KR20240078468A - Machine learning-based metal 3D printing product density defect monitoring method and metal 3D printing product defect repair method - Google Patents
Machine learning-based metal 3D printing product density defect monitoring method and metal 3D printing product defect repair method Download PDFInfo
- Publication number
- KR20240078468A KR20240078468A KR1020220159383A KR20220159383A KR20240078468A KR 20240078468 A KR20240078468 A KR 20240078468A KR 1020220159383 A KR1020220159383 A KR 1020220159383A KR 20220159383 A KR20220159383 A KR 20220159383A KR 20240078468 A KR20240078468 A KR 20240078468A
- Authority
- KR
- South Korea
- Prior art keywords
- metal
- printing product
- printing
- density
- machine learning
- Prior art date
Links
- 239000002184 metal Substances 0.000 title claims abstract description 127
- 238000010146 3D printing Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 230000003287 optical effect Effects 0.000 claims description 19
- 239000000843 powder Substances 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 5
- 230000006378 damage Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000002844 melting Methods 0.000 description 7
- 239000000155 melt Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
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
- B22F10/20—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
- B22F10/36—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
- 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
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/002—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity using variation of the resonant frequency of an element vibrating in contact with the material submitted to 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Plasma & Fusion (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
Abstract
본 발명의 일 실시예는 기계 학습 기반 금속 3D프린팅 제품 결함 모니터링 방법 및 금속 3D프린팅 제품 결함 모니터링 방법 장치를 제공한다. 본 발명의 일 실시예에 따르면, 금속3D 프린팅 중 금속3D 프린팅 제품 내부의 미시적 변형, 결함, 파괴 등에 따른 결함 특성 및 상태를 평가 할 수 있고 미시적 변형, 결함, 파괴 등이 발생된 해당 층을 판정할 수 있는 효과가 있다. One embodiment of the present invention provides a machine learning-based metal 3D printing product defect monitoring method and a metal 3D printing product defect monitoring method device. According to one embodiment of the present invention, during metal 3D printing, it is possible to evaluate the defect characteristics and status due to microscopic deformation, defects, destruction, etc. inside the metal 3D printing product and determine the layer in which the microscopic deformation, defect, destruction, etc. occurred. There is an effect that can be done.
Description
본 발명은 기계학습 기반 금속 3D 프린팅 제품 밀도 결함 모니터링 방법에 관한 것이다.The present invention relates to a method for monitoring density defects in metal 3D printing products based on machine learning.
금속 3D프린터는 제품을 만드는데 플라스틱 소재를 사용했던 기존의 3D프린터와 달리 다양한 금속 재료를 가공해 원하는 모양으로 제작할 수 있다. 금속 3D프린터는 금형 없이 부품을 만들 수 있어 제조 비용과 시간을 혁신적으로 줄여주고 기존 제조 공정으로는 만들기 어려운 복잡한 부품도 생산할 수 있어 산업 현장에서의 활용도가 높다. 의료, 자동차, 산업 설비는 물론 항공기와 로켓 엔진 부품 생산에도 사용된다.Unlike existing 3D printers that use plastic materials to make products, metal 3D printers can process various metal materials to create desired shapes. Metal 3D printers can make parts without molds, drastically reducing manufacturing costs and time, and can produce complex parts that are difficult to make with existing manufacturing processes, making them highly useful in industrial settings. It is used in the production of medical, automotive, and industrial equipment as well as aircraft and rocket engine parts.
종래 금속 3D 프린팅 공정 중 취득하는 모니터링을 위한 수집 데이터의 종류는 크게 고속카메라를 사용한 용융풀 이미지, 열화상 카메라를 이용한 온도 데이터 및 포토 다이이오드 사용한 용융풀 광세기 등이 있다.The types of data collected for monitoring acquired during the conventional metal 3D printing process largely include melt pool images using high-speed cameras, temperature data using thermal imaging cameras, and melt pool light intensity using photo diodes.
그러나, 상기 용융풀 이미지 데이터의 경우, 단순 형상만 획득 가능하므로 소재와 연계한 정보 획득이 불가하고, 온도 데이터 수집의 경우 온도의 보정이 여려우며, 용융풀 광세기의 경우 모든 방향의 광 수집이 불가한 것뿐만 아니라 소재와 연계한 정보의 획득이 불가한 문제점이 있었다. However, in the case of the melt pool image data, only simple shapes can be obtained, so it is impossible to obtain information linked to the material, and in the case of temperature data collection, temperature correction is difficult, and in the case of the melt pool light intensity, light collection in all directions is impossible. In addition, there was the problem of not being able to obtain information related to the material.
또한, 종래의 3D 프린팅 공정의 실시간 감시 시스템은 상기 원료를 토출하는 프린트헤드에 연결된 모터 구동부의 전류신호를 감지하는 센서 신호를 이용하여 프린트헤드의 변위와 3차원 모형의 제조 진행률을 계산하여 모형의 제조완료시간을 산출하여 단말기에 전송하는 시스템이다.In addition, the real-time monitoring system of the conventional 3D printing process calculates the displacement of the print head and the manufacturing progress of the 3D model using a sensor signal that detects the current signal of the motor drive unit connected to the print head that discharges the raw material, This is a system that calculates the manufacturing completion time and transmits it to the terminal.
이러한 발명에 따른 모니터링 시스템은 금속 3D프린팅 제품의 제조 진행률 및 제조완료시간을 산출하여 제공할 수 있지만, 공정 중 재료의 상태변화 및 재료 내부의 미시적 변형 및 결함여부를 직접적으로 모니터링 하기 어려운 문제점이 있었다.The monitoring system according to this invention can calculate and provide the manufacturing progress and manufacturing completion time of metal 3D printing products, but there was a problem in that it was difficult to directly monitor changes in the state of the material during the process and microscopic deformation and defects inside the material. .
또한, 종래의 금속 3D 프린팅 공정 중 포토 다이이오드 사용한 용융풀 광세기를 이용하는 기술의 샘플링 레이트(sampling rate)가 수백 kHz 수준으로 취득할 수 있는 데이터 량에 한계가 있었다.In addition, during the conventional metal 3D printing process, the sampling rate of the technology that uses the molten pool light intensity using photo diodes was at the hundreds of kHz level, which limited the amount of data that could be acquired.
따라서, 3D프린팅 공정 중 소재 내부의 미시적 변형 및 결함 여부를 감시 가능한 시스템 개발을 위한 여전히 많은 도전 과제가 남아 있다.Therefore, many challenges still remain to develop a system that can monitor microscopic deformation and defects inside the material during the 3D printing process.
본 발명이 이루고자 하는 기술적 과제는 기계학습 기반 금속 3D 프린팅 제품 밀도 결함 모니터링 방법 및 금속 3D 프린팅 제품 자가 수리 방법을 제공하는 것이다.The technical task to be achieved by the present invention is to provide a machine learning-based method for monitoring density defects in metal 3D printed products and a method for self-repairing metal 3D printed products.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problem to be achieved by the present invention is not limited to the technical problem mentioned above, and other technical problems not mentioned can be clearly understood by those skilled in the art from the description below. There will be.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일 실시예는 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 제공한다.In order to achieve the above technical problem, an embodiment of the present invention provides a method for monitoring density defects in metal 3D printing products based on machine learning.
