用于工件的增材制造的方法和装置制造方法及图纸

本发明专利技术涉及一种用于工件(14)的增材制造的方法，其中，由颗粒材料(20)形成具有定义表面的材料层(18)。由相机(40)记录该材料层(18)的至少一个图像，以便确定该材料层(18)的各个性质(110)。根据该材料层(18)的各个性质，使用构建工具(28)选择性地固化该颗粒材料(20)。使用先前训练的统计学习模型(112)检查该材料层(18)的至少一个图像。确定表示多个单独缺陷概率(102a，102b)的至少一个缺陷向量(100)。该多个单独缺陷概率(102a，102b)中的每个单独缺陷概率是关于该材料层(18)中是否存在多个可能的层缺陷中的定义层缺陷的单独指示符。的层缺陷中的定义层缺陷的单独指示符。的层缺陷中的定义层缺陷的单独指示符。

【技术实现步骤摘要】
【国外来华专利技术】用于工件的增材制造的方法和装置
[0001]本专利技术涉及一种用于工件的增材制造的方法，该方法包括以下步骤：
[0002]a)接收以多个连续布置的工件层定义工件的数据集，
[0003]b)产生具有由颗粒材料形成的定义表面的材料层，
[0004]c)记录材料层的至少一个图像并基于该至少一个图像检查材料层，以便确定材料层的各个性质，
[0005]d)使用数据集并且基于材料层的各个性质，借助于构建工具选择性地固化定义表面上的颗粒材料，其中，多个连续布置的工件层中的定义工件层由材料层产生，以及
[0006]e)重复步骤b)至d)，其中，产生多个连续布置的工件层中的另外的定义工件层。
[0007]本专利技术还涉及一种用于工件的增材制造的设备，该设备具有用于接收以多个连续布置的工件层定义工件的数据集的存储器，具有生产平台，具有层形成工具，具有构建工具，具有被定向成朝向生产平台的相机，并且具有评估和控制单元，该评估和控制单元被配置成借助于层形成工具在生产平台上由颗粒材料产生具有定义表面的材料层，还被配置成借助于相机记录材料层的至少一个图像，并且还被配置成借助于构建工具选择性地固化定义表面上的颗粒材料，其中，多个连续布置的工件层中的定义工件层由材料层产生。
[0008]这种方法和这种设备原则上是从US 2015/0061170 A1中获知的。
[0009]用于工件的制造的增材方法有时被称为3D打印。存在各种增材制造方法。在选择性激光烧结(SLS)或选择性激光熔化(SLM)中，使用了所谓的由颗粒材料形成的粉末床。颗粒材料通常是金属材料。然而，还存在涉及颗粒合成材料、特别是聚合物的方法。借助于激光束或电子束，粉末床顶部的选定粉末颗粒被局部和选择性地熔化或至少开始熔化，并且因此在冷却时被选择性地固化。然后，在工件结构和未熔化的剩余粉末上分布新的粉末层，从而分层制造工件。各个工件层通常在生产平台上从底部向上产生，该生产平台随着每个工件层降低对应的层高。
[0010]工件的增材制造使得可以制造具有高度复杂性和低材料费用的各个工件。然而，与此同时，在工件质量方面存在重大挑战，因为可能导致工件缺陷的异常可能发生在任何单独材料层中。异常可能导致缺陷，例如层结构中的孔、微孔、局部层脱离/分层、内部和/或表面上的撕裂、凸起、形状差异和/或材料应力。为此，在增材制造工件的层序列的制造期间，有许多关于尽早检测缺陷的建议。上述US 2015/0061170A1尤其披露了一种具有相机的光学测量传感器，该光学测量传感器可以被配置成使得能够在相应的最上层材料层上进行3D坐标测量。这种情况下的一个困难是反射和阴影，这些反射和阴影可能特别是由金属粉末颗粒引起的，但也可能是由设备的工作空间中的其他物体引起的。
