KR20220103768A - 제조 데이터를 이용한 머신 러닝 기반 적층 제조 - Google Patents

제조 데이터를 이용한 머신 러닝 기반 적층 제조 Download PDF

Info

Publication number
KR20220103768A
KR20220103768A KR1020227020774A KR20227020774A KR20220103768A KR 20220103768 A KR20220103768 A KR 20220103768A KR 1020227020774 A KR1020227020774 A KR 1020227020774A KR 20227020774 A KR20227020774 A KR 20227020774A KR 20220103768 A KR20220103768 A KR 20220103768A
Authority
KR
South Korea
Prior art keywords
fabrication
additive manufacturing
additively manufactured
machine learning
new
Prior art date
Application number
KR1020227020774A
Other languages
English (en)
Inventor
파드마나반 닐라칸탄
Original Assignee
노스롭 그루먼 시스템즈 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 노스롭 그루먼 시스템즈 코포레이션 filed Critical 노스롭 그루먼 시스템즈 코포레이션
Publication of KR20220103768A publication Critical patent/KR20220103768A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/30—Process control
    • B22F10/36—Process control of energy beam parameters
    • B22F10/366—Scanning parameters, e.g. hatch distance or scanning strategy
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/30—Process control
    • B22F10/38—Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/40—Structures for supporting workpieces or articles during manufacture and removed afterwards
    • 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
    • B22F10/40—Structures for supporting workpieces or articles during manufacture and removed afterwards
    • B22F10/47—Structures for supporting workpieces or articles during manufacture and removed afterwards characterised by structural features
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • 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
    • 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
    • B33Y70/00—Materials specially adapted for additive manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
    • H04L9/0637—Modes of operation, e.g. cipher block chaining [CBC], electronic codebook [ECB] or Galois/counter mode [GCM]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
    • H04L9/3239—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions involving non-keyed hash functions, e.g. modification detection codes [MDCs], MD5, SHA or RIPEMD
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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
    • B22F10/10—Formation of a green body
    • B22F10/14—Formation of a green body by jetting of binder onto a bed of metal powder
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—Direct sintering or melting
    • B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F2999/00—Aspects linked to processes or compositions used in powder metallurgy
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • 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
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • G06F30/3312—Timing analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)

Abstract

머신 러닝 기반 적층 제조를 위한 시스템 및 방법은 머신 러닝 모델을 사용하여 새로운 부품 트랜잭션을 설명하는 입력 벡터를 처리하고, 이에 의해 시작 출력을 제공하여 새로운 부품의 적층 제조를 구성할 수 있다. 상기 머신 러닝 모델은 사용자 경험 데이터베이스의 항목에 기반하여 훈련되고 상기 사용자 경험 데이터베이스의 각 항목은 이전에 제조되었거나 제조가 시도된 적층 제조된 부품에 대한 요구 사항, 적층 제조하는 제작 장치를 설명하는 사양, 상기 적층 제조된 부품의 제조을 위해 상기 제작 장치에 공급되는 원료 유형의 선택, 상기 제작 장치 내에서 상기 적층 제조된 부품의 제조 공간 배향, 상기 적층 제조된 부품의 제조 슬라이싱 해상도, 및 상기 적층 제조된 부품을 제조할 때 상기 제작 장치가 취하는 도구 경로를 정의하는 데이터를 적어도 포함한다.