본 발명의 일 실시 예에 따른 상기 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법은, 3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계;The machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention includes scanning a laser on 3D printing powder supplied on a metal 3D printing build part to form a 3D printing product;
음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계;Collecting acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning using an acoustic emission sensor;
상기 수집된 음향 방출 신호들을 FFT 데이터로 변환하여 수집 FFT(Fast Fourier Transform) 데이터들로 변환하는 단계;Converting the collected acoustic emission signals into FFT data and converting the collected FFT (Fast Fourier Transform) data;
상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 3D 프린팅 제품 각층의 출력 밀도 데이터들을 얻는 단계;및Inputting the collected FFT data into a machine learned model to obtain output density data of each layer of the 3D printed product; And
상기 출력 밀도 데이터가 기준 밀도 수치 보다 낮은 경우 금속 3D 프린팅 제품의 결함이 발생된 층으로 판정하는 단계를 포함할 수 있다.If the output density data is lower than the reference density value, it may include determining that the layer in which the metal 3D printed product has a defect has occurred.
또한, 본 발명의 일 실시 예에 따르면, 상기 기계 학습된 모델은 상기 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하고 표준 광학 이미지에 따른 표준 출력 밀도 데이터들을 입력하여 기계학습 하여 형성된 모델일 수 있다. In addition, according to one embodiment of the present invention, the machine learned model is a model formed by machine learning by inputting standard FFT data corresponding to each layer of the metal 3D printing product and inputting standard power density data according to a standard optical image. It can be.
또한, 본 발명의 일 실시 예에 따르면, 상기 기계학습된 모델은, DNN((Deep Neural Network) 또는 SVM (Support Vector Machine)을 이용하여 기계학습하여 형성된 모델일 수 있다. Additionally, according to an embodiment of the present invention, the machine-learned model may be a model formed through machine learning using a Deep Neural Network (DNN) or a Support Vector Machine (SVM).
또한, 본 발명의 일 실시 예에 따르면, 상기 기준 밀도 수치는 80% 일 수 있다.Additionally, according to an embodiment of the present invention, the reference density value may be 80%.
상기 기술적 과제를 달성하기 위하여, 본 발명의 다른 실시예는 금속 3D 프린팅 제품 결함 수리 방법을 제공한다.In order to achieve the above technical problem, another embodiment of the present invention provides a method for repairing defects in metal 3D printing products.
본 발명의 일 실시 예에 따른 상기 금속 3D 프린팅 제품 결함 수리 방법은, 제어부에서 제1항의 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 통하여 상기 금속 3D프린팅 제품의 밀도 수치가 상기 제1기준 밀도 수치보다 낮은 경우 비정상으로 판정하는 단계;및The metal 3D printing product defect repair method according to an embodiment of the present invention is to determine the density value of the metal 3D printing product as the first reference density through the machine learning-based metal 3D printing product density defect monitoring method of claim 1 in the control unit. Determining that it is abnormal if it is lower than the value; And
상기 제어부에서 비정상으로 판정된 금속 3D프린팅 제품의 결함이 발생된 층을 제 2 기준 밀도 수치와 비교하여 상기 제 2 기준 밀도 수치 보다 높은 것으로 판정한 경우 빌드부 상에 위치된 금속 3D프린팅 제품 상에 추가 레이저 조사를 하여 재용융을 진행하고, 상기 제 2 기준 밀도 수치보다 낮은 것으로 판정한 경우 공정을 중단하는 단계를 포함할 수 있다. The defective layer of the metal 3D printing product determined to be abnormal in the control unit is compared with the second reference density value, and if it is determined to be higher than the second reference density value, on the metal 3D printing product located on the build part. It may include re-melting by applying additional laser irradiation and stopping the process when it is determined that the density is lower than the second reference density value.
또한, 본 발명의 일 실시 예에 따르면, 상기 금속 3D프린팅 제품의 결함이 발생된 층을 판정하는 단계에서, 상기 제1기준 밀도 수치는 95% 일 수 있다. Additionally, according to an embodiment of the present invention, in the step of determining the layer in which a defect occurs in the metal 3D printing product, the first reference density value may be 95%.
또한, 본 발명의 일 실시 예에 따르면, 상기 금속 3D 프린팅 제품을 자가 수리 하는 단계에서, 상기 제2기준 밀도 수치는 80% 일 수 있다. Additionally, according to an embodiment of the present invention, in the step of self-repairing the metal 3D printed product, the second reference density value may be 80%.
또한, 본 발명의 일 실시 예에 따르면, 상기 금속 3D 프린팅 제품 자가 수리 방법은 모든 금속 3D 프린팅 제품 이 정상 제품이 될 때까지 반복하여 수행 될 수 있다.Additionally, according to one embodiment of the present invention, the method of self-repairing a metal 3D printed product can be repeatedly performed until all metal 3D printed products become normal products.
본 발명의 일 실시 예에 따른 기계학습 기반 금속 3D 프린팅 제품 밀도 결함 모니터링 방법은 금속3D 프린팅 공정 중 상기 금속3D 프린팅 제품 내부의 미시적 변형, 결함, 파괴 등에 따른 결함 특성 및 상태를 평가 할 수 있고 미시적 변형, 결함, 파괴 등이 발생된 위치와 해당 층을 판정할 수 있다.The machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention is capable of evaluating defect characteristics and conditions due to microscopic deformation, defects, and destruction inside the metal 3D printing product during the metal 3D printing process. It is possible to determine the location and corresponding layer where deformation, defects, destruction, etc. occurred.
또한, 상기 기계학습 기반 금속 3D 프린팅 제품 밀도 결함 모니터링 방법을 통해 금속 3D 프린팅 제품의 결함을 자가 수리 하는 방법은 3D프린팅 제품 제조 중 해당 층의 예측된 밀도 수치가 제1예측 밀도 수치(95%)보다 낮고 제2측 밀도 수치(80%)보다 높은 경우 해당 층에 추가 레이저 조사를 진행하고, 제1예측 밀도 수치(95%)보다 낮고 제2예측 밀도 수치 (80%)보다 낮은 경우 공정을 멈추어 더 이상 제품 제조를 하지 않음으로써 금속 3D 프린팅 제품이 완성되었을 때, 결함이 없는 제품 만을 수득할 수 있는 효과가 있다.In addition, in the method of self-repairing defects in metal 3D printing products through the machine learning-based metal 3D printing product density defect monitoring method, the predicted density value of the corresponding layer during 3D printing product manufacturing is the first predicted density value (95%). If it is lower than the second predicted density value (80%), additional laser irradiation is performed on the layer, and if it is lower than the first predicted density value (95%) and lower than the second predicted density value (80%), the process is stopped. By no longer manufacturing the product, when the metal 3D printed product is completed, only defect-free products can be obtained.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.The effects of the present invention are not limited to the effects described above, and should be understood to include all effects that can be inferred from the configuration of the invention described in the detailed description or claims of the present invention.
도1은 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 도시한 순서도이다.
도2는 본 발명의 일 실시 예에 따른 레이저 스캐닝시 측정한 음향방출신호로서 시간(time)에 따른 진폭(amplitude)을 나타낸 그래프이다.
도3은 본 발명의 일 실시 예에 따른 변환된 FFT(fast fourier transform) 데이터로서 진동수(frequency)에 따른 진폭(amplitude)을 나타낸 그래프이다.
도4는 본 발명의 일 실시 예에 따른 금속 3D 프린팅 제품의 각층 마다 FFT 데이터를 수집한 것을 나타내는 예시도이다.
도5는 본 발명의 일 실시 예에 따른 수집 FFT데이터들과 밀도 이미지들이 대응된 것을 나타낸 예시도이다.
