WO2022194956A1 - Verhinderung von fertigungsfehlern während der additiven fertigung - Google Patents

Verhinderung von fertigungsfehlern während der additiven fertigung Download PDF

Info

Publication number
WO2022194956A1
WO2022194956A1 PCT/EP2022/056874 EP2022056874W WO2022194956A1 WO 2022194956 A1 WO2022194956 A1 WO 2022194956A1 EP 2022056874 W EP2022056874 W EP 2022056874W WO 2022194956 A1 WO2022194956 A1 WO 2022194956A1
Authority
WO
WIPO (PCT)
Prior art keywords
determined
layer
adjustment
camera
laser
Prior art date
Application number
PCT/EP2022/056874
Other languages
English (en)
French (fr)
Inventor
Lorenz JOHN
Peter QUITTA
Original Assignee
forty2 Technologies GmbH
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
Priority claimed from DE102021106430.9A external-priority patent/DE102021106430A1/de
Priority claimed from DE102021106431.7A external-priority patent/DE102021106431A1/de
Priority claimed from DE102021106432.5A external-priority patent/DE102021106432A1/de
Priority claimed from DE102021106429.5A external-priority patent/DE102021106429A1/de
Application filed by forty2 Technologies GmbH filed Critical forty2 Technologies GmbH
Publication of WO2022194956A1 publication Critical patent/WO2022194956A1/de

Links

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
    • B22F10/20—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
    • B22F10/38—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
    • 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
    • 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
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • 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
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Definitions

  • the present invention relates to an apparatus and method for defect detection in additive manufacturing, and more particularly relates to defect detection during the additive manufacturing process.
  • Metallic additive manufacturing (3D printing) describes manufacturing processes for metallic components in which material is applied layer by layer and three-dimensional objects are thus produced.
  • SLM selective laser melting
  • LPBF laser powder bed fusion
  • This manufacturing process makes it possible to produce complex geometries from one part, for which several components have to be produced and connected to one another in conventional manufacturing, e.g. in the CNC process.
  • the process is cost-effective, particularly in the production of small series down to batch size 1.
  • Another method for which defect detection can also be used is the so-called Direct Energy Deposition method, in which either a wire or powder is fused to build up complex geometries.
  • a method is desirable which in situ, i.e. during the manufacturing process, fully automatically detects and displays errors and, if necessary, corrects the process parameters so that the print is either successfully completed or the print is completely or partially canceled when a manufacturing defect is detected.
  • Such a process can significantly reduce the printing costs and at the same time reduce the production time.
  • Porosity and density Porosity is described by small indentations or holes that have formed in the component and thus reduce the material density in the section under consideration. The reduction in density causes the component to fatigue more quickly and eventually break. The holes are often almost spherical and smaller than 100 pm. Furthermore, the indentations are distributed almost equally over a given area. There are many reasons why porosity occurs, but they also involve gas bubbles trapped in the atomized powder, which are not displaced due to the laser’s insufficient radiation power and thus prevent the powder from fully fusing.
  • Cracking, delamination and distortion Stress that arises in a component due to rapid heating and cooling can lead to defects such as cracking (cracking), i.e. there are fractures in the component, delamination, i.e. the manufactured layers separate from one another or lead to distortion (warpage), i.e. surface bending. Cracking, delamination and warping differ from the above defect types in that they spread over a large area, but can be induced by the presence of the above defects.
  • FEM finite element methods
  • a method for detecting manufacturing errors during the additive manufacturing of a manufacturing object which has the steps of providing a camera system on or in a construction space of an additive manufacturing device, determining a camera system path of the camera system during the manufacturing of the manufacturing object, Production of the production object in several production steps, with the camera system following the camera system path during production and recording and storing images of the production object at predetermined positions, determining an image depth map for at least one sequence of at least two image recordings, determining a total depth map from all image depth maps for one production step, determining a 3-dimensional design of the production object from the total depth map.
  • the depth map determination step, the 3-dimensional design determination step, the adjustment step, the deviation determination step and/or the evaluation step take place after the completion of one of the production steps of the production of the production object.
  • the local depth map is determined by transforming a first recorded image in such a way that it corresponds to a second recorded image and during the transformation the local depth map is determined by a depth map determination algorithm from the class of monitored or self-monitored machine learning method is generated.
  • the depth map determination algorithm is carried out by training an artificial neural network using at least one known first recorded image, one known second recorded image and one known local depth map.
  • Image acquisition the speed at which the camera system moves is taken into account.
  • a method for detecting manufacturing errors during additive manufacturing of a manufacturing object which has the steps: providing a detection laser system on or in a construction space of the additive manufacturing device manufacturing the production object in several manufacturing steps using a production laser in the construction space of the Additive manufacturing device, use of a laser in a construction space of an additive manufacturing device to determine properties of a manufacturing object.
  • the determined properties are a 3-dimensional design and/or a surface temperature.
  • the method also has the steps: comparison of the 3-dimensional configuration with a 3-dimensional target configuration, determination of deviations between the 3-dimensional configuration and the 3-dimensional target configuration,
  • the method further comprises the steps: evaluation of the deviation determined in the deviation determination step, if a deviation is determined, outputting a deviation evaluation.
  • the 3-dimensional configuration takes place by means of pulsed distance measurement, AMCW distance measurement or FMCW distance measurement.
  • the detection laser is the manufacturing laser of the additive manufacturing device.
  • the detection laser is a laser separate from the manufacturing laser of the additive manufacturing device.
  • the method further comprises the steps of: providing a partially reflecting mirror which is arranged such that a beam of the laser passes through from the transparent side and a beam reflected from the production object is reflected by the partially reflecting mirror a fixed mirror, the surfaces of the partially reflecting mirror and the fixed mirror being designed in such a way that a beam reflected by the production object is reflected onto a one-dimensional, preferably circular area, and the provision of at least one sensor on the one-dimensional area, which is set up, to detect the reflected beam.
  • the method also has the steps: providing a reflector rotating about a first axis, providing a fixed mirror which is designed in the shape of a circular segment perpendicular to the first axis and is arranged such that the rotating reflector is in the center of the circular segment is located and has such a surface that is radial to the circle segment beam traveling parallel to the first axis is reflected and focused onto a building layer, providing a laser receiving device, rotating the rotating reflector about the first axis, directing a laser beam onto the rotating reflector, reflecting the laser beam by the rotating reflector in the direction of the fixed mirror, reflecting of the laser beam through the fixed mirror towards the production object, reflecting the laser beam through the production object towards the fixed mirror, reflecting the reflected laser beam through the fixed mirror towards the rotating reflector, reflecting the reflected laser beam through the rotating reflector to a laser receiver, detecting of the reflected laser beam by the laser receiving device.
  • the device also has: a laser receiving device set up to receive a laser beam reflected by a workpiece, a calculation unit set up to calculate a transit time from orientation, intensity, frequency, modulation or reception time of the laser from its emission and thus to determine the dimensions of the workpiece.
  • the device also has: a laser emitter, which is arranged and set up to emit a laser beam, by means of which, in cooperation with the laser receiving device, a runtime of the laser can be determined from its emission and thus the dimensions of the workpiece to determine.
  • a laser emitter which is arranged and set up to emit a laser beam, by means of which, in cooperation with the laser receiving device, a runtime of the laser can be determined from its emission and thus the dimensions of the workpiece to determine.
  • the device has: a reflector that can be rotated about a first axis, a fixed mirror that is designed in the shape of a segment of a circle perpendicular to the first axis and is arranged in such a way that the rotatable reflector is located in the center of the segment of a circle, and such a surface has that a beam running radially to the circle segment is reflected parallel to the first axis and is focused on a building layer.
  • a method for preventing manufacturing errors during additive manufacturing of a manufacturing object which has the steps: providing a detection system in the additive manufacturing device for detecting at least one property of the manufacturing object, manufacturing the manufacturing object in several manufacturing steps, wherein during During production, the recording system determines the at least one property of the production object, comparison of the at least one property with a target state of the property, determination of deviations between the at least one property and the target state of the property, evaluation of the deviation determined in the deviation determination step, if deviations are determined, determination an adjustment of at least one process parameter, based on the deviation determined in the deviation determination step, to reduce the deviation in further production f verge, application of the adjustment determined in the adjustment determination step of the at least one process parameter.
  • the at least one process parameter is one or more from the group of installation space temperature, production laser intensity or production speed.
  • the detection system is a camera system and/or a projector camera system and/or a laser detection system for detecting a three-dimensional configuration of the production object or for detecting a surface temperature of the production object.
  • the adjustment is determined in the adjustment determination step by means of an artificial neural network for modeling transition probabilities or optimal action sequences.
  • An action is understood as the adjustment of a process parameter as a result of a change in a state variable, for example the temperature in the melt pool.
  • the adjustment is determined in the adjustment determination step by means of a model-based algorithm.
  • the adjustment is determined in the adjustment determination step using an artificial neural network for modeling optimized sequences of changes in process parameters based on system modeling for transferring the additive manufacturing device from an actual state to a target state.
  • a temperature difference map is formed from the first temperature distribution and the second temperature distribution and the temperature differences determined in the temperature difference map are compared with expected temperature differences as setpoints in order to identify the areas in which the temperature differences deviate from the setpoints.
  • a device for additive manufacturing is disclosed, which is set up to carry out a method according to the preceding method claims.
  • a method for detecting manufacturing errors during the additive manufacturing of a manufacturing object which has the steps: providing a camera system on or in a construction space of an additive manufacturing device, determining a camera system path of the camera system during the manufacturing of the manufacturing object in several Manufacturing steps, wherein the camera system travels the camera system path during production and on takes and saves images of the production object at predetermined positions, determining an image depth map for at least one sequence of at least two images, determining a total depth map from all image depth maps for a production step, determining a 3-dimensional design of the production object from the total depth map, using a laser to scan a construction layer in the installation space of an additive manufacturing device to determine properties of a manufacturing object.
  • the determined properties are a 3-dimensional configuration and/or a surface temperature.
  • the method also has the steps: comparison of the 3-dimensional configuration with a 3-dimensional target configuration, determination of deviations between the 3-dimensional configuration and the 3-dimensional target configuration, evaluation of the in the
  • Variance determined in the variance determination step if variances are determined, output of a variance evaluation.
  • the camera system is a stereo camera system that simultaneously records and stores two images of the production object, and the determination of the local depth map is determined from the two simultaneously recorded images.
  • the determined properties are a 3-dimensional configuration and/or a surface temperature.
  • the method further comprises the steps of: providing a partially reflecting mirror which is arranged such that a beam of the laser passes through from the transparent side and a beam reflected from the production object is reflected by the partially reflecting mirror a fixed mirror, the surfaces of the partially reflecting mirror and the fixed mirror being designed in such a way that a beam reflected by the production object is reflected onto a one-dimensional, preferably circular area, and the provision of at least one sensor on the one-dimensional area, which is set up, to detect the reflected beam.
  • the image depth map determination step, the total depth map determination step, the 3-dimensional configuration determination step, the adjustment step, the deviation determination step and/or the evaluation step take place after the production of the production object has been completed.
  • the depth map determination step, the 3-dimensional design determination step, the adjustment step, the deviation determination step and/or the evaluation step take place after the completion of one of the production steps of the production of the production object.
  • the detection laser is a separate laser from the manufacturing laser of the additive manufacturing apparatus.
  • FIG. 1 shows a representation of a first exemplary embodiment of a device according to the invention for constructing a three-dimensional production object.
  • FIG. 2 shows an installation space of the device from FIG.
  • FIG. 3 shows a sensor arrangement of the first exemplary embodiment.
  • FIG. 4 shows a representation of a second exemplary embodiment of the device according to the invention for constructing a three-dimensional production object.
  • FIG. 5 shows a representation of a third exemplary embodiment of the device according to the invention for constructing a three-dimensional production object.
  • FIG. 6 shows a representation of the stereoscopic determination of depth.
  • FIG. 7 shows a cloud of points and an associated triangle mesh (surface representation).
  • FIG. 8 shows a flow chart of a method according to the invention for 3D reconstruction.
  • FIG. 9 shows an illustration of a first modification of the devices according to the invention for constructing a three-dimensional production object according to the exemplary embodiments.
  • FIG. 10 shows a representation of a second modification of the devices according to the invention for constructing a three-dimensional production object according to the exemplary embodiments.
  • the generating device 1 has an optical system whose components are fixed to the components of the machine frame, respectively.
  • a construction space 10 is provided in the machine frame.
  • the optics system includes a laser 6, a deflection mirror 7 and a scanner 8.
  • the laser 6 generates a beam 9 which hits the deflection mirror 7 and is deflected by it in the direction of the scanner 8.
  • the scanner 8 is designed in a known manner in such a way that it can direct the incoming beam 9 to any points in a construction layer (current layer) 11 that is located in the construction space 10 .
  • an entry window 12 is provided between the scanner 8 and the construction space 10 in an upper partition wall 5 of the construction space 10 , which allows the beam 9 to pass through into the construction space 10 .
  • An F-q lens 14 is placed in the path of the ray 9 and directs the ray 9 perpendicular to the build layer 11.
  • a container 25 open at the top is provided in the installation space 10 .
  • a carrier device 26 for carrying a three-dimensional object to be formed is arranged in the container 25 .
  • the carrier device 26 can be moved back and forth in the vertical direction in the container 25 by means of a drive (not shown).
  • a build plate 13 is provided at the upper end of the carrier device 26 and can be moved vertically with the carrier device 26 .
  • the three-dimensional object is arranged on the building board 13 during its manufacture. In the area of the upper edge of the container
  • a coater 27 (recoater) is provided for applying build-up material to be solidified onto the surface of the carrier device 26 or a previously solidified layer.
  • the coater 27 can be moved in the horizontal direction over the construction layer 11 by means of a drive indicated schematically by arrows in FIG.
  • Metering devices 28 are provided on both sides of the building layer 11, which provide a predetermined quantity of the building material for the coater 27 to apply.
  • a supply opening 30 is provided on the side of the dosing device 28 .
  • the feed opening 30 extends across the entire width of the building layer 11 in the direction perpendicular to the plane of representation in FIG.
  • the construction space in the embodiment is divided into an upper area 40 and a lower area 41 .
  • the upper area 40 forms the actual work area in which the building material is applied in layers and selectively solidified.
  • the layers extend in the x-direction and y-direction in a horizontal plane.
  • the lower portion 41 receives the container 25 on.
  • some components are formed by a method of forming a three-dimensional element layer by layer by selectively solidifying locations corresponding to the object in the respective layers.
  • a laser sintering method is used to manufacture it.
  • the construction material is fed into the construction space 10 via the feed opening 30 and fed to the coater 27 in a predetermined quantity with the metering devices 28, 29.
  • the coater 27 carries a layer of the build material on the support device
  • the beam 9 is directed to selected positions in the building layer 11 in order to selectively solidify the building material at the locations corresponding to the three-dimensional object to be formed.
  • the carrier device is then lowered by the thickness of one layer, a new layer is applied and the process is repeated until all layers of the object to be formed are produced.
  • a sensor arrangement is explained with reference to FIG.
  • a camera system 50 is provided in the upper area 40 of the installation space.
  • a first camera module 52 and a second camera module 53 are provided on a carriage 51 .
  • the first camera module 52 and the second camera module 53 are aligned essentially downwards and are arranged non-rotatably relative to one another at a fixed, known distance d.
  • the carriage 51 is attached to a bracket 56 in a rail system.
  • the carriage 51 can be displaced along the horizontal x-axis via a third servomotor 57 .
  • the carrier 56 can be displaced along the horizontal y-axis via rails 58 and servomotors 59 . Due to this arrangement, the carriage 51 and thus the first camera module 52 and the second camera module 53 can be moved freely in the plane spanned by the x and y axes and can be aligned with any point on the workpiece.
  • the distance for each is determined with knowledge of the arrangement of the laser emitter and the laser receiver and with knowledge of the deflection of the deflection device measuring point determined.
  • the production laser 6 is used as a measuring laser, with the deflection mirror 7 and the scanner 8 serving as a deflection device.
  • the laser receiver is arranged (outside) on or in the combustion chamber 10 and aligned with the building layer 11 .
  • a second exemplary embodiment of the invention is explained with reference to FIG. Apart from the differences described below, the second exemplary embodiment is identical to the first exemplary embodiment.
  • a third exemplary embodiment of the invention is explained with reference to FIG. Apart from the differences described below, the third exemplary embodiment is identical to the first exemplary embodiment.
  • a circular bearing ring 61 is provided in the upper area 40 of the installation space 11 and is connected to the housing in a stationary manner. Within the bearing ring 61, a rotary ring 62 is rotatably mounted. The rotary ring 62 can be freely rotated within the bearing ring 61 via the servomotor 63 .
  • a first camera module 52" is attached to the rotary ring 62. The camera module 52" is aligned radially inwards. In this case, the camera module 52" is inclined downwards by the angle of inclination a in the direction of the building layer 11. The angle of inclination a is preselected and fixed.
  • Every area of the construction layer 11 can be detected by the camera module.
  • Further camera modules for example a second camera module 53′′, can be attached to the rotary ring.
  • the second camera module 53′′ is aligned radially inwards and is inclined downwards in the direction of the structural layer 11 by an angle of inclination ⁇ .
  • the angle of inclination ⁇ is preselected, fixed and different from the angle of inclination ⁇ .
  • this arrangement allows stereoscopic capture in one pass, faster stereoscopic capture with one camera module each through parallel capture by multiple cameras, or larger area coverage.
  • angles of inclination ⁇ and ⁇ can each be changed by a servomotor.
  • the area covered by the camera module 52" and the camera module 53" can thus be changed. This allows camera modules with a longer focal length to be used, which increases the resolution but reduces the area captured. Changing the angles of inclination ⁇ and ⁇ nevertheless ensures that the entire area of the building layer 11 remains detectable.
  • a first method for in-situ defect detection defines a defect as a deviation (additive or reductive) between the surface of the printed component compared to the CAD model that goes beyond a specified tolerance.
  • the component is continuously reconstructed in three dimensions during printing and compared with the model, typically in a CAD format such as STL or STEP, in order to detect deviations.
  • a method for calculating the distance is the so-called LiDAR system, which emits a laser beam and thus (directly or indirectly) measures the duration until, after emission of a laser beam, its reflection returns to the system. It is then possible to determine how far away an object is via transit time and the speed of light.
  • Stereo cameras are systems consisting of two or more cameras that generate two or more than two images of the same scene at the same time and determine the depth from them.
  • two images of the same scene are recorded with a movably arranged camera at different times and in different locations, and the depth is determined from them. Since both systems have already determined the depth dimensions, the reconstruction problem is reduced to the segmentation of geometric objects, i.e. determining which depth point belongs to the object of interest and which depth point belongs to the surface of the unprocessed powder bed and can be ignored.
  • Thermal segmentation assumes that a thermogram exists that includes the objects as well as at least part of the surrounding powder bed.
  • the camera modules are set up to detect thermal radiation.
  • the temperature gradient (dT) can be used to determine whether it belongs to the powder bed or to the solid object. The rule is then dT > S, where S is a lower bound that is determined experimentally.
  • the probability (T) can be determined for each pixel as to whether the material covered by this pixel has melted or not. For this, the well-known physical properties of the material and corresponding simulation methods (finite elements or similar) are used. Then, when the probability is calculated, an appropriate bound (P) is chosen and if T > P then this pixel belongs to the solid object, else to the powder bed. It should be noted here that incomplete fusion holes would also have a low probability. Therefore, in a last step, the surfaces marked as not melted have to be found. The areas with T ⁇ P and an area smaller than X square pixels are ignored and therefore belong to the lasered area, X is to be selected appropriately.
  • thermal segmentation it is advantageous to transform the coordinates found into the image coordinates of the depth maps, point cloud and/or the RGB image. Inaccuracies can be avoided if the resolution of the thermal image is sufficiently high relative to the optical image and ideally the resolution of the thermal image corresponds to that of the optical image. This can be achieved, for example, by a sufficiently high resolution of the thermal image acquisition, multiple measurements or measurements with several but offset cameras.
  • optical segmentation Another option for segmentation is optical segmentation.
  • segmentation takes place via the depth map or the point cloud.
  • a problem with the use of Li DAR is that presumably not all types of defects can be detected, for example those locations that have not been lasered or have been insufficiently lasered (incomplete fusion).
  • stereo cameras can compensate for this, since they also depict textures in addition to depth be able.
  • the working hypothesis in this case is that there are differences in texture between a good and a bad section in the part.
  • the challenge with stereo cameras is their accuracy, which decreases with the square of the distance to be measured. The further away the workpiece is from the camera, a larger and larger area is covered by a camera pixel.
  • the invention proposes solutions for the use of a LiDAR and for the use of stereoscopy in defect detection in additive manufacturing. Furthermore, it is proposed to merge the information from LiDAR and stereoscopy in order to achieve the highest possible accuracy in the reconstruction.
  • the sensors represent the data in different structures
  • stereo cameras provide two images in RGB space
  • lidar sensors generate point clouds containing the distance to the object and the orientation relative to the sensor. Therefore, it is necessary to use a multi-stage procedure, which in the first step finds a uniform representation of the input data between the different sensor modalities and then calculates the 3D representation of the object from it.
  • the accurate depth is estimated, i.e. it is determined how far the object imaged in a pixel of the camera is from the camera.
  • a camera system 50 is installed in the build chamber 10 for this purpose.
  • the camera system 50 is preferably a stereo camera 50.
  • the camera system can move freely in the x-y direction, i.e. in the horizontal plane, in a translatory manner.
  • a translational movement in the z-direction or the height direction is not provided in the first exemplary embodiment, since a movement in the height direction removes the camera from the working area and the error in the depth estimation of a stereo camera increases quadratically with the distance to the object. Therefore, the camera system 40 should be placed as close as possible (optically or physically) to the printed object.
  • the camera system 50 can be rotated about the x-axis and the y-axis.
  • the depth estimation method begins in a path determination step S20 with the determination of an optimal path for the camera system 50 through the upper installation space 40.
  • the path depends on various factors such as the progress in the manufacturing process, lighting conditions and the speed required to complete the scan in time.
  • the second component L s of the optimization criterion ensures that the transitions between the depth estimates of two neighboring pixels are smooth. This avoids abrupt changes in the disparity (gradient) between two neighboring pixels, which are probably artifacts.
  • the underlying assumption is that there are only a few exceptional cases where a large gradient can be justified. Note that d t is the inverse depth and d is the average inverse depth, so d t * is the mean-normalized inverse depth.
  • the first error can be reduced by reducing the distance between the camera and the object, increasing the focal length of the lens, increasing the viewing distance between the stereo camera lenses, and making the distance traveled by the camera between two stereo pairs small, to to maximize the overlap.
  • the overlap makes it possible to minimize the error in the global depth map generation step.
  • the error introduced by the inadequacy of the model can be reduced by more data and a better model.
  • the model error can be included in later calculations by assigning the corresponding uncertainty of the model with regard to the estimation to each estimated value for the depth.
  • the Bayesian interpretation of probability is used here.
  • the path planning with which the depth estimation started can be adjusted in such a way that areas with high uncertainty are approached again.
  • the camera is localized on the one hand based on the information from the rotary encoders of the motors that change the camera pose, from the inertial measurement unit (IMU) attached to the camera or an interior localization technology (e.g. RFID, magnetometer, etc.). Furthermore, the camera can be localized based on the image information from the image recordings. Individual features in the overlapping areas of the images are calculated (SIFT features). The relative poses of the images to one another can thus be determined and merged with the relative poses from the image depth map determination. The correspondence between the individual features in the image recordings is then filtered in order to reduce erroneous assignments. The depth maps are then divided into segments, each with n consecutive images, and for each of these segments the camera pose aligns all images with one another.
  • SIFT features Individual features in the overlapping areas of the images
  • the relative poses of the images to one another can thus be determined and merged with the relative poses from the image depth map determination.
  • the correspondence between the individual features in the image recordings is then filtered in order to reduce err
  • n layers e.g. 20 ⁇ n ⁇ 100
  • Meshing of the point cloud from the last n layers e.g. 20 ⁇ n ⁇ 100
  • subsequent defect detection in order to detect possible errors for the current layer and correct them with appropriate laser correction.
  • the number of layers n can possibly also be controlled adaptively.
  • the surface reconstruction and the meshing could also be carried out after each lasered layer and in this way an attempt could be made to localize defects in each layer. This procedure is more complex and finding and classifying defects at the local level is more difficult.
  • Each extracted area can now be compared with the model and checked for errors using the original CAD geometry. All recognized structures that are now inside a geometry, in the case of certain defects such as warping, possibly also structures that are outside of a geometry, are to be seen as potential sources of error and may need to be examined more closely, e.g. by calculating the volume or the associated bounding box to determine the size of the defect. At this point, a distinction must also be made between the following defect types:
  • a graph is generated from the mesh; a commercial program library is sufficient for this. All individual, connected graphs form a separate object.
  • the printed object or the type of defect can be determined with the bounding boxes and volume (size comparison). With this procedure, the defect extraction and classification can be efficiently implemented.
  • a distinction can be made here between a macro and micro scale and thus appropriate countermeasures can be initiated, i.e. merging the defect (increased performance, time, parameters, etc.) or a print termination of the corresponding component.
  • a defect file is created, which can be visualized with ParaView, for example.
  • the individual defect types are indicated by different colors in order to be able to distinguish them from one another easily and quickly.
  • the camera system 40 is capable of detecting (near) infrared (NIR/IR).
  • NIR/IR near infrared
  • a further individual camera is provided for this.
  • the temperature on the surface of the component can be continuously measured during printing using a (near) infrared (NIR/IR) camera. This allows spatial and temporal temperature gradients to be determined, which provide information about the melting process and thus also about possible errors.
  • the temperature is a defect characteristic, which is often at the beginning of the causal chain for the development of a defect, so that a defect can be identified earlier than, for example, the depth-based method, since the defect is already present here.
  • NIR/IR cameras A challenge faced by NIR/IR cameras is their spatial resolution, which is lower than RGB cameras, i.e. a pixel in an RGB image cannot directly correspond to a pixel in an IR image. Conversely, a pixel in the IR image is only the temperature average from the implicit temperature values that would be determined if the NIR/IR camera had the same resolution as the IR camera. This can mean that small defects cannot be detected (early). Furthermore, the resolution is often also lower than the diameter of the laser beam on the surface of the component, with the same effects as before.
  • a method for detecting defects in the powder layer can be carried out. This method comprises the following steps, for example: in a first step, which is carried out after a layer of the component has been completed, a first temperature distribution on the visible surface of the layer is recorded. In a second step, carried out after a powder layer of raw material has been applied, a second temperature distribution on the visible surface of the powder layer is recorded. In a third step, the first and second temperature distributions are compared with one another and areas are identified in which the second temperature distribution deviates from a target value.
  • the third step can include, for example, forming a temperature difference map from the first and the second temperature distribution and comparing the temperature differences determined in the temperature difference map with expected temperature differences as setpoint values.
  • the third step can include, for example, determining an expected temperature distribution from the first temperature distribution, for example using a simulation and/or using a method from the field of artificial intelligence, which forms the setpoint for the second temperature distribution. For example, any method described in this document can be used as a method from the field of artificial intelligence.
  • the application of the powder can be corrected in the identified areas of the powder layer. In this case, the second and the third step can also be repeated.
  • at least one process parameter can also be adjusted based on the determined deviation.
  • an NI R/I R image can be recorded by the camera system 40, for example.
  • the first and/or second temperature distribution can also be detected, for example, by detecting a radiant power emitted in the NIR/IR range on a large number of sections of the surface.
  • the first and/or second temperature distribution are each a detectable result of a property of the production object.
  • any other property can be used as the basis of the method.
  • the camera system 40 can be provided with appropriate sensors, for example, or an additional detection device can be provided for detecting the property before and after application of the raw material.
  • the laser in the AMCW method emits a constant wave.
  • the radiant power of the laser is modulated with a reference signal.
  • the phase shift of the reflection and the reference signal is then determined.
  • the phase shift determined is a function of the distance, which can be calculated from this.
  • DF describes the phase shift DF
  • f m describes the frequency of the signal formed by the amplitudes of the reflected signal.
  • a challenge associated with this method is the continuous change in the radiation power and thus the melting process at the powder surface. Common process parameters are therefore probably obsolete and have to be found again.
  • the additive manufacturing device In order to implement the method described, the additive manufacturing device must be expanded to include components that can modulate the laser beam on the one hand and determine the phase shift on the other.
  • the frequencies of the carrier signal are modulated in the FMCW method, ie the wavelength of the laser is modulated as a function of a reference signal.
  • the additive manufacturing device must be expanded to include components similar to those in the AMCW method.
  • the reflectivity of a surface changes as a function of its temperature. If the reflectivity drops, the intensity with which the reflected laser pulse arrives at the photodetector also changes. This can be described as dR dR
  • the functional expansion of the melting laser is particularly effective when structural changes are made to the additive manufacturing device. Since the laser is very sensitive to movement, the beam is directed onto the surface using mirrors and lenses. This means that the angle of incidence and the angle of reflection change depending on the position. Furthermore, situations can arise in which the reflection is direct goes back into the focusing lens, ie when the angle of incidence of the light in the near range is around 90 degrees. As described above, the additive manufacturing device must be expanded to include photodetectors, among other things. Since the reflected laser beam no longer has a fixed position in the installation space due to the continuous change in the angle of reflection, the additive manufacturing device must be designed in such a way that the individual elements are arranged in such a way that the light transit time and light intensity measurements are carried out precisely.
  • the energy source used for melting the raw material travels a melting path on a powder layer in order to melt the powder of the powder layer.
  • the melt path includes a sequence of points of each layer.
  • a corresponding laser power which can also be zero, and/or other process parameters are determined for each point. This makes it possible, for example, to take into account the effects of the laser's start-up and braking processes and to compensate for them by adjusting the process parameters.
  • a path planning method is used to determine the melting path.
  • a path planning method includes, for example, a step for assigning at least one process parameter to a point of the fusion path, for example to all points of the fusion path.
  • the path planning method may include, for example, using an artificial intelligence method or, for example, a Markov decision process.
  • the method may also include the method disclosed above for detecting defects in the powder layer to match the melt path to the powder layer.
  • an adaptation method is therefore provided which can be carried out, for example, by means of an additional controller.
  • This controller for example a scan controller, determines an adjustment of at least one process parameter based on a determined deviation of at least one property of the production object from a target state of the property.
  • the detection system has at least one infrared camera that is mounted coaxially to the melting laser, so that, for example, a central pixel of the sensor field of the infrared camera is located in front of the melt pool generated by the melting laser in the direction of movement.
  • the images of the melt pool recorded by the infrared camera are compared with a target state, for example by means of a neural network, and the deviations from this are determined and evaluated.
  • An adjustment of at least one process parameter for example the laser power, is determined from the evaluation.
  • a second neural network can therefore be provided, for example, which receives the property, for example the images captured by the infrared camera, as an input signal and an adjustment is calculated from this.
  • This neural network can be a feature detector or a state representation network, for example. Likewise, methods of conditional neural processes and/or models based on them can be used.
  • the recorded images can be converted into a single image, for example after scanning, so that the maximum radiant power for each pixel is determined along the melting path. This makes it possible to determine for each pixel, for example, whether the powder has been completely melted.
  • the F-0 lens 14 can cause refraction distortions that are difficult to compensate for when it passes through the F-0 lens 14 again.
  • a fixed mirror 15 is provided instead of the F-0 lens.
  • the fixed mirror 15 is horizontally in the shape of a segment of a circle, with the scanner 8 being arranged in the center of the circle.
  • the mirror surface of the fixed mirror 15 is inclined downwards in such a way that a beam 9 arriving horizontally from the scanner 8 is reflected vertically downwards onto the building layer 11 .
  • the scanner 8 has a mirror which rotates about the vertical axis (z-axis) in such a way that the beam 9 sweeps over the entire horizontal extension of the fixed mirror 15 and is reflected vertically downwards by the fixed mirror over this area. This produces a one-dimensional area in the shape of a segment of a circle on the construction layer 11, on which the beam 9 impinges.
  • the laser 6, the mirror 7, the scanner 8 and the fixed mirror 15 are moved over the construction space in a constant arrangement relative to one another in the x-direction.
  • a portion of the beam 9 reflected by the building layer 13, the reflected beam 9', is reflected back onto the scanner 8 via the fixed mirror. Since the mirror of the scanner 8 has already rotated further about the z-axis by a sufficiently precisely predeterminable value when the reflected beam 9' arrives, the reflected beam is not reflected directly to the laser 6, but hits it there slightly offset.
  • a laser receiver 16 is provided, which is fixed relative to the laser 6, the mirror 7, the scanner 8 and the fixed mirror 15 and moves together with them along the x-axis.
  • the beam 9 is always aligned perpendicular to the building layer 11 and the running length of the beam 9 and the reflected beam 9 'only varies exactly by the distance of height differences on the building layer 11, can be in all detected areas
  • Construction layer 11 carry out an exact depth determination using LiDAR.
  • a modified F-0 lens 14' is designed to be provided with a partially specular surface 141.
  • FIG. An annular fixed mirror 15' is also provided.
  • Two laser sensors 16' are attached to a ring 17 in such a way that they can move on the ring.
  • Both the partially reflecting surface 141 and the ring-shaped fixed mirror 15' are configured quasi-parabolic, so that the reflected beam 9' is always reflected onto the position of the orbital ring 17.
  • the sensors 16' are moved along the revolving ring 17 in such a way that the reflected beam 9' can be detected either by one or the other sensor 16'. Since the reflection can suddenly change from one side to the other when crossing over the center of the image, it is advantageous to arrange the sensors 16' opposite one another on both sides.
  • the arrangement according to the second modification does not permit as high an accuracy as the arrangement according to the first modification because the beam alignment is not always vertical. However, since here with the sensors 16′ considerably fewer components can be moved relative to the installation space, the complexity is lower.
  • the lidar sensor is calibrated online, i.e. with each image.
  • the calibration parameters it is now possible to create a disparity map from the lidar data. This is where the calibration parameters come into play, because they allow the disparity map to be calculated for the same image section that the stereo camera sees (lidar scans in radius X, i.e. the point cloud must be aligned with the stereo image).
  • a global disparity map is created from the two disparity maps, which is much more precise than the individual maps. Both steps, calibration and fusion can be implemented with neural networks.
  • Defects arise on the one hand from factors that already exist before printing, for example the geometry is not suitable for printing or there were quality defects during the production of the powder.
  • defects also occur during printing because process parameters such as the scanning speed of the laser do not match the current state of the print.
  • the process parameters are determined and set before the manufacturing process. The determination can be made by simulating the manufacturing process and/or by creating samples.
  • it is necessary to dynamically change the process parameters during runtime, in response to the defect probability existing at a point in the process.
  • the manufacturing process is formulated as a Markov decision problem, which can be solved with an algorithm from the class of reinforcement learning.
  • the algorithm continuously receives information about the manufacturing process, for example the temperature in the powder bed, and decides whether the process parameters need to be changed with the aim of reducing the probability of defects.
  • model-based approaches require less data (sample efficiency), since many relationships are (locally) linear in reality. This means that only a few data points from the local environment are needed to learn the connection.
  • Model-free approaches need significantly more examples so that they only learn the connection between the change in the process parameters and the success (reward).
  • the described disadvantage of model-free approaches disappears if precise simulations of the additive manufacturing process can be used or if the number of printers in use whose data is accessible is large, because planning in model-based approaches is essential more complex and is more constrained by simplifying assumptions and approximations than is the case with model-free approaches.
  • the challenge in model-free approaches that were trained in a simulation is the successful transfer to the flardware.
  • Even with highly accurate simulations there is a so-called reality gap, i.e. the learned model recommends suboptimal changes to the process parameters, since the simulation model differs too much from reality in some or all dimensions.
  • the dynamic behavior of the overall system is modeled as far as possible, for example a measurement error of the infrared cameras, which is caused, for example, by quantization or losses or absorption by reflection on the lens or other components result.
  • a thermal drift of the sensors, latencies in the transmission, friction and other factors can be included in the simulation.
  • thermocouples are introduced into the powder bed.
  • a path is scanned in the powder bed, i.e., for example, traveled by means of the laser and thereby, for example, at least heated and/or at least partially welded, and the measured values of the thermocouples with the simulation, for example with a CFD model (Computational Fluid Dynamics) compared and, if necessary, the parameters of the simulation adjusted.
  • CFD model Computer Fluid Dynamics
  • Additive manufacturing devices from different manufacturers differ in many ways, even when using the same manufacturing process. This has an impact on the dynamics of the environment in the manufacturing process. It is difficult to simulate each individual additive manufacturing device in advance and adjust the parameters of the algorithm accordingly. Therefore, two methods are proposed to use the data from each additive manufacturing device to improve the algorithms. Methods come from the field of Privacy Preserving Machine Learning, which make it possible to protect sensitive data of individual customers without impairing learning.
  • Each additive manufacturing device on which our software is installed continuously transmits process parameters and the states of its environment to a central server.
  • confidential information such as the geometry of the component is modified so that the data can still be used to learn the algorithm, but the original geometry or the confidential information can no longer be determined.
  • the algorithm is improved and the improvements are transmitted back to the additive manufacturing device.
  • Each additive manufacturing device on which our software is installed has an additional computing unit that makes it possible to improve the model using the data generated in the machine.
  • the printer already has a generic model when it is delivered, which is then adapted to the specific properties of the printer over the runtime through the learning process. After such a local After the model has been improved with the data from the additive manufacturing device, the changes in the model parameters are transmitted to a central server, which improves a global model with each update. The global model is then sent back to the additive manufacturing device to replace the old model.
  • the manufacturing laser of the additive manufacturing device is used to detect the surface temperature or the shape of the workpiece.
  • a separate detection device with a separate detection laser can also be provided.
  • a camera system consisting of two image recording devices that record images at the same time is used.
  • the camera system can consist of an image recording device that records images offset in time and space.
  • the camera system has a further camera for recordings in the NIR/IR spectrum.
  • one of the stereo cameras or the single camera can be used for this function if it has the ability to capture the NIR/IR spectrum.
  • the camera pose is determined, among other things, on the basis of information from the rotary encoders of the motors that change the camera pose, from the inertial measurement unit (IMU) attached to the camera, or an interior localization technology (e.g. RFID, magnetometer, etc.) localized.
  • the camera pose can also be determined using a further camera and a marking on one of the housing walls.
  • the exemplary embodiment according to FIG. 4 corresponds to the first exemplary embodiment and differs from it in the points listed below.
  • the camera system 50 has a further camera module 60 . This is connected in a rotationally fixed manner to the first camera module 52 and the second camera module 53 and is arranged on the carriage 51 .
  • the third camera module 60 is oriented upwards.
  • the upper housing cover 43 usually consists of a glass pane.
  • a grid 44 that can be seen from below is applied to this.
  • the third camera module 60 can capture the grid 44 and from this determine its position on the x-y plane and its orientation.

