WO2020039581A1 - 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法 - Google Patents

情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法 Download PDF

Info

Publication number
WO2020039581A1
WO2020039581A1 PCT/JP2018/031389 JP2018031389W WO2020039581A1 WO 2020039581 A1 WO2020039581 A1 WO 2020039581A1 JP 2018031389 W JP2018031389 W JP 2018031389W WO 2020039581 A1 WO2020039581 A1 WO 2020039581A1
Authority
WO
WIPO (PCT)
Prior art keywords
sample
additive manufacturing
unit
boundary
process window
Prior art date
Application number
PCT/JP2018/031389
Other languages
English (en)
French (fr)
Inventor
健大 青柳
千葉　晶彦
Original Assignee
技術研究組合次世代３Ｄ積層造形技術総合開発機構
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 技術研究組合次世代３Ｄ積層造形技術総合開発機構 filed Critical 技術研究組合次世代３Ｄ積層造形技術総合開発機構
Priority to US17/269,640 priority Critical patent/US20210299754A1/en
Priority to EP18931187.1A priority patent/EP3842217A4/en
Priority to JP2020537992A priority patent/JP6980115B2/ja
Priority to PCT/JP2018/031389 priority patent/WO2020039581A1/ja
Publication of WO2020039581A1 publication Critical patent/WO2020039581A1/ja

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
    • B22F10/20—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
    • B22F10/80—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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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]
    • 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
    • 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

