特開 2024-83232 積層造形される部品の材料特性を予測するためのシステム及び方法

(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】P2024083232

(43)【公開日】2024-06-20

(54)【発明の名称】積層造形される部品の材料特性を予測するためのシステム及び方法

(51)【国際特許分類】

   G06F 30/27 20200101AFI20240613BHJP

   B33Y 30/00 20150101ALI20240613BHJP

   B29C 64/393 20170101ALI20240613BHJP

   B33Y 50/02 20150101ALI20240613BHJP

   B22F 10/85 20210101ALI20240613BHJP

   B22F 12/90 20210101ALI20240613BHJP

   G01N 25/72 20060101ALI20240613BHJP

   B22F 10/38 20210101ALI20240613BHJP

   G06F 113/26 20200101ALN20240613BHJP

【ＦＩ】

G06F30/27

B33Y30/00

B29C64/393

B33Y50/02

B22F10/85

B22F12/90

G01N25/72 K

B22F10/38

G06F113:26

【審査請求】未請求

【請求項の数】28

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2023160239

(22)【出願日】2023-09-25

(31)【優先権主張番号】18/063,773

(32)【優先日】2022-12-09

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】523043898

【氏名又は名称】ザ・ボーイング・カンパニー

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(74)【代理人】

【識別番号】100163522

【弁理士】

【氏名又は名称】黒田 晋平

(74)【代理人】

【識別番号】100154922

【弁理士】

【氏名又は名称】崔 允辰

(72)【発明者】

【氏名】アンドリュー・エイチ・ベイカー

(72)【発明者】

【氏名】ルーク・エー・バ－グラインド

(72)【発明者】

【氏名】ローレンス・イー・パド

(72)【発明者】

【氏名】ジャスティン・ロート

(72)【発明者】

【氏名】エレイン・マクドナルド

(72)【発明者】

【氏名】ベイリー・ジェイ・トーマス

【テーマコード（参考）】

2G040

4F213

4K018

5B146

【Ｆターム（参考）】

2G040AB07

2G040AB08

2G040BA14

2G040BA26

2G040CA02

2G040DA03

2G040DA05

2G040DA06

2G040DA15

2G040GA01

2G040HA01

2G040HA05

2G040ZA08

4F213AM23

4F213AP05

4F213AP06

4F213AQ01

4F213WA25

4F213WB01

4K018CA44

4K018EA51

4K018KA01

5B146AA10

5B146DC03

5B146DE11

5B146DL08

(57)【要約】

【課題】積層造形される部品の材料特性を予測する方法を提供すること。
【解決手段】本方法は、複数の標準部品を積層造形することと、複数の標準部品の積層造形中に、複数の標準部品の物理的サンプルの選択された所定位置で熱プロファイルを取得することと、を含む。本方法はまた、複数の標準部品の物理的サンプルの熱プロファイル及び対応する材料特性をデータベースに記憶すること、を含む。本方法は、データベースに記憶された複数の標準部品の物理的サンプルの熱プロファイル及び対応する材料特性に基づいて、積層造形される部品の材料特性を予測するために機械学習アルゴリズムを実行すること、を更に含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

積層造形される部品の材料特性を予測するための方法（６００）であって、前記方法が、
複数の標準部品を積層造形するステップ（６１０）と、
複数の前記標準部品の積層造形中に、複数の前記標準部品の物理的サンプルの選択された所定位置で熱プロファイルを取得するステップ（６２０）と、
複数の前記標準部品の前記物理的サンプルの前記熱プロファイル及び対応する材料特性をデータベースに記憶するステップ（６３０）と、
前記データベースに記憶された複数の前記標準部品の前記物理的サンプルの前記熱プロファイル及び対応する材料特性に基づいて、前記積層造形される部品の材料特性を予測するために機械学習アルゴリズムを実行するステップ（６４０）と
を含む、方法。

【請求項2】

前記データベース内の複数の前記標準部品の前記物理的サンプルの前記熱プロファイルに関連する材料特性を決定するステップ
を更に含む、請求項１に記載の方法。

【請求項3】

前記データベース内の複数の前記標準部品の前記物理的サンプルの前記熱プロファイルに関連する材料特性を決定するステップが、
前記物理的サンプルの機械的特性と微細構造特性との組合せを決定するステップ
を含む、請求項２に記載の方法。

【請求項4】

前記物理的サンプルそれぞれに関連する固有の熱シグネチャ及び履歴を提供するために、前記データベース内の前記物理的サンプルの機械的特性及び微細構造特性の前記組合せを編成するステップ
を更に含む、請求項３に記載の方法。

【請求項5】

前記機械学習アルゴリズムが、教師あり学習アルゴリズムを含む、請求項１に記載の方法。

【請求項6】

前記教師あり学習アルゴリズムが、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、及びサポートベクターマシンモデルのうちの選択された１つを含む、請求項５に記載の方法。

【請求項7】

前記機械学習アルゴリズムが、複数の前記標準部品の前記物理的サンプルそれぞれの特定の位置に関連する、温度対時間曲線に含まれる複数の形態を入力として使用して訓練されている、請求項１に記載の方法。

【請求項8】

複数の前記標準部品の前記物理的サンプルそれぞれの特定の位置に関連する、温度対時間曲線に含まれる複数の前記形態が、複数の温度ゾーンで費やされた１以上の時間と、前記温度ゾーン間の１以上の冷却率との組合せを含む、請求項７に記載の方法。

【請求項9】

複数の前記標準部品の積層造形中に、複数の前記標準部品の前記物理的サンプルの選択された所定位置で前記熱プロファイルを取得するステップが、
複数の前記標準部品の積層造形中に、複数の前記標準部品の前記物理的サンプルの選択された前記所定位置で２次元熱プロファイルを取得するステップと、
前記２次元熱プロファイルを、複数の前記標準部品の積層造形中に複数の前記標準部品の前記物理的サンプルの選択された前記所定位置に対応する３次元熱プロファイルに変換するステップ（５００）と
を含む、請求項１に記載の方法。

【請求項10】

前記２次元熱プロファイルを、複数の前記標準部品の積層造形中に複数の前記標準部品の前記物理的サンプルの選択された前記所定位置に対応する３次元熱プロファイルに変換するステップが、
複数の前記標準部品の積層造形中に複数のレーザ位置座標の各々に関連する１以上のピクセルを識別するステップ（５１０）と、
複数の機械軸座標の各々を１以上のボクセルに割り当てるステップ（５０８）と、
識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップ（５１２）と
を含む、請求項９に記載の方法。

【請求項11】

識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップが、
複数の前記レーザ位置座標に関連する時間データと前記機械軸座標に関連する時間データとの位置合わせに基づいて、識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップ
を含む、請求項１０に記載の方法。

【請求項12】

識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップが、
前記ボクセルそれぞれの色を、その関連する１以上の前記ピクセルの色と照合するステップ
を含む、請求項１０に記載の方法。

【請求項13】

前記方法の少なくとも一部が、コンピュータによって読み取り可能なプログラム記憶媒体に有形に具現化されている命令の１以上のプログラムを実行するメモリを有する前記コンピュータによって実施される、請求項１に記載の方法。