도6은 본 발명의 일 실시 예에 따른 전체 수집 FFT데이터들이 입력된 경우 금속 3D 프린팅 제품의 각층에 대응하는 밀도 수치를 출력하는 기계 학습된 모델을 나타내는 예시도이다.
도7은 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법에 의해 결함이 발생된 층을 판정한 것을 나타내는 모식도이다.
도8은 본 발명의 일 실시 예에 따른 금속 3D 프린팅 제품 결함 수리 방법을 나타내는 동작 흐름도이다.Figure 1 is a flow chart illustrating a machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention.
Figure 2 is a graph showing the amplitude over time as an acoustic emission signal measured during laser scanning according to an embodiment of the present invention.
Figure 3 is a graph showing amplitude according to frequency as converted FFT (fast fourier transform) data according to an embodiment of the present invention.
Figure 4 is an example diagram showing FFT data collected for each layer of a metal 3D printing product according to an embodiment of the present invention.
Figure 5 is an exemplary diagram showing the correspondence between collected FFT data and density images according to an embodiment of the present invention.
Figure 6 is an example diagram showing a machine learned model that outputs density values corresponding to each layer of a metal 3D printing product when all collected FFT data according to an embodiment of the present invention are input.
Figure 7 is a schematic diagram showing the determination of the layer in which a defect occurred by the machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention.
Figure 8 is an operational flowchart showing a method for repairing defects in a metal 3D printed product according to an embodiment of the present invention.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, the present invention will be described with reference to the attached drawings. However, the present invention may be implemented in various different forms and, therefore, is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts unrelated to the description are omitted, and similar parts are given similar reference numerals throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.Throughout the specification, when a part is said to be "connected (connected, contacted, combined)" with another part, this means not only "directly connected" but also "indirectly connected" with another member in between. "Includes cases where it is. In addition, when a part is said to “include” a certain component, this does not mean that other components are excluded, but that other components can be added, unless specifically stated to the contrary.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in this specification are merely used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings.
본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 설명한다.A method for monitoring density defects in metal 3D printing products based on machine learning according to an embodiment of the present invention is described.
도 1은 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 도시한 순서도이다.Figure 1 is a flow chart illustrating a machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법은,Referring to Figure 1, the machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention,
3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계(S100); 음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계(S200); 상기 수집된 음향 방출 신호들을 FFT 데이터로 변환하여 수집 FFT(Fast Fourier Transform) 데이터들로 변환하는 단계(S300); 상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 3D 프린팅 제품 각층의 출력 밀도 데이터들을 얻는 단계(S400);및 상기 출력 밀도 데이터가 기준 밀도 수치 보다 낮은 경우 금속 3D 프린팅 제품의 결함이 발생된 층으로 판정하는 단계(S500)를 포함할 수 있다.Scanning a laser on 3D printing powder supplied on a metal 3D printing build part to form a 3D printing product (S100); Collecting acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning using an acoustic emission sensor (S200); Converting the collected acoustic emission signals into FFT data and converting the collected FFT (Fast Fourier Transform) data (S300); Inputting the collected FFT data into a machine learned model to obtain output density data of each layer of the 3D printing product (S400); And if the output density data is lower than the reference density value, moving to the layer where the defect of the metal 3D printing product occurred. It may include a determining step (S500).
첫째 단계에서, 3D 프린팅 제품을 형성하기 위하여 금속 3D 프린팅 빌드부 상에 공급된 3D 프린팅 분말에 레이저를 스캐닝하는 단계를 포함할 수 있다.(S100)In the first step, it may include scanning the 3D printing powder supplied on the metal 3D printing build part to form a 3D printing product (S100).
금속 3D프린팅 방식 중에 레이저빔을 이용하는 PBF(Poweder Ved Fusion) 방식이 있다.Among metal 3D printing methods, there is a PBF (Power Ved Fusion) method that uses a laser beam.
PBF(Powder Bed Fusion)방식은 분말공급장치에서 일정한 면적을 가지는 분말 베드에 수십μm의 금속분말층을 도포하고 조형광원으로 레이저 또는 전자빔을 설계도면에 따라 선택적으로 조사한 후 한 층씩 용융시켜 금속분말을 서로 결합시켜 쌓아 올라가는 방식이다.The PBF (Powder Bed Fusion) method applies a layer of metal powder of several tens of μm to a powder bed with a certain area from a powder supply device, selectively irradiates a laser or electron beam using a shaping light source according to the design drawing, and then melts the metal powder one layer at a time. It is a way to build up by combining them with each other.
상기 용융된 금속 분말을 냉각 및 고화함으로서 상기 금속 소재의 레이어(Layer)를 형성하는 용융 적층(Additive Manufacturing) 기술이다.It is an additive manufacturing technology that forms a layer of the metal material by cooling and solidifying the molten metal powder.
기존의 3D프린팅을 위한 PBF 공정 기준으로 레이저가 한번 지나갈 때 보통 20~60μm 두께 정도 용융되는데, 공정 조건에 따라 용융 부족(Lack of Fusion)과 과용융(Over-melting)이 발생할 수 있다. 이는 품질과 제품의 구조적 성능에 문제를 발생시킬 수 있다. Based on the existing PBF process for 3D printing, a thickness of 20 to 60 μm is usually melted when the laser passes through, but depending on the process conditions, lack of fusion and over-melting may occur. This can cause problems with the quality and structural performance of the product.
이때, 상기 파우더가 용융되면서 적층될 때 여러 가지의 인자들이 영향을 줄 수 있다. 예를 들면, 레이저의 파워, 소재별로 흡수 가능한 최대 에너지, 레이저의 직경, 용융 온도 등에 따라 레이저에 의한 용융 상태를 평가할 수 있다. 또한, 이러한 용융 상태(멜트풀 : Melt Pool)를 기반으로 하는 공정의 평가가 가능하며, 적층가공 시 레이저의 방향 및 조건에 따라 소재의 구조적인 물성 변화를 통해 예측이 가능하다.At this time, various factors may affect when the powder is melted and stacked. For example, the melting state caused by the laser can be evaluated according to the power of the laser, the maximum energy that can be absorbed by each material, the diameter of the laser, and the melting temperature. In addition, it is possible to evaluate the process based on the melt state (melt pool), and it is possible to predict through changes in the structural properties of the material depending on the direction and conditions of the laser during additive manufacturing.
본 발명이 적용될 수 있는 3D 프린팅 방식은 PBF와 같은 파우더 베드에 레이저를 조사하여 용융 및 적층하는 방식이 바람직하나 이에 한정되지 않고 다른 금속 3D 프린팅 방식도 가능하다.The 3D printing method to which the present invention can be applied is preferably a method of melting and stacking a powder bed such as PBF by irradiating a laser, but it is not limited to this and other metal 3D printing methods are also possible.
둘째 단계에서, 음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계를 포함할 수 있다. (S200)In a second step, it may include collecting acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning using an acoustic emission sensor. (S200)
이때, 상기 음향 방출 센서는 상기 빌드부(40) 하부에 직접 장착할 수 있다. At this time, the sound emission sensor can be directly mounted on the lower part of the build part 40.
이때, 상기 금속 3D프린터 작동 중 상기 레이저 스캐닝시 상기 금속 3D 프린팅 제품(20)을 적층 형성 하는 동안 상기 음향 방출 신호를 수집할 수 있다. At this time, the acoustic emission signal can be collected while the metal 3D printed product 20 is laminated during laser scanning while the metal 3D printer is operating.
