知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024023176
(43)【公開日】2024-02-21
(54)【発明の名称】付加製造システムにおける機械学習を使用した欠陥識別
(51)【国際特許分類】
B22F 10/85 20210101AFI20240214BHJP
B22F 10/28 20210101ALI20240214BHJP
B22F 12/90 20210101ALI20240214BHJP
【ＦＩ】
B22F10/85
B22F10/28
B22F12/90
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2023178004
(22)【出願日】2023-10-16
(62)【分割の表示】P 2021563610の分割
【原出願日】2021-08-02
(31)【優先権主張番号】63/062,949
(32)【優先日】2020-08-07
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】17/390,034
(32)【優先日】2021-07-30
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】520039205
【氏名又は名称】シグマ ラボズ，インコーポレイテッド
(74)【代理人】
【識別番号】100137969
【弁理士】
【氏名又は名称】岡部 憲昭
(74)【代理人】
【識別番号】100104824
【弁理士】
【氏名又は名称】穐場 仁
(74)【代理人】
【識別番号】100121463
【弁理士】
【氏名又は名称】矢口 哲也
(72)【発明者】
【氏名】ベケット，ダレン
(72)【発明者】
【氏名】フライ，ロジャー
(72)【発明者】
【氏名】ユー，クリスティーナシュアン
(72)【発明者】
【氏名】ベッツ，スコット
(72)【発明者】
【氏名】ジャケメットン，ラース
(72)【発明者】
【氏名】アンダーソン，ケビンシー．
(57)【要約】 （修正有）
【課題】付加製造システムを使用して製造された部品の欠陥を検出する、付加製造システムおよび付加製造方法を提供する。
【解決手段】付加製造システムは、金属粉末を溶融するように配置されたエネルギー源を備える。付加製造システムは、金属粉末の溶融中に放出される電磁エネルギーを検出するように配置されたセンサを備える。付加製造システムは、センサからデータを受信し、訓練された機械学習アルゴリズムを使用して前記溶融された金属粉末中の欠陥を検出するプロセッサを備える。
【選択図】図１Ａ
【解決手段】付加製造システムは、金属粉末を溶融するように配置されたエネルギー源を備える。付加製造システムは、金属粉末の溶融中に放出される電磁エネルギーを検出するように配置されたセンサを備える。付加製造システムは、センサからデータを受信し、訓練された機械学習アルゴリズムを使用して前記溶融された金属粉末中の欠陥を検出するプロセッサを備える。
【選択図】図１Ａ
【特許請求の範囲】
【請求項1】
金属粉末を溶融するように配置されたエネルギー源と、
前記金属粉末の溶融中に放出される電磁エネルギーを検出するように配置されたセンサと、
前記センサからデータを受信し、訓練された機械学習アルゴリズムを使用して前記溶融された金属粉末中の欠陥を検出するプロセッサと
を備える、付加製造システム。
前記金属粉末の溶融中に放出される電磁エネルギーを検出するように配置されたセンサと、
前記センサからデータを受信し、訓練された機械学習アルゴリズムを使用して前記溶融された金属粉末中の欠陥を検出するプロセッサと
を備える、付加製造システム。
【請求項2】
前記訓練された機械学習アルゴリズムが、前記欠陥のタイプを判定する、請求項１に記載の付加製造システム。
【請求項3】
前記欠陥の前記タイプが、前記金属粉末の融合不良欠陥、ポロシティ欠陥、または介在物欠陥の少なくとも１つを含む、請求項２に記載の付加製造システム。
【請求項4】
前記プロセッサが、前記電磁エネルギーに少なくとも部分的に基づいて１つまたは複数のパラメータを計算するように構成される、請求項１に記載の付加製造システム。
【請求項5】
前記１つまたは複数のパラメータが、前記エネルギー源の１回または複数回の走査中に前記溶融された金属粉末から放射されたエネルギー量を測定することと、前記１回または複数回の走査中に横断された造形面の面積を決定することとを含む、熱放射密度（ＴＥＤ）を決定することを含む、請求項４に記載の付加製造システム。
【請求項6】
前記１つまたは複数のパラメータが、前記金属粉末のバッチの材料特性と関連付けられるスペクトルピークを識別し、第１の波長および前記第１の波長から離間した第２の波長を選択することと、前記第１の波長で放射されたエネルギー対前記第２の波長で放射されたエネルギーの比に基づいて造形面から放射されたエネルギー量を決定することとを含む、請求項４に記載の付加製造システム。
【請求項7】
前記訓練された機械学習アルゴリズムが、既知の欠陥部品に基づく１つまたは複数の訓練パラメータを含む、請求項１に記載の付加製造システム。
【請求項8】
前記１つまたは複数の訓練パラメータが、前記金属粉末の融合不良を有する少なくとも１つの領域を有する既知の欠陥部品から導出される、請求項７に記載の付加製造システム。
【請求項9】
前記１つまたは複数の訓練パラメータが、少なくとも１つの介在物を有する既知の欠陥部品から導出される、請求項７に記載の付加製造システム。
【請求項10】
前記１つまたは複数の訓練パラメータが、ポロシティを有する少なくとも１つの領域を有する既知の欠陥部品から導出される、請求項７に記載の付加製造システム。
【請求項11】
前記１つまたは複数のセンサが、軸上光検出器を含む、請求項１に記載の付加製造システム。
【請求項12】
付加製造方法であって、
エネルギー源を使用して金属粉末を溶融することと、
センサを使用して前記金属粉末の溶融中に放出される電磁エネルギーを検出することと、
プロセッサを使用して前記センサからデータを受信し、訓練された機械学習アルゴリズムを使用して前記溶融された金属粉末の欠陥を検出することと、
を含む、方法。
エネルギー源を使用して金属粉末を溶融することと、
センサを使用して前記金属粉末の溶融中に放出される電磁エネルギーを検出することと、
プロセッサを使用して前記センサからデータを受信し、訓練された機械学習アルゴリズムを使用して前記溶融された金属粉末の欠陥を検出することと、
を含む、方法。
【請求項13】
前記訓練された機械学習アルゴリズムが、前記欠陥のタイプを判定する、請求項１２に記載の方法。
【請求項14】
前記欠陥のタイプが、前記金属粉末の融合不良欠陥、ポロシティ欠陥、または介在物欠陥の少なくとも１つを含む、請求項１３に記載の方法。
【請求項15】
前記プロセッサが、前記電磁エネルギーに少なくとも部分的に基づいて１つまたは複数のパラメータを計算するように構成される、請求項１２に記載の方法。
【請求項16】
前記１つまたは複数のパラメータが、前記エネルギー源の１回または複数回の走査中に溶融された前記金属粉末から放射されたエネルギー量を測定することと、前記１回または複数回の走査中に横断された造形面の面積を決定することとを含む熱放射密度（ＴＥＤ）を決定することを含む、請求項１５に記載の方法。
【請求項17】
前記１つまたは複数のパラメータが、前記金属粉末のバッチの材料特性と関連付けられるスペクトルピークを識別し、第１の波長および前記第１の波長から離間した第２の波長を選択することと、前記第１の波長で放射されたエネルギー対前記第２の波長で放射されたエネルギーの比に基づいて造形面から放射されたエネルギー量を決定することとを含む、請求項１５に記載の方法。
【請求項18】
前記訓練された機械学習アルゴリズムが、既知の欠陥部品に基づく１つまたは複数の訓練パラメータを含む、請求項１２に記載の方法。
【請求項19】
前記１つまたは複数の訓練パラメータが、前記金属粉末の融合不良を有する少なくとも１つの領域を有する既知の欠陥部品から導出される、請求項１８に記載の方法。
【請求項20】
前記１つまたは複数の訓練パラメータが、少なくとも１つの介在物を有する既知の欠陥部品から導出される、請求項１８に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
[0001]他出願の相互参照
本出願は、参照によりその全体があらゆる目的で本明細書に組み込まれる、２０２０年８月７日に出願された「ＤＥＦＥＣＴ ＩＤＥＮＴＩＦＩＣＡＴＩＯＮ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＩＮ ＡＮ ＡＤＤＩＴＩＶＥ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＳＹＳＴＥＭ」についての米国仮特許出願第６３／０６２，９４９号および２０２１年７月３０日に出願された「ＤＥＦＥＣＴ ＩＤＥＮＴＩＦＩＣＡＴＩＯＮ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＩＮ ＡＮ ＡＤＤＩＴＩＶＥ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＳＹＳＴＥＭ」についての米国非仮特許出願第１７／３９０，０３４号の優先権を主張するものである。
本出願は、参照によりその全体があらゆる目的で本明細書に組み込まれる、２０２０年８月７日に出願された「ＤＥＦＥＣＴ ＩＤＥＮＴＩＦＩＣＡＴＩＯＮ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＩＮ ＡＮ ＡＤＤＩＴＩＶＥ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＳＹＳＴＥＭ」についての米国仮特許出願第６３／０６２，９４９号および２０２１年７月３０日に出願された「ＤＥＦＥＣＴ ＩＤＥＮＴＩＦＩＣＡＴＩＯＮ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＩＮ ＡＮ ＡＤＤＩＴＩＶＥ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＳＹＳＴＥＭ」についての米国非仮特許出願第１７／３９０，０３４号の優先権を主張するものである。
【背景技術】
【0002】
[0002]付加製造、すなわち、材料付加と印加エネルギーとの組み合わせによる部品の逐次組立てまたは構築は、多くの形態をとり、現在、多くの実施態様および実施形態において存在する。付加製造は、任意の形状の３Ｄ部品の形成を含む多数の様々なプロセスのいずれかを使用することによって実行することができる。金属部品を作製するために使用される様々なプロセスは、共通して、レーザーや電子ビームなどの１つまたは複数の高出力エネルギー源を使用した層ごとの、粉末状または粒状の原料の焼結および／または溶融を有する。完成部品における欠陥の生成は、複数の原因によって生じる可能性があり、そのような欠陥を追跡および／または検出することは難しい可能性がある。欠陥は、完成部品の材料特性の劣化をもたらし、早期故障につながる可能性がある。付加製造システムを使用して製造された部品の欠陥を検出し、特徴付ける新しい方法が必要とされている。
【発明の概要】
【0003】
[0003]本開示のいくつかの実施形態は、機械学習を使用して製造プロセス中に発生する様々なタイプの工程内欠陥を検出および識別する付加製造システムに関する。いくつかの実施形態は、既知の欠陥部品を用いて機械学習アルゴリズムを訓練する方法に関する。他の実施形態は、あるタイプの欠陥を別のタイプの欠陥と区別するために機械学習アルゴリズムを訓練する方法に関する。
【0004】
[0004]いくつかの実施形態では、付加製造システムは、造形面全体にわたって金属粉末の層を分布させるように配置された装置を備える。電源は、造形面でエネルギービームを放射し、金属粉末を部品の一部に融合させるように配置される。プロセッサは、造形面を横切ってエネルギービームを操作し、エネルギービームが金属粉末を溶融するときに造形面から放出される電磁エネルギーを検出する１つまたは複数のセンサによって生成されたデータを受信するように構成される。プロセッサは、受信データを、エネルギービームが金属粉末を溶融する間の造形面における１つまたは複数の条件を示す１つまたは複数のパラメータに変換し、１つまたは複数のパラメータを機械学習アルゴリズムへの入力として使用して溶融された金属粉末中の１つまたは複数の欠陥を検出する。
【0005】
[0005]いくつかの実施形態では、機械学習アルゴリズムは、１つまたは複数の欠陥のタイプを判定するようにさらに構成される。様々な実施形態において、１つまたは複数の欠陥のタイプは、融合不良欠陥、ポロシティ欠陥、または介在物欠陥を含む。いくつかの実施形態では、１つまたは複数のパラメータは、１回または複数回の走査中に造形面から放射されたエネルギー量を測定することと、１回または複数回の走査中に横断された造形面の面積を決定することとを含む、熱放射密度（ｔｈｅｒｍａｌ ｅｍｉｓｓｉｏｎ ｄｅｎｓｉｔｙ（ＴＥＤ））を決定することを含む。様々な実施形態において、１つまたは複数のパラメータは、粉末のバッチの材料特性と関連付けられるスペクトルピークを識別し、第１の波長および第１の波長から離間した第２の波長を選択することと、第１の波長で放射されたエネルギー対第２の波長で放射されたエネルギーの比に基づいて造形面から放射されたエネルギー量を決定することと、を含むＴＥＰを含む。
【0006】