【請求項14】

前記所定位置が、そのような位置に見られる１以上の幾何学的特性に基づく、請求項１に記載の方法。

【請求項15】

積層造形される部品の材料特性を予測するためのシステム（１００）であって、前記システムが、
積層造形標準部品に関連する熱データを収集するための第１のデバイス（１１０）と、
前記積層造形標準部品に関連する収集された熱データに基づいて、前記積層造形される部品の材料特性を予測するための第２のデバイス（１６０）と
を備える、システム。

【請求項16】

前記第１のデバイスが、赤外線カメラ（１３２）、単波長高温計（１３４）、多波長高温計（１３６）、１以上の熱電対センサ（１３８）を有するベースプレート、及びレーザヘッド（１４０）の組合せを含む、請求項１５に記載のシステム。

【請求項17】

前記第２のデバイスが、コンピュータのプロセッサを備える、請求項１５に記載のシステム。

【請求項18】

前記積層造形される部品の材料特性を予測するための前記第２のデバイスが、前記積層造形される部品に関連する材料特性と微細構造特性との組合せを予測する、請求項１５に記載のシステム。

【請求項19】

前記積層造形される部品に関連する材料特性と微細構造特性との前記組合せが、降伏強度、引張強度、及び伸び強度の組合せを含む、請求項１８に記載のシステム。

【請求項20】

前記第２のデバイスが、前記積層造形標準部品それぞれの特定の位置に関連する温度対時間曲線に含まれる複数の形態を入力として使用して訓練された機械学習アルゴリズム（１７０）を含む、請求項１５に記載のシステム。

【請求項21】

前記機械学習アルゴリズム（１７０）が、教師あり学習アルゴリズムを含む、請求項２０に記載のシステム。

【請求項22】

前記機械学習アルゴリズム（１７０）が、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、及びサポートベクターマシンモデルのうちの選択された１つを含む、請求項２１に記載のシステム。

【請求項23】

前記積層造形標準部品それぞれに関連する収集された熱データが、その特定の前記積層造形標準部品に関連する固有の熱シグネチャ及び履歴を含む、請求項１５に記載のシステム。

【請求項24】

前記第１のデバイスが、前記積層造形標準部品に関連する熱データを収集するための１以上の赤外線カメラ（１３２）を備える、請求項１５に記載のシステム。

【請求項25】

前記積層造形標準部品それぞれに関連する前記収集された熱データが、二次元熱データから変換された三次元熱データを含む、請求項２４に記載のシステム。

【請求項26】

前記第１のデバイスが、複数の標準部品の積層造形中に、複数の前記標準部品の物理的サンプルの選択された所定位置で熱プロファイルを収集し、前記所定位置が、そのような位置に見られる１以上の幾何学的特性に基づく、請求項１５に記載のシステム。

【請求項27】

積層造形される部品の材料特性を予測するためのシステム（１００）であって、前記システムが、
積層造形標準部品に関連する熱データを収集するための１以上の赤外線カメラ（１３２）であって、各積層造形標準部品に関連する収集された熱データが、その特定の積層造形部品に関連する固有の熱シグネチャ及び履歴を含む、１以上の赤外線カメラと、
前記積層造形標準部品に関連する収集された熱データに基づいて、前記積層造形される部品に関連する材料特性と微細構造特性との組合せを予測するためのコンピュータプロセッサ（１６０）と
を備える、システム。

【請求項28】

前記積層造形標準部品それぞれに関連する前記収集された熱データが、二次元熱データと、前記二次元熱データから変換された三次元熱データとを含む、請求項２７に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、一般に、積層造形に関し、より詳細には、航空宇宙部品など、積層造形される部品の材料特性を予測するためのシステム及び方法に関する。

【背景技術】

【0002】

積層造形技術を使用して作成された物品は、材料を層ごとに追加することによって製造される。積層造形は、材料供給及び堆積プロセスに基づく製造技術である。積層造形プロセス中、熱特性は、製造される部品の様々な位置で著しく変化し得る。積層造形プロセス中の熱特性のこれらの変動は、特に部品が複雑な形状を有する場合、製造部品全体に材料特性の変動をもたらす可能性がある。

【発明の概要】

【発明が解決しようとする課題】

【0003】

既になされた進歩にもかかわらず、当業者は、様々な種類の部品を製造するために積層造形の分野における研究開発努力を継続している。

【課題を解決するための手段】

【0004】

一態様では、積層造形される部品の材料特性を予測する方法が提供される。本方法は、複数の標準部品を積層造形することと、複数の標準部品の積層造形中に、複数の標準部品の物理的サンプルの選択された所定位置で熱プロファイルを取得することと、を含む。本方法はまた、複数の標準部品の物理的サンプルの熱プロファイル及び対応する材料特性をデータベースに記憶すること、を含む。本方法は、データベースに記憶された複数の標準部品の物理的サンプルの熱プロファイル及び対応する材料特性に基づいて、積層造形される部品の材料特性を予測するために機械学習アルゴリズムを実行すること、を更に含む。

【0005】

別の態様では、積層造形される部品の材料特性を予測するためのシステムが提供される。システムは、積層造形標準部品に関連する熱データを収集するための第１のデバイスを備える。システムはまた、積層造形標準部品に関連する収集された熱データに基づいて、積層造形される部品の材料特性を予測するための第２のデバイスを備える。

【0006】

更に別の態様では、積層造形される部品の材料特性を予測するためのシステムが提供される。システムは、積層造形標準部品に関連する熱データを収集するための１以上の赤外線カメラを備える。各積層造形部品に関連する収集された熱データは、その特定の積層造形部品に関連する固有の熱シグネチャ及び履歴を含む。システムはまた、積層造形標準部品に関連する収集された熱データに基づいて、積層造形される部品に関連する材料特性及び微細構造特性の組合せを予測するためのコンピュータプロセッサを備える。

【0007】

開示したシステム及び方法の他の例については、以下の詳細な説明、添付の図面、及び添付の特許請求の範囲から明らかになるであろう。

【図面の簡単な説明】

【0008】

【図1】一実施形態による、積層造形される部品の材料特性を予測するためのシステムのブロック図である。

【図2A】標準部品が経時的に積層造形されているときに標準部品の様々な複数の位置を有する単一の選択領域を示す、標準部品のプロファイル図である。

【図2B】図２Ａで積層造形されている標準部品の対応する位置での測定温度を示す温度対時間曲線である。

【図3A】複数の所定の温度ゾーン内の経時的な各位置でサンプリングされた温度データ点を示す、図２Ａ及び図２Ｂで積層造形されている標準部品の単一の選択された領域に関する温度対時間曲線である。

【図3B】図３Ａに示す最初の５つの異なる温度ゾーンの各々における１つの位置で温度が費やされた時間量を示す表である。

【図3C】図３Ａ及び図３Ｂにおいて隣接する温度ゾーン間で算出された傾斜ラインを示す温度プロファイル図である。

【図4A】図１のシステムで使用される機械学習アルゴリズムを訓練するために、図２Ａ、図２Ｂ、図３Ａ及び図３Ｂからの情報を使用する例示的なモデリングプロセスのブロック図である。