Definitions

  • the present invention relates to a technology for generating a process window in additive manufacturing.
  • Non-Patent Literature 1 and Non-Patent Literature 2 disclose techniques for obtaining the optimum conditions for additive manufacturing as described below. For example, by observing the surface morphology of the molded object molded under various conditions, the surface is relatively flat but unmelted powder remains (Porous), the powder is completely melted and the surface is flat ( Even) and a state with large surface irregularities (Uneven). Next, the condition range of the even state is drawn as a process window by drawing a boundary between the respective surface states.
  • An object of the present invention is to provide a technique for solving the above-mentioned problem.
  • an information processing device includes: A parameter generation unit that generates a set of at least two parameters for controlling the additive manufacturing so as to be scattered in the process window; Using a set of at least two parameters scattered, a sample modeling instruction unit for instructing the additive modeling of the sample to the additive manufacturing unit, Obtain an image of the sample formed by additive manufacturing, a sample quality evaluation unit to evaluate the quality of the sample, In the process map generated by mapping the evaluation result of the sample, a boundary determination unit that determines the boundary of the evaluation result by machine learning, A parameter generation process by the parameter generation unit, a sample modeling instruction process by the sample modeling instruction unit, a quality evaluation process by the sample quality evaluation unit, and the boundary determination unit by using the determined boundary region including the determined boundary as a new process window. A process window generation unit that generates a process window separated by the finally determined boundary as a process window that ensures the quality of the additive manufacturing, Is provided.
  • a general-purpose process window can be constructed while saving cost and time.
  • the information processing apparatus 100 includes a parameter generation unit 101, a sample modeling instruction unit 102, a sample quality evaluation unit 103, a boundary determination unit 104, and a process window generation unit 105.
  • the parameter generation unit 101 generates a set of at least two parameters for controlling the additive manufacturing so as to be scattered in the process window.
  • the sample modeling instruction unit 102 instructs the additive modeling unit 110 to perform additive manufacturing of the sample using the scattered set of at least two parameters.
  • the sample quality evaluation unit 103 obtains the image 120 of the sample manufactured by lamination and evaluates the quality of the sample.
  • the boundary determining unit 104 determines, by machine learning, a boundary of the evaluation result in a process map generated by mapping the evaluation result of the sample.
  • the process window generating unit 105 uses the boundary area including the determined boundary as a new process window, and performs parameter generation processing by the parameter generation unit 101, sample modeling instruction processing by the sample molding instruction unit 102, and quality by the sample quality evaluation unit 103.
  • the evaluation process and the boundary determination process by the boundary determination unit 104 are repeated, and a process window separated by the finally determined boundary is generated as a process window for ensuring the quality of the additive manufacturing.
  • a process window for guaranteeing the quality of the additive manufacturing is automatically generated by automatically repeating the parameter generation process, the additive manufacturing instruction process, the quality evaluation process, and the boundary determination process, thereby saving cost and time. Meanwhile, a general-purpose process window can be constructed.
  • the information processing apparatus sets a set of parameters scattered in a process window, forms a sample, and evaluates the quality of the formed sample. Then, the process window is updated from the initial process window while obtaining a boundary (decision function) by machine learning from the evaluation result, and a process window for ensuring the quality of the additive manufacturing is generated and presented to the user.
  • a process map automatic construction method is provided.
  • the surface irregularities are observed, and mainly those that are not flat (ones where unmelted powder is observed, those with large surface irregularities) and those that are flat Classify.
  • Step S203 The surface morphology is monitored and classified into flat and non-flat. When there is no flat thing, it is further classified into a thing with unmelted powder due to lack of energy, and a thing having large surface irregularities due to excessive energy. Alternatively, even if there is a flat material, a non-flat material is classified into a material having insufficient energy and unmelted powder, and a material having excessive energy and large surface irregularities. That is, the imaging unit instructs the imaging unit to capture an image of the sample manufactured by the lamination, evaluates the quality of the sample based on the image of the sample captured by the imaging unit, and assigns an evaluation value.
  • Step S205 A new process window including the obtained boundary region is constructed, and missing data points for improving the accuracy of the boundary are reset. At this time, the accuracy of the boundary is improved by setting data points in the process window including the vicinity of the classification boundary (the vicinity of the decision function of “0”).
  • Step S208 A boundary is obtained by machine learning, and a process window is constructed and updated.
  • Step S209 Steps S205 to S208 are repeated.
  • the process is terminated when either the process window is no longer changed or the height from the base plate to the outermost surface exceeds a preset value (the maximum modeling height possible with the apparatus). That is, the repetition is terminated when the boundary cannot be determined or when the repetition has been completed a predetermined number of times.
  • a preset value the maximum modeling height possible with the apparatus.
  • FIG. 3 is a flowchart illustrating a process window generation method in the additive manufacturing system including the information processing apparatus according to the present embodiment. Note that FIG. 3 does not show the process of step S206 in FIG.
  • the process window generation method in the additive manufacturing system includes a sample modeling process (S301), a boundary determination process (S303), and a process window generation process (S305).
  • the sample forming process (S301) corresponds to steps S201 and S202 in FIG. 2, and performs the layer forming of the sample using at least two sets of parameters for controlling the layer forming, which are scattered in the process window.
  • the sample forming process (S301) includes a step S311 for setting parameter sets scattered in the process window and a step S313 for stacking and shaping the sample using the parameter sets.
  • the boundary determination processing (S303) corresponds to steps S203 and S204 in FIG. 2, and the boundary of the evaluation result is machined in a process map generated by mapping the evaluation result of evaluating the quality of the additively manufactured sample. Determined by learning.
  • the boundary determination processing (S303) includes a step S331 of evaluating the quality of the sample from the image of the additively-molded sample, and a step S333 of determining the boundary in the process map on which the quality evaluation of the sample is mapped by machine learning. .
  • the process window generation process (S305) corresponds to steps S205 to S209 in FIG. 2, and repeats the sample forming step and the boundary determination step using the determined boundary region including the boundary as a new process window. Is generated as a process window that guarantees the quality of additive manufacturing.
  • the process window generation process (S305) includes a step S351 of determining whether or not the boundary accuracy is sufficient, a step S353 of setting a boundary region including the boundary as a new process window when the boundary accuracy is not sufficient, A step S355 of setting the process window separated by the finally determined boundary under a termination condition such as a sufficient case as a process window for ensuring the quality of the additive manufacturing.
  • FIG. 4A is a block diagram illustrating a configuration of the additive manufacturing system 400 including the information processing device 410 according to the present embodiment.
  • the additive manufacturing system 400 includes the information processing apparatus 410 of the present embodiment, the additive manufacturing apparatus 420, and the modeling sample imaging unit 430.
  • the modeling sample imaging unit 430 may be built in the layered modeling apparatus 420 or may be separately provided.
  • the information processing apparatus 410 includes a parameter adjustment unit 411 of the present embodiment that performs parameter calibration (adjustment) while forming a sample with the additive manufacturing unit 422, and a stack for manufacturing an additive manufacturing object with the additive manufacturing unit 422. Modeling data providing unit 412.
  • the additive manufacturing device 420 forms the sample or the additive manufacturing object according to the instruction from the information processing device 410, and therefore, the additive control unit 421 that controls the additive manufacturing unit 422 and the sample or the additive additive product under the control of the additive control unit 421. And a layered model part 422 to be modeled.
  • the molded sample imaging unit 430 captures an image of the surface of the molded sample.
  • the molded sample imaging unit 430 may be an X-ray camera or the like that can image the internal structure without processing such as cutting the molded sample.
  • FIG. 4B is a diagram illustrating a configuration of the additive manufacturing unit 422 according to the present embodiment.
  • FIG. 4B shows an example of a powder additive manufacturing method using a metal bed, which is a powder additive manufacturing method, which may be a powder deposition method (not shown).
  • the additive manufacturing section 442 in FIG. 4B is an additive manufacturing section of a powder bed method using a laser melting method and is referred to as laser additive manufacturing (SLM: Selective Laser Melting).
  • the additive manufacturing section 442 in FIG. 4B is an additive manufacturing section of a powder bed method using an electron beam melting method, and is referred to as an electron beam additive manufacturing (EBM: Electron @ Beam @ Melting).
  • EBM Electron @ Beam @ Melting
  • an electron beam additive manufacturing (EBM) will be described as an example, but the present invention can be applied to a laser additive manufacturing (SLM) and has the same effect.
  • the configuration of the additive manufacturing portions 441 and 442 shown in FIG. 4B is an example, and is not limited thereto.
  • the powder supply of the additive manufacturing unit 442 may have a configuration like the additive manufacturing unit 441.
  • FIG. 5 is a block diagram illustrating a functional configuration of the information processing apparatus 410 according to the present embodiment.
  • the additive manufacturing data providing unit 412 is omitted.
  • the information processing device 410 includes a communication control unit 501, an input / output interface 502, a display unit 521, an operation unit 522, and a parameter adjustment unit 411 illustrated in FIG. 4A.
  • the data of the modeled object serving as the sample of the present embodiment is sent from the additive manufacturing data providing unit 412 to the modeling control unit 421.
  • the additive manufacturing data providing unit 412 avoids complication. Omitted.
  • the input / output interface 502 interfaces with input / output devices such as the display unit 521 and the operation unit 522. As described above, the molded sample imaging unit 430 may be connected.
  • the parameter adjustment unit 411 includes a scattered parameter set generation unit 511, a process window generation unit 512, and a database 513. Further, the parameter adjustment unit 411 includes a sample image acquisition unit 514, a sample quality evaluation unit 515, a process map generation unit 516, and a boundary determination unit (machine learning) 517. Further, the parameter adjustment unit 411 includes an end determination unit 518 and a process window output unit 519.
  • the sample image acquiring unit 514 acquires an image of the modeled sample captured by the modeled sample imaging unit 430 via the communication control unit 501 or the input / output interface 502.
  • the sample quality evaluation unit 515 evaluates the quality of the sample from the image of the formed sample acquired by the sample image acquisition unit 514 using a sample quality evaluation table 710 described below. For example, the modeling size of the sample, jaggedness around the sample, irregularities on the sample surface, powder residue on the sample surface, and the like are criteria for evaluation.
  • the sample quality evaluation unit 515 evaluates the quality of the sample based on an image instructing unit that instructs the imaging unit to image the stacked-modeled sample and an evaluation value based on the image of the sample captured by the imaging unit.
  • the process window setting value 610 in FIG. 6 is a value for generating the process window 620.
  • a Scan Speed range 611 and a Current range 612 are set.
  • two-dimensional process windows 620 and 640 using two parameters are shown due to limitations in the drawing.
  • other parameters such as a scanning line interval, a scanning line length, a lamination thickness, a molding temperature, and a beam diameter are used.
  • fixed parameters that do not change or cannot be changed in the repetition of sample formation ⁇ observation ⁇ evaluation ⁇ process window construction may be omitted from the dimension of the process window.
  • the powder layer is melted deeply, and the surface becomes uneven, and the next powder enters into the concave portion, and as a result, the unmelted powder remains in the molded article.
  • a fine shape cannot be formed and the surface has irregularities. Further, in the laser melting method, a keyhole-type defect in which bubbles remain remains.
  • the sample quality evaluation table 710 in FIG. 7A is obtained from the image of the sample as evaluation conditions, such as the quality of the formed model 711 of the sample, the size 712 of the side surface unevenness, the size 713 of the sample surface unevenness, the amount of powder remaining 714 on the sample surface, and other 715.
  • the recognized determination result is stored.
  • the evaluation result 716 is stored as a comprehensive evaluation of the evaluation conditions.
  • the evaluation result 716 is “x”.
  • the evaluation criteria may be weighted for the evaluation, and the evaluation may be performed based on the total score.
  • the evaluation condition may be part of FIG. 7A to simplify the evaluation in the initial stage.
  • the evaluation index table 723 is a table for determining the size 713 of the unevenness on the surface of the sample from the captured image. From the evaluation index table 723, it is determined whether the unevenness of the surface of the sample is large / small based on, for example, a variation in the brightness of the image or a difference in the surface between images having different depths (different focuses).
  • the evaluation index table 724 is a table for determining the amount 714 of the unmelted powder remaining on the surface of the sample from the captured image. From the evaluation index table 724, it is determined whether the amount of unmelted powder on the surface of the sample is large or small based on, for example, a change in the gradation (frequency) of the surface image and the fineness of the surface irregularities. Note that the determination conditions for each evaluation index are not limited to these.
  • ⁇ Shows a table 810 of sample quality evaluation results for generating the process map 820.
  • the table 810 stores an evaluation result 813 in association with a Scan @ Speed (SF) 811 and a Current 812 for each formed sample, and the evaluation result 813 is mapped.
  • FIG. 8B is a diagram illustrating another process map 850 according to the present embodiment.
  • the process map 850 is a process map obtained by mapping the evaluation result of the sample quality to the process window 640 of FIG.
  • FIG. 9A shows how the support vector machine determines a boundary, which is machine learning in the present embodiment.
  • the actual boundary does not become a straight line as in the input space 910, and the boundary is obtained by performing coordinate conversion by the coordinate conversion function 940 to convert the boundary into a feature space 920 having a straight line.
  • the boundary in the input space 910 is indicated by inverting the decision function 950 representing the boundary.
  • the decision function 950 representing the boundary is “0”, which indicates that the greater the distance from the decision function, the more stable the additive manufacturing with the stable quality is possible even under the influence of disturbance or the like.
  • the process windows 961 and 962 in FIG. 9A are examples of a new process window including an area including a boundary determined by the support vector machine.
  • the process window 961 is an example of a process window including the entire boundary
  • the process window 962 is an example of a process window including only an area whose boundary is to be further defined.
  • the method for generating a new process window is not limited to FIG. 9A, and a suitable process window is generated by machine learning so that the accuracy of the boundary can be increased.
  • the selection area of the parameter set in the original process window may be limited to an area including the boundary without generating a new process window.
  • a soft margin 980 that also takes into account the evaluation result within the boundary margin is employed instead of the hard margin 970 as shown in FIG. 9B.
  • Non-Patent Document 3 For details of the processing by the support vector machine, refer to [Non-Patent Document 3]. In addition to machine learning to determine boundaries, in addition to support vector machines, there are logistic regression, k-nearest neighbors, decision trees, random forests, neural networks, and naive Bayesian judgments. To play.
  • FIG. 10 is a diagram illustrating a presentation example of the process window according to the present embodiment.
  • information indicating the process window that guarantees the quality of the additive manufacturing generated by the process window generation unit is presented to the user as information that assists the user in setting at least two sets of parameters.
  • a presentation example 1010 in FIG. 10 displays a final process window 1011 and an input area 1013 for parameters input by the user.
  • the user inputs appropriate parameters while referring to the process window 1011.
  • an asterisk 1012 indicates a position corresponding to the input value in the process window 1011. In this way, the user can input parameters that are away from the boundary and can guarantee quality stably.
  • the additive manufacturing instruction unit instruct the additive control unit 421 of the additive manufacturing apparatus 420 to perform additive manufacturing of the additive manufacturing object.
  • the presentation example of the process window is not limited to FIG. 10 and may be any user interface that can be easily and stably selected by the user.
  • a CPU Central Processing Unit
  • a ROM Read Only Memory
  • the network interface 1130 controls communication with the modeling control unit 421 and the modeling sample imaging unit 430 via the network.
  • the storage 1150 stores a database and various parameters used by the CPU 1110, or the following data or programs necessary for realizing the present embodiment.
  • the boundary determination machine learning algorithm 1151 is a machine learning algorithm that determines a boundary from a sample quality evaluation result of a process map. In the present embodiment, a support vector machine is used.
  • the sample quality determination table 710 is a table shown in FIG. 7A for evaluating the quality of the sample from the image of the sample.
  • the termination condition 1152 stores the termination condition of the repetition described in step S209 of FIG.
  • FIG. 12 is a flowchart illustrating a processing procedure of the information processing device 410 according to the present embodiment. Note that this flowchart is executed by the CPU 1110 of FIG. 11 using the RAM 1140, and implements the functional components of FIG. In FIG. 12, the processing of the instruction to generate the powder layer during the additive manufacturing of the sample is omitted.
  • step S1211 the information processing device 410 determines a boundary in the process map by machine learning.
  • step S1213 the information processing device 410 determines whether the boundary accuracy is sufficient, for example, as an end condition. If the end condition is not satisfied, the information processing device 410 repeats the processing from step S1201 in step S1215, using the boundary area including the boundary as a new process window.
  • step S1217 the information processing device 410 sets the process window separated by the finally determined boundary as the process window for ensuring the quality of the additive manufacturing. Then, in step S1219, the information processing device 410 presents a process window for ensuring the quality of the additive manufacturing from the display unit 521 to the user.
  • a process window for guaranteeing the quality of the additive manufacturing is automatically generated by automatically repeating the parameter generation process, the additive manufacturing instruction process, the quality evaluation process, and the boundary determination process, thereby saving cost and time. Meanwhile, a general-purpose process window can be constructed.
  • FIG. 15A is a diagram illustrating a process map 1510 according to the present embodiment.
  • FIG. 15B shows the result of assigning the image position of FIG. 15A as ((+1) / ⁇ ( ⁇ 1) and using a support vector machine to determine a decision function representing a boundary.
  • a temporary broken line 1521 is shown to make the boundary portion clear.
  • FIG. 16 is a diagram illustrating a sample 1620 (1630) formed under optimal conditions according to the present embodiment.
  • the same sample having a diameter of 5 mm and a height of 5 mm is set under the optimum condition of the parameter set (SF22, 7.00 mA) at the optimum position 1610 away from the boundary.
  • the double-headed arrow in FIG. 16 indicates a stable and appropriate parameter range that is not affected by disturbance away from the boundary by a predetermined distance or more.
  • the information processing apparatus according to the present embodiment is different from the second embodiment in that a sample can be formed while changing various parameters of the additive manufacturing.
  • Other configurations and operations are the same as those of the second embodiment, and thus the same configurations and operations are denoted by the same reference numerals and detailed description thereof will be omitted.
  • FIG. 17 is a block diagram illustrating a configuration of an additive manufacturing system 1700 including the information processing device 1710 according to the present embodiment.
  • the additive manufacturing apparatus 1720 in order for the information processing apparatus 1710 to form a sample while changing various parameters of the additive manufacturing, it is necessary that the additive manufacturing apparatus 1720 can change various parameters during a series of modeling. Becomes
  • the process window is not limited to the current value and the scanning speed, and the scanning window interval, the scanning line length, the lamination thickness, the shaping temperature, and the beam diameter, etc. Can be generated. Note that various parameters of the additive manufacturing are not limited to the parameters described in the present embodiment.
  • appropriate parameters are set irrespective of the setting of the user, and a layered object whose quality is guaranteed can be automatically formed. It should be noted that a configuration may be used in which the user sets in advance the conditions of the parameter set based on the layered object or the material, and the information processing apparatus automatically sets an appropriate parameter set in consideration of the conditions.
  • the information processing apparatus according to the present embodiment is different from the second to fourth embodiments in that adjustment of a parameter set is performed in parallel during modeling of a layered object.
  • Other configurations and operations are the same as those of the second embodiment, and thus the same configurations and operations are denoted by the same reference numerals and detailed description thereof will be omitted.
  • FIG. 20 is a block diagram illustrating a functional configuration of the information processing apparatus 2010 according to the present embodiment.
  • the same reference numerals are given to the same functional components as those in FIG. 5, and duplicate description will be omitted.
  • the parameters are adjusted to appropriate parameters even during the formation of the layered object, and the layered object whose quality is guaranteed can be formed.
  • the support vector machine is used as the machine learning.However, logistic regression, k-nearest neighbor method, decision tree, random forest, neural network, or naive Bayes determination, etc. The effect is obtained.
  • the present embodiment is not limited to application to metal additive manufacturing in which additive manufacturing is performed using metal powder.
  • the powder bed method based on the electron beam melting method has been mainly described, but the same effect can be obtained even when applied to the laser melting method. Further, the same effect is obtained even when applied to the powder deposition method.
  • the present invention may be applied to a system including a plurality of devices, or may be applied to a single device. Further, the present invention is also applicable to a case where an information processing program for realizing the functions of the embodiments is directly or remotely supplied to a system or an apparatus. Therefore, in order to implement the functions of the present invention on a computer, a program installed in the computer, or a medium storing the program, and a WWW (World Wide Web) server for downloading the program are also included in the scope of the present invention. . In particular, at least a non-transitory computer-readable medium storing a program for causing a computer to execute the processing steps included in the above-described embodiments is included in the scope of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Powder Metallurgy (AREA)