[0006]いくつかの実施形態では、機械学習アルゴリズムは、既知の欠陥部品に基づく１つまたは複数の訓練パラメータを含む。様々な実施形態において、１つまたは複数の訓練パラメータは空隙を含む。いくつかの実施形態では、１つまたは複数の訓練パラメータは、介在物を含む。様々な実施形態において、１つまたは複数のセンサは、軸上光検出器を含む。
【0007】
[0007]いくつかの実施形態では、付加製造システムは、金属粉末を溶融するように配置されたエネルギー源と、金属粉末の溶融中に放出される電磁エネルギーを検出するように配置されたセンサと、センサからデータを受信し、訓練された機械学習アルゴリズムを使用して溶融された金属粉末中の欠陥を検出するプロセッサとを備える。
様々な実施形態において、訓練された機械学習アルゴリズムは、欠陥のタイプを判定する。いくつかの実施形態では、欠陥のタイプは、金属粉末の融合不良欠陥、ポロシティ欠陥、または介在物欠陥を含む。様々な実施形態において、プロセッサは、電磁エネルギーに少なくとも部分的に基づいて１つまたは複数のパラメータを計算するように構成される。
様々な実施形態において、訓練された機械学習アルゴリズムは、欠陥のタイプを判定する。いくつかの実施形態では、欠陥のタイプは、金属粉末の融合不良欠陥、ポロシティ欠陥、または介在物欠陥を含む。様々な実施形態において、プロセッサは、電磁エネルギーに少なくとも部分的に基づいて１つまたは複数のパラメータを計算するように構成される。
【0008】
[0008]いくつかの実施形態では、１つまたは複数のパラメータは、エネルギー源の１回または複数回の走査中に溶融された金属粉末から放射されたエネルギー量を測定することと、１回または複数回の走査中に横断された造形面の面積を決定することとを含む熱放射密度（ＴＥＤ）を決定することを含む。様々な実施形態において、１つまたは複数のパラメータは、金属粉末のバッチの材料特性と関連付けられるスペクトルピークを識別し、第１の波長および第１の波長から離間した第２の波長を選択することと、第１の波長で放射されたエネルギー対第２の波長で放射されたエネルギーの比に基づいて造形面から放射されたエネルギー量を決定することとを含む。
【0009】
[0009]いくつかの実施形態では、１つまたは複数の訓練パラメータは、金属粉末の融合不良を有する少なくとも１つの領域を有する既知の欠陥部品から導出される。様々な実施形態において、１つまたは複数の訓練パラメータは、少なくとも１つの介在物を有する既知の欠陥部品から導出される。いくつかの実施形態では、１つまたは複数の訓練パラメータは、ポロシティを有する少なくとも１つの領域を有する既知の欠陥部品から導出される。様々な実施形態において、１つまたは複数のセンサは、軸上光検出器を含む。いくつかの実施形態では、訓練された機械学習アルゴリズムは、ランダムフォレストモデルに基づくものである。
【0010】
[0010]本発明により、従来の技術に優る多くの利益が得られる。例えば、本発明の実施形態は、工程内で欠陥を検出し、それらの欠陥を補正するか、または部品の造形を停止して、製造効率を大幅に改善する能力を提供する。本発明の実施形態はまた、欠陥識別の能力も提供し、そのため、オペレータは、部品を修復するかそれとも部品の造形を中止するかを造形中により多くの情報に基づいて判断することができる。
【図面の簡単な説明】
【0011】
【図1A】本開示の実施形態による、付加製造システムによって生成された欠陥を検出および識別するために使用することができる機械学習アルゴリズムの簡略図である。
【図2A】本開示の実施形態による、４つの一般的なタイプの部品異常を示すように設計された例示的な訓練造形の等角投影画像を示す図である。
【図7】本開示の実施形態による、モデル予測画像が訓練ラベルとどの程度同等であるかを診断するために使用することができる例示的なヒートマップを示す図である。
【図8A】本開示の実施形態による、ＣＴ視覚表現における融合不良異常を示す図である。
【図9A】本開示の実施形態による、ＣＴ視覚表現におけるガスポロシティ異常を示す図である。
【図10A】本開示の実施形態による、ＣＴ視覚表現におけるキーホール異常を示す図である。
【図11A】本開示の実施形態による、ＣＴ視覚表現におけるタングステン介在物異常を示す図である。
【図12A】本開示の実施形態による、キーホール欠陥に関する試験層の視覚表現を示す図である。
【図12B】本開示の実施形態による、ガスポロシティに関する試験層の視覚表現を示す図である。
【図12C】本開示の実施形態による、介在物１２１０に関する試験層の視覚表現を示す。
【図12D】本開示の実施形態による、融合不良部品に関する融合不良モデル予測を示す図である。
【図12E】本開示の実施形態による、キーホール異常を有する部品に関する融合不良モデル予測を示す図である。
【図12F】本開示の実施形態による、ガスポロシティ異常を有する部品に関する融合不良モデル予測を示す図である。
【図12G】本開示の実施形態による、タングステン異常を有する部品に関する融合不良モデル予測を示す図である。
【図12H】本開示の実施形態による、融合不良モデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す図である。
【図13A】本開示の実施形態による、融合不良に関する試験層の視覚表現を示す図である。
【図13B】本開示の実施形態による、キーホールに関する試験層の視覚表現を示す図である。
【図13C】本開示の実施形態による、タングステン介在物に関する試験層の視覚表現を示す図である。
【図13D】本開示の実施形態による、融合不良異常を有する部品のモデル予測を示す図である。
【図13E】本開示の実施形態による、ガスポロシティ異常を有する部品のモデル予測を示す図である。
【図13F】本開示の実施形態による、キーホール異常を有する部品のモデル予測を示す図である。
【図13G】本開示の実施形態による、タングステン介在物異常を有する部品のモデル予測を示す図である。
【図13H】本開示の実施形態による、ＧＰモデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す図である。
【図14A】本開示の実施形態による、融合不良に関する試験層の視覚表現を示す図である。
【図14B】本開示の実施形態による、ガスポロシティ異常に関する試験層の視覚表現を示す図である。
【図14C】本開示の実施形態による、タングステン異常に関する試験層の視覚表現を示す図である。
【図14D】本開示の実施形態による、キーホール部品に関するＫＨモデル予測を示す図である。
【図14E】本開示の実施形態による、融合不良異常を有する部品のモデル予測を示す図である。
【図14F】本開示の実施形態による、ガスポロシティ異常を有する部品のモデル予測を示す図である。
【図14G】本開示の実施形態による、タングステン異常を有する部品のモデル予測を示す図である。
【図14H】本開示の実施形態による、ＫＨモデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す図である。
【図15A】本開示の実施形態による、融合不良異常に関する試験層の視覚表現を示す図である。
【図15B】本開示の実施形態による、ガスポロシティ異常に関する試験層の視覚表現を示す図である。
【図15C】本開示の実施形態による、キーホール異常に関する試験層の視覚表現を示す図である。
【図15D】本開示の実施形態による、融合不良異常を有する部品に関するモデル予測を示す図である。
【図15E】本開示の実施形態による、タングステン介在物異常を有する部品に関するモデル予測を示す図である。
【図15F】本開示の実施形態による、ガスポロシティ異常を有する部品に関するモデル予測を示す図である。
【図15G】本開示の実施形態による、キーホール異常を有する部品に関するモデル予測を示す図である。
【図15H】本開示の実施形態による、タングステン介在物モデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す図である。
【図16】本開示の実施形態による、例示的な付加製造システムを示す図である。
【発明を実施するための形態】
【0012】
[0049]本開示のいくつかの実施形態は、付加材料製造システムを使用して製造された部品の欠陥を検出する方法に関する。本開示は多種多様な構成に有用であり得るが、本開示のいくつかの実施形態は、以下でより詳細に説明されるように、１つまたは複数の工程内指標を機械学習と共に使用して、付加製造システムによって製造された部品内の欠陥のタイプを検出および識別するのに特に有用である。
【0013】
[0050]三次元欠陥形態およびそれと付加材料製造システムによって生成された工程内データとの関係を人間が解釈することは難しい可能性がある。工程内データから複数の指標が生成される場合でさえも、オペレータがそれらを使用して部品中のどこで異常が発生している可能性が高いかを予測することは難しく、発生した欠陥のタイプを予測することはさらに一層難しい可能性がある。より具体的には、人間のオペレータが、特定の指標内の微妙な変化、または欠陥が発生したことを示す、かつ／もしくは発生した欠陥のタイプを示す複数の指標間の関係における微妙な変化を抽出することは難しい可能性がある。これに反して、機械学習アルゴリズムは、これらの微妙な変化を効果的に認識し、欠陥が発生したことを検出するよう、既知の良好な部品および既知の不良部品で効果的に訓練することができる。さらに、融合不良、ポロシティ、キーホール、および汚染などの既知のタイプの欠陥を有する部品を使用して、特定のタイプの欠陥を識別するために機械学習アルゴリズムを訓練することができる。発生した欠陥のタイプの知識が追加されるとともに、部品を造形プロセスで継続すべきか、拒絶すべきか、それとも修復すべきかに関して、より多くの情報に基づいて判断することができる。これにより、外部分析のためにサンプルを送ることと比較して、付加製造システムの費用および効率が大幅に改善される。
【0014】
[0051]図１Ａに、付加製造システムによって生成された欠陥を検出および識別するために使用することができる機械学習アルゴリズム１００の一実施形態の視覚的概要を示す。図１に示されるように、アルゴリズム１００は、訓練プロセス１０５と品質保証プロセス１１０とに分割される。最初に訓練プロセスから開始して、付加製造システムで製造される部品の訓練造形が行われる。製造中に、図１のシグマメトリクスとしてラベル付けされた工程内指標が収集される。いくつかの実施形態では、これらの訓練造形は、既知の欠陥が部品に導入され、それらを以下でより詳細に説明される機械学習アルゴリズムを訓練するために使用できるように欠陥を誘発することができる。次いで、既知の欠陥を有する部品を非破壊試験または破壊試験のどちらかで分析して、欠陥の位置を検証およびマッピングすることができる。このデータを、工程内指標とオーバーレイし、機械学習アルゴリズムを訓練するための「訓練データ」として使用することができる。訓練プロセス１０５は、図１Ｂでより詳細に説明されている。
【0015】
[0052]本明細書で説明されるように、機械学習アルゴリズムはシステムに、明示的にプログラムされることなく経験から自動的に学習および改善する能力を提供する人工知能の適用である。通常、機械学習アルゴリズムは、「訓練データ」と呼ばれることが多いサンプルデータに基づいて数学モデルを構築し、そうするように明示的にプログラムされることなく予測または判断を行う。
【0016】
[0053]いくつかの実施形態では、異なる部品形状、異なる材料などを使用して、特定の部品、特定の材料、または他の変数に合わせて調整することができる異なる機械学習アルゴリズムを作成することができる。他の実施形態では、様々な部品形状および材料を処理することができる汎用機械学習アルゴリズムを開発することができる。
【0017】
[0054]次に図１の品質保証プロセス１１０に移って、機械学習アルゴリズムをモデルウェアハウスから選択することができる。生産造形を開始することができ、図１でシグマメトリクスとしてラベル付けされた工程内指標を造形プロセス中に収集することができる。これらの指標を、機械学習アルゴリズムへの入力として使用することができ、機械学習アルゴリズムは、生産造形における欠陥を検出および／または識別したリアルタイムデータを出力することができる。図１に示されるように、機械学習アルゴリズムからの出力は、「部品品質判断ダッシュボード」または「視覚化」ユーザインターフェースを介してユーザに表示することができる。本開示の利益を有する当業者には理解されるように、機械学習アルゴリズムの出力を表示および使用する様々な他の方法を使用することができ、それらは本開示の範囲内である。よって、訓練された機械学習アルゴリズムを使用することによって、リアルタイムの欠陥分析および／または識別を行うことができ、オペレータまたは付加製造システムは、欠陥部品に関して判断を行うことができる。一例では、システムは欠陥を修復するための措置をとることができるが、別の例では、システムは欠陥部品の造形を中止してスループットを向上させ、無駄を最小限に抑えることができる。さらなる実施形態では、欠陥部品を識別し、コンピュータ断層撮影法などの後工程システムで拒絶または分析することができる。品質保証プロセス１１０は、図１Ｃでより詳細に説明されている。
【0018】