Description

제조 데이터를 이용한 머신 러닝 기반 적층 제조
본 발명은 일반적으로 적층 제조를 위한 소프트웨어 도구의 분야에 관한 것으로, 특히 제조 데이터를 사용하여 머신 러닝 기반 적층 제조를 위한 방법 및 시스템에 관한 것이다.
[관련 출원]
본 출원은 2019년 12월 17일에 출원된 미국 특허 출원 일련 번호 16/717624의 우선권을 주장하며, 이것은 전체가 본 명세서에 포함된다.
적층 제조는 3차원(3D) 모델 데이터로부터 물리적 물체를 층별로 제작하는 프린터 또는 기타 제작 기계를 사용하여 원자재를 결합하는 컴퓨터 제어 프로세스이다. 따라서 적층 제조는 가공되지 않은 공작물에서 재료를 잘라내거나 태우거나 다른 방식으로 절단 또는 제거하여 물리적 물체를 제작하는 절삭 제조 방법론과 대조될 수 있다. 본 출원의 목적을 위해, 원료는 유용한 형태로 미리 형성되어 있지 않은 실질적으로 균질한 물질이다. 적층 제조 기술은 3D 프린팅, 바인더 젯팅(binder jetting), 직접 에너지 증착, 가동 암에 장착된 가열 노즐에서의 재료 압출, 분말 베드 융합(직접 금속 레이저 용융(DMLM) 포함), 직접 금속 레이저 소결(DMLS), 전자빔 용융(EBM), 선택적 레이저 소결(SLS) 및 선택적 열 소결(SHS)), 시트 적층(적층 물체 제조(LOM) 및 초음파 적층 제조(UAM) 포함), 용기 중합 및 와이어 아크 적층 제조를 포함한다. 본 출원의 목적을 위해, 적층 제조는 원료가 아닌 상이한 조립식 구성요소를 단순히 함께 조립하는 것을 의미하지 않는다. "적층 제조"라고 하는 전체 프로세스는 부품의 적층 제조로 시작하지만 감산 제조 단계를 더욱 포함할 수 있다. 일 예로, 적층 제조는 돌출 구조의 증착을 지원하기 위해 서포트 구조의 제작을 요구할 수 있으며, 이 서포트 구조는 완성된 가공 물체의 일부를 형성하는 것이 아니므로 예를 들어, 이들을 수동으로 절단하거나 초음파 에너지를 사용하여 용해하는 방식으로 제거되어야 한다. 공정은 이러한 감산 사후처리 단계를 포함할 수 있지만 여전히 적층 제조라고 말할 수 있다.
머신 러닝(ML)은 인공 지능(AI)의 하위 집합으로, 여기에서 컴퓨터는 학습 또는 훈련 데이터 세트를 분석한 후, 사실상 과거 경험으로부터 일반화하기 위해 패턴과 추론에 의존하여, 명시적으로 코딩된 명령을 사용하지 않고 작업을 정확하게 수행하기 위해 알고리즘 및 통계 모델을 사용한다. 따라서 ML 기반 시스템은 이전에 보거나 고려되지 않았고 모든 개별 사례에 대해 코딩하는 것이 불가능했던 문제를 해결할 수 있다. ML 알고리즘의 유형은 비지도 학습 및 기능 학습을 포함한다. 훈련 데이터에 대해 훈련될 수 있는 ML 모델의 유형은 인공 신경망, 의사 결정 트리, 서포트 벡터 머신, 회귀 분석 모델, 베이지안(Bayesian) 네트워크, 유전 알고리즘, 주성분 분석, 클러스터 분석을 포함한다.
분산 원장은 중앙 관리자나 중앙 집중식 데이터 저장소가 없는 여러 네트워크 컴퓨터 시스템에 걸쳐 분산된 복제, 공유 및 동기화된 디지털 데이터의 컨센서스이다. 블록체인은 암호화를 사용하여 연결된 블록이라고 하는, 레코드의 증가하는 목록을 포함하는 분산 원장으로, 각 블록은 이전 블록의 암호화 해시, 타임스탬프 및 (예를 들어 Merkle 트리로 표현되는) 트랜잭션 데이터를 포함한다. 일단 기록되면, 임의 블록의 데이터는 모든 후속 블록의 변경 없이 소급적으로 변경될 수 없으며, 이는 원장이 분산하여 저장되는 네트워크 컴퓨터 시스템의 컨센서스를 필요로 한다. 사설 블록체인은 허가를 필요로 하는 블록체인으로, 네트워크 관리자가 초대한 사람에게만 참가자와 검증인의 액세스를 제한한다.
일 예는 머신 러닝 기반 적층 제조 방법을 포함한다. 상기 방법은 적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 개시 출력을 제공하기 위해 새로운 부품 트랜잭션을 설명하는 입력 벡터를, 머신 러닝 모델로 처리하여 새로운 부품의 적층 제조를 구성하는 단계를 포함한다. 상기 머신 러닝 모델은 사용자 경험 데이터베이스의 항목에 기반하여 훈련되고, 상기 사용자 경험 데이터베이스의 항목은 각각 이전에 제작되었거나 제작이 시도된 적층 제조된 부품에 대한 요구 사항, 적층 제조하는 제작 장치를 설명하는 사양, 상기 적층 제조된 부품의 제작을 위해 상기 제작 장치에 공급되는 원료 유형의 선택, 상기 제작 장치 내에서 상기 적층 제조된 부품의 제작 공간 배향, 상기 적층 제조된 부품의 제작 슬라이싱 해상도, 및 상기 적층 제조된 부품을 제조할 때 상기 제작 장치가 취한 도구 경로를 정의하는 데이터를 적어도 포함한다. 상기 방법은 상기 적어도 하나의 부품 최적화 출력 및 상기 적어도 하나의 명령 개시 출력에 기반하여 적층 제조를 사용하여 상기 새로운 부품을 제작하는 단계를 더 포함한다.
다른 예는 머신 러닝 기반 적층 제조 시스템을 포함한다. 상기 시스템은 하나 이상의 비일시적 컴퓨터 판독 가능 메모리에 저장되거나 분산된 사용자 경험 데이터베이스를 포함한다. 상기 사용자 경험 데이터베이스의 항목은 각각, 이전에 제조되었거나 제조가 시도된 적층 제조된 부품에 대한 요구 사항, 적층 제조하는 제작 장치를 설명하는 사양, 상기 적층 제조된 부품의 제작을 위해 상기 제작 장치에 공급되는 원료 유형의 선택, 상기 제작 장치 내에서 상기 적층 제조된 부품의 제작 공간 배향, 상기 적층 제조된 부품의 제작 슬라이싱 해상도, 및 상기 부품을 제조할 때 상기 제작 장치가 취하는 도구 경로를 정의하는 데이터를 적어도 포함한다. 상기 시스템은 상기 사용자 경험 데이터베이스의 상기 항목에 기반하여 훈련된 머신 러닝 모델을 구현하는 명령을 실행하도록 구성된 프로세서를 더 포함한다. 상기 머신 러닝 모델은 적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 개시 출력을 제공하기 위해 새로운 부품 트랜잭션을 설명하는 입력 벡터를 처리하도록 구성되어 새로운 부품의 적층 제조를 구성한다.
또 다른 예는 컴퓨터를 상술된 시스템으로 제공하거나 컴퓨터와 함께 상술된 방법을 실행하도록 구성된 하나 이상의 컴퓨터 판독 가능 매체를 포함한다. 이 예는 컴퓨터 프로세서에 의해 실행될 때 상기 프로세서로 하여금: 다수의 항목을 포함하는 사용자 경험 데이터베이스에서 훈련된 머신 러닝 모델로, 적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 개시 출력을 제공하기 위해 새로운 부품 트랜잭션을 설명하는 입력 벡터를 처리하여 새로운 부품의 적층 제조를 구성하도록 하는 명령을 저장하는 하나 이상의 비일시적 컴퓨터 판독 가능 매체를 포함할 수 있다. 상기 사용자 경험 데이터베이스의 항목은 각각 이전에 제작되었거나 제작이 시도된 적층 제조된 부품에 대한 요구 사항, 적층 제조하는 제작 장치를 설명하는 사양, 상기 적층 제조된 부품의 제작을 위해 상기 제작 장치에 공급되는 원료 유형의 선택, 상기 제작 장치 내에서 상기 적층 제조된 부품의 제작 공간 배향, 상기 적층 제조된 부품의 제작 슬라이싱 해상도, 및 상기 적층 제조된 부품을 제작할 때 상기 제작 장치가 취하는 도구 경로를 정의하는 데이터를 적어도 포함한다.
도 1은 제조 데이터를 사용하는 머신 러닝 기반 적층 제조를 위한 예시적인 시스템의 기능 블록도이다.
도 2는 제조 데이터를 사용하는 머신 러닝 기반 적층 제조를 위한 예시적인 시스템의 기능 블록도이다.
도 3은 적층 제조 머신 러닝 모델의 예시적인 훈련을 도시하는 흐름도이다.
도 4는 머신 러닝 기반 적층 제조의 예를 예시하는 흐름도이다.
도 5a 내지 도 5d는 적층 제조 제조를 위한 예시적인 회로 기판 모형의 3D 모델의 투시도 및 다양한 평면도를 각각 도시한다.
도 6은 희소, 저밀도 부품 빌드 스타일을 사용하여 스테레오리소그래피 형식으로 변환한 후의 도 5a 내지 도 5d의 모델의 층의 일부를 도시한다.
도 7은 제작을 위해 재방향된, 도 5a 내지 5d의 모델의 사시도이다.
도 8은 층으로 슬라이스된 도 7의 모델의 사시도이다.
도 9a 내지 도 9d는 각각 서포트 곡선이 추가된 도 8의 STL 모델의 사시도 및 다양한 평면도를 도시한다.
도 10은 서포트 곡선을 갖는 모델을 도시하는, 도 9a 내지 9d의 모델의 사시도이다.
도 11은 도 10의 모델의 단일층의 사시도이다.
도 12는 제조 데이터를 사용하는 머신 러닝 기반 적층 제조의 예시적인 방법의 흐름도이다.
기업은 고객에게 판매하기 위한 제품 자체로 또는 신제품 개발 사이클의 일부로 사내 프로토타입으로 적층 제조된 부품 또는 어셈블리를 생산할 수 있다. 그러나 적층 제조는 주어진 부품 또는 어셈블리에 대해 성공에 이르기 전에 적층 제조 실패가 많이 발생할 수 있다는 점에서 매우 경험적이며 반복적인 프로세스일 수 있다. 부분적 또는 완전한 적층 제조 후 출력 부품 또는 어셈블리가 예상 또는 원하는 대로 생산되지 않거나 필요한 사양이나 허용 오차를 충족하지 않는 경우 실패가 발생한다. 부품이나 조립품이 적층가공으로 성공적으로 생산되더라도, 다른 사전 제작 처리 및 인쇄 설정 중에서 부품 방향, 인쇄 해상도 및 재료 유형 선택과 관련하여 더 나은 선택을 통해 부품이 보다 최적의 방식으로 생산된 경우보다 프린터 시간, 사후가공 시간, 원자재 등 필요한 양 이상의 자원이 제조시 생성된다는 점에서, 생산 과정은 낭비가 될 수 있다. 적층 제조 실패의 일반적인 원인 또는 차선책은 너무 많아 일일이 열거할 수 지만, 결함이 있거나 차선의 부품 인쇄 방향 또는 결함이 있거나 차선의 서포트 구조 배치 또는 설계를 포함할 수 있다. 한편, 고객 요구 사항을 추출하고, 프린터 사양 및 설정을 이해하고, 적절한 재료를 선택하고, 모델 파일을 스테레오리소그래피 파일 형식으로 적절하게 변환하는 데 주의를 기울인다면 성공적인 부품 제작을 보장할 수 있다.
각각의 실패 또는 차선의 성공은 인력 낭비 및 프린터 시간 및/또는 원자재의 낭비가 되지만, 적층 제조 공정의 시행착오 과정에서 축적된 "교훈" 및 "조직 내 지식"에 추가될 수도 있다. 이 축적된 지식은 동일한 부품이나 어셈블리 또는 완전히 새로운 부품이나 어셈블리의 향후 반복의 적층 제조 정보에 유용할 수 있지만, 문서화되지 않고 체계적인 방식으로 배포되지 않으면, 한 명 또는 소수의 개별 적층 제조 직원("사용자")의 개인적인 경험 내에서 개인적인 노하우로만 남을 수 있으므로, 개인이나 기업의 직원 내 지식이 풍부한 여러 사용자 또는 전체 사용자가 상담할 수 있는 것 보다 더 많은 부품이나 어셈블리를 적층 제조해야 할 필요가 있는 대기업에는 유용하지 않다. 서면 보고서를 내부에 게시하거나 컴퓨터 네트워크의 파일 서버에 저장하는 것과 같은 전통적인 수단을 사용하여 문서화되고 배포되더라도, 그러한 축적된 지식은 직원 구성원의 비실용성을 감안할 때 향후 반복 또는 새 부품 또는 어셈블리를 개선하고, 수천 또는 수백만 건의 보고서가 포함된 대규모 전자 디렉토리 또는 문서 데이터베이스에 직면하고, 원하는 지식을 찾을 수 있는 곳을 알거나, 그러한 지식이 디렉토리 또는 데이터베이스에 존재할 수 있음을 알기 위해 사용하려는 실용적인 측면에서 접근할 수 없는 상태에 있다. 더욱, 기존 지식 저장 수단은 향후 생산 작업 결과를 개선하기 위해 유용하게 구현될 수 있는 방식으로, 내부에 저장된 지식이 각 적층 제조 생산 작업에서 주어진 부품 또는 어셈블리에 대해 반복적으로 더 강력해지도록 하는 방법을 제공하고 있지 않다.