Abstract

コストと時間を節約しながら、汎用的なプロセスウィンドウを構築する。この情報処理装置は、プロセスウィンドウ内に散在するように積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成部と、散在する少なくとも２つのパラメータの組を用いて積層造形部に対して試料の積層造形を指示する試料造形指示部と、積層造形された前記試料の画像を取得して、試料の品質を評価する試料品質評価部と、試料の評価結果をマッピングして生成されたプロセスマップにおいて、評価結果の境界を機械学習によって決定する境界決定部と、決定された境界を含む境界領域を新たなプロセスウィンドウとして、パラメータ生成処理、試料造形指示処理、品質評価処理および境界決定処理を繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成部と、を備える。

Description

情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法
　本発明は、積層造形におけるプロセスウィンドウの生成技術に関する。
　上記技術分野において、非特許文献１や非特許文献２には、以下のように積層造形の最適条件を得る技術が開示されている。例えば、種々の条件で造形した造形物の表面形態の観察を行い、表面は比較的平坦であるが未溶融粉末が残っている状態(Porous)、粉末が完全に溶融し表面が平坦な状態(Even)、表面の凹凸が大きい状態(Uneven)の３つに分類する。次に、各表面状態の間に境界を引くことでEvenな状態の条件範囲をプロセスウィンドウとする。さらに、アルキメデス法や、Ｘ線ＣＴ、造形物の断面組織観察画像の解析による欠陥の定量評価などの手法を用いることで造形物の密度を測定し、最も密度の大きい条件を最適条件としている。
H.E. Helmer, C. Korner, and R.F. Singer: "Additive manufacturing of nickel-based superalloy Inconel 718 by selective electron beam melting: Processing window and microstructure Harald", Journal of Materials Research, Vol. 29, No. 17 (2014), p. 1987-1996. W.J. Sames, F.A. List, S. Pannala, R.R. Dehoff and S.S. Babu: "The metallurgy and processing science of metal additive manufacturing", International Materials Reviews, Vol. 61, No. 5 (2016), p.315-360. Christopher J.C. Burges "A Tutorial on Support Vector Machines for Pattern Recognition",Data Mining and Knowledge Discovery, 2, 121-167(1998), Kluwer Academic Publishers, Boston. Manufactured in The Netherlands.
　しかしながら、上記文献に記載の技術では、造形で変化させるパラメータの種類が多く（熱源出力、走査速度、走査線間隔、走査線長さ、積層厚み、造形温度、など）、振る範囲も広いため（例えば、市販の３kW電子ビーム積層造形装置の場合、電流は０～５０mA、走査速度は０～８０００m/sの範囲で振ることが可能）、実験計画法を用いたとしても最適な条件を求めるために数多くの造形物を製造して評価を行う必要があった。そのため、プロセスウィンドウの構築には、膨大なコストと時間とを要し、実験する人間によって個人差のあるプロセスウィンドウが構築されるという課題がある。
　本発明の目的は、上述の課題を解決する技術を提供することにある。
　上記目的を達成するため、本発明に係る情報処理装置は、
　プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成部と、
　散在する前記少なくとも２つのパラメータの組を用いて、積層造形部に対して試料の積層造形を指示する試料造形指示部と、
　積層造形された前記試料の画像を取得して、前記試料の品質を評価する試料品質評価部と、
　前記試料の評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定部と、
　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記パラメータ生成部によるパラメータ生成処理、前記試料造形指示部による試料造形指示処理、前記試料品質評価部による品質評価処理および前記境界決定部による境界決定処理を繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成部と、
　を備える。
　上記目的を達成するため、本発明に係る積層造形装置は、
　上記情報処理装置と、
　前記積層造形物の造形に先立って、前記試料造形指示部による前記試料の積層造形の指示に基づいて前記試料を積層造形すると共に、前記積層造形指示部による前記積層造形物の積層造形の指示に基づいて前記積層造形物を積層造形する前記積層造形部と、
　積層造形された前記試料の画像を取得する画像取得部と、
　を備える。
　上記目的を達成するため、本発明に係る情報処理方法は、
　プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成ステップと、
　散在する前記少なくとも２つのパラメータの組を用いて、積層造形部に対して試料の積層造形を指示する試料造形指示ステップと、
　積層造形された前記試料の画像を取得して、前記試料の品質を評価する試料品質評価ステップと、
　前記試料の評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定ステップと、
　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記パラメータ生成ステップ、前記試料造形指示ステップ、前記試料品質評価ステップおよび前記境界決定ステップを繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成ステップと、
　を含む。
　上記目的を達成するため、本発明に係る情報処理プログラムは、
　プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成ステップと、
　散在する前記少なくとも２つのパラメータの組を用いて、積層造形部に対して試料の積層造形を指示する試料造形指示ステップと、
　積層造形された前記試料の画像を取得して、前記試料の品質を評価する試料品質評価ステップと、
　前記試料の評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定ステップと、
　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記パラメータ生成ステップ、前記試料造形指示ステップ、前記試料品質評価ステップおよび前記境界決定ステップを繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成ステップと、
　をコンピュータに実行させる。
　上記目的を達成するため、本発明に係るプロセスウィンドウ生成方法は、
　プロセスウィンドウ内に散在する、積層造形を制御する少なくとも２つのパラメータの組を用いて、試料の積層造形を行う試料造形ステップと、
　積層造形された前記試料の品質を評価した評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定ステップと、
　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記試料造形ステップおよび前記境界決定ステップを繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成ステップと、
　を含む。
　本発明によれば、コストと時間とを節約しながら、汎用的なプロセスウィンドウを構築することができる。
本発明の第１実施形態に係る情報処理装置の構成を示すブロック図である。 本発明の第２実施形態に係る情報処理装置を含む積層造形システムによる処理の概要を示す図である。 本発明の第２実施形態に係る情報処理装置を含む積層造形システムにおけるプロセスウィンドウ生成方法を示すフローチャートである。 本発明の第２実施形態に係る情報処理装置を含む積層造形システムの構成を示すブロック図である。 本発明の第２実施形態に係る積層造形部の構成を示す図である。 本発明の第２実施形態に係る情報処理装置の機能構成を示すブロック図である。 本発明の第２実施形態に係るプロセスウィンドウを説明する図である。 本発明の第２実施形態に係る試料品質評価テーブルの構成を示す図である。 本発明の第２実施形態に係る試料品質評価方法を説明する図である。 本発明の第２実施形態に係るプロセスマップを説明する図である。 本発明の第２実施形態に係る他のプロセスマップを説明する図である。 本発明の第２実施形態に係る機械学習を説明する図である。 本発明の第２実施形態に係る機械学習を説明する図である。 本発明の第２実施形態に係るプロセスウィンドウの提示例を示す図である。 本発明の第２実施形態に係る情報処理装置のハードウェア構成を示すブロック図である。 本発明の第２実施形態に係る情報処理装置の処理手順を示すフローチャートである。 本発明の実施例に係る処理条件を示す図である。 本発明の実施例に係る試料画像を示す図である。 本発明の実施例に係るプロセスマップを示す図である。 本発明の実施例に係る機械学習結果を示す図である。 本発明の実施例に係る最適条件で造形された試料を示す図である。 本発明の第３実施形態に係る情報処理装置を含む積層造形システムの構成を示すブロック図である。 本発明の第３実施形態に係る試料品質評価テーブルの構成を示す図である。 本発明の第４実施形態に係る情報処理装置の機能構成を示すブロック図である。 本発明の第５実施形態に係る情報処理装置の機能構成を示すブロック図である。
　以下に、図面を参照して、本発明の実施の形態について例示的に詳しく説明する。ただし、以下の実施の形態に記載されている構成要素は単なる例示であり、本発明の技術範囲をそれらのみに限定する趣旨のものではない。
　［第１実施形態］
　本発明の第１実施形態としての情報処理装置１００について、図１を用いて説明する。情報処理装置１００は、積層造形の品質を保障するプロセスウィンドウを生成する装置である。
　図１に示すように、情報処理装置１００は、パラメータ生成部１０１と、試料造形指示部１０２と、試料品質評価部１０３と、境界決定部１０４と、プロセスウィンドウ生成部１０５と、を含む。パラメータ生成部１０１は、プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成する。試料造形指示部１０２は、散在する前記少なくとも２つのパラメータの組を用いて、積層造形部１１０に対して試料の積層造形を指示する。試料品質評価部１０３は、積層造形された試料の画像１２０を取得して、試料の品質を評価する。境界決定部１０４は、試料の評価結果をマッピングして生成されたプロセスマップにおいて、評価結果の境界を機械学習によって決定する。プロセスウィンドウ生成部１０５は、決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、パラメータ生成部１０１によるパラメータ生成処理、試料造形指示部１０２による試料造形指示処理、試料品質評価部１０３による品質評価処理および境界決定部１０４による境界決定処理を繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成する。
　本実施形態によれば、パラメータ生成処理、積層造形指示処理、品質評価処理および境界決定処理を自動的に繰り返すことで積層造形の品質を保障するプロセスウィンドウを生成するので、コストと時間とを節約しながら、汎用的なプロセスウィンドウを構築することができる。
　［第２実施形態］
　次に、本発明の第２実施形態に係る情報処理装置について説明する。本実施形態に係る情報処理装置は、プロセスウィンドウ内に散在するパラメータ組を設定して試料を造形して、造形した試料の品質を評価する。そして、評価結果から機械学習により境界（決定関数）を求めながら、初期のプロセスウィンドウからプロセスウィンドウを更新していき、積層造形の品質を保障するプロセスウィンドウを生成してユーザに提示する。
　《情報処理装置を含む積層造形システム》
　以下、図２～図４Ｂを参照して、本実施形態に係る情報処理装置を含む積層造形システムの構成および動作について説明する。
　（処理概要）