【図4B】図４Ａのモデリングプロセスで使用される２次式を示す図である。

【図4C】図４Ｂの機械学習アルゴリズムを訓練するために使用されるすべての入力のリストの図である。

【図5A】一実施形態による、２次元ピクセルを３次元ボクセルに変換するプロセスのフロー図である。

【図5B】３次元機械軸座標と３次元格子における割り当てられたボクセルとの間の関係を示す図である。

【図5C】２次元熱画像の単一ピクセルと２次元熱画像にリンク付けされた３次元熱画像の単一ボクセルとの間の関係を示す図である。

【図5D】図５Ｃと同様の図であり、２次元熱画像の複数のピクセルと３次元熱画像の対応する複数のボクセルとの間の関係を示す図である。

【図6】一実施形態による、積層造形される部品の材料特性を予測するための方法のフロー図である。

【図7】航空機の生産及び保守点検方法のブロック図である。

【図8】航空機の概略図である。

【発明を実施するための形態】

【0009】

本出願は、積層造形される部品の材料特性を予測するためのシステム及び方法に関する。システム及びその方法の具体的な構成、ならびにシステム及び方法が実施される産業は、様々であってよい。以下の開示は、様々な実施形態の異なる形態を実施するためのいくつかの実施形態または例を提供することを理解されたい。本開示を単純化するために、構成要素及び配置の具体例を説明する。これらは単なる例であり、限定することを意図しない。

【0010】

例として、以下の開示は、航空宇宙部品などの積層造形される部品の材料特性を予測するためのシステム及び方法を説明する。システム及び方法は、軍事規則及び宇宙規制に従って相手先ブランド名製造会社（ＯＥＭ）によって実施されてもよい。開示したシステム及び方法は、多くの他の製造産業において実施され得ることが考えられる。

【0011】

図１を参照すると、一実施形態による、積層造形される部品の材料特性を予測するためのシステム１００のブロック図を示している。図１において、矢印付きの実線は、電気的接続を表し、矢印付きの破線は、熱情報の伝達を表す。システム１００は、積層造形標準部品に関連する熱データを収集するための第１のデバイス１１０を含む。第１のデバイス１１０は、様々な複数の収集サブシステムを備える。例えば、図１に示すように、５つの別々の収集サブシステム１１２，１１４，１１６，１１８，１２０を示している。

【0012】

収集サブシステム１１２は、赤外線カメラ１３２を備え、収集サブシステム１１４は、単波長高温計１３４を備え、収集サブシステム１１６は、多波長高温計１３６を備える。収集サブシステム１１８は、積層造形標準部品１０４が配置されるベースプレート１０２に熱的に結合された、１以上の熱電対センサ１３８を備える。収集サブシステム１２０は、レーザヘッド１４０を備える。第１のデバイス１１０は、赤外線カメラ１３２、単波長高温計１３４、多波長高温計１３６、１以上の熱電対センサ１３８、及びレーザヘッド１４０の組合せを備えてもよい。好ましくは、第１のデバイス１１０は、赤外線カメラ１３２と、任意選択で、単波長高温計１３４、多波長高温計１３６、１以上の熱電対センサ１３８、及びレーザヘッド１４０の組合せと、を備える。

【0013】

赤外線カメラ１３２、単波長高温計１３４、多波長高温計１３６、１以上の熱電対センサ１３８及びレーザヘッド１４０の組合せの各々は、標準部品１０４が積層造形されているときに標準部品１０４の１以上の選択された所定位置における熱変化を検出するために標準部品１０４に対して配置される。赤外線カメラ１３２、単波長高温計１３４、多波長高温計１３６、１以上の熱電対センサ１３８及びレーザヘッド１４０の組合せの各々は、対応する検出された熱変化を示す信号をそれぞれライン１３３，１３５，１３７，１３９，１４１に提供する。赤外線カメラ、単波長高温計、多波長高温計、熱電対、及びレーザヘッドの構造及び動作は周知されており、従来のものであるため、説明を省略する。

【0014】

システム１００はまた、図１に示す標準部品１０４を含む積層造形標準部品に関連する収集された熱データのデータベースに基づいて、積層造形される前の物理的部品（図示せず）の材料特性を予測するための第２のデバイス（例えば、コントローラ１６０）を含む。より具体的には、第２のデバイスは、積層造形される部品に関連する材料特性と微細構造特性との組合せを予測する。積層造形される部品に関連する材料特性及び微細構造特性の組合せは、降伏強度、引張強度、及び伸び強度の組合せを含む。これらの材料特性は単なる例である。他の材料特性も可能である。

【0015】

第２のデバイスは、内部データ記憶ユニット１６４、外部データ記憶ユニット（図示せず）、またはそれらの組合せに記憶された命令を実行する処理ユニット１６２を含むコントローラ１６０であり得る（または、含み得る）。処理ユニット１６２は、任意の種類の技術を含み得る。例えば、処理ユニット１６２は、汎用電子プロセッサを備えてもよい。他の種類のプロセッサ及び処理ユニット技術も可能である。内部データ記憶ユニット１６４、任意の種類の技術を含み得る。例えば、内部データ記憶ユニット１６４は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、ソリッドステートメモリ、またはそれらの任意の組合せを含んでもよい。他の種類のメモリ及びデータ記憶ユニット技術も可能である。

【0016】

コントローラ１６０は、任意の種類の技術を含み得るいくつかの入力／出力（Ｉ／Ｏ）デバイス１６６を更に含む。例えば、Ｉ／Ｏデバイス１６６は、キーパッド、キーボード、タッチセンシティブディスプレイスクリーン、液晶ディスプレイ（ＬＣＤ）スクリーン、マイクロフォン、スピーカー、またはそれらの任意の組合せを備え得る。他の種類のＩ／Ｏデバイス及び技術も可能である。

【0017】

本開示の一態様によれば、機械学習アルゴリズム１７０、及び多くの積層造形標準部品（例えば、図１に示す標準部品１０４）から収集された熱データを記憶するデータベース１７２が、データ記憶ユニット１６４に記憶される。特に、多くの積層造形標準部品から収集され、データベース１７２に記憶された熱データに基づいて、処理ユニット１６２は、積層造形される前の物理的部品の材料特性を予測するために、機械学習アルゴリズム１７０に含まれる命令を実行する。多くの積層造形標準部品からの熱データの収集、及び機械学習アルゴリズム１７０の訓練は、以下で詳細に説明する。

【0018】

コントローラ１６０は、赤外線カメラ１３２、単波長高温計１３４、多波長高温計１３６、１以上の熱電対センサ１３８、及びレーザヘッド１４０からのライン１４３，１４５，１４７，１４９，１５１の信号をそれぞれ監視する。ライン１４３，１４５，１４７，１４９，１５１の信号は、赤外線カメラ１３２、単波長高温計１３４、多波長高温計１３６、１以上の熱電対センサ１３８、及びレーザヘッド１４０にそれぞれ関連する熱データを表し、収集され、データベース１７２に記憶される。収集された熱データは、図１に示す標準部品１０４を含む多くの積層造形標準部品に関連付けられる。標準部品ごとに収集されたすべての熱データは、その特定の積層造形標準部品に関連する固有の熱シグネチャ及び履歴を含む。データベース１７２は、システム１００を使用して積層造形されるすべての標準部品について、収集されたすべての熱データを含む。したがって、データベース１７２は、機械学習アルゴリズム１７０を訓練して、処理ユニット１６２がまだ積層造形される前の物理的部品の材料特性を予測することを可能にする、十分な量のデータを含む。

【0019】

機械学習アルゴリズム１７０は、教師あり学習モデルを含み得る。例えば、機械学習アルゴリズム１７０は、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、及びサポートベクターマシンモデルのうちの選択された１つを含んでもよい。