첨부된 도면에 도시되고 본 명세서에서 설명된 시스템 및 방법은 블록체인과 같은 데이터베이스에 지식을 저장하고, 축적된 지식에 대해 머신러닝 모델을 교육하고, 훈련된 머신 러닝 모델을 새로운 적층 제조 프로젝트 및 작업에 적용하여 향상된 적층 제조 결과를 제공함으로써, 기업 또는 조직 내에서 축적된 적층 제조 지식의 자동화된 재사용을 가능하게 하고, 이에 의해 최적이 아닌 적층 제조 생산과 관련된 실패 및 낭비를 줄일 수 있다. 사설 원장은 기업이나 조직 내에서 생산된 각 적층 제조 부품 또는 어셈블리에 대해 학습된 교훈과 조직 내 지식을 포함하는 오픈 소스 블록체인 기반 분산 플랫폼으로 기능할 수 있다. 각 원장 블록은 부품 지오메트리, 빌드 매개변수 및 방향, 실패 분석 모델링, 교훈, 조직 내 지식, 처리 소프트웨어, 사용된 기계, 유한 요소 방법(FEM)/유한 요소 분석(FEA) 모델, 결점, 결함 및 이미지와 같은 정보를 포함하여, 다양한 제조 지식을 포함할 수 있다. 원장은 각 참가자 입력에 따라 반복적으로 더 강해질 수 있다. 원장의 기록은 암호화를 통해 연결되고 보호될 수 있다. 즉, 원장은 블록체인이 될 수 있다.
다음 경험을 보다 생산적으로 및/또는 덜 낭비적으로 만들 수 있는 적층 제조 공정에 적용될 수 있는 기술적 트릭과 수많은 교훈은 예를 들어 기업 또는 조직 내에서 복수의 사용자가 공유하는 이력 기록으로 수집될 수 있다. 학습 경험이 추가되면서 이력적 기록이 더욱 풍부해지고 확장됨에 따라, 이력 기록에 대해 훈련된 머신 러닝 모델을 포함하는 시스템은 학습된 실시간 시정 조치를 자동으로 적용하거나 예를 들어, 3D 프린터를 시작하기 위해 제조 명령이 시작되기 전에, 사용자에게 수정을 권장할 수 있다. 이에 따라 본 명세서에 기술된 시스템 및 방법은 성공적인 적층 제조 경험의 가능성을 증가시키고/시키거나 그에 의해 적층 제조된 물체 또는 어셈블리의 품질을 개선할 수 있다. 설명된 시스템 및 방법은 인쇄 생산 작업의 수 또는 수용 가능한 출력을 달성하는 데 필요한 인쇄 생산 작업의 실행을 줄일 수 있으므로, 제조 비용을 낮출 수 있다.
설명된 시스템 및 방법은 대규모의, 잠재적으로 전세계적인 역사적 인구 기반의 자원을 활용할 수 있다. 머신 러닝 모델은 완료된 부품 트랜잭션의 한정 세트와 함께 설명된 매개변수에 대해 학습될 수 있으므로, 새로운 부품 빌드 문제가 제시될 때 정확한 결론에 도달하는 기능을 용이하게 한다.
도 1은 제조 데이터를 사용하는 머신 러닝 기반 적층 제조를 위한 예시적인 시스템(100)의 기능 블록도를 도시한다. 시스템(100)은 클라우드 컴퓨팅 환경에 상주할 수 있는 하나 이상의 물리적 장치(예: 서버) 또는 랩톱 컴퓨터, 데스크톱 컴퓨터, 태블릿 컴퓨터, 워크스테이션 등과 같은 컴퓨터에 구현될 수 있다. 본 예에서는 시스템(100)의 구성요소(102, 104, 106, 108, 110)가 동일한 시스템에서 구현되는 것으로 도시되어 있지만, 다른 예들에는, 상이한 구성요소들이 상이한 시스템들에 걸쳐 분산될 수 있으며, 예를 들어 무선 네트워크, 유선 네트워크, 또는 이들의 조합을 포함하는 네트워크를 통해 통신할 수 있다. 시스템(100)은 데이터 소스로서, 적층 제조 제조 매개변수 및 측정되거나 기록된 적층 제조 생산 결과 데이터를 패턴 분해 구성요소(104)에 제공하기 위해 액세스될 수 있는 적층 제조 지식 베이스(102)를 포함한다. 적층 제조 지식 베이스(102)는 예를 들어 로컬 버스 또는 네트워크 연결에 의해 액세스 가능한 임의의 저장 매체, 또는 사용자가 하나 이상의 이전 적층 제조 생산 작업으로부터 정보를 입력할 수 있는 사용자 인터페이스를 포함할 수 있다. 일부 예에서, 지식 베이스(102)은 단일 중앙 시스템에 저장되거나 여러 시스템에 분산된 관계형 데이터베이스이다. 일부 예들에서, 지식 베이스(102)는 분산 원장이다. 일부 예에서, 지식 베이스(102)는 블록체인으로, 즉 지식 베이스(102)는 분산 원장의 타임스탬프 블록으로 저장된 데이터베이스의 각 항목을 갖는 블록체인 형식으로 저장된 데이터베이스일 수 있다. 일부 예에서, 지식 베이스(102)는 기업 또는 조직 내 승인된 사용자만이 쓰고/읽을 수 있도록 구성된 사설 블록체인이다.
패턴 분해 구성요소(104)는 인쇄되는 객체 또는 어셈블리를 나타내는 정보, 프린터 설정을 나타내는 정보, 및 인쇄 결과를 나타내는 정보를 포함하는 과거 적층 제조 경험을 나타내는 적층 제조 데이터 세트를 분해하도록 프로그래밍된다. 여기서 "프린트"라는 단어는 3D 프린팅뿐만 아니라 모든 유형의 적층 제조 방식을 지칭하기 위해 포괄적으로 사용된다. 예를 들어, 적층 제조 데이터의 새로운 벡터는 기본 벡터의 선형 조합으로 분해되어 적층 제조 데이터를 나타내는 계수 세트를 제공할 수 있다. 적층 제조 데이터 필드(414)의 유형의 예시적인 목록이 도 4에 도시되어 있다.
특징 추출기(106)는 패턴 분해 구성요소(104)에서 생성된 계수 세트 중 적어도 하나를 포함하는 특징 벡터를 생성한다. 머신 러닝 모델(108)은 메트릭으로부터 새로운 인쇄 작업에 대한 적어도 하나의 사전 제작 모델 조정 매개변수 및/또는 인쇄 설정 매개변수 및/또는 적어도 하나의 인쇄 작업 결과 추정치를 결정한다. 예를 들어, 배타적인 목록을 의미하는 것은 아니지만, 사전 제작 모델 조정 매개변수는 인쇄 작업에서 인쇄할 구성요소 또는 어셈블리의 인쇄 방향, 사용할 레이어 수 또는 레이어 두께 또는 두께, 사전 제작 모델 처리 단계에서 3차원 모델이 인쇄를 위해 분할되는 방식을 설명하는 기하 매개변수, 또는 사전 제작 모델 처리 단계 동안 모델에 추가된 서포트 구조의 배치 또는 형상을 제어하는 정보를 나타낼 수 있다. 예를 들어, 배타적인 목록을 의미하는 것은 아니지만, 인쇄 설정 매개변수는 작업에 사용할 재료, 사용할 특정 프린터 또는 프린터 모델, 노즐 구멍 두께 또는 온도, 또는 3D 프린터 또는 기타 적층 제조 제작 장치에서 수정을 위해 액세스할 수 있는 기타 여러 매개변수 중 하나를 나타낼 수 있다. 예를 들어, 배타적인 목록을 의미하는 것은 아니지만, 결과 추정은 작업의 인쇄 시간 추정, 인쇄 작업의 원자재 사용량 추정 또는 인쇄 작업의 성공 가능성 추정일 수 있다. 사전 제작 모델 조정 매개변수 또는 인쇄 설정 매개변수는 각각 부품 최적화 또는 명령 시작을 제공하거나 이에 기여한다. 머신 러닝 모델(108)에 의해 제공되는 사전 제작 모델 조정 매개변수, 인쇄 설정 매개변수 및/또는 결과 추정은 시스템(100)과 연관된 비일시적 컴퓨터 판독 가능 매체에 저장될 수 있고/있거나 사용자 인터페이스를 통해 디스플레이에서 사용자에게 제공될 수 있다(도 1에는 도시되지 않고, 도 2 참조).
도 2는 제조 데이터를 사용하는 머신 러닝 기반 적층 제조를 위한 예시적인 시스템(200)의 기능 블록도를 도시한다. 이를 위해, 시스템(200)은 원형 매개변수로의 적층 제조 데이터의 분해로 생성된 특징을 활용하는 머신 러닝 모델(214)을 통합하여, 3D 프린터 또는 기타 적층 제조 제작 장치에 대한 사전 제작 모델 처리 조정 또는 설정에 대한 변경을 나타내는 범주형 또는 연속 적층 제조 매개변수를 생성한다. 예시된 구현에서, 적층 제조 지식 베이스(202)는 하나 이상의 과거 인쇄 작업 또는 인쇄 실행에 관한 적층 제조 데이터를, 기계 실행 가능 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체(206)에 동작 가능하게 연결된 범용 프로세서(204)로서 구현된 데이터 분석 구성요소에 제공한다. 예시된 시스템(200)에서, 적층 제조 데이터는 부품 프로그래밍 정보뿐만 아니라 특정 기계 또는 소프트웨어 변수도 포함할 수 있다. 마우스 또는 키보드와 같은 입력 장치(218)는 사용자가 적층 제조 데이터를 입력하거나 수정하는 것을 포함하여, 시스템(200)과 상호 작용할 수 있도록 제공될 수 있고, 디스플레이(220)는 사용자에게 적층 제조 데이터 및 계산된 매개변수를 디스플레이하기 위해 제공될 수 있다.
예시된 예(200)에서, 기계 실행 가능 명령어는 인쇄 작업을 3D 인쇄되거나 그렇지 않으면 적층 제조되는 대상의 유형 또는 여러 수준의 복잡성을 나타내는 복수의 범주 중 하나로 분류하는 사전 분류기(208)를 포함한다. 사전 분류기(208)는 이러한 결정을 위해 임의의 적절한 분류 모델을 활용할 수 있으며, 예를 들어 부품 기하학에 기초하여 부품을 분류하기 위한 확률 분포를 생성하거나, 간단한 예에서, 사전 분류기는 복잡성 및/또는 유형 범주를 명시적으로 지정하는 지식 베이스(202)의 적층 제조 데이터에 저장된 하나 이상의 사용자 생성 변수에 사전 분류를 기반으로 할 수 있다.
패턴 분해 구성요소(210)는 적층 가공 데이터 패턴의 정의된 기본 세트의 선형 조합으로 적층 가공 데이터를 분해하도록 프로그래밍되어, 도 1의 시스템(100)에서와 같이, 적층 제조 데이터를 특징짓는 계수 세트를 생성할 수 있다. 예를 들어, 정의된 기본 세트는 적층 제조 데이터 코퍼스에 대한 원형 분석을 통해 정의될 수 있다. 그러나 예시된 예에서, 다중 기저 세트가 생성될 수 있고, 이들 각각은 사전 분류기(208)와 연관된 복수의 카테고리 중 하나를 나타낸다. 따라서 각 인쇄 작업에 대한 패턴 분해 구성요소(210)에서 사용되는 기본 세트는 사전 분류기(208)에서 해당 인쇄 작업에 할당된 카테고리에 따라 할당될 수 있다. 이하에서 논의되는 도 5 내지 11은 예시적인 인쇄 작업의 사전 제작 모델 처리를 설명한다.
패턴 분해 구성요소(210)로부터의 계수 세트는 주어진 과거 인쇄 작업을 나타내는 특징 벡터를 생성하기 위해 특징 추출기(212)에 제공될 수 있다. 시간 경과에 따른 인쇄 작업의 연속적인 반복에 대해 여러 세트의 적층 제조 데이터를 획득하는 경우, 적층 제조 데이터의 값에 대한 변경, 중심 경향 측정 또는 편차 측정이 또한 특징 벡터에서 사용될 수 있다.
머신 러닝 모델(214)은 예를 들어 분류 및 회귀 모델로서 구현된 하나 이상의 패턴 인식 알고리즘을 활용할 수 있으며, 이들 각각은 추출된 특징 벡터를 분석하여 하나 이상의 사전 제작 또는 제작 매개변수 또는 결과 추정을 작업에 할당할 수 있다. 훈련되고, 제작할 새로운 부품에 대한 정보를 입력하면, 머신 러닝 모델은 가능한 최적의 부품 인쇄 방향 (새 부품이 제작을 위해 3차원 공간에서 어떻게 배향되어야 하는지를 지시); 인쇄 전에 모델에 추가해야 하는 서포트 구조의 유형, 배치 및 특성; 슬라이싱 메커니즘; 증착 층; 하나 이상의 도구 경로; 및/또는 하나 이상의 경계 곡선(제안 또는 결정의 예로서)에 대해 사실상 자동으로 제안 또는 결정을 내릴 수 있다. 사전 제작 또는 제작 매개변수 또는 결과 추정치는 범주형이거나 연속적일 수 있다. 예를 들어 범주형 매개변수는 선택한 재료 유형 또는 인쇄 작업에 사용할 프린터 모델을 나타낼 수 있다. 연속 매개변수는 예를 들어 모델 방향, 작업에 사용할 레이어 수, 레이어 두께, 사전 제작 모델 처리에 사용되는 다양한 기하학적 매개변수, 인쇄 시간 추정치, 또는 인쇄 작업에 성공할 가능성의 예상치를 나타낼 수 있다.
