基于虚拟数据和真实数据的机器学习
阅读说明：本技术 基于虚拟数据和真实数据的机器学习 (Machine learning based on virtual and real data ) 是由 A·J·M·范德威登 毕婧 萨布汉姆·塞特 于 2020-04-23 设计创作，主要内容包括：一种方法,包括：采用基于计算机的软件来模拟过程,以生成关于所述过程的虚拟数据；识别出用于所述过程的真实世界版本的过程参数；提供真实世界传感器以感测与所述过程的所述真实世界版本相关联的参数；在所述真实世界版本被执行时,从所述真实世界传感器接收传感器读数；以及训练机器学习软件模型以基于关于所述过程的虚拟数据、所述过程参数和所述传感器读数来预测所述真实世界传感器的性能。(A method, comprising: simulating a process using computer-based software to generate virtual data about the process; identifying process parameters for a real-world version of the process; providing a real-world sensor to sense a parameter associated with the real-world version of the process; receiving sensor readings from the real-world sensor while the real-world version is executed; and training a machine learning software model to predict performance of the real-world sensor based on the virtual data about the process, the process parameters, and the sensor readings.)
相关申请的交叉引用
本申请要求于2019年4月23日递交、题为“基于V+R数据的机器学习服 务(MACHINELEARNING SERVICE BASED ON V+R DATA)”的美国临时专 利申请62/837,452的优先权权益，并且要求于2019年4月23日递交、题为“具 有用于选择性激光熔化打印参数优化的快速特征生成的机器学习(MACHINE LEARNING WITH FAST FEATURE GENERATION FORSELECTIVE LASER MELTING PRINT PARAMETERS OPTIMIZATION)”的美国临时专利申请 62/838,114的优先权权益。这些在先申请所公开的全部内容通过引用并入本文。
技术领域
本申请涉及机器学习，并且更具体地，涉及基于虚拟数据和真实数据的机 器学习。
背景技术
在硬件上，传感器值被用于控制(例如，飞行器飞行控制或制造控制)。如 今，网络物理控制系统通常使用虚拟模型来进行设计。因此，重要的是精确预 测传感器值。此外，制造业受到在早期(例如，首次)就生产出质量可接受的 产品零件的挑战。
特别是，与增材制造过程相关联的复杂性包括大量的打印参数和发生在不 同尺度下的快速演进物理特性，比如，熔池级别处的材料相变和多孔性，以及 零件级别的失真和残余应力发展。通常，使用物理模拟以预测所有质量度量的 成本高。
发明内容
本在一个方面，一种方法包括：采用基于计算机的软件来模拟过程，以生 成关于所述过程的虚拟数据；识别出用于所述过程的真实世界版本的过程参数； 提供真实世界传感器以感测与所述过程的所述真实世界版本相关联的参数；在 所述真实世界版本被执行时，从所述真实世界传感器接收传感器读数；以及训 练机器学习软件模型以基于关于所述过程的虚拟数据、所述过程参数和所述传 感器读数来预测所述真实世界传感器的性能。在典型的实施方式中，训练技术 包括监督训练。
在另一个方面，一种系统，包括：计算机；被配置成执行过程的一个或多 个机器；至少一个真实世界传感器，用以感测过程的性能参数；以及机器学习 软件模型。所述计算机包括：至少一个基于计算机的处理器；以及基于计算机 的存储器，存储有计算机可执行指令，当计算机可执行指令被基于计算机的处 理器执行时，使得基于计算机的处理器模拟过程以生成关于所述过程的虚拟数 据。所述一个或多个机器被配置成基于与所述过程相关联的过程参数，执行所 述过程的真实世界版本。所述真实世界传感器感测与所述过程的真实世界版本 相关联的参数(特征)。机器学习软件模型被训练成基于以下各项来预测所述真 实世界传感器的性能：关于所述过程的虚拟数据、所述过程参数、以及在所述 过程的真实世界版本中来自所述真实世界传感器的传感器读数。
在某些实施方式中，存在以下优势中的一个或多个。
例如，高度准确的传感器预测成为可能。此外，在无需采用第一原则对传 感器的具体工作进行建模的情况下并且在无需进行广泛校准努力的情况下，就 可实现预测。能够高效地实现高度准确的传感器预测。一经训练，预测模型可 用于各种方式，包括：用来优化机器过程参数、用来检测传感器异常、和/或支 持后续系统模拟。
此外，特别是在某些实施方式中，本发明所公开的技术提供了对传感器性 能的快速训练和快速预测。这在可用时间受限但却需要准确度和精确度的情况 下尤其有用。