　図２は、本実施形態に係る情報処理装置を含むシステムによる処理の概要を示す図である。本処理は、積層造形物の造形に先立ってパラメータ調整（キャリブレーション）として行われる例を示すが、これに限定されるものではない。なお、図２におけるパウダー層、造形物の高さ、造形物の数などは図２に限定されない。
　本実施形態においては、プロセスマップ自動構築手法を提供する。なお、後出の「表面形態のモニタリング」では、表面の凹凸を観察して、主に、平坦でないもの（未溶融粉末が観察されるもの、表面の凹凸が大きいもの）と平坦なものとに分類する。
　（ステップＳ２０１）：初期のプロセスウィンドウにおいて、プロセスパラメータ（ビーム出力、ビーム径、走査速度、ラインオフセット（走査線間隔）、走査パス長、積層厚み、など）を振る範囲を決め、初期プロセスウィンドウの中で均一に分布するようにデータ点（パラメータ組）を設定する。なお、初期のプロセスウィンドウとしては、必ず高品質の試料と低品質の試料とを造形するため、積層造形部で設定可能なパラメータの最大値から最小値までの範囲を含むプロセスウィンドウを用いる。
　（ステップＳ２０２）：積層造形部のベースプレート上にパウダー層（３～５mm程度）を形成し、そのパウダー層上に設定した条件で造形（造形物の高さ：１０～１５mm程度）する。なお、１回の試料の積層造形において、異なるパラメータの組を用いて所定数の試料を積層造形部内に並列に積層造形する。図２では、９個の試料を形成しているが、これに限定されない。
　（ステップＳ２０３）：表面形態をモニタリングし、平坦なものと平坦でないものとに分類する。平坦なものが無い場合は、さらに、エネルギー不足で未溶融粉末のあるものと、エネルギー過多で表面凹凸の大きいものと、に分類する。あるいは、平坦なものが有る場合でも、平坦でないものをエネルギー不足で未溶融粉末のあるものと、エネルギー過多で表面凹凸の大きいものと、に分類する。すなわち、積層造形された試料を撮像部により撮像するよう指示し、撮像部で撮像された試料の画像に基づいて、試料の品質を評価して評価値を割り当てる。
　（ステップＳ２０４）：機械学習で、平坦なものと平坦でないものとの境界を求める。
　（ステップＳ２０５）：求めた境界領域を含む新たなプロセスウィンドウを構築し、境界の精度を高めるための不足データ点を再設定する。この際、分類境界近傍（決定関数が“０”の近傍）を含むプロセスウィンドウにデータ点を設定することにより、境界の精度を高める。
　（ステップＳ２０６）：ステップＳ２０４およびＳ２０５を実施している間に、パウダー層（３～５mm）を造形物の上に形成し、その上に再設定した条件で造形（造形物の高さ：１０～１５mm程度）する。すなわち、次の試料の積層造形までの間に、粉末層生成指示部として造形しない所定の粉末層の生成を指示する。
　（ステップＳ２０７）：再度、表面形態をモニタリングし、平坦なものと平坦でないものとに分類する。平坦なものが無い場合は、エネルギー不足で未溶融粉末のあるものと、エネルギー過多で表面凹凸の大きいものと、に分類する。あるいは、平坦なものが有る場合でも、平坦でないものをエネルギー不足で未溶融粉末のあるものと、エネルギー過多で表面凹凸の大きいものと、に分類する。
　（ステップＳ２０８）：機械学習で境界を求め、プロセスウィンドウを構築して更新する。
　（ステップＳ２０９）：ステップＳ２０５～Ｓ２０８を繰り返す。なお、プロセスウィンドウに変化が無くなる、もしくは、ベースプレートから最表面までの高さがあらかじめ設定した値（装置で可能な最大造形高さ）を超える、のどちらかの条件を満たしたら終了する。すなわち、境界が決定できない状態になった場合、または、所定回数の繰り返しを終了した場合に、繰り返しを終了する。なお、図２の手順に限定されず、例えば、ステップＳ２０６の手順は、ステップＳ２０３～Ｓ２０５と並行に実行されてもよい。
　（システムフロー）
　図３は、本実施形態に係る情報処理装置を含む積層造形システムにおけるプロセスウィンドウ生成方法を示すフローチャートである。なお、図３では、図２のステップＳ２０６の処理は省かれている。
　積層造形システムにおけるプロセスウィンドウ生成方法は、試料造形処理（Ｓ３０１）と、境界決定処理（Ｓ３０３）と、プロセスウィンドウ生成処理（Ｓ３０５）と、を含む。
　試料造形処理（Ｓ３０１）は、図２のステップＳ２０１およびＳ２０２に相当し、プロセスウィンドウ内に散在する、積層造形を制御する少なくとも２つのパラメータの組を用いて、試料の積層造形を行う。試料造形処理（Ｓ３０１）は、プロセスウィンドウ内に散在するパラメータ組を設定するステップＳ３１１と、パラメータ組を用いた試料の積層造形処理であるステップＳ３１３と、を有する。
　また、境界決定処理（Ｓ３０３）は、図２のステップＳ２０３およびＳ２０４に相当し、積層造形された試料の品質を評価した評価結果をマッピングして生成されたプロセスマップにおいて、評価結果の境界を機械学習によって決定する。境界決定処理（Ｓ３０３）は、積層造形された試料の画像から試料の品質を評価するステップＳ３３１と、試料の品質評価をマッピングしたプロセスマップにおける境界を、機械学習により決定するステップＳ３３３と、を有する。
　そして、プロセスウィンドウ生成処理（Ｓ３０５）は、図２のステップＳ２０５乃至Ｓ２０９に相当し、決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、試料造形ステップおよび前記境界決定ステップを繰り返し、最後に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成する。プロセスウィンドウ生成処理（Ｓ３０５）は、境界精度は十分か否かを判定するステップＳ３５１と、境界精度が十分でない場合に、境界を含む境界領域を新たなプロセスウィンドウとするステップＳ３５３と、境界精度が十分な場合などの終了条件で、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとするステップＳ３５５と、を有する。
　（システム構成）
　図４Ａは、本実施形態に係る情報処理装置４１０を含む積層造形システム４００の構成を示すブロック図である。
　積層造形システム４００は、本実施形態の情報処理装置４１０と、積層造形装置４２０と、造形試料撮像部４３０と、を備える。なお、造形試料撮像部４３０は、積層造形装置４２０に内蔵されていても、別途に設置されていてもよい。
　情報処理装置４１０は、積層造形部４２２で試料を造形しながら、パラメータのキャリブレーション（調整）を行う本実施形態のパラメータ調整部４１１と、積層造形部４２２で積層造形物を造形するための積層造形データ提供部４１２と、を有する。
　積層造形装置４２０は、情報処理装置４１０からの指示に従って試料または積層造形物を造形するため、積層造形部４２２を制御する造形制御部４２１と、造形制御部４２１の制御に従って試料または積層造形物を造形する積層造形部４２２と、を有する。
　造形試料撮像部４３０は、造形試料の表面を撮像する。なお、造形試料撮像部４３０は、造形試料の切断などの加工なしに内部構造を撮像可能なＸ線カメラなどであってもよい。
　（積層造形部）
　図４Ｂは、本実施形態に係る積層造形部４２２の構成を示す図である。図４Ｂには、金属粉末を用いて積層造形する金属積層造形部であって、造形法としては、パウダーベッド法の例を示すが、図示しないパウダーデポジション法であってもよい。
　図４Ｂの積層造形部４４１は、レーザ溶融法を用いるパウダーベッド法の積層造形部であり、レーザ積層造形(ＳＬＭ：Selective Laser Melting)と称される。一方、図４Ｂの積層造形部４４２は、電子ビーム溶融法を用いるパウダーベッド法の積層造形部であり、電子ビーム積層造形(ＥＢＭ：Electron Beam Melting)と称される。本実施形態においては、電子ビーム積層造形(ＥＢＭ)を例に説明するが、レーザ積層造形(ＳＬＭ)に対して適用でき、同様の効果を奏する。なお、図４Ｂに示した積層造形部４４１、４４２の構成は、一例でありこれらに限定されるものではない。例えば、積層造形部４４２の粉末供給は、積層造形部４４１のような構成であってもよい。
　《情報処理装置の機能構成》
　図５は、本実施形態に係る情報処理装置４１０の機能構成を示すブロック図である。なお、図５では、積層造形データ提供部４１２については省略している。
　情報処理装置４１０は、通信制御部５０１と、入出力インタフェース５０２と、表示部５２１と、操作部５２２と、図４Ａに示したパラメータ調整部４１１と、を備える。なお、実際には、積層造形データ提供部４１２から本実施形態の試料となる造形物のデータが造形制御部４２１に送られるが、図５においては、積層造形データ提供部４１２は煩雑さを避けるため省略している。
　通信制御部５０１は、積層造形装置４２０の造形制御部４２１と、造形試料撮像部４３０と、の通信を制御する。なお、通信制御部５０１は、他の外部装置との通信を制御してもよい。また、造形試料撮像部４３０は、通信制御部５０１を介さずに入出力インタフェース５０２に接続されてもよい。
　入出力インタフェース５０２は、表示部５２１や操作部５２２などの入出力機器とのインタフェースを行う。上述のように、造形試料撮像部４３０が接続されてもよい。
　パラメータ調整部４１１は、散在するパラメータ組生成部５１１と、プロセスウィンドウ生成部５１２と、データベース５１３と、を備える。また、パラメータ調整部４１１は、試料画像取得部５１４と、試料品質評価部５１５と、プロセスマップ生成部５１６と、境界決定部（機械学習）５１７と、を備える。さらに、パラメータ調整部４１１は、終了判定部５１８と、プロセスウィンドウ出力部５１９と、を備える。
　散在するパラメータ組生成部５１１は、プロセスウィンドウ生成部５１２が生成したプロセスウィンドウ内に、試料の評価結果から境界が決定可能なように、散在するパラメータ組を生成する。プロセスウィンドウ生成部５１２は、初期には、データベース５１３に保持された初期プロセスウィンドウ５３１を用い、その後の繰り返しでは、境界決定部５１７で決定された境界を含む領域を新たなプロセスウィンドウとして生成する。データベース５１３は、初期プロセスウィンドウ５３１と、更新中プロセスウィンドウ５３２と、調整済プロセスウィンドウ５３３と、を保持する。なお、詳細な説明は省略するが、データベース５１３には、他のパラメータ調整部４１１の機能構成部が使用するデータも保持されている。
　試料画像取得部５１４は、通信制御部５０１または入出力インタフェース５０２を介して、造形試料撮像部４３０が撮像した造形試料の画像を取得する。試料品質評価部５１５は、試料画像取得部５１４が取得した造形試料の画像から、後述の試料品質評価テーブル７１０を用いて、試料の品質を評価する。例えば、試料の造形サイズ、試料周囲のギザギザ、試料表面の凹凸、試料表面の粉末残、などが評価の基準となる。なお、試料品質評価部５１５は、積層造形された試料を撮像部により撮像するよう指示する撮像指示部と、撮像部で撮像された試料の画像に基づいて、試料の品質を評価して評価値を割り当てる評価値割当部と、を有する。プロセスマップ生成部５１６は、試料品質評価部５１５の評価結果をプロセスウィンドウにマッピングすることでプロセスマップを生成する。境界決定部（機械学習）５１７は、プロセスマップ生成部５１６が生成したプロセスマップから、機械学習を用いて評価結果の決定関数を求め境界を決定する。なお、本実施形態においては、機械学習としてサポートベクターマシンを用いたが、ロジスティック回帰、k近傍法、決定木、ランダムフォレスト、ニューラルネットワーク、または、ナイーブベイズ判定によって境界を決定してもよく、同様の効果を奏する。
　終了判定部５１８は、試料の造形→観察→評価→プロセスウィンドウ構築の繰り返しの終了を判定する。判定基準は、例えば、プロセスウィンドウに変化が無くなる、もしくは、ベースプレートから最表面までの高さがあらかじめ設定した値（装置で可能な最大造形高さ）を超える、の条件を含む。すなわち、境界が決定できない状態になった場合、または、所定回数の繰り返しを終了した場合に、繰り返しを終了する。プロセスウィンドウ出力部５１９は、終了判定部５１８が繰り返しの終了を判定した場合に、現在生成されているプロセスウィンドウを表示部５２１に提示して、ユーザのパラメータ設定を支援する提示部として機能する。なお、現在生成されているプロセスウィンドウをそのまま提示しても、プロセスウィンドウ内の品質保証が可能な範囲にパラメータを設定できるように提示して支援することもできる。
　（プロセスウィンドウ）
　図６は、本実施形態に係るプロセスウィンドウ６２０、６４０を説明する図である。
　図６のプロセスウィンドウ設定値６１０は、プロセスウィンドウ６２０を生成するための値である。プロセスウィンドウ設定値６１０としては、Scan Speed範囲６１１とCurrent範囲６１２とが設定されている。
　図６のプロセスウィンドウ設定値６３０は、プロセスウィンドウ６４０を生成するための別の値である。プロセスウィンドウ設定値６３０としては、Current範囲６３１とSpeed Function範囲６３２とが設定されている。なお、Speed Function（ＳＦ）は、走査速度と電流値との関係として知られ、スキャン速度の指標としてプロセスマップの軸となるパラメータの１つとして用いられる。本実施形態においては、プロセスウィンドウ６４０が使用され、境界を跨ぐ試料品質の評価結果が得られるようにパラメータ組６４１、６４２、…、６４ｎが生成される。ここで、Current（電流値）は、レーザや電子ビームなどの熱源出力に対応する熱源に供給される電流値である。なお、パラメータ組６４１、６４２、…、６４ｎの生成は、境界を跨ぐ試料品質の評価結果が得られるのであれば図６に限定されない。