다중 분류 및 회귀 모델이 사용되는 경우, 머신 러닝 모델(214)은 다양한 알고리즘으로부터 일관된 결과를 제공하기 위해 이용될 수 있는 중재 요소를 포함할 수 있다. 다양한 모델의 출력에 따라, 중재 요소는 가장 높은 신뢰도를 가진 모델로부터 클래스를 선택하고, 임계 신뢰도를 충족하는 모든 모델로부터 복수의 클래스를 선택하고, 모델 중 투표를 통해 클래스를 선택하거나, 여러 모델의 출력을 기반으로 숫자 매개변수를 할당한다. 다르게, 중재 요소 자체는 다른 모델의 출력을 특징으로 수신하고 인쇄 작업에 대한 하나 이상의 출력 클래스를 생성하는 분류 모델로 구현될 수 있다.
머신 러닝 모델(214) 및 임의의 구성 모델은 다양한 관심 클래스를 나타내는 훈련 데이터에 대해 훈련될 수 있다. 머신 러닝 모델(214)의 훈련 프로세스는 그 구현에 따라 다양하지만, 훈련은 일반적으로 출력 클래스와 관련된 하나 이상의 매개변수로 훈련 데이터의 통계적 집계를 포함한다. 지원 벡터 머신(SVN), 회귀 모델, 자체 구성 맵, 퍼지 논리 시스템, 데이터 융합 프로세스, 부스팅 및 배깅(boosting and bagging) 방법, 규칙 기반 시스템 또는 인공 신경망(ANN)을 포함하는, 다양한 기술이 모델에 사용될 수 있다.
예를 들어, SVM 분류기는 N차원 특징 공간에서 경계를 개념적으로 분할하기 위해 초평면(hyperplane)이라고 하는 복수의 기능을 활용할 수 있으며, 여기서 N 차원의 각각은 특징 벡터의 하나의 연관된 특징을 나타낸다. 경계는 각 클래스와 연관된 기능 값의 범위를 정의한다. 따라서, 출력 클래스 및 연관된 신뢰 값은 경계에 대한 특징 공간에서의 위치에 따라 주어진 입력 특징 벡터에 대해 결정될 수 있다. SVM 분류기는 사용자 지정 커널 기능을 활용하여 정의된 기능 공간 내에서 훈련 데이터를 구성한다. 가장 기본적인 구현에서, 커널 함수는 방사형 기저 함수일 수 있지만, 본 명세서에서 설명된 시스템 및 방법은 다수의 선형 또는 비선형 커널 함수 중 임의의 것을 사용할 수 있다.
ANN 분류기는 복수의 상호접속을 갖는 복수의 노드를 포함한다. 특징 벡터로부터의 값은 복수의 입력 노드에 제공된다. 입력 노드는 각각 이러한 입력 값을 하나 이상의 중간 노드의 레이어에 제공한다. 주어진 중간 노드는 이전 노드로부터 하나 이상의 출력 값을 수신한다. 수신된 값은 분류기 훈련 중에 설정된 일련의 가중치에 따라 가중치가 부여된다. 중간 노드는 노드의 전달 함수에 따라 수신된 값을 단일 출력으로 변환한다. 예를 들어, 중간 노드는 수신된 값을 합산하고 이 합을 이진 단계 함수 처리할 수 있다. 노드의 마지막 계층은 ANN의 출력 클래스에 대한 신뢰도 값을 제공한다. 각 노드는 분류기의 연관된 출력 클래스 중 하나에 대한 신뢰도를 나타내는 연관된 값을 가진다.
회귀 모델은 연속적인 결과를 제공하기 위해 추출된 특징의 다양한 함수, 가장 일반적인 선형 함수에 가중치 세트를 적용한다. 일반적으로 회귀 기능은 범주형일 수 있으며, 예를 들어 0 또는 1로 표시되거나 연속적일 수 있다. 로지스틱(logistic) 회귀에서, 모델의 출력은 추출된 특징의 소스가 주어진 클래스의 구성원일 로그 확률을 나타낸다. 이진 분류 작업에서, 이 로그 확률은 클래스 멤버십에 대한 신뢰 값으로 직접 사용되거나 추출된 특성이 주어지면 로지스틱 함수를 통해 클래스 멤버십의 확률로 변환될 수 있다.
규칙 기반 분류기는 출력 클래스를 선택하기 위해 추출된 특징에 논리 규칙 세트를 적용한다. 일반적으로 규칙은 순서대로 적용되며 각 단계의 논리적 결과는 이후 단계의 분석에 영향을 미친다. 특정 규칙과 이들의 순서는 훈련 데이터의 일부 또는 전체, 이전 사례의 유추적 추론 또는 기존 도메인 지식에서 결정할 수 있다. 규칙 기반 분류기의 한 예는 의사결정 트리 알고리즘이고, 여기에서 특징 벡터에 대한 클래스를 선택하기 위해 특징 세트의 특징 값이 계층적 트리 구조의 해당 임계값과 비교된다. 랜덤 포레스트 분류기는 부트스트랩 집계 또는 "배깅" 접근 방식을 사용하는 의사 결정 트리 알고리즘을 수정한 것이다. 이 접근법에서, 다중 결정 트리는 훈련 세트의 무작위 샘플에 대해 훈련되고, 복수의 결정 트리에 걸친 평균(예를 들어, 평균, 중앙값, 또는 모드) 결과가 리턴된다. 분류 작업의 경우, 각 트리의 결과는 범주형이므로, 모달 결과를 사용할 수 있지만, 연속 매개변수는 주어진 작업을 선택하는 여러 의사 결정 트리에 따라 계산될 수 있다.
사용된 특정 모델에 관계없이, 머신 러닝 모델(214)에서 생성된 사전 제작 모델 조정 매개변수, 인쇄 설정 매개변수 및/또는 결과 추정은 예를 들어, 파일이나 데이터베이스 또는 인쇄 작업과 관련된 데이터베이스 항목에 비일시적 컴퓨터 판독 가능 매체(206) 상에 저장된 사용자 인터페이스(216)를 통해 디스플레이(220)에서 사용자에게 제공될 수 있거나, 인쇄 작업 또는 다중 인쇄 작업 실행을 구성, 스케줄링 또는 실행하기 위해 프린터(222)로 출력할 수 있다.
도 3은 적층 제조를 위한 머신 러닝 모델의 예시적인 훈련의 기본 흐름도를 도시한다. 각 작업 증명(302)에 대해, 정보는 적층 제조 지식 기반, 예를 들어 분산 원장에, 매개변수 블록 데이터(304)로서 채워진다. 작업 증명은 가공, 완료 및 성공적으로 사용되거나 고객에게 전달된 적층 제조 부품이다. 주어진 완료는 부분 트랜잭션을 구성하며, 이는 지식 기반에 기록될 수 있다. 작업 증명 체인은 기업이나 조직에서 생산하는 부품에 대한 복수의 부품 거래로 구성된 블록체인 원장이다. 각 부분 트랜잭션은 체인에서 타임스탬프가 찍힌 블록이다. 작업 증명 체인을 통해 하나의 부품이 "거래"되는 방법 - 이것이 어떻게 생성되었는지, 어떻게 만들어졌는지, 부품을 만드는 데 수반되는 자원 부담/비용은 얼마인며, 부품을 성공적으로 만드는 데 어떤 유형의 어려움이 있었는지에 대한 정보를 수집한다. 실제로, 작업증명 체인은 암호화폐에 사용되는 블록체인이 통화 소유권 이전 거래를 지속적으로 수집하는 것처럼 부분 거래 정보를 지속적으로 수집할 수 있다. 지식 기반에 축적된 사용자 데이터가 많을수록 작업 증명 체인이 길어지고, 머신 러닝 모델(306)을 훈련하기 위한 메커니즘으로서 지식 기반과 그 매개변수 블록 데이터(304)는 더 강해진다.
지식 기반을 분산 원장 작업 증명 체인으로 구현하면 중앙 집중식 데이터 저장소와 함께 제공될 수 있는 것에 비해 분산, 암호화 및 보안의 이점을 제공할 수 있다. 하지만 블록체인 형태로 구현하더라도, 작업 증명 체인은 여러 컴퓨터 시스템에 분산되어 반드시 분산 방식으로 저장될 필요는 없다. 작업 증명 체인은 일부 예에서 단일 중앙 데이터 서버에 저장될 수 있다. 그러한 경우에도, 작업 증명 체인은 지리적으로 다른 복수의 적층 제조 사이트에서 적층 제조 데이터를 가져올 수 있다. 이런 방법으로, 작업 증명 체인의 블록체인 형태는 작업 증명 체인이 궁극적으로 중앙에 저장되는 경우에도 지리적으로 분산된 기업이나 조직에 이점을 제공할 수 있다.
도 4는 머신 러닝 기반 적층 제조 프로세스(400)의 예를 도시한다. 다수의 적층 제조 작업 과정에서, 다수의 사용자(402, 404, 406, ... 408)는 제작 매개변수 및 결과 정보를 입력함으로써 사용자 경험 데이터베이스(410)에 기여한다. 사용자 경험 데이터베이스(410)는 예를 들어, 도 1의 지식 베이스(102) 또는 도 2의 지식 베이스(202)에 대응할 수 있다. 매개변수화되고 데이터베이스(410)에 저장될 수 있는 정보 유형의 예시적인 목록이 상자(414)에 제공된다. 사용자 경험 데이터베이스(410)는 또한 예를 들어, 3D 프린팅을 위해 3차원 모델을 준비하기 위해 이를 사전 처리하는 데 사용되는 지침, 또는 머신 러닝 기반 적층 제조 시스템의 일부로 프린터 또는 인쇄 컨트롤러에 발행되는 명령에 의해, 머신 러닝 기반 적층 제조 프로세스(400)에 의해 제공되는 부품 최적화 정보(422) 또는 명령 개시 정보(424)로부터 자동화된 방식으로 업데이트될 수 있다.
사용자 경험 데이터베이스(410)에 액세스하면, 사용자 또는 운영자는 고객 주문 또는 사내 요청에 기초하여 새로운 부품 트랜잭션(412)을 개시할 수 있다. 다양한 정보가 새로운 부품 트랜잭션(412)과 연관될 수 있으며, 이 정보의 예는 상자(414)내에서 비배타적으로 나열된다.
"고객 요구 사항"은 주문된 부품이 사용될 수 있는 방식에 대한 정보, 부품의 필수 치수, 형상 및 곡률(모델 파일에서 지정할 수 있음), 및 고객이 부품을 더 전통적인 제조 기술을 사용하여 제조하는 것과 반대로 적층 제조하도록 주문한 이유(예: 금속 블록으로부터의 기계 가공)를 포함할 수 있다. 이러한 데이터는 데모, 기능적 프로토타입, 개념적 모델, 시뮬레이션, 테스트, 설계 개선, 제안, 목업, 도구 및 조립 계획과 관련된 구조화된 데이터를 포함할 수 있다. 또한 이 범주 내에는 완성된 부품에 적용될 것으로 예상되는 하중 또는 클램핑 압력에 대한 정보, 부품이 툴링에 사용되는지 여부, 부품을 프로토타입으로 사용할 것인지 데모 부품으로 사용할 것인지 여부, 또는 반대로 부품이 생산 또는 임무 환경에서 기능할 것으로 예상되는지 여부가 포함될 수 있다. 모델 파일은 예를 들어 컴퓨터 보조 설계 및 컴퓨터 보조 제조(CAD/DAM) 파일, CATIA 파일, Creo Elements(이전의 Pro/ENGINEER) 파일 또는 NX 파일일 수 있다.
"프린터 사양"은 프린터 제조업체; 부품의 최대 제작 치수를 나타내는 프린터의 챔버 부피(빌드 엔벨로프라고도 함); 최대 프린터 레이어 해상도 기능; 프린터 정확도 및 허용 오차; 허용되는 자료 유형(프린터가 인쇄할 수 있는 것); 프린터가 지원하는 소프트웨어 플랫폼; 및 프린터 보정 정보를 포함할 수 있다.
"재료 선택 및 추론"은 3D 프린터 또는 기타 적층 제조 장치에 공급하기 위해 선택된 원자재를 지정하거나 특성화하는 정보를 포함한다. 예를 들어, 재료 유형은 ABS, ASA, ESD-7, Ultem 1010 수지, Ultem 9085 수지, Ultem 2300, Ultem PEI, Antero, 폴리카보네이트, 나일론-12, 탄소 섬유, 티타늄 합금, PEKK, PPSU, PEEK, 알루미늄 및 Inconel를 포함할 수 있다. 관련된 "추론"은 한 자료가 다른 자료보다 선택된 이유를 알려주는 데 도움이 될 수 있다. 예를 들어, 제작된 부품이 순전히 전시용으로 (예: 데모 구성요소로) 사용되는 경우, 내구성이 떨어지고 결과적으로 덜 비싸거나 인쇄하기 쉬운 원료가 사용될 수 있다. 대조적으로, 제작된 부품이 생산 또는 임무 조건에서 사용되어야 하고 인장 강도, 견고성, 강성, 유연성, 내열성, 내스크래치성 또는 기타 사용 특성에 대해 보다 엄격한 사양을 충족해야 하는 경우, 다른 인쇄 원료가 제시될 수 있다.
부품에 대해 제공되는 CAD 파일은 사전 제작 프로세스의 일부로 STL(광조형술) 파일 형식으로의 변환을 필요로 하는, 3D 모델에 일반적으로 사용되는, 제품 모델 데이터의 교환을 위한 표준(STEP) 파일 형식일 수 있다. 작업자는 모든 솔리드 토폴로지를 STEP 파일에서 STL 파일 형식으로 올바르게 가져왔는지를 확인해야 한다. 부정확한 변환은 결과적으로 인쇄의 실패를 가져온다. "솔리드 토폴로지 가져오기"는 모델을 올바른 형식으로 가져오기 위해 찾거나 제안된 가져오기 절차(가져오기 단계 및/또는 가져오기 설정)를 설명하며, 이 때 모델의 모든 곡선 및 솔리드 특징은 정확하게 표현된다.