이때, 본 발명에서 사용되는 음향 방출 신호의 경우 10MHz의 신호로 수집이 가능하여 수백 kHz 신호로 수집되는 기존의 고속카메라를 이용한 용융풀 이미지, 적외선 카메라를 이용한 온도 이미지, 포토다이오드를 이용한 광량 등의 광을 이용한 모니터링 기술보다 더 많은 양의 데이터를 취득할 수 있다.At this time, the acoustic emission signal used in the present invention can be collected as a signal of 10 MHz, and can be collected as a signal of hundreds of kHz, such as a melt pool image using an existing high-speed camera, a temperature image using an infrared camera, and light quantity using a photodiode. A larger amount of data can be acquired than with optical monitoring technology.
이때, 상기 음향 방출 센서는 레이저 스캐닝 시 상기 금속 3D 프린팅 제품(20)을 적층 형성 하는 동안 금속 분말의 변화로서 탄성응력파를 측정 가능한 것을 특징으로 한다. At this time, the acoustic emission sensor is characterized in that it can measure elastic stress waves as a change in metal powder while forming the metal 3D printed product 20 by laminating it during laser scanning.
상기 탄성응력파는 재료 내의 국부적 음향발생원으로부터 급격한 에너지의 방출에 의하여 발생하는 현상의 종류로서 일시적인 탄성파를 의미한다. The elastic stress wave refers to a temporary elastic wave, which is a type of phenomenon that occurs due to the sudden release of energy from a local sound generating source within the material.
이때, 상기 금속 3D프린터를 이용하여 상기 금속 3D 프린팅 제품이 적층 형성될 때, 상기 빌드부에 용융된 금속 분말이 냉각 및 고화에 의한 상태 변화 시 상기 탄성응력파가 방출될 수 있다. At this time, when the metal 3D printed product is laminated using the metal 3D printer, the elastic stress wave may be emitted when the state of the molten metal powder in the build part changes due to cooling and solidification.
상기 방출된 탄성응력파는 공정이 정상적으로 진행 될 경우, 각 층마다 동일한 형태의 탄성응력파가 발생될 수 있다. If the process proceeds normally, the emitted elastic stress wave may be generated in the same form for each layer.
반면에, 공정 중에 금속 3D 프린팅 제품(20) 내부에 미시적 변형, 결함, 파괴가 발생한 경우 정상적인 공정의 탄성응력파가 아닌 이형(異形)의 탄성응력파가 발생될 수 있다.On the other hand, if microscopic deformation, defects, or destruction occur inside the metal 3D printing product 20 during the process, a heterogeneous elastic stress wave may be generated instead of the elastic stress wave of the normal process.
도 2는 본 발명의 일 실시 예에 따른 레이저 스캐닝시 측정한 음향방출신호로서 시간(time)에 따른 진폭(amplitude)을 나타낸 그래프이다.Figure 2 is a graph showing the amplitude over time as an acoustic emission signal measured during laser scanning according to an embodiment of the present invention.
이때, 음향 방출 센서는 상기 금속3D프린팅 제품(20)을 적층 형성할 때, 각 층마다 발생한 상기 탄성응력파를 수집한다.At this time, the acoustic emission sensor collects the elastic stress waves generated in each layer when the metal 3D printing product 20 is laminated.
이때, 음향 방출 센서는 수집된 탄성응력파를 상기 음향 방출 신호와 같은 전기적 신호로 바꿀 수 있다. At this time, the acoustic emission sensor can convert the collected elastic stress waves into an electrical signal such as the acoustic emission signal.
이로써, 상기 음향 방출 신호는 도 2와 같이 시간에 따른 진폭 그래프로 나타낼 수 있다.Accordingly, the acoustic emission signal can be represented as an amplitude graph over time as shown in FIG. 2.
셋째 단계에서, 상기 수집된 음향 방출 신호들을 수집 FFT(Fast Fourier Transform) 데이터들로 변환할 수 있다. (S300)In a third step, the collected acoustic emission signals can be converted into collected Fast Fourier Transform (FFT) data. (S300)
푸리에 변환 (Fourier transform)은 시간 도메인(Time Domain)을 주파수 도메인(Frequency Domain)으로 변환시켜 시간에 대한 함수(혹은 신호)를 주파수 성분으로 분해하는 과정이다. Fourier transform is the process of converting the time domain to the frequency domain and decomposing the time function (or signal) into frequency components.
즉, 푸리에 변환은 상기 복잡한 함수(혹은 신호)를 단순한 함수(혹은 신호)로 분해할 수 있다. In other words, Fourier transform can decompose the complex function (or signal) into a simple function (or signal).
상기 기계 학습 모델에 제공되는 함수(혹은 신호) 데이터는 20 밀리 초 단위의 조각일 수 있는 것을 특징으로 한다.The function (or signal) data provided to the machine learning model is characterized in that it can be a piece of 20 milliseconds.
이제, 탄성응력파를 처리하기 쉬운 포맷으로 만들었고, 상기 음향 방출 신호 조각은 현재 진행되는 공정 중 밀도를 예측하기 위해서 기계 학습 모델에 제공(feed)할 수 있다.Now that the elastic stress waves have been converted into an easy-to-process format, the acoustic emission signal fragments can be fed into a machine learning model to predict the density of the ongoing process.
도 3은, 일 실시예에 따른 변환된 FFT(Fast Fourier Transform) 그래프로서 진동수(Frequency)에 따른 진폭(amplitude)을 나타낼 수 있다.FIG. 3 is a converted FFT (Fast Fourier Transform) graph according to an embodiment and may represent amplitude according to frequency.
상기 제어부(50)에서는 상기 도 2와 같이 시간에 대한 함수로 수집된 음향 방출 신호를 상기 도 3의 주파수에 대한 함수로 변환할 수 있다.The control unit 50 may convert the acoustic emission signal collected as a function of time as shown in FIG. 2 into a function as a function of frequency as shown in FIG. 3.
상기 푸리에 변환에 의해 시간에 대한 신호를 주파수에 대한 신호로 변환 할 수 있으므로 복잡한 형태의 신호를 단순한 형태의 신호로 분해할 수 있다.Since a time signal can be converted into a frequency signal by the Fourier transform, a complex signal can be decomposed into a simple signal.
또한, 도 4는 본 발명의 일 실시 예에 따른 금속 3D 프린팅 제품의 각층 마다 AE 신호를 FFT 처리 후 얻은 주파수 별 진폭 (amplitude) 데이터를 수집한 것을 나타내는 예시도이다.In addition, Figure 4 is an example diagram showing the collection of amplitude data for each frequency obtained after FFT processing of the AE signal for each layer of a metal 3D printing product according to an embodiment of the present invention.
상기 도4는 각 층의 주파수에 따른 진폭 (amplitude) 정보를 확인 할 수 있는 데이터를 2D행렬 형태로 나타낸 모식도이고, 상기 도4를 참조하면, 각 층마다 수집한 AE 신호의 주파수 특성을 알 수 있으며, 특히 특정 주파수에서 주변 층과 달리 높거나 낮은 값을 보인다면, 해당 층에 문제가 발생한 것을 확인 할 수 있다.Figure 4 is a schematic diagram showing data in the form of a 2D matrix that can confirm amplitude information according to the frequency of each layer. Referring to Figure 4, the frequency characteristics of the AE signal collected for each layer can be seen. In particular, if a specific frequency shows a high or low value unlike the surrounding layer, it can be confirmed that a problem has occurred in that layer.