Abstract

Ein Verfahren zur Verhinderung von Fertigungsfehlern während additiver Fertigung eines Fertigungsobjekts weist die Schritte auf: Vorsehen eines Erfassungssystems in der additiven Fertigungsvorrichtung zur Erfassung mindestens einer Eigenschaft des Fertigungsobjekts, Fertigung des Fertigungsobjektes in mehreren Fertigungsschritten, wobei während der Fertigung das Erfassungssystem die mindestens eine Eigenschaft des Fertigungsobjekts ermittelt, Abgleich der mindestens einen Eigenschaft mit einem Sollzustand der Eigenschaft, Ermittlung von Abweichungen zwischen der mindestens einen Eigenschaft und dem Sollzustand der Eigenschaft, Bewertung der im Abweichungsermittlungsschritt ermittelten Abweichung, wenn Abweichungen ermittelt werden, Ermittlung einer Anpassung von mindestens einem Prozessparameter, basierend auf der im Abweichungsermittlungsschritt ermittelten Abweichung zur Reduktion der Abweichung im weiteren Fertigungsfortgang, Anwendung der im Anpassungsermittlungsschritt ermittelten Anpassung des mindestens einem Prozessparameters.

Description

VERHINDERUNG VON FERTIGUNGSFEHLERN WÄHREND DER ADDITIVEN FERTIGUNG
[0001] Die vorliegende Erfindung betrifft eine Vorrichtung und ein Verfahren zur Defekterkennung in der additiven Fertigung und betrifft insbesondere die Defekterkennung während des Vorgangs der additiven Fertigung.
[0002] Metallische additive Fertigung (3D Druck) beschreibt Fertigungsverfahren metallischer Bauteile, bei denen Material Schicht für Schicht aufgetragen und so dreidimensionale Gegenstände erzeugt werden. Bei einem davon, dem selektiven Laserschmelzen (SLM) oder auch Laser Powder Bed Fusion Verfahren (LPBF) genannt, wird dabei ein metallisches Pulver schichtweise derart verschmolzen, bis es die gewünschte Geometrie hat. Dieses Fertigungsverfahren erlaubt, komplexe Geometrien aus einem Teil herzustellen, für die in der konventionellen Fertigung bspw. im CNC Verfahren mehrere Bauteile produziert und miteinander verbunden werden müssen. Das Verfahren ist darüber hinaus insbesondere bei der Fertigung von Kleinserien hin zur Losgröße 1 kostengünstig. Ein weiteres Verfahren, für das sich die Defekterkennung ebenso anwenden lässt, ist die sogenannte Direct Energy Deposition Methode, bei der entweder ein Draht oder Pulver verschmolzen wird, um so komplexe Geometrien aufzubauen.
[0003] Eine Herausforderung ist die frühzeitige Fehlererkennung, die Reproduzierbarkeit und die Zertifizierung von Maschinen und Bauteilen, welche insbesondere in der Luftfahrtindustrie von großer Bedeutung ist. Verfahren aus dem Stand der Technik setzen bspw. auf Computertomographiescans, d.h. das bereits produzierte Bauteil wird mittels eines Computertomographen gescannt und nach Fehlern untersucht. Einerseits ist das Verfahren teuer, da entweder der Computertomographiescanner erforderlich ist oder aber ein zeitaufwendiger Transport zu einem Anbieter für Computertomographiescans notwendig ist. Beide Fälle verteuern die Produktion. Andere Verfahren aus dem Stand der Technik setzen auf die optische Kontrolle durch im Drucker angebrachte Kameras mit in der Druckkammer angebrachte Temperaturmesseinheiten, um die Temperatur im Schmelzbad (melting pool) zu überwachen. Optische Verfahren sind einerseits fehleranfällig, da sie vom Bediener, d.h. dessen Erfahrung und Konzentrationsfähigkeit, abhängig sind. Zum anderen können mit diesem Verfahren, wie auch im CT-Scan, Fehler nur ex post, nach Abschluss des Fertigungsprozesses erkannt werden. Metallische Legierungen die bspw. in der Luftfahrt eingesetzt werden, kosten teilweise mehr als 800US$/kg. Wenn ein Fehler nach der Herstellung gefunden wird, ist das Pulver verloren, was die Herstellungskosten, abhängig von der Defektrate, weiterhin erhöht. Fehlererkennung mittels temperaturbasierter Verfahren sind fehleranfällig basieren auf Heuristiken und sind nicht oder nur teil automatisiert, d.h. ein menschlicher Entscheider muss letztendlich den Fehler erkennen.
[0004] Daher ist ein Verfahren erstrebenswert, welches in-situ, das heißt während des Fertigungsprozesses, vollautomatisiert Fehler erkennt, anzeigt und, ggf., die Prozessparameter so korrigiert, dass der Druck entweder erfolgreich abgeschlossen wird oder aber der Druck vollständig oder teilweise abgebrochen wird, wenn ein Fertigungsdefekt festgestellt wird. Ein solches Verfahren kann die Druckkosten maßgeblich senken und zugleich die Herstellungsdauer reduzieren.
[0005] Es ist Aufgabe der Erfindung, die Nachteile aus dem Stand der Technik zu beseitigen und eine Vorrichtung und ein Verfahren bereitzustellen, die die in-situ-Defekterkennung bei additiver Fertigung ermöglicht. [0006] Im Folgenden werden relevante Defekttypen in der additiven Fertigung erläutert.
[0007] Porosität und Dichte: Porosität wird durch kleine Vertiefungen oder Löcher beschrieben, die sich im Bauteil gebildet haben und damit die Materialdichte im betrachteten Abschnitt reduzieren. Die Reduktion der Dichte führt dazu, dass das Bauteil schneller ermüdet und schließlich bricht. Die Löcher sind oftmals fast sphärisch und kleiner als lOOpm. Des Weiteren verteilen sich die Vertiefungen fast gleich über eine bestimmte Fläche. Die Gründe, warum Porosität entsteht, sind vielfältig, involvieren u.a. aber im atomisierten Pulver eingeschlossene Gasblasen, die aufgrund zu geringer Strahlungsleistung des Lasers nicht verdrängt werden und damit eine vollständige Verschmelzung des Pulvers verhindern.
[0008] Unvollständige Verschmelzung (Incomplete Fusion Holes): Einzelne Schichten oder Hatches verschmelzen unvollständig und bilden verschieden geformte Löcher. Die Löcher haben keine klare Struktur wie bei der Porosität.
[0009] Rissbildung, Delamination und Verzug: Spannung, die in einem Bauteil durch das schnelle Erhitzen und Abkühlen entsteht, kann zu Defekten wie Rissbildung (Cracking), d.h. es gibt Brüche im Bauteil, Delamination, d.h. die gefertigten Schichten lösen sich voneinander oder aber zu Verzug (Warpage), d.h. Oberfläche biegen sich, führen. Rissbildung, Delamination und Verzug unterscheiden sich von den o.g. Defekttypen durch ihre großflächige Ausbreitung, können aber durch ein Vorliegen o.g. Defekte induziert werden. Durch die Simulation des additiven Fertigungsprozesses mittels Finite-Elemente-Methoden (FEM) können die hier genannten Defekte zumindest teilweise vorhergesagt werden, dies betrifft insbesondere den Verzug und die Temperaturausbreitung. Entsprechende Gegenmaßnahmen wie die Verstärkung der Stützstruktur (Support) können somit getroffen werden.
[0010] Oberflächenbeschaffenheit (Surface Finishing): der Druckprozess hinterlässt auf Bauteilen eine bestimmte Oberflächenrauigkeit, welche maßgeblich vom Material, der Schichtstärke und den verwendeten Druckparametern abhängt. Das Sandstrahlen von Bauteilen in der Nachbearbeitung ist Standard, aber auch elektrochemische Nachbearbeitung wird angewendet. Eine unzureichende Verschmelzung durch den Laser kann zu optisch ungenügenden Oberflächen führen, welche selbst durch Nachbearbeitungsschritte nicht entfernt werden können.
[0011] Die Aufgabe wird gelöst durch die Lehre der nebengeordneten Ansprüche.
[0012] Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
[0013] In einem ersten Offenbarungsgegenstand wird ein Verfahren zur Erkennung von Fertigungsfehlern während der additiven Fertigung eines Fertigungsobjekts offenbart, das die Schritte aufweist, Vorsehen eines Kamerasystems an oder in einem Bauraum einer additiven Fertigungsvorrichtung, Bestimmen eines Kamerasystempfades des Kamerasystems während der Fertigung des Fertigungsobjekts, Fertigung des Fertigungsobjektes in mehreren Fertigungsschritten, wobei während der Fertigung das Kamerasystem den Kamerasystempfad abfährt und an vorbestimmten Positionen Bildaufnahmen des Fertigungsobjekts aufnimmt und abspeichert, Ermitteln einer Bildtiefenkarte für mindestens eine Sequenz aus mindestens zwei Bildaufnahmen, Ermitteln einer Gesamttiefenkarte aus allen Bildtiefenkarten für einen Fertigungsschritt, Ermitteln einer 3-dimensionalen Ausgestaltung des Fertigungsobjekts aus der Gesamttiefenkarte.
[0014] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Abgleich der 3-dimensionalen Ausgestaltung mit einer 3-dimensionalen Soll-Ausgestaltung, Ermittlung von Abweichungen zwischen der 3- dimensionalen Ausgestaltung und der 3-dimensionalen Soll-Ausgestaltung, Bewertung der im Abweichungsermittlungsschritt ermittelten Abweichung, wenn Abweichungen ermittelt werden, Ausgabe einer Abweichungsbewertung.
[0015] Ferner wird offenbart, dass das Kamerasystem ein Stereokamerasystem ist, das zeitgleich zwei Bildaufnahmen des Fertigungsobjekts aufnimmt, abspeichert und die Ermittlung der lokalen Tiefenkarte aus den zwei zeitgleich aufgenommenen Bildern ermittelt.
[0016] Ferner wird offenbart, dass der Bildtiefenkarten-Ermittlungsschritt, der Gesamttiefenkartenermittlungsschritt, der 3-dimensionale-Ausgestaltungs-Ermittlungsschritt, der Abgleichschritt, der Abweichungsermittlungsschritt und/oder der Bewertungsschritt nach Abschluss der Fertigung des Fertigungsobjekts erfolgen.
[0017] Ferner wird offenbart, dass der Lokale-Tiefenkarten-Ermittlungsschritt, der Globale-
Tiefenkartenermittlungsschritt, der 3-dimensionale-Ausgestaltungs-Ermittlungsschritt, der Abgleichschritt, der Abweichungsermittlungsschritt und/oder der Bewertungsschritt nach Abschluss eines der Fertigungsschritte der Fertigung des Fertigungsobjekts erfolgen.
[0018] Ferner wird offenbart, dass im 3-Dimensionale-Ausgestaltungs-Ermittlungsschritt die globalen
Tiefenkarte mehrerer Fertigungsschritte berücksichtigt werden.
[0019] Ferner wird offenbart, dass die Anzahl der berücksichtigten Fertigungsschritte n > 20 und n < 100 ist.
[0020] Ferner wird offenbart, dass im Lokale-Tiefenkarten-Ermittlungsschritt die lokale Tiefenkarte dadurch ermittelt wird, dass eine erste Bildaufnahme so transformiert wird, dass sie einer zweiten Bildaufnahme entspricht und bei derTransformation die lokale Tiefenkarte durch einen Tiefenkartenbestimmungsalgorithmus aus der Klasse der überwachten oder selbstüberwachten Machine-Learning Verfahren erzeugt wird.
[0021] Ferner wird offenbart, dass der Tiefenkartenbestimmungsalgorithmus durch Anlernen eines künstlichen neuronalen Netzes mittels mindestens einer bekannten ersten Bildaufnahme, einer bekannten zweiten Bildaufnahme und einer bekannten lokalen Tiefenkarte erfolgt.
[0022] Ferner wird offenbart, dass bei der Transformation der ersten Bildaufnahme in die zweite
Bildaufnahme die Geschwindigkeit, mit der sich das Kamerasystem bewegt berücksichtigt wird.
[0023] Ferner wird offenbart, dass die Position, die Positionsänderung, Ausrichtung oder die
Ausrichtungsänderung des Kamerasystems erfasst wird und bei derTransformation der ersten Bildaufnahme in die zweite Bildaufnahme die Position, die Positionsänderung, Ausrichtung oder die Ausrichtungsänderung des Kamerasystems als Eingangsgröße aufgenommen und daraus die Tiefenkarte ermittelt wird.
[0024] Ferner wird offenbart, dass die Kameraposition aus den Pfadinformationen, der relativen Verschiebung der Bildaufnahmen, durch Positionssensorinformationen oder durch Informationen aus den Drehgebern der Stellmotoren des Kamerasystems ermittelt wird.
[0025] Ferner wird offenbart, dass im 3-dimensionale-Ausgestaltungs-Ermittlungsschritt die 3-dimensionale Ausgestaltung durch Anwendung der Algorithmen wie z.B. Powercrust, Marching cube, Poisson Surface Reconstruction oder Floppes Reconstruction erfolgt. [0026] Ferner wird offenbart, dass das Kamerasystem Licht im Infrarotbereich, insbesondere im nahen Infrarotbereich erfassen kann, und dass ferner den Schritt aufweist: Erfassen einer Temperaturkarte des Fertigungsobjekts während eines Fertigungsschritts.
[0027] Ferner wird offenbart, dass eine Vorrichtung zur additiven Fertigung eingerichtet ist, ein Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
[0028] In einem zweiten Offenbarungsgegenstand wird ein Verfahren zur Erkennung von Fertigungsfehlern während additiver Fertigung eines Fertigungsobjekts offenbart, das die Schritte aufweist: Vorsehen eines Erfassungslasersystems an oder in einem Bauraum der additiven Fertigungsvorrichtung Fertigung des Fertigungsobjektes in mehreren Fertigungsschritten mittels eines Fertigungslasers in dem Bauraum der additiven Fertigungsvorrichtung, Verwendung eines Lasers in einem Bauraum einer additiven Fertigungsvorrichtung zur Ermittlung von Eigenschaften eines Fertigungsobjekts.
[0029] Ferner wird offenbart, dass die ermittelten Eigenschaften eine 3-dimensionale Ausgestaltung und/oder eine Oberflächentemperatur sind.
[0030] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Abgleich der 3-dimensionalen Ausgestaltung mit einer 3-dimensionalen Soll-Ausgestaltung, Ermittlung von Abweichungen zwischen der 3- dimensionalen Ausgestaltung und der 3-dimensionalen Soll-Ausgestaltung,
[0031] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Bewertung der im Abweichungsermittlungsschritt ermittelten Abweichung, wenn eine Abweichung ermittelt wird, Ausgabe einer Abweichungsbewertung.
[0032] Ferner wird offenbart, dass die 3-dimensionale Ausgestaltung mittels gepulster Distanzmessung, AMCW-Distanzmessung oder FMCW-Distanzmessung erfolgt.
[0033] Ferner wird offenbart, dass der Erfassungslaser der Fertigungslaser der additiven Fertigungsvorrichtung ist.
[0034] Ferner wird offenbart, dass der Erfassungslaser ein Laser separat von dem Fertigungslaser der additiven Fertigungsvorrichtung ist.
[0035] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Vorsehen eines teilspiegelnden Spiegels, der so angeordnet ist, dass ein Strahl des Lasers von der transparenten Seite hindurchtritt und ein von dem Fertigungsobjekt reflektierter Strahl von dem teilspiegelnden Spiegel reflektiert wird, Vorsehen eines fixen Spiegels, wobei die Oberflächen des teilspiegelnden Spiegels und des fixen Spiegels so ausgestaltet sind, dass ein von dem Fertigungsobjekt reflektierter Strahl auf einen eindimensionalen, vorzugsweise kreisförmigen Bereich reflektiert wird, und Vorsehen von mindestens einem Sensor an dem eindimensionalen Bereich, der eingerichtet ist, den reflektierten Strahl zu erfassen.
[0036] Ferner wird offenbart, dass die Oberflächen des teilspiegelnden Spiegels und des fixen Spiegels quasi parabolisch ausgestaltet sind.
[0037] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Vorsehen eines um eine erste Achse rotierenden Reflektors, Vorsehen eines fixen Spiegels, der senkrecht zur ersten Achse kreissegmentförmig ausgestaltet ist, und so angeordnet ist, dass sich der rotierende Reflektor im Kreissegmentmittelpunkt befindet und eine solche Oberfläche aufweist, dass zum Kreissegment radial verlaufender Strahl parallel zur ersten Achse reflektiert wird und auf eine Bauschicht fokussiert wird, Vorsehen einer Laserempfangsvorrichtung, Rotieren des rotierenden Reflektors um die erste Achse, Richten eines Laserstrahls auf den rotierenden Reflektor, Reflektieren des Laserstrahls durch den rotierenden Reflektor in Richtung des fixen Spiegels, Reflektieren des Laserstrahls durch den fixen Spiegel in Richtung des Fertigungsobjekts, Reflektieren des Laserstrahls durch das Fertigungsobjekt in Richtung des fixen Spiegels, Reflektieren des reflektierten Laserstrahls durch den fixen Spiegel in Richtung des rotierenden Reflektors, Reflektieren des reflektieren Laserstrahls durch den rotierenden Reflektor zu einem Laserempfänger, Erfassen des reflektieren Laserstrahls durch die Laserempfangsvorrichtung.
[0038] Ferner wird eine Vorrichtung zur additiven Fertigung offenbart, die eingerichtet ist, ein Verfahren nach den vorhergehenden Verfahrensansprüchen auszuführen.
[0039] Ferner wird offenbart, dass die Vorrichtung ferner aufweist: eine Laserempfangsvorrichtung, die eingerichtet ist, einen von einem Werkstück reflektierten Laser- Strahl zu empfangen, eine Berechnungseinheit, die eingerichtet ist, aus Ausrichtung, Intensität, Frequenz, Modulation oder Empfangszeit eine Laufzeit des Lasers ab dessen Emission zu bestimmen und damit die Abmessungen des Werkstücks zu bestimmen.
[0040] Ferner wird offenbart, dass die Vorrichtung ferner aufweist: einen Laseremitter, der so angeordnet und eingerichtet ist, einen Laserstrahl zu emittieren, mittels dem im Zusammenspiel mit der Laserempfangsvorrichtung eine Laufzeit des Lasers ab dessen Emission zu bestimmen und damit die Abmessungen des Werkstücks zu bestimmen.
[0041] Ferner wird offenbart, dass die Vorrichtung aufweist: eine Anordnung optisch wirksamer Elemente, die so ausgestaltet ist, dass der Laserstrahl im Erfassungsbereich senkrecht auf die Bauschicht auftrifft.
[0042] Ferner wird offenbart, dass die Vorrichtung aufweist: einen um eine erste Achse rotierbaren Reflektor, einen fixen Spiegel, der senkrecht zur ersten Achse kreissegmentförmig ausgestaltet ist, und so angeordnet ist, dass sich der rotierbare Reflektor im Kreissegmentmittelpunkt befindet und eine solche Oberfläche aufweist, dass ein zum Kreissegment radial verlaufender Strahl parallel zur ersten Achse reflektiert wird und auf eine Bauschicht fokussiert wird.
[0043] In einem dritten Offenbarungsgegenstand wird ein Verfahren zur Verhinderung von Fertigungsfehlern während additiver Fertigung eines Fertigungsobjekts offenbart, das die Schritte aufweist: Vorsehen eines Erfassungssystems in der additiven Fertigungsvorrichtung zur Erfassung mindestens einer Eigenschaft des Fertigungsobjekts, Fertigung des Fertigungsobjektes in mehreren Fertigungsschritten, wobei während der Fertigung das Erfassungssystem die mindestens eine Eigenschaft des Fertigungsobjekts ermittelt, Abgleich der mindestens einen Eigenschaft mit einem Sollzustand der Eigenschaft, Ermittlung von Abweichungen zwischen der mindestens einen Eigenschaft und dem Sollzustand der Eigenschaft, Bewertung der im Abweichungsermittlungsschritt ermittelten Abweichung, wenn Abweichungen ermittelt werden, Ermittlung einer Anpassung von mindestens einem Prozessparameter, basierend auf der im Abweichungsermittlungsschritt ermittelten Abweichung zur Reduktion der Abweichung im weiteren Fertigungsfortgang, Anwendung der im Anpassungsermittlungsschritt ermittelten Anpassung des mindestens einem Prozessparameters.
[0044] Ferner wird offenbart, dass der mindestens eine Prozessparameter einer oder mehrere aus der Gruppe von Bauraumtemperatur, Fertigungslaserintensität oder Fertigungsgeschwindigkeit ist. [0045] Ferner wird offenbart, dass das Erfassungssystem ein Kamerasystem und/oder ein Projektor- Kamerasystem und/oder ein Lasererfassungssystem zur Erfassung einer dreidimensionalen Ausgestaltung des Fertigungsobjekts oder zur Erfassung einer Oberflächentemperatur des Fertigungsobjekts ist.
[0046] Ferner wird offenbart, dass die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines modellfreien Algorithmus erfolgt.
[0047] Ferner wird offenbart, dass die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines künstlichen neuronalen Netzes zur Modellierung von Übergangswahrscheinlichkeiten oder optimalen Handlungssequenzen erfolgt. Als eine Handlung wird dabei die Anpassung eines Prozessparameters infolge einer Veränderung in einer Zustandsvariable (state variable), bspw. der Temperatur im Schmelzpool, verstanden.