此外，在某些实施方式中，本发明所公开的系统和技术提供了易于使用的 工具，该工具可帮助快速获得任何新设计零件的打印质量。此外，在某些实施 方式中，在不涉及复杂模拟分析以对复杂过程进行建模的情况下，借助于本发 明所公开的系统和技术以直接生成机器可读格式的优化机器参数，使得能够得 到例如优化的打印参数。
通过说明书、附图和权利要求，其他特征和优势将变得清楚。
附图说明
图1是包括利用关于过程的真实数据和虚拟数据来训练机器学习软件模型 106以能够在过程的真实版本中预测传感器的行为的方法的示意图。
图2是图1所示方法的更详细表示的示意图。
图3是示例性三维(3D)打印机的示意性剖视图。
图4是图2中表示的方法的特定于3D打印环境的实施方式的示意图。
图5示出了具有不同几何形状的计算机辅助设计(CAD)模型的几个示例。
图6至图9示出了作为Dassault Systèmes SE提供的
图10示出了在3D打印机中正在打印零件的粉末床的俯视图以及激光工具 将沿着矩形打印层中的粉末床的上表面行进的路径的示意图。
图11和图12是图10的粉末床的示意图，示出了在扫描过程刚开始时(图 11中)和扫描过程即将结束时(图12中)的激光位置和关注区域圆圈。
图13示出了在训练过程中未包括基于物理学的特征的单层测试数据预测 分散图。
图14示出了在训练过程中包括基于物理学的特征的单层测试数据预测分 散图。
图15示出了在打印优化过程之前和之后对于单层的光电二极管传感器读 数的实验验证。
图16是示出机器学习和打印优化框架的示例性流程的示意图。
图17是用于在增材制造环境中逐层且实时地进行传感器预测和优化机器 参数的过程的示意图。
图18是示出传感器异常检测的示例性流程的示意图。
图19是计算机网络或类似数字处理环境的示意图。
图20是图19的计算机网络或类似数字处理环境中的示例性计算机的示意 图。
相同的参考字符表示相同的元素。
具体实施方式
本申请涉及与在由真实世界的机器或系统(以下称为“机器”)执行的过程 中预测传感器的行为有关的系统和过程。该过程可以是制造过程或使至少一个 传感器感测与该过程相关联的特征的任何其他类型的过程。机器可以是被配置 为执行该过程且包括传感器的任何机器或系统。例如，在增材制造行业中，三 维(3D)打印机通常包括光电二极管传感器，以感测3D打印机熔池处或附近 的光。光电二极管传感器测得的光水平与传递到熔池中的热量有关。3D打印工 业通常将3D打印机中由光电二极管传感器收集的数据视为已打印零件的零件 质量指标。本文公开的系统和方法可适用的过程的其他示例包括交通工具的自 动驾驶、航天器过程以及许多其他过程。
图1是如下方法的示意图，该方法包括利用关于过程的真实数据102和虚 拟数据104来训练机器学习软件模型106以能够预测过程的真实版本中的传感 器的行为。一旦经过训练，根据图1，机器学习软件模型106可以应用于各种 可能用途中的任何一种，多种可能的用途包括：例如，控制/优化机器(在108 处)以执行相同类型的过程或不同类型的过程、诊断机器和/或机器中的传感器 (在110处)、和/或在各种操作参数下仿真机器/传感器的行为或过程的各个方 面(在112处)。当然，其他用途也是可能的。此外，在一些实施方式中，机器 学习软件模型106可以在被继续训练的同时用于这些过程中的一个或多个。在 那些情况下，继续训练将继续发展机器学习软件模型106，以甚至更好地预测 传感器行为。
在典型的实施方式中，本文公开的系统和方法(例如，如图1中示意性所 示)导致高度准确的传感器预测。此外，在某些实施方式中，可以非常迅速地 做出这些预测，这在有限的时间可用于机器学习软件模型106的广泛训练的情 况下尤其重要。在这些情况下，尽管在实时过程期间有限的时间可用也可以实 现高精度的预测。这使得本文公开的系统和方法在多种不同的应用中非常有价 值。
被利用来训练机器学习软件模型106的真实数据102可以是来自过程的真 实世界版本的任何类型的数据。对于真实数据102，存在有多种可能的来源。
真实数据102的一种可能来源是传感器的真实世界版本，机器学习软件模 型106正在学习预测该传感器的行为。通常，这种真实世界的传感器将部署在 运行的机器中，以感测由机器在执行所讨论的过程时所产生的一个或多个条件。 例如，在诸如3D打印的增材制造设置中，机器学习软件模型106可以进行训 练，以预测3D打印机中的光电二极管传感器的行为，该光电传感器被配置为 感测3D打印机中的光(作为被传递到整备打印的对象中的热能的指示器)。在 那些实施方式中，真实数据可以包括在3D打印过程期间由光电二极管传感器 收集的实际数据。
真实数据102的另一个可能的来源是真实机器上用于实现过程的的过程参 数或设置。在上述3D打印示例中，过程参数可以包括3D打印机上与以下中的 一项或多项相关的信息或设置：激光曝光时间、点对点距离、激光功率、激光 速度以及包括轮廓和阴影线/填充图案、径向步距、偏移、方向和顺序等的激光 策略。某些过程参数或机器设置可能与训练机器学习软件模型106以预测3D 打印机示例中的光电二极管传感器的行为有关，这是因为它们会影响被传递到 被打印零件中的热量。在3D打印环境或其他类型的过程中的其他过程参数也 可以是相关的。
真实数据102也可以来自其他来源。
用于训练机器学习软件模型106的虚拟数据104通常来自对所讨论的过程 或机器的一个或多个方面的仿真或虚拟建模。
产生虚拟数据104的仿真通常由基于计算机的仿真器来执行并且可以相对 简单或精炼。越简单的仿真往往越快，这在某些情况下可能是理想的，但包含 的细节较少。复杂而精炼的仿真提供了有关物理现象相互作用的更多细节，但 往往会花费更多时间。通常，仿真方法应适合于特定情况的要求。