넷째 단계에서, 상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 금속 3D 프린팅 제품 각층의 출력 밀도 데이터들을 얻을 수 있다. (S400)In the fourth step, the collected FFT data can be input into a machine learned model to obtain output density data of each layer of the metal 3D printed product. (S400)
상기 기계 학습된 모델은 상기 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하고 표준 광학 이미지에 따른 표준 출력 밀도 데이터들을 입력하여 기계학습 하여 형성된 모델인 것을 특징으로 한다.The machine learned model is characterized in that it is a model formed by machine learning by inputting standard FFT data corresponding to each layer of the metal 3D printing product and standard power density data according to a standard optical image.
본 발명은 금속 3D프린팅 제품의 밀도 데이터를 도출하기 위하여 광학 현미경으로 측정한 광학 이미지를 사용할 수 있다.The present invention can use optical images measured with an optical microscope to derive density data of metal 3D printed products.
이때, 상기 광학 이미지를 사용하는 이유는 광학 이미지는 광학 현미경을 이용하면 품 내부의 결함 (defect) 나 빈 공간 (void)를 직접적으로 관찰할 수 있으며, 정상인 영역은 흰색, 비정상인 영역은 검은색으로 보이는 것처럼 영역 별 상태에 따라 색깔 차이가 있으므로, 광학 이미지를 임계값 이진화 이미지 처리하면 밀도 데이터를 도출할 수 있으므로, 광학 이미지를 밀도를 도출하기 위한 도구로 사용할 수 있다.At this time, the reason for using the optical image is that the optical image allows defects or voids inside the product to be directly observed using an optical microscope, with normal areas being white and abnormal areas being black. As shown, there are color differences depending on the state of each region, so density data can be derived by processing the optical image through threshold binarization, so the optical image can be used as a tool to derive density.
이때, 예를 들어, 상기 광학 이미지에서 밀도를 도출할 수 있는 구체적인 방법은 광학 이미지를 수집하는 단계; 광학 이미지를 한 픽셀의 색깔의 세기가0에서 255범위를 갖는 흑백으로 변환하는 단계; 임계값을 임의로 수립하는 단계; 설정된 임계값을 기준보다 한 픽셀의 색깔의 세기가 크면 255, 작으면 0으로 바꾸는 이미지 이진화 단계; 이진화된 이미지로부터 전체 픽셀 개수 중에 색깔의 세기가 255인 픽셀의 개수를 세어서 밀도를 계산하는 단계를 수행할 수 있다.At this time, for example, a specific method of deriving density from the optical image includes collecting the optical image; Converting the optical image to black and white with a color intensity of one pixel ranging from 0 to 255; arbitrarily establishing a threshold; An image binarization step in which the set threshold is changed to 255 if the color intensity of one pixel is greater than the standard, and to 0 if it is less than the standard; From the binarized image, the density can be calculated by counting the number of pixels with a color intensity of 255 out of the total number of pixels.
도5는 본 발명의 일 실시 예에 따른 수집 FFT데이터들과 밀도 이미지들이 대응된 것을 나타낸 예시도이다.Figure 5 is an exemplary diagram showing the correspondence between collected FFT data and density images according to an embodiment of the present invention.
상기 도5를 참조하면, 수집 FFT데이터들은 광학 현미경을 통해 측정된 광학 이미지들에서 밀도 이미지를 도출할 수 있다.Referring to Figure 5, the collected FFT data can derive a density image from optical images measured through an optical microscope.
이때, 상기 금속 3D프린팅 제품의 각각의 층에 대응하는 밀도 이미지는 기공이 포함된 것을 특징으로 하며, 상기 기공이 정상적으로 금속이 굳은 곳은 흰색에 가까운 것과 달리 검은색에 가까운 특성이 있는 경우 그에 해당하는 출력 밀도 데이터를 도출할 수 있다.At this time, the density image corresponding to each layer of the metal 3D printing product is characterized by containing pores, and the pores are close to black, unlike the area where the metal is normally solidified, which is close to white. power density data can be derived.
이때, 상기 기계 학습된 모델은DNN(Deep Neural Network)을 이용할 수 있다.At this time, the machine learned model may use a Deep Neural Network (DNN).
상기 DNN(Deep Neural Network)은 심층 신경망으로서 입력층과 출력층 사이에 다중의 은닉층을 포함하는 인공 신경망이다.The DNN (Deep Neural Network) is a deep neural network and is an artificial neural network that includes multiple hidden layers between the input layer and the output layer.
이때, 사용된 심층신경망은 auto-encoder, variational auto-encoder 및 U-net 중 적어도 어느 하나를 이용 할 수 있다. At this time, the deep neural network used may use at least one of auto-encoder, variational auto-encoder, and U-net.
또한, 상기 기계 학습된 모델은 SVM (Support Vector Machine)을 이용 할 수 있다. Additionally, the machine learned model can use SVM (Support Vector Machine).
상기 SVM (Support Vector Machine)은 입력 데이터를 기준으로 주어진 데이터가 어느 카테고리에 속할지 판단하는 이진 선형 분류 모델이며, 이를 이용해 패턴 인식, 자료 분석을 위한 지도 학습을 수행하며, 주로 분류와 회귀 분석을 위해 사용된다.The SVM (Support Vector Machine) is a binary linear classification model that determines which category the given data belongs to based on the input data. It uses this to perform supervised learning for pattern recognition and data analysis, and mainly performs classification and regression analysis. It is used for.
본 명세서에서 표준 FFT데이터는 금속3D 프린팅 공정이 미시적 변형, 결함, 파괴 등이 발생하지 않은 정상 공정 중 측정된 음향 방출 신호를 FFT데이터로 변환 한 데이터를 의미한다.In this specification, standard FFT data refers to data converted from acoustic emission signals measured during a normal metal 3D printing process in which microscopic deformation, defects, destruction, etc. do not occur, into FFT data.
예를 들어, 상기 기계 학습 모델에 이용되는 입력 데이터는 금속 3D프린팅 제품(20) 각각의 층에 대응하여 수집되는 1군의 전체 표준 FFT데이터들일 수 있다.For example, the input data used in the machine learning model may be a group of standard FFT data collected corresponding to each layer of the metal 3D printing product 20.
또한, 기계 학습에 이용되는 출력 데이터는 표준 출력 밀도 데이터들일 수 있으며, 상기 표준 출력 밀도 데이터들은 광학 현미경에서 얻은 광학 이미지를 수집하는 단계, 광학 이미지를 한 픽셀의 색깔의 세기가0에서 255범위를 갖는 흑백으로 변환하는 단계; 임계값을 임의로 수립하는 단계; 설정된 임계값을 기준보다 한 픽셀의 색깔의 세기가 크면 255, 작으면 0으로 바꾸는 이미지 이진화 단계; 이진화된 이미지로부터 전체 픽셀 개수 중에 색깔의 세기가 255인 픽셀의 개수를 세어서 밀도를 계산하는 단계를 수행하여 얻을 수 있다.In addition, the output data used for machine learning may be standard power density data, and the standard power density data includes collecting optical images obtained from an optical microscope, and the color intensity of one pixel of the optical image ranges from 0 to 255. converting to black and white; arbitrarily establishing a threshold; An image binarization step in which the set threshold is changed to 255 if the color intensity of one pixel is greater than the standard, and to 0 if it is less than the standard; It can be obtained by calculating the density by counting the number of pixels with a color intensity of 255 among the total number of pixels from the binarized image.
이러한 1군의 전체 표준 FFT 데이터들 및 표준 출력 밀도 데이터 복수 개를 이용하여 기계 학습을 여러 번 수행하여 기계 학습된 모델을 생성 할 수 있다.A machine-learned model can be created by performing machine learning multiple times using this entire set of standard FFT data and a plurality of standard power density data.