[0048] Ferner wird offenbart, dass die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines modellbasierten Algorithmus erfolgt.
[0049] Ferner wird offenbart, dass die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines künstlichen neuronalen Netzes zur Modellierung von optimierten Sequenzen von Änderungen von Prozessparametern basierend auf einer Systemmodellierung zur Überführung der additiven Fertigungsvorrichtung von einem Ist-Zustand in einen Soll-Zustand erfolgt.
[0050] Ferner wird offenbart, dass für dynamische Randomisierung und Domain-Randomisierung (Dynamics / Domain Randomization) Umweltparameter während einer Systemsimulation variiert werden, um das künstliche neuronale Netz zu höherer Generalisierung zu zwingen.
[0051] Ferner wird offenbart, dass die Eigenschaft eine Veränderung einer Wärmeabstrahlung einer Schicht durch Auftrag einer Schicht mit Rohmaterial ist, wobei in einem ersten Schritt vor einem Auftrag der Schicht mit dem Rohmaterial eine erste Temperaturverteilung auf der sichtbaren Oberfläche der Schicht erfasst wird, in einem zweiten Schritt, der ausgeführt wird, nachdem die Schicht des Rohmaterials aufgetragen wurde, eine zweite Temperaturverteilung auf der sichtbaren Oberfläche der Schicht des Rohmaterials erfasst wird und in einem dritten Schritt die erste und die zweite Temperaturverteilung miteinander verglichen und Bereiche identifiziert werden, in denen die zweite Temperaturverteilung von einem Sollwert abweicht.
[0052] Ferner wird offenbart, dass aus der ersten Temperaturverteilung und der zweiten Temperaturverteilung eine Temperaturdifferenzkarte gebildet wird und die in der Temperaturdifferenzkarte ermittelten Temperaturdifferenzen mit erwarteten Temperaturdifferenzen als Sollwert verglichen werden, um die Bereiche zu identifizieren, in denen die Temperaturdifferenzen von den Sollwerten abweichen.
[0053] Ferner wird offenbart, dass in den identifizierten Bereichen der Auftrag der Schicht mit dem Rohmaterial korrigiert wird.
[0054] Offenbart wird eine Vorrichtung zur additiven Fertigung, die eingerichtet ist, ein Verfahren nach den vorhergehenden Verfahrensansprüchen auszuführen.
[0055] In einem vierten Offenbarungsgegenstand wird ein Verfahren zur Erkennung von Fertigungsfehlern während der additiven Fertigung eines Fertigungsobjekts offenbart, das die Schritte aufweist: Vorsehen eines Kamerasystems an oder in einem Bauraum einer additiven Fertigungsvorrichtung bestimmen eines Kamerasystempfades des Kamerasystems während der Fertigung des Fertigungsobjekts in mehreren Fertigungsschritten, wobei während der Fertigung das Kamerasystem den Kamerasystempfad abfährt und an vorbestimmten Positionen Bildaufnahmen des Fertigungsobjekts aufnimmt und abspeichert, Ermitteln einer Bildtiefenkarte für mindestens eine Sequenz aus mindestens zwei Bildaufnahmen, Ermitteln einer Gesamttiefenkarte aus allen Bildtiefenkarten für einen Fertigungsschritt, Ermitteln einer 3-dimensionalen Ausgestaltung des Fertigungsobjekts aus der Gesamttiefenkarte, Verwendung eines Lasers zum Abtasten einer Bauschicht in dem Bauraum einer additiven Fertigungsvorrichtung zur Ermittlung von Eigenschaften eines Fertigungsobjekts.
[0056] Ferner wird offenbart, dass die ermittelten Eigenschaften eine 3-dimensionale Ausgestaltung und/oder eine Oberflächentemperatur sind.
[0057] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Abgleich der 3-dimensionalen Ausgestaltung mit einer 3-dimensionalen Soll-Ausgestaltung, Ermittlung von Abweichungen zwischen der 3- dimensionalen Ausgestaltung und der 3-dimensionalen Soll-Ausgestaltung, Bewertung der im
Abweichungsermittlungsschritt ermittelten Abweichung, wenn Abweichungen ermittelt werden, Ausgabe einer Abweichungsbewertung.
[0058] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Abgleich der 3-dimensionalen Ausgestaltung mit einer 3-dimensionalen Soll-Ausgestaltung, Ermittlung von Abweichungen zwischen der 3- dimensionalen Ausgestaltung und der 3-dimensionalen Soll-Ausgestaltung, Bewertung der im
Abweichungsermittlungsschritt ermittelten Abweichung, wenn Abweichungen ermittelt werden, Ausgabe einer Abweichungsbewertung.
[0059] Ferner wird offenbart, dass das Kamerasystem ein Stereokamerasystem ist, das zeitgleich zwei Bildaufnahmen des Fertigungsobjekts aufnimmt, abspeichert und die Ermittlung der lokalen Tiefenkarte aus den zwei zeitgleich aufgenommenen Bildern ermittelt wird.
[0060] Ferner wird offenbart, dass die ermittelten Eigenschaften eine 3-dimensionale Ausgestaltung und/oder eine Oberflächentemperatur sind.
[0061] Ferner wird offenbart, dass das Verfahren ferner den Schritt aufweist: Kalibrieren des Lasers mittels einer durch das Kamerasystem erzeugten Bildaufnahme, Erzeugung einer Laser-Disparitätskarte (Disparity Map) aus den mit dem Laser ermittelten Daten für den gleichen Bildausschnitt wie der durch das Kamerasystem aufgenommenen Bildaufnahme, Erzeugen einer Bild-Disparity Map aus den mit dem Kamerasystem ermittelten Daten, Erzeugen einer Gesamt-Disparity Map aus der Laser-Disparity Map und der Bild-Disparity Map. Erzeugen einer 3-dimensionalen Ausgestaltung des Fertigungsobjekts basierend auf der Gesamt-Disparity Map.
[0062] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Vorsehen eines teilspiegelnden Spiegels, der so angeordnet ist, dass ein Strahl des Lasers von der transparenten Seite hindurchtritt und ein von dem Fertigungsobjekt reflektierter Strahl von dem teilspiegelnden Spiegel reflektiert wird, Vorsehen eines fixen Spiegels, wobei die Oberflächen des teilspiegelnden Spiegels und des fixen Spiegels so ausgestaltet sind, dass ein von dem Fertigungsobjekt reflektierter Strahl auf einen eindimensionalen, vorzugsweise kreisförmigen Bereich reflektiert wird, und Vorsehen von mindestens einem Sensor an dem eindimensionalen Bereich, der eingerichtet ist, den reflektierten Strahl zu erfassen.
[0063] Ferner wird offenbart, dass die Oberflächen des teilspiegelnden Spiegels und des fixen Spiegels quasi parabolisch ausgestaltet sind. [0064] Ferner wird offenbart, dass das Verfahren ferner die Schritte aufweist: Vorsehen eines um eine erste Achse rotierenden Reflektors, Vorsehen eines fixen Spiegels, der senkrecht zur ersten Achse kreissegmentförmig ausgestaltet ist, und so angeordnet ist, dass sich der rotierende Reflektor im Kreissegmentmittelpunkt befindet und eine solche Oberfläche aufweist, dass zum Kreissegment radial verlaufender Strahl parallel zur ersten Achse reflektiert wird und auf eine Bauschicht fokussiert wird, Vorsehen einer Laserempfangsvorrichtung, Rotieren des rotierenden Reflektors um die erste Achse, Richten eines Laserstrahls auf den rotierenden Reflektor, Reflektieren des Laserstrahls durch den rotierenden Reflektor in Richtung des fixen Spiegels, Reflektieren des Laserstrahls durch den fixen Spiegel in Richtung des Fertigungsobjekts, Reflektieren des Laserstrahls als reflektieren Laserstrahl durch das Fertigungsobjekt in Richtung des fixen Spiegels, Reflektieren des reflektierten Laserstrahls durch den fixen Spiegel in Richtung des rotierenden Reflektors, Reflektieren des reflektieren Laserstrahls durch den rotierenden Reflektor zu einem Laserempfänger, Erfassen des reflektieren Laserstrahls durch die Laserempfangsvorrichtung.
[0065] Ferner wird offenbart, dass der Bildtiefenkarten-Ermittlungsschritt, der Gesamttiefenkartenermittlungsschritt, der 3-dimensionale-Ausgestaltungs-Ermittlungsschritt, der Abgleichschritt, der Abweichungsermittlungsschritt und/oder der Bewertungsschritt nach Abschluss der Fertigung des Fertigungsobjekts erfolgen.
[0066] Ferner wird offenbart, dass der Lokale-Tiefenkarten-Ermittlungsschritt, der Globale-
Tiefenkartenermittlungsschritt, der 3-dimensionale-Ausgestaltungs-Ermittlungsschritt, der Abgleichschritt, der Abweichungsermittlungsschritt und/oder der Bewertungsschritt nach Abschluss eines der Fertigungsschritte der Fertigung des Fertigungsobjekts erfolgen.
[0067] Ferner wird offenbart, dass im 3-Dimensionale-Ausgestaltungs-Ermittlungsschritt die globalen Tiefenkarte mehrerer Fertigungsschritte berücksichtigt werden.
[0068] Ferner wird offenbart, dass die Anzahl der berücksichtigten Fertigungsschritte n > 20 und n < 100 ist.
[0069] Ferner wird offenbart, dass der Erfassungslaser der Fertigungslaser der additiven
Fertigungsvorrichtung ist.
[0070] Ferner wird offenbart, dass der Erfassungslaser ein Laser separat von dem Fertigungslaser der additiven Fertigungsvorrichtung ist.
[0071] Ferner wird eine Vorrichtung zur additiven Fertigung offenbart, die eingerichtet ist, ein Verfahren nach einem der vorhergehenden Absätze auszuführen.
[0072] Im Folgenden werden Ausführungsbeispiele anhand der Figuren beschrieben.
[0073] Figur 1 zeigt eine Darstellung eines ersten Ausführungsbeispiels einer erfindungsgemäßen Vorrichtung zum Aufbau eines dreidimensionalen Fertigungsobjekts.
[0074] Figur 2 zeigt einen Bauraum der Vorrichtung aus Figur 1.
[0075] Figur 3 zeigt eine Sensoranordnung des ersten Ausführungsbeispiels.
[0076] Figur 4 zeigt eine Darstellung eines zweiten Ausführungsbeispiels der erfindungsgemäßen Vorrichtung zum Aufbau eines dreidimensionalen Fertigungsobjekts. [0077] Figur 5 zeigt eine Darstellung eines dritten Ausführungsbeispiels der erfindungsgemäßen Vorrichtung zum Aufbau eines dreidimensionalen Fertigungsobjekts.
[0078] Figur 6 zeigt eine Darstellung zur stereoskopischen Tiefenermittlung.
[0079] Figur 7 zeigt eine Punktewolke und ein zugehöriges Dreiecksnetz (Oberflächendarstellung).
[0080] Figur 8 zeigt ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens zur 3D-Rekonstruktion.
[0081] Figur 9 zeigt eine Darstellung einer ersten Abwandlung der erfindungsgemäßen Vorrichtungen zum Aufbau eines dreidimensionalen Fertigungsobjekts gemäß den Ausführungsbeispielen.
[0082] Figur 10 zeigt eine Darstellung einer zweiten Abwandlung der erfindungsgemäßen Vorrichtungen zum Aufbau eines dreidimensionalen Fertigungsobjekts gemäß den Ausführungsbeispielen.
[0083] Figur 11 zeigt eine Schnittdarstellung der zweiten Abwandlung der erfindungsgemäßen Vorrichtungen zum Aufbau eines dreidimensionalen Fertigungsobjekts gemäß den Ausführungsbeispielen.
ERSTES AUSFÜHRUNGSBEISPIEL
[0084] Im Folgenden wird anhand von Fig. 1 ein Grundaufbau eines ersten Ausführungsbeispiels einer Vorrichtung zum Erzeugen eines dreidimensionalen Objekts (nachfolgend auch Erzeugungsvorrichtung, Lasersintervorrichtung, LSM oder Drucker genannt) durch schichtweises Verfestigen eines Aufbaumaterials, die gemäß einer Ausführungsform als Lasersintervorrichtung ausgebildet ist, beschrieben. Bei der Erzeugungsvorrichtung 1 werden Schichten des Aufbaumaterials sukzessiv übereinander aufgetragen und die dem zu fertigenden Objekt entsprechenden Stellen in den jeweiligen Schichten werden jeweils vor dem Aufträgen einer nachfolgenden Schicht selektiv verfestigt. Bei der dargestellten Ausführungsform wird ein pulverförmiges Aufbaumaterial verwendet, das durch Einwirkung eines Energiestrahls an ausgewählten Stellen verfestigt wird. Das pulverförmige Aufbaumaterial wird bei der dargestellten Ausführungsform mittels eines Laserstrahls an den ausgewählten Stellen lokal erhitzt, sodass es mit benachbarten Bestandteilen des Aufbaumaterials durch Sintern oder Aufschmelzen verbunden wird.
[0085] Wie in Fig. 1 dargestellt ist, weist die Erzeugungsvorrichtung 1 ein Optiksystem auf, dessen Bauteile jeweils an den Komponenten des Maschinenrahmens befestigt sind. In dem Maschinenrahmen ist ein Bauraum 10 vorgesehen.
[0086] Bei der dargestellten Ausführungsform beinhaltet das Optiksystem einen Laser 6, einen Umlenkspiegel 7 und einen Scanner 8. Der Laser 6 erzeugt einen Strahl 9, der auf den Umlenkspiegel 7 trifft und von diesem in Richtung des Scanners 8 umgelenkt wird. Der Scanner 8 ist in bekannter Weise derart ausgebildet, dass er den eintreffenden Strahl 9 auf beliebige Stellen in einer Bauschicht (current layer) 11 richten kann, die sich in dem Bauraum 10 befindet. Um dies zu ermöglichen, ist zwischen dem Scanner 8 und dem Bauraum 10 in einer oberen Trennwand 5 des Bauraums 10 ein Eintrittsfenster 12 vorgesehen, das ein Durchtreten des Strahls 9 in den Bauraum 10 ermöglicht. Eine F-q Linse 14 ist im Pfad des Strahls 9 angeordnet und richtet den Strahl 9 senkrecht auf die Bauschicht 11.
[0087] Als Nächstes wird mit Bezug auf Fig. 2 der Bauraum der Vorrichtung bei der Ausführungsform beschrieben.
[0088] In dem Bauraum 10 ist ein nach oben offener Behälter 25 vorgesehen. In dem Behälter 25 ist eine Trägervorrichtung 26 zum Tragen eines zu bildenden dreidimensionalen Objekts angeordnet. Die Trägervorrichtung 26 ist mittels eines nicht dargestellten Antriebs in der vertikalen Richtung in dem Behälter 25 hin und her bewegbar. Am oberen Ende der Trägervorrichtung 26 ist eine Bauplatte (build plate) 13 vorgesehen, die mit der Trägervorrichtung 26 vertikal verfahrbar ist. Auf der Bauplatte 13 ist das dreidimensionale Objekt während seiner Fertigung angeordnet. Im Bereich des oberen Randes des Behälters
25 ist die aktuelle Bauschicht 11 (current layer), d.h. die Schicht, die sich gerade in der Fertigung befindet, definiert. Das Eintrittsfenster 12 für den durch den Scanner 8 auf die Bauschicht 11 gerichteten Strahl 9 ist oberhalb der Bauschicht 11 angeordnet. Es ist ein Beschichter 27 (Recoater) zum Aufträgen von zu verfestigendem Aufbaumaterial auf die Oberfläche der Trägervorrichtung 26 bzw. eine zuvor verfestigte Schicht vorgesehen. Der Beschichter 27 ist mittels eines durch Pfeile in Fig. 2 schematisch angedeuteten Antriebs in der horizontalen Richtung über der Bauschicht 11 bewegbar. Auf beiden Seiten der Bauschicht 11 sind Dosiervorrichtungen 28 vorgesehen, die eine vorbestimmte Menge des Aufbaumaterials für den Beschichter 27 zum Aufträgen bereitstellen.
[0089] Auf der Seite der Dosiervorrichtung 28 ist eine Zufuhröffnung 30 vorgesehen. Die Zufuhröffnung 30 erstreckt sich in der Richtung senkrecht zu der Darstellungsebene von Fig. 5 über die gesamte Breite der Bauschicht 11. Die Zufuhröffnung dient dazu, Aufbaumaterial, das bei der dargestellten Ausführungsform ein durch Strahlung verfestigbares Pulvermaterial ist, in den Bauraum zuzuführen.
[0090] Wie in Fig. 2 schematisch dargestellt ist, ist der Bauraum bei der Ausführungsform in einen oberen Bereich 40 und einen unteren Bereich 41 unterteilt. Der obere Bereich 40 bildet den eigentlichen- Arbeitsbereich, in dem ein schichtweiser Auftrag des Aufbaumaterials und dessen selektive Verfestigung erfolgen. Die Schichten erstrecken sich dabei in x-Richtung und y-Richtung in einer horizontalen Ebene. Der untere Bereich 41 nimmt den Behälter 25 auf.
[0091] Bei der gezeigten Ausführungsform sind einige Bauteile durch ein Verfahren zum schichtweisen Fierstellen eines dreidimensionalen Elements durch selektives Verfestigen von dem Objekt entsprechenden Stellen in den jeweiligen Schichten gebildet. Bei der Ausführungsform wird zu deren Fierstellung ein Lasersinterverfahren verwendet.
[0092] Bei dem Betrieb der Erzeugungsvorrichtung 1 wird das Aufbaumaterial über die Zufuhröffnung 30 in den Bauraum 10 zugeführt und mit den Dosiervorrichtungen 28, 29 in einer vorbestimmten Menge dem Beschichter 27 zugeführt. Der Beschichter 27 trägt eine Schicht des Aufbaumaterials auf der Trägervorrichtung
26 oder einer zuvor verfestigten Schicht auf und mittels des Lasers 6 und des Scanners 8 wird der Strahl 9 auf ausgewählte Positionen in der Bauschicht 11 gelenkt, um dort das Aufbaumaterial an den Stellen selektiv zu verfestigen, die dem zu bildenden dreidimensionalen Objekt entsprechen. Anschließend wird die Trägervorrichtung um die Dicke einer Schicht abgesenkt, eine neue Schicht aufgetragen und das Verfahren wiederholt, bis sämtliche Schichten des zu bildenden Objekts erzeugt sind.
[0093] Anhand von Fig. 3 wird eine Sensoranordnung gemäß dem ersten Ausführungsbeispiel erläutert. Ein Kamerasystem 50 ist im oberen Bereich 40 des Bauraums vorgesehen. An einem Schlitten 51 ist ein erstes Kameramodul 52 und ein zweites Kameramodul 53 vorgesehen. Das erste Kameramodul 52 und das zweite Kameramodul 53 sind im Wesentlichen nach unten ausgerichtet und in einem festen, bekannten Abstand d drehfest relativ zueinander angeordnet. Der Schlitten 51 ist an einem Träger 56 in einem Schienensystem befestigt. Über einen dritten Stellmotor 57 ist der Schlitten 51 entlang der horizontalen x-Achse verschiebbar. Über Schienen 58 und Stellmotoren 59 ist der Träger 56 entlang der horizontalen y-Achse verschiebbar. Durch diese Anordnung ist der Schlitten 51 und damit das erste Kameramodul 52 und das zweite Kameramodul 53 in der durch x- und y-Achse aufgespannten Ebene frei bewegbar und kann auf jeden Punkt des Werkstücks ausgerichtet werden.
[0094] Durch die Vorrichtung zum Erzeugen eines dreidimensionalen Objekts wird ferner ein LiDAR-System implementiert. Hierbei ist ein Laseremitter vorgesehen und wird durch den Laser-Emitter ein Mess-Laserstrahl erzeugt, der durch eine Umlenkvorrichtung auf das zu erfassende Objekt - im vorliegenden Fall die Bauschicht 11 - gelenkt wird. Die Umlenkvorrichtung ist dabei geeignet, den Laserstrahl auf jeden Punkt der Bauschicht 11 zu lenken, dessen Tiefe vermessen werden soll. Der Laserstrahl wird von der Oberfläche des zu vermessenden Objekts, d.h. in diesem Fall von der Oberfläche der Bauschicht 11, reflektiert. Ferner ist ein Laserempfänger vorgesehen, der die Reflexion des Laserstrahls erfasst. Aus der Signallaufzeit, d.h. der Zeitdifferenz zwischen Absenden und Empfangen des Laserstrahls und der Ausbreitungsgeschwindigkeit des Laserstrahls im entsprechenden Umgebungsmedium in und/oder außerhalb des Bauraums, wird unter Kenntnis der Anordnung des Laseremitters und des Laserempfängers und unter Kenntnis der Auslenkung der Umlenkvorrichtung die Distanz für jeden Messpunkt ermittelt.
[0095] Im vorliegenden Ausführungsbeispiel wird der Fertigungslaser 6 als Messlaser verwendet, wobei der Umlenkspiegel 7 und der Scanner 8 als Umlenkvorrichtung dienen. Der Laserempfängers ist (außerhalb) an oder im Brennraum 10 angeordnet und auf die Bauschicht 11 ausgerichtet.
ZWEITES AUSFÜHRUNGSBEISPIEL
[0096] Anhand von Fig. 4 wird ein zweites Ausführungsbeispiel der Erfindung erläutert. Das zweite Ausführungsbeispiel ist abgesehen von den nachfolgend beschriebenen Abweichungen identisch zu dem ersten Ausführungsbeispiel.
[0097] Anstelle des Kamerasystems 50 ist ein Kamerasystem 50' an dem Schlitten 51 vorgesehen. Das Kamerasystem weist ein Kameramodul 52' auf. Über einen ersten Stellmotor 54 lässt sich das Kameramodul 52' um die vertikale z-Achse rotieren und somit in der Ausrichtung in der vertikalen Ebene ändern. Über einen zweiten Stellmotor 55 lässt sich das Kameramodul 52' um die eine horizontale Achse, d.h. eine Achse senkrecht zur z-Achse rotieren und somit die Ausrichtung nach unten ändern. Durch diese Anordnung ist der Schlitten 51 und damit das Kameramodul 52' in der durch x- und y-Achse aufgespannten Ebene frei bewegbar und kann die Ausrichtung des ersten Kameramoduls 52' auf jeden Punkt des Werkstücks ausgerichtet werden.