【0020】

機械学習アルゴリズム１７０を訓練する例示的な方法は、各積層造形標準部品の特定の位置に関連する、温度対時間曲線に含まれる複数の形態を入力として使用する。積層造形標準部品の各物理的サンプルの特定の位置に関連する、温度対時間曲線に含まれる複数の形態は、本明細書で説明するように、複数の温度ゾーンで費やされた１以上の時間と、温度ゾーン間の１以上の冷却率との組合せを含み得る。

【0021】

図２Ａを参照すると、標準部品１０４が経時的に積層造形されているときの標準部品１０４の様々な複数の位置を有する単一の選択領域２００を示す標準部品のプロファイル図を示している。指定された位置１、位置２、位置３、位置４、位置５、位置６、及び位置７の７つの選択された所定位置を、図２Ａに示している。標準部品１０４が製造されているとき、材料は供給されて位置１に堆積され、次いで（図２Ａを見たとき）上方に構築される。次いで、材料は、位置２、位置３、位置４、位置５、位置６、及び位置７で同様に供給され、堆積される。標準部品１０４が上方に構築されているとき、標準部品１０４は、図２Ａに示すような所望のプロファイルで製造される。

【0022】

図２Ｂを参照すると、図２Ａで積層造形されている標準部品１０４の対応する位置での測定温度を示す温度対時間曲線２１０を示している。図２Ｂに示すように、時間ｔ１で材料が供給され、位置１で堆積されると、温度は、短時間で上昇し、その後材料の供給及び堆積が位置２に向かって移動するにつれて減衰する。同様に、時間ｔ２で材料が供給され、位置２で堆積されると、温度は、短時間で上昇し、その後材料の供給及び堆積が位置３に向かって移動するにつれて減衰する。材料の供給及び堆積は、図２Ａに示すようなプロファイルで標準部品１０４が製造されるまで、それぞれ時間ｔ３、ｔ４、ｔ５、ｔ６、ｔ７で位置３、４、５、６、７で繰り返される。位置６における温度上昇は、その位置における標準部品１０４の断面領域が他の位置における断面領域よりも狭いので、他の位置における温度上昇よりも高いことに留意されたい。

【0023】

図３Ａを参照すると、図２Ａ及び図２Ｂ中で積層造形されている標準部品１０４の単一の選択領域２００についての温度対時間曲線３００を示している。特に、図３Ａは、複数の所定の温度ゾーン（すなわち、温度帯域）内の経時的な単一の選択された領域２００において位置１、２、３、４、５、６、７の各々でサンプリングされた温度データ点を示している。ＴＺ１、ＴＺ２、ＴＺ３、ＴＺ４、ＴＺ５、ＴＺ６、ＴＺ７で指定した７つの所定の温度ゾーンを、図３Ａに示している。一例として、２秒ごとに温度データ点が取り込まれる。取り込まれたときに特定の温度ゾーン（ＴＺ）内にある温度データ点は、２秒の間そのＴＺ内にあると見なされる。説明の目的のために、図３Ａには低減した数の温度データ点のみを示していることが理解される。

【0024】

図２Ａ及び図２Ｂに示す製造された標準部品１０４の領域２００内の任意の位置は、機械学習アルゴリズム１７０などのモデルプロセスのための訓練データとして、選択され、使用され得る。説明の目的で、図１に示す機械学習アルゴリズム１７０を訓練するためのモデル入力及びモデル出力を取得する例示的な方法では、図２Ａに示す単一の選択領域２００における７つの位置１、２、３、４、５、６、７のみを説明する。

【0025】

機械学習アルゴリズム１７０のモデル出力は、標準部品１０４を物理的サンプル（例えば、引張試験片）の実験室で試験可能な小さな区分に区分けすることによって取得される。次いで、適切な実験室試験装置を使用して、各物理的サンプルの対象の材料特性（例えば、引張強度）を取得する。

【0026】

機械学習アルゴリズム１７０のモデル入力は、標準部品１０４の選択された所定位置１、２、３、４、５、６、７の各々で、図２Ａに示すようなピクセルレベルの熱データを取り込むために、赤外線カメラ１３２（図１）を使用することによって取得される。ピクセルレベルの熱データは、位置１、２、３、４、５、６、７ごとに、図３Ａに示す曲線３００などの温度対時間曲線を提供する。位置１、２、３、４、５、６、７ごとに取り込まれたピクセルレベルの熱データは、標準部品１０４の特定の位置に関連する固有の熱シグネチャ及び履歴を提供するために収集され、データベース１７２（図１）に記憶される。

【0027】

図３Ａに示す曲線３００などの各温度対時間曲線は、曲線３００の８つの形態を計算することによって要約される。次いで、８つの形態の各々は、機械学習アルゴリズム１７０へのモデル入力として使用される。図３Ａに示す曲線３００の８つの形態を取得する例示的な方法は、以下に説明するように、複数の温度ゾーンを定義し、各温度ゾーンで標準部品１０４の特定の位置で温度が費やされた時間量を計算し、次いで、温度が任意のゾーンから隣接するゾーンに移行するときの温度ゾーン間の傾斜の数を計算する、ことである。

【0028】

図３Ｂを参照すると、表３１０は、図３Ａに示す最初の５つの異なる温度ゾーンＴＺ１、ＴＺ２、ＴＺ３、ＴＺ４、ＴＺ５の各々において１つの位置の温度が費やされた時間量を示す。図３Ｂの表３１０に示すように、ＴＺ１で費やされた時間量Ｔ１は、５０秒であり、ＴＺ２で費やされた時間量Ｔ２は、１５０秒であり、ＴＺ３で費やされた時間量Ｔ３は、１７０秒であり、ＴＺ４で費やされた時間量Ｔ４は、１３０秒であり、ＴＺ５で費やされた時間量Ｔ５は、５０秒である。

【0029】

８つの形態のうちの最初の５つは、図３Ａ及び図３Ｂに示す最初の５つの温度ゾーン（すなわち、ＴＺ１、ＴＺ２、ＴＺ３、ＴＺ４、ＴＺ５）の各々で費やされた時間である。一例として、温度が１２秒の間で１６５２°Ｆから１８３２°Ｆの範囲内にある場合、ゾーン２で費やされた時間（すなわち、ＴＺ２）の値は、１２秒になる。

【0030】

図３Ｃを参照すると、温度プロファイル図３２０は、図３Ａ及び図３Ｂ内の隣接する温度ゾーン間の計算された傾斜ラインを示している。図３Ｃに示すように、ＴＺ１とＴＺ２との間の傾斜は、－０．６５５であり、ＴＺ２とＴＺ３との間の傾斜は、－０．５１９であり、ＴＺ３とＴＺ４との間の傾斜は、－０．３８２であり、ＴＺ４とＴＺ５との間の傾斜は、－０．２４６であり、ＴＺ５とＴＺ６との間の傾斜は、－２．３２８であり、ＴＺ６とＴＺ７との間の傾斜は、－１．２８９である。