[0055]この例では、訓練と生産造形中に機械学習アルゴリズムによって分析されるリアルタイムの指標との両方に使用される工程内指標が、熱エネルギー密度（ｔｈｅｒｍａｌ ｅｎｅｒｇｙ ｄｅｎｓｉｔｙ（ＴＥＤ））、ＴＥＤシグマ、熱エネルギープランク（ｔｈｅｒｍａｌ ｅｎｅｒｇｙ Ｐｌａｎｋ（ＴＥＰ））およびＴＥＰシグマである。ＴＥＤは、所与の面積内の熱エネルギーを示す熱エネルギー密度指標であり、ＴＥＰは、２つ以上の黒体放射周波数を使用してプルームの温度を評価する指標である。上記その他の工程内指標は、米国特許第１０，６３９，７４５号（ＴＥＰ）および米国特許第１０，４７９，０２０号（ＴＥＤ）ならびに米国特許出願第１６／１８２，４７８号（ピーク温度）に記載されており、これらはあらゆる目的でその全体が参照により本明細書に組み込まれる。本開示の利益を有する当業者には理解されるように、任意の工程内指標を機械学習アルゴリズムへの入力として使用することができ、それらは本開示の範囲内である。
【0019】
[0056]図１Ｂに、本開示の実施形態による、機械学習アルゴリズムのための１つの例示的な訓練プロセス１０５を記載する。上述のように、機械学習アルゴリズムは、特定の部品形状、特定の材料、または任意の他の特定のパラメータのために特に設計することができる。例えば、関与する加工温度が著しく異なるため、および／または溶融プロセス中の材料の放出特性が異なるため、特定のアルゴリズムをアルミニウム系材料について訓練され得、別個の特定のアルゴリズムがタングステン系材料について訓練され得る。別の実施形態では、様々な異なる合金鋼に、または特定の形状を有する部品に有効な汎用アルゴリズムを訓練することができる。
【0020】
[0057]図１Ｂに示されるように、訓練プロセス１０５は、訓練のために部品が選択される第１のステップ１１４を含む。いくつかの実施形態では、例えば汎用アルゴリズムを訓練するときに、様々な異なる部品形状が選択され得るが、他の実施形態では、訓練プロセスのために同じ部品が選択され得る。
【0021】
[0058]ステップ１１６で、訓練のために機械学習モデルが選択される。いくつかの実施形態では、機械学習モデルは、線形回帰、ロジスティック回帰、決定木、ＳＶＭ、単純ベイズ、ｋＮＮ、Ｋ平均、ランダムフォレスト、極端にランダム化されたフォレスト、次元削減アルゴリズム、勾配ブースティングアルゴリズム、ＧＢＭ、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ＣａｔＢｏｏｓｔ、または任意の他の適切なモデルのうちの１つまたは複数を含むことができる。
【0022】
[0059]ステップ１１８で、部品が付加製造システムによって造形される。いくつかの実施形態では、造形は、既知の欠陥を組み込んだ部品と欠陥のない部品の両方を含む。より具体的には、いくつかの実施形態では、これらの領域で低減された出力を放出するようにエネルギー源をプログラムすることによって、埋め込みキーホール異常や融合不良異常などの既知の欠陥を部品中に誘発することができる。ガスポロシティが誘発された部品を、無水酢酸ナトリウムを導入することによって造形することができる。介在物を有する部品を、タングステン粉末を添加することによって造形することができる。これらは部品に１つまたは複数の欠陥を導入する方法の例であるが、他の実施形態では、異なる方法を使用して欠陥を導入し得る。
【0023】
[0060]ステップ１２０で、ステップ１１８の部品が付加製造システムによって造形されている間に、１つまたは複数のパラメータが記録される。より具体的には、いくつかの実施形態では、１つまたは複数の電磁センサを使用して、部品の製作中に溶融池からの電磁放射データが記録される。データを、溶融池の状態を表すことができる１つまたは複数のパラメータに変換することができる。例えば、いくつかの実施形態では、パラメータは、以下でより詳細に説明されるＴＥＤまたはＴＥＰである。他の実施形態では、温度、温度変動、経時的な温度変化などが、電磁放射データを構成することができる。いくつかの実施形態では、１つまたは複数のパラメータは、各部品の造形座標と関連付けられ、よって、１つまたは複数のパラメータは、造形において各部品に「マッピング」される。
【0024】
[0061]ステップ１２２で、造形が完了した後、部品が分析され、欠陥が「マッピング」される。より具体的には、いくつかの実施形態では、コンピュータ支援断層撮影法（ＣＴ）を使用して、各部品が評価され、１つまたは複数の欠陥が部品形状にマッピングされる。
【0025】
[0062]ステップ１２４で、訓練された機械学習アルゴリズムを作成するために機械学習モデルが訓練される。より具体的には、いくつかの実施形態では、１つまたは複数のマッピングされたパラメータがモデルにロードされ、ＣＴ評価からの対応するマッピングされた欠陥データとオーバーレイされる。よってモデルは、欠陥が発生する部品の領域と欠陥が発生しない部品の領域とを比較し、マッピングされたパラメータの微妙なシフト、またはマッピングされたパラメータ間の関係のシフトを突き止めて、欠陥シグネチャを識別することができる。さらに、モデルを異なるタイプの欠陥で訓練することができる。例えば、モデルを、キーホール欠陥を認識するように訓練し、次いで、キーホール欠陥をガスポロシティ欠陥と区別するように改善することができる。
【0026】
[0063]ステップ１２６で、訓練された機械学習アルゴリズムを、将来の生産造形で使用するための汎用アルゴリズムまたは特定のアルゴリズムのどちらかとして保存および使用することができる。プロセス１０５は例示であり、変形および修正が可能であることが理解されよう。逐次的と記載されているステップは並列に実行されてもよく、ステップの順序は変更されてもよく、ステップは修正、結合、追加、または省略されてもよい。
【0027】
[0064]図１Ｃに示されるように、訓練プロセス１０５などの訓練プロセスを、品質保証プロセス１１０に示されるような工程内品質管理のために生産造形中に使用することができる。いくつかの実施形態では、訓練プロセス１０５を、付加製造システムを制御するコンピューティングシステムによって行うことができる。いくつかの実施形態では、コンピューティングシステムは、図１７でさらに説明されるように、１つまたは複数のプロセッサを含み得る。
【0028】
[0065]ステップ１３０で、訓練プロセス１０５からの訓練された機械学習アルゴリズムを選択することができる。いくつかの実施形態では、汎用アルゴリズムを使用することができ、他の実施形態では、特定の部品形状、材料、または他のパラメータに適した特定のアルゴリズムが選択される。
【0029】
[0066]ステップ１３２で、生産部品を造形するためのパラメータがシステムにロードされ、造形プロセスが開始される。いくつかの実施形態では、ロードされたパラメータは、例えばＳＴＬまたは同様のファイルフォーマットの部品形状を含む。
【0030】
[0067]ステップ１３４で、コンピューティングシステムは、ロードされたパラメータに従って作業領域を横切ってエネルギービームを操作して、金属粉末を連続層として一緒に溶融して１つまたは複数の生産部品を形成する。
【0031】
[0068]ステップ１３６で、１つまたは複数の電磁センサが、金属粉末を一緒に溶融するエネルギービームによって生成された溶融池からの電磁データを記録する。システムは、データを部品形状に（例えば、ＳＴＬファイル座標に）マッピングする。
【0032】
[0069]ステップ１３８で、システムは、電磁センサからの受信データを１つまたは複数のパラメータに変換する。一例では、受信データは、高温計から受信される可変電圧の形態である。可変電圧は、部品上に（例えば、ＳＴＬファイル座標上に）マッピングされる時変温度に変換される。別の実施形態では、受信データは、以下でより詳細に説明される、ＴＥＤおよび／またはＴＥＰパラメータに変換される。他の適切なパラメータが導出され、記録され、部品にマッピングされてもよい。
【0033】
[0070]ステップ１４０で、１つまたは複数のパラメータは、訓練された機械学習アルゴリズムへの入力として使用される。機械学習アルゴリズムは、パラメータをその学習されたアルゴリズムと比較し、出力を生成する。
【0034】
[0071]ステップ１４２で、訓練された機械学習アルゴリズムの出力は、造形の１つまたは複数の部品内の欠陥を検出および識別するために使用される。より具体的には、いくつかの実施形態では、電磁データがリアルタイムで生成され、１つまたは複数のパラメータが直ちに生成され、機械学習アルゴリズムに入力されるため、欠陥を部品が造形されているときにリアルタイムで検出することができる。さらに、いくつかの実施形態では、欠陥のタイプをリアルタイムで検出することができる。
【0035】
[0072]ステップ１４４で、システムは、そのタイプの欠陥を是正することができるかどうかを判定する。例えば、いくつかの実施形態では、欠陥のタイプは融合不良であると判定され、部品上の特定の座標にマッピングされる。システムは、このタイプの欠陥を是正できると判断することができ、ステップ１４６に進み、その領域を再度横切ってエネルギービームを操作して材料を溶融することができる。別の実施形態では、新しい粉末層を堆積させることができ、システムは、その領域を溶融している間に出力を増加させて下にある層を融合し、欠陥を是正することができる。ステップ１４８で、オペレータに是正措置を通知することができる。他の実施形態では、システムは、是正アルゴリズムを実行する前に、停止し、オペレータからの許可を要求し得る。
【0036】
[0073]あるいは、ステップ１４４で、システムは、欠陥を是正することができないと判断してもよく、欠陥を含む１つまたは複数の部品の造形プロセスを停止するステップ１５０に進み得る。ステップ１５２で、オペレータに通知することができ、オペレータは、システムの効率を改善するために欠陥部品の造形を完全に停止するか、または欠陥を是正して造形を継続すると判断することができる。プロセス１１０は例示的であり、変形および修正が可能であることが理解されよう。逐次的と記載されているステップは並列に実行されてもよく、ステップの順序は変更されてもよく、ステップは修正、結合、追加、または省略されてもよい。
【0037】
[0074]本開示の以下の部分では、付加製造システムのための機械学習アルゴリズムの一実施形態を訓練および試験するために使用することができる実験装置を説明する。他の実施形態では、他の適切なプロセスを使用して、部品欠陥の検出および／または識別のための機械学習アルゴリズムを訓練および使用することができる。
【0038】
[0075]訓練装置
図２Ａに、４つの一般的なタイプの部品異常を示すように設計された例示的な訓練造形２００の等角投影画像を示す。訓練造形は、任意の適切な付加製造システムで行うことができる。１つの例示的な実施形態では、訓練造形を、Ｓｉｇｍａ Ｌａｂｓ ＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）システムを備えたＥＯＳ Ｍ２９０上で行うことができる。この特定の例では、ＰｒａｘＡｉｒ製の金属粉末を使用し、２３～５０ミクロン（マイクロメートル）の粒度分布を有するチタンＴｉ－６Ａｌ－４Ｖ合金粉末として指定している。訓練造形は、５つの別々の領域からなる。右端には、基準対照群２０５が示されている。２つずつの埋め込みキーホール２１０の部品と、直径１．００ｍｍ～０．０５０ｍｍの範囲の球の球形ボイドを含む融合不良２１５の部品。これらの異常を、これらの領域で低減された出力を放出するようにエネルギー源をプログラムすることによって部品中に誘発することができる。第４は、１．０ｇ、０．５ｇおよび０．２５ｇの層当たりの量での３つの別個の層高さにおける無水酢酸ナトリウムの導入によるガスポロシティ２２０が誘導された部品のセットであった。４つの介在物欠陥部品２２５は、１．０ｇ、０．５ｇおよび０．２５ｇの層当たりの量での同じ３つの層高さにおける２０～５０ミクロンの粒子分布を有するタングステン粉末を添加することによって作製した。すべての本体走査が、標準的なＥＯＳパラメータであった。図２Ｂに、対照部品のうちの１つ２０５ａの上から見たＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現を示す。
図２Ａに、４つの一般的なタイプの部品異常を示すように設計された例示的な訓練造形２００の等角投影画像を示す。訓練造形は、任意の適切な付加製造システムで行うことができる。１つの例示的な実施形態では、訓練造形を、Ｓｉｇｍａ Ｌａｂｓ ＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）システムを備えたＥＯＳ Ｍ２９０上で行うことができる。この特定の例では、ＰｒａｘＡｉｒ製の金属粉末を使用し、２３～５０ミクロン（マイクロメートル）の粒度分布を有するチタンＴｉ－６Ａｌ－４Ｖ合金粉末として指定している。訓練造形は、５つの別々の領域からなる。右端には、基準対照群２０５が示されている。２つずつの埋め込みキーホール２１０の部品と、直径１．００ｍｍ～０．０５０ｍｍの範囲の球の球形ボイドを含む融合不良２１５の部品。これらの異常を、これらの領域で低減された出力を放出するようにエネルギー源をプログラムすることによって部品中に誘発することができる。第４は、１．０ｇ、０．５ｇおよび０．２５ｇの層当たりの量での３つの別個の層高さにおける無水酢酸ナトリウムの導入によるガスポロシティ２２０が誘導された部品のセットであった。４つの介在物欠陥部品２２５は、１．０ｇ、０．５ｇおよび０．２５ｇの層当たりの量での同じ３つの層高さにおける２０～５０ミクロンの粒子分布を有するタングステン粉末を添加することによって作製した。すべての本体走査が、標準的なＥＯＳパラメータであった。図２Ｂに、対照部品のうちの１つ２０５ａの上から見たＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現を示す。