例如，在相对简单的仿真中，仿真器可以基于容易获得的过程信息例如上 面提到的过程参数中的一个或多个来以一个或多个基于物理学的特征(例如， 与所讨论过程的基础物理学相关的特征)的形式来计算虚拟数据104。基于物 理学的特征通常无法直接测量，并且可能无法通过物理传感器以精确的方式容 易地测量。适用于3D打印环境的基于物理学的特征的一些示例包括在特定时 间窗内被引入正被打印的零件的能量的某种度量，以及对零件的通过热传导耗 散所引入的能量的能力的某种度量。
可以通过复杂的基于计算机的仿真器执行更复杂的仿真，例如粉末床制造 和增材制造方案软件应用程序，其是Dassault Systèmes SE的
在一些实施方式中，虚拟数据104可以包括基于物理学的特征和来自更复 杂的基于计算机的仿真器的信息的组合。
真实数据102和虚拟数据104通常被收集在例如基于计算机的存储器中， 并与训练机器学习软件模型106一起使用以能够预测在各种操作条件下针对各 种计算机辅助设计(CAD)模型的传感器(例如，3D打印机中的光电二极管传 感器)的真实行为。
图2是图1所示方法的更详细表示的示意图。
图2中表示的方法包括利用关于过程的真实数据(以机器过程参数102a和 真实传感器数据102b的形式)和虚拟数据104两者来训练机器学习软件模型 106，以能够预测(在214处)真实传感器在过程的真实版本中的行为。
该方法包括提供机器过程参数102a和/或模型数据(在216处)以便于对 过程的仿真(在218处)以生成虚拟数据104。作为示例，模型数据可以是要 通过3D打印过程制造的产品的计算机辅助设计(CAD)模型。但是，模型数 据实际上可以是与可以用于帮助仿真过程的真实世界过程有关的任何其他信息 集合。通常，如果要仿真的过程将包括对过程参数进行操作的机器，则也可以 将那些过程参数102a提供到仿真(在218处)中。在一些实施方式中，可以仅 基于机器过程参数来执行仿真(在218处)。
所示方法还包括执行真实过程(在220处)。提供传感器以感测过程的某些 特征。在这方面，传感器可以被部署在用于执行过程或过程的某些方面的机器 内部。因此，执行过程(在220处)产生以真实传感器数据102b的形式的更多 真实数据。
将通过仿真(在218处)产生的真实数据(包括机器过程参数102a和真实 传感器数据102b)和虚拟数据104馈送到机器学习软件模型106中，以将机器 学习软件模型106训练为能够预测传感器的行为。
一旦经过训练，根据所示的实施方式，机器学习软件模型106预测真实传 感器值。机器学习软件模型106可以基于真实数据102(不同于真实传感器数 据，因为真实传感器数据将无法用于尚未发生的过程)和/或虚拟数据104的任 何组合做出这些预测。在这方面，机器学习软件模型106的行为类似于传递函 数，该传递函数为模型和机器或过程输入的任何可能的组合建模传感器行为。
当然，本文公开的技术可应用于多种可能的应用。一种这样的应用是增材 制造，例如3D打印。3D打印的性质是，可能没有足够的时间来进行对机器学 习软件模型106的广泛培训或对3D打印过程、3D打印机和/或3D过程中的光 电二极管传感器的精确物理学特征进行仿真/建模。
图3是示例性3D打印机322的示意性截面图。
图示的3D打印机322通常被配置为从计算机辅助设计(CAD)数据一次 生成一层功能工程组件(零件)。在典型的实施方式中，3D打印机322通过使 用遵循从CAD模型得出的工具路径的能量源(例如，激光、电子束、电弧等) 熔化材料原料(例如，粉末、金属丝等)来以分层的方式生产一定数量的材料。
在所示实施方式中的3D打印机322包括：壳体324，其限定了一对内部缸 体；构建平台326，其相对于壳体324在缸体中的第一缸体中以垂直活塞状方 式可移动；在缸体中的在第二缸体中以垂直活塞状方式移动的新粉末储料平台 328；以及粉末辊330。在典型的实施方式中，在操作期间，新粉末储料平台328 将新粉末储料332向上推，构建平台326沿向下方向移动，并且粉末辊330将 新粉末从新粉末储料上滚离粉末床331。
所示的实施方式中的3D打印机具有热源334，其可以是激光器、电子束源 等。在操作期间，热源334移动穿过粉末床的顶部以将热能(例如，以激光束) 引导到粉末床的不同部分上以熔化粉末床各部分中的粉末的上层。来自热源的 热量在穿过粉末床移动时熔化粉末。在激光通过粉末床上的特定点之后，熔化 的粉末冷却并固化为固体(非粉末)形式，从而形成了正在打印的零件的一部 分。所示的实施方式中的3D打印机在粉末床上的激光传送点附近还具有光电 二极管传感器336。光电二极管传感器336被配置为感测光强度(作为在每个 时间点由热源334传递到粉末床中的热能的指示器)。更确切地说，在典型的实施方式中，光电二极管传感器包括传递进的能量、材料吸收率、传导、辐射、 气流、光反射等的组合效果。
图4是图2中表示的方法的特定于3D打印环境的实施方式的示意图。尽 管特定于3D打印环境，但是图4中表示的方法可以容易地应用于可能受益于 快速训练和快速预测的各种应用程序。
图4中表示的方法包括利用真实数据(以机器过程参数402a和光电二极管 传感器数据402b的形式)和虚拟数据两者来训练机器学习软件模型406以能够 预测(在414处)光电二极管传感器336的真实行为。所图示的实施方式中的 虚拟数据包含基于物理学的特征404a，其表示在特定时间窗内被引入到正被打 印的零件的能量，以及系统经由热传导耗散被引入的能量的能力。有多种可能 的方式来生成(在403处)这些基于物理学的特征。在典型的实施方式中，基 于物理学的特征由在基于计算机的处理器上执行的软件生成(在403处)，并且 可以基于各种输入中的任何一个或多个。这些输入可以包括例如3D打印机的 机器处理参数402a和/或来自高分辨率机器工具路径404b的信息。所示实施方 式中的机器工具路径404b由粉末床制造仿真器418基于要制造的零件的CAD 模型416生成。