【0031】

ＴＺ１とＴＺ２との間の傾斜は、ＴＺ１とＴＺ２との間の冷却率を表し、ＴＺ２とＴＺ３との間の傾斜は、ＴＺ２とＴＺ３との間の冷却率を表し、ＴＺ３とＴＺ４との間の傾斜は、ＴＺ３とＴＺ４との間の冷却率を表すことは明らかである。各温度ゾーンの境界（すなわち、ＴＺ１からＴＺ２、ＴＺ２からＴＺ３など）において、高い温度ゾーンへと２０°Ｆで始まり、低い温度ゾーンへと２０°Ｆで終わる平滑ラインの傾斜が決定される。各傾斜ラインは、各ゾーン境界の温度から＋２０°Ｆ及び２０°Ｆの温度点を接続することによって構築される（すなわち、１８３２°Ｆ、１６５２°Ｆ、１４７２°Ｆ、１２９２°Ｆ、９３２°Ｆ、５７２°Ｆ）。

【0032】

いくつかの部品位置では、ＴＺ１は、ゼロ（すなわち、その位置の温度は、ＴＺ１の境界の温度ほど高温になることはない）であり得る。この場合、ＴＺ１とＴＺ２との間の傾斜は、不定である。これにもかかわらず、何らかの値が機械学習アルゴリズム１７０に渡される必要がある。解決策は、傾斜の逆正接を使用することである。この逆正接技術を使用することにより、冷却は、０度で表されるゼロ傾斜を有さず、一方、瞬間冷却は、－９０度で表される負の無限傾斜を有する。したがって、８つの入力形態は、特定の位置の温度が最初の５つの温度ゾーンで費やされた時間（すなわち、ＴＺ１で費やされた時間、ＴＺ２で費やされた時間、ＴＺ３で費やされた時間、ＴＺ４で費やされた時間、及びＴＺ５で費やされた時間）を含む５つの形態と、ＴＺ１からＴＺ２への冷却率、ＴＺ２からＴＺ３への冷却率、及びＴＺ３からＴＺ４への冷却率を含む３つの形態と、を含む。

【0033】

図４Ａを参照すると、図１のシステム１００で使用される機械学習アルゴリズム１７０を訓練するために、図２Ａ、図２Ｂ、図３Ａ、及び図３Ｂからの情報を使用する例示的なモデリングプロセスのブロック図４００を示している。上述のように収集され、処理された熱データを使用して、部品が製造されているときのその温度プロファイルに応じて材料特性（例えば、機械的特性）を予測するために、機械学習アルゴリズム１７０を訓練する。

【0034】

機械学習アルゴリズム１７０は、図４Ａに示すような教師あり学習モデル４１０を備える。周知の教師あり学習モデルとしては、例えば、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、サポートベクターマシンなどがある。説明のために、データをモデル化するために、ノースカロライナ州ケーリーにあるJMP Statistical Discovery LLCから市販されているソフトウェアパッケージであるJMP Proに実装されている一般化線形回帰が使用される。

【0035】

図４Ｂを参照すると、図４Ａのモデリングプロセスで使用される二次式４２０を示している。二次式４２０は、一般化線形回帰モデルとして構成されるモデリングプロセスに使用される。この種類のモデリングで知られているように、以下のステップを通常実施して、モデリングのためのデータを準備する。

【0036】

まず、導出した項を追加する。回帰モデリングは、主効果に加えて相互作用効果及び二次効果を使用することが多い。主効果は、他のすべての独立変数を無視しつつ、従属変数に対する単一の独立変数（別名入力または要素）の効果である。統計的相互作用（すなわち、相互作用効果）は、従属変数に対する１つの独立変数の効果が、別の独立変数のレベルに応じて変化するときに生じる。統計的相互作用は、２つの係数を乗算することによって取り込まれる。次いで、二次効果は、各独立変数を二乗することによって取り込まれる。第２に、主効果のいくつかの自然対数が取られる。これは、出力に対して入力の線形化を助けるために行われる。

【0037】

図４Ｃを参照すると、図４Ｂの一般化線形回帰モデルに基づく機械学習アルゴリズム１７０を訓練するために使用されるすべての入力のリスト４３０を示している。第１の列「入力番号」は、参照を容易にするために入力に関連付けられた参照番号を示す。第２の列「入力のモデリング」は、入力の名前及び構成をコンパクトな形式で記述する。第３の列「入力種類」は、入力が主効果、相互作用効果、または二次効果であるか否かを記述する。第４の列「説明」は、各主効果がどのように計算されるかの詳細を示す。

【0038】

上述のアルゴリズム及びモデリング技術は、説明のための例にすぎないことが理解される。他のアルゴリズム及びモデリング技術が実施に利用可能である。

【0039】

上記の説明では、二次元（２Ｄ）熱画像（すなわち、ピクセルごとに）を分析することによって部品の材料特性を予測することについて説明したが、三次元（３Ｄ）熱画像（すなわち、ボクセルごとに）を分析して部品の材料特性を予測することも考えられる。３Ｄ熱画像は、本明細書で説明するように、２Ｄ熱画像を３Ｄ熱画像に変換することによって取得され得る。

【0040】

図５Ａを参照すると、一実施形態による、二次元ピクセルを三次元ボクセルに変換するプロセスのフロー図５００を示している。ブロック５０２において、部品（例えば、図１の標準部品１０４）の構築に関連するその時間データを含む機械軸座標が取得される。機械軸座標は、標準部品を構築するために使用されるコンピュータ数値制御（ＣＮＣ）機械などの機械からのものであってもよい。ブロック５０４において、そのレーザ位置座標（すなわち、図１のレーザヘッド１４０から）を含む赤外線ビデオフレーム（すなわち、２Ｄピクセル表現）、及び標準部品の構築中の熱データの取り込み（すなわち、収集）に関連する時間データが、取得される。次いで、プロセスはブロック５０６に進み、機械軸座標に関連する時間データ、及び赤外線ビデオフレームに関連する時間データが、位置合わせされ、照合される。

【0041】

次に、ブロック５０８において、赤外線ビデオフレームに関連する機械軸座標ごとに、１以上のボクセルが、特定の機械軸座標に関連付けられるように割り当てられる。図５Ｂは、三次元機械軸座標と、三次元格子における割り当てられたボクセルとの関係を示す図５３０である。図５Ｂに示すように、左グリッド上の各機械軸座標（点として示す）は、右グリッド上の１以上のボクセル（立方体積として示す）に割り当てられる。

【0042】

また、図５Ａのブロック５１０において、標準部品の構築中にそのレーザ位置座標に関連する１以上のピクセルが、識別される。プロセスは、ブロック５１２に進み、ブロック５０８からの割り当てられた１以上のボクセル、及びブロック５１０からの識別された１以上のピクセルが、リンク付けされる。図５Ｃは、左グリッド上の二次元熱画像の単一ピクセル１１と、右グリッド上の三次元熱画像の単一ボクセル２１との関係を示す図５４０である。単一ピクセル１１及び単一ボクセル２１は、リンク付けされる。

【0043】

プロセスは、図５Ａのブロック５１４に進み、ブロック５１２からのリンク付けされたピクセル及びボクセルが、（例えば、図１に示すデータ記憶ユニット１６４に）ログ記録され、記憶される。ブロック５１６に示すように、各ボクセルの色は、その関連する１以上のピクセルの色と照合される（すなわち、割り当てられる）。その結果、ブロック５０４に戻って、取得された赤外線ビデオフレームの２Ｄピクセル表現の３Ｄボクセル表現が得られる。ピクセルの特定の色は、標準部品の構築中に熱データが取り込まれているときのそのピクセル位置における温度レベルを示す。２Ｄピクセル表現に含まれる熱データは、３Ｄボクセル表現で再構成されている。