【0039】
[0076]ＣＴ分析
コンピュータ断層撮影法（ＣＴ）を、教師あり機械学習アルゴリズムで使用される訓練ラベルを生成するためのグラウンドトゥルースとして使用した。造形を実行した後、ＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）工程内指標を検査し、指標の働きに基づいて異常タイプごとに１つの部品を選択した。物理的試験片と、造形仕様を与える標準テッセレーション言語（Ｓｔａｎｄａｒｄ Ｔｅｓｓｅｌｌａｔｉｏｎ Ｌａｎｇｕａｇｅ（ＳＴＬ））ファイルとを、ＳＴＬ仕様と同じ座標に位置合わせされた検出異常の位置および形態を示すＳＴＬファイルに変換した。
コンピュータ断層撮影法（ＣＴ）を、教師あり機械学習アルゴリズムで使用される訓練ラベルを生成するためのグラウンドトゥルースとして使用した。造形を実行した後、ＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）工程内指標を検査し、指標の働きに基づいて異常タイプごとに１つの部品を選択した。物理的試験片と、造形仕様を与える標準テッセレーション言語（Ｓｔａｎｄａｒｄ Ｔｅｓｓｅｌｌａｔｉｏｎ Ｌａｎｇｕａｇｅ（ＳＴＬ））ファイルとを、ＳＴＬ仕様と同じ座標に位置合わせされた検出異常の位置および形態を示すＳＴＬファイルに変換した。
【0040】
[0077]融合不良
図３に、融合不良部品２１５のＣＴデータのテッセレーションを示す。図３に示されるように、部品位置に供給されるエネルギー密度が小さすぎると、粉末が溶解できない可能性がある。融合不良異常を生じさせるために、Ｍ２９０プリンタを、低エネルギーのパラメータを使用して融合不良異常の球を作製するようにプログラムした。領域の配列２１７は、上部に向かってサイズが減少するプログラムされた融合不良の球に対応する。６個の球の群を六角形のパターンで配置し、球の直径が減少する１０個の領域を各部品において異なる高さに配置した。球の直径は０．９ｍｍ～０．０５ｍｍの範囲であった。１つの部品は、分析に含まれなかった介在物についてのものである。第２の部品は融合不良異常の説明により適している、ポロシティについてのものである。
図３に、融合不良部品２１５のＣＴデータのテッセレーションを示す。図３に示されるように、部品位置に供給されるエネルギー密度が小さすぎると、粉末が溶解できない可能性がある。融合不良異常を生じさせるために、Ｍ２９０プリンタを、低エネルギーのパラメータを使用して融合不良異常の球を作製するようにプログラムした。領域の配列２１７は、上部に向かってサイズが減少するプログラムされた融合不良の球に対応する。６個の球の群を六角形のパターンで配置し、球の直径が減少する１０個の領域を各部品において異なる高さに配置した。球の直径は０．９ｍｍ～０．０５ｍｍの範囲であった。１つの部品は、分析に含まれなかった介在物についてのものである。第２の部品は融合不良異常の説明により適している、ポロシティについてのものである。
【0041】
[0078]ガスポロシティ
図４に、ポロシティの領域に対応する領域２２３を有する、ガスポロシティ部品２２０のＣＴデータのテッセレーションを示す。付加製造において微細構造のポロシティを引き起こし得るいくつかの機構が存在する。この実験では、気化した粒子が製品中に小さな孔を残すことを予想して、低沸点および高蒸気圧の異物粒子を部品に投入することによって閉じ込められたガスをエミュレートした。低沸点粉末を３つの異なる層で広げる前に、Ｍ２９０プリンタを一時停止した。造形チャンバを開き、１ｇ、０．５ｇおよび０．２５ｇのサイズの無水酢酸ナトリウムＣＨ３ＣＯＯＮａ粉末を４つの部品中で堆積させた。４つのガスポロシティ部品のうち、工程内指標がプログラムされた異常においてより強い信号を示したため、プレートの最上部の部品をＣＴ分析のために選択した。Ｍｅｔｒｏｌｏｇｙ Ｃｅｎｔｅｒは、この部品の異常をＳＴＬファイルで報告した。図４は、ガスポロシティ部品の３つの層に分布したＣＴデータからの汚染物質粒子注入による空隙のテッセレーションを示している。
図４に、ポロシティの領域に対応する領域２２３を有する、ガスポロシティ部品２２０のＣＴデータのテッセレーションを示す。付加製造において微細構造のポロシティを引き起こし得るいくつかの機構が存在する。この実験では、気化した粒子が製品中に小さな孔を残すことを予想して、低沸点および高蒸気圧の異物粒子を部品に投入することによって閉じ込められたガスをエミュレートした。低沸点粉末を３つの異なる層で広げる前に、Ｍ２９０プリンタを一時停止した。造形チャンバを開き、１ｇ、０．５ｇおよび０．２５ｇのサイズの無水酢酸ナトリウムＣＨ３ＣＯＯＮａ粉末を４つの部品中で堆積させた。４つのガスポロシティ部品のうち、工程内指標がプログラムされた異常においてより強い信号を示したため、プレートの最上部の部品をＣＴ分析のために選択した。Ｍｅｔｒｏｌｏｇｙ Ｃｅｎｔｅｒは、この部品の異常をＳＴＬファイルで報告した。図４は、ガスポロシティ部品の３つの層に分布したＣＴデータからの汚染物質粒子注入による空隙のテッセレーションを示している。
【0042】
[0079]キーホール
図５に、キーホール領域に対応する領域２１３を有するキーホール部品２１０のＣＴデータのテッセレーションを示す。部品位置に供給されるレーザーエネルギー密度が大き過ぎると、部品に空隙が残る可能性がある。Ｍ２９０プリンタを、比較的高いエネルギーパラメータを使用して、キーホール異常の球を作製するようにプログラムした。６個の球の群を六角形のパターンで配置し、球の直径が減少する１０個の領域を造形において異なる高さに配置した。球の直径は０．９ｍｍ～０．０５ｍｍの範囲であった。２つのキーホール部品のうち、工程内指標がプログラムされた異常においてより強い信号を示すため、プレートの最下部の部品をＣＴ分析のために選択した。Ｍｅｔｒｏｌｏｇｙ Ｃｅｎｔｅｒは、キーホール部品の異常を２つのＳＴＬファイルで報告した。１つの部品は、分析に含まれなかった介在物についてのものである。第２の部品は、キーホール異常を説明するのにより適しているポロシティについてのものである。
図５に、キーホール領域に対応する領域２１３を有するキーホール部品２１０のＣＴデータのテッセレーションを示す。部品位置に供給されるレーザーエネルギー密度が大き過ぎると、部品に空隙が残る可能性がある。Ｍ２９０プリンタを、比較的高いエネルギーパラメータを使用して、キーホール異常の球を作製するようにプログラムした。６個の球の群を六角形のパターンで配置し、球の直径が減少する１０個の領域を造形において異なる高さに配置した。球の直径は０．９ｍｍ～０．０５ｍｍの範囲であった。２つのキーホール部品のうち、工程内指標がプログラムされた異常においてより強い信号を示すため、プレートの最下部の部品をＣＴ分析のために選択した。Ｍｅｔｒｏｌｏｇｙ Ｃｅｎｔｅｒは、キーホール部品の異常を２つのＳＴＬファイルで報告した。１つの部品は、分析に含まれなかった介在物についてのものである。第２の部品は、キーホール異常を説明するのにより適しているポロシティについてのものである。
【0043】
[0080]タングステン介在物
図６に、介在物領域に対応する領域２２３を有する介在物部品２２５のＣＴデータのテッセレーションを示す。高融点の異物粒子が部品を汚染すると、製品中にそれらの粒子が固定される可能性があり、部品性能を低下させる亀裂発生箇所をもたらす可能性がある。粉末を３つの異なる層で広げる前に、Ｍ２９０プリンタを一時停止した。造形チャンバを開き、段階的に異なる量のタングステン粉末を４つの部品に堆積させた。４つのタングステン介在物部品のうち、工程内指標がプログラムされた異常においてより強い信号を示すため、プレートの最上部から２番目の部品をＣＴ分析のために選択した。
図６に、介在物領域に対応する領域２２３を有する介在物部品２２５のＣＴデータのテッセレーションを示す。高融点の異物粒子が部品を汚染すると、製品中にそれらの粒子が固定される可能性があり、部品性能を低下させる亀裂発生箇所をもたらす可能性がある。粉末を３つの異なる層で広げる前に、Ｍ２９０プリンタを一時停止した。造形チャンバを開き、段階的に異なる量のタングステン粉末を４つの部品に堆積させた。４つのタングステン介在物部品のうち、工程内指標がプログラムされた異常においてより強い信号を示すため、プレートの最上部から２番目の部品をＣＴ分析のために選択した。
【0044】
[0081]結果の登録
ＣＴ結果を、前項で例示したＳＴＬファイルで報告した。異常は、検出された空隙および介在物の周りのテッセレーションとして現れる。ＳＴＬファイルの座標系を、造形パラメータを指定するＳＴＬファイルで使用される座標系と同じになるように調整した。
ＣＴ結果を、前項で例示したＳＴＬファイルで報告した。異常は、検出された空隙および介在物の周りのテッセレーションとして現れる。ＳＴＬファイルの座標系を、造形パラメータを指定するＳＴＬファイルで使用される座標系と同じになるように調整した。
【0045】
[0082]ＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の工程内指標（例えば、ＴＥＤ、ＴＥＤシグマ、ＴＥＰおよびＴＥＰシグマ）は、レーザーの動きに密接に追従する軸上光検出器を介して記録される。光学系の歪みと、材料の冷却および造形プレートからの部品の分離によって導入される収縮および他の機械的歪みとによってわずかな違いが生じる可能性がある。
【0046】
[0083]ＳＴＬファイル内のｘ座標、ｙ座標、およびｚ座標の範囲を抽出し、ＴＥＤ指標のｘ座標、ｙ座標、および層座標と照合した。差の平均値をＳＴＬ座標上のオフセットとして使用して、座標系の照合を微調整した。
【0047】
[0084]異常を表すテッセレーションはいくつかの層に及んでおり、それらを多角形として個々の層に投影した。より大きな空隙の重みを強調するために、囲んでいる多角形の長さとして計算された加重和で層グリッドセルを埋めることによってラベルを生成した。多角形表現では省略された多角形の外周上の点を追加した。これらの結合された重みは大きな正の整数になり得るため、以下の関数で正規化した。
、式中、ｘ＝ラベル値
これにより、０．０から１．０の範囲の確率として扱うことができるラベル値が得られた。
【数1】
、式中、ｘ＝ラベル値
これにより、０．０から１．０の範囲の確率として扱うことができるラベル値が得られた。
【0048】
[0085]ＰＲＩＮＴＲＩＴＥ３Ｄ（登録商標）ＭＬモデル
Ｐｒｉｎｔｒｉｔｅ３Ｄシステム内のＭＬモデルに利用可能な特徴は、造形からの工程内指標である。グリッドセル上で収集される４つの主要な指標ＴＥＤ、ＴＥＤシグマ、ＴＥＰ、およびＴＥＰシグマ、ならびにＴＥＰシグマを計算するために使用される内部指標、すなわちカウントおよびｔｅｐ＿ｓｕｍ。層間相互作用が存在する可能性があるため、これらの６つの特徴を前の層の対応する値で拡張した。モデルの訓練中に、これらの特徴および他の潜在的な候補を含むかどうかを、モデルによって報告された特徴の重要性をチェックすることによって評価した。本開示の利益を有する当業者であれば、任意の工程内指標を機械学習アルゴリズムへの入力として使用することができ、本開示がいかなる点でもＰｒｉｎｔｒｉｔｅ３Ｄシステム内で利用可能な特定の工程内指標に限定されないことを理解するであろう。
Ｐｒｉｎｔｒｉｔｅ３Ｄシステム内のＭＬモデルに利用可能な特徴は、造形からの工程内指標である。グリッドセル上で収集される４つの主要な指標ＴＥＤ、ＴＥＤシグマ、ＴＥＰ、およびＴＥＰシグマ、ならびにＴＥＰシグマを計算するために使用される内部指標、すなわちカウントおよびｔｅｐ＿ｓｕｍ。層間相互作用が存在する可能性があるため、これらの６つの特徴を前の層の対応する値で拡張した。モデルの訓練中に、これらの特徴および他の潜在的な候補を含むかどうかを、モデルによって報告された特徴の重要性をチェックすることによって評価した。本開示の利益を有する当業者であれば、任意の工程内指標を機械学習アルゴリズムへの入力として使用することができ、本開示がいかなる点でもＰｒｉｎｔｒｉｔｅ３Ｄシステム内で利用可能な特定の工程内指標に限定されないことを理解するであろう。
【0049】
[0086]複数のプロセッサ上で並列に実行することができるアンサンブル法を調査した。この例では、分類機械学習モデルのランダムフォレストを選択したが、本開示の利益を有する当業者であれば、任意の他の適切な機械学習モデルを使用できることを理解するであろう。１つの適切なモデルクラスが、ランダムフォレストリグレッサである。モデルを改善するために、いくつかの実施形態では、決定木またはエクストラツリー、バギング、ブースティングなどの他のアンサンブル法によってモデルを増補することができる。造形の部品の層内のグリッドセルは数千万個のデータ点に達するため、アンサンブル法は、それらの大規模での性能のためにも適切であり得る。
【0050】
[0087]複数のプロセッサ上で並列に実行することができる方法を選択した。この実施形態では、ブースティング法の現在の実施態様は十分に高速ではないことが分かった。この例示的な実施形態では、勾配ブースティングおよびバギングは、精度および速度に関してかなり良好な性能を与えたが、ランダムフォレストまたは極端にランダム化されたツリー木ほど良好ではなかった。最終的に、ランダムフォレストは、本発明者らのデータに関して極端にランダム化されたツリーよりも正確であると判断されたため、この例示的実施形態にはｓｋｌｅａｒｎ．ｅｎｓｅｍｂｌｅ．ＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒを選択したが、他のモデルも適し得る。
【0051】