유체 역학 시뮬레이션은, 부품의 주요 구조에 견고하게 부착될 것으로 예상되는 부품의 더 작은 구성요소를 포함하는 부품의 모든 조각이 부품이 인쇄 완료될 때 실제로 단단히 부착되는 것을 확실히 하도록 제작되는 모델에 대한 유체 환경의 영향을 시뮬레이션할 수 있다. 이러한 시뮬레이션에 대한 정보는 작업과 관련된 데이터의 "방수 모델 보장, 유체 역학 계산(CFD)" 범주에 요약되어 있다. 예를 들어, 도 5 내지 11에서 도시된 예에서와 같이, 제조될 부품이 인쇄 회로 기판의 모형인 경우, 회로 기판 모형에는 인쇄 후 원하는 대로 단단히 부착되지 않을 수 있는 회로 기판과 함께 인쇄된 커패시터 및 기타 작은 구성 요소가 포함될 수 있으므로, 작은 구성 요소가 헐거워지거나 인쇄된 모형에서 떨어지는 경우가 있을 수 있다. CFD 시뮬레이션은 예를 들어, 모델을 조정하여 모델 하위 구성요소 사이에 추가 재료를 추가하여 인쇄 후 서로 견고한 연결을 보장함으로써, 모델이 인쇄 전에 수정되도록 모델 결함을 포착하는 것을 돕는다.
열린 곡선은 와이어프레임 또는 솔리드로 설계된 모델의 기하학적 결함이고; 부품 설계자는 CAD 모델에 열린 곡선이 있는 부품을 설계할 수 있으며, 이 CAD 모델은 인쇄를 위해 적층 제조 작업자에게 전달될 수 있다. 그러나 3D 인쇄 소프트웨어 및 프린터는 모델의 열린 곡선을 인식하지 못하고 인쇄할 수 없다. 열린 곡선은 수동으로 또는 특수 소프트웨어 루틴을 사용하여 닫을 수 있다. 지식 베이스의 "열린 곡선 닫기 또는 병합" 범주는 이러한 결함에 대한 정보를 모델에 저장할 수 있고 사전 제작 단계의 일부로 이러한 결함을 수리하기 위해 취한 수정 조치를 취할 수 있다.
"기하학적 속성"은 부품의 X-Y-Z 치수, 부품의 곡률, 윤곽 및/또는 스플라인, 부품 두께, 인쇄 해상도에 따라 인쇄하기에 너무 얇을 수 있는 부품 또는 부분의 결정, 등을 포함한다. 부품 또는 그 일부에 대한 치수 공차, 부품에 가해질 것으로 예상되는 응력 및 변형률과 관련된 정보는 "공차, 유한 요소 분석(FEA), 하중 요구 사항" 범주에 속할 수 있으며 마찬가지로 지식 베이스에 저장될 수 있으며 특정 기계 정확도, FDM 공정의 열적 특성, 사후가공, 단단한 장착 지점, 압입 부싱 및 핀, 마모, 나사산 인서트와 관련된 정보를 포함할 수 있다. 이 정보는 재료 유형 선택 및 재료 밀도에서 역할을 할 수 있다.
"응용 프로그램, 환경 데이터" 범주 아래에는, 부품이 툴링, 지면 서포트 또는 외부(따라서 햇빛, 바람, 비, 눈, 동결/해동과 같은 요소에 노출됨), 내부, 클린룸 환경, 실험실 환경에 사용되는지 여부, 물, 압력, 열, 식염수 또는 산성 조건 등과 같은 정보가 있다. 이러한 정보는 설계 진화, 툴링, 데모, 테스트, 적합성 검사, 인프라, UV 효과, 무게 및 내구성 고려 사항, 도구 조립, 부품 접합, 통합 인서트 및 부싱, 작업 환경, 공차, 하드 마운팅 포인트, 기준, 정적 및 동적 하중, 취급, 사용 중 온도, 화학적 호환성, 재료 크리프 거동, 상호 작용, 미학 및 표면 거칠기(Ra)를 설계하는 데에 관련된 정보를 포함한다. 이 정보는 마찬가지로 재료 유형 선택 및 재료 밀도에서 역할을 할 수 있다.
"교훈, 성공 및 실패" 범주에 저장된 정보는 인쇄 실패로 이어진 과거 생산 실행에서 작업자가 저지른 실수이거나 반대로 탁월한 작업 완료를 가져온 행복한 선택이다("서사시"). 이러한 정보는 예를 들어 파일 변환 단계 또는 부정확한 파일 변환을 초래한 설정, 부적절하거나 과도한 해상도 선택을 포함하여 인쇄 실패를 초래한 프린터 설정, 잘못된 방향, 부적절한 서포트 구조 설계, 잘못된 재료 선택 등을 포함할 수 있다. 다른 "학습 교훈"에는 최상의 방향, 기본 영역에 대한 Z 높이, 윤곽, 로프트, 곡률, 재료 거동 정보, 후처리 단계 및 초음파 탱크 효과가 포함될 수 있다. "기술적 트릭"에는 숙련된 작업자가 생산하기 어려운 부품을 생산하는 데 사용하는 특수 설정에 관한 조직 내 지식 및 개인적 비밀이 포함되며, 이러한 정보는 숙련된 작업자로부터 새로운 사용자에게 전달되지 않는다. 이러한 범주에 속하는 정보는 사용자가 매개변수화된 형식으로 인코딩될 수 있거나 머신 러닝 모델(418)의 훈련 또는 새로운 부품 트랜잭션(412)의 모델 처리를 심화하기 위해 자연어 처리를 사용하여 수치 형식으로 자동 분석 및 소화될 수 있는 자연어 서술 형식으로 저장될 수 있다.
일반적으로, 높게 인쇄된 부품은 더 많은 서포트 구조 재료를 필요로 하고/하거나 평평하게 인쇄된 부품보다 인쇄 실패의 위험이 더 크게 된다. "설정 및 방향" 범주의 정보는 예를 들어, 예를 들어, 최소한의 서포트 구조 재료가 필요하고/하거나 부품 인쇄 실패 가능성이 가장 적은 경우, 인쇄 용이성을 극대화하도록 선택된 부품의 3차원 방향에 대한 정보를 포함한다. 이러한 정보는 예를 들어 모델 파일의 원점 축에 대해 주어진 각도 및/또는 오프셋 세트로 표현될 수 있다. 이 범주 아래에는 X-Y 방향으로 재료를 최대화하기 위한 빌드 방향, 슬라이스 매개변수, 부품 내부 스타일, 가시적 표면 스타일, 서포트 스타일 및 베이스, 벽 안정화, 앵커 기둥, 자가 서포팅 각도, 공구 경로 설정, 경계 곡선, 수직 대 수평 구멍 및 해상도와 관련된 정보가 있다.
적층 제조는 부품을 층별로 (슬라이스별로) 구축하기 위해 슬라이스라고 하는 층에 재료를 배치하는 것을 포함한다. 많은 3D 프린터는 더 미세한 해상도로 인쇄하면 인쇄 시간이 더 오래 걸릴 수 있다는 절충안으로, 5,000분의 1 인치, 7,000분의 1 인치, 10,000분의 1 인치 및 13,000분의 1 인치의 해상도로 슬라이스를 인쇄하는 옵션을 제공한다. 예를 들어, 모형은 일반적으로 더 거친 해상도로 인쇄할 수 있는 반면, 생산 또는 임무 설정에서 사용될 것으로 예상되는 구성 요소는 더 미세한 해상도로 인쇄해야 할 수도 있다. "슬라이싱 해상도" 범주는 주어진 작업에 대해 선택된 인쇄 해상도 매개변수를 저장할 수 있다.
"서포트 매개변수"는 모델의 돌출된 구성요소가 적절하게 인쇄되도록 하기 위해 사전 제작 단계 동안 모델에 추가된 서포트 구조를 자동으로 생성하는 데 사용되는 정보를 전달한다. "도구 경로"는 각 슬라이스를 인쇄하는 데 사용되는 래스터 패턴, 즉 인쇄 과정에서 프린트 헤드가 이동한 경로에 대한 정보를 전달한다. "경계 곡선"은 예를 들어 매개변수 방정식으로 표현된 부품의 주변(부품에 있는 구멍의 내부 주변을 포함할 수 있음)에 대한 정보를 전달한다. 해상도, 모델 크기 및 밀도, 서프트의 양, 재료 유형을 포함하는, 상기 요소를 기반으로 하여, 인쇄 소프트웨어는 주어진 부품을 인쇄하는 데 걸리는 예상 시간을 생성할 수 있으며, 이 정보는 "예상 시간" 범주 하에서 기반하는 지식에 저장될 수 있다. 예를 들어 일부 부품은 완료하는 데 연속 인쇄 200시간 이상 걸릴 수 있다. 예상 시간과 실제 인쇄 시간 간의 차이가 또한 이 범주에 저장될 수 있다. "예측 사후 처리" 범주에 저장된 정보는 인쇄된 부품에서 제거해야 하는 서포트 구조 재료의 양, 이를 제거하는 데 필요한 시간, 이를 제거하는 데에 어떤 방법을 필요로 하는지(예를 들어, 수동 절단 또는 초음파 용해), 및/또는 주문한 대로 완성된 부품을 고객에게 제공하기 위해 인쇄 후 어떤 다른 조립 단계를 필요로 하는지에 대한 정보를 포함할 수 있다. 예를 들면, 이러한 사후 처리 정보는 기계적 및 초음파 탱크 수단을 통한 지지물 제거, 플라스틱 용접, 나사산 인서트, 부품 접합, 부싱 및 도금과 관련된 정보를 포함할 수 있다.
따라서, 사용자 경험 데이터베이스(410)는 다수의 이전 인쇄 생산 작업으로부터 수집된 상기 카테고리의 정보를 저장할 수 있다. 머신 러닝 모델(418)은 예를 들어 심층 신경망(420)을 사용하여 이 사용자 경험 데이터베이스(410)에서 훈련될 수 있다. 새로운 부품 트랜잭션(412)에 대한 상기 정보 중 임의의 것 또는 전부를 매개변수화하는 입력 벡터(416)는 부품 최적화 출력(422) 및/또는 명령 개시 출력(424)을 결정하기 위한 처리를 위해 훈련된 머신 러닝 모델(418)에 공급되어, 두 경우 모두 입력 벡터(416)의 갭을 수정, 업데이트 또는 채울 수 있다. 이에 의해 생성된 명령은 인쇄 작업을 위해 프린터를 프로그래밍하기 위해 3D 프린터와 같은 적층 제조 장치(426)로 전송될 수 있다. 일부 경우에, 이들 출력(422, 424)은 모델 파일을 사전 처리하거나 인쇄 작업을 위해 프린터를 프로그래밍하는 단계를 수행하기 전에 확인을 위해 인간 조작자에게 제안으로서 제공될 수 있다.
따라서 머신 러닝 모델(108, 214, 306, 418)은 한편으로는 일반적으로 부품 프로그래밍과 관련된 정보를, 다른 한편으로는 특정 기계 변수 및/또는 특정 소프트웨어 변수와 관련된 정보를 기록할 수 있다. 이러한 맥락에서, 부품 프로그래밍은 (1) 3D 프린터를 구성하고; (2) STL 모델의 방향 설정하고(CAD를 스테레오리소그래피 형식으로 변환함); (3) STL 모델을 일련의 수평 평면과 교차시켜 슬라이스 곡선을 생성함으로써 STL 모델을 "슬라이싱"하고; (4) 임시 서프트가 부품에서 어디에 구축되는지, 어느 서프트가 궁극적으로 폐기되는지를 정의하는, 서포트 곡선을 형성하고; (5) 모델 및 서포트 곡선에 대한 도구 경로 채우기를 생성하고; (6) 도구 경로 파일을 저장하고; 및 (7) 부품 구축을 위해 도구 경로 파일을 프린터에 다운로드하는 것으로 이루어진다. 특정 기계 변수 및/또는 특정 소프트웨어 변수는 제조 기계별 교정 값; 헤드 모터 전류; 헤드 퍼지 및 제어 매개변수; 자동 로드 매개변수; 스테퍼 모터 전류; XYZ 축 속도 매개변수; 퍼지 및 팁 와이프 위치; 헤드 온도 셋백 및 스며나지 않는 매개변수; 오류 모니터링에 따른 곡선 및 퍼지의 끝; 모델 구축 중에 사용된 헤드 및 챔버 온도; 헤드 속도; 슬라이스 사이의 거리(인치); 머리를 움직이는 최소 및 최대 속도(초당 인치); 원점: 모델을 시작하는 X & Y 좌표 위치; 클리어런스 이동: 글루리스 이동 중 헤드를 들어올리는 양(인치); 지연 시간 및 인코더 틱 속도(밀리초 단위, 유량); 가속/감속 중 유체 이완 시간; 가속/감속 중 원하는 유량 정확도로 구성될 수 있다. 차례로, 머신 러닝 모델(410)은 사용자 경험 데이터베이스(410)(블록체인의 형태를 취할 수 있음) 및 입력 벡터(416)에 저장된 상기 매개변수로부터의 훈련에 기반하여 부품 최적화 및 명령 시작 출력(422, 424)을 생성할 수 있다. 다시 말해, 머신 러닝 모델은 과거 부품 작업 데이터를 기반으로 새 부품 작업에 대해 자동화된 방식으로 부품 프로그래밍 및 매개변수 설정을 수행할 수 있다.