因此，图4中表示的过程包括生成要由3D打印机打印的某些几何形状(例 如，零件)的CAD模型416。图。图5示出了具有在CAD模型中表示的不同 几何形状的CAD模型501、503、505、507、509、511、513和515的几个示例。 这些几何形状被示出在3D打印机的虚拟构建平台517上方的图中。
图4中表示的过程包括确定用于3D打印机以构建零件的机器处理参数(在 402a处)。
存在可以确定机器处理参数402a的多种方式。在一些实施方式中，技术人 员将查看零件的几何形状，并基于经验来使用一组机器参数(例如，用于激光 阴影线扫描的均匀激光功率、阴影线扫描之间的距离等)。然后，技术人员可以 在粉末床制造418应用程序中将参数输入到真实机器(即真实的3D打印机) 或虚拟机器(即3D打印机/光电二极管传感器的虚拟仿真)中。真实机器将生 成机器控件以相应地构建零件，或者虚拟机将生成用于虚拟打印仿真的机器工 具路径。通常会检查从机器出来的真实零件的质量，如有必要，可以基于检查 来调整机器设置，然后再次打印零件。此反复试验过程可能会继续进行，直到 达到可接受的质量水平。在虚拟方面，工程师可以检查虚拟零件，并根据需要 在粉末床制造应用程序418中调整设置。
图6和图7示出了粉末床制造应用程序(418)的屏幕截图，该屏幕截图使 用户能够输入用于特定印刷过程的各种机器过程参数。
更具体地，所示出的屏幕截图使用户能够指定用于打印过程的全局参数(在 图6中)，组成策略(在图7中)以及识别扫描路径顺序(未在单独的图中示出)。
图6的屏幕截图中的全局参数页面使用户能够指定或输入扫描路径规则的 名称，并标识用于打印的切片步长(以毫米为单位)。屏幕截图使用户能够指定 包括最小表层宽度、层数在内的上表层(upskin)信息，并能够通过上表层来 限制核心。同样，屏幕截图使用户能够指定包括最小的皮肤宽度、层数的下表 层(downskin)信息，并能够通过下表层来限制核心。
在图7的屏幕截图中组成策略页面使得用户能够指定区域类型、轮廓信息、 填充信息、定义参数和包括XY策略信息的策略信息。轮廓信息包括深度、定 义、周期性、开始、范围和动作信息。填充信息包括深度、定义、周期性、开 始、范围和动作信息。定义参数包括扫描规则。策略信息包括填充模式、切片 之间的角度旋转、阴影线方向、径向步长以及与上一轮廓的偏移。
扫描路径顺序页面通常包括为扫描路径顺序(例如轮廓，阴影等)创建的 定义的列表。
再次参考图4，基于提供的信息(基于CAD模型和/或机器过程参数)；图 4中的粉末床制造应用程序(在418处)生成高分辨率机器工具路径404b。由 粉末床制造应用程序(在418处)产生的该高分辨率机器工具路径404b信息的 示例在图8和图9中示出。图8和图9是由粉末床制造应用程序418产生的示 例性屏幕截图，其示出了关于由应用程序418针对构建平台上的立方零件的阵 列生成的详细工具/机器路径404b的信息。这些屏幕截图中的箭头和线条表示 激光头的行进方向和路径。
图8中的屏幕截图包括具有用于打印零件的激光扫描路径的三维视觉表示 的像场811。图8中的屏幕截图还包括位于屏幕右侧的第一用户菜单813，该菜 单向用户提供对粉末床制造向导功能的访问，粉末床制造向导功能包括与机器、 构建托盘、粉末、布局、支撑、扫描路径、分析和输出相关的功能。第二用户 菜单815出现在屏幕截图的底部，并向用户提供对粉末制造功能的访问，粉末 制造功能包括标准、设置、编程、分析和输出、视图、AR-VR、工具和触摸。
图9中的屏幕截图具有三维视觉表示的图像场911，其示出了用于打印零 件的激光扫描路径的一部分。图9中的屏幕截图还包括位于屏幕左侧的用户菜 单913，该用户菜单913向用户提供对各种粉末床制造功能的访问，该粉末床 制造功能与显示切片和扫描路径、轨迹以及扫描路径的类型相关。
通常，可以从高分辨率机器工具路径414(例如，在粉末床制造应用程序 环境中)访问的信息包括与由CAD模型416表示的零件的机器工具路径有关 的信息。该信息通常包括激光功率信息、激光速度信息和激光图案信息。在示 例性实施方式中，高分辨率工具路径包含激光路径、图案和状态的时间和空间 信息。在这方面，工具路径段可以如下所示：
<时刻1>,<x1>,<y1>,<z1>,<功率1>
<时刻2>,<x2>,<y2>,<z2>,<功率2>
<时刻3>,<x3>,<y3>,<z3>,<功率2>
该工具路径段信息指示出，激光应以恒定速度和恒定功率从时刻1、x1， y1，z1坐标处的点1行进到时刻2、x2，y2，z2坐标处的点2，该恒定速度等 于点1与点2之间的距离除以时刻1和时刻2之差，该恒定功率等于功率1。 然后，激光以恒定速度从时刻2、x2，y2，z2坐标处的点2行进到时刻3、x3， y3，z3坐标处的点3，该恒定速度等于点2和点3之间的距离除以时刻2和时 刻3之差，该恒定功率等于功率2，依此类推。
所示的方法还包括执行零件的一个或多个真实世界印刷(在420处)，这导 致真实世界光电二极管传感器数据402b。因此，光电二极管传感器数据402b 在一个或多个真实打印过程期间由一个或多个真实机器产生。在一些实施方式 中，为了开始机器学习过程，使用各种机器过程参数402a对一些零件进行编程 并且首先打印以产生用于训练目的的光电二极管传感器数据402b的初始集合。 数据格式将取决于特定的机器和传感器，但是在典型的实施方式中，数据格式 将至少包括时间、空间位置和传感器幅度信息。数据量通常取决于零件尺寸、 机器参数和传感器输出频率。