[0088]選択された木のアンサンブルを、ｒａｎｄｏｍ＿ｓｔａｔｅパラメータによって制御し、ｒａｎｄｏｍ＿ｓｔａｔｅパラメータはその後、新しいランダム状態を各成分推定器に伝搬する。これらの成分推定器は、データセットに適合するように分岐するときに使用する特徴のサブセットに関する独立した選択肢を有する決定木である。各点における予測は、その点における個々の木の予測の平均値として計算される。所望の２倍の数の推定器で訓練し、次いで弱い木を枝刈りすると精度が向上することが分かったが、他の実施形態では異なる技法を使用することができる。
【0052】
[0089]過学習を改善するために、この実施形態では、データに対する１０分割交差検証を使用した。これは、データセットをランダムに１０等分し、試験分割ごとにその他９個の分割に対して訓練を行い、選択した試験分割に対して評価を行ったことを意味する。他のモデルパラメータも、木の成長を調節するために使用した。
【0053】
[0090]正方向および負方向の残差を測定するために、１対の費用関数を策定した。この実施形態では、異常を見落とすことを、非異常状態に誤ってフラグを立てることよりも重要であるとみなしたため、負の残差に正の残差の１０倍高くつく重み付けをして偽陰性に焦点を当てた。総費用はその場合、正の残差と重み付きの負の残差の和であり、これを、モデルを選択してそれらを調整するときの主要な指標として選択した。これらの費用は単位なしであり、ドル費用を反映しないことに留意されたい。
【0054】
[0091]二項分類の残差は、バイナリラベルとバイナリ予測との差として計算されるが、ラベルは確率であるため、予測確率を使用し、残差を浮動小数点差として計算した。バイナリ残差値は、－１、０、および１に崩壊するが、確率残差は全範囲をカバーし、小さい差と大きい差を区別することができる。
【0055】
[0092]この例示的な実施形態では、異常とラベル付けされたグリッドセルの数は正常とラベル付けされた数よりも少ないが、条件のバランスとれている場合には最小二乗適合が使用され得る。正常データをサブサンプリングし、交換を伴う異常をオーバーサンプリングしてカウントのおおよそのバランスをとり、次いで残りを考慮するためにクラス重みを計算した。例えば、異常よりも１００倍多い正常がある場合、プロセスは、正常の２０％をサブサンプリングし、異常を５倍オーバーサンプリングし、次いで、バランスを達成するために、異常のクラス重みを正常よりも４倍重要であるものとして設定し得る。
【0056】
[0093]図７に、モデル予測画像が訓練ラベルとどの程度同等であるかを診断するために使用することができる例示的なヒートマップ７００を示す。図７に示される４色分類マップを使用することができ、緑色は真陽性７０５を示し、白色は真陰性７１０を示し、赤色は偽陰性７１５を示し、青色は偽陽性７２０を示す。ラベルは０．０～１．０の範囲の浮動小数点値をとり、予測はグリッドセルが異常である確率を表すので、ヒートマップ７００はカテゴリ間の色をぼかしている。本開示の利益を有する当業者であれば、他のタイプの異常識別方法を使用することができ、それらが本開示の範囲内であることを理解するであろう。
【0057】
[0094]融合不良モデル
図８Ａに、ＣＴ視覚表現における融合不良異常８０５を示す。第１の機械学習モデルを、融合不良部品２１５（図２Ａ参照）で訓練した。図８Ｂに、図７のヒートマップ７００を使用した機械学習アルゴリズム予測診断の視覚表現を示す。図８Ｂに示されるように、融合不良領域８０５は、主に、真陽性７０５に対応する緑色で示されている。１０分割交差検証を、負の平均二乗誤差を計算するときに適用し、１０個の数の平均値として評価した。費用関数については、費用値を正規化して交差検証分割を補償した。以下は、融合不良モデルの評価値である。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．０１０（＋／－０．０００１）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：３６４０７９．３４５（＋／－１５３５．２３４３）
図８Ａに、ＣＴ視覚表現における融合不良異常８０５を示す。第１の機械学習モデルを、融合不良部品２１５（図２Ａ参照）で訓練した。図８Ｂに、図７のヒートマップ７００を使用した機械学習アルゴリズム予測診断の視覚表現を示す。図８Ｂに示されるように、融合不良領域８０５は、主に、真陽性７０５に対応する緑色で示されている。１０分割交差検証を、負の平均二乗誤差を計算するときに適用し、１０個の数の平均値として評価した。費用関数については、費用値を正規化して交差検証分割を補償した。以下は、融合不良モデルの評価値である。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．０１０（＋／－０．０００１）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：３６４０７９．３４５（＋／－１５３５．２３４３）
【0058】
[0095]ガスポロシティモデル
図９Ａに、ＣＴ視覚表現におけるガスポロシティ異常９０５を示す。第２の機械学習モデルを、無水酢酸ナトリウム粉末によって生じたガスポロシティ部品２２０（図２参照）で訓練した。図９Ｂに、図７のヒートマップ７００を用いた機械学習層診断の視覚表現を示す。図９Ｂに示されるように、ガスポロシティ９０５の領域は、主に、真陽性７０５に対応する緑色で示されている。以下は、ＧＰモデルの１０分割交差検証スコアである。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．００３（＋／－０．００００）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：１１７８００．６６５（＋／－５２６．８４８６）
図９Ａに、ＣＴ視覚表現におけるガスポロシティ異常９０５を示す。第２の機械学習モデルを、無水酢酸ナトリウム粉末によって生じたガスポロシティ部品２２０（図２参照）で訓練した。図９Ｂに、図７のヒートマップ７００を用いた機械学習層診断の視覚表現を示す。図９Ｂに示されるように、ガスポロシティ９０５の領域は、主に、真陽性７０５に対応する緑色で示されている。以下は、ＧＰモデルの１０分割交差検証スコアである。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．００３（＋／－０．００００）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：１１７８００．６６５（＋／－５２６．８４８６）
【0059】
[0096]キーホールモデル
図１０Ａに、ＣＴ視覚表現におけるキーホール異常１００５を示す。第３の機械学習モデルを、エネルギー源からの出力の低減によって生じたキーホール部品２１０（図２参照）で訓練した。図１０Ｂに、図７のヒートマップ７００を用いたＭＬ予測診断の視覚表現を示す。図１０Ｂに示されるように、キーホール領域１００５は、主に、真陽性７０５に対応する緑色で示されている。以下は、ＧＰモデルの１０分割交差検証スコアである。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．０１１（＋／－０．０００１）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：４１３５３３．６７６（＋／－１５４５．１２２５）
図１０Ａに、ＣＴ視覚表現におけるキーホール異常１００５を示す。第３の機械学習モデルを、エネルギー源からの出力の低減によって生じたキーホール部品２１０（図２参照）で訓練した。図１０Ｂに、図７のヒートマップ７００を用いたＭＬ予測診断の視覚表現を示す。図１０Ｂに示されるように、キーホール領域１００５は、主に、真陽性７０５に対応する緑色で示されている。以下は、ＧＰモデルの１０分割交差検証スコアである。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．０１１（＋／－０．０００１）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：４１３５３３．６７６（＋／－１５４５．１２２５）
【0060】
[0097]タングステンモデル
図１１Ａに、ＣＴ視覚表現におけるタングステン介在物異常１１０５を示す。第４の機械学習モデルを、タングステン粉末を３つの層に添加することによって生じた介在物部品２２５（図２参照）で訓練した。図１１Ｂに、図７のヒートマップ７００を用いた機械学習予測診断の視覚表現を示す。図１１Ｂに示されるように、介在物領域１１０５は、主に、真陽性７０５に対応する緑色で示されている。以下は、Ｗモデルの１０分割交差検証スコアである。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．０２３（＋／－０．０００１）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：５２６９１７．４４６（＋／－２６１１．９９０７）
図１１Ａに、ＣＴ視覚表現におけるタングステン介在物異常１１０５を示す。第４の機械学習モデルを、タングステン粉末を３つの層に添加することによって生じた介在物部品２２５（図２参照）で訓練した。図１１Ｂに、図７のヒートマップ７００を用いた機械学習予測診断の視覚表現を示す。図１１Ｂに示されるように、介在物領域１１０５は、主に、真陽性７０５に対応する緑色で示されている。以下は、Ｗモデルの１０分割交差検証スコアである。
試験ｎｅｇ＿ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ平均：－０．０２３（＋／－０．０００１）
試験ｔｏｔａｌ＿ｃｏｓｔ平均：５２６９１７．４４６（＋／－２６１１．９９０７）
【0061】
[0098]敵対的モデル化
モデルを、それらの異常タイプを認識し、他の異常タイプのフラグ立てを回避するように訓練することができる。しかしながら、他の異常タイプの拒絶を、それらに対して明示的に訓練することによって強化することができる。本項では、機械学習モデルの敵対的強化を行う方法を示す。
モデルを、それらの異常タイプを認識し、他の異常タイプのフラグ立てを回避するように訓練することができる。しかしながら、他の異常タイプの拒絶を、それらに対して明示的に訓練することによって強化することができる。本項では、機械学習モデルの敵対的強化を行う方法を示す。
【0062】
[0099]融合不良モデル
表１に、４つの異なる異常タイプを有する部品を試験する融合不良（ＬＯＦ）モデルの層費用値を示す。図１２Ａに、キーホール１２００に関する試験層の視覚表現を示し、図１２Ｂに、ガスポロシティ１２０５に関する試験層の視覚表現を示し、図１２Ｃに、介在物１２１０に関する試験層の視覚表現を示す。費用計算を以下の表１に示す。同じタイプ（例えば、この場合の融合不良）の低い費用値およびその他のタイプの高い費用値は、融合不良データで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
表１
表１に、４つの異なる異常タイプを有する部品を試験する融合不良（ＬＯＦ）モデルの層費用値を示す。図１２Ａに、キーホール１２００に関する試験層の視覚表現を示し、図１２Ｂに、ガスポロシティ１２０５に関する試験層の視覚表現を示し、図１２Ｃに、介在物１２１０に関する試験層の視覚表現を示す。費用計算を以下の表１に示す。同じタイプ（例えば、この場合の融合不良）の低い費用値およびその他のタイプの高い費用値は、融合不良データで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
【表1】
表１
【0063】
[0100]いくつかの実施形態では、敵対的に訓練されたモデルを評価する別の方法は、予測を視覚化することであり、これは、例えばＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）ユーザインターフェースで行うことができる。図１２Ｄに、融合不良部品に関するＬＯＦモデル予測を示す。融合不良領域１２２５が現れ、モデルが融合不良異常を正確に予測することを示している。図１２Ｅ～図１２Ｇに、それぞれ、キーホール異常、ガスポロシティ異常、およびタングステン異常を有する部品のＬＯＦモデル予測を示し、各予測は、融合不良異常である確率が低いことを示している。
【0064】
[0101]図１２Ｈに、ＬＯＦモデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す。この３Ｄツールから、ＬＯＦモデルは、融合不良異常を有する別の部品からの異常を認識し、造形プレート上のその他の異常タイプの大部分を無視することができることが分かる。
【0065】
[0102]ガスポロシティモデル
表２に、４つの異常タイプを有する部品を試験するガスポロシティ（ＧＰ）モデルの層費用値を示す。図１３Ａに、融合不良１３０５に関する試験層の視覚表現を示し、図１３Ｂおよび図１３Ｃに、それぞれ、キーホールおよびタングステン介在物に関する試験層の視覚表現を示す。同じタイプ（例えば、この場合のガスポロシティ）の低い費用値およびその他のタイプの高い費用値は、ガスポロシティデータで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
表２