도 4의 흐름도에 따른 머신 러닝 기반 적층 제조 시스템의 예시적인 동작은 설명하지 않는다. 새 부품 트랜잭션(412)은 머신 러닝 모델(418)로 브로드캐스트된다. 사용자 경험 데이터베이스(410)의 작업 증명 이력 기록은 새로운 부품 거래 데이터를 블록으로 컴파일한다. 작업 증명 기록 레코드는 블록이 추가될 때마다 더 탄력적이고 지식이 풍부하며 반복적으로 더 강력해져 머신 러닝 모델(418)을 제공하며, 이는 각 블록 추가와 함께 또는 주기적으로 반복적으로 재훈련된다. 머신 러닝 모델(418)은 이력을 기반으로 다음 부품 거래에 대한 실시간 피드백을 제공한다. 머신 러닝 모델(418)은 유사성 개념을 활용하고, 복셀 데이터, 방향 데이터, 기하학 데이터, 기술 언어 데이터, 제작 장치 변수 및 매개변수와, 3D 인쇄할 부품 간의 매핑을 생성한다. 예를 들어 이러한 매핑은 구조화된 확률 분포 내에서 표현될 수 있다. 작업 증명 기록(410)은 머신 러닝 모델(418)과 함께 입력을 기반으로 가능한 모델 방향, 서포트 구조, 도구 경로 및 경계 곡선을 학습한다. 머신 러닝 모델(418)은 제안, 예측 및 경고를 만들기 위해 신경망 및 패턴 인식을 활용한다. 머신 러닝 모델(418)은 사용자/객체 상호작용을 최적화하는 출력(422, 424)을 제공한다.
도 5 내지 도 11은 인클로저 어셈블리 계획에 사용하기 위해 고객이 요청한 집적 회로 기판 모형의 3D 인쇄 프로세스의 예를 보여준다. 도 5a는 회로 기판의 CAD 모델(500)의 3/4 사시도이다. 도 5b는 회로 기판의 CAD 모델(500)의 우측 평면도이다. 도 5c는 회로 기판의 CAD 모델(500)의 정면도이다. 도 5d는 회로 기판의 CAD 모델(500)의 평면도이다. 이 각각의 도면에서, 도시된 축의 표시는 뷰 간에 일관된 모델 원점을 나타내는 것으로 해석되어서는 안 된다. 알 수 있는 바와 같이, 모델(500)은 평면 보드의 주요 하위 구성요소와 집적 회로(IC) 패키지("칩") 및 커패시터와 같은 다양한 돌출 하위 구성요소를 포함한다. CAD 모델(500)은 인쇄 처리 소프트웨어와 호환되도록 STL(스테레오리소그래피) 형식으로 변환될 수 있다. 3D 프린터는 모델러 유형, 재료, 슬라이스 높이 및 압출 팁을 선택하여 구성된다.
부품 빌드 스타일은 설명된 대로 구성될 수 있다. 이 예에서는 고객과의 리뷰를 기반으로 "희소, 저밀도" 스타일을 선택할 수 있다. 이 설정은 내부 영역의 래스터 다리 사이에 간격이 있는 단방향 래스터 패턴을 활용하여 사용되는 모델 재료의 양을 최소화한다. 패턴의 예는 도 6에 도시되어 있으며, 이는 스테레오리소그래피 형식으로 변환한 후의 모델 층의 부분(600)을 도시한다. 상단 및 하단 노출 레이어는 솔리드 래스터 패턴으로 구축된다. 부품 경계에 추가 윤곽이 추가되고 별도의 윤곽이 단방향 희소 래스터를 둘러싼다. 다른 인쇄 작업의 경우, 다른 빌드 스타일: "솔리드"(완전히 조밀한 래스터 도구 경로), "희소, 고/이중 밀도"(크로스해치 래스터 패턴), 및 "헥사그램"(삼중 방향 크로스해치 래스터 패턴) 옵션이 선택될 수 있다. 가시적 표면 래스터와 비가시적 내부 래스터에 대해 독립적인 제어가 제공되도록 "향상된" 가시적 표면 스타일을 선택할 수 있다.
적절한 배향은 제작 시간과 완성된 인쇄 부품의 모양 모두에 영향을 미친다. 부품의 모양에 따라, 또한 부품이 프린터 챔버 봉투 내부에 맞는지 여부에 차이를 만들 수도 있다. 빌드 시간을 줄이기 위해, 부품은 최소한의 서포트가 요구되도록 방향을 지정할 수 있다. 부품에 최상의 외관을 제공하기 위해서, 부품은 수직 평면을 따라 슬라이스는 하나가 다른 것 위에 겹쳐지는 방식으로 배향될 수 있다. 대부분의 경우 부품은 도 7에 도시된 바와 같이 XY 평면을 기준으로 면적을 최대화하도록 배향되어야 한다. 도 7의 부품(700)의 방향이 도 5a에 도시된 방향과는 뒤집힌 것이다. 도 7에 도시된 IC 기판 방향에서, 도면의 왼쪽 상단에 있는 XYZ 원점 좌표는 모델을 시작하는 프린트 헤드 원점을 나타낸다.
이 적절한 방향은 "슬라이스" 작업으로 이어진다. 슬라이스 작업은 STL 파일의 단면을 분석하여 부품 곡선을 계산한다. 이러한 부품 곡선은 STL 모델을 일련의 수평 평면과 교차하여 생성된다. 슬라이싱은 모델 하단에서 시작하여 일정한 간격 또는 슬라이스 높이로 상단까지 순차적으로 진행된다. 슬라이스 높이 값은 프린터에 사용된 재료 및 팁 크기를 기반으로 한다. 예시된 예에서는 아크릴로니트릴 부타디엔 스티렌(ABS) 재료 및 0.010인치 레이어 증착에 적합한 팁 크기가 선택된다. ABS는 신속한 프로토타이핑을 위해 업계에서 널리 사용되는 열가소성 수지이다. 용도에 따라 다른 재료 유형을 사용할 수도 있다. 인쇄하는 동안 재료가 레이어별로 추가되어 최종 제품을 생산한다. 각 레이어가 0.010"인, 33개의 레이어로 슬라이스된 결과 STL 모델 800이 도 8에 도시되어 있다.
인쇄 준비를 위한 모델의 사전 제작 처리의 다음 단계에서 서포트 구조가 모델에 추가된다. 모델 영역 거의 전체 아래에 서포트 재료가 필요하다. "SMART 서포트" 스타일은 사용되는 서포트 재료의 양을 최소화하고 제작 시간을 줄이며 인쇄 회로 기판 부품에 대한 서포트 제거 가능을 개선하도록 선택할 수 있다. 서포트 영역 경계 곡선의 모양과 크기는 재료 및 시간 감소를 달성하기 위해 층마다 변경된다. 모델에 지원 구조를 추가하는 것은 일부 예에서 소프트웨어에 의해 달성되고 특정 정량적 매개변수에 의해 정보를 받는 자동화된 프로세스일 수 있다. 즉, 많은 경우에 서포트 구조를 추가할 때 서포트 구조를 수동으로 모델링하기 위한 인간의 설계 노력이 필요하지 않다.
서포트 곡선으로 슬라이스된 인쇄 회로 기판 부품 모델(900)은 도 9a 내지 도 9d에 다양한 평면도 및 사시도로 도시되어 있다. 이러한 서포트 곡선은 각도, 구멍 주변, 공동, 돌출부, 속이 빈 속성 및 바깥쪽으로 확장되는 모델 부분을 유지하고 구축하는 데 사용된다. 서포트 곡선은 또한 융합 증착 인쇄 과정에서 모델이 처지거나 무너지는 것을 방지한다. 결과적인 서포트 구조는 궁극적으로 기계적 또는 화학적 제거를 통해 폐기된다. 모델 900에는 기초 및 서포트 재료 레이어를 포함하여 43개의 레이어가 표시된다. 도 9a는 회로 기판의 STL 모델(900)의 3/4 사시도이다. 도 9b는 회로 기판의 STL 모델(900)의 우측 평면도이다. 도 9c는 회로 기판의 STL 모델(900)의 정면도이다. 도 9d는 회로 기판의 STL 모델(900)의 평면도이다. 도 10은 서포트 곡선을 갖는 STL 모델(1000)을 예시한다.
다음으로, 서포트 곡선이 추가된 STL 파일에 기초하여, 도구 경로 및 경계 곡선은 프린터 헤드 돌출 팁에 대한 자세한 위치 데이터 및 궤적을 제공하도록 생성되어, 모델과 관련 지원 구조를 모두 인쇄한다. 도 11은 도 10의 모델의 단일 층(1100)을 도시한다.
도 5 내지 도 11에 예시된 것과 같은 상세한 3D 프린트에서, (수동으로 절단하거나 수동 또는 자동 톱질 또는 연삭 도구를 사용하는 것과 같이) 서포트 구조의 기계적 제거는 이러한 기계적 제거와 관련된 부품을 손상시킬 위험이 높기 때문에 달성하지 못할 수 있다. 따라서, 인쇄 회로 기판 부품은 초음파 탱크 혼합물(예를 들어, 물과 수산화나트륨(NaOH)의 50%-50% 혼합물로 구성, 예를 들어 11갤런의 물과 950그램의 수산화나트륨)에 담글 수 있다. 서포트 재료를 음파의 지향된 에너지를 교반하여 서포트 재료를 용해시키고, 완성된 집적 회로 기판 모형 부품이 생성된다.
도 12는 머신 러닝 기반 적층 제조를 위한 방법(1200)을 예시한다. 사용자 경험 데이터베이스는 복수의 사용자로부터의 적층 제조 사용자 경험 데이터로 채워질 수 있다(1202). 예를 들어, 사용자 경험 데이터베이스는 복수의 항목으로 구성될 수 있으며, 사용자 경험 데이터베이스의 각 항목은 적어도 적층 제조 부품에 대한 요구 사항, 적층 제조 제작 장치를 설명하는 사양, 부품의 제조를 위해 제작 장치에 공급되는 원료 유형의 선택, 제작 장치 내 부품의 제조 공간 배향, 부품의 제조 슬라이싱 해상도, 부품을 제조할 때 장치가 취한 도구 경로를 정의하는 데이터를 포함한다. 예를 들어 사용자 경험 데이터베이스의 각 항목은 블록체인에서 타임스탬프가 찍힌 블록이다. 머신 러닝 모델(ML 모델)은 사용자 경험 데이터베이스에 기초하여 훈련될 수 있다(1204). 그런 다음, 머신 러닝 모델은 새로운 부품 트랜잭션을 설명하는 입력 벡터를 처리(1206)하여, 적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 시작 출력을 제공하여 새로운 부품의 적층 제조를 구성하는 데 사용된다. 예로서, 적어도 하나의 부품 최적화 출력은 새로운 부품의 제작 공간 배향, 새로운 부품의 제작 슬라이싱 해상도, 새로운 부품과 함께 적층 제조된 서포트 구조를 설명하는 서포트 곡선 세트, 및/또는 새로운 부품이 적층 제조되는 재료 유형의 선택을 포함할 수 있고, 적어도 하나의 명령 개시 출력은, 예를 들어, 입력 벡터에 기초하여 머신 러닝 모델에 의해 생성된 도구 경로를 따라 인쇄를 개시하기 위해 3D 프린터에 전송된 명령을 포함할 수 있다. 3D 프린터와 같은 적층 제조 제작 장치는, 예를 들어 ML 모델 출력에 기초하여 및 이에 따라 새로운 부품을 제조하기 위해 명령 개시 출력에 기초하여 제어될 수 있다(1208). 일부 예에서, 컴퓨터 판독가능 매체(또는 매체)는 방법(1200)을 수행하도록 컴퓨터 프로세서에 명령하도록 실행하는 명령을 포함할 수 있다.
본 명세서에서 설명된 머신 러닝 기반 적층 제조 시스템 및 방법은 오류의 반복을 방지하고 적층 제조 생산 시스템에서 경제성, 신뢰성 및 유지보수성을 가능하게 하기 위해 이전 부품 빌드로부터 학습된 교훈을 자동으로 통합할 수 있다. 설명된 시스템 및 방법의 머신 러닝 모델은 제조 프로세스에서 발생할 수 있는 잠재적 결함 또는 흠에 대한 예측 도구로서 역할할 수 있다. 설명된 시스템 및 방법에 블록체인 기술을 통합하고 사이트 지리와 관계없이 잠재적으로 지리적으로 분산된 기업 또는 조직 내에서 효율적인 적층 제조 경험 데이터 공유를 허용한다. 현재 시스템 및 방법은 새로운 프로그램을 위한 빌드 비용을 획기적으로 낮추고 설계 개선을 신속하게 가능하게 하며, 개인 구성원이나 구성원 그룹의 개인적인 경험보다 더 영구적이고 더 쉽게 접근할 수 있으며 전 세계적으로 사용할 수 있는 강력한 정보 저장소가 될 수 있다.
이상에서 설명한 것은 본 발명의 예이다. 물론, 본 발명을 설명하기 위해 구성 요소 또는 방법론의 모든 가능한 조합을 설명한다는 것은 가능하지 않고, 당업자라면 본 발명의 많은 추가 조합 및 순열이 가능하다는 것을 인식할 것이다. 따라서, 본 발명은 첨부된 청구범위를 포함하여 본 출원의 범위에 속하는 모든 그러한 변경, 수정 및 변형을 포함하도록 의도된다. 추가로, 본 개시 또는 청구범위가 단수형이나 "제 1" 또는 "또 다른" 요소, 또는 그 등가물을 인용하는 경우, 하나 이상의 그러한 요소를 포함하는 것으로 해석되어야 하며 둘 이상의 그러한 요소를 요구하거나 배제하지 않는다. 본 명세서에 사용된 바와 같이, 용어 "포함한다"는 포함하나 이에 제한되지 않음을 의미하고, 용어 "포함한다"는 포함을 의히하지만 이에 제한되지 않는다. "~에 기반하는"이라는 용어는 적어도 부분적으로 ~에 기반하는 것을 의미한다. "부품"이라는 용어는 부품 또는 어셈블리를 의미한다. "프린터"라는 용어는 3D 프린터를 의미한다.