[0011]DE 10 2016 201 289 A1披露了一种用于工件的增材制造的方法，其中，在增材构造期间通过热敏成像材料测试或通过涡流材料测试获取第一测量数据。在增材构造之后借助于计算机断层扫描获取第二测量数据，并将其与第一测量数据进行比较。旨在使用来自监督机器学习领域的算法(未更详细描述)对材料测试的结果进行分类。
[0012]EP 3 459 715 A1披露了一种用于工件的增材制造的方法，其中，旨在借助于分类函数来预测当前层或随后的其他层中的缺陷，该分类函数已经使用来自机器学习领域的技
术(未更详细描述)进行了训练。
[0013]WO 2015/020939 A1披露了一种用于工件的增材制造的基于细丝加工的方法，其中，旨在将CAD输入数据集与借助于来自机器学习领域的算法使用的设备的参数相关联，以便预测由该设备制造的工件的性质和制造所需的时间。对所制造的工件的实际质量控制在使用3D扫描仪并借助于生产平台上的校准图案制造工件之后进行。
[0014]具有相同优先级的DE 10 2017 108 874 A1和US 2020/158499 A1披露了一种用于借助于来自多个不同方向的照射来实现材料测试的光学系统。在一些变型中，该系统可以用于确定要测试的材料层的高度图。
[0015]在这种背景下，本专利技术的一个目的是指定一种用于高质量工件的增材制造的替代方法和对应设备。特别地，一个目的是高效地并且在工艺附近监测材料层的质量，以便能够在早期纠正任何出现的或指示的层缺陷。
[0016]根据本专利技术的第一方面，该目的通过开头提到的类型的方法来实现，其中，使用先前训练的统计学习模型检查步骤c)中的材料层的至少一个图像，其中，该先前训练的统计学习模型用于确定表示多个单独缺陷概率的至少一个缺陷向量，其中，该多个单独缺陷概率中的每个单独缺陷概率是关于材料层中是否存在多个可能的层缺陷中的定义层缺陷的单独指示符，并且其中，步骤d)基于该至少一个缺陷向量执行。
[0017]根据进一步的方面，该目的通过开头提到的类型的设备来实现，其中，评估和控制单元还被配置成使用先前训练的统计学习模型来检查材料层的至少一个图像，其中，该先前训练的统计学习模型用于确定表示多个单独缺陷概率的至少一个缺陷向量，其中，该多个单独缺陷概率中的每个单独缺陷概率是关于材料层中是否存在多个可能的层缺陷中的定义层缺陷的单独指示符，并且其中，该评估和控制单元基于缺陷向量控制层形成工具和构建工具。
[0018]在此还提出了一种用于训练在上述方法和/或上述设备中使用的统计学习模型的方法，该方法包括以下步骤：
[0019]‑
获得示出多个材料层的多个训练图像，其中，该多个材料层包含多个可能的层缺陷，
[0020]‑
在该多个训练图像中标记该多个可能的层缺陷，以便获得这些训练图像的多个注释版本，
[0021]‑
基于这些训练图像的多个注释版本定义停止标准，特别是缺陷标准和/或时间标准，
[0022]‑
将该多个训练图像作为输入数据重复地提供给统计学习模型，并且响应于相应地提供的多个训练图像从该统计学习模型重复地获得输出数据，以及
[0023]‑
使用该多个训练图像和停止标准迭代地优化统计学习模型。
[0024]该多个训练图像优选地包含多个组，这些组具有在每种情况下至少三个、特别是在每种情况下四个训练图像，其中，每个组的训练图像各自示出具有至少一个层缺陷的定义材料层，并且其中，每个组的训练图像示出具有相互不同的照射方向的定义材料层。在数量和照射方面，训练图像优选地对应于根据用于工件的增材制造的新型方法使用先前训练的统计学习模型检查的那些图像，并且因此下面的解释也类似地适用于训练图像。在一些优选的示例性实施例中，训练图像是在定义工件的制造期间记录的，并且停止标准是基于