表２に、４つの異常タイプを有する部品を試験するガスポロシティ（ＧＰ）モデルの層費用値を示す。図１３Ａに、融合不良１３０５に関する試験層の視覚表現を示し、図１３Ｂおよび図１３Ｃに、それぞれ、キーホールおよびタングステン介在物に関する試験層の視覚表現を示す。同じタイプ（例えば、この場合のガスポロシティ）の低い費用値およびその他のタイプの高い費用値は、ガスポロシティデータで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
【表2】
表２
【0066】
[0103]いくつかの実施形態では、敵対的に訓練されたモデルを評価する別の方法は、予測を視覚化することであり、これは、例えばＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）ユーザインターフェースで行うことができる。図１３Ｅに、ガスポロシティ部品のＧＰモデル予測を示す。ガスポロシティ領域１３２５が現れ、モデルがガス多孔度異常を正確に予測することを示している。図１３Ｄ、図１３Ｆ、および図１３Ｇに、それぞれ、融合不良異常、キーホール異常、およびタングステン介在物異常を有する部品のモデル予測を示し、各予測は、ガスポロシティ異常である確率が低いことを示している。
【0067】
[0104]図１３Ｈに、ＧＰモデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す。異常は、訓練に使用した部品にのみ現れた。訓練部品をその指標の強度に基づいて選択していたため、異常は同じタイプのその他の部品には現れなかった。
【0068】
[0105]キーホールモデル
表３に、４つの異常タイプを有する部品を試験するキーホール（ＫＨ）モデルの層費用値を示す。図１４Ａに、融合不良１４０５に関する試験層の視覚表現を示し、図１４Ｂおよび図１４Ｃに、それぞれ、ガスポロシティ異常およびタングステン異常関する試験層の視覚表現を示す。同じタイプの低い費用値およびその他のタイプの高い費用値は、キーホールデータで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
表３
表３に、４つの異常タイプを有する部品を試験するキーホール（ＫＨ）モデルの層費用値を示す。図１４Ａに、融合不良１４０５に関する試験層の視覚表現を示し、図１４Ｂおよび図１４Ｃに、それぞれ、ガスポロシティ異常およびタングステン異常関する試験層の視覚表現を示す。同じタイプの低い費用値およびその他のタイプの高い費用値は、キーホールデータで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
【表3】
表３
【0069】
[0106]いくつかの実施形態では、敵対的に訓練されたモデルを評価する別の方法は、予測を視覚化することであり、これは、例えばＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）ユーザインターフェースで行うことができる。図１４Ｄに、キーホール部品のＫＨモデル予測を示す。図１４Ｅ～図１４Ｇに、それぞれ、融合不良異常、ガスポロシティ異常およびタングステン異常を有する部品のモデル予測を示す。キーホールの場合（図１４Ｄ）、キーホール異常１４０５が高い確率で現れるが、融合不良異常、ガスポロシティ異常、およびタングステン異常、図１４Ｅ～図１４Ｇは、それぞれ、キーホール異常である確率が低い。
【0070】
[0107]図１４Ｈに、ＫＨモデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の視覚表現の予測を示す。このツールから、ＫＨモデルは、キーホール異常を有する別の部品からの異常のごく少数を認識し、造形プレート上の他の異常タイプを無視することができることが分かる。
【0071】
[0108]タングステンモデル
表４に、４つの異常タイプを有する部品を試験するタングステン介在物モデルの層費用値を示す。図１５Ａ～図１５Ｃに、それぞれ、融合不良異常、ガスポロシティ異常、およびキーホール異常に関する試験層の視覚表現を示す。同じタイプの低い費用値およびその他のタイプの高い費用値は、介在物データで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
表４
表４に、４つの異常タイプを有する部品を試験するタングステン介在物モデルの層費用値を示す。図１５Ａ～図１５Ｃに、それぞれ、融合不良異常、ガスポロシティ異常、およびキーホール異常に関する試験層の視覚表現を示す。同じタイプの低い費用値およびその他のタイプの高い費用値は、介在物データで訓練されたモデルがその他の異常を拒絶し、それらを偽陽性とみなすことを意味する。
【表4】
表４
【0072】
[0109]いくつかの実施形態では、敵対的に訓練されたモデルを評価する別の方法は、予測を視覚化することであり、これは、例えばＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）ユーザインターフェースで行うことができる。図１５Ｅに、異なるタングステン介在物部品のタングステン介在物モデル予測および予測カラーマップを示す。図１５Ｄ、図１５Ｆ、および図１５Ｇに、それぞれ、融合不良異常、ガスポロシティ異常、およびキーホール異常を有する部品のモデル予測を示す。タングステン介在物の場合（図１５Ｅ）、タングステン介在物異常１５２５が高い確率で現れる。対照的に、融合不良異常、ガスポロシティ異常およびキーホール異常は、タングステン介在物異常である確率が低い。
【0073】
[0110]図１５Ｈに、タングステン介在物モデルによって生成されたＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）視覚表現の予測を示す。異常は、タングステン粒子を適用した層の訓練に使用した部品にのみ現れた。訓練部品をその指標の強度に基づいて選択していたため、異常は同じタイプのその他の部品のいくつかに現れた。異常はまた、訓練されたタングステン部品および少数の他の部品の支持構造にも現れた。
【0074】
[0111]結論
機械学習モデルは、少なくとも４つの異なる一般的なタイプの異常、すなわち、融合不良、ガスポロシティ、キーホール、およびタングステン介在物を認識するように訓練することができることが実証された。本開示の利益を有する当業者であれば、同様の方法を使用して他の異常タイプを検出および識別できることを理解するであろう。モデルは、特徴としてＴＥＤ、ＴＥＤシグマ、ＴＥＰおよびＴＥＰシグマを含み、ラベルとしてＣＴデータを含むＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の指標を使用するが、他の実施形態は他の指標を使用することができる。予測は、ＣＴラベルとの強い相関を示す。モデルを、異常タイプのラベルと一致するとともに、その他３つのタイプの異常を拒絶するように訓練した。これにより、各異常タイプの予測の識別性が向上した。
機械学習モデルは、少なくとも４つの異なる一般的なタイプの異常、すなわち、融合不良、ガスポロシティ、キーホール、およびタングステン介在物を認識するように訓練することができることが実証された。本開示の利益を有する当業者であれば、同様の方法を使用して他の異常タイプを検出および識別できることを理解するであろう。モデルは、特徴としてＴＥＤ、ＴＥＤシグマ、ＴＥＰおよびＴＥＰシグマを含み、ラベルとしてＣＴデータを含むＰｒｉｎｔＲｉｔｅ３Ｄ（登録商標）の指標を使用するが、他の実施形態は他の指標を使用することができる。予測は、ＣＴラベルとの強い相関を示す。モデルを、異常タイプのラベルと一致するとともに、その他３つのタイプの異常を拒絶するように訓練した。これにより、各異常タイプの予測の識別性が向上した。
【0075】
[0112]本明細書に記載される特定の例示的な実施形態は、異常タイプごとのＩＰＱＭＰ指標を生成することに焦点を当てているが、他の実施形態は異なる指標を使用することができる。これらのような予測指標は、造形プロセスの制御時にループを閉じることを可能にすることができる。より具体的には、異常を自動的に修復するか、または造形プロセスを中断するか否かを決定することができる製造管理者の注意を喚起することができる。
【0076】
[0113]いくつかの実施形態では、機械学習モデルは、製造プロセスにアクセスし、異常信号を様々なタイプに分類する。そのようなオールインワンモデルを、本明細書に記載の実施形態で開発された技術に基づいて構築することができるが、他の実施形態では、他の適切な機械学習技術を使用することができる。
【0077】
[0114]例示的な付加製造装置
図１６に、例示的な付加製造システム１６００を示す。図１６に示されるように、付加製造システム１６００は、エネルギー源１６０５としてレーザーを含むが、他の実施形態は、電子ビームまたは他の適切なエネルギー源を使用し得る。エネルギー源１６０５はレーザービーム１６１０を放射し、レーザービーム１６１０は部分反射ミラー１６１５を通過して走査集束システム１６２０に入り、走査集束システム１６２０は次いでビームを造形面１６３０上の領域１６２５に投射する。いくつかの実施形態では、造形面１６３０は金属粉末１６３５の粉体層である。レーザービーム１６１０によって照射される材料が受け取る高い材料温度および放射率特性に起因して領域１６２５から電磁エネルギー１６４０が放出される。レーザービーム１６１０は、金属粉末１６３５を溶融して層ごとに造形される部品１６４５にする。
図１６に、例示的な付加製造システム１６００を示す。図１６に示されるように、付加製造システム１６００は、エネルギー源１６０５としてレーザーを含むが、他の実施形態は、電子ビームまたは他の適切なエネルギー源を使用し得る。エネルギー源１６０５はレーザービーム１６１０を放射し、レーザービーム１６１０は部分反射ミラー１６１５を通過して走査集束システム１６２０に入り、走査集束システム１６２０は次いでビームを造形面１６３０上の領域１６２５に投射する。いくつかの実施形態では、造形面１６３０は金属粉末１６３５の粉体層である。レーザービーム１６１０によって照射される材料が受け取る高い材料温度および放射率特性に起因して領域１６２５から電磁エネルギー１６４０が放出される。レーザービーム１６１０は、金属粉末１６３５を溶融して層ごとに造形される部品１６４５にする。
【0078】
[0115]いくつかの実施形態では、走査集束システム１６２０を、領域１６２５から放出された電磁エネルギー１６４０の一部を収集するように構成することができる。いくつかの実施形態では、溶融池および発光プルームが、領域１６２５内から黒体放射を協働して放出することができる。溶融池は、レーザービーム１６１０によって与えられたエネルギーに起因して粉末金属１６３５が液化した結果であり、集束システム１６２０に向かって反射される電磁エネルギー１６４０の大部分の放射を担う。発光プルームは、粉末金属１６３５の一部の気化から生じる。部分反射ミラー１６１５は、集束システム１６２０によって受け取られた電磁エネルギー１６４０の大部分を反射することができる。この反射エネルギーは、図１６に光エネルギー１６５５として示されている。光エネルギー１６５５は、軸上光センサ１６５０によって調べられ得る。軸上光センサ１６５０の各々は、ミラー１６６０ａおよび１６６０ｂを介して光エネルギー１６５５の一部を受け取る。いくつかの実施形態では、ミラー１６６０を、それぞれ、波長λ１および波λ２のみを反射するように構成することができる。いくつかの実施形態では、光センサ１６５０は、光学トレインを通って反射された光の合計８０～９０％を受光する。
【0079】
[0116]光センサ１６５０はまた、それぞれの波長λ１および波長λ２の外側の任意の光を遮断するように構成されたノッチフィルタも含むことができる。第３の光センサ１６５０ｃを、部分反射ミラー１６６０ｃからの光を受光するように構成することができる。いくつかの実施形態では、光センサ１６５０ａおよび光センサ１６５０ｂをノッチフィルタで覆うことができ、第３の光センサ１６５０ｃを、はるかに大きな波長範囲を測定するように構成することができる。いくつかの実施形態では、光センサ１６５０ａまたは光センサ１６５０ｂを、付加製造プロセスを行うために使用されている粉末のバッチと関連付けられた黒体放射曲線の初期特性評価を行うように構成された分光計で置き換えることができる。次いで、この特性評価を使用して、光センサ１６５０ａおよび光センサ１６５０ｂの波長フィルタがどのようにオフセットされるように構成されるかを決定し、分光計によって特性評価された黒体曲線と関連付けられたスペクトルピークを回避することができる。この特性評価は、完全な付加製造作業が実行される前に行われる。
【0080】
[0117]いくつかの実施形態では、第３の光センサ１６５０ｃは、熱エネルギー密度を測定するように構成される。熱エネルギー密度は、例えば、エネルギー源出力、エネルギー源速度、およびハッチ間隔などのプロセスパラメータの変化に敏感である。
【0081】
[0118]軸上光センサ１６５０の例には、高温計やフォトダイオードなどの光電気信号変換器（すなわち、光検出器）が含まれるが、これに限定されない。光センサ１６５０はまた、分光計、および可視周波数スペクトル、紫外線周波数スペクトル、または赤外線周波数スペクトルで動作する低速度カメラまたは高速度カメラを含むことができる。軸上光センサ１６５０は、レーザービーム１６１０と共に移動する基準系内にあり、すなわち、レーザービームが接触するすべての領域が見えており、レーザービーム１６１０が造形面１６３０を横切って走査するときに接触する造形面１６３０のすべての領域から電磁エネルギー１６４０を収集することができる。走査集束システム１６２０によって収集された光エネルギー１６４０は、レーザービームにほぼ平行な経路を進むので、センサ１６５０を軸上センサとみなすことができる。