　なお、図６においては、図示の限界から２つのパラメータによる２次元のプロセスウィンドウ６２０、６４０を示したが、走査線間隔、走査線長さ、積層厚み、造形温度、および、ビーム径などの他のパラメータも含むｎ次元のプロセスウィンドウであってもよい。ただし、試料の造形→観察→評価→プロセスウィンドウ構築の繰り返しにおいて変化しない、あるいは、変更できない固定パラメータについては、プロセスウィンドウの次元から省いてもよい。また、ｎ次元のパラメータからプロセスウィンドウでの境界を求めるのに適切なパラメータを選択するのが望ましい。
　（試料品質１２評価テーブル）
　図７Ａは、本実施形態に係る試料品質評価テーブル７１０の構成を示す図である。試料品質評価テーブル７１０は、試料の画像から試料の品質を評価するために試料品質評価部５１５が使用する。また、各評価指標テーブル７２１～７２４は、試料品質評価テーブル７１０の各評価指標の評価例を示すテーブルである。
　まず、図７Ｂを参照に、本実施形態に係る試料品質評価方法７２０を説明する。
　図７Ｂの入熱過多(High energy）７２１においては、粉末層が深くまで溶融して表面に凹凸ができ、その凹部分に次の粉末が入り込み、その結果、造形物内に未溶融粉末が残り微細な形状ができず表面に凹凸ができる。また、レーザ溶融法では気泡が残存するキーホール型の欠陥になる。
　図７Ｂの入熱不足(Low energy）７２３においては、粉末層の表面に溶融しない粉末が残り、その上に次の粉末が積層され、その結果、溶融が不完全となって表面に凹凸ができる。
　そして、入熱過多(High energy）の試料形状と、入熱不足(Low energy）の試料形状との間に、入熱最適(Optimum energy）７２２があり、微細な形状ができ表面が平になるとして、本実施形態においては試料評価結果における境界の決定を繰り返す。
　図７Ａの試料品質評価テーブル７１０は、評価条件として、試料の造形サイズ良否７１１、側面の凹凸大小７１２、試料表面の凹凸大小７１３、試料表面の粉末残多少７１４、その他７１５の、試料の画像から認識した判定結果を記憶する。そして、評価条件の総合評価として評価結果７１６を記憶する。なお、図７Ａにおいては、どの評価条件の１つにおいても“×”があれば、評価結果７１６は“×”としている。しかしながら、評価基準に評価に関わる重みを付けて、トータルスコアに基づいた評価をしてもよい。また、評価条件を図７Ａの一部にして、初期段階では評価を簡略化してもよい。
　図７Ａの評価指標テーブル７２１は、撮像画像から試料の造形サイズ良否７１１を判定するためのテーブルである。評価指標テーブル７２１により、例えば造形サイズ（径）と径の閾値とを比較して、造形目標サイズとのズレにより良否を判定する。評価指標テーブル７２２は、撮像画像から試料の側面の凹凸大小７１２を判定するためのテーブルである。評価指標テーブル７２２により、例えば造件サイズ（径）のバラツキや、画像から抽出した造形物の周囲の輪郭の長さなどから、試料の側面の凹凸が大きいか／小さいかを判定する。評価指標テーブル７２３は、撮像画像から試料の表面の凹凸大小７１３を判定するためのテーブルである。評価指標テーブル７２３により、例えば画像の輝度のバラツキや、奥行きの異なる（焦点の異なる）画像の表面の相違などから、試料の表面の凹凸が大きいか／小さいかを判定する。評価指標テーブル７２４は、撮像画像から試料の表面に残った未溶融の粉末の多少７１４を判定するためのテーブルである。評価指標テーブル７２４により、例えば表面画像の階調の変化（周波数）や、表面の凹凸の細かさなどから、試料の表面の未溶融の粉末が多いか／少ないかを判定する。なお、各評価指標の判定条件は、これらに限定されない。
　（プロセスマップ）
　図８Ａは、本実施形態に係るプロセスマップ８２０を説明する図である。プロセスマップ８２０は、図６のプロセスウィンドウ６２０に試料品質の評価結果をマッピングしたプロセスマップである。
　プロセスマップ８２０を生成するための、試料品質の評価結果のテーブル８１０を示す。テーブル８１０は、造形された各試料にScan Speed（ＳＦ）８１１とCurrent８１２とに対応付けて、評価結果８１３を記憶し、この評価結果８１３がマッピングされる。
　図８Ｂは、本実施形態に係る他のプロセスマップ８５０を説明する図である。プロセスマップ８５０は、図６のプロセスウィンドウ６４０に試料品質の評価結果をマッピングしたプロセスマップである。
　プロセスマップ８５０を生成するための、試料品質の評価結果のテーブル８４０を示す。テーブル８４０は、造形された各試料にCurrent８４１とSpeed Function（ＳＦ）８４２とに対応付けて、評価結果８４３を記憶し、この評価結果８４３がマッピングされる。図８Ｂには、Speed Function（ＳＦ）８４２と、Current[mA]およびSpeed[mm/s]との関係８３０を示している。
　なお、本実施形態においては、図８Ｂのプロセスマップ８５０に基づいて、機械学習を行う。しかしながら、プロセスマップは図８Ｂのプロセスマップ８５０に限定されない。
　（機械学習：サポートベクターマシン）
　図９Ａおよび図９Ｂは、本実施形態に係る機械学習を説明する図である。
　図９Ａは、本実施形態における機械学習である、サポートベクターマシンによって境界を決定する様子を示している。入力空間９１０のように実際の境界は直線にならないことが多く、座標変換関数９４０による座標変換により境界が直線となる特徴空間９２０に変換して、境界を求める。そして、その境界を表す決定関数９５０を逆変換することにより、入力空間９１０での境界を示す。境界を表す決定関数９５０は“０”であり、この決定関数からの距離が大きい程、外乱などの影響があっても安定した品質の積層造形が可能であることを示している。
　ここで、図９Ａのプロセスウィンドウ９６１、９６２は、サポートベクターマシンによって決定された境界を含む領域を含む新たなプロセスウィンドウの例である。プロセスウィンドウ９６１は、境界全体を含むプロセスウィンドウの例であり、プロセスウィンドウ９６２は、境界をさらに明確にしたい領域のみを含むプロセスウィンドウの例である。なお、新たなプロセスウィンドウの生成方法は、図９Ａに限定されず、機械学習により境界の精度を高められるように好適なプロセスウィンドウが生成される。なお、新たなプロセスウィンドウを生成せずに、元のプロセスウィンドウ内でのパラメータ組の選択領域を境界を含む領域に限定してもよい。
　また、サポートベクターマシンによる境界マージン内にも評価結果が存在する場合、図９Ｂに示すようにハードマージン９７０でなく、境界マージン内の評価結果も考慮したソフトマージン９８０を採用する。
　なお、サポートベクターマシンによる処理の詳細については、［非特許文献３］を参照されたい。さらに、境界を決定する機械学習としては、サポートベクターマシンの他に、ロジスティック回帰、k近傍法、決定木、ランダムフォレスト、ニューラルネットワーク、または、ナイーブベイズ判定などがあり、これらも使用でき同様の効果を奏する。
　（プロセスウィンドウの提示）
　図１０は、本実施形態に係るプロセスウィンドウの提示例を示す図である。表示部５２１には、プロセスウィンドウ生成部により生成された積層造形の品質を保障するプロセスウィンドウを示す情報が、ユーザによる少なくとも２つのパラメータの組の設定を支援する情報として、ユーザに提示される。
　図１０の提示例１０１０は、最終的なプロセスウィンドウ１０１１と、ユーザが入力するパラメータの入力領域１０１３とが表示されている。ユーザは、かかるプロセスウィンドウ１０１１を参照しながら、適切なパラメータを入力する。ここで、星印１０１２は、プロセスウィンドウ１０１１内の入力値に対応する位置を示している。このようにすれば、ユーザは境界線から離れた安定して品質を保証できるパラメータを入力できる。
　図１０の提示例１０２０は、最終的なプロセスウィンドウ１０２１と、適切なパラメータの範囲内でユーザが入力できる設定領域１０２３，１０２４とが表示されている。ユーザは、かかるプロセスウィンドウ１０２１を参照しながら、設定領域１０２３，１０２４内の適切なパラメータが設定できる。ここで、星印１０２２は、プロセスウィンドウ１０２１内の設定値に対応する位置を示している。このようにすれば、ユーザは境界線から離れた安定して品質を保証できるパラメータを設定できる。
　そして、入力あるいは設定されたパラメータ組を用いて、積層造形指示部として、積層造形装置４２０の造形制御部４２１に対して積層造形物の積層造形を指示する。なお、プロセスウィンドウの提示例は図１０に限定されず、ユーザが容易にかつ安定的に選択可能なユーザインタフェースであればよい。
　《情報処理装置のハードウェア構成》
　図１１は、本実施形態に係る情報処理装置４１０のハードウェア構成を示すブロック図である。
　図１１で、ＣＰＵ(Central Processing Unit)１１１０は演算制御用のプロセッサであり、プログラムを実行することで図５の機能構成部を実現する。ＣＰＵ１１１０は１つであっても複数であってもよい。ＲＯＭ(Read Only Memory)１１２０は、初期データおよびプログラムなどの固定データおよびプログラムを記憶する。ネットワークインタフェース１１３０は、ネットワークを介して、造形制御部４２１や造形試料撮像部４３０との通信を制御する。
　ＲＡＭ(Random Access Memory)１１４０は、ＣＰＵ１１１０が一時記憶のワークエリアとして使用するランダムアクセスメモリである。ＲＡＭ１１４０には、本実施形態の実現に必要なデータを記憶する領域が確保されている。プロセスウィンドウ６２０、６４０は図６に示したプロセスウィンドウを示すデータである。散在するパラメータ組６４１～６４ｎは、図６に示したパラメータ組を示すデータである。試料の画像データ１１４１は、造形試料撮像部４３０が撮像した試料の画像のデータであり、その特徴量を含む。試料品質判定結果１１４２は、試料の画像特徴量と試料品質判定テーブル７１０とに基づいて判定された試料の品質判定結果のデータである。プロセスマップ８２０，８５０は、図８Ａおよび図８Ｂに示した、プロセスマップを示すデータである。座標変換関数９４０は、図９Ａに示した座標変換関数のデータである。決定関数９５０は、図９Ａに示した境界を表す決定関数のデータである。新たなプロセスウィンドウ９６１、９６２は、図９Ａに示したプロセスウィンドウ生成部が境界を考慮して新たに生成するプロセスウィンドウのデータである。終了フラグ１１４４は、繰り返しを終了するためのデータである。入出力データ１１４５は、入出力インタフェース５０２に接続された入出力機器と入出力されるデータである。送受信データ１１４６は、ネットワークインタフェース１１３０を介して、外部装置と送受信されるデータである。
　ストレージ１１５０は、ＣＰＵ１１１０が使用する、データベースや各種のパラメータ、あるいは本実施形態の実現に必要な以下のデータまたはプログラムが記憶されている。境界決定機械学習アルゴリズム１１５１は、プロセスマップの試料品質評価結果から境界を決定する機械学習アルゴリズムである。本実施形態では、サポートベクターマシンが用いられる。試料品質判定テーブル７１０は、図７Ａに示した、試料の画像から試料の品質を評価するためのテーブルである。終了条件１１５２は、図２のステップＳ２０９で記載した繰り返しの終了条件を格納する。
　ストレージ１１５０には、以下のプログラムが格納される。情報処理プログラム１１５３は、情報処理装置４１０全体を制御するプログラムである。パラメータ調整モジュール１１５４は、パラメータ調整部４１１を実現するモジュールである。パラメータ調整モジュール１１５４には、図５の機能構成部に対応して、プロセスウィンドウ生成モジュール、散在パラメータ組生成モジュール、試料画像取得モジュール、試料品質評価モジュール、プロセスマップ生成モジュール、境界決定モジュール、が含まれる。また、ストレージ１１５０には、積層造形データ提供モジュール１０５５も保持されている。
　入出力インタフェース５０２には、入出力機器として、表示部５２１や操作部５２２が接続される。また、造形試料撮像部４３０が入出力インタフェース５０２にに接続されてもよい。
　なお、図１１のＲＡＭ１１４０やストレージ１１５０には、情報処理装置４１０が有する汎用の機能や他の実現可能な機能に関連するプログラムやデータは図示されていない。
　《情報処理装置の処理手順》
　図１２は、本実施形態に係る情報処理装置４１０の処理手順を示すフローチャートである。なお、このフローチャートは、図１１のＣＰＵ１１１０がＲＡＭ１１４０を使用して実行し、図５の機能構成部を実現する。また、図１２では、試料の積層造形間の粉末層生成指示の処理は省かれている。