따라서, 1군의 전체 표준 FFT 데이터들을 기계 학습 모델에 입력 데이터로 제공하면, 출력 밀도 데이터를 도출하는 것을 특징으로 한다.Therefore, when all standard FFT data of one group are provided as input data to a machine learning model, output density data is derived.
즉, 본 발명은 상기 수집 FFT데이터에 해당하는 층은 기계 학습에 의해 기 설정된 밀도 수치인 표준 출력 밀도 데이터를 생성할 수 있다.That is, in the present invention, the layer corresponding to the collected FFT data can generate standard output density data, which is a density value preset by machine learning.
상기 기계 학습 모델은 금속 3D 프린팅 제품의 각층에 대응하는 출력 밀도 데이터들을 출력하여 상기 금속 3D 프린팅 제품의 밀도 수치를 도출할 수 있다.The machine learning model can derive the density value of the metal 3D printed product by outputting power density data corresponding to each layer of the metal 3D printed product.
도6은 본 발명의 일 실시 예에 따른 전체 수집 FFT데이터들이 입력된 경우 금속 3D 프린팅 제품의 각층의 밀도 수치를 나타내는 출력 밀도 데이터를 출력하는 기계 학습된 모델을 나타내는 예시도이다.Figure 6 is an example diagram showing a machine learned model that outputs output density data indicating the density value of each layer of a metal 3D printing product when all collected FFT data are input according to an embodiment of the present invention.
상기 도6을 참조하면 DNN을 중심으로 좌측에 있는 각 층 별 수집된 AE 신호의 FFT 처리 후 얻은 주파수 성분의 진폭을 2D-행렬 형태로 나타낸 수치 데이터 (층-주파수 별 진폭 데이터)가 기계학습 모델에 제공되는 수집 FFT데이터이고, DNN을 중심으로 우측에 있는 데이터는 출력 밀도 데이터(수치 데이터)를 의미 할 수 있다.Referring to FIG. 6, numerical data (amplitude data by layer-frequency) representing the amplitude of the frequency component obtained after FFT processing of the AE signal collected for each layer on the left center of the DNN in a 2D-matrix form is used in the machine learning model. This is the collected FFT data provided, and the data on the right centered on the DNN may mean output density data (numerical data).
따라서, 본 발명은 상기 금속 3D프린팅 제품의 밀도를 진동 신호를 이용하여 각각의 층의 밀도에 해당하는 출력 밀도 데이터를 수집할 수 있다.Therefore, the present invention can collect power density data corresponding to the density of each layer by using a vibration signal to determine the density of the metal 3D printed product.
따라서, 상기 제공된 수집 FFT데이터로부터 각 층마다 수집한 AE 신호의 주파수 특성을 알 수 있으며, 각 층이 갖고 있는 주파수 특성이 비슷한 형태를 보이는 경우, 기계학습 모델이 이러한 상태를 인식하여 각각의 층에 해당하는 출력 밀도 데이터를 출력 할 수 있다.Therefore, the frequency characteristics of the AE signal collected for each layer can be known from the collected FFT data provided above, and if the frequency characteristics of each layer show a similar form, the machine learning model recognizes this state and The corresponding power density data can be output.
다섯째 단계에서, 상기 출력 밀도 데이터가 기준 밀도 수치 보다 낮은 경우 금속 3D 프린팅 제품의 결함이 발생된 층으로 판정하는 단계를 포함할 수 있다. (S500)In the fifth step, if the power density data is lower than the reference density value, it may include determining that the layer in which the metal 3D printed product has a defect has occurred. (S500)
상기 기준 밀도 수치는 80% 인 것을 특징으로 한다.The reference density value is characterized as 80%.
본 발명은 상기 기준 밀도 수치인 80%보다 낮은 경우 금속 3D 프린팅 제품의 결함이 발생된 비정상층으로 판정하고, 상기 기준 밀도 수치인 95%보다 높은 경우 금속 3D 프린팅 제품의 결함이 발생되지 않은 정상층으로 판정할 수 있다.In the present invention, if it is lower than the standard density value of 80%, it is determined to be an abnormal layer in which defects in the metal 3D printing product occur, and if it is higher than the standard density value of 95%, it is a normal layer in which defects in the metal 3D printing product do not occur. It can be judged as:
도7은 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법에 의해 결함이 발생된 층을 판정한 것을 나타내는 모식도이다.Figure 7 is a schematic diagram showing the determination of the layer in which a defect occurred by the machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention.
상기 도7을 참조하면, 금속 3D 프린팅 제품의 최상층이 82% 이므로 80%보다 높으나 95%보다 낮으므로 비정상층으로 판정되어 레이저를 재 조사하는 것을 확인할 수 있다.Referring to FIG. 7, it can be seen that the top layer of the metal 3D printed product is 82%, which is higher than 80%, but lower than 95%, so it is determined to be an abnormal layer and the laser is re-irradiated.
도8을 참조하여, 본 발명의 다른 실시 예에 따른 금속 3D 프린팅 제품 결함 수리 방법을 설명한다.With reference to Figure 8, a method of repairing defects in a metal 3D printed product according to another embodiment of the present invention will be described.
본 발명의 다른 실시 예에 따른 금속 3D 프린팅 제품 결함 수리 방법은, A method for repairing defects in metal 3D printing products according to another embodiment of the present invention,
제어부에서 제1항의 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 통하여 상기 금속 3D프린팅 제품의 밀도가 상기 제1기준 밀도 수치보다 낮은 경우 비정상으로 판정하는 단계;및Determining that the density of the metal 3D printing product is abnormal when the density of the metal 3D printing product is lower than the first reference density value through the machine learning-based metal 3D printing product density defect monitoring method of claim 1 in the control unit; And
상기 제어부에서 비정상으로 판정된 금속 3D프린팅 제품의 결함이 발생된 층을 제 2 기준 밀도 수치와 비교하여 상기 제 2 기준 밀도 수치 보다 높은 것으로 판정한 경우 빌드부 상에 위치된 금속 3D프린팅 제품 상에 추가 레이저 조사를 하여 재용융을 진행하고, 상기 제 2 기준 밀도 수치보다 낮은 것으로 판정한 경우 공정을 중단하는 단계를 포함할 수 있다.The defective layer of the metal 3D printing product determined to be abnormal in the control unit is compared with the second reference density value, and if it is determined to be higher than the second reference density value, on the metal 3D printing product located on the build part. It may include re-melting by applying additional laser irradiation and stopping the process when it is determined that the density is lower than the second reference density value.
도8은 본 발명의 일 실시 예에 따른 금속 3D 프린팅 제품 결함 수리 방법을 나타내는 동작 흐름도이다.Figure 8 is an operational flowchart showing a method for repairing defects in a metal 3D printed product according to an embodiment of the present invention.
먼저, 금속 3D 프린팅 제품 결함 수리 방법을 설명하기 전에 금속 3D프린팅 제품을 제조하는 방법을 설명하면, 목표 밀도를 확인 하는 단계; 빌드부가 하강되고 분말 베드가 상승되는 단계; 빌드부에 분말을 도포하는 단계; 상기 분말이 도포된 빌드부 상에 레이저를 조사하고 상기 레이저 조사 시 발생하는 음향방출신호를 음향방출센서로 수집하는 단계를 포함할 수 있다.First, before explaining how to repair defects in metal 3D printing products, explaining how to manufacture metal 3D printing products includes the steps of checking the target density; A step in which the build part is lowered and the powder bed is raised; Applying powder to the build part; It may include the step of irradiating a laser on the build part to which the powder is applied and collecting an acoustic emission signal generated during irradiation of the laser with an acoustic emission sensor.