在所示的实施方式中，基于物理学的特征403是基于来自高分辨率机器工 具路径404b的信息来计算的。
如上所述，高分辨率机器工具路径404b指定在不同时间的激光位置、在这 些不同时间的激光功率以及在这些时间之间的激光速度。此外，在一个典型的 实施方式中，围绕激光位置(由用户指定或作为过程预设)指定关注的区域， 并将其存储在基于计算机的内存中。关注区域的大小和形状可以根据不同的应 用而变化。然而，在典型的实施方式中，关注区域将是被打印的粉末床/零件的 上表面上的圆形区域，其具有与光电二极管传感器被配置用于感测的粉末床/ 零件的被打印的部分相同(+/-10％)的尺寸。因此，如果光电二极管传感器被 配置为感测具有4毫米直径的圆形区域，则关注区域也可以是具有4毫米直径(+/-10％)的圆形。关注区域在打印过程中在每个点处随正被打印的粉末床或 零件的表面上激光位置移动并且通常同心地围绕正被打印的粉末床或零件的表 面上的激光位置。
例如，基于上述信息，在打印过程中基于计算机的处理器可以确定由激光 器将多少能量传递到正被打印粉末床和零件的上表面，以及精确地将该能量传 递到何处达任何位置以及任何时间段。
在典型的实施方式中，基于计算机的处理器计算能量通量特征，该能量通 量特征表示在特定时间段期间有多少能量已被激光器传递到围绕激光器位置的 关注区域中。该时间段可以包括打印过程的任何部分或全部，并且可能已由用 户定义或默认设置。基于计算机的处理器可以通过积分在特定时间段内传送到 关注区域的激光功率/能量数据来计算能量通量特征。基于计算机的处理器可以 在整个打印过程中周期性地或几乎连续地和/或近实时地更新其能量通量特征 计算。
在典型的实施方式中，基于计算机的处理器还计算有效的传导特征，该传 到特征提供对粉末床和/或零件在特定时间点消散由激光传递的能量的能力的 度量。在示例性实施方式中，基于计算机的处理器通过计算在特定时间段内未 被激光器扫描的关注区域内的面积(例如，以平方毫米为单位)来计算该有效 传导特征。基于计算机的处理器可以更新其有效传导特征计算以与其能量通量 特征计算中的更新一致。因此，它们可以在整个打印过程中被周期性地更新， 或者几乎连续地和/或几乎实时地被更新。
例如，通过参照图10至图12可以进一步理解基于物理学的特征计算中的 环境中的能量通量和有效传导的概念。
图10为示出了在3D打印机中(例如，图3中的3D打印机322)中正在 打印零件的粉末床1351的俯视图，以及激光工具将沿着矩形打印层中的粉末床 的上表面行进的路径的示意图。
如点划线所示的外部矩形1350表示当前层零件的边界。点划线内的两个实 心矩形1352表示两个轮廓线的激光路径。轮廓线边界内的实线和虚线表示填充 激光器工具的路径。具体地，轮廓线边界内的实线1354表示截至特定时间点激 光器已经扫描过的区域内的面积，并且轮廓线边界内的虚线1356表示激光器截 至特定时间点激光器尚未扫描的区域内的面积。图10的中心附近的点1358表 示激光器的扫描过程期间在特定时间点的激光位置。围绕黑点的圆圈1360表示 用于计算基于物理学的特征404a(例如，能量通量特征和有效传导特征)的关 注区域。该关注区域本质上为正被打印的粉末床/零件的区域内的面积，而该区 域内的面积被认为与计算上述基于物理学的特征这一目的相关。
在典型的实施方式中，零件在当前层所处的边界(外侧点划线1350)可以 基于正被打印的零件的尺寸和/或粉末床328的尺寸。两个轮廓线激光路径(实 心矩形线1352)以及填充激光器工具的路径(轮廓线边界内的实线1354和虚 线1356)为高分辨率机器工具路径404b的函数。在某些实施方式中，关注区 域1360的尺寸和形状与光电二极管传感器336被配置为用于感测的粉末床328 上表面上的区域相同(+/-10％)。在一个示例性实施方式中，光电二极管传感器 336被配置为用于感测正被打印的粉末床328/零件的上表面上直径约为4毫米 的圆形区域内的面积。在那些实施方式中，可以将标识出关注区域的圆圈的直径设置为大约4毫米(+/-10％)。在某些实施方式中，该圆圈的尺寸可能根据 一个或多个因素(例如，激光器334穿过粉末床328的速度等)而改变。在某 些实现中，该圆圈的尺寸也可能由用户来指定(例如，在使得用户能够与基于 物理学的特征生成过程进行交互的基于计算机的界面处)。在典型的实施方式 中，当激光器在粉末床表面上移动时，关注区域圆圈也将随之在粉末床表面上 移动，使得在粉末床表面上移动的激光位置点1358始终处在关注区域圆圈1360 内的居中位置。
关注区域圆圈1360内较粗的实线1362表示关注区域圆圈1360内在特定时 间段内已经被激光器扫描过的那些区域内的面积。而且这些较粗的实线1362 标识出了关注区域圆圈1360内的面积，而这些面积被认为与计算由点1358所 示的激光位置所对应的能量通量特征这一目的相关。
关注区域圆圈1360内较窄的实线1364标识出已经被激光器扫描过的区域 内的面积，但是这些面积与计算所指示的激光位置1358的能量通量特征这一目 的无关。而之所以认为这些较窄的实线所标识出的区域内的面积在这方面并不 相关的原因之一可能为：那些扫描发生在被认为与能量通量计算相关的特定时 间段以外。本质上，如果在对某一特定区域进行激光扫描之后经过了足够长的 时间，则该区域的能量耗散将足够大，因此在计算能量通量特征时该区域内的 面积可以被忽略不计。