　情報処理装置４１０は、ステップＳ１２０１において、プロセスウィンドウ内に散在するパラメータ組を設定する。情報処理装置４１０は、ステップＳ１２０３において、パラメータ組を用いた試料の積層造形を積層造形装置４２０に指示する。情報処理装置４１０は、ステップＳ１２０５において、積層造形された試料の画像を造形試料撮像部４３０から取得する。情報処理装置４１０は、ステップＳ１２０７において、取得した画像に基づいて、試料の品質評価を実行する。情報処理装置４１０は、ステップＳ１２０９において、試料の品質評価をプロセスウィンドウ内にマッピングしたプロセスマップを生成する。
　情報処理装置４１０は、ステップＳ１２１１において、プロセスマップにおける境界を、機械学習により決定する。情報処理装置４１０は、ステップＳ１２１３において、終了条件として、例えば境界精度は十分か否かを判定する。終了条件を満たしてなければ、情報処理装置４１０は、ステップＳ１２１５において、境界を含む境界領域を、新たなプロセスウィンドウとして、ステップＳ１２０１からの処理を繰り返す。
　終了条件を満たしていれば、情報処理装置４１０は、ステップＳ１２１７において、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとする。そして、情報処理装置４１０は、ステップＳ１２１９において、積層造形の品質を保障するプロセスウィンドウを表示部５２１からユーザに提示する。
　本実施形態によれば、パラメータ生成処理、積層造形指示処理、品質評価処理および境界決定処理を自動的に繰り返すことで積層造形の品質を保障するプロセスウィンドウを生成するので、コストと時間とを節約しながら、汎用的なプロセスウィンドウを構築することができる。
　すなわち、本実施形態は、(1)ある程度の高さの粉末層を形成、(2)ある程度の高さまで造形、(3)造形装置に実装したモニタリング装置での造形物表面の観察、(4)その表面形態を基に種々の造形条件を機械学習で分類、(5)不足データ点の決定・条件の追加、の手順を繰り返すことで、装置から造形物を取り出して密度などを評価することはない。また、造形試験の完了と同時に、プロセスウィンドウ構築と造形欠陥の入りにくいプロセス条件決定も完了する。したがって、ほぼ全ての工程で人の手を介する必要が無く自動で実施できるため、プロセスウィンドウ構築に要するコストと時間を大幅に削減する効果がある。
　以下、上記実施形態にしたがって実施した実施例とその結果について説明する。なお、以下の説明は、簡略化のためにある一巡のプロセスウィンドウ構築を説明するが、その繰り返しが同様に行われて適切なパラメータ条件のプロセスウィンドウが生成されることになる。
　（処理条件）
　図１３は、本実施例に係る処理条件を示す図である。
　本実施例で造形する試料は、医療用のＣoＣrＭo合金（ＡＳＴＭ　Ｆ７５）の金属粉末である。かかる金属粉末を、Ａｒｃａｍ　Ａ２Ｘ１３１０（Ａｒｃａｍ社製）により、直径５mm、高さ５mmのパラメータ組の異なる１１個の試料を造形した。
　各試料の表面画像を取得し、その特徴量から品質の良否判定を実行して、プロセスマップを生成した。かかるプロセスマップの品質の良否の境界を、サポートベクターマシンを用いて決定した。そして、決定された境界を含む領域を新たなプロセスウィンドウとして生成し、さらに異なるパラメータ組により１１個の試料を造形した。
　このようにして、１１個の試料を、粉末層を挟んで６層積層して、適切なパラメータ組の領域（プロセスウィンドウ）を決定した。
　本実施例には、造形時の温度履歴１３３０に示すように、試料造形には３時間、全体処理には７時間程を要した。しかしながら、造形試料の切断などの加工を必要とせず、一連の処理が自動的に行われ、実質的には積層造形装置による試料造形時間しか要しなかった。
　以下、試料画像、プロセスマップ、機械学習結果、については、繰り返しの一巡を示して、全体の手順の説明は省略する。
　（試料画像）
　図１４は、本実施例に係る試料画像１４００を示す図である。
　試料画像１４００には、同時に並列して造形した１１個の試料の表面画像が示されている。この中で、○を記載した試料が正常と判断される試料であり、×を記載した試料が不良と判断される試料である。
　例えば、最初の（ＳＦ１５，３０．６mA)の組や４番目の（ＳＦ２５，４３．９mA)の組では、造形サイズが大きく（８mm＞５mm）、周囲に凹凸があり、不良と判断された。入熱過多(High energy）が原因と思われる。２番目の（ＳＦ４５，４２．３mA)の組や３番目の（ＳＦ５５，１４．５mA)の組では、試料表面に金属粉末の残りが認識され、不良と判断された。入熱不足(Low energy）が原因と思われる。
　以上のように、１１個の試料が、入熱過多(High energy）から入熱不足(Low energy）までを含んでおり、そのプロセスマップにおける境界が決定可能となるパラメータ組として造形されたことが分かる。
　（プロセスマップ）
　図１５Ａは、本実施例に係るプロセスマップ１５１０を示す図である。
　図１５Ａは、図１４の試料の評価結果を画像でプロセスウィンドウ内にマッピングしたものである。
　（機械学習結果）
　図１５Ｂは、本実施例に係る機械学習結果１５２０を示す図である。
　図１５Ｂは、図１５Ａの画像位置を○（＋１）／×（－１）として割り当て、サポートベクターマシンを用いて、境界を表す決定関数を求めた結果を示している。図１５Ｂには、境界部分を明瞭とするため仮の破線１５２１で示されている。
　（最適条件）
　図１６は、本実施例に係る最適条件で造形された試料１６２０（１６３０）を示す図である。
　図１５Ｂで求められた境界で隔てられた、パラメータ組の正常領域において、境界から離れた最適位置１６１０のパラメータ組（ＳＦ２２，７．００mA）を最適条件として、直径５mm、高さ５mmの同じ試料を造形した。なお、図１６の両矢印は、境界から所定距離以上離れた外乱による影響の無い安定した適切なパラメータ範囲を示している。
　その結果、図１４において正常と判断された試料よりも歪みのない試料１６２０が得られた。図１４と同じ倍率の画像１６３０を示す。
　このように、本実施例により、コストと時間とを節約しながら最適条件に近いパラメータ組を含むプロセスウィンドウを、ユーザに提示することが可能となった。
　本実施例によれば、コストと時間とを節約しながら汎用的なプロセスウィンドウが構築されるので、最適条件となるパラメータを設定して試料造形することができた。
　［第３実施形態］
　次に、本発明の第３実施形態に係る情報処理装置について説明する。本実施形態に係る情報処理装置は、上記第２実施形態と比べると、積層造形の多様なパラメータを変化させながら試料を造形可能である点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
　《積層造形システム》
　図１７は、本実施形態に係る情報処理装置１７１０を含む積層造形システム１７００の構成を示すブロック図である。本実施形態において、情報処理装置１７１０が積層造形の多様なパラメータを変化させながら試料を造形可能とするためには、積層造形装置１７２０が、一連の造形中に多様なパラメータを変更できることがその条件となる。
　図１７において、積層造形装置１７２０の造形制御部１７２１は、情報処理装置１７１０からの多様なパラメータの変更指示に対応して、積層造形中にも積層造形部１７２２の造形を変更する。造形制御部１７２１には、電流値制御部、走査速度制御部、走査線間隔制御部、走査線長さ制御部、積層厚み制御部、造形温度制御部（予熱制御部）、ビーム径制御部などが準備される。また、積層造形部１７２２も、造形制御部１７２１の制御に従って、積層造形中も処理条件を変更する。
　（プロセスマップ）
　図１８は、本実施形態に係るプロセスマップのテーブル１８４０の構成を示す図である。プロセスマップのテーブル１８４０は、ｎ次元のプロセスマップを生成するために使用する。
　プロセスマップのテーブル１８４０は、Current１８４１、Speed Function１８４２、走査線間隔１８４３、走査線長さ１８４４、積層厚み１８４５、造形温度１８４６、ビーム径１８４７、その他のParameters１８４８の次元数に対応付けて、評価結果１８４９を記憶する。かかるプロセスマップのテーブル１８４０に基づいてプロセスマップが生成され、機械学習によりｎ次元の境界が決定されることになる。
　本実施形態によれば、電流値と走査速度とに限定されず、走査線間隔、走査線長さ、積層厚み、造形温度、および、ビーム径なども変化させながら、適切な条件のプロセスウィンドウを生成することができる。なお、積層造形の多様なパラメータは、本実施形態に記載のパラメータに限定されるものではない。
　［第４実施形態］
　次に、本発明の第４実施形態に係る情報処理装置について説明する。本実施形態に係る情報処理装置は、上記第２実施形態および第３実施形態と比べると、本実施形態のパラメータのキャリブレーション（調整）の後、ユーザ設定操作を介さずに自動的に適切なパラメータ組が設定されて積層造形物が造形される点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
　《情報処理装置の機能構成》
　図１９は、本実施形態に係る情報処理装置１９１０の機能構成を示すブロック図である。なお、図１９において、図５と同様の機能構成部には同じ参照番号を付して、重複する説明を省略する。
　情報処理装置１９１０のパラメータ調整部２０１１は、自動的に適切なパラメータ組を設定する適切なパラメータ組生成部１９２０をさらに備える。適切なパラメータ組生成部１９２０は、プロセスウィンドウ出力部５１９からの出力、適切なパラメータ組の領域が明瞭になったプロセスウィンドウ、に基づいて、外乱によっても影響のない（境界からの距離が遠い）適切なパラメータ組を選んで積層造形を開始する。
　本実施形態によれば、ユーザの設定によらず適切なパラメータが設定されて、品質が保証された積層造形物を自動的に造形することができる。なお、ユーザが積層造形物や材料によりパラメータ組の条件を予め設定し、その条件を考慮して情報処理装置が自動的に適切なパラメータ組を設定する構成であってもよい。
　［第５実施形態］
　次に、本発明の第５実施形態に係る情報処理装置について説明する。本実施形態に係る情報処理装置は、上記第２実施形態乃至第４実施形態と比べると、積層造形物を造形中にもパラメータ組の調整を並列して行う点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
　《情報処理装置の機能構成》
　図２０は、本実施形態に係る情報処理装置２０１０の機能構成を示すブロック図である。なお、図２０において、図５と同様の機能構成部には同じ参照番号を付して、重複する説明を省略する。
　情報処理装置２０１０のパラメータ調整部２０１１は、積層造形物を造形中にもパラメータ組の調整を並列して行う調整したパラメータ組生成部２０２１をさらに備える。調整したパラメータ組生成部２０２１は、プロセスウィンドウ生成部５１２から調整されたプロセスウィンドウを取得し、そのプロセスウィンドウ内に調整されたパラメータ組を生成して、造形中の積層造形物をさらに改善する。なお、調整したパラメータ組生成部２０２１は、例えば、パラメータ組が境界に近付いた場合に境界から遠ざかるように調整する。閾値とパラメータ組の境界からの距離との比較に基づいてもよい。さらに、パラメータ組の調整タイミングは、各積層毎であっても、所定積層数毎であっても、積層造形物の造形毎であってもよい。
　本実施形態によれば、積層造形物の造形中においても適切なパラメータに調整されて、品質が保証された積層造形物を造形することができる。
　［他の実施形態］
　本実施形態においては、機械学習としてサポートベクターマシンを用いたが、ロジスティック回帰、k近傍法、決定木、ランダムフォレスト、ニューラルネットワーク、または、ナイーブベイズ判定などのよって、境界を決定しても同等の効果が得られる。
　また、本実施形態は、金属粉末を用いて積層造形する金属積層造形への適用に限定されない。
　また、本実施形態においては、電子ビーム溶融法によるパウダーベッド法を主に説明したが、レーザ溶融法に適用されても同様の効果を奏する。さらに、パウダーデポジション法に適用されても同様の効果を奏する。
　また、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。また、それぞれの実施形態に含まれる別々の特徴を如何様に組み合わせたシステムまたは装置も、本発明の範疇に含まれる。
　また、本発明は、複数の機器から構成されるシステムに適用されてもよいし、単体の装置に適用されてもよい。さらに、本発明は、実施形態の機能を実現する情報処理プログラムが、システムあるいは装置に直接あるいは遠隔から供給される場合にも適用可能である。したがって、本発明の機能をコンピュータで実現するために、コンピュータにインストールされるプログラム、あるいはそのプログラムを格納した媒体、そのプログラムをダウンロードさせるＷＷＷ(World Wide Web)サーバも、本発明の範疇に含まれる。特に、少なくとも、上述した実施形態に含まれる処理ステップをコンピュータに実行させるプログラムを格納した非一時的コンピュータ可読媒体（non-transitory computer readable medium）は本発明の範疇に含まれる。