다음으로, 제어부에서 상기 음향방출센서로 수집된 음향 방출 신호를 FFT 데이터로 변환하여 기계 학습된 모델에 입력하여 3D 프린팅 제품 각층의 출력 밀도 데이터들을 얻는 단계를 포함할 수 있다. Next, it may include a step of converting the acoustic emission signal collected by the acoustic emission sensor into FFT data in the control unit and inputting it into a machine learned model to obtain output density data of each layer of the 3D printed product.
다음으로, 제어부에서 얻어진 상기 금속 3D프린팅 제품의 밀도 수치(출력 밀도 데이터)가 상기 제1기준 밀도 수치보다 낮은 경우 비정상으로 판정하는 단계를 포함할 수 있다.Next, it may include determining that the density value (output density data) of the metal 3D printing product obtained from the control unit is abnormal when it is lower than the first reference density value.
이때, 상기 제1기준 밀도 수치는 95% 일 수 있다.At this time, the first reference density value may be 95%.
상기 제조된 금속 3D 프린팅 제품의 밀도 수치가 95% 초과하는 경우, 정상으로 판정되어 추후 공정이 계속하여 진행될 수 있고, 상기 제1기준 밀도 수치가 95% 미만인 경우, 두번째 판정단계로 넘어갈 수 있다.If the density value of the manufactured metal 3D printing product exceeds 95%, it is judged to be normal and further processing can continue, and if the first standard density value is less than 95%, the product can proceed to the second determination step.
다음으로, 상기 제어부에서 비정상으로 판정된 금속 3D프린팅 제품의 결함이 발생된 층을 제 2 기준 밀도 수치와 비교하여 상기 제 2 기준 밀도 수치 보다 높은 것으로 판정한 경우 빌드부 상에 위치된 금속 3D프린팅 제품 상에 추가 레이저 조사를 하여 재용융을 진행하고, 상기 제 2 기준 밀도 수치보다 낮은 것으로 판정한 경우 공정을 중단하는 단계Next, the defective layer of the metal 3D printing product determined to be abnormal in the control unit is compared with a second reference density value, and if it is determined to be higher than the second reference density value, the metal 3D printing product located on the build part Re-melting the product by applying additional laser irradiation to the product, and stopping the process if it is determined to be lower than the second reference density value.
이때, 상기 제2기준 밀도 수치는 80% 일 수 있다.At this time, the second reference density value may be 80%.
상기 제조된 금속 3D 프린팅 제품의 밀도 수치가 80% 미만인 경우, 전체 금속 3D 프린팅 제품 제조 공정을 중단하고 알람을 발생시킬 수 있다.If the density value of the manufactured metal 3D printed product is less than 80%, the entire metal 3D printed product manufacturing process may be stopped and an alarm may be generated.
또한, 상기 제조된 금속 3D 프린팅 제품의 밀도 수치가 80% 초과인 경우, 빌드부 상에 별도로 분말을 도포하지 않고, 빌드부 상에 위치된 금속 3D프린팅 제품 상에 추가 레이저 조사를 하여 재용융을 진행하여 밀도를 증가시킬 수 있다.In addition, when the density value of the manufactured metal 3D printing product is greater than 80%, additional laser irradiation is performed on the metal 3D printing product located on the build part to re-melt it, without separately applying powder on the build part. The density can be increased by proceeding.
이때, 상기 금속 3D 프린팅 제품 자가 수리 방법은 모든 금속 3D 프린팅 제품 이 정상 제품이 될 때까지 반복하여 수행 될 수 있다.At this time, the metal 3D printing product self-repair method can be performed repeatedly until all metal 3D printing products become normal products.
따라서, 본 발명의 일 실시 예에 따른 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법은 금속3D 프린팅 공정 중 상기 금속3D 프린팅 제품 내부의 미시적 변형, 결함, 파괴 등에 따른 결함 특성 및 상태를 평가 할 수 있고 미시적 변형, 결함, 파괴 등이 발생된 위치와 해당 층을 판정할 수 있다.Therefore, the machine learning-based metal 3D printing product density defect monitoring method according to an embodiment of the present invention can evaluate defect characteristics and conditions due to microscopic deformation, defects, destruction, etc. inside the metal 3D printing product during the metal 3D printing process. It is possible to determine the location and corresponding layer where microscopic deformation, defects, destruction, etc. occurred.
또한, 상기 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법을 이용한 금속 3D 프린팅 제품 결함 수리 방법은 3D프린팅 제품 제조 중 해당 층의 예측된 밀도 수치가 제1기준 밀도 수치(95%)보다 낮고 제2기준 밀도 수치(80%)보다 높은 경우 해당 층에 추가 레이저 조사를 진행하고, 제1기준 밀도 수치(95%)보다 낮고 제2기준 밀도 수치 (80%)보다 낮은 경우 공정을 멈추어 더 이상 제품 제조를 하지 않음으로써 금속 3D 프린팅 제품이 완성되었을 때, 결함이 없는 제품 만을 수득할 수 있는 효과가 있다.In addition, in the metal 3D printing product defect repair method using the machine learning-based metal 3D printing product density defect monitoring method, the predicted density value of the corresponding layer during 3D printing product manufacturing is lower than the first reference density value (95%) and the second standard density value is lower than the first reference density value (95%). If it is higher than the standard density value (80%), additional laser irradiation is performed on the layer, and if it is lower than the first standard density value (95%) and lower than the second standard density value (80%), the process is stopped and the product can no longer be manufactured. By not doing this, when the metal 3D printed product is completed, only a defect-free product can be obtained.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The description of the present invention described above is for illustrative purposes, and those skilled in the art will understand that the present invention can be easily modified into other specific forms without changing the technical idea or essential features of the present invention. will be. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. For example, each component described as single may be implemented in a distributed manner, and similarly, components described as distributed may also be implemented in a combined form.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the patent claims described below, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention.
Claims (8)
음향 방출 센서를 이용해 상기 레이저 스캐닝 중에 발생하는 상기 금속 3D 프린팅 제품의 각층에 대응하는 음향 방출 신호들을 수집하는 단계;
상기 수집된 음향 방출 신호들을 FFT 데이터로 변환하여 수집 FFT(Fast Fourier Transform) 데이터들로 변환하는 단계;
상기 수집 FFT 데이터들을 기계 학습된 모델에 입력하여 3D 프린팅 제품 각층의 출력 밀도 데이터들을 얻는 단계;및
상기 출력 밀도 데이터가 기준 밀도 수치 보다 낮은 경우 금속 3D 프린팅 제품의 결함이 발생된 층으로 판정하는 단계를 포함하는 것을 특징으로 하는 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법.Scanning the 3D printing powder supplied on the metal 3D printing build part to form a 3D printing product;
Collecting acoustic emission signals corresponding to each layer of the metal 3D printed product generated during the laser scanning using an acoustic emission sensor;
Converting the collected acoustic emission signals into FFT data and converting the collected FFT (Fast Fourier Transform) data;
Inputting the collected FFT data into a machine learned model to obtain output density data of each layer of the 3D printed product; And
A machine learning-based metal 3D printing product density defect monitoring method comprising the step of determining that the defective layer of the metal 3D printing product occurs when the output density data is lower than the reference density value.