DRITTES AUSFÜHRUNGSBEISPIEL
[0098] Anhand von Fig. 5 wird ein drittes Ausführungsbeispiel der Erfindung erläutert. Das dritte Ausführungsbeispiel ist abgesehen von den nachfolgend beschriebenen Abweichungen identisch zu dem ersten Ausführungsbeispiel.
[0099] Ein kreisrunder Lagerring 61 ist im oberen Bereich 40 des Bauraums 11 vorgesehen und ortsfest mit dem Gehäuse verbunden. Innerhalb des Lagerrings 61 ist ein Drehring 62 drehbargelagert. Überden Stellmotor 63 ist der Drehring 62 innerhalb des Lagerrings 61 frei drehbar. An dem Drehring 62 ist ein erstes Kameramodul 52"angebracht. Das Kameramodul 52" ist radial nach innen ausgerichtet. Hierbei ist das Kameramodul 52" um den Neigungswinkel a nach unten in Richtung der Bauschicht 11 geneigt. Der Neigungswinkel a ist vorausgewählt und fest. Durch den Neigungswinkel des Kameramoduls und die Drehbarkeit des Drehrings 62 ist jeder Bereich der Bauschicht 11 durch das Kameramodul erfassbar. An dem Drehring können weitere Kameramodule, beispielsweise ein zweites Kameramodul 53" angebracht sein. Das zweite Kameramodul 53" ist radial nach innen ausgerichtet und um einen Neigungswinkel ß nach unten in Richtung der Bauschicht 11 geneigt. Der Neigungswinkel ß ist vorausgewählt, fest und unterschiedlich zu dem Neigungswinkel a. Diese Anordnung erlaubt je nach Wahl der Neigungswinkel eine stereoskopische Erfassung in einem Durchgang, eine schnellere stereoskopische Erfassung mit jeweils einem Kameramodul durch paralleles Erfassen durch mehrere Kameras oder eine größere Bereichsabdeckung.
[0100] In einer Abwandlung dieses Ausführungsbeispiels sind die Neigungswinkel a und ß durch je einen Stellmotor veränderbar. Damit kann der durch das Kameramodul 52" und das Kameramodul 53" erfasste Bereich verändert werden. Dies erlaubt, Kameramodule mit einer größeren Brennweite zu verwenden, was die Auflösung erhöht, aber den erfassten Bereich verkleinert. Durch eine Veränderung der Neigungswinkel a und ß ist dennoch sichergestellt, dass der gesamte Bereich der Bauschicht 11 erfassbar bleibt.
DEFEKTERKENNUNG DURCH 3D REKONSTRUKTION IN DEN AUSFÜHRUNGSBEISPIELEN:
[0101] Ein erstes Verfahren zur in-situ Defekterkennung definiert einen Defekt als Abweichung (additiv oder reduktiv) zwischen der Oberfläche des gedruckten Bauteils gegenüber dem CAD Modell, die über eine festgelegte Toleranz hinausgehen. Dazu wird das Bauteil kontinuierlich dreidimensional während des Drucks rekonstruiert und mit dem Modell, typischerweise in einem CAD Format wie STL oder STEP verglichen, um Abweichungen zu erkennen.
REKONSTRUKTION AUS PUNKTWOLKEN UND RGB-D BILDERN:
[0102] Ein Verfahren zur Abstandsberechnung ist das sogenannte LiDAR System, welches einen Laserstrahl aussendet und damit (direkt oder indirekt) die Dauer misst, bis nach Emission eines Laserstrahls dessen Reflexion wieder am System zurück ist. Über Laufzeit und Lichtgeschwindigkeit ist dann ermittelbar, wie weit ein Objekt entfernt ist.
[0103] Stereokameras sind Systeme bestehend aus zwei oder mehr Kameras, die zeitgleich zwei oder mehr als zwei Bilder der gleichen Szene erzeugen und daraus die Tiefe ermitteln. Alternativ werden mit einer bewegbar angeordneten Kamera zeit- und ortsversetzt zwei Bilder der gleichen Szene aufgenommen und daraus die Tiefe ermittelt. Da beide Systeme bereits die Tiefendimensionen ermittelt haben, reduziert sich das Rekonstruktionsproblem auf die Segmentierung von geometrischen Objekten, d.h. die Feststellung, welcher Tiefenpunkt zum Objekt von Interesse gehört, und welcher Tiefenpunkt zur Oberfläche des nicht verarbeiteten Pulverbetts gehört und ignoriert werden kann.
[0104] Eine Möglichkeit zur Segmentierung ist die thermische Segmentierung. Bei der thermischen Segmentierung wird davon ausgegangen, dass ein Thermogramm existiert, dass die Objekte als auch mindestens ein Teil des umgebenden Pulverbetts umfasst. In den Ausführungsbeispielen sind die Kameramodule eingerichtet, Wärmestrahlung zu erfassen. Auf Basis des Thermogramms, Informationen über das verwendete Pulver und dessen entsprechendes thermisches Verhalten kann anhand des Temperaturgradienten (dT) die Zugehörigkeit entweder zum Pulverbett oder zum soliden Objekt bestimmt werden. Die Regel lautet dann, dT > S, wobei S eine untere Schranke ist, die experimentell ermittelt wird.
[0105] Alternativ zum Temperaturgradienten kann für jedes Pixel die Wahrscheinlichkeit (T) ermittelt werden, ob das Material, das von diesem Pixel abgedeckt wird, geschmolzen ist oder nicht. Dazu wird die bekannten physikalischen Eigenschaften des Materials und entsprechende Simulationsmethoden (Finite-Elemente o.ä.) verwendet. Anschließend, wenn die Wahrscheinlichkeit berechnet ist, wird eine geeignete Schranke (P) gewählt und wenn T > P, dann gehört dieses Pixel zum soliden Objekt, ansonsten zum Pulverbett. Zu berücksichtigen ist hier, dass auch unvollständig verschmolzene Bereiche (incomplete fusion holes) mit einer niedrigen Wahrscheinlichkeit belegt würden. Daher muss in einem letzten Schritt die Oberflächen noch gefunden werden, die als nicht geschmolzen markiert sind. Dabei werden die Bereiche mit T < P und einer Fläche kleiner als X Quadratpixel ignoriert und gehören somit zum gelaserten Bereich, X ist geeignet zu wählen.
[0106] Bei der thermischen Segmentierung ist es vorteilhaft, die gefundenen Koordinaten in die Bildkoordinaten der Tiefenkarten, Punktewolke und/oder des RGB Bilds zu transformieren. Ungenauigkeiten können vermieden werden, wenn die Auflösung des thermischen Bildes relativ zum optischen Bild ausreichend hoch ist und im Idealfall die Auflösung des thermischen Bildes der des optischen Bildes entspricht. Beispielsweise durch eine ausreichend hohe Auflösung der Erfassung des Wärmebildes, mehrfaches Messen oder dem Messen mit mehreren, aber versetzten Kameras kann dies erreicht werden.
[0107] Eine weitere Möglichkeit zur Segmentierung ist die optische Segmentierung.
[0108] Bei der optischen Segmentierung werden die RGB-Aufnahmen der Kameramodule verwendet. Das Pulverbett und das geschmolzene Material heben sich durch den physikalischen Umformungsprozess für die meisten Pulver deutlich voneinander ab. Basierend auf dieser Beobachtung kann mit H ilfe von Histogramm- basierten Methoden das Fertigungsobjekt erkannt werden. D.h. an dem Punkt, an dem sich der Grauwert eines Pixels im Vergleich zu seinem umgebenden Pixel signifikant ändert, befindet sich eine Kante. Alternativ lassen sich gradienten-basierte Verfahren, beispielsweise mit Hilfe des Sobel Operators oder Clustering basierte Verfahren einsetzen, die dem Fachmann bekannt sind. Wie zuvor, muss die Hülle berechnet werden. Besonders vorteilhaft ist hier der Einsatz von Clustering Verfahren, da zum einen bekannt ist, dass es nur zwei Cluster geben sollte und zum anderen das CAD-Modell als Vorlage verwenden werden kann.
[0109] Eine weitere Möglichkeit zur Segmentierung ist die geometrische Segmentierung. Hierbei erfolgt die Segmentierung über die Tiefenkarte bzw. die Punktewolke.
[0110] Die Ermittlung erfolgt über den Tiefenkartengradienten (dT), d.h. die Differenz in der Tiefen zwischen benachbarten Pixeln. Ist der Tiefengradient dT > S, einer Schwelle die experimentell bestimmt wurde und in etwa dem Faktor aus dem Dichteverhältnis zwischen dem Pulver im Rohzustand und dem verschmolzenen Pulver, und der Schichtdicke einer Pulverschicht entspricht, dann wird angenommen, dass hier eine Kante vorliegt. Auf Basis der ermittelten Punkte wird die Hülle ermittelt. Ansonsten wird dem gleichen Verfahren wie in der thermischen Segmentierung gefolgt.
[0111] Die Segmentierung kann, neben bereits beschrieben Verfahren auch mit unbewachten (unsupervised) oder self-supervised Verfahren durchgeführt / gelernt werden. Des Weiteren lässt sich das CAD als Prior verwenden, um das Verfahren noch zu verbessern bzw. um genauere Ergebnisse zu erzielen.
[0112] Anschließend muss ein Punktenetz (Mesh) auf Basis der Punktewolke errechnet werden, um die Geometrie mit einer CAD Datei, bspw. im STL-Format, vergleichen zu können.
[0113] Ein Problem bei der Verwendung von Li DAR ist, dass vermutlich nicht alle Fehlerarten erkannt werden können, bspw. solche Stellen nicht, die nicht oder unzureichend gelasert wurden (incomplete fusion). Stereokameras können das unter Umständen kompensieren, da sie neben der Tiefe auch Texturen abbilden können. Die Arbeitshypothese in diesem Fall ist, dass es Unterschiede in derTextur zwischen einem fehlerfreien und einem fehlerhaften Abschnitt im Bauteil gibt. Die Herausforderung mit Stereokameras ist ihre Genauigkeit, die quadratisch mit der zu messenden Distanz abnimmt. Je weiter das Werkstück von der Kamera entfernt ist, wird von einem Kamerapixel eine immer größere Fläche abgedeckt.
[0114] Die Erfindung schlägt Aufgabenlösungen für den Einsatz eines LiDARs und für den Einsatz von Stereoskopie bei der Defekterkennung in der additiven Fertigung vor. Ferner wird vorgeschlagen, die Informationen aus LiDAR und Stereoskopie zu fusionieren, um die höchstmögliche Genauigkeit bei der Rekonstruktion zu erzielen. Die Sensoren repräsentieren die Daten in unterschiedliche Strukturen, Stereokameras liefern zwei Bilder im RGB Raum, wohingegen Lidar Sensoren Punktewolken erzeugen, die die Distanz zum Objekt und die Orientierung relativ zum Sensor enthalten. Daher ist es notwendig, einen mehrstufige Verfahrensablauf zu verwenden, die zwischen den verschiedenen Sensormodalitäten im ersten Schritt eine einheitliche Darstellung der Eingabedaten findet und anschließend daraus die 3D Repräsentation des Objekts berechnet.
[0115] Im Folgenden wird anhand Fig.8 der Verfahrensablauf zur 3D-Rekonstruktion beschrieben.
[0116] Am Anfang des Verfahrens zur Rekonstruktion der 3D Form des Objekts wird in einem Tiefenschätzungsschritt S10 die akkurate Tiefe abgeschätzt, d.h. es wird bestimmt, wie weit das Objekt, das in einem Pixel der Kamera abgebildet ist, von der Kamera entfernt ist. Dazu ist in der Baukammer 10 ein Kamerasystem 50 verbaut. Vorzugsweise ist das Kamerasystem 50 eine Stereokamera 50. Das Kamerasystem kann sich gemäß dem ersten Ausführungsbeispiel in x-y Richtung, d.h. in der horizontalen Ebene translatorisch frei bewegen. Eine translatorische Bewegung in z-Richtung bzw. der Höhenrichtung ist im ersten Ausführungsbeispiel nicht vorgesehen, da eine Bewegung in der Höhenrichtung die Kamera vom Arbeitsbereich entfernt und der Fehler in der Tiefenschätzung einer Stereokamera quadratisch mit der Distanz zum Objekt wächst. Daher sollte das Kamerasystem 40 so nah wie möglich (optisch oder physikalisch) an dem Druckobjekt angeordnet sein. Nach dem 2. Ausführungsbeispiel ist das Kamerasystem 50 um die x-Achse und die y-Achse rotierbar.
[0117] Alternativ können auch mehrere Kameras angebracht werden, um die Scangeschwindigkeit zu erhöhen, bspw. in einer Reihe, so dass das aggregierte Sichtfeld einen größeren Teil des Bauraums in entweder x-Richtung oder y-Richtung abdeckt.
LOKALE TIEFENSCHÄTZUNG:
[0118] Das Verfahren zur Tiefenschätzung beginnt in einem Pfadbestimmungsschritt S20 mit der Bestimmung eines optimalen Pfads für das Kamerasystem 50 durch den oberen Bauraum 40. Hierbei wird der Pfad des Kamerasystems in der x-y-Ebene und ggf. die Ausrichtung um die z-Achse und die horizontale Achse bestimmt. Der Pfad hängt dabei von verschiedenen Faktoren wie bspw. dem Fortschritt im Fertigungsverfahren, Lichtverhältnisse und der notwendigen Geschwindigkeit um rechtzeitig mit dem Scan fertig zu werden, ab.
[0119] Ist der Pfad bestimmt, beginnt in einem Scanschritt S30 der Scanvorgang. Hierbei fährt das Kamerasystem 50 den im Pfadbestimmungsschritt S20 bestimmten Pfad ab und nimmt an vorherbestimmten Positionen Bilder des Werkstücks auf.
[0120] Die Bestimmung der Bildtiefenkarte selbst erfolgt mehrstufig und beginnt in einem Bildtiefenkartenbestimmungsschritt S40 mit der Berechnung einer einzelnen Tiefenkarte für jedes Bildpaar. Hierbei wird ein Bild A, das aus der Perspektive A aufgenommen wurde, so transformiert, dass es wie ein Bild B, das aus einer anderen Perspektive als Bild A aufgenommen wurde, aussieht. Im Transformationsschritt wird dabei die Tiefenkarte durch einen Tiefenkartenbestimmungsalgorithmus, der ein Algorithmus beispielsweise aus der Klasse der selbst-überwachten Machine-Learning-Verfahren ist, erzeugt. Das Lernen erfolgt, indem ein bekanntes Bild in ein anderes bekanntes Bild transformiert wird. Hierfür können die Bilder eines Stereobilderpaars dazu verwendet werden, d.h. der Algorithmus lernt, das rechte Bild in das linke Bild zu transformieren et vice versa. Ferner lassen sich auch aufeinanderfolgende Bilder einer Videosequenz verwenden, da die zu rekonstruierende Szene statisch ist, d.h. keines der zu rekonstruierenden Objekte sich in Bewegung befindet. Im Ausführungsbeispiel wird beides kombiniert und eine zeitliche Sequenz von Stereopaaren (bspw. 3 Bilder) für das Lernen verwendet. Der Transformationsfehler, d.h. die Diskrepanz zwischen dem transformierten Bild und dem korrekten Bild, wird verwendet, um während des Lernens den Algorithmus zu verbessern. Hierbei kommen mehrere neuronale Netze zum Einsatz, die die Tiefenschätzung erlernen. Alternativ kann die Tiefenkarte über trigonometrische Algorithmen ermittelt werden.
DETAILLIERTE BESCHREIBUNG DER BERECHNUNG DER TIEFENKARTE
[0121] Durch die epipolare Geometrie ist hinreichend exakt beschrieben, wie sich aus einem Stereobildpaar die Tiefe (z-Achse) der jeweils abgebildeten Bereiche bestimmen lässt. Die damit verbundene zentrale Herausforderung ist, die korrespondierenden Pixel in dem Stereobildpaar zu finden (Korrespondenzproblem), d.h. herauszufinden, welches Pixel aus dem ersten Bild den gleichen Bereich des abgebildeten Gegenstands abbildet, wie ein bestimmter Pixel aus dem zweiten Bild. Mit den bekannten trigonometrischen Formeln lässt sich aus der Disparität, d.h. der Pixelverschiebung zwischen linkem und rechtem Bild, die Tiefe schätzen.
[0122] Um das Korrespondenzproblem und damit die Tiefenschätzung zu lösen, lehrt die Erfindung:
[0123] Ziel ist es, eine Funktion / zu lernen, die jedem Bild lt des Stereobildpaars eine Tiefenkarte Dt zuordnet, d.h. Dt = f(lt) . Ein Vorteil des Ansatzes ist es auch, dass anstelle einer Stereokamera eine Monokamera verwendet werden kann. In der Anwendung werden die geschätzten Tiefenkarten für das linke und das rechte Bild im Stereobildpaar gemittelt:
Figure imgf000017_0001
[0124] Die Funktion / wird durch die Minimierung des Photometrischen Reprojektionsfehlers geschätzt. Das Konzept dahinter ist, aus der Tiefenkarte, die für ein Bild des Stereopaars geschätzt wurde, das andere Bild zu Rekonstruieren und den Fehler, der bei der Rekonstruktion entsteht zu minimieren. Implizit wird damit die Disparität gelernt, denn um ein Bild aus dem anderen eines Stereopaars zu lernen muss der Algorithmus lernen, wie er die einzelnen Pixel in der Bildebene verschieben muss, um das andere Bild zu rekonstruieren.
[0125] Das Optimierungskriterium besteht aus mehreren Teilen. Dazu berechnet Lp :
Figure imgf000017_0002
den Rekonstruktionsfehler zwischen dem Originalbild lt und dem aus der Tiefenkarte rekonstruierten Bild It. LSS[M enthält den strukturellen Ähnlichkeitsindex (SSIM), der die wahrgenommene Ähnlichkeit zwischen zwei Bildern modelliert. Der Wertebereich der Funktion liegt bei [—1,1], wobei 1 erreicht wird, wenn beide Bilder exakt gleich sind. Lnorm beschreibt den absoluten Pixelfehler zwischen den beiden Bildern.
[0126] Des Weiteren sind die Bilder mit t indexiert, da das Optimierungskriterium noch über einen Kontext gemittelt wird. Teil des Kontextes ist zum einen das Bild eines Stereopaars, für welches keine Schätzung der Tiefenkarte ermittelt wurde, sowie die Stereopaare vor und nach dem Zielbild. Das heißt für die Schätzung basierend auf Bild /t £ besteht der Kontextvektor aus It>
Figure imgf000018_0001
t+i>^t+i)}·
[0127] Die zweite Komponente Ls des Optimierungskriteriums:
Figure imgf000018_0002
sorgt dafür das die Übergänge zwischen den Tiefenschätzungen zweier benachbarter Pixel glatt sind. Damit lassen sich abrupte Änderungen in der Disparität (Gradient) zwischen zwei benachbarten Pixeln, die vermutlich Artefakte sind, vermeiden. Die dahinterstehende Annahme ist, dass es nur wenige Ausnahmefälle gibt, in denen ein großer Gradient zu rechtfertigen ist. Zu bemerken ist, dass dt die inverse Tiefe ist und d die durchschnittliche inverse Tiefe, womit dt * die Mittelwert-normalisierte inverse Tiefe ist.
[0128] Die Schätzung von Tiefenkarten, welche nur auf den beschriebenen Optimierungskriterien basieren, führt zu dimensionslosen Karten. Um die Fehlererkennung mittels Abgleich zwischen rekonstruiertem Bauteil und CAD Vorlage durchführen zu können ist es notwendig, die Tiefe in einer Maßeinheit, bspw. mm, darzustellen. Wie zuvor bereits beschrieben, ist ein wesentlicher Bestandteil der Tiefschätzung die relative Konfiguration der Kamera zwischen zwei Bildern eines Stereopaars durch den Kalibrierungsprozess bereits gegeben. Es wird gelehrt, die relative translatorische Änderung der Kamerakonfiguration zwischen zwei zeitlich aufeinanderfolgenden RGB Bildern (ls, It) zu ermitteln, indem zusätzlich die Geschwindigkeit, mit der sich die Kamera zwischen zwei Bildern bewegt, gemessen und als Lernsignal verwendet wird:
Lv = \ \\ ts^t ll2— \v\ ATs^t\.
[0129] Dabei wird die gemessene Geschwindigkeit v mit der Zeit D Ts^t, die zwischen den beiden Bildern (4, It) vergangen ist, multipliziert um die tatsächliche, translatorische Veränderung zu ermitteln. Das Optimierungskriterium berechnet sich dann als Differenz aus der tatsächlich zurückgelegten Strecke und der geschätzten zurückgelegten Strecke || ts->t ||2 wobei t die translatorische Komponente (Dc,Dg) der geschätzten Konfigurationsänderung darstellt.
[0130] Da eine Stereokamera im vorgeschlagenen Aufbau montiert ist und nicht nur translatorische Veränderungen durch die Drehgeber an den Motoren, die die Kamera bewegen, messbar sind, sondern auch rotatorische Veränderungen zwischen zwei zeitlich aufeinanderfolgenden Stereopaaren ( Ss,St ) messbar sind, wird gelehrt:
Ls p0Se = II Ll v + Lr v II +11 Lrot II .
[0131] Dabei stellt || Ll v + Lr v ||2 sicher, dass beide die translatorische Veränderung zwischen den zeitlich aufeinanderfolgenden Bildern beider Stereopaare und Qs,I ) gleich sind, da die beiden Objektive der Stereokamera sich mit gleicher Geschwindigkeit translatorisch bewegen müssen. Die rotatorische Geschwindigkeit kann dabei unterschiedlich sein für beide Objektive. Weiterhin erfasst Lrot den zeitlichen Fehler der Rotation zwischen den gleichen Bildern eines Stereopaars (/{, /t £) und (/J , I ) sowie dem räumlichen Fehler in der Rotation zwischen den Bildern eines Stereopaars (ll,lr ). Die Rotationsachse ist dabei durch die Montage der Stereokamera auf dem beweglichen Element gegeben. Mit dem formulierten Optimierungskriterium wird gleichzeitig auch die Maßeinheit für die Tiefe induziert.