关注区域圆圈1360内的虚线1366标识出了尚未被激光器扫描的区域内的 面积。而这些面积(由虚线1366所标识出的)被认为与计算所指示的激光位置 1358的能量通量特征这一目的无关。而之所以它们被认为与能量通量特征的计 算无关，是因为激光能量尚未被传递至这些区域。但是，这些区域内的面积被 认为与计算有效传导特征相关。并且进一步地，这些区域内的面积被认为与计 算有效传导特征相关，因为这些区域尚未接收到激光能量的直接传递。如此一 来，这些区域1366比最近被扫描的区域1362要温度要低得多，并且因此，这 些区域1366通过热传导为来自区域1362的热量/能量提供逸出路径。在某些实施方式中，区域1364也可以被包括在有效传导的计算之中，因为如果经过了充 分冷却，该区域1364则也可以通过热传导为来自区域1362的热量/能量提供逸 出路径。通常，如果区域1366(以及区域1364)较大，则将会产生较强的散热 能力；通常，如果区域1366(以及区域1364)较小，则将则将会产生较弱的散 热能力。
基于计算机的处理器可以通过多种方式来计算有效传导特征。在一个这样 的示例中，基于计算机的处理器将会从整个关注区域1360的面积中减去区域 1362的面积。在另一个这样的示例中，基于计算机的处理器将计算区域1366 的面积。在再一个这样的示例中，基于计算机的处理器将区域1366的面积和区 域1364的面积相加。在某些实施方式中，可以直接根据高分辨率机器工具路径 404b所提供的信息进行这些计算。
图11和图12为图10中的粉末床1351的示意图，其示出了在扫描过程刚 开始时(图11中)和扫描过程即将结束时(图12中)附近的激光位置1358和 关注区域圆圈1360。
这些附图有助于说明以下数点。首先，在整个打印过程中，关注区域圆圈 1360始终与激光位置1358一同移动，并且保持圆形1360处于居中的位置。其 次，即使该激光靠近正在被创建的零件的几何边界，上文中所讨论的对基于物 理学的特征的计算也是适用并且准确的。图11中的粗线表示用于计算未被扫描 区域的积分路径，而该未被扫描区域为关注区域中相对较大的部分(即，特征 尺寸局部斑块)。图12中的粗线表示用于计算未被扫描区域的积分路径，而该 未被扫描区域为圆圈中相对较小的部分。因此，基于物理学的特征(即，能量 通量特征和有效传导特征)将会自动合并几何边界效应，从而消除了将几何特征设计到机器学习过程中的需求，而满足这一需求可能是极其复杂和困难的。
其他用于计算基于物理学的特征的各种技术或方法也是可能的。然而，一 般而言，即使没有大量的仿真或建模，也可以快速且容易地计算这些基于物理 学的特征404a。此外，这些特征对于能使机器学***台提供的虚拟机器数据)，就可以轻松实现和采用这些 方法，并且由于这些方法相对简单和高效，所以它们通常可被扩展为零件级别的预测。
再次参考图4，基于物理学的特征404a(即，一个或多个能量通量特征和 一个或多个有效传导特征)与机器过程参数402a和真实世界光电二极管传感器 数据402b一起被提供给机器学习软件模型406，来训练机器学习软件模型406 以能够预测光电二极管传感器的值414。
在某些实施方式中，尤其是那些特别关注训练速度和/或预测速度的实施方 式中，前述的基于物理学的特征(即，能量通量特征和有效传导特征)可以为 用于训练机器学习软件模型406的虚拟数据的唯一形式。在那些情况下，被提 供给机器学习软件模型406的所有其余训练数据可以为真实数据(例如，3D打 印机的机器过程参数402a和/或真实光电二极管传感器数据402b)。在某些实施 方式中，尤其是在没有严格限制可用时间的情况下，可能还需要用其他虚拟数 据来补充训练。
已经发现了可以非常迅速地产生由这些基于物理学的特定特征(即，能量 通量特征和有效传导特征)所表示的现象，并且这些现象在训练机器学习软件 模型406以精确地预测出在各种操作条件下的光电二极管传感器336的行为方 面非常有效。而且，即使这些特征是训练过程中所使用的唯一的虚拟数据类型， 而所有其他训练数据都为真实数据，也可以获得高精度。
一旦经过训练，根据所示的实施方式，机器学习软件模型406能够预测(在 414)真实光电二极管传感器的行为。
已经发现了与仅使用真实数据训练的机器学习软件模型相比，使用具有基 于物理学的特征(除了真实数据以外)所训练的机器学习软件模型可以产生更 准确的传感器预测。在这方面，图13示出了仅基于机器过程参数和光电二极管 传感器数据的单层测试数据预测分散图，并且图14示出了基于机器过程参数、 光电二极管传感器数据、基于物理学的特征和CAD模型的单层测试数据预测 分散图。当包含了基于物理学的特征和CAD模型时，这些图在精度上显示出 了显着的提高。
随后可以使用经训练的机器学习软件模型来为任何给定零件提供物理传感 器数据的快速预测，以指导机器操作员得出更好的机器设置；或者用于优化整 个零件的目标传感器信号的机器参数，从而能够减少反复试错，实现了合适的 打印效果。例如，基于所给定CAD几何形状的机器过程参数的初始设置，上 述方法可用于生成基于物理学的特征，并与真实数据(例如，初始机器过程参 数)组合以训练机器学习软件模型预测出整个零件的传感器读数。然后，可以 使用例如基于灵敏度的优化方法，反复得出包含有最佳3d激光功率或整个零件 的激光速度场的最佳机器过程参数。