【0044】

次に、ブロック５１８において、３Ｄボクセル表現に変換される別の２Ｄ赤外線ビデオフレームが存在するか否かに関する決定が行われる。ブロックの決定が肯定である（すなわち、変換される別の２Ｄ赤外線ビデオフレームが存在する）場合、プロセスは、ブロック５０４に戻り、処理される次の２Ｄ赤外線ビデオフレーム上で上述したブロックのプロセスを繰り返す。図５Ｄは、図５Ｃと同様の図５５０であり、二次元熱画像の複数のピクセルと、三次元熱画像の対応する複数のボクセルとの関係を示す。図５Ｄでは、４つの追加のピクセル１２、１３、１４、１５及び図５Ｃのピクセル１１を、左グリッド上の二次元熱画像上に示している。２Ｄ左グリッド上の４つのピクセル１２、１３、１４、１５は、３Ｄ右グリッド上の４つのボクセル２２、２３、２４、２５にそれぞれリンク付けされる。一方、ブロックの決定が否定である（すなわち、変換される他の２Ｄ赤外線ビデオフレームがない）場合、プロセスは終了する。

【0045】

ピクセル表現の２Ｄ熱画像をボクセル表現の３Ｄ熱画像に変換することによって、関連する３Ｄ熱データを使用して、機械学習アルゴリズム（上述のものなど）を訓練し、まだ積層造形される前の物理的部品の材料特性の予測を可能にする。これは、積層造形される部品が複雑な３Ｄ形状を有する場合に特に有利である。複雑な３Ｄ形状を有する部品は、部品の積層造形中に複雑な熱挙動になる傾向がある。

【0046】

更に、多くの２Ｄ熱画像を取り込み、包括的な熱シグネチャ及び積層造形標準部品の履歴を取得し得る多くの３Ｄ熱画像を提供するために、２つ以上の赤外線カメラを使用し得ることが考えられる。例えば、３つの赤外線カメラを使用して、１つの赤外線カメラについて上述したのと同じ方法で３Ｄ熱画像に変換され得る２Ｄ熱画像を取り込んでもよい。

【0047】

図６を参照すると、一実施形態による、積層造形される部品の材料特性を予測するための方法のブロック図６００を示している。ブロック６１０において、様々な幾何学的特性を有し得る複数の標準部品が積層造形される。プロセスはブロック６２０に進み、標準部品の物理的サンプルの選択された所定位置における熱プロファイルが、標準部品の積層造形中に取得される。次に、ブロック６３０において、積層造形標準部品の物理的サンプルの熱プロファイル及び対応する材料特性が、データベースに記憶される。プロセスはブロック６４０に進み、データベースに記憶された積層造形標準部品の物理的サンプルの熱プロファイル及び対応する材料特性に基づいて、積層造形される部品の材料特性を予測するために、機械学習アルゴリズムが実行される。そして、プロセスは終了する。

【0048】

いくつかの実施形態では、本方法は、データベース内の積層造形標準部品の物理的サンプルの熱プロファイルに関連する材料特性を決定すること、を更に含む。いくつかの実施形態では、物理的サンプルの機械的特性と微細構造特性の組合せを決定する。

【0049】

いくつかの実施形態では、本方法は、各物理的サンプルに関連する固有の熱シグネチャ及び履歴を提供するために、データベース内の物理的サンプルの機械的特性及び微細構造特性の組合せを編成すること、を更に含む。

【0050】

いくつかの実施形態では、機械学習アルゴリズムは、教師あり学習アルゴリズムを含む。いくつかの実施形態では、教師あり学習アルゴリズムは、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、及びサポートベクターマシンモデルのうちの選択された１つを含む。

【0051】

いくつかの実施形態では、機械学習ベースのアルゴリズムは、複数の標準部品の各物理的サンプルの特定の位置に関連する温度対時間曲線に含まれる複数の形態を入力として使用して訓練されている。いくつかの実施形態では、複数の標準部品の各物理的サンプルの特定の位置に関連する温度対時間曲線に含まれる複数の形態は、複数の温度ゾーンで費やされた１以上の時間と、温度ゾーン間の１以上の冷却率との組合せを含む。

【0052】

いくつかの実施形態では、複数の標準部品の積層造形中の標準部品の物理的サンプルの選択された所定位置における２次元熱プロファイルが取得され、２次元熱プロファイルは、複数の標準部品の積層造形中の複数の標準部品の物理的サンプルの選択された所定位置に対応する３次元熱プロファイルに変換される。いくつかの実施形態では、複数の標準部品の積層造形中の複数のレーザ位置座標の各々に関連する１以上のピクセルが識別され、複数の機械軸座標の各々を用いて１以上のボクセルが割り当てられ、識別された１以上のピクセル、及び割り当てられた１以上のボクセルが、リンク付けされる。いくつかの実施形態では、識別された１以上のピクセル及び割り当てられた１以上のボクセルは、複数のレーザ位置座標に関連する時間データと、機械軸座標に関連する時間データとの位置合わせに基づいてリンク付けされる。いくつかの実施形態では、各ボクセルの色は、その関連する１以上のピクセルの色と照合される。

【0053】

いくつかの実施形態では、方法の少なくとも一部が、コンピュータによって読み取り可能なプログラム記憶媒体に有形に具現化されている命令の１以上のプログラムを実行するメモリを有するコンピュータによって実施される。

【0054】

いくつかの実施形態では、所定位置は、そのような位置に見られる１以上の幾何学的特性に基づく。

【0055】

いくつかの実施形態では、航空宇宙部品は、開示した方法に従って製造される。

【0056】

本明細書に開示するシステム及び方法は、いくつかの利点を提供する。１つの利点は、赤外線カメラ１３２（図１）によってピクセルごとに（またはボクセルごとに）取得された固有の熱シグネチャ及び履歴に基づいて、積層造形部品の材料品質を検証するための品質評価ツールを提供することである。多くの標準部品の全履歴マップが提供される。このように、品質評価ツールは、複雑な形状を有する部品の材料品質を検証するときの使用に特に有利である。

【0057】

別の利点は、任意のデバイス（例えば、すべて図１に示している単波長高温計１３４、多波長高温計１３６、及び熱電対センサ１３８）の出力が、赤外線カメラ１３２によって検出された熱データを裏付けることである。その結果、赤外線カメラ１３２によって取り込まれた高品質の熱データが得られる。

【0058】

更に別の利点は、積層造形され得る仮想部品の材料特性を予測し得ることである。これにより、設計者及びエンジニアは、積層造形され得る仮想部品の「仮想設計及び試験」を行うために、実験的な熱履歴の代わりに、またはそれと併せて、熱履歴をシミュレーションし得る。これにより、設計者及びエンジニアは、設計された部品を構築及び試験する必要なく、部品形状設計を迅速に反復し得る。その結果、設計時、新規の部品の設計－構築－試験サイクルにおけるコスト削減、ならびに必要に応じて、既存の部品の材料品質分析におけるコスト削減が、得られる。

【0059】

本開示の例は、図７に示すように航空機の製造及び保守点検方法１１００、及び図８に示すように航空機１１０２の文脈で説明している。試作中、航空機の製造及び保守点検方法１１００は、航空機１１０２の仕様及び設計１１０４と、材料調達１１０６と、を含み得る。生産中、航空機１１０２の構成要素／サブアセンブリ製造１１０８及びシステム統合１１１０が行われる。その後、航空機１１０２は、就航中１１１４の段階にするために認証及び搬送１１１２を経ることがある。顧客による就航中に、航空機１１０２は、定期的な整備及び保守点検１１１６が予定されており、これにはまた、修正、再構成、改修などを含んでもよい。