Claims (15)

  1. 　プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成部と、
    　散在する前記少なくとも２つのパラメータの組を用いて、積層造形部に対して試料の積層造形を指示する試料造形指示部と、
    　積層造形された前記試料の画像を取得して、前記試料の品質を評価する試料品質評価部と、
    　前記試料の評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定部と、
    　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記パラメータ生成部によるパラメータ生成処理、前記試料造形指示部による試料造形指示処理、前記試料品質評価部による品質評価処理および前記境界決定部による境界決定処理を繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成部と、
    　を備える情報処理装置。
  2. 　前記パラメータ生成部は、前記積層造形部で設定可能なパラメータの最大値から最小値までの範囲を含む初期のプロセスウィンドウを用いる請求項１に記載の情報処理装置。
  3. 　前記試料造形指示部は、１回の試料の積層造形において、異なる前記パラメータの組を用いて所定数の試料を前記積層造形部内に並列に積層造形し、
    　次の試料の積層造形までの間に、造形しない所定の粉末層の生成を指示する粉末層生成指示部を備える請求項１または２に記載の情報処理装置。
  4. 　前記試料品質評価部は、
    　　積層造形された前記試料を撮像部により撮像するよう指示する撮像指示部と、
    　　前記撮像部で撮像された前記試料の画像に基づいて、前記試料の品質を評価して評価値を割り当てる評価値割当部と、
    　を有する請求項１乃至３のいずれか１項に記載の情報処理装置。
  5. 　前記境界決定部は、前記機械学習として、サポートベクターマシン、ロジスティック回帰、k近傍法、決定木、ランダムフォレスト、ニューラルネットワーク、または、ナイーブベイズ判定によって境界を決定する請求項１乃至４のいずれか１項に記載の情報処理装置。
  6. 　前記少なくとも２つのパラメータの組は、熱源出力に対応する熱源に供給される電流値、走査速度、走査線間隔、走査線長さ、積層厚み、造形温度、および、ビーム径から選択される請求項１乃至５のいずれか１項に記載の情報処理装置。
  7. 　前記境界決定部は、前記走査速度と前記電流値との関係として知られるスキャン速度の指標を、前記プロセスマップの軸となるパラメータの１つとして用いる請求項６に記載の情報処理装置。
  8. 　前記プロセスウィンドウ生成部は、前記境界決定部において前記境界が決定できない状態になった場合、または、所定回数の繰り返しを終了した場合に、繰り返しを終了する請求項１乃至７に記載の情報処理装置。
  9. 　前記プロセスウィンドウ生成部により生成された前記積層造形の品質を保障するプロセスウィンドウを示す情報を、ユーザによる前記少なくとも２つのパラメータの組の設定を支援する情報として、前記ユーザに提示する提示部と、
    　前記提示部に提示された情報を参照して設定された前記少なくとも２つのパラメータの組を用いて、前記積層造形部に対して積層造形物の積層造形を指示する積層造形指示部と、
    　をさらに備える請求項１乃至８のいずれか１項に記載の情報処理装置。
  10. 　前記積層造形指示部は、前記積層造形の品質を保障するプロセスウィンドウ内で、前記境界から所定距離以上離れた前記少なくとも２つのパラメータの組を設定する請求項９に記載の情報処理装置。
  11. 　前記積層造形部は、金属粉末を用いて積層造形する金属積層造形部であって、
    　前記金属積層造形部の造形法は、パウダーベッド法とパウダーデポジション法とを含み、
    　前記パウダーベッド法は、電子ビーム溶融法とレーザ溶融法とを含む請求項１乃至１０のいずれか１項に記載の情報処理装置。
  12. 　請求項９または１０に記載の情報処理装置と、
    　前記積層造形物の造形に先立って、前記試料造形指示部による前記試料の積層造形の指示に基づいて前記試料を積層造形すると共に、前記積層造形指示部による前記積層造形物の積層造形の指示に基づいて前記積層造形物を積層造形する前記積層造形部と、
    　積層造形された前記試料の画像を取得する画像取得部と、
    　を備える積層造形装置。
  13. 　プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成ステップと、
    　散在する前記少なくとも２つのパラメータの組を用いて、積層造形部に対して試料の積層造形を指示する試料造形指示ステップと、
    　積層造形された前記試料の画像を取得して、前記試料の品質を評価する試料品質評価ステップと、
    　前記試料の評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定ステップと、
    　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記パラメータ生成ステップ、前記試料造形指示ステップ、前記試料品質評価ステップおよび前記境界決定ステップを繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成ステップと、
    　を含む情報処理方法。
  14. 　プロセスウィンドウ内に散在するように、積層造形を制御する少なくとも２つのパラメータの組を生成するパラメータ生成ステップと、
    　散在する前記少なくとも２つのパラメータの組を用いて、積層造形部に対して試料の積層造形を指示する試料造形指示ステップと、
    　積層造形された前記試料の画像を取得して、前記試料の品質を評価する試料品質評価ステップと、
    　前記試料の評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定ステップと、
    　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記パラメータ生成ステップ、前記試料造形指示ステップ、前記試料品質評価ステップおよび前記境界決定ステップを繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成ステップと、
    　をコンピュータに実行させる情報処理プログラム。
  15. 　プロセスウィンドウ内に散在する、積層造形を制御する少なくとも２つのパラメータの組を用いて、試料の積層造形を行う試料造形ステップと、
    　積層造形された前記試料の品質を評価した評価結果をマッピングして生成されたプロセスマップにおいて、前記評価結果の境界を機械学習によって決定する境界決定ステップと、
    　決定された前記境界を含む境界領域を新たなプロセスウィンドウとして、前記試料造形ステップおよび前記境界決定ステップを繰り返し、最終的に決定された境界により分離されたプロセスウィンドウを、積層造形の品質を保障するプロセスウィンドウとして生成するプロセスウィンドウ生成ステップと、
    　を含むプロセスウィンドウ生成方法。
PCT/JP2018/031389 2018-08-24 2018-08-24 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法 WO2020039581A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US17/269,640 US20210299754A1 (en) 2018-08-24 2018-08-24 Information processing apparatus, information processing method, information processing program, laminating and shaping apparatus, and process window generation method
EP18931187.1A EP3842217A4 (en) 2018-08-24 2018-08-24 INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, INFORMATION PROCESSING PROGRAM, LAYER MOLDING DEVICE AND PROCESSING WINDOW GENERATING METHOD
JP2020537992A JP6980115B2 (ja) 2018-08-24 2018-08-24 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法
PCT/JP2018/031389 WO2020039581A1 (ja) 2018-08-24 2018-08-24 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/031389 WO2020039581A1 (ja) 2018-08-24 2018-08-24 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法