Claims (20)

  1. 머신 러닝 기반 적층 제조 방법에 있어서,
    적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 개시 출력을 제공하기 위해 새로운 부품 트랜잭션을 설명하는 입력 벡터를, 머신 러닝 모델로 처리하여 새로운 부품의 적층 제조를 구성하는 단계; 및
    상기 적어도 하나의 부품 최적화 출력 및 상기 적어도 하나의 명령 개시 출력에 기반하여 적층 제조를 사용하여 상기 새로운 부품을 제작하는 단계
    를 포함하고, 상기 머신 러닝 모델은 사용자 경험 데이터베이스의 항목에 기반하여 훈련되고, 상기 사용자 경험 데이터베이스의 항목은 각각
    이전에 제작되었거나 제작이 시도된 적층 제조된 부품에 대한 요구 사항,
    적층 제조하는 제작 장치를 설명하는 사양,
    상기 적층 제조된 부품의 제작을 위해 상기 제작 장치에 공급되는 원료 유형의 선택,
    상기 제작 장치 내에서 상기 적층 제조된 부품의 제작 공간 배향,
    상기 적층 제조된 부품의 제작 슬라이싱 해상도, 및
    상기 적층 제조된 부품을 제조할 때 상기 제작 장치가 취한 도구 경로
    를 정의하는 데이터를 적어도 포함하는, 방법.
  2. 제 1 항에 있어서, 상기 사용자 경험 데이터베이스의 각 항목은 블록체인에서 타임스탬프된 블록인, 방법.
  3. 제 1 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품의 제작 공간 배향을 포함하는, 방법.
  4. 제 1 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품의 제작 슬라이싱 해상도를 포함하는, 방법.
  5. 제 1 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품과 함께 적층 제조된 서포트 구조를 설명하는 서포트 곡선 세트를 포함하는, 방법.
  6. 제 1 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품이 적층 제조되는 재료 유형의 선택을 포함하는, 방법.
  7. 제 1 항에 있어서, 상기 적어도 하나의 명령 시작 출력은 상기 입력 벡터에 기반하여 상기 머신 러닝 모델에 의해 생성된 도구 경로를 따라 인쇄를 개시하기 위해 3D 프린터에 전송된 명령을 포함하는, 방법.
  8. 머신 러닝 기반 적층 제조 시스템에 있어서, 상기 시스템은:
    하나 이상의 비일시적 컴퓨터 판독 가능 메모리에 저장되거나 분산된 사용자 경험 데이터베이스 - 상기 사용자 경험 데이터베이스의 항목은 각각,
    이전에 제조되었거나 제조가 시도된 적층 제조된 부품에 대한 요구 사항,
    적층 제조하는 제작 장치를 설명하는 사양,
    상기 적층 제조된 부품의 제작을 위해 상기 제작 장치에 공급되는 원료 유형의 선택,
    상기 제작 장치 내에서 상기 적층 제조된 부품의 제작 공간 배향,
    상기 적층 제조된 부품의 제작 슬라이싱 해상도, 및
    상기 적층 제조된 부품을 제조할 때 상기 제작 장치가 취하는 도구 경로
    를 정의하는 데이터를 적어도 포함함 - , 및
    상기 사용자 경험 데이터베이스의 상기 항목에 기반하여 훈련된 머신 러닝 모델을 구현하는 명령을 실행하도록 구성된 프로세서
    를 포함하고, 상기 머신 러닝 모델은 적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 개시 출력을 제공하기 위해 새로운 부품 트랜잭션을 설명하는 입력 벡터를 처리하도록 구성되어 새로운 부품의 적층 제조를 구성하는, 시스템.
  9. 제 8 항에 있어서, 상기 사용자 경험 데이터베이스의 각 항목은 블록체인에서 타임스탬프된 블록인, 시스템.
  10. 제 8 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품의 제작 공간 배향을 포함하는, 시스템.
  11. 제 8 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품의 제작 슬라이싱 해상도를 포함하는, 시스템.
  12. 제 8 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품과 함께 적층 제조된 서포트 구조를 설명하는 서포트 곡선 세트를 포함하는, 시스템.
  13. 제 8 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품이 적층 제조되는 재료 유형의 선택을 포함하는, 시스템.
  14. 제 8 항에 있어서, 상기 적어도 하나의 명령 개시 출력은 상기 입력 벡터에 기반하는 상기 머신 러닝 모델에 의해 생성된 도구 경로를 따라 인쇄를 시작하도록 3D 프린터에 전송된 명령을 포함하는, 시스템.
  15. 컴퓨터 프로세서에 의해 실행될 때 상기 프로세서로 하여금:
    다수의 항목을 포함하는 사용자 경험 데이터베이스에서 훈련된 머신 러닝 모델로, 적어도 하나의 부품 최적화 출력 및 적어도 하나의 명령 개시 출력을 제공하기 위해 새로운 부품 트랜잭션을 설명하는 입력 벡터를 처리하여 새로운 부품의 적층 제조를 구성하도록 하는 명령을 저장하는 하나 이상의 비일시적 컴퓨터 판독 가능 매체로서,
    상기 사용자 경험 데이터베이스의 항목은 각각
    이전에 제작되었거나 제작이 시도된 적층 제조된 부품에 대한 요구 사항,
    적층 제조하는 제작 장치를 설명하는 사양,
    상기 적층 제조된 부품의 제작을 위해 상기 제작 장치에 공급되는 원료 유형의 선택,
    상기 제작 장치 내에서 상기 적층 제조된 부품의 제작 공간 배향,
    상기 적층 제조된 부품의 제작 슬라이싱 해상도, 및
    상기 적층 제조된 부품을 제작할 때 상기 제작 장치가 취하는 도구 경로
    를 정의하는 데이터를 적어도 포함하는, 컴퓨터 판독 가능 매체.
  16. 제 15 항에 있어서, 상기 사용자 경험 데이터베이스의 각 항목은 블록체인에서 타임스탬프된 블록인, 컴퓨터 판독 가능 매체.
  17. 제 15 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품의 제작 공간 배향을 포함하는, 컴퓨터 판독 가능 매체.
  18. 제 15 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품의 제작 슬라이싱 해상도를 포함하는, 컴퓨터 판독 가능 매체.
  19. 제 15 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품과 함께 적층 제조된 서포트 구조를 설명하는 서포트 곡선 세트를 포함하는, 컴퓨터 판독 가능 매체.
  20. 제 15 항에 있어서, 상기 적어도 하나의 부품 최적화 출력은 상기 새로운 부품이 적층 제조되는 재료 유형의 선택을 포함하는, 컴퓨터 판독 가능 매체.