【0060】

方法１１００のプロセスは各々、システムインテグレータ、第三者、及び／またはオペレータ（例えば顧客）によって実施または実行されてもよい。この説明の適用上、システムインテグレータは、任意の数の航空機製造者と主要なシステム下請け業者とを限定することなく含んでもよく、第三者は、任意の数のベンダ、下請け業者及びサプライヤを限定することなく含んでもよく、オペレータは、航空会社、リース会社、軍(military entity)、サービス組織などであってもよい。

【0061】

図８に示すように、例示的な方法１１００によって生産された航空機１１０２は、複数のシステム１１２０と、内部１１２２と、を有する機体１１１８を含み得る。複数のシステム１１２０の例は、推進システム１１２４、電気システム１１２６、油圧システム１１２８、及び環境システム１１３０のうちの１以上を含んでもよい。任意の数の他のシステムを含んでもよい。

【0062】

開示したシステム及び方法は、航空機の製造及び保守点検方法１１００のうちの任意の１以上の段階の間に採用され得る。一例として、構成要素／サブアセンブリ製造１１０８、システム統合１１１０、ならびに／あるいは整備及び保守点検１１１６に対応する構成要素またはサブアセンブリは、開示したシステム及び方法を使用して組み立てられてもよい。別の例として、機体１１１８は、開示したシステム及び方法を使用して構成されてもよい。また、１以上のシステム例、方法例、またはそれらの組合せは、例えば、機体１１１８及び／または内部１１２２など、航空機１１０２の組立を実質的に促進するかまたはコストを削減することによって、構成要素／サブアセンブリ製造１１０８及び／またはシステム統合１１１０の間に利用されてもよい。同様に、１以上のシステム例、方法例、あるいはそれらの組合せは、航空機１１０２が就航中である間に、例えば、限定ではないが整備及び保守点検１１１６に利用されてもよい。

【0063】

本明細書に開示したシステム及び方法の異なる例は、様々な構成要素、形態、及び機能を含む。本明細書に開示したシステム及び方法の様々な例は、本明細書に開示したシステム及び方法の他の例のいずれかの構成要素、形態、及び機能のいずれかを任意の組合せで含んでもよく、また、このような可能性のすべては、本開示の範囲内にあることを意図されていることが理解されるべきである。

【0064】

コントローラが動作ステップを実施することを可能にするためのプログラム命令は、コントローラの内部のメモリに埋め込まれてもよい。代替的に、または追加的に、プログラム命令は、コントローラの外部のメモリに記憶されてもよい。一例として、プログラム命令は、ビークルの異なる電子コントロラユニットの内部のメモリに記憶されてもよい。プログラム命令は、外部ハードドライブ、フラッシュドライブ、及びコンパクトディスクを含むがこれらに限定されない任意の種類のプログラム記憶媒体に記憶されてもよい。プログラム命令は、特定の電子コントローラユニットの形態に応じて再プログラムされてもよい。

【0065】

開示した実施形態の態様は、ソフトウェア、ハードウェア、ファームウェア、またはそれらの組合せにおいて実施され得る。様々な要素は、個別にまたは組み合わせて、コンピュータプロセッサによる実行のために機械可読記憶デバイスに有形に具現化されたコンピュータプログラム製品として実装されてもよい。実施形態の様々なステップは、コンピュータ可読媒体上に有形に具現化されたプログラムを実行するコンピュータプロセッサによって実施されて、入力に対して動作し出力を生成することによって機能を実施し得る。コンピュータ可読媒体は、例えば、開示した実施形態の態様を具現化するコンピュータプログラムをコンピュータにロードし得るように、メモリ、コンパクトディスクなどの可搬媒体、またはフラッシュドライブであってもよい。

【0066】

上述のシステム及び方法は、航空機に関して説明している。しかし、当業者は、開示したシステム及び方法が様々な用途に適しており、本開示が航空機製造用途に限定されないことを容易に認識するであろう。例えば、開示したシステム及び方法は、例えば、ヘリコプター、客船、自動車、海洋製品（ボート、モーターなど）を含む様々な種類のビークルにおいて実施されてもよい。ビークル以外の用途も考えられる。

【0067】

また、上記の説明は、軍事及び宇宙規制に従って航空産業において積層造形される航空宇宙部品（例えば、航空機部品）の材料特性を予測するためのシステム及び方法を説明しているが、システム及び方法は、適用可能な産業規格に従って任意の産業において積層造形される部品の材料特性の予測を容易にするために実施され得ることが企図される。特定のシステム及び方法は、特定の用途に応じて選択され、調整され得る。

【0068】

更に、開示した実施形態の様々な態様を示し、説明してきたが、明細書を読むと当業者には改変が想起され得る。本出願はそのような改変を含み、特許請求の範囲によってのみ限定される。