[0132] Damit ergibt sich das vollständige Optimierungskriterium als:
Figure imgf000019_0001
[0133] Der Faktor m £ {0,1} ist eine binäre Maske, die stationäre Pixel maskiert. Dem beschriebenen Verfahren liegt die Annahme zugrunde, dass sich die Szene, für die eine Tiefenkarte geschätzt wird, bewegt, entweder indem die Kamera sich aktiv bewegt oder aber ein Großteil der Objekte in der Szene. Verändern sich die Pixelwerte zwischen zwei zeitlich aufeinanderfolgenden Bildern nicht, so sinkt die Leistungsfähigkeit stark. Daher wird vorgeschlagen, stationäre Pixel im Optimierungskriterium durch eine binäre Maske zu filtern, d.h.
Figure imgf000019_0002
Die Binäritat der zweiten Gleichung entsteht durch die Verwendung der Iverson Klammern [·].
[0134] Es gibt zwei verschiedene Netzwerke, um die Tiefenkarte Dt und die Rekonstruktion lt zu berechnen.
[0135] Um die Tiefenkarte zu schätzen, wird die sog. PackNet Architektur genutzt, die sich aus mehreren Konvolutions-Schichten für den Encoder wie Decoder zusammensetzt. Dabei folgt einer jeden Schicht im Encoder eine Packing Operation, die die gelernten Features komprimiert, sowie eine Unpacking Operation, die die Features entkomprimiert, um die Tiefenkarte herzustellen. Die Tiefenkarte der abschließenden Schicht wird anschließend verwendet, um aus der Tiefenkarte ausgelassene Bilder des Stereopaars bzw. das gleiche Stereobild aber mit einem zeitlichen Abstand von [—1,1] zu rekonstruieren.
[0136] Weiterhin ist es notwendig die relative Veränderung in der Kamerakonfiguration zu ermitteln, um die Rekonstruktion eines Bildes aus einer Tiefenkarte zu ermöglichen. Dazu wird die relative Konfigurationsänderung des Zielbilds lt relative zum Kontext geschätzt. Um die Konfigurationsänderung zu schätzen, wird der Encoder der Netzwerkarchitektur aus V. Guizilini, R. Ambrus, S. Pillai, A. Raventos, and A.Gaidon, "3DPacking for Self-Supervised Monocular Depth Estimation," arXiv:1905.02693 [cs], Mar. 2020 verwendet und dieser um eine rekurrente Schicht, sowie eine lxl Konvolutionsschicht erweitert, die die Dimension des Outputs auf 6, d.h. 3 Translationsdimensionen ( Dc,Dg,Dz ) und 3 Rotationsdimension (fc, fg, fz) reduziert. Die rekurrente Schicht ermöglicht es, größere Zeithorizonte zur Schätzung der Änderung der Konfiguration zu verwenden, um stabilere Schätzungen zu erhalten.
[0137] Dabei muss zwischen der Links-Rechts Rekonstruktion und der zeitlichen Rekonstruktion unterschieden werden. Bei der Link-Rechts Rekonstruktion ist die relative Konfigurationsänderung zwischen dem linken und rechten Objekt der Stereokamera aus der Kamerakalibrierung bekannt. Mithilfe der intrinsischen Kameraparameter und der Tiefenkarte kann die Korrespondenz zwischen einer Pixelposition im linken Bild und rechten Bild durch Translation und Rotation hergestellt. Anschließend werden mit bilinearen Sampling Kernel die Pixelwerte aus dem Originalbild für die Rekonstruktion entnommen (sampling):
Figure imgf000020_0001
[0138] Der Index t wurde zugunsten der Übersichtlichkeit weggelassen.
[0139] Die Pixelkoordinaten (x ,yf) ergeben sich aus der Rücktransformation der Pixelkoordinaten ( Xt.Vt ) im Zielbild / mit den intrinsischen Kameraparametern und der entsprechenden Transformationsmatrix Aq:
Figure imgf000020_0002
[0140] Um die Genauigkeit des Verfahrens zur Schätzung der Tiefenkarte zu erhöhen, kann die Auflösung der Tiefenkarten, die sich in den Zwischenschichten des Decoders ergeben, durch eine nearest-neighbor Interpolation auf die Auflösung am Ausgang des Decoders erhöht werden. Die so skalierten Tiefenkarten werden zusätzlich nach dem oben beschriebenen Verfahren rekonstruiert und im Optimierungskriterium berücksichtigt.
[0141] Das Optimierungskriterium wird über alle Rekonstruktionen, Pixel und den Batch gemittelt und kann mit einem Standardverfahren wie bspw. einem Gradientenabstiegsverfahren trainiert werden. Dabei muss zwischen der Initialisierungsphase und der Transferphase unterschieden werden.
[0142] In der Initialisierungsphase wird davon ausgegangen, dass die Koeffizienten des Modells zum ersten Mal auf Basis eines Trainingssets, das zuvor erhoben wurde, geschätzt werden. Anschließend ist das Modell bereit für die erste Anwendung. Bei jeder Anwendung des Modells werden zusätzliche Daten erhoben, die wiederum zur Verbesserung des Modells herangezogen werden können. Das passiert in der Transferphase, in der das bereits trainierte Modell mit neuen Daten verbessert wird. Dabei ist zu beachten, dass eine Modellveränderung nur angenommen wird, wenn sie auf einem Testdatensatz (s.u.) besser abschneidet als das ursprüngliche Modell.
[0143] Um die Genauigkeit des Modells zu testen, wird vorgeschlagen, dass ein Set an verschiedenen Formen gefertigt und in einen vollständig kalibrierten Messstand eingebracht werden. Der Messstand wird dann abgefahren.
[0144] Das beschriebene Verfahren erzeugt eine Folge von Tiefenkarten für einen Scanvorgang S = D0, ..., DT. Um eine vollständige Punktewolke aus den einzelnen Scans zu erzeugen, ist es notwendig, die gemessenen Tiefen in einem absoluten x-y-z Bezugssystem zu lokalisieren.
[0145] Die räumliche Auflösung der Tiefenkarte kann unter Verweis auf Fig. 6 wie folgt verbessert werden:
[0146] Mit B als Basislinie/Objektivabstand, Z als Tiefe, / als Brennweite und x0 xr als Abstände zwischen dem projizierten Punkt und der optischen Achse kann die Gleichung für die Tiefe Z wie folgt ermittelt werden:
Figure imgf000020_0003
[0147] wobei d die Disparität xt — xr ist. Man berücksichtige ein passendes Paar der Disparität d, die einer Tiefe Z entspricht. Wird ein Fehler von einem Pixel gemacht (d+1 anstelle d), wird die Tiefe zu Z'. Um den Tiefenfehler DZ auszuwerten, soll dieser über den Disparitätsfehler dargestellt werden. Unter Fieranziehung der Ableitung von Z als Funktion von d, erhält man:
Figure imgf000021_0001
[0148] Für eine Disparität von einem Pixel wächst der Fehler quadratisch mit der Tiefe. Wenn Subpixel- Disparität angenommen wird, sollte Ad berücksichtigt werden, d.h.
Figure imgf000021_0002
[0149] Die Auflösung verbessert sich bei Vergrößerung der Basislinie/des Objektivabstands. Dennoch ist bei der Auswahl einer großen Basislinie Vorsicht geboten. Denn der Abgleich/das Matching wird wegen der erhöhten Verzerrung/Abweichung zwischen linkem und rechtem Bild bei Zunahme der Basislinie schwieriger (bei fester Tiefe). Dies gleicht dem üblichen Erfassungs-/Lokalisierungs-Kompromiss.
[0150] Die Auflösung verbessert sich mit der Brennweite. Dies folgt daraus, dass für eine gegeben Bildgröße die Pixeldichte der Bildebene mit Zunahme der Brennweite ebenfalls zunimmt. Daher ist die
Disparitätsauflösung höher. Obwohl dies einem vereinfachten Stereo-Modell entspringt, gelten die drei Prinzipien für alle Stereosysteme.
[0151] Die so ermittelte Tiefenkarte ist zunächst dimensionslos. Um die zur späteren Bestimmung der Objektgeomtrie notwendigen Maßeinheiten einzuführen, wird die Geschwindigkeit, mit der sich eine Kamera bewegt, bei der Transformation berücksichtigt. D.h. neben den Bildaufnahmen ist die
Bewegungsgeschwindigkeit des Kamerasystems 40 ein Eingabeparameter für den Tiefenkartenbestimmungsalgorithmus. Das erlaubt dem Tiefenkartenbestimmungsalgorithmus, die korrekte Maßeinheit zu lernen. Darüber hinaus wird nicht nur die translatorische Geschwindigkeit des Kamerasystems 40 berücksichtigen, sondern vorzugsweise auch die rotatorische Geschwindigkeit der Ausrichtungsänderungen des Kamerasystems 40. Zum einen lässt sich damit die Tiefenschätzung für ein einzelnes Bild verbessern, zum anderen aber auch die Genauigkeit der später folgenden Zusammenführung aller lokalen Tiefenkarten zu einer globalen Tiefenkarten für den gesamten Bauraum.
BESTIMMUNG DER UNSICHERHEIT:
[0152] Die Genauigkeit der Tiefenschätzung wird durch zwei Fehlerarten maßgeblich beeinflusst:
[0153] Die Genauigkeit der Schätzung nimmt quadratisch mit der Distanz zum Objekt ab (systematischer Fehler). Das liegt darin begründet, dass ein einzelner Pixel einen immer größeren räumlichen Bereich in der Welt abdeckt, je weiter dieser Bereich von der Kamera entfernt ist. Da die Tiefenschätzung immer nur für ein einzelnes Pixel erfolgt, bedeutet das, dass Tiefenänderungen, die innerhalb eines Pixels bestehen, nur gemittelt dargestellt werden.
[0154] Unzulänglichkeiten des Modells, welches zur Tiefenschätzung verwendet wird, beeinträchtigen die Genauigkeit.
[0155] Der ersten Fehler ist reduzierbar, in dem die Distanz zwischen Kamera und Objekt reduziert wird, die Brennweite des Objektivs vergrößert, der Blickabstand zwischen den Stereokameraobjektiven vergrößert und die Strecke, die durch die Kamera zwischen zwei Stereopaaren zurückgelegt wird, klein ist, um die Überlappung zu maximieren. Die Überlappung ermöglicht es, den Fehler im Schritt zur Erstellung der globalen Tiefenkarten zu minimieren. [0156] Der Fehler, der durch die Unzulänglichkeit des Modells eingeführt wird, lässt sich zum einen durch mehr Daten und ein besseres Modell reduzieren. Zusätzlich lässt sich der Modellfehler in späteren Berechnungen miteinbeziehen, in dem jedem Schätzwert für die Tiefe die korrespondierende Unsicherheit des Modells bzgl. der Schätzung zugordnet wird. Hier wird die Bayes'sche Interpretation von Wahrscheinlichkeit zugrunde gelegt. Des Weiteren kann die Pfadplanung, mit der die Tiefenschätzung begonnen hat, so angepasst werden, dass Bereiche mit hoher Unsicherheit ein weiteres Mal angefahren werden.
GLOBALE TIEFENSCHÄTZUNG:
[0157] Im Bildtiefenkartenbestimmungsschritt S40 entstehen eine Vielzahl von sich überlappenden Tiefenkarten, die in einem Gesamttiefenkartenbestimmungsschritt S50 zu einer einheitlichen Tiefenkarte für den gesamten Bauraum überführt werden. Dazu wird eine Kamerapose (Position und Orientierung der Kamera) für jede einzelne Bildtiefenkarte geschätzt, um die relative Beziehung der ermittelten Tiefenpunkte zueinander zu bestimmen und global zu optimieren. Ziel ist es, die Punkte der einzelnen Tiefenkarten so zueinander auszurichten, dass die plausibelste globale Tiefenkarte daraus entsteht. Dabei werden im Ausführungsbeispiel vorzugsweise mehrere Verfahren kombiniert, um eine erhöhte Genauigkeit zu erreichen. Das im Bildtiefenkartenbestimmungsschritt S40 wurde bereits eine Schätzung der Kamerapose für jede einzelne Tiefenkarte ermittelt. Diese Schätzung kann aber noch ungenau sein. Zur Verbesserung wird zum einen die Kamera auf Basis der Informationen aus Drehgebern der Motoren, die die Kamerapose ändern, von an der Kamera angebrachten Inertial-Measurement-Unit (IMU) oder einer Innenraum-Lokalisierungstechnik (bspw. RFID, Magnetometer etc.) lokalisiert. Des Weiteren kann die Kamera auf Basis der Bildinformationen aus den Bildaufnahmen lokalisiert werden. Einzelne Merkmale in den Überlappungsbereichen der Bilder werden berechnet (SIFT Features). Damit können die relativen Posen der Bilder zueinander bestimmt werden und mit den relativen Posen aus der Bildtiefenkartenbestimmung zusammengeführt werden. Die Korrespondenz zwischen den einzelnen Merkmalen in den Bildaufnahmen wird anschließend gefiltert, um fehlerhafte Zuordnungen zu reduzieren. Anschließend werden die Tiefenkarten in Segmente mit jeweils n aufeinanderfolgenden Bildern eingeteilt und für jedes dieser Segmente die die Kamerapose alle Bilder aufeinander ausgerichtet. Zwischen den Segmenten gibt es eine Überschneidung von einem Bild, d.h. immer das letzte und das erste Bild zweier aufeinanderfolgender Segmente ist gleich. Anschließend werden alles Segmente aufeinander ausgerichtet, indem segment-spezifische Merkmale berechnet werden und deren Korrespondenz mit anderen Segmenten festgestellt und optimiert wird. Damit bestehen zwei Kameraposenbetimmungen - eine auf Basis der Sensoren und eine auf Basis der Bildinformationen - die in einem letzten Schritt zu einer globalen Pose zusammengeführt werden, um anschließend die Bildtiefenkarten entsprechend auszurichten und in einer einzelnen Gesamttiefenkarte zusammenzuführen.
[0158] In einem Ausgestaltungsbestimmungsschritt S60 wird eine dreidimensionale Ausgestaltung des Werkstücks ermittelt. Hierbei wird die Gesamttiefenkarte in eine Punktewolke umgewandelt, in dem ein geeignetes Koordinatensystem gewählt und die x-y-z Koordinaten für jeden einzelnen Tiefenpunkt berechnet wird. Des Weiteren werden die einzelnen Punkte mit Sekundärinformationen, die für die weiteren Berechnungen notwendig sind, angereichert, bspw. Unsicherheit und Oberflächenormale (surface normal). Gegebenenfalls wird die Punktewolke Schicht für Schicht aufgebaut. Am Ende des Drucks wird eine Punktewolke erhalten, die alle gedruckten Objekte und alle Defekte beinhaltet. [0159] Es gibt mehrere Möglichkeiten zu welchem Zeitpunkt eine Oberflächenrekonstruktion sinnvoll ist. Diese werden im Folgenden kurz beschrieben.
[0160] Generierung der gesamten Punktewolke und nachfolgendes Meshing, also bis der Druck fertig ist. Anschließend können alle gedruckten Objekte und Defekte berechnet und extrahiert werden.
MESHING DER OBERFLÄCHE NACH REKONSTRUKTION EINER SCHICHT (TIEFENKARTE).
[0161] Meshing der Punktewolke aus den letzten n Schichten (z.B. 20 < n < 100) und anschließender Defekterkennung, um so für die aktuelle Schicht mögliche Fehler zu erkennen und diese mit entsprechender Laserkorrektur zu beheben. Die Anzahl der Schichten n kann evtl, auch adaptiv gesteuert werden.
OBERFLÄCHENREKONSTRUKTION UND VERNETZUNG (MESHING):
[0162] Ziel ist es mit der gewonnenen Punktewolke eine Oberflächendarstellung der gewünschten Objekte zu bestimmen. Dies bedeutet, benachbarte Punkte werden mit Kanten miteinander verbunden und 3 Kanten bilden ein Dreieck, wodurch sich eine Oberfläche im dreidimensionalen Raum beschreiben lässt. Eines der weitverbreitetsten Formate ist das sogenannte STL-Format, welches u.a. auch für die additive Fertigung und der additiven Fertigungsvorrichtung verwendet wird.
[0163] In Fig. 7 ist eine Punktewolke und das zugehörige Dreiecksnetz (Mesh) abgebildet. Der Übergang kann mit einer Vielzahl verschiedener Algorithmen realisierte werden. Als Beispiel seien hier die folgenden Algorithmen erwähnt:
- Powercrust
- Marching cube
- Poisson Surface Reconstruction
- Hoppes Reconstruction
[0164] Delaunay Triangulierungsalgorithmen erstellen ein 3 dimensionales Objekt, d.h. dieses ist mit Tetraedern ausgefüllt (Volumen basiert), und sind somit nur bedingt geeignet da einiges an Overhead entsteht.
[0165] Wichtig ist, dass das Mesh eine zulässige Darstellung hat. Dies bedeutet, dass insbesondere keine sich schneidende Dreieck vorhanden sind. Überdies wäre es ebenso wünschenswert, aber nicht zwingend notwendig, keine sogenannten hängenden Knoten (hanging-nodes) zu haben.
[0166] Alternativ könnte man die Oberflächenrekonstruktion und das Meshing auch nach jeder gelaserten Schicht vornehmen und so schon versuchen in jeder Schicht Defekte zu lokalisieren. Diese Vorgehensweise ist aufwendiger und die Defektfindung und Klassifizierung auf lokaler Ebene schwieriger.
[0167] Im Folgenden erfolgt eine Beschreibung der Objektextraktion. Ist das Meshing abgeschlossen, so liegt eine Repräsentation des gesamten Bauraums vor, d.h. auch Bereiche neben dem Werkstück wurden rekonstruiert. Um nun Fehler durch den Vergleich des rekonstruierten Objekts und dem CAD Modell zu finden, ist es notwendig das Werktstück zu extrahieren. Dazu wird das CAD Modell als Prior verwendet und der Teilbereich im rekonstruierten Druckraum gefunden, der am besten zum Modell passt. ABGLEICH UND LOKALISIERUNG (GLOBAL TO LOCAL) VON DEFEKTEN:
[0168] Jeder extrahierte Bereich kann nun mit dem Modell abgeglichen und auf Fehler überprüft werden, dazu wird die originale CAD Geometrie verwendet. Alle erkannten Strukturen, die nun im Inneren einer Geometrie liegen, bei bestimmten Defekten wie Verzug ggf. auch Strukturen, die im Äußeren einer Geometrie liegen, sind als potenzielle Fehlerquellen zu sehen und müssen evtl, noch genauer untersucht werden, z.B. durch Berechnung des Volumens oder der zugehörigen Bounding-Box, um die Größe des Defekts feststellen zu können. An dieser Stelle muss auch zwischen den folgenden Defekttypen unterschieden werden:
- Verzug (distortion)
- Poröse Strukturen, Risse, Löcher etc.
[0169] Aus dem Mesh wird ein Graph erzeugt, hierfür ist eine kommerzielle Programmbibliothek ausreichend. Alle einzelnen, zusammenhängenden Graphen bilden ein separates Objekt. Zusätzlich kann mit den Bounding- Boxen und Volumen das gedruckte Objekt bzw. die Defektart bestimmt werden (Größenvergleich). Durch dieses Vorgehen ist die Defekt-Extraktion und Klassifikation effizient umsetzbar. Überdies kann hier zwischen einer Makro- und Mikro-Skala unterschieden werden und somit entsprechende Gegenmaßnahmen eingeleitet werden, d.h. Verschmelzung des Defekts (erhöhte Leistung, Zeit, Parameter etc.) oder aber ein Druckabbruch des entsprechenden Bauteils.
[0170] Um dem Kunden, d.h. dem Nutzer der additiven Fertigungsvorrichtung, die Defekte darstellen zu können, werden sie auf einem Datensichtgerät angezeigt. Final sollte diese Software mit in die gesamte Software eingebettet werden oder aber über eine API genutzt werden können. In einem ersten Schritt wird eine Defekte-Datei erstellt, welche z.B. mit ParaView visualisiert werden kann.
[0171] Durch verschieden Farben werden die einzelnen Defekttypen angezeigt um diese einfach und schnell voneinander unterschieden zu können.
DEFEKTERKENNUNG DURCH BILDVERARBEITUNG:
[0172] Im Gegensatz zum rekonstruktionsbasierten Verfahren aus dem ersten Ausführungsbeispiel trifft das nachfolgend beschriebene Verfahren weniger Annahmen über die Art des Defekts, nur, dass er sich im gewählten Sensor, bspw. RGB oder NIR/IR Kamera, robust manifestiert. Das Prinzip des Verfahrens beruht auf der Beobachtung, dass es oft einfach ist, eine große Menge mit "guten" Sensordaten, d.h. in denen kein Defekt vorliegt, zu erzeugen. Damit kann ein generatives Modell, welches die (räumliche) Verteilung der "guten" Daten explizit oder implizit darstellt, gelernt werden. Ein Defekt ist dann definiert als ein Datenpunkt, dem die gelernte Verteilung eine niedrige Wahrscheinlichkeit beimisst, d.h. damit die Aussage trifft, dass der beobachtet Datenpunkt vermutlich kein „gutes" Sensordatum ist.
[0173] Das Verfahren hat folgende Herausforderungen:
1 Die Zuordnung einer niedrigen Wahrscheinlichkeit heißt nur, dass eine Anomalie vorliegen kann, nicht aber, dass diese Anomalie auch zu einem Defekt führt bzw. geführt hat.
2 Die Art des Defekts ist nicht gegeben, bspw. liegen Porosität oder unvollständige Verschmelzung vor.
3 Die Lage des Defektes ist nicht unmittelbar ablesbar, was allerdings abhängig vom generativen Modell ist. [0174] Es ist daher vorteilhaft, das beschriebene Verfahren mit einem zusätzlichen Schritt zu kombinieren, beispielsweise dem zuvor beschriebenen Verfahren oder aber menschlicher Intervention in den Druckprozess bei Defekterkennung.
TEMPERATUR AUS NIR/IR BILDERN:
