 |
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 |
CN112329275A (zh) * | 2021-01-04 | 2021-02-05 | 四川大学 | 一种激光金属增材沉积融合状态实时预测方法及系统 |
-
2021
- 2021-07-02 TW TW110124456A patent/TWI790668B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
TW202014298A (zh) * | 2018-10-03 | 2020-04-16 | 國立成功大學 | 積層製造系統與方法及特徵擷取方法 |
CN112329275A (zh) * | 2021-01-04 | 2021-02-05 | 四川大学 | 一种激光金属增材沉积融合状态实时预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202302372A (zh) | 2023-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI747053B (zh) | 積層製造系統與方法及特徵擷取方法 | |
CN106041076B (zh) | 一种激光快速成形铺粉均匀性检测系统及检测方法 | |
US20190039139A1 (en) | Method and apparatus for detecting defects in freeform fabrication | |
CN109284524B (zh) | 一种创建高精度增材制造有限元模型的方法 | |
KR102236148B1 (ko) | 3d 프린팅 공정 중 형성되는 용융풀 크기를 제어할 수 있는 3d 프린팅 시스템 및 방법 | |
WO2009002638A1 (en) | Apparatus and method for controlling a machining system | |
Xie et al. | The full-field strain distribution and the evolution behavior during additive manufacturing through in-situ observation | |
US20100140236A1 (en) | Laser machining system and method | |
CN108838397B (zh) | 一种激光增材制造在线监测方法 | |
CN109991918B (zh) | 基于多周期差分采样和数字孪生技术的平行控制方法 | |
JP2012533682A (ja) | 三次元物体を製作するための方法および装置 | |
CN109136912B (zh) | 一种激光熔覆离焦量在线监测与负反馈状态识别方法 | |
CN102323756A (zh) | 基于激光熔覆的稀释率均匀性控制方法及其装置 | |
WO2019163495A1 (ja) | 付加造形体の製造システムおよび付加造形体の製造方法 | |
WO2016046788A1 (en) | Laser vision inspection system and method | |
CN108340582A (zh) | 增材制造的方法、装置、控制装置、存储介质及制造系统 | |
US20230029806A1 (en) | In-situ monitoring system assisted material and parameter development for additive manufacturing | |
WO2019030838A1 (ja) | 内部欠陥検出システム、三次元積層造形装置、内部欠陥検出方法、三次元積層造形物の製造方法、及び、三次元積層造形物 | |
TWI790668B (zh) | 積層表面品質預測方法及其電腦程式產品 | |
CN108608119B (zh) | 一种激光增材制造在线监测方法 | |
JP2007523489A (ja) | ウェハと太陽電池セルとの間の対応およびトレーサビリティの確立 | |
Liu et al. | Model predictive control of laser metal deposition | |
CN116070484A (zh) | 一种基于深度学习的在线实时预测构件状态的方法 | |
US11186043B2 (en) | Method for determining the position of a construction platform for additive manufacturing of a component | |
CN108453260A (zh) | 一种slm激光快速成形的熔融池在线监控系统 |