【0069】

［付記項１］
積層造形される部品の材料特性を予測するための方法であって、前記方法が、
複数の標準部品を積層造形するステップと、
複数の前記標準部品の積層造形中に、複数の前記標準部品の物理的サンプルの選択された所定位置で熱プロファイルを取得するステップと、
複数の前記標準部品の前記物理的サンプルの前記熱プロファイル及び対応する材料特性をデータベースに記憶するステップと、
前記データベースに記憶された複数の前記標準部品の前記物理的サンプルの前記熱プロファイル及び対応する材料特性に基づいて、前記積層造形される部品の材料特性を予測するために機械学習アルゴリズムを実行するステップと
を含む、方法。
［付記項２］
前記データベース内の複数の前記標準部品の前記物理的サンプルの前記熱プロファイルに関連する材料特性を決定するステップ
を更に含む、付記項１に記載の方法。
［付記項３］
前記データベース内の複数の前記標準部品の前記物理的サンプルの前記熱プロファイルに関連する材料特性を決定するステップが、
前記物理的サンプルの機械的特性と微細構造特性との組合せを決定するステップ
を含む、付記項２に記載の方法。
［付記項４］
前記物理的サンプルそれぞれに関連する固有の熱シグネチャ及び履歴を提供するために、前記データベース内の前記物理的サンプルの機械的特性及び微細構造特性の前記組合せを編成するステップ
を更に含む、付記項３に記載の方法。
［付記項５］
前記機械学習アルゴリズムが、教師あり学習アルゴリズムを含む、付記項１に記載の方法。
［付記項６］
前記教師あり学習アルゴリズムが、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、及びサポートベクターマシンモデルのうちの選択された１つを含む、付記項５に記載の方法。
［付記項７］
前記機械学習アルゴリズムが、複数の前記標準部品の各物理的サンプルの特定の位置に関連する、温度対時間曲線に含まれる複数の形態を入力として使用して訓練されている、付記項１に記載の方法。
［付記項８］
複数の前記標準部品の各物理的サンプルの特定の位置に関連する、温度対時間曲線に含まれる複数の前記形態が、複数の温度ゾーンで費やされた１以上の時間と、温度ゾーン間の１以上の冷却率との組合せを含む、付記項７に記載の方法。
［付記項９］
複数の前記標準部品の積層造形中に、複数の前記標準部品の物理的サンプルの選択された所定位置で熱プロファイルを取得するステップが、
複数の前記標準部品の積層造形中に、複数の前記標準部品の物理的サンプルの選択された前記所定位置で２次元熱プロファイルを取得するステップと、
前記２次元熱プロファイルを、複数の前記標準部品の積層造形中に複数の前記標準部品の物理的サンプルの選択された前記所定位置に対応する３次元熱プロファイルに変換するステップと
を含む、付記項１に記載の方法。
［付記項１０］
前記２次元熱プロファイルを、複数の前記標準部品の積層造形中に複数の前記標準部品の物理的サンプルの選択された前記所定位置に対応する３次元熱プロファイルに変換するステップが、
複数の前記標準部品の積層造形中に複数のレーザ位置座標の各々に関連する１以上のピクセルを識別するステップと、
複数の機械軸座標の各々を１以上のボクセルに割り当てるステップと、
識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップと
を含む、付記項９に記載の方法。
［付記項１１］
識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップが、
複数の前記レーザ位置座標に関連する時間データと前記機械軸座標に関連する時間データとの位置合わせに基づいて、識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップ
を含む、付記項１０に記載の方法。
［付記項１２］
識別された１以上の前記ピクセルと割り当てられた１以上の前記ボクセルとをリンク付けするステップが、
各ボクセルの色を、その関連する１以上のピクセルの色と照合するステップ
を含む、付記項１０に記載の方法。
［付記項１３］
前記方法の少なくとも一部が、コンピュータによって読み取り可能なプログラム記憶媒体に有形に具現化されている命令の１以上のプログラムを実行するメモリを有する前記コンピュータによって実施される、付記項１に記載の方法。
［付記項１４］
前記所定位置が、そのような位置に見られる１以上の幾何学的特性に基づく、付記項１に記載の方法。
［付記項１５］
付記項１に記載の方法に従って製造された航空宇宙部品。
［付記項１６］
積層造形される部品の材料特性を予測するためのシステムであって、前記システムが、
積層造形標準部品に関連する熱データを収集するための第１のデバイスと、
前記積層造形標準部品に関連する収集された熱データに基づいて、前記積層造形される部品の材料特性を予測するための第２のデバイスと
を備える、システム。
［付記項１７］
前記第１のデバイスが、赤外線カメラ、単波長高温計、多波長高温計、１以上の熱電対センサを有するベースプレート、及びレーザヘッドの組合せを含む、付記項１６に記載のシステム。
［付記項１８］
前記第２のデバイスが、コンピュータのプロセッサを備える、付記項１６に記載のシステム。
［付記項１９］
前記積層造形される部品の材料特性を予測するための前記第２のデバイスが、前記積層造形される部品に関連する材料特性と微細構造特性との組合せを予測する、付記項１６に記載のシステム。
［付記項２０］
前記積層造形される部品に関連する材料特性と微細構造特性との前記組合せが、降伏強度、引張強度、及び伸び強度の組合せを含む、付記項１９に記載のシステム。
［付記項２１］
前記第２のデバイスが、各積層造形標準部品の特定の位置に関連する温度対時間曲線に含まれる複数の形態を入力として使用して訓練された機械学習アルゴリズムを含む、付記項１６に記載のシステム。
［付記項２２］
前記機械学習アルゴリズムが、教師あり学習アルゴリズムを含む、付記項２１に記載のシステム。
［付記項２３］
前記機械学習アルゴリズムが、一般化線形回帰モデル、ニューラルネットワークモデル、ガウス過程モデル、及びサポートベクターマシンモデルのうちの選択された１つを含む、付記項２２に記載のシステム。
［付記項２４］
各積層造形標準部品に関連する収集された熱データが、その特定の積層造形標準部品に関連する固有の熱シグネチャ及び履歴を含む、付記項１６に記載のシステム。
［付記項２５］
前記第１のデバイスが、積層造形標準部品に関連する熱データを収集するための１以上の赤外線カメラを備える、付記項１６に記載のシステム。
［付記項２６］
各積層造形標準部品に関連する前記収集された熱データが、二次元熱データから変換された三次元熱データを含む、付記項２５に記載のシステム。
［付記項２７］
前記第１のデバイスが、複数の標準部品の積層造形中に、複数の前記標準部品の物理的サンプルの選択された所定位置で熱プロファイルを収集し、前記所定位置が、そのような位置に見られる１以上の幾何学的特性に基づく、付記項１６に記載のシステム。
［付記項２８］
付記項１６に記載のシステムを使用して製造された航空宇宙部品。
［付記項２９］
積層造形される部品の材料特性を予測するためのシステムであって、前記システムが、
積層造形標準部品に関連する熱データを収集するための１以上の赤外線カメラであって、各積層造形標準部品に関連する収集された熱データが、その特定の積層造形部品に関連する固有の熱シグネチャ及び履歴を含む、１以上の赤外線カメラと、
前記積層造形標準部品に関連する収集された熱データに基づいて、前記積層造形される部品に関連する材料特性と微細構造特性との組合せを予測するためのコンピュータプロセッサと
を備える、システム。
［付記項３０］
各積層造形標準部品に関連する前記収集された熱データが、二次元熱データと、前記二次元熱データから変換された三次元熱データとを含む、付記項２９に記載のシステム。

【符号の説明】

【0070】

１ 位置、２ 位置、３ 位置、４ 位置、５ 位置、６ 位置、７ 位置、１１ 単一ピクセル、１２ ピクセル、１３ ピクセル、１４ ピクセル、１５ ピクセル、２１ 単一ボクセル、２２ ボクセル、２３ ボクセル、２４ ボクセル、２５ ボクセル、１００ システム、１０２ ベースプレート、１０４ 標準部品、１１０ 第１のデバイス、１１２ 収集サブシステム、１１４ 収集サブシステム、１１６ 収集サブシステム、１１８ 収集サブシステム、１２０ 収集サブシステム、１３２ 赤外線カメラ、１３３ ライン、１３４ 単波長高温計、１３５ ライン、１３６ 多波長高温計、１３７ ライン、１３８ 熱電対センサ、１３９ ライン、１４０ レーザヘッド、１４１ ライン、１４３ ライン、１４５ ライン、１４７ ライン、１４９ ライン、１５１ ライン、１６０ コントローラ、１６２ 処理ユニット、１６４ 内部データ記憶ユニット、１６６ 入力／出力（Ｉ／Ｏ）デバイス、１７０ 機械学習アルゴリズム、１７２ データベース、２００ 単一の選択領域、２１０ 温度対時間曲線、３００ 温度対時間曲線、３１０ 表、３２０ 温度プロファイル図、４１０ 教師あり学習モデル、４２０ 二次式、４３０ リスト、１１００ 保守点検方法、１１０２ 航空機、１１０４ 仕様及び設計、１１０６ 材料調達、１１０８ 構成要素／サブアセンブリ製造、１１１０ システム統合、１１１２ 認証及び搬送、１１１４ 就航中、１１１６ 整備及び保守点検、１１１８ 機体、１１２０ 複数のシステム、１１２２ 内部、１１２４ 推進システム、１１２６ 電気システム、１１２８ 油圧システム、１１３０ 環境システム

【図1】

【図2A】

【図2B】

【図3A】

【図3B】

【図3C】

【図4A】

【図4B】

【図4C】

【図5A】

【図5B】

【図5C】

【図5D】

【図6】

【図7】

【図8】

【外国語明細書】