图15示出了在依赖于这种方法的打印优化过程之前和之后对于单层的光 电二极管传感器读数的实验验证。具有初始机器过程参数的光电二极管传感器 旧读数和具有最佳机器过程参数的光电二极管传感器新读数均被标记。结果表 明，通过打印优化，可以将光电二极管传感器优化为非常接近于目标水平，从 而防止零件在打印过程中过热或欠热，并且显著地减少了成功进行构建所需的 反复试错。
图16为示出了机器学习和打印优化框架的示例性流程的示意图。在图示的 实施方式中，首先定义训练数据集(在1970处)。进行物理实验以记录机器设 置和传感器数据。利用这些零件的所建议的方法，创建相关的基于物理学的特 征(在1972处)。然后将数据用于训练预测性机器学习软件模型。给定新的零 件CAD模型(在1974处)和机器操作限制，然后针对目标传感器输出优化机 器设置(在1976处)。机器可读文件格式被生成并被发送至硬件(在1978处)， 以便首次以目标零件质量进行打印。随着更多零件被打印以及作为其他训练数 据而增加的数据，机器学习软件模型可以持续受到训练，并且随着更多零件的 打印，机器学习模型的准确性也将会随之提高。
一旦机器学习软件模型经过训练，可以将经训练的机器学习软件模型、基 于物理学的特征生成以及优化方法与一台或多台增材制造机器结合使用，以在 逐层基础上实时地进行传感器预测并优化机器参数。图17示出了这种过程的示 例性实施方式。
图17表示的过程包括将CAD模型导入机器并设置初始机器参数(在2080 处)并且为第一层部署优化(在2082处)。通常，使用机器参数和所生成的基 于物理学的特征，根据机器学习预测完成对第一打印层的优化。然后(在2084 处)，机器使用优化后的参数打印第一层。而在构建第一层的同时，系统为第 二层部署优化(在2086处)。然后(在2088处)，机器使用优化后的参数打印 第二层。而在构建第二层的同时，系统为第三层部署优化(在2090处)。这一 过程将持续到最后一层并且直至完成最后一层的构建为止(在2092处)。
图18为在许多方面均类似于图16所示的示意图。在图18中，首先定义传 感器和操作条件数据(在2170处)。进行物理实验以记录机器设置和传感器数 据。创建仿真数据(在2172处)。然后使用这些数据训练预测性机器学习软件 模型。然后，使用机器学习软件模型进行服务中的传感器预测(在2174处)。 接下来，系统确定(在2176处)是否存在传感器异常(即，实际传感器读数是 否与预测传感器读数相差足够的量)。在典型的实施方式中，系统(例如，系统 中基于计算机的处理器)可以接收实际传感器读数，并将该实际传感器读数与相应的预测传感器读数进行比较，然后，如果两者之间的差异超过某个阈值(例 如1％、5％、10％等)，则会发出警告(在2178处)。在某些实施方式中，阈 值可以由用户所定义。在某些实施方式中，阈值可以为预设的阈值。警告可以 采取各种不同形式中的任何一种形式，包括例如发送给操作员的消息，该消息 中可带有声光元素或触觉元素等。在某些实施方式中，警告可以伴随着打印过 程的暂停。并且其他警告和关联操作也是可能的。
图19示出了本发明中可以被实现的实施例中的计算机网络或类似数字处 理环境。
客户端计算机/设备50和服务器计算机60提供执行应用程序等的处理、存 储和输入/输出设备。客户端计算机/设备50还可以通过通信网络70连被接到其 他计算设备，包括其他客户端设备/进程50和服务器计算机60。通信网络70 可以为以下各项的部分：远程接入网络、全球网络(例如因特网)、云计算服务 器或服务、世界性的计算机集合、局域网或广域网、以及当前使用各个协议 (TCP/IP、蓝牙等)进行彼此通信的网关。其他电子设备/计算机网络架构也适 用。
图20为图3的计算机系统中的计算机(例如，客户端处理器/设备50或服 务器计算机60)的内部结构图。每个计算机50、60均包含系统总线79，其中 总线为用于在计算机或处理系统的组件之间进行数据传输的一组硬件线路。总 线79本质上为连接了计算机系统的不同元件(例如，处理器、磁盘存储器、存 储器、输入/输出端口、网络端口等)的共享通道，其使得能够在元件之间传递 信息。I/O设备接口82被附接至系统总线79，以用于将各种输入和输出设备(例 如，键盘、鼠标、显示器、打印机、扬声器等)连接到计算机50、60。网络接口86使得计算机能够连接到被附接至网络(例如，图3的网络70)的各种其 他设备。存储器90为用于实现本发明的实施例的计算机软件指令92和数据94 (例如，上面在图1和2中详述的代码)提供易失性存储。存储器可以包括一 个或多个基于计算机的存储器存储设备的任意组合，而这些存储设备可以同在 本地或是分布式的。磁盘存储器95为用于实现本发明的实施例的计算机软件指 令92和数据94提供非易失性存储。中央处理器单元(CentralProcessor Unit， CPU)84也被附接至系统总线79，并用于执行计算机指令。在典型的实施方式 中，本发明所公开的由基于计算机的处理器等执行的技术也可以由以下各项所 执行：CPU 84、或处理器的某种组合，而这些处理器可以同在本地或是分布式 的。