[0175] In diesem Ausführungsbeispiel ist das Kamerasystem 40 befähigt, (Nah-)lnfrarot (NIR/IR) zu erfassen. Im Ausführungsbeispiel ist hierfür eine weitere Einzelkamera vorgesehen. Um die Fehlererkennung robuster zu machen, kann die Temperatur an der Oberfläche des Bauteils während des Drucks kontinuierlich mittels (Nah-)lnfrarot (NIR/IR) Kamera gemessen werden. Damit lassen sich räumliche und zeitliche Temperaturgradienten ermitteln, die Aufschluss über den Schmelzprozess geben und damit auch über mögliche Fehler. Des Weiteren ist die Temperatur ein Fehlermerkmal, welches oftmals zu Beginn der Kausalkette zur Entstehung eines Defekts steht, damit einen Defekt früher erkennbar machen kann als bspw. das tiefenbasierte Verfahren, da hier der Defekt bereits vorliegt.
[0176] Eine Herausforderung, die sich mit NIR/IR Kameras stellt ist deren räumliche Auflösung, die niedriger ist als bei RGB Kameras, d.h. ein Pixel in einem RGB Bild kann nicht direkt mit einem Pixel eines IR Bildes korrespondiert werden. Im Umkehrschluss ist damit ein Pixel im IR Bild nur der Temperaturdurschnitt aus den impliziten Temperaturwerten, die ermittelt würden, hätte die NIR/IR Kamera die gleiche Auflösung wie die IR Kamera. Das kann dazu führen, dass kleine Defekte nicht (frühzeitig) erkannt werden können. Des Weiteren ist die Auflösung oft auch geringer als der Durchmesser des Laserstrahls auf der Oberfläche des Bauteils, mit den gleichen Auswirkungen wie zuvor.
[0177] Temperaturinformationen werden mit den oben beschrieben Verfahren kombiniert, um eine robuste Fehlererkennung zu ermöglichen.
ERKENNUNG VON DEFEKTEN IN DER PULVERSCHICHT
[0178] In weiteren Ausführungsbeispielen, in denen das Kamerasystem 40 beispielsweise befähigt ist, (Nah-)lnfrarot (NIR/IR) zu erfassen, kann ein Verfahren zur Erkennung von Defekten in der Pulverschicht durchgeführt werden. Dieses Verfahren umfasst beispielsweise die folgenden Schritte: in einem ersten Schritt, der ausgeführt wird, nachdem eine Schicht des Bauteils fertiggestellt wurde, wird eine erste Temperaturverteilung auf der sichtbaren Oberfläche der Schicht erfasst. In einem zweiten Schritt, der ausgeführt wird, nachdem eine Pulverschicht eines Rohmaterials aufgetragen wurde, wird eine zweite Temperaturverteilung auf der sichtbaren Oberfläche der Pulverschicht erfasst. In einem dritten Schritt werden die erste und die zweite Temperaturverteilung miteinander verglichen und Bereiche identifiziert, in denen die zweite Temperaturverteilung von einem Sollwert abweicht.
[0179] Der dritte Schritt kann beispielsweise umfassen, aus der ersten und der zweiten Temperaturverteilung eine Temperaturdifferenzkarte zu bilden und die in der Temperaturdifferenzkarte ermittelten Temperaturdifferenzen mit erwarteten Temperaturdifferenzen als Sollwert zu vergleichen. Der dritte Schritt kann beispielsweise umfassen, aus der ersten Temperaturverteilung beispielsweise mittels einer Simulation und/oder mittels eines Verfahrens aus dem Bereich der künstlichen Intelligenz eine erwartete Temperaturverteilung zu ermitteln, die den Sollwert für die zweite Temperaturverteilung bildet. Als Verfahren aus dem Bereich der künstlichen Intelligenz kann beispielsweise ein beliebiges in diesem Dokument beschriebenes Verfahren verwendet werden. [0180] In einem vierten Schritt kann vorgesehen sein, in den identifizierten Bereichen der Pulverschicht den Auftrag des Pulvers zu korrigieren. In diesem Fall können der zweite und der dritte Schritt auch wiederholt werden. In einem vierten Schritt kann auch vorgesehen sein, mindestens einen Prozessparameter basierend auf der ermittelten Abweichung anzupassen.
[0181] Zum Erfassen der ersten und/oder zweiten Temperaturverteilung kann beispielsweise jeweils ein NI R/l R-Bild von dem Kamerasystem 40 erfasst werden. Die erste und/oder zweite Temperaturverteilung kann auch beispielsweise dadurch erfasst werden, dass eine im NIR/IR-Bereich abgegebene Strahlungsleistung auf einer Vielzahl von Abschnitten der Oberfläche erfasst wird. Die erste und/oder zweite Temperaturverteilung sind jeweils erfassbares Ergebnis einer Eigenschaft des Fertigungsobjekts. In weiteren Ausführungsformen kann statt einer Temperaturverteilung eine beliebige andere Eigenschaft als Grundlage des Verfahrens Verwendung finden. Dazu kann das Kamerasystem 40 beispielsweise mit entsprechender Sensorik versehen sein oder beispielsweise eine zusätzliche Erfassungseinrichtung zur Erfassung der Eigenschaft vor und nach Auftrag des Rohmaterials vorgesehen sein.
ERWEITERUNG DES SCHMELZLASERS IM SLM VERFAHREN UM DISTANZ UND TEMPERATURMESSUNG:
[0182] Zur Defekterkennung mittels 3D Rekonstruktion ist es notwendig, entsprechende Sensoren am (außerhalb) oder im Bauraum der additiven Fertigungsvorrichtung unterzubringen, ohne dabei die Konstruktion zu stark verändern zu müssen, um die Kosten in einem annehmbaren Rahmen zu halten. Ein Setup aus optischer und NI R/l R Kamera sowie LiDAR steht dem Postulat entgegen. Eine mögliche Lösung stellt die Verwendung des Schmelzlasers zur Vermessung des zu druckenden Bauteils als auch zur Ermittlung der Temperatur auf der Oberfläche. Die Idee macht sich die Funktionsweise eines LiDARs zu nutze. Nachfolgend dargestellt sind die üblichen Messprinzipien, nach denen LiDAR Systeme Distanzen messen.
GEPULSTE DISTANZMESSUNG:
[0183] Im einfachsten Fall wird ein Laserpuls auf das zu vermessende Objekt gerichtet und die Zeitdifferenz zwischen Verlassen des Pulses und der Ankunft der Reflexion des Pulses am Objekt gemessen. Da die Lichtgeschwindigkeit, abhängig vom umgebenden Medium, konstant ist, kann daraus die Entfernung zwischen Objekt und Laser bestimmt werden. Die Geometrie des Bauteils lässt sich dann auf Basis der Prozessparameter, bspw. Schichtindex, ermitteln und Defekte, wie oben beschrieben, bestimmen. Die Distanz d zum Bauteil ist wie folgt gegeben:
Figure imgf000026_0001
dabei bezeichnet c die Lichtgeschwindigkeit und t0f die Laufzeit des Lichts.
[0184] Die additive Fertigungsvorrichtung muss um eine Zeitmesseinheit sowie einen Photodetektor erweitert werden.
AMPUTUDE-MODULATED CONTINUOUS WAVE DISTANZMESSUNG:
[0185] Im Gegensatz zum gepulsten Verfahren sendet der Laser im AMCW Verfahren eine konstante Welle. Bei der Emission wird die Strahlungsleistung des Lasers mit einem Referenzsignal moduliert. Anschließend wird die Verschiebung der Phasen (phase shift) der Reflexion und des Referenzsignals ermittelt. Die ermittelte Phasenverschiebung ist eine Funktion der Distanz, die daraus berechnet werden kann. c DF d
2 2 nfM’
[0186] wobei DF die Phasenverschiebung DF und fm die Frequenz des Signals beschreibt, dass durch die Amplituden des reflektierten Signals gebildet wird.
[0187] Eine Herausforderung, die mit diesem Verfahren einhergeht, ist die kontinuierliche Veränderung der Strahlungsleistung und damit des Schmelzprozesses an der Pulveroberfläche. Gängige Prozessparameter sind damit vermutlich obsolet und müssen neu gefunden werden.
[0188] Um das beschriebene Verfahren umzusetzen, muss die additive Fertigungsvorrichtung um Bauteile erweitert werden, die zum einen den Laserstrahl modulieren können, zum anderen die Phasenverschiebung ermitteln können.
[0189] Das letzte Verfahren, Frequency-modulated Continuous Wave (FMCW) erzielt hingegen schon Auflösungen im Bereich 150pm.
FREQUENCY-MODULATED CONTINUOUS WAVE DISTANZMESSUNG
[0190] Im Gegensatz zum AMCW Verfahren werden im FMCW Verfahren die Frequenzen des Trägersignals moduliert, d.h. die Wellenlänge des Lasers wird abhängig von einem Referenzsignal moduliert. Die Entfernung d zu einem Objekt ist dann eine Funktion der Frequenzverschiebung des Echosignals und lässt sich wie folgt darstellen d = - c w'
[0191] Dabei bezeichnet |Zl/| die Frequenzdifferenz und df/dt die Frequenzverschiebung je Zeiteinheit.
[0192] Eine Herausforderung, die sich mit diesem Verfahren stellt, ist die Veränderung der Frequenz des Laserstrahls und damit der Wellenlänge. Die Wellenlänge beeinflusst die Absorption von Energie an der Materialoberfläche, damit müssen unter Umständen die Prozessparameter für einen Druck angepasst werden.
[0193] Die additive Fertigungsvorrichtung muss um ähnliche Bauteile wie im AMCW Verfahren erweitert werden.
[0194] Des Weiteren verändert sich die Reflexivität einer Oberfläche in Abhängigkeit von ihrer Temperatur. Sinkt die Reflexivität, so ändert sich auch die Intensität, mit der der reflektierte Laserpuls am Photodetektor ankommt. Dies kann wie folgt beschrieben werden dR dR
DR = —DT + —DN. dT dN
[0195] In der obigen Gleichung beschreibt R den Reflexionsfaktor und T die Temperatur. Der zweite Teil der Gleichung beschreibt die Änderungen des Reflexionsfaktor in Abhängigkeit von der Änderung der Anzahldichte der Ladungsträger dN, hervorgerufen durch die optische Anregung.
BAULICHE ANPASSUNG DER VORRICHTUNG ZUM ERZEUGEN EINES DREIDIMENSIONALEN OBJEKTS
[0196] Die funktionale Erweiterung des Schmelzlasers ist besonders wirksam, wenn bauliche Veränderungen an der additiven Fertigungsvorrichtung vorgenommen werden. Da der Laser sehr empfindlich auf Bewegungen ist, wird der Strahl mit Spiegeln und Linsen auf die Oberfläche gerichtet. Damit ändern sich Einfallswinkel wie auch Ausfallswinkel positionsabhängig. Weiterhin kann es zu Situationen kommen, in denen die Reflexion direkt in die fokussierende Linse zurückgeht, d.h. wenn der Einfallswinkel des Lichts im nahen Bereich um 90 Grad liegt. Wie zuvor beschrieben, muss die additive Fertigungsvorrichtung unter anderem um Photodetektoren erweitert werden. Da sich durch die kontinuierliche Änderung des Ausfallswinkels keine fixe Position für den reflektierte Laserstrahl im Bauraum mehr ergibt, muss die additive Fertigungsvorrichtung so ausgelegt sein, dass die einzelnen Elemente so angeordnet sind, dass die Lichtlaufzeits- und Lichtintensitätsmessungen präzisen erfolgen.
PFADPLANUNG FÜR EINE ENERGIEQUELLE
[0197] Die zum Schmelzen des Rohmaterials eingesetzte Energiequelle, beispielsweise der Fertigungslaser 6, fährt auf einer Pulverschicht einen Schmelzpfad ab, um das Pulver der Pulverschicht zu schmelzen. Der Schmelzpfad umfasst beispielsweise eine Sequenz von Punkten jeder Schicht. Zu jedem Punkt wird beispielsweise eine korrespondierende Laserleistung, die auch Null sein kann, und/oder weitere Prozessparameter ermittelt. Damit ist es möglich, beispielsweise Effekte bei Anfahr- und Abbremsvorgängen des Lasers zu berücksichtigen und durch Anpassung der Prozessparameter zu kompensieren.
[0198] Zur Bestimmung des Schmelzpfades findet ein Pfadplanungsverfahren Anwendung. Ein Pfadplanungsverfahren umfasst beispielsweise einen Schritt zur Zuweisung von wenigstens einem Prozessparameter zu einem Punkt des Schmelzpfads, beispielsweise zu allen Punkten des Schmelzpfads. Das Pfadplanungsverfahren kann beispielsweise die Verwendung eines Verfahrens aus der künstlichen Intelligenz oder beispielsweise eines Markov-Entscheidungsprozesses umfassen. Das Verfahren kann beispielsweise auch das oben offenbarte Verfahren zur Erkennung von Defekten in der Pulverschicht umfassen, um den Schmelzpfad an die Pulverschicht anzupassen.
ANPASSUNG DES SCHMELZPFADES WÄHREND DES SCHMELZVORGANGS
[0199] Während des Schmelzvorgangs, mit dem eine Schicht des Fertigungsobjekts erstellt wird, können Umstände und/oder Anomalien auftreten, die bei der Bestimmung des Schmelzpfads nicht berücksichtigt wurden. Dies kann beispielsweise durch den Auswurf (engl, spatter) von geschmolzenem Material oder unreines Pulver geschehen.
[0200] In weiteren Ausführungsformen ist daher ein Anpassungsverfahren vorgesehen, das beispielsweise mittels eines zusätzlichen Reglers ausführbar ist. Dieser Regler, beispielsweise ein Scan Controller, ermittelt eine Anpassung von mindestens einem Prozessparameter basierend aufgrund einer ermittelten Abweichung wenigstens einer Eigenschaft des Fertigungsobjekts von einem Sollzustand der Eigenschaft. In diesen Ausführungsformen weist das Erfassungssystem wenigstens eine Infrarot-Kamera auf, die koaxial zu dem Schmelzlaser angebracht ist, so dass sich beispielsweise ein zentrales Pixel des Sensorfelds der Infrarot-Kamera in Bewegungsrichtung vor dem durch den Schmelzlaser erzeugten Schmelzbads befindet. Die von der Infrarot- Kamera aufgenommenen Bilder des Schmelzbads werden beispielsweise mittels eines neuronalen Netzes mit einem Sollzustand abgeglichen und die Abweichungen davon ermittelt sowie bewertet. Aus der Bewertung wird eine Anpassung mindestens eines Prozessparameters, beispielsweise der Laserleistung, ermittelt.
[0201] Aufgrund der Bewegungsgeschwindigkeit des Lasers ist eine besonders schnelle Reaktion auf die ermittelten Abweichungen vorteilhaft, um die Prozessparameter anzupassen und Fehler in der gerade bearbeiteten Schicht zu minimieren. Daher kann beispielsweise ein zweites neuronales Netz vorgesehen sein, das die Eigenschaft, beispielsweise die von der Infrarot-Kamera erfassten Bilder, als Eingangssignal erhält und daraus eine Anpassung berechnet. Dieses neuronale Netz kann beispielsweise ein Feature Detector oder ein State Representation Net sein. Ebenso können Verfahren der Conditional Neural Processes und/oder darauf aufbauende Modelle verwendet werden.
[0202] Die aufgezeichneten Bilder können in weiteren Ausführungsformen beispielsweise nach dem Scannen in ein einzelnes Bild überführt werden, so dass entlang des Schmelzpfades die maximale Strahlungsleistung für jeden Pixel ermittelt wird. Dadurch kann für jeden Pixel beispielsweise bestimmt werden, ob das Pulver vollständig geschmolzen wurde.
ABWANDLUNG DER AUSFÜHRUNGSBEISPIELE, ERSATZ DER F-0-UNSE 14
[0203] Je nach Ausgestaltung und Anordnung der F-0-Linse kann es problematisch werden, den Fertigungslaser 6 auch als Messlaser einzusetzen, da es durch die Refraktion an der F-0-Linse zu Strahlverzerrungen kommen kann, die bei der Berechnung der Laserstrahllaufzeit berücksichtigt werden müssen und zu Ungenauigkeiten führen können. Insbesondere kann es durch die F-0-Linse 14 nach der Reflektion des Laserstrahl 9 beim erneuten Durchtritt durch die F-0-Linse 14 zu schwierig kompensierbaren Refraktionsverzerrungen kommen.
[0204] Um dieses Problem zu beseitigen, wird vorgeschlagen, die F-0-Linse 14 in einer ersten Abwandlung der Ausführungsbeispiele zu ersetzen. Dies wird im Folgenden anhand Fig. 9 beschrieben.
[0205] Anstelle der F-0-Linse ist ein fixer Spiegel 15 vorgesehen. Der fixe Spiegel 15 ist horizontal kreissegmentförmig, wobei der Scanner 8 im Kreismittelpunkt angeordnet ist. Die Spiegelfläche des fixen Spiegels 15 ist so nach unten geneigt, dass ein vom Scanner 8 horizontal eintreffender Strahl 9 senkrecht nach unten auf die Bauschicht 11 reflektiert wird. Der Scanner 8 weist einen Spiegel auf, der so um die vertikale Achse (z-Achse) rotiert, dass der Strahl 9 über die gesamte horizontale Ausdehnung des fixen Spiegels 15 streicht und über diesen Bereich von dem fixen Spiegel senkrecht nach unten reflektiert wird. Dies erzeugt auf der Bauschicht 11 einen eindimensionalen kreissegmentförmigen Bereich, auf dem der Strahl 9 auftrifft. Um einen flächigen Bereich auf der Bauschicht 11 bearbeiten zu können, werden der Laser 6, der Spiegel 7, der Scanner 8 und der fixe Spiegel 15 in relativ zueinander gleichbleibender Anordnung in x-Richtung über den Bauraum bewegt. Ein von der Bauschicht 13 reflektierter Anteil des Strahls 9, der reflektierte Strahl 9', wird über den fixen Spiegel zurück auf den Scanner 8 reflektiert. Da sich der Spiegel des Scanners 8 beim Eintreffen des reflektierten Strahls 9' bereits um einen ausreichend genau vorherbestimmbaren Wert um die z-Achse weitergedreht hat, wird der reflektierte Strahl nicht direkt zu dem Laser 6 reflektiert, sondern trifft dort leicht versetzt auf. An dieser Stelle ist ein Laserempfänger 16 vorgesehen, der relativ zu dem Laser 6, dem Spiegel 7, dem Scanner 8 und dem fixen Spiegel 15 ortsfest angebracht ist und sich gemeinsam mit diesen entlang der x- Achse bewegt.
[0206] Da durch diese Anordnung der Strahl 9 immer senkrecht zur Bauschicht 11 ausgerichtet ist und sich die Lauflänge des Strahls 9 und des reflektierten Strahls 9' lediglich genau um die Distanz von Höhenunterschieden auf der Bauschicht 11 variiert, lässt sich in allen erfassten Bereichen der Bauschicht 11 eine genaue Tiefenermittlung mittels LiDAR durchführen.
[0207] Alternativ wird vorgeschlagen, die F-0-Linse 14 in einer zweiten Abwandlung der Ausführungsbeispiele zu modifizieren. Dies wird im Folgenden anhand Fig. 10 und Fig. 11 beschrieben. [0208] Eine abgewandelte F-0-Linse 14' ist so ausgestaltet, dass sie mit einer teilspiegelnden Oberfläche 141 versehen ist. Ferner ist ein ringförmiger fixer Spiegel 15' vorgesehen. An einem Umlaufring 17 sind zwei Lasersensoren 16' so angebracht, dass sie sich auf dem Kreisring bewegen können. Sowohl die teilspiegelnde Oberfläche 141 und der Ringförmige fixe Spiegel 15' sind quasi-parabolisch ausgestaltet, sodass der reflektierte Strahl 9' immer auf die Lage des Umlaufrings 17 reflektiert wird. Die Sensoren 16' werden dabei so entlang des Umlaufrings 17 bewegt, dass der reflektierte Strahl 9' entweder von dem einen oder dem anderen Sensor 16' erfasst werden kann. Da es beim Übertritt über die Bildmitte zu einem plötzlichen Umschlagen der Reflektion, von der einen auf die andere Seite kommen kann, ist es vorteilhaft, gegenüberliegend auf beiden Seiten die Sensoren 16' anzuordnen.
[0209] Die Anordnung nach der zweiten Abwandlung erlaubt - wegen der nicht immer senkrechten Strahlausrichtung keine so hohe Genauigkeit wie die Anordnung nach der ersten Abwandlung. Da hier jedoch mit den Sensoren 16' erheblich weniger Bauteile relativ zum Bauraum beweglich sind, ist die Komplexität geringer.
HYBRIDER ANSATZ ZUR DEFEKTERKENNUNG
[0210] Im ersten Schritt wird der Lidar Sensor online, d.h. mit jedem Bild, kalibriert. Mit den Kalibrierungsparametern ist es nun möglich aus den Lidardaten eine Disparity Map zu erstellen. Dabei kommen nun die Kalibrierungsparameter ins Spiel, denn sie erlauben, die Disparity Map für den gleichen Bildausschnitt zu berechnen, den die Stereokamera sieht (Lidar scannt im Radius X, d.h. Punktewolke muss mit dem Stereobild angeglichen werden). Aus den zwei Disparity Maps wird dann im nächsten Schritt eine globale Disparity Map erstellt, die wesentlich präziser ist als die einzelne Karte. Beide Schritte, Kalibrierung und Fusion können mit neuronalen Netzen implementiert werden.
DYNAMISCHE, IN-SITU ANPASSUNG DER PROZESSPARAMETER:
[0211] Defekte entstehen einerseits durch Faktoren, die bereits vor dem Druck existieren, bspw. ist die Geometrie nicht geeignet für den Druck oder bei der Herstellung des Pulvers gab es Qualitätsmängel. Zum anderen entstehen Defekte aber auch während des Drucks, weil Prozessparameter wie die Scangeschwindigkeit des Lasers zum gegenwärtigen Zustand des Drucks nicht passen. In bestehenden Umgebungen von additiven Fertigungsvorrichtungen werden die Prozessparameter vor dem Fertigungsprozess ermittelt und fix eingestellt. Die Ermittlung kann dabei durch eine Simulation des Fertigungsprozesses und / oder die Erstellung von Proben erfolgen. Um Defekte jedoch effektiv zu vermeiden, ist es notwendig, während der Laufzeit die Prozessparameter dynamisch zu verändern, und zwar in Reaktion auf die zu einem Zeitpunkt im Verfahren bestehende Defektwahrscheinlichkeit. Dazu wird der Fertigungsprozess als Markow-Entscheidungsproblem formuliert, welches mit einem Algorithmus aus der Klasse des Reinforcement Learning gelöst werden kann.