【0082】
[0119]いくつかの実施形態では、付加製造システム１６００は、レーザービーム１６１０に対して静止した基準系にある１つまたは複数の軸外センサ１６６５を含むことができる。さらに、金属粉末１６３５を造形面１６３０全体にわたって広げるように構成されたリコータアーム１６７０上に接触センサがあってもよい。これらのセンサは、加速度計、振動センサなどであってもよい。最後に、マクロ熱場を測定するための熱電対などの他のタイプのセンサがあってもよく、または部品１６４５が造形されるときに部品１６４５に発生する亀裂およびその他の冶金現象を検出することができるアコースティックエミッションセンサを含むこともできる。
【0083】
[0120]いくつかの実施形態では、１つまたは複数のプロセッサ１６８０と、コンピュータ可読媒体１６８５と、Ｉ／Ｏインターフェース１６９０とを含むコンピューティングシステム１６７５が提供され、様々なセンサからデータを収集するために付加製造システムの適切なシステム構成要素に結合される。コンピューティングシステム１６７５によって受信されるデータは、工程内生センサデータおよび／または縮小次元センサデータを含むことができる。１つまたは複数のプロセッサ１６８０は、工程内生センサデータおよび／または縮小次元センサデータを使用して、造形面１６３０に関する座標を含むレーザー１６１０の出力および制御情報を決定することができる。他の実施形態では、１つまたは複数のプロセッサ１６８０と、コンピュータ可読媒体１６８５と、Ｉ／Ｏインターフェース１６９０とを含むコンピューティングシステム１６７５は、様々なシステム構成要素の制御を提供することができる。コンピューティングシステム１６７５は、レーザー１６０５、造形面１６３０、ならびにその他の関連構成要素およびセンサと関連付けられた制御情報を送信、受信、および監視することができる。
【0084】
[0121]１つまたは複数のプロセッサ１６８０は、様々なセンサによって収集されたデータを使用して計算を行って、工程内品質指標（例えば、ＴＥＤ、ＴＥＤシグマ、ＴＥＰ、ＴＥＰシグマ）を生成するために使用することができる。いくつかの実施形態では、軸上光センサ１６５０によって生成されたデータを使用して、造形プロセス中の熱エネルギー密度（ＴＥＤ）および／またはＴＥＰを決定することができる。造形面１６３０を横切るエネルギー源１６０５の移動と関連付けられた制御情報を、１つまたは複数のプロセッサ１６８０が受け取ることができる。１つまたは複数のプロセッサ１６８０は次いで、制御情報を使用して、（１つもしくは複数の）軸上光センサ１６５０および／または（１つもしくは複数の）軸外光センサ１６６５からのデータを対応する位置と相関させることができる。次いで、この相関データを組み合わせて熱エネルギー密度を計算することができる。いくつかの実施形態では、熱エネルギー密度および／またはその他の指標を、１つまたは複数のプロセッサ１６８０が、熱エネルギー密度またはその他の指標に応答してプロセスパラメータ、例えば、レーザー出力、レーザー速度、ハッチ間隔、およびその他のプロセスパラメータの制御信号を生成するために使用することができる。本明細書に記載されるように、１つまたは複数のプロセッサ１６８０は、１つまたは複数のプロセスパラメータを１つまたは複数の訓練された機械学習アルゴリズムへの入力として使用して、部品１６４５中の欠陥をリアルタイムで検出および識別し得る。このようにして、さもないと生産部品を損なう可能性がある問題を改善することができる。複数の部品が一度に生成されることになる実施形態では、指標が所望の範囲外にあることに応答してプロセスパラメータを迅速に補正することにより、隣接する部品がエネルギー源から過度に多いまたは過度に少ないエネルギーを受け取ることを防止することができる。
【0085】
[0122]いくつかの実施形態では、Ｉ／Ｏインターフェース１６９０を、収集されたデータをリモート位置に送信するように構成することができる。Ｉ／Ｏインターフェース１６９０を、リモート位置からデータを受信するように構成することができる。受信されるデータは、ベースラインデータセット、履歴データ、後工程検査データ、および分類器データを含むことができる。リモートコンピューティングシステムは、付加製造システムによって送信されたデータを使用して工程内品質指標を計算することができる。リモートコンピューティングシステムは、工程内品質指標および／または欠陥の検出に応答して、情報をＩ／Ｏインターフェース１６９０に送信することができる。図１６に関連して説明されたセンサを、逐次的な材料積層を含む任意の付加製造プロセスの性能を特性評価するために記載の方法で使用することができることに留意されたい。
【0086】
[0123]本明細書に記載の実施形態は、熱エネルギー密度を決定するために光センサによって生成されたデータを使用しているが、本明細書に記載の実施形態は、工程内の物理的変数の他の発現を測定するセンサによって生成されたデータを使用して実施されてもよい。工程内の物理的変数の発現を測定するセンサには、例えば、力センサおよび振動センサ、接触熱センサ、非接触熱センサ、超音波センサ、および渦電流センサが含まれる。上記の教示を考慮して多くの修正および変形が可能であることが当業者には明らかであろう。
【0087】
[0124]いくつかの実施形態では、ＴＥＰは、粉末のバッチの材料特性と関連付けられるスペクトルピークを識別するステップと、第１の波長および第１の波長から離間した第２の波長を選択するステップであって、第１の波長および第２の波長が識別されたスペクトルピークからオフセットされている、ステップとを含むことができる。付加製造作業中に造形面上に配置された粉末のバッチの層を横切ってエネルギー源の複数回の走査を生成することができる。造形面から放射されるエネルギー量を第１の波長で測定することができ、造形面から放射されるエネルギー量を第２の波長で測定することができる。複数回の走査によって横断された造形面の面積の温度の変化を、第１の波長で放射されたエネルギー対第２の波長で放射されたエネルギーの比に基づいて決定することができる。いくつかの実施形態では、温度の変化が値の閾値範囲外であると判断することができ、その後、造形面のその面積全体にわたる、またはその付近でのエネルギー源の後続の走査を調整する。
【0088】
[0125]様々な実施形態において、上記の付加製造方法は、複数回の走査の第１の走査の始点を決定し、第１の走査の終点を決定することによって横断された造形面の面積を決定することをさらに含む。さらに、始点と終点との間の距離を計算することによって第１の走査の長さを決定することができる。
【0089】
[0126]いくつかの実施形態では、上記の付加製造方法は、造形面を横切るエネルギー源の経路を示すエネルギー源駆動信号データを受け取り、エネルギー源駆動信号データを使用して複数回の走査の各々の位置を決定することによって、熱エネルギー密度を付加製造作業によって形成されている部品内の位置にマッピングすることをさらに含む。
【0090】
[0127]いくつかの実施形態では、ＴＥＤは、造形面を横切るエネルギー源の複数回の走査を生成することと、造形面を監視する光センサを使用して、複数回の走査の各々の間に造形面から放射されたエネルギー量を測定することと、を含む付加製造方法を含む。エネルギー源の複数回の走査のうちの１回または複数回の走査中に横断された造形面の面積が決定される。複数回の走査のうちの１回または複数回の走査によって横断された造形面の面積の熱エネルギー密度が、放射されたエネルギー量と複数回の走査によって横断された造形面の面積とに基づいて決定される。熱エネルギー密度は、造形面の１つまたは複数の位置にマッピングされる。いくつかの実施形態では、熱エネルギー密度は、密度値の範囲外の密度によって特徴付けられると判断することができ、その後、造形面の１つまたは複数の位置を横切る、またはその付近でのエネルギー源の後続の走査を調整する。
【0091】
[0128]いくつかの実施形態では、上述の付加製造方法は、熱エネルギー密度は、密度値の範囲外の密度によって特徴付けられると判断することが、ベースラインを受け取り、１つまたは複数の熱エネルギー密度走査値がベースラインと実質的に異なると判断することをさらに含むこと、をさらに含む。グラフおよび点群の少なくとも一方を出力として生成することができる。
【0092】
[0129]図１７に、例示的なコンピューティングシステム１６７５の拡張ブロック図を示す。いくつかの実施形態では、例示的なコンピューティングシステムは、コンピューティングシステムまたはプロセッサによって行われるものとして本明細書に記載されている機能、挙動、および能力、ならびに明記されていない他の機能、挙動、および能力のいずれかまたはすべてを実装することができる。コンピューティングシステム１６７５は、１つまたは複数のプロセッサ１６８０、コンピュータ可読媒体１６８５、ユーザインターフェース１７０５、およびネットワークインターフェース１７１０を含むことができる。コンピューティングシステム１６７５はまた、バッテリ、電力コントローラ、および様々な拡張能力を提供するように動作する他の構成要素などの他の構成要素（明示的に図示されていない）を含むこともできる。様々な実施形態において、コンピューティングシステム１６７５を、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、スマートフォン、他の携帯電話、ウェアラブルコンピューティングデバイス、または任意の所望のフォームファクタを有する他のシステムに実装することができる。さらに、上記のように、コンピューティングシステム１６７５を、一部を基地局に、一部を、基地局と通信し、ユーザインターフェースを提供するモバイルユニットに実装することができる。
【0093】
[0130]コンピュータ可読媒体１６８５は、例えば、ディスク、フラッシュメモリ、もしくは任意の他の非一時的記憶媒体、または媒体の組み合わせを使用して実装することができ、揮発性媒体および／または不揮発性媒体を含むことができる。いくつかの実施形態では、コンピュータ可読媒体１６８５は、ホストによって行われるものとして上述されている様々な動作を実装するプログラムを含めて、１つまたは複数のプロセッサ１６８０によって実行される１つまたは複数のアプリケーションおよび／またはオペレーティングシステムプログラムを格納することができる。例えば、コンピュータ可読媒体１６８５は、周辺デバイス記述レコードを読み取り、その中の情報に基づいて周辺デバイスを制御するためのグラフィカルユーザインターフェースを生成することができる統一されたホストアプリケーションを格納することができる。コンピュータ可読媒体１６８５はまた、送受信機１７１５と通信するために実行可能なプログラムコードも格納することができる。図１７は、送受信機１７１５をコンピューティングシステム１６７５のサブシステムとして示しているが、送受信機１７１５は、例えば、機械学習アルゴリズムまたは工程内パラメータ（例えば、ＴＥＰ、ＴＥＰシグマ、ＴＥＤまたはＴＥＤシグマ）が実行されることを可能にするために、コンピューティングシステム１６７５に差し込まれ、電気的に結合されるドングルであってもよいことが理解される。いくつかの実施形態では、本明細書に記載されるホスト機能の一部（または全部）を、アプリケーションではなくオペレーティングシステムプログラムに実装することができる。いくつかの実施形態では、コンピュータ可読媒体１６８５はまた、特定のアクセサリまたは特定のカテゴリのアクセサリ用に設計されたアプリ（例えば、ＩＰカメラ周辺デバイスを管理するＩＰカメラアプリや、ドアロックアクセサリと対話するセキュリティアプリ）を格納することもできる。
【0094】
[0131]ユーザインターフェース１７０５は、タッチパッド、タッチスクリーン、スクロールホイール、クリックホイール、ダイヤル、ボタン、スイッチ、キーパッド、マイクロホン１７２０などの入力デバイス、ならびにビデオ画面、表示灯、スピーカ、ヘッドホンジャックなどの出力デバイスを、サポート電子機器（例えば、デジタル・アナログ変換器またはアナログ・デジタル変換器、信号プロセッサなど）とともに含むことができる。ユーザは、ユーザインターフェース１７０５の入力デバイスを操作して、コンピューティングシステム１６７５の機能を呼び出すことができる。
【0095】
[0132]１つまたは複数のプロセッサ１６８０を、１つまたは複数の集積回路として、例えば、その例が当技術分野で公知である、１つまたは複数のシングルコアまたはマルチコアのマイクロプロセッサまたはマイクロコントローラとして実装することができる。動作に際して、１つまたは複数のプロセッサ１６８０は、コンピューティングシステム１６７５および／または付加製造システム１６００（図１６参照）の動作を制御することができる。様々な実施形態において、１つまたは複数のプロセッサ１６８０は、プログラムコードに応答して様々なプログラムを実行することができ、複数の同時に実行するプログラムまたはプロセスを維持することができる。任意の所与の時点において、実行されるべきプログラムコードの一部または全部が、１つもしくは複数のプロセッサ１６８０および／またはコンピュータ可読媒体１６８５などの記憶媒体に常駐することができる。
【0096】
[0133]さらに、コンピューティングシステムが本明細書では特定のブロックを参照して説明されているが、これらのブロックは説明の便宜上定義されており、構成部品の特定の物理的配置を示唆するためのものではないことを理解されたい。さらに、ブロックは、物理的に別個の構成要素に対応する必要はない。ブロックを、例えば、プロセッサをプログラミングすることや、または適切な制御回路を設けることによって、様々な動作を行うように構成することができ、様々なブロックは、初期構成がどのように得られるかに応じて再構成可能な場合もそうでない場合もある。本開示の実施形態を、回路とソフトウェアの任意の組み合わせを使用して実装される電子デバイスを含む様々な装置において実現することができる。