KR1020227020774A 2019-12-17 2020-10-05 제조 데이터를 이용한 머신 러닝 기반 적층 제조 KR20220103768A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/717,624 US11285673B2 (en) 2019-12-17 2019-12-17 Machine-learning-based additive manufacturing using manufacturing data
US16/717,624 2019-12-17
PCT/US2020/054263 WO2021126345A1 (en) 2019-12-17 2020-10-05 Machine-learning-based additive manufacturing using manufacturing data

Publications (1)

Publication Number Publication Date
KR20220103768A true KR20220103768A (ko) 2022-07-22

Family

ID=73013830

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227020774A KR20220103768A (ko) 2019-12-17 2020-10-05 제조 데이터를 이용한 머신 러닝 기반 적층 제조

Country Status (5)

Country Link
US (1) US11285673B2 (ko)
EP (1) EP4076793A1 (ko)
JP (1) JP7403650B2 (ko)
KR (1) KR20220103768A (ko)
WO (1) WO2021126345A1 (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11430037B2 (en) * 2019-09-11 2022-08-30 Ebay Korea Co. Ltd. Real time item listing modification
KR20230135069A (ko) * 2020-12-18 2023-09-22 스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨 밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층제조
US11636280B2 (en) * 2021-01-27 2023-04-25 International Business Machines Corporation Updating of statistical sets for decentralized distributed training of a machine learning model
WO2022271452A1 (en) * 2021-06-25 2022-12-29 Layerwise Nv Three dimensional printing system with speed optimized vector processing system
FR3124748B1 (fr) * 2021-07-05 2023-10-06 Safran Aircraft Engines Procédé de fabrication additive de pièces de turbomachine
US20230030718A1 (en) * 2021-07-30 2023-02-02 Hewlett-Packard Development Company, L.P. Recording of part fabrication parameters in blockchain ledgers
CN113803647B (zh) * 2021-08-25 2023-07-04 浙江工业大学 一种基于知识特征与混合模型融合的管道泄漏检测方法
WO2023140860A1 (en) * 2022-01-21 2023-07-27 Hewlett-Packard Development Company, L.P. Print jobs by three-dimensional printers
US11574084B1 (en) 2022-01-31 2023-02-07 Protolabs, Inc. Methods and systems for geometric analysis of a part for manufacture
DE102022125147A1 (de) 2022-09-29 2024-04-04 Eos Gmbh Electro Optical Systems Generierung von optimierten Prozessgrößenwerten und Steuerdaten für einen additiven Aufbauprozess
CN117290750B (zh) * 2023-07-03 2024-03-19 北京大学 一种传统村落集中连片区的分类、联系及范围识别方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9128203B2 (en) * 2011-09-28 2015-09-08 Saudi Arabian Oil Company Reservoir properties prediction with least square support vector machine
US10073424B2 (en) 2014-05-13 2018-09-11 Autodesk, Inc. Intelligent 3D printing through optimization of 3D print parameters
US10406760B2 (en) 2015-01-06 2019-09-10 Rolls-Royce Corporation Neuro-fuzzy logic for controlling material addition processes
US10046229B2 (en) * 2016-05-02 2018-08-14 Bao Tran Smart device
JP6517728B2 (ja) 2016-05-12 2019-05-22 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
WO2018165155A1 (en) 2017-03-09 2018-09-13 Walmart Apollo, Llc System and methods for three dimensional printing with blockchain controls
CN110121735B (zh) * 2017-04-10 2023-12-15 西门子工业软件有限公司 低于3d打印机分辨率的临界薄区段的识别与重新设计
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
EP3422281A1 (en) 2017-06-30 2019-01-02 Siemens Aktiengesellschaft Blockchain database for additive manufacturing
WO2019067409A1 (en) * 2017-09-29 2019-04-04 Walmart Apollo, Llc 3D PRINTING
EP3495904A1 (en) 2017-12-07 2019-06-12 Siemens Aktiengesellschaft Method and apparatus for predicting manufacturing parameters of a product to be manufactured in a 3d-printing process
US10817634B2 (en) * 2018-01-19 2020-10-27 Synopsys, Inc. Machine-learning circuit optimization using quantized prediction functions
JP6501032B1 (ja) 2018-11-19 2019-04-17 トヨタ自動車株式会社 機械学習装置
US11488590B2 (en) * 2018-05-09 2022-11-01 Staton Techiya Llc Methods and systems for processing, storing, and publishing data collected by an in-ear device
US11593563B2 (en) * 2019-01-08 2023-02-28 Paperless Parts, Inc. Systems and methods for generating textual instructions for manufacturers from hybrid textual and image data
US11832872B2 (en) * 2019-04-01 2023-12-05 Anya L. Getman Resonating probe with optional sensor, emitter, and/or injection capability

Also Published As

Publication number Publication date
EP4076793A1 (en) 2022-10-26
US11285673B2 (en) 2022-03-29
US20210178697A1 (en) 2021-06-17
JP7403650B2 (ja) 2023-12-22
JP2023507548A (ja) 2023-02-24
WO2021126345A1 (en) 2021-06-24

Similar Documents

Publication Publication Date Title
US11285673B2 (en) Machine-learning-based additive manufacturing using manufacturing data
Salonitis Design for additive manufacturing based on the axiomatic design method
EP3691870B1 (en) Optimizing support structures for additive manufacturing
Pandey et al. Optimal part deposition orientation in FDM by using a multicriteria genetic algorithm
Bonnard et al. Data model for additive manufacturing digital thread: State of the art and perspectives
Taufik et al. Role of build orientation in layered manufacturing: a review
US20200122403A1 (en) Generating an object representation to be manufactured
Qin et al. Status, issues, and future of computer-aided part orientation for additive manufacturing
Novak-Marcincin et al. Analyses and solutions on technical and economical aspects of rapid prototyping technology
US10571892B2 (en) Preform fabrication system
CN113728285A (zh) 用于增材制造中人工智能过程控制的***、方法以及介质
US11040493B1 (en) Intuitive creation system for additive manufacturing
Mayerhofer et al. Knowledge-driven manufacturability analysis for additive manufacturing
Mazzucato et al. Recent advances toward the industrialization of metal additive manufacturing
Anand et al. Additive manufacturing simulation tools in education
Joaquin et al. Enhancing the Additive Manufacturing process for spare parts by applying Agile Hardware Development principles
WO2017141070A1 (en) Method and system for rapid prototyping via virtual simulation
Taufik et al. On the achieving uniform finishing allowance through identifying shape deviation for additive manufacturing
Gibson et al. Software for additive manufacturing
Garanger et al. Foundations of intelligent additive manufacturing
Živanović Rapid prototyping and manufacturing for model of human head
Danjou et al. Determination of optimal build direction for different rapid prototyping applications
Yang Model-based predictive analytics for additive and smart manufacturing
Makanda et al. A web-based generative process planning system for FDM-based additive manufacturing
Brown et al. Digital design integrity for additive manufacturing: examining reliability issues in the digital preproduction process