SELBST-LERNENDE PARAMETERANPASSUNG:
[0212] Der Algorithmus (Policy) erhält fortwährend Informationen über den Fertigungsprozess, bspw. Temperatur im Pulverbett und entscheidet, ob die Prozessparameter geändert werden müssen, mit dem Ziel die Defektwahrscheinlichkeit zu reduzieren.
[0213] Zum einen gibt es modell-freie Ansätze, die darauf verzichten ein explizites Modell der Dynamik des additiven Fertigungsprozesses zu lernen und versuchen jedem Zustand die beste Änderung der Prozessparameter zuzuordnen, bspw. mittels eines künstlichen neuronalen Netzes. Im Rahmen des Reinforcement Learning wird dabei von der Dynamik der Umwelt (Environment) gesprochen, die durch Übergangswahrscheinlichkeitsverteilung der Zustände p(s' ,r\s, a) modelliert wird. s,s' £ S sind dabei die Zustände (states), a £ A eine Änderung der Prozessparameter (actions), r £ R gibt Auskunft darüber wie gut die Änderung der Prozessparameter war (rewards), d.h. hat sie die Defektwahrscheinlichkeit reduziert. Als Umwelt kann in diesem Zusammenhang die additive Fertigungsvorrichtung, der Fertigungsvorgang sowie das Bauteil angesehen werden.
[0214] Alternativ kann ein modell-basierter Ansatz zum Einsatz kommen. In den modell-basierten Ansätzen wird explizit die Umwelt modelliert, um damit die beste Änderung der Prozessparameter zu planen. Planung bedeutet, dass es einen Ist-Zustand gibt und einen Soll-Zustand. Der Planungsalgorithmus versucht dann mit Hilfe des Modells der Umwelt die beste Sequenz von Änderungen der Prozessparameter (policy) zu finden. Dabei ist die beste Sequenz in diesem Zusammenhang die, die zur niedrigsten Defektwahrscheinlichkeit führt.
[0215] Der Vorteil von modell-basierten Ansätzen ist, dass sie weniger Daten (sample efficiency) benötigen, da viele Zusammenhänge in der Realität (lokal) linear sind. Damit werden nur wenige Datenpunkte aus der lokalen Umgebung benötigt, um den Zusammenhang zu lernen.
[0216] Modell-freie Ansätze brauchen hingegen wesentlich mehr Beispiele, dass sie nur den Zusammenhang zwischen der Änderung der Prozessparameter und dem Erfolg (reward) lernen. Der beschriebene Nachteil von modell-freien Ansätzen verschwindet aber, wenn auf genaue Simulationen des additiven Fertigungsprozesses zurückgegriffen werden kann oder aber die Zahl der im Einsatz befindlichen Drucker, auf deren Daten Zugriff besteht, groß ist, denn die Planung in modell-basierten Ansätzen ist wesentlich komplexer und wird stärker durch vereinfachende Annahmen sowie Annäherungen eingeschränkt, als es bei modell-freien Ansätzen der Fall ist. Die Flerausforderung in modell-freien Ansätzen, die in einer Simulation trainiert wurden, ist der erfolgreiche Transfer auf die Flardware. Selbst bei hoch-akkuraten Simulationen kommt es zum sog. reality gap, d.h. das gelernte Modell empfiehlt suboptimale Änderungen der Prozessparameter, da sich das Simulationsmodell in einigen oder allen Dimensionen zu stark von der Wirklichkeit unterscheidet.
[0217] Es wird gelehrt, einen modell-freien und einen modell-basierten Ansatz zu kombinieren, der zuerst in der Simulation gelernt und anschließend auf einer realen additiven Fertigungsvorrichtung mit wenigen Fertigungsbeispielen verfeinert wird. Des Weiteren wird die Verwendung von Verfahren gelehrt, die den reality gap reduzieren, wie Dynamics oder Domain Randomization und Messung der physikalischen Parameter. Für Dynamics und Domain Randomization werden kritische Parameter der Umwelt während der Simulation immer wieder variiert, um die zu lernende Policy zur stärkeren Generalisierung zu zwingen. Des Weiteren wird die Nutzung von bereits gesammelten Daten zum Fertigungsvorgang gelehrt, um das Lernen zu beschleunigen (Learning from Demonstrations).
[0218] Um den oben genannten reality gap zu verkleinern kann es vorgesehen sein, das dynamische Verhalten des Gesamtsystems so weit wie möglich zu modellieren, beispielsweise einen Messfehler der Infrarotkameras, der sich beispielsweise durch Quantisierung oder Verluste oder Absorption durch Reflexion am Objektiv oder anderen Komponenten ergeben. In weiteren Ausführungsformen kann beispielsweise eine thermische Drift der Sensoren, Latenzen in der Übertragung, Reibung und andere Faktoren mit in die Simulation einbezogen werden.
[0219] Die Kameras des Erfassungssystems wandeln die von dem Pulverbett ausgehende Strahlungsleistung mittels einer Transferfunktion in die von ihnen produzierten Bilder um. Um diese Transferfunktion zu bestimmen und so die wahre Strahlungsleistung für jedes Sensorpixel genauer bestimmen zu können werden beispielsweise eine Mehrzahl von Thermoelementen in das Pulverbett eingebracht. In einem weiteren Schritt wird in dem Pulverbett eine Bahn gescannt, also beispielsweise mittels des Lasers abgefahren und dadurch beispielsweise wenigstens erhitzt und/oder wenigstens teilweise geschweißt, und die Messwerte der Thermoelemente mit der Simulation, beispielsweise mit einem CFD-Modell (Computational Fluid Dynamics) abgeglichen und gegebenenfalls die Parameter der Simulation angepasst. Bei derartigen Messungen können weitere kompensationsbedürftige Parameter, beispielsweise das thermische Verhalten des Thermoelements einbezogen werden.
[0220] Prozesse, die in der Realität wenigstens teilweise durch sich verändernde Wahrscheinlichkeitsverteilungen beschrieben werden können, können im Zuge des Trainings durch Domain Randomization abgebildet werden. Dies bedeutet, dass bei jeder Iteration, die beim Training eines Pfadplaners und/oder Scancontrollers durchlaufen wird, ein neuer Wert für die Wahrscheinlichkeitsverteilung dieses Prozesses zufällig generiert wird. Dadurch ist es beispielsweise möglich, die trainierten Planer und/oder Controller robuster gegenüber nicht kontrollierbaren Einflüssen, beispielsweise Auswurf von geschmolzenem Material, auszugestalten.
[0221] Eine Herausforderung stellt die Heterogenität der einzelnen additiven Fertigungsvorrichtungen dar, selbst wenn das gleiche Verfahren verwendet wird. Um dem Problem zu begegnen, wird ein kollektiver Lernansatz vorgeschlagen.
KOLLEKTIVES LERNEN
[0222] Additive Fertigungsvorrichtungen verschiedener Hersteller unterscheiden sich auf vielfältige Art und Weise, selbst wenn sie mit demselben Fertigungsprozess arbeiten. Das hat Auswirkungen auf die Dynamik der Umwelt im Herstellungsverfahren. Es ist schwer, im Vorhinein jede einzelne additive Fertigungsvorrichtung zu simulieren und die Parameterdes Algorithmus darauf anzupassen. Daher werden zwei Verfahren vorgeschlagen, um die Daten der einzelnen additiven Fertigungsvorrichtungen zur Verbesserung der Algorithmen zu verwenden. Dabei kommen Methoden aus dem Bereich des Privacy Preserving Machine Learning, die es ermöglichen, sensible Daten einzelner Kunden zu schützen, ohne dass das Lernen beeinträchtigt wird.
OFFENER AUSTAUSCH (CENTRAL LEARNING)
[0223] Jede additive Fertigungsvorrichtung, auf dem unsere Software installiert ist, überträgt kontinuierlich Prozessparameter sowie die Zustände (states) seiner Umwelt an einen zentralen Server. Dabei werden vertrauliche Informationen wie bspw. die Geometrie des Bauteils abgewandelt, so dass die Daten immer noch zum Lernen des Algorithmus verwendet werden können, aber die ursprüngliche Geometrie bzw. die vertrauliche Information nicht mehr ermittelbar ist. Auf Basis der Daten und des zuvor beschriebenen Vorgehens wird der Algorithmus verbessert und die Verbesserungen zurück an die additive Fertigungsvorrichtung übermittelt.
SEMI-OFFENER AUSTAUSCH (FEDERATED LEARNING)
[0224] Jede additive Fertigungsvorrichtung, auf dem unsere Software installiert ist, besitzt eine zusätzliche Recheneinheit, die es ermöglicht, anhand der Daten, die in der Maschine anfallen, das Modell zu verbessern. Dazu besitzt der Drucker bei Auslieferung bereits ein generisches Modell, das dann über die Laufzeit durch den Lernprozess auf die spezifischen Eigenschaften des Druckers angepasst wird. Nachdem ein solches, lokales Modell mit den Daten von der additive Fertigungsvorrichtung verbessert wurde, werden die Veränderungen in den Modellparametern an einen zentralen Server übermittelt, der mit den einzelnen Updates ein globales Modell verbessert. Anschließend wird das globale Modell an die additive Fertigungsvorrichtung zurück übermittelt, um das alte Modell zu ersetzen.
[0225] Die Erfindung wurde mittels Ausführungsbeispielen beschrieben. Die Ausführungsbeispiele sind nur von erläuternder Natur und schränken die Erfindung, wie sie durch die Ansprüche definiert ist, nicht ein. Für den Fachmann erkennbar sind im Rahmen des Schutzbereichs der Ansprüche Ausgestaltungen möglich, die vom Ausführungsbeispiel abweichen können.
[0226] So wird im Ausführungsbeispiel der Fertigungslaser der additiven Fertigungsvorrichtung zur Erfassung der Oberflächentemperatur oder der Gestalt des Werkstücks verwendet. Alternativ kann auch eine eigene Erfassungsvorrichtung mit einem separaten Erfassungslaser vorgesehen sein.
[0227] Im Ausführungsbeispiel wird ein Kamerasystem bestehend aus zwei Bildaufnahmevorrichtungen verwendet, die zeitgleich Bilder aufnehmen. Alternativ kann das Kamerasystem aus einer Bildaufnahmevorrichtung bestehen, die zeitlich und räumlich versetzt Bilder aufnimmt.
[0228] Im abgewandelten Ausführungsbeispiel weist das Kamerasystem eine weitere Kamera für Aufnahmen im NIR/IR-Spektrum auf. Alternativ kann aber auch eine der Stereokameras oder die Einzelkamera für diese Funktion verwendet werden, wenn sie die Fähigkeit zur Erfassung des NIR/IR-Spektrums aufweist.
[0229] Im Ausführungsbeispiel wird die Kamerapose u.a. auf Basis der Informationen aus Drehgebern der Motoren, die die Kamerapose ändern, von an der Kamera angebrachten Inertial-Measurement-Unit (IMU) oder einer Innenraum-Lokalisierungstechnik (bspw. RFID, Megnetometer etc.) lokalisiert. Alternativ oder zusätzlich kann die Kamerapose auch anhand einer weiteren Kamera und einer Markierung an einer der Gehäusewände bestimmt werden. Ein solches Ausführungsbeispiel wird nachfolgend anhand der Fig. 4 beschrieben. Das Ausführungsbeispiel nach Fig. 4 entspricht dem ersten Ausführungsbeispiel und unterscheidet sich von diesem in den nachfolgend aufgeführten Punkten. Das Kamerasystem 50 weist ein weiteres Kameramodul 60 auf. Dieses ist drehfest mit dem ersten Kameramodul 52 und dem zweiten Kameramodul 53 verbunden und auf dem Schlitten 51 angeordnet. Im Gegensatz zu dem ersten Kameramodul 51 und dem zweiten Kameramodul 53 ist das dritte Kameramodul 60 nach oben ausgerichtet. Die obere Gehäuseabdeckung 43 besteht üblicherweise aus einer Glasscheibe. An dieser ist ein von unten erkennbares Raster 44 aufgetragen. Das dritte Kameramodul 60 kann das Raster 44 erfassen und daraus seine Lage auf der x-y-Ebene und seine Ausrichtung bestimmen.
[0230] In dem ersten, zweiten, und dritten Ausführungsbeispiel sind die Kamerasysteme innerhalb des Bauraums 40 vorgesehen. Sie können jedoch auch außerhalb des Bauraums 40 vorgesehen sein. In diesem Fall ist der Bauraum mit entsprechenden Fenstern auszustatten. Dies hat den Vorteil, dass die Kamerasysteme nicht der im Bauraum vorherrschenden thermischen Belastung ausgesetzt sind. Hierbei können die Kamerasysteme oberhalb oder an einer oder mehreren der vier Seiten des Bauraums angeordnet sein.
[0231] Im Ausführungsbeispiel ist die erfindungsgemäße Vorrichtung zum Aufbau eines dreidimensionalen Fertigungsobjekts als Lasersintervorrichtung dargestellt. Die Erfindung ist jedoch auch auf Direct Energy Deposition Fertigungsvorrichtungen anwendbar. Da es kein Pulverbett mehr gibt, muss bei der Segmentierung jetzt das Objekt vom Hintergrund abgegrenzt werden. Aufgrund dessen, dass der Hintergrund nicht mit der gleichen Regelmäßigkeit wie im Pulverbett Verfahren ausgestattet ist, ist bei der Segmentierung zu beachten, dass die Apparatur, die das Material (Pulver oder Draht) aufträgt (MAA) (beispielsweise ein Roboterarm) vom Fertigungsobjekt und das Fertigungsobjekt vom Hintergrund getrennt werden. Bauliche Veränderungen könnten sein, dass die MAA in einer einheitlichen und nicht vom Material angenommenen Farbe lackiert werden. Des Weiteren kann der Hintergrund derart abgeschirmt und farblich verändert werden, dass er leicht zu segmentieren ist, bspw. in dem der Druckvorgang in einer separaten Zelle stattfindet. Bei diesem Verfahren müssen ferner, abhängig vom Aufbau der Fertigungsvorrichtung, die Sensoren nicht im oberen Teil des Bauraums angebracht werden, sondern können entweder direkt an der MAA oder aber seitlich im / am Drucker oder aber in einer eigenständigen, beweglichen Apparatur wie bspw. einem Roboterarm. Wichtig ist dabei, dass auch Hohlräume und andere, nur aus wenigen Perspektiven sichtbare Bereiche, vollständig erreicht werden können, wobei eine Anbringung nah an der MAA vorteilhaft ist. Des Weiteren ist das Vorsehen verschiedener Bauteile um den Sensor vorteilhaft, um Schutz gegen die Hitze zu bilden bzw. das Vorsehen verschiedener Filtersysteme, um die hohe Strahlungsintensität (Lichtintensität) zu mindern aber auch den Einfluss von UV Strahlung / IR Strahlung auf das Bild (RGB) zu reduzieren. Der Vorteil zusätzlicher Vorrichtungen ergibt sich dadurch, dass es wenige / keine Phasen gibt, in denen die Strahlungsintensität, die durch die MAA erzeugt wird, gering ist, so wie es bspw. im Pulverbett Verfahren ist, wenn der Recoater neues Pulver aufträgt. Bei der lokalen Tiefenschätzung beschränkt sich dann, wenn die Kamera an der MAA direkt befestigt ist, so dass diese den Pfad vorgibt, die Pfadplanung auf das Bestimmen der Auslösemomente für die Bildaufnahmen und - falls eine eigene Ausrichtbarkeit der Kameramodule gegeben ist - eine Planung der Kameraausrichtung.
[0232] Im ersten Ausführungsbeispiel weist das Kamerasystem 50 das erste Kameramodul 52 und das zweite Kameramodul 53 auf, um über zwei Kamerabilder eine stereoskopische Tiefenerfassung durchzuführen. Alternativ hierzu ist eine Tiefenerfassung nach dem Streiflichtverfahren möglich. Hierbei wird das zweite Kameramodul 53 durch einen Projektor ersetzt, der ein Lichtmuster (strukturiertes Licht) auf die Bauschicht 11 projiziert. Das erste Kameramodul 52, das zum zweiten Kameramodul 53 und somit auch zu dem Projektor versetzt angeordnet und auf die Bauschicht 11 ausgerichtet ist, nimmt gemäß dem Kamerasystempfad Bildaufnahmen von der Bauschicht 11 mit dem Lichtmuster auf. Durch Tiefenänderung der Bauebene 11 ergeben sich aus der Perspektive des ersten Kameramoduls 52 Verzerrungen des Lichtmusters. Aus den in den Aufnahmen des ersten Kameramoduls 52 festgehaltenen Verzerrungen des Lichtmusters lassen sich in bekannter Weise auf Basis epipolarer Geometrie die Tiefenänderungen der Bauschicht 11 ermitteln und gemäß dem ersten Ausführungsbeispiel eine Punktewolke generieren. Der durch das Streiflichtverfahren hohen Genauigkeit im Mikrometerbereich stehen jedoch höhere Kosten durch die Notwendigkeit von einem oder mehreren Projektoren gegenüber.
[0233] Die Tiefenbestimmung durch das Streiflichtverfahren kann - wenn der Projektor zusätzlich zu den Kamerasystemen 50 der Ausführungsbeispiele vorgesehen wird - auch ergänzend zur stereoskopischen Tiefenbestimmung erfolgen.
[0234] Alternativ oder ersetzend kann eine Tiefenbestimmung auch mittels Radar erfolgen. Hierzu ist ein Radarsensor an (außerhalb) oder im oberen Bereich des Bauraums 10 vorgesehen. Der Radarsensor weist einen Radaremitter und einen Radarempfänger auf. Durch den Radaremitter werden elektromagnetische Wellen im Radiofrequenzbereich als Radarsignal ausgesendet, die von der Bauschicht 11 reflektiert werden. Die Reflexionen des Radarsignals werden durch den Radarempfänger empfangen. Aus der Signallaufzeit, d.h. der Zeitdifferenz zwischen Absenden und Empfangen des Radarsignals und der Ausbreitungsgeschwindigkeit des Radarsignals im entsprechenden Umgebungsmedium in und/oder außerhalb des Bauraums, wird die Distanz ermittelt. Das Verfahren ähnelt insoweit der Lidar-Tiefenermittlung. Die Ergebnisse aus der Radar- Tiefenbestimmung können mit den anderen Tiefenermittlungsverfahren kombiniert/fusioniert werden, oder einzelne andere Tiefenermittlungsverfahren ersetzen.
[0235] Ein Kamerasystempfad ist eine Abfolge von Positionen, Ausrichtungen oder Bildaufnahmeinitiierungen eines Kamerasystems mit einem oder mehreren Kameramodulen.
[0236] Eine additive Fertigungsvorrichtung im Sinne dieser Schrift ist jede materialauftragende Fertigung, beispielsweise durch LSM, DED (direct Energy Deposition) oder MAA.
[0237] Ein teilspiegelnder Spiegel oder eine teilspiegelnde Oberfläche sind solche, die von der einen Seite bestrahlt die Strahlung reflektieren, und von der anderen Seite bestrahlt die Strahlung mindestens teilweise, jedenfalls stärker als bei der Bestrahlung der einen Seite hindurchtreten lassen.
[0238] In der Beschreibung sind die Terme „und", „oder", und „entweder ... oder" als Junktor in der Bedeutung der logischen Konjunktion (mathematisches UND), als Junktor in der Bedeutung der logischen Adjunktion (mathematisches ODER, oft auch „und/oder") bzw. als Junktor in der Bedeutung der logischen Kontravalenz (mathematisches Exklusiv-ODER) verwendet.
[0239] In der Beschreibung oder den Ansprüchen angegebene Verfahrensschritte dienen lediglich der Auflis tung der erforderlichen Verfahrensschritte. Sie implizieren nur dort eine Reihenfolge, wo die Reihenfolge ex plizit angegeben ist oder sich für den Fachmann als notwendig ergibt. Insbesondere impliziert die Auflistung keine abschließende Aufzählung.
BEZUGSZEICHENLISTE
I Erzeugungsvorrichtung, Vorrichtung zum Erzeugen eines dreidimensionalen Objekts, Lasersintervorrichtung, LSM, Drucker
5 obere Trennwand
6 Laser, Fertigungslaser, Messlaser, Erfassungslaser
7 Umlenkspiegel
8 Scanner, Reflektor
9 Strahl, Laserstrahl
9' reflektierter Strahl
10 Bauraum
II Bauschicht, aktuelle Bauschicht, current layer
12 Eintrittsfenster
13 Bauplatte, build plate
14 F-q Linse
141 teilspiegelnde Oberfläche
15 fixer Spiegel
15' ringförmiger fixer Spiegel
16 Laserempfänger, Laserempfangsvorrichtung
16' Lasersensor
17 Umlaufring
25 Behälter
26 Trägervorrichtung
27 Beschichter, recoater
28 Dosiervorrichtung
30 Zuführöffnung
40 oberer Bereich des Bauraums 10
41 unterer Bereich des Bauraums 10
50 Kamerasystem
50' Kamerasystem (2. Ausführungsbeispiel)
51 Schlitten
52 erstes Kameramodul
52' erstes Kameramodul (2. Ausführungsbeispiel)
52" erstes Kameramodul (3. Ausführungsbeispiel)
53 zweites Kameramodul
53" zweites Kameramodul (3. Ausführungsbeispiel) a Neigungswinkel des ersten Kameramoduls 52" ß Neigungswinkel des zweiten Kameramoduls 53"
54 erster Stellmotor
56 Träger des Schienensystems
57 dritter Stellmotor
58 Schienen 59 Stellmotor
61 Lagerring
62 Drehring
63 Stellmotor dT Temperaturgradient
T Wahrscheinlichkeit ob Pixel geschmolzenes oder ungeschmolzenes Material abdeckt