在一个实施例中，处理器例程92和数据94为计算机程序产品(通常被引 用为92)，其包括为本发明系统提供至少部分软件指令的计算机可读介质(诸 如一个或多个高密度只读光盘(Digital Video Disk-Read Only Memory， DVD-ROM)、只读光盘驱动器(CompactDisc Read-Only Memory，CD-ROM)、 磁盘、磁带等可移动存储介质)。计算机程序产品92可以通过任何合适的软件 安装过程来安装，而这在本领域中是众所周知的。在另一实施例中，还可以通 过电缆、通信和/或无线连接来下载至少部分软件指令。在其他实施例中，本发 明的程序为计算机程序传播信号产品107，其具体为在传播介质(例如，无线 电波、红外线、激光波、声波、或在诸如因特网或的全球网络或其他网络上传 播的电波)上的传播信号。这种载波介质或信号提供至少部分用于本发明例程/ 程序92的软件指令。在可选实施例中，所传播的信号为在传播介质上携带的仿 真载波或数字信号。例如，所传播的信号可以为在全球网络(例如，因特网)、 电信网络或其他网络上传播的数字化信号。在一个实施例中，所传播的信号为 在一段时间内通过传播介质传输的信号，诸如在毫秒、秒、分钟或更长的时间 内通过网络以分组形式所发送的用于软件应用程序的指令。在另一个实施例中，计算机程序产品92的计算机可读介质为计算机系统50可以接收和读取的传播 介质，例如通过接收传播介质并且识别出如上文所述的用于计算机程序传播信 号产品的传播介质中所包含的传播信号。一般而言，术语“载波介质”或瞬态 载波包括前述的瞬态信号、传播信号、传播介质、存储介质等。在其它实施例 中，程序产品92可被实现为所谓的软件即服务(Software as a Service，SaaS) 或其它支持终端用户的安装或通信。
与单纯使用实验数据相比，虚拟仿真数据可以提供更多有关于系统的物理 信息。例如，仿真不仅可以告知传感器安装位置的温度，还可以告知系统中各 处的温度；传感器受到了设备操作的限制，例如可能受到测量范围的限制或受 操作零件的限制，然而仿真数据始终为可以访问的；仿真提供了额外的物理量， 例如热辐射、应力、应变等，这些物理量无法通过实验进行实际测量，但是却 对于预测系统结果至关重要。本发明提出了一种基于虚拟仿真和真实 (Virtual+Real，V+R)数据的机器学习服务。仿真数据包括高保真物理仿真模 型(包括但不限于有限元建模)和数据，以及由从机器学习过程获得或验证的 特征重要性和智能性开发而来的降阶或一阶模型和数据。真实数据包括：设计 参数、几何结构、材料、制造设置等真实参数，这些参数是在不了解建模和仿 真的情况下均为已知的。
已经描述了本发明的多个实施例。然而，应当理解的是，在不脱离本发明 的精神和范围的情况下可以对所描述的实施例做出各种修改。
例如，本发明所公开的系统和方法可被应用于包括所有类型的制造过程(包 括增材制造过程和其他非制造过程)的广泛过程。一旦经过训练，机器学习软 件模型可被应用于关注过程中的各种不同目的，例如预测、诊断、仿真等。
训练机器学习软件所使用的真实数据和虚拟数据的特定组合可能会存在很 大的差异。在大多数情况下，可以根据特定过程中涉及的实际考虑，量身定制 训练方法。例如，如果处于时间紧迫情况下，本文所公开的基于物理学的特征 可以为训练过程中使用的唯一(或几乎唯一)虚拟数据。然而，当具有更多可 用时间的情况下，也可以使用其他形式的虚拟数据。并且，还可以使用各种类 型的真实数据。
几乎可以使用任何类型的计算机辅助绘图应用程序来生成CAD模型，并 且该CAD模型可以非常详细，也可以并不非常详细。同样地，可以使用多种 不同的仿真应用中的任何一种或其组合来生成仿真。机器过程可以为包括一个 或多个机器的过程，所述的一个或多个机器可以串行、并行或其组合的方式工 作。待预测的传感器可以为任何类型的传感器，例如，用于光学、光、成像、 光子、声学、声音、振动、汽车、化学、电流、电势、磁性、无线电、环境、 天气、湿度、流量、流体速度、电离辐射、亚原子粒子、导航、位置、角度、 位移、距离、速度、加速度、压力、力、密度、水平、热、热量、温度、接近 度、存在、速度等。
机器学习软件模型可以为在基于计算机的环境中可训练和可执行的任何类 型的机器学习软件模型。
本文所公开的优化过程可以包括通过比较各种解决方案直至找出最佳或令 人满意的解决方案来进行迭代执行的任何类型的过程。经训练的机器学习软件 模型有助于优化，因为其在每次迭代时都将即时的传感器预测反馈至优化器， 从而减少了实现特定程度的优化目标所需的总时间。
本文所公开的3D打印机只是3D打印机器的一个示例。许多变型均为可能 的。在本文中与3D打印机特别相关地进行讨论的传感器为光电二极管传感器。 但是，其他传感器也是可能的。
本申请公开了粉末床制造应用程序，并将其作为可以生成高分辨率机器工 具路径的应用程序的示例。但是，其他工具也可能能够生成机器工具路径。
该应用程序重点关注的基于物理学的特征包括能量通量特征和有效传导特 征。在各种实施方式中，也可以计算其他基于物理学的特征并将其用于训练机 器学习软件模型。
此外，尽管本说明书包含了许多特定实施方式的细节，但是这些均不应被 解释为对任何发明或可要求保护的范围的限制，而仅仅为对特定发明的特定实 施例的特定特征的描述。在本说明书单个实施例的上下文中所描述的某些特征 也可以在包括有这一单个实施例的组合中得以实现。相对地，在本说明书单个 实施例的上下文中所描述的各种特征也可以分别在多个实施例中或在其任何合 适的子组合中得以实现。而且，尽管上文中的特征描述可能被描述为在某些组 合中起作用，甚至最初可能为如此声称的，但是在某些情况下，也可以从组合 中切除一个所要求保护的组合中的一个或多个特征，并且所要求保护的组合可 以针对子组合或子组合的变型。
类似地，尽管本文所公开的操作是以特定顺序发生，但是不应将其理解为 需要以所示的特定顺序或以顺序执行此类操作，或者需要执行所有表示的操作 以获得理想的结果。
其他实施方式均在本申请权利要求的保护范围内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：用于深覆合人群的个性化口内支架