定义工件定义的。在这些优选的示例性实施例中，已经训练过的学习模型可以在用于制造单个工件的当前制造过程中有利地“重新训练”，使得学习模型相对于单个工件被优化。然后，使用以这种方式重新训练的学习模型，可以在后续的进一步制造过程中非常有利地制造相同类型的其他工件。在一些有利的示例性实施例中，可以基于在每个制造过本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于工件(14)的增材制造的方法，该方法包括以下步骤：a)接收(50)以多个连续布置的工件层定义该工件(14)的数据集(36)，b)产生(52)具有由颗粒材料(20)形成的定义表面的材料层(18)，c)记录(70，74)该材料层(18)的至少一个图像并基于该至少一个图像检查该材料层(18)，以便确定该材料层(18)的各个性质(110)，d)使用该数据集(36)并且基于该材料层(18)的各个性质，借助于构建工具(28)选择性地固化(58)该定义表面上的该颗粒材料(20)，其中，该多个连续布置的工件层中的定义工件层(16)由该材料层(18)产生，以及e)重复步骤b)至d)，其中，产生该多个连续布置的工件层中的另外的定义工件层，其特征在于，使用先前训练的统计学习模型(112)检查步骤c)中的该材料层(18)的至少一个图像，其中，该先前训练的统计学习模型(112)用于确定表示多个单独缺陷概率(102a，102b)的至少一个缺陷向量(100)，其中，该多个单独缺陷概率(102a，102b)中的每个单独缺陷概率是关于该材料层(18)中是否存在多个可能的层缺陷中的定义层缺陷的单独指示符，并且其中，步骤d)基于该至少一个缺陷向量(100)执行。2.如权利要求1所述的方法，其特征在于，在步骤c)中从多个相互不同的方向(42a，42c，42e，42f)照射该材料层(18)并记录该材料层(18)的多个图像，其中，该多个图像中的每个图像以不同的照射方向(42a，42c，42e，42f)示出该材料层，并且其中，使用该多个图像来确定各个性质。3.如权利要求2所述的方法，其特征在于，该多个图像(90a，90b)作为输入数据被一起提供给该先前训练的统计学习模型(112)。4.如权利要求1至3之一所述的方法，其特征在于，在步骤c)中使用该至少一个图像来确定该材料层(18)的高度图，其中，该高度图作为输入数据集被提供给该经训练的统计学习模型(112)。5.如权利要求1至4之一所述的方法，其特征在于，在步骤c)中确定多个缺陷向量，这些缺陷向量各自表示多个单独缺陷概率，其中，该多个缺陷向量中的每个缺陷向量表示与该至少一个图像中的选定像素区域相关的单独缺陷概率。6.如权利要求5所述的方法，其特征在于，该多个缺陷向量中的每个缺陷向量表示与该至少一个图像中的另一个单独像素相关的单独缺陷概率。7.如权利要求5和6中任一项所述的方法，其特征在于，使用该多个缺陷向量确定该材料层中的定义缺陷的形态学性质和/或尺寸性质。8.如权利要求1至7之一所述的方法，其特征在于，该先前训练的统计学习模型包含卷积神经网络(112)，特别是具有编码器/解码器架构的卷积神经网络。9.如权利要求1至8之一所述的方法，其特征在于，借助于参考图像对该材料层(18)的至少一个图像进行归一化，其中，该参考图像示出了均匀的漫反射表面或无缺陷的材料层。10.如权利要求1至9之一所述的方法，其特征在于，该至少一个缺陷向量(100)与标识该材料层(18)的时间戳一起被存储为历史缺陷向量(104)，其中，这些另外的定义工件层是基于该历史缺陷向量产生的。11.如权利要求1至10之一所述的方法，其特征在于，该材料层(18)的至少一个图像与标识该材...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：卡尔蔡司工业测量技术有限公司，
类型：发明
国别省市：