Claims

ANSPRÜCHE
1. Verfahren zur Verhinderung von Fertigungsfehlern während additiver Fertigung eines Fertigungsobjekts, das die Schritte aufweist:
Vorsehen eines Erfassungssystems (50, 50', 50", 6, 8, 14, 15, 15', 16, 16') in der additiven Fertigungsvorrichtung (1) zur Erfassung mindestens einer Eigenschaft des Fertigungsobjekts,
Fertigung des Fertigungsobjektes in mehreren Fertigungsschritten, wobei während der Fertigung das Erfassungssystem (50, 50' 50", 6, 8, 14, 15, 15', 16, 16') die mindestens eine Eigenschaft des Fertigungsobjekts ermittelt,
Abgleich der mindestens einen Eigenschaft mit einem Sollzustand der Eigenschaft,
Ermittlung von Abweichungen zwischen der mindestens einen Eigenschaft und dem Sollzustand der Eigenschaft,
Bewertung der im Abweichungsermittlungsschritt ermittelten Abweichung, wenn Abweichungen ermittelt werden,
Ermittlung einer Anpassung von mindestens einem Prozessparameter, basierend auf der im Abweichungsermittlungsschritt ermittelten Abweichung zur Reduktion der Abweichung im weiteren Fertigungsfortgang,
Anwendung der im Anpassungsermittlungsschritt ermittelten Anpassung des mindestens einem Prozessparameters.
2. Das Verfahren nach dem vorhergehenden Anspruch, wobei der mindestens eine Prozessparameter einer oder mehrere aus der Gruppe von Bauraumtemperatur, Fertigungslaserintensität oder Fertigungsgeschwindigkeit ist.
3. Das Verfahren nach einem der vorhergehenden Ansprüche, wobei das Erfassungssystem (50, 50', 50", 6,
8, 14, 15, 15', 16, 16') ein Kamerasystem (50, 50' 50") und/oder ein Projektor-Kamerasystem und/oder ein Lasererfassungssystem (6, 8, 14, 15, 15', 16, 16') zur Erfassung einer dreidimensionalen Ausgestaltung des Fertigungsobjekts oder zur Erfassung einer Oberflächentemperatur des Fertigungsobjekts ist.
4. Das Verfahren nach einem der vorhergehenden Ansprüche, wobei die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines modellfreien Algorithmus erfolgt.
5. Das Verfahren nach dem vorhergehenden Anspruch, wobei die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines künstlichen neuronalen Netzes zur Modellierung von Übergangswahrscheinlichkeiten erfolgt.
6. Das Verfahren nach einem der vorhergehenden Ansprüche, wobei die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines modellbasierten Algorithmus erfolgt.
7. Das Verfahren nach dem vorhergehenden Anspruch, wobei die Ermittlung der Anpassung im Anpassungsermittlungsschritt mittels eines künstlichen neuronalen Netzes zur Modellierung von optimierten Sequenzen von Änderungen von Prozessparametern basierend auf einer Systemmodellierung zur Überführung der additiven Fertigungsvorrichtung von einem Ist-Zustand in einen Soll-Zustand erfolgt.
8. Das Verfahren nach dem vorhergehenden Anspruch, wobei für Dynamics und Domain Randomization Umweltparameter während einer Systemsimulation variiert werden, um das künstliche neuronale Netz zu höherer Generalisierung zu zwingen.
9. Das Verfahren nach einem der voranstehenden Ansprüche, wobei die Eigenschaft eine Veränderung einer Wärmeabstrahlung einer Schicht durch Auftrag einer Schicht mit Rohmaterial ist, wobei in einem ersten Schritt vor einem Auftrag der Schicht mit dem Rohmaterial eine erste Temperaturverteilung auf der sichtbaren Oberfläche der Schicht erfasst wird, in einem zweiten Schritt, der ausgeführt wird, nachdem die Schicht des Rohmaterials aufgetragen wurde, eine zweite Temperaturverteilung auf der sichtbaren Oberfläche der Schicht des Rohmaterials erfasst wird und in einem dritten Schritt die erste und die zweite Temperaturverteilung miteinander verglichen und Bereiche identifiziert werden, in denen die zweite Temperaturverteilung von einem Sollwert abweicht.
10. Das Verfahren nach Anspruch 9, wobei aus der ersten Temperaturverteilung und der zweiten Temperaturverteilung eine Temperaturdifferenzkarte gebildet wird und die in der Temperaturdifferenzkarte ermittelten Temperaturdifferenzen mit erwarteten Temperaturdifferenzen als Sollwert verglichen werden.
11. Das Verfahren nach Anspruch 9 oder 10, wobei in den identifizierten Bereichen der Auftrag der Schicht mit dem Rohmaterial korrigiert wird.
12. Vorrichtung zur additiven Fertigung, die eingerichtet ist, ein Verfahren nach den vorhergehenden Verfahrensansprüchen auszuführen.
PCT/EP2022/056874 2021-03-16 2022-03-16 Verhinderung von fertigungsfehlern während der additiven fertigung WO2022194956A1 (de)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
DE102021106430.9A DE102021106430A1 (de) 2021-03-16 2021-03-16 Defekterkennung in der additiven Fertigung
DE102021106431.7A DE102021106431A1 (de) 2021-03-16 2021-03-16 Defekterkennung in der additiven Fertigung
DE102021106430.9 2021-03-16
DE102021106432.5A DE102021106432A1 (de) 2021-03-16 2021-03-16 Defekterkennung in der additiven Fertigung
DE102021106432.5 2021-03-16
DE102021106429.5A DE102021106429A1 (de) 2021-03-16 2021-03-16 Defekterkennung in der additiven Fertigung
DE102021106429.5 2021-03-16
DE102021106431.7 2021-03-16

Publications (1)

Publication Number Publication Date
WO2022194956A1 true WO2022194956A1 (de) 2022-09-22

Family

ID=81307210

Family Applications (3)

Application Number Title Priority Date Filing Date
PCT/EP2022/056878 WO2022194960A1 (de) 2021-03-16 2022-03-16 Defekterkennung in der additiven fertigung
PCT/EP2022/056874 WO2022194956A1 (de) 2021-03-16 2022-03-16 Verhinderung von fertigungsfehlern während der additiven fertigung
PCT/EP2022/056839 WO2022194939A1 (de) 2021-03-16 2022-03-16 Defekterkennung in der additiven fertigung

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/056878 WO2022194960A1 (de) 2021-03-16 2022-03-16 Defekterkennung in der additiven fertigung

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/056839 WO2022194939A1 (de) 2021-03-16 2022-03-16 Defekterkennung in der additiven fertigung

Country Status (1)

Country Link
WO (3) WO2022194960A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150323318A1 (en) * 2014-05-09 2015-11-12 MTU Aero Engines AG Device and method for generative production of at least one component area of a component
WO2018234331A1 (de) * 2017-06-20 2018-12-27 Carl Zeiss Ag Verfahren und vorrichtung zur additiven fertigung
US20210031458A1 (en) * 2019-08-02 2021-02-04 Origin Laboratories, Inc. Method for interlayer feedback control and failure prevention in an additive manufacturing process

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11631213B2 (en) * 2015-12-31 2023-04-18 Magic Leap, Inc. Method and system for real-time 3D capture and live feedback with monocular cameras
EP3609639A1 (de) * 2017-04-14 2020-02-19 Desktop Metal, Inc. Kalibrierung eines 3d-druckers über computersicht
US10639745B2 (en) * 2018-02-21 2020-05-05 Sigma Labs, Inc. Systems and methods for measuring radiated thermal energy during an additive manufacturing operation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150323318A1 (en) * 2014-05-09 2015-11-12 MTU Aero Engines AG Device and method for generative production of at least one component area of a component
WO2018234331A1 (de) * 2017-06-20 2018-12-27 Carl Zeiss Ag Verfahren und vorrichtung zur additiven fertigung
US20210031458A1 (en) * 2019-08-02 2021-02-04 Origin Laboratories, Inc. Method for interlayer feedback control and failure prevention in an additive manufacturing process

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DI CATALDO SANTA ET AL: "Optimizing Quality Inspection and Control in Powder Bed Metal Additive Manufacturing: Challenges and Research Directions", PROCEEDINGS OF THE IEEE, IEEE. NEW YORK, US, vol. 109, no. 4, 4 February 2021 (2021-02-04), pages 326 - 346, XP011845009, ISSN: 0018-9219, [retrieved on 20210322], DOI: 10.1109/JPROC.2021.3054628 *
GOH G D ET AL: "A review on machine learning in 3D printing: applications, potential, and challenges", ARTIFICIAL INTELLIGENCE REVIEW, vol. 54, no. 1, January 2021 (2021-01-01), pages 63 - 94, XP037341447, ISSN: 0269-2821, DOI: 10.1007/S10462-020-09876-9 *
JOSH TOBIN ET AL: "Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 20 March 2017 (2017-03-20), XP080758342, DOI: 10.1109/IROS.2017.8202133 *
MAHESH MANI ET AL: "Measurement Science Needs for Real-time Control of Additive Manufacturing Powder Bed Fusion Processes NIST IR 8036", 28 February 2015 (2015-02-28), pages 1 - 50, XP061056006, Retrieved from the Internet <URL:https://nvlpubs.nist.gov/nistpubs/ir/2015/NIST.IR.8036.pdf> [retrieved on 20150228], DOI: 10.6028/NIST.IR.8036 *
MARIN VLASTELICA ET AL: "Neuro-algorithmic Policies enable Fast Combinatorial Generalization", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 15 February 2021 (2021-02-15), XP081885424 *
YAO BING ET AL: "Markov Decision Process for Image-Guided Additive Manufacturing", IEEE ROBOTICS AND AUTOMATION LETTERS, vol. 3, no. 4, 1 October 2018 (2018-10-01), pages 2792 - 2798, XP055946877, Retrieved from the Internet <URL:https://ieeexplore.ieee.org/ielaam/7083369/8386768/8362941-aam.pdf> DOI: 10.1109/LRA.2018.2839973 *

Also Published As

Publication number Publication date
WO2022194939A1 (de) 2022-09-22
WO2022194960A1 (de) 2022-09-22

Similar Documents

Publication Publication Date Title
EP2329222B1 (de) Verfahren und messanordnung zum bestimmen der rad- oder achsgeometrie eines fahrzeugs
DE102015011914B4 (de) Konturlinienmessvorrichtung und Robotersystem
EP1173749B1 (de) Bildbearbeitung zur vorbereitung einer texturanalyse
EP2598313B1 (de) Verfahren und vorrichtung zum herstellen eines dreidimensionalen bauteils
EP2422297B1 (de) Vorrichtung und verfahren zum erfassen einer pflanze
EP3362262B1 (de) Verfahren und beschichter für eine vorrichtung zum herstellen eines dreidimensionalen objekts
DE69826753T2 (de) Optischer Profilsensor
DE102007045835B4 (de) Verfahren und Vorrichtung zum Darstellen eines virtuellen Objekts in einer realen Umgebung
DE112010004767T5 (de) Punktwolkedaten-Verarbeitungsvorrichtung, Punktwolkedaten-Verarbeitungsverfahren und Punktwolkedaten-Verarbeitungsprogramm
DE102019115874A1 (de) Systeme und verfahren zur verbesserten entfernungsschätzung durch eine monokamera unter verwendung von radar- und bewegungsdaten
EP3775767B1 (de) Verfahren und system zur vermessung eines objekts mittels stereoskopie
DE112017008101T5 (de) Autonome roboter und verfahren zum betreiben derselben
EP3782117A1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur verarbeitung von sensordaten
DE102012215215A1 (de) Verfahren und Vorrichtung zum Erkennen von Abweichungen einer Oberfläche eines Objekts
DE102019215903A1 (de) Verfahren und Vorrichtung zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten eines Sensors insbesondere eines Fahrzeugs, Verfahren zum Trainieren und Verfahren zum Ansteuern
DE102021106429A1 (de) Defekterkennung in der additiven Fertigung
DE102019103519A1 (de) Vorrichtung zum Bestimmen von dimensionalen und/oder geometrischen Eigenschaften eines Messobjekts
Baucher et al. Defect characterization through automated laser track trace identification in SLM processes using laser profilometer data
WO2022194956A1 (de) Verhinderung von fertigungsfehlern während der additiven fertigung
DE202010017899U1 (de) Anordnung zur Aufnahme geometrischer und photometrischer Objektdaten im Raum
DE102021106430A1 (de) Defekterkennung in der additiven Fertigung
DE102021106432A1 (de) Defekterkennung in der additiven Fertigung
DE102021106431A1 (de) Defekterkennung in der additiven Fertigung
DE102014116904B4 (de) Verfahren zum optischen Abtasten und Vermessen einer Szene und zur automatischen Erzeugung einesVideos
DE102021124430B3 (de) Visualisieren von Lidar-Messdaten

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: 22716170

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 22716170

Country of ref document: EP

Kind code of ref document: A1