【0097】
[0134]本明細書に記載されるコンピューティングシステムおよびアクセサリを、一般に従来の設計のものであり得る電子デバイスにおいて実装することができる。そのようなデバイスを、ホスト（第１の電子デバイス）が周辺デバイス（第２の電子デバイス）の動作を制御するためのコマンド・アンド・コントロール動作をサポートする統一された周辺デバイスプロトコルを使用して通信するよう適合させることができる。場合によっては、デバイスは、例えば、上述のようなプロキシの場合に、ホストおよび周辺デバイスの特徴または態様を組み合わせることができる。
【0098】
[0135]本明細書に記載されるシステム構成および構成要素は例示的なものであり、変形および修正が可能であることが理解されよう。コンピューティングシステム１６７５の実施態様は、メディアアクセスデバイスによって行われるものとして上述されているすべての動作を行うことができ、周辺デバイスの実施態様は、周辺デバイスによって行われるものとして上述されている任意のまたはすべての動作を行うことができることを理解されたい。プロキシ、ブリッジ、トンネル、またはコーディネータは、所望に応じて同じハードウェアまたは異なるハードウェアを使用して、コンピューティングシステム１６７５の構成要素と周辺デバイスとを組み合わせることができる。メディアアクセスデバイスおよび／または周辺デバイスは、本明細書に具体的に記載されていない他の能力（例えば、携帯電話、全地球測位システム（ＧＰＳ）、ブロードバンドデータ通信、インターネット接続など）を有していてもよい。実装に応じて、デバイスは、どちらか（もしくは両方）のデバイスによってサポートされる任意の機能を提供するために、または各デバイスに部分的に実装されている機能を提供するために相互運用することができる。いくつかの実施形態では、特定の周辺デバイスは、特定のメディアアクセスデバイスを介してアクセス可能または呼び出すことができないが、別のホストを介して、または周辺デバイスと直接対話することによってアクセス可能なある機能を有することができる。
【0099】
[0136]さらに、メディアアクセスデバイスおよび周辺デバイスは本明細書では特定のブロックを参照して説明されているが、これらのブロックは説明の便宜上定義されており、構成部品の特定の物理的配置を示唆するためのものではないことを理解されたい。さらに、ブロックは、物理的に別個の構成要素に対応する必要はない。ブロックを、例えば、プロセッサをプログラミングすることや、または適切な制御回路を設けることによって、様々な動作を行うように構成することができ、様々なブロックは、初期構成がどのように得られるかに応じて再構成可能な場合もそうでない場合もある。本開示の実施形態を、回路とソフトウェアの任意の組み合わせを使用して実装される電子デバイスを含む様々な装置において実現することができる。
【0100】
[0137]本明細書に記載される様々な特徴、例えば、方法、装置、コンピュータ可読媒体などを、専用の構成要素および／またはプログラマブルプロセッサおよび／または他のプログラマブルデバイスの任意の組み合わせを使用して実現することができる。本明細書に記載される様々なプロセスを、同じプロセッサまたは任意の組み合わせの異なるプロセッサ上で実施することができる。構成要素が特定の動作を行うように構成されているものとして記載される場合、そのような構成を、例えば、その動作を行うように電子回路を設計することによって、その動作を行うようにプログラマブル電子回路（マイクロプロセッサなど）をプログラムすることによって、またはそれらの組み合わせによって達成することができる。さらに、上述の実施形態は特定のハードウェアおよびソフトウェア構成要素に言及している場合があるが、ハードウェアおよび／またはソフトウェア構成要素の異なる組み合わせが使用されてもよく、ハードウェアに実装されるものとして説明されている特定の動作がソフトウェアに実装されてもよく、その逆も可能であることが当業者には理解されよう。
【0101】
[0138]本明細書に記載の様々な特徴を組み込んだコンピュータプログラムは、様々なコンピュータ可読記憶媒体に符号化および格納され得、適切な媒体には、磁気ディスクまたはテープ、コンパクトディスク（ＣＤ）やＤＶＤ（デジタル多用途ディスク）などの光記憶媒体、フラッシュメモリ、および他の非一時的媒体が含まれる。プログラムコードで符号化されたコンピュータ可読媒体は、互換性のある電子デバイスと共にパッケージ化されてもよく、またはプログラムコードは、電子デバイスとは別に（例えば、インターネットダウンロードを介して、または別個にパッケージ化されたコンピュータ可読記憶媒体として）提供されてもよい。
【0102】
[0139]特許請求される主題の完全な理解を提供するために本明細書には多数の具体的詳細が記載されている。しかしながら、特許請求される主題はこれらの具体的詳細なしでも実施され得ることを当業者は理解するであろう。場合によっては、特許請求される主題を不明瞭にしないように、当業者に既知であるはずの方法、装置、またはシステムが詳細に記載されていない。図示および説明された様々な実施形態は、単に特許請求の範囲の様々な特徴を説明するための例として提供されている。しかしながら、任意の所与の実施形態に関して図示および説明された特徴は、必ずしも関連付けられた実施形態に限定されず、図示および説明されている他の実施形態と併用または組み合わされてもよい。さらに、特許請求の範囲は、どの１つの例示的な実施形態によっても限定されることを意図されていない。
【0103】
[0140]本発明の主題はその特定の実施形態に関して詳細に説明されているが、当業者は、以上の説明の理解を得れば、そのような実施形態への変更、その変形、およびその均等物を容易に作り出すことができることが理解されるであろう。したがって、本開示は、限定ではなく例示のために提示されており、当業者に容易に明らかになるはずの、本発明の主題に対する改変、変形、および／または追加を含めることを排除するものではないことを理解されたい。実際、本明細書に記載される方法およびシステムは、様々な他の形態で具現化され得、さらに、本開示の趣旨から逸脱することなく、本明細書に記載される方法およびシステムの形態の様々な省略、置換および変更が行われ得る。添付の特許請求の範囲およびその均等物は、本開示の範囲および趣旨に含まれるはずの形態または改変を包含することを意図されている。
【0104】
[0141]本開示は特定の例示的な実施形態および用途を提供するが、本明細書に記載されるすべての特徴および利点を提供しない実施形態を含む、当業者に明らかな他の実施形態も本開示の範囲内である。したがって、本開示の範囲は、添付の特許請求の範囲を参照することによってのみ定義されることが意図されている。
【0105】
[0142]特に明記しない限り、本明細書を通して、「ｐｒｏｃｅｓｓｉｎｇ（処理）」、「ｃｏｍｐｕｔｉｎｇ（コンピューティング）」、「ｃａｌｃｕｌａｔｉｎｇ（計算）」、「ｄｅｔｅｒｍｉｎｉｎｇ（決定）」、および「ｉｄｅｎｔｉｆｙｉｎｇ（識別）」などの用語を使用した説明は、コンピューティングプラットフォームのメモリ、レジスタ、もしくはその他の情報記憶デバイス、伝送デバイス、または表示デバイス内の物理的電子的または磁気的数量として表されたデータを操作または変換する、１台または複数のコンピュータや同様の１台または複数の電子的なコンピューティングデバイスなどのコンピューティングデバイスの動作またはプロセスを指す。
【0106】
[0143]本明細書で説明される１つまたは複数のシステムは、特定のハードウェアアーキテクチャまたは構成に限定されない。コンピューティングデバイスは、１つまたは複数の入力を条件とする結果を提供する構成要素の任意の適切な配置を含むことができる。適切なコンピューティングデバイスは、コンピューティングシステムを、汎用コンピューティング装置から、本発明の主題の１つまたは複数の実施形態を実施する専用コンピューティング装置にプログラムまたは構成する格納されたソフトウェアにアクセスする多目的のマイクロプロセッサベースのコンピュータシステムを含む。任意の適切なプログラミング、スクリプト、または他のタイプの言語もしくは言語の組み合わせが、コンピューティングデバイスをプログラムまたは構成する際に使用されるソフトウェアにおいて本明細書に含まれる教示を実施するために使用され得る。
【0107】
[0144]本明細書に開示される方法の実施形態は、そのようなコンピューティングデバイスの動作において行われ得る。上記の例で提示されたブロックの順序は変更することができ、例えば、ブロックを並べ替え、結合し、かつ／またはサブブロックに分割することができる。特定のブロックまたはプロセスを並列に行うことができる。
【0108】
[0145]本明細書で使用される条件付き言語、例えば、特に、「ｃａｎ」、「ｃｏｕｌｄ」、「ｍｉｇｈｔ」、「ｍａｙ」、「ｅ．ｇ．」などは、特に明記しない限り、または使用される文脈内で他の意味に解されるのでない限り、一般に、特定の例は特定の特徴、要素、および／またはステップを含むが、他の例は含まないことを伝えることを意図されている。よって、そのような条件付き言語は、一般に、特徴、要素および／もしくはステップが１つもしくは複数の例に何らかの形で必要とされること、または１つもしくは複数の例が、著者の入力もしくはプロンプトの有無にかかわらず、これらの特徴、要素および／もしくはステップが任意の特定の例に含まれるかどうか、もしくは任意の特定の例で実行されるべきかどうかを決定するための論理を必然的に含むことを示唆することを意図されたものではない。
【0109】
[0146]「ｃｏｍｐｒｉｓｉｎｇ（備える）」、「ｉｎｃｌｕｄｉｎｇ（含む）」、「ｈａｖｉｎｇ（有する）」などの用語は同義語であり、包含的に、非制限的用法で使用され、追加の要素、特徴、作用、動作などを排除しない。また、「ｏｒ（または）」という用語は、包含的な意味で（排他的な意味ではなく）使用され、例えば、要素のリストを接続するために使用される場合、「または」という用語は、リスト内の要素の１つ、いくつか、またはすべてを意味する。本明細書における「ａｄａｐｔｅｄ ｔｏ（～するように適合された）」または「ｃｏｎｆｉｇｕｒｅｄ ｔｏ（～するように構成された）」の使用は、追加的なタスクまたはステップを行うように適合された、または構成されたデバイスを排除しない、開放的、包含的な言葉を意味する。加えて、「ｂａｓｅｄ ｏｎ（～に基づく）」の使用も、１つまたは複数の記載される条件または値「に基づく」プロセス、ステップ、計算、または他の動作が、実際には、記載の条件または値以外の追加的な条件または値に基づくものであり得るという点で、開放的、包含的であることを意味する。同様に、「ｂａｓｅｄ ａｔ ｌｅａｓｔ ｉｎ ｐａｒｔ ｏｎ（～に少なくとも部分的に基づく）」の使用も、１つまたは複数の記載される条件または値「に少なくとも部分的に基づく」プロセス、ステップ、計算、または他の動作が、実際には、記載の条件または値以外の追加的な条件または値に基づくものであり得るという点で、開放的、包含的であることを意味する。本明細書に含まれる見出し、リスト、および付番は、説明を容易にするためのものにすぎず、限定を意味するものではない。
【0110】
[0147]上述の様々な特徴およびプロセスは、互いに独立して使用されてもよく、または様々な方法で組み合わされてもよい。すべての可能な組み合わせおよび部分的な組み合わせは、本開示の範囲内に入ることが意図されている。さらに、いくつかの実施形態では、特定の方法またはプロセスブロックが省略され得る。本明細書に記載の方法およびプロセスはまた、いかなる特定の順序にも限定されず、それらに関するブロックまたは状態を、適切な他の順序で行うことができる。例えば、記載のブロックまたは状態は、具体的に開示された順序以外の順序で行われてもよく、または複数のブロックもしくは状態が単一のブロックもしくは状態において組み合わされてもよい。例示的なブロックまたは状態は、連続して行われてもよく、並列に行われてもよく、または他の何らかの方法で行われてもよい。ブロックまたは状態が、開示の例に追加されてもよく、または開示の例から削除されてもよい。同様に、本明細書に記載される例示的なシステムおよび構成要素は、記載されるシステムおよび構成要素とは異なるように構成されてもよい。例えば、要素が開示の例に追加されてもよく、開示の例から削除されてもよく、または開示の例と比較して再配置されてもよい。
【図1A】
【図1B】
【図1C】
【図2A】
【図2B】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8A】
【図8B】
【図9A】
【図9B】
【図10A】
【図10B】
【図11A】
【図11B】
【図12A】
【図12B】
【図12C】
【図12D】
【図12E】
【図12F】
【図12G】
【図12H】
【図13A】
【図13B】
【図13C】
【図13D】
【図13E】
【図13F】
【図13G】
【図13H】
【図14A】
【図14B】
【図14C】
【図14D】
【図14E】
【図14F】
【図14G】
【図14H】
【図15A】
【図15B】
【図15C】
【図15D】
【図15E】
【図15F】
【図15G】
【図15H】
【図16】
【図17】
【外国語明細書】