상기 기계 학습된 모델은 상기 금속 3D 프린팅 제품의 각층에 대응하는 표준 FFT 데이터들을 입력하고 표준 광학 이미지에 따른 표준 출력 밀도 데이터들을 입력하여 기계학습 하여 형성된 모델인 것을 특징으로 하는 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법.According to paragraph 1,
The machine-learned model is a model formed by machine learning by inputting standard FFT data corresponding to each layer of the metal 3D printing product and inputting standard output density data according to a standard optical image. Machine learning-based metal 3D printing Product density defect monitoring method.
상기 기계학습된 모델은,
DNN((Deep Neural Network) 또는 SVM (Support Vector Machine)을 이용하여 기계학습하여 형성된 모델인 것을 특징으로 하는 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법.According to paragraph 2,
The machine learned model is,
A machine learning-based metal 3D printing product density defect monitoring method, characterized in that the model is formed by machine learning using DNN (Deep Neural Network) or SVM (Support Vector Machine).
상기 기준 밀도 수치는 80% 인 것을 특징으로 하는 기계 학습 기반 금속 3D프린팅 제품 밀도 결함 모니터링 방법.According to paragraph 1,
A machine learning-based metal 3D printing product density defect monitoring method, characterized in that the reference density value is 80%.
상기 제어부에서 비정상으로 판정된 금속 3D프린팅 제품의 결함이 발생된 층을 제 2 기준 밀도 수치와 비교하여 상기 제 2 기준 밀도 수치 보다 높은 것으로 판정한 경우 빌드부 상에 위치된 금속 3D프린팅 제품 상에 추가 레이저 조사를 하여 재용융을 진행하고, 상기 제 2 기준 밀도 수치보다 낮은 것으로 판정한 경우 공정을 중단하는 단계를 포함하는 것을 특징으로 하는 금속 3D 프린팅 제품 결함 수리 방법.Determining that the density value of the metal 3D printing product is abnormal when the density value of the metal 3D printing product is lower than the first reference density value through the machine learning-based metal 3D printing product density defect monitoring method of claim 1 in the control unit; And
The defective layer of the metal 3D printing product determined to be abnormal in the control unit is compared with the second reference density value, and if it is determined to be higher than the second reference density value, on the metal 3D printing product located on the build part. A method of repairing defects in a metal 3D printing product, comprising performing additional laser irradiation to re-melt and stopping the process when the density is determined to be lower than the second reference density value.
상기 금속 3D프린팅 제품의 결함이 발생된 층을 판정하는 단계에서,
상기 제1기준 밀도 수치는 95% 인 것을 특징으로 하는 금속 3D 프린팅 제품 결함 수리 방법.According to paragraph 1,
In the step of determining the layer in which a defect occurs in the metal 3D printing product,
A metal 3D printing product defect repair method, characterized in that the first standard density value is 95%.
상기 금속 3D 프린팅 제품을 자가 수리 하는 단계에서,
상기 제2기준 밀도 수치는 80% 인 것을 특징으로 하는 금속 3D 프린팅 제품 결함 수리 방법.According to paragraph 1,
In the step of self-repairing the metal 3D printed product,
A method of repairing defects in a metal 3D printing product, characterized in that the second standard density value is 80%.
상기 금속 3D 프린팅 제품 자가 수리 방법은 모든 금속 3D 프린팅 제품 이 정상 제품이 될 때까지 반복하여 수행 되는 것을 특징으로 하는 금속 3D 프린팅 제품 결함 수리 방법.According to paragraph 1,
The metal 3D printing product self-repair method is a method of repairing defects in a metal 3D printing product, characterized in that it is repeatedly performed until all metal 3D printing products become normal products.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220159383A KR20240078468A (en) | 2022-11-24 | 2022-11-24 | Machine learning-based metal 3D printing product density defect monitoring method and metal 3D printing product defect repair method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220159383A KR20240078468A (en) | 2022-11-24 | 2022-11-24 | Machine learning-based metal 3D printing product density defect monitoring method and metal 3D printing product defect repair method |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240078468A true KR20240078468A (en) | 2024-06-04 |
Family
ID=91465930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220159383A KR20240078468A (en) | 2022-11-24 | 2022-11-24 | Machine learning-based metal 3D printing product density defect monitoring method and metal 3D printing product defect repair method |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240078468A (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101839206B1 (en) | 2016-05-18 | 2018-03-15 | 인하대학교 산학협력단 | System for monitoring 3d printer |
-
2022
- 2022-11-24 KR KR1020220159383A patent/KR20240078468A/en unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101839206B1 (en) | 2016-05-18 | 2018-03-15 | 인하대학교 산학협력단 | System for monitoring 3d printer |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3646968A1 (en) | Method for automatically preventing defects potentially arising during an additive manufacturing process and manufacturing device | |
CN111168062B (en) | Weld puddle monitoring system and method for detecting errors in an additive manufacturing process | |
KR101666102B1 (en) | Method for manufacturing three-dimensional molding | |
US20160098825A1 (en) | Feature extraction method and system for additive manufacturing | |
JP6735925B2 (en) | Internal defect detection system, three-dimensional additive manufacturing apparatus, internal defect detection method, three-dimensional additive manufactured article manufacturing method, and three-dimensional additive manufactured object | |
US20210197275A1 (en) | Three dimensional printing system and method capable of controlling size of molten pool formed during printing process | |
CN110709194A (en) | Construction abnormality detection system for three-dimensional laminated molding device, construction abnormality detection method for three-dimensional laminated molding device, method for manufacturing three-dimensional laminated molded object, and three-dimensional laminated molded object | |
Fang et al. | Process monitoring, diagnosis and control of additive manufacturing | |
KR20190068349A (en) | Method and apparatus for diagnosing soundness of three-dimensional printer | |
CN116597391B (en) | Synchronous on-line monitoring method for weld surface morphology and penetration state | |
CN115943431A (en) | Computer-implemented, adaptive anomaly detection method for powder bed-based additive manufacturing | |
CN113118465A (en) | Method and device for estimating a weld puddle depth during a 3D printing process, and 3D printing system | |
Zhang et al. | In situ monitoring of direct energy deposition via structured light system and its application in remanufacturing industry | |
Ng et al. | Progress and opportunities for machine learning in materials and processes of additive manufacturing | |
KR102352980B1 (en) | Method for metal 3d printing product defect monitoring and apparatus for metal 3d printing product defect monitoring based on machine learning | |
KR20240078468A (en) | Machine learning-based metal 3D printing product density defect monitoring method and metal 3D printing product defect repair method | |
Modaresialam et al. | In-Situ monitoring and defect detection of selective laser melting process and impact of process parameters on the quality of fabricated SS 316L | |
CN113118456A (en) | Method and apparatus for estimating height of 3D printed object formed in 3D printing process, and 3D printing system | |
KR20240078467A (en) | Machine learning-based metal 3D printing product density prediction device and metal 3D printing product density prediction method using it | |
JP2018158457A (en) | Layered model inspection apparatus, layer modeling apparatus, and layer modeling method | |
Safari et al. | Dependency evaluation of defect formation and printing location in additive manufacturing | |
CN114997038A (en) | Selective laser melting area temperature prediction and variable parameter scanning method | |
Yang et al. | Analyzing Remelting Conditions based on In-Situ Melt Pool Data Fusion for Overhang Building in Powder Bed Fusion Process | |
CN116117169B (en) | SLM technological process defect detection method and device | |
Malekar et al. | Deep learning for defect identification in 3D printing with fused filament fabrication |