Publications (1)

Publication Number Publication Date
WO2020039581A1 true WO2020039581A1 (ja) 2020-02-27

Family

ID=69592898

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/031389 WO2020039581A1 (ja) 2018-08-24 2018-08-24 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法

Country Status (4)

Country Link
US (1) US20210299754A1 (ja)
EP (1) EP3842217A4 (ja)
JP (1) JP6980115B2 (ja)
WO (1) WO2020039581A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022044625A1 (ja) * 2020-08-26 2022-03-03 パナソニックＩｐマネジメント株式会社 異常検出装置、異常検出方法及びプログラム
JPWO2022091949A1 (ja) * 2020-10-30 2022-05-05
EP4019170A1 (en) 2020-12-25 2022-06-29 Hitachi, Ltd. Additive manufacturing condition search apparatus, additive manufacturing condition search method, and reference sample
WO2022180842A1 (ja) 2021-02-26 2022-09-01 技術研究組合次世代３Ｄ積層造形技術総合開発機構 積層造形技術の開発方法および３次元積層造形システム
WO2022180802A1 (ja) 2021-02-26 2022-09-01 技術研究組合次世代３Ｄ積層造形技術総合開発機構 造形欠陥の検出方法、３次元積層造形システム、情報処理装置、情報処理方法および情報処理プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4245440A1 (en) * 2022-03-15 2023-09-20 Amiquam SA Method for optimizing process parameters of an additive manufacturing process

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008155480A (ja) * 2006-12-22 2008-07-10 Sony Corp 光造形装置及び光造形方法
JP2012253336A (ja) * 2011-05-25 2012-12-20 Asml Netherlands Bv 計算プロセス制御
JP2016088066A (ja) * 2014-11-11 2016-05-23 ローランドディー．ジー．株式会社 スライスデータ作成装置、スライスデータ作成方法、プログラムおよびコンピューター読み取り可能な記録媒体
JP2017505460A (ja) * 2014-02-12 2017-02-16 エーエスエムエル ネザーランズ ビー．ブイ． プロセスウィンドウを最適化する方法
US20170217102A1 (en) * 2016-01-29 2017-08-03 Siemens Medical Solutions Usa, Inc. Multi-Modality Image Fusion for 3D Printing of Organ Morphology and Physiology
JP2018024242A (ja) * 2016-08-08 2018-02-15 ゼネラル・エレクトリック・カンパニイ 積層造形法により製造された部品の検査のための方法およびシステム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5152081B2 (ja) * 2009-04-09 2013-02-27 株式会社デンソー 外観検査装置
JP5633522B2 (ja) * 2012-01-06 2014-12-03 新日鐵住金株式会社 操業状況評価装置、操業状況評価方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体
JP6664812B2 (ja) * 2016-05-10 2020-03-13 国立研究開発法人情報通信研究機構 仮想資源自動選択システム及び方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008155480A (ja) * 2006-12-22 2008-07-10 Sony Corp 光造形装置及び光造形方法
JP2012253336A (ja) * 2011-05-25 2012-12-20 Asml Netherlands Bv 計算プロセス制御
JP2017505460A (ja) * 2014-02-12 2017-02-16 エーエスエムエル ネザーランズ ビー．ブイ． プロセスウィンドウを最適化する方法
JP2016088066A (ja) * 2014-11-11 2016-05-23 ローランドディー．ジー．株式会社 スライスデータ作成装置、スライスデータ作成方法、プログラムおよびコンピューター読み取り可能な記録媒体
US20170217102A1 (en) * 2016-01-29 2017-08-03 Siemens Medical Solutions Usa, Inc. Multi-Modality Image Fusion for 3D Printing of Organ Morphology and Physiology
JP2018024242A (ja) * 2016-08-08 2018-02-15 ゼネラル・エレクトリック・カンパニイ 積層造形法により製造された部品の検査のための方法およびシステム

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHRISTOPHER J.C. BURGES: "Data Mining and Knowledge Discovery", vol. 2, 1998, KLUWER ACADEMIC PUBLISHERS, article "A Tutorial on Support Vector Machines for Pattern Recognition", pages: 121 - 167
H.E. HELMERC. KOMERR.F. SINGER: "Additive manufacturing of nickel-based superalloy Inconel 718 by selective electron beam melting: Processing window and microstructure", JOURNAL OF MATERIALS RESEARCH, vol. 29, no. 17, 2014, pages 1987 - 1996
See also references of EP3842217A4
W.J. SAMESF.A. LISTS. PANNALAR.R. DEHOFFS.S. BABU: "The metallurgy and processing science of metal additive manufacturing", INTERNATIONAL MATERIALS REVIEWS, vol. 61, no. 5, 2016, pages 315 - 360, XP055398013, DOI: 10.1080/09506608.2015.1116649

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022044625A1 (ja) * 2020-08-26 2022-03-03 パナソニックＩｐマネジメント株式会社 異常検出装置、異常検出方法及びプログラム
EP4206699A4 (en) * 2020-08-26 2024-03-13 Panasonic Intellectual Property Management Co., Ltd. ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD AND PROGRAM
JPWO2022091949A1 (ja) * 2020-10-30 2022-05-05
WO2022091949A1 (ja) * 2020-10-30 2022-05-05 日立金属株式会社 状態監視システムおよび状態監視方法
JP7359320B2 (ja) 2020-10-30 2023-10-11 株式会社プロテリアル 状態監視システムおよび状態監視方法
EP4019170A1 (en) 2020-12-25 2022-06-29 Hitachi, Ltd. Additive manufacturing condition search apparatus, additive manufacturing condition search method, and reference sample
WO2022180842A1 (ja) 2021-02-26 2022-09-01 技術研究組合次世代３Ｄ積層造形技術総合開発機構 積層造形技術の開発方法および３次元積層造形システム
WO2022180802A1 (ja) 2021-02-26 2022-09-01 技術研究組合次世代３Ｄ積層造形技術総合開発機構 造形欠陥の検出方法、３次元積層造形システム、情報処理装置、情報処理方法および情報処理プログラム
EP4299290A4 (en) * 2021-02-26 2024-04-03 Technology Research Association For Future Additive Manufacturing METHOD FOR DEVELOPING A TECHNOLOGY FOR ADDITIVE MANUFACTURING AND SYSTEM FOR 3D ADDITIVE MANUFACTURING

Also Published As

Publication number Publication date
JP6980115B2 (ja) 2021-12-15
EP3842217A4 (en) 2022-03-23
JPWO2020039581A1 (ja) 2021-08-10
EP3842217A1 (en) 2021-06-30
US20210299754A1 (en) 2021-09-30

Similar Documents

Publication Publication Date Title
WO2020039581A1 (ja) 情報処理装置、情報処理方法、情報処理プログラム、積層造形装置およびプロセスウィンドウ生成方法
US20210387421A1 (en) Systems, methods, and media for artificial intelligence feedback control in manufacturing
Xu et al. Realisation of a multi-sensor framework for process monitoring of the wire arc additive manufacturing in producing Ti-6Al-4V parts
JP2021504197A (ja) 付加製造画像の畳み込みニューラルネットワーク評価、及びこれに基づく付加製造システム
DE102017105224B4 (de) Vorrichtung zum maschinellen lernen, laserbearbeitungssystem und maschinelles lernverfahren
DE102019005975B4 (de) Einlernvorrichtung, einlernverfahren und speichermedium, das das einlernprogramm für die laserbearbeitung speichert
CN104148636B (zh) 一种控制金属零件增材制造热变形的扫描路径生成方法
US20200023586A1 (en) Method for monitoring 3d printing equipped with 3d printing slicer and recursive loop structure
JP2020013563A (ja) 意味的情報に基づいてフォトリアリスティックな合成画像を生成するためのシステムおよび方法
JP7255919B2 (ja) 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
KR20120069606A (ko) 프로세스 의사 결정 지원 시스템의 수립 방법
WO2020158201A1 (ja) 加工条件解析装置、レーザ加工装置、レーザ加工システムおよび加工条件解析方法
JP2020139945A (ja) オンザフライ単一粒子再構成のための畳み込みニューラルネットワークの使用
WO2021219515A1 (de) Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät
CN105426601B (zh) 一种基于bim的多样性设计方案汇报方法及其系统
Salvador et al. Strategic foresight: determining patent trends in additive manufacturing
Ma et al. Data driven modeling and optimization for energy efficiency in additive manufacturing process with geometric accuracy consideration
CN114997038B (zh) 一种选区激光熔化区域温度预测及变参数扫描方法
Farooq et al. An interactive visualization of genetic algorithm on 2-d graph
JP2007164256A (ja) テンプレート調整方法および装置、欠陥分布分類方法および装置、上記テンプレート調整方法または欠陥分布分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
DE112019007505T5 (de) Laserbearbeitungssystem, bearbeitungsbedingungssuchvorrichtung und bearbeitungsbedingungssuchverfahren
JPWO2019176012A1 (ja) 画像処理方法、画像処理装置、ユーザインタフェース装置、画像処理システム、およびサーバ
Liu et al. Unsupervised Learning of Part Similarity for Goal-Guided Accelerated Experiment Design in Metal Additive Manufacturing
CN108961388A (zh) 微观结构三维建模方法、装置、设备和计算机存储介质
Sato et al. Explainability of Laser Powder Bed Fusion Melt Pool Classification Using Deep Learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18931187

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020537992

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018931187

Country of ref document: EP

Effective date: 20210324