[发明专利]在增材制造系统中利用机器学习的缺陷识别

说明书

一种增材制造系统，包括被布置成将金属粉末层分布在构建平面上的设备以及被布置成在构建平面处发射能量束并将金属粉末熔合成部件的一部分的电源。该系统包括处理器，该处理器被配置成将能量束引导跨越构建平面并接收由一个或多个传感器生成的数据，所述传感器检测当能量束熔合金属粉末时从构建平面发射的电磁能量。所接收的数据被转换成一个或多个参数，所述一个或多个参数指示当能量束熔合金属粉末时在构建平面处的一个或多个条件。一个或多个参数被用作机器学习算法的输入，以检测熔合金属粉末中的一个或多个缺陷。

相关申请的交叉引用

本申请要求于2020年8月7日提交的美国临时专利申请号为63/062,949的名为“在增材制造系统中利用机器学习的缺陷识别(DEFECT IDENTIFICATION USING MACHINELEARNING IN AN ADDITIVE MANUFACTURING SYSTEM)”以及要求于2021年7月30日提交的美国非临时专利申请号为17/390,034的名为“在增材制造系统中利用机器学习的缺陷识别(DEFECT IDENTIFICATION USING MACHINE LEARNING IN AN ADDITIVE MANUFACTURINGSYSTEM)”的优先权，这两件美国专利申请的全部内容通过引用并入本文，以用于所有目的。

背景技术

增材制造或通过材料增材和施加能量的组合对部件进行顺序组装或构建具有多种形式，并且目前以多种实施方案和实施例而存在。可以通过利用涉及形成任意形状的3D部件的多种方法中的任何一种来实现增材制造。用于制造金属部件的各种方法具有这样的共性：利用一个或多个高功率能量源(例如激光或电子束)来逐层地烧结和/或熔合粉末或粒状原料。成品部件中产生的缺陷可能由多个源引起，并且这些缺陷可能难以跟踪和/或检测。缺陷将会导致成品部件的材料性能下降，从而导致过早失效。需要利用增材制造系统来检测并表征部件中的缺陷的新方法。

发明内容

本公开的一些实施例涉及采用机器学习来检测并识别在制造过程期间所发生的不同类型的过程缺陷的增材制造系统。一些实施例涉及用已知缺陷部件来训练机器学习算法的方法。其它实施例涉及训练机器学习算法以将一种类型的缺陷与其它类型的缺陷进行区分的方法。

在一些实施例中，一种增材制造系统，包括设备、电源和处理器。所述设备被布置成将金属粉末层分布在构建平面上。所述电源被布置成在构建平面处发射能量束并将金属粉末熔合成部件的一部分。处理器被配置成：将能量束引导跨越构建平面并且接收由一个或多个传感器生成的数据，所述传感器检测当能量束熔合金属粉末时从构建平面发射的电磁能量。处理器将所接收的数据转换成一个或多个参数，所述一个或多个参数指示当能量束熔合金属粉末时在构建平面处的一个或多个条件，并且将该一个或多个参数用作机器学习算法的输入，以检测所熔合的金属粉末中的一个或多个缺陷。

在一些实施例中，机器学习算法还配置成确定一个或多个缺陷的类型。在各个实施例中，所述一个或多个缺陷的类型包括未熔合缺陷、孔隙缺陷或夹杂物缺陷。在一些实施例中，所述一个或多个参数包括确定热发射密度(TED)以及确定在所述一个或多个扫描期间遍历的构建平面的区域，所述热发射密度包括测量在一个或多个扫描期间从构建平面辐射的能量的量。在各个实施例中，所述一个或多个参数包括TEP，所述TEP包括识别与一批粉末的材料特性相关联的谱峰，并选择第一波长和与所述第一波长间隔开的第二波长，以及基于以所述第一波长辐射的能量与以所述第二波长辐射的能量的比来确定从所述构建平面辐射的能量的量。

在一些实施例中，机器学习算法包括基于已知缺陷部件的一个或多个训练参数。在各个实施例中，一个或多个训练参数包括空隙。在一些实施例中，一个或多个训练参数包括夹杂物。在各个实施例中，一个或多个传感器包括轴上光电检测器。

在一些实施例中，一种增材制造系统包括：被布置成熔合金属粉末的能量源、被布置成检测在金属粉末的熔合期间发射的电磁能量的传感器、以及从传感器接收数据并使用经训练的机器学习算法来检测所熔合的金属粉末中的缺陷的处理器。