用于分类、报告和调整增材制造机群的行为变化的系统和方法
| 专利类型 | 发明公开 | 法律事件 | 公开; 实质审查; |
| 专利有效性 | 实质审查 | 当前状态 | 实质审查 |
| 申请号 | CN202411566904.0 | 申请日 | 2024-11-05 |
| 公开(公告)号 | CN119927250A | 公开(公告)日 | 2025-05-06 |
| 申请人 | 通用电气公司; 通用电气阿维奥有限责任公司; | 申请人类型 | 企业 |
| 发明人 | 斯里坎斯·雷迪·坦卡亚加里; 克劳迪亚·斯基帕尼; V·S·S·斯里瓦萨·本那达; 查德·R·福斯特; | 第一发明人 | 斯里坎斯·雷迪·坦卡亚加里 |
| 权利人 | 通用电气公司,通用电气阿维奥有限责任公司 | 权利人类型 | 企业 |
| 当前权利人 | 通用电气公司,通用电气阿维奥有限责任公司 | 当前权利人类型 | 企业 |
| 省份 | 当前专利权人所在省份： | 城市 | 当前专利权人所在城市： |
| 具体地址 | 当前专利权人所在详细地址：美国俄亥俄州 | 邮编 | 当前专利权人邮编： |
| 主IPC国际分类 | B22F12/90 | 所有IPC国际分类 | B22F12/90 ; B33Y30/00 ; G06F18/24 ; G06N20/00 ; G05B19/418 ; G05B19/4097 ; G05B19/406 ; G05B19/404 |
| 专利引用数量 | 0 | 专利被引用数量 | 0 |
| 专利权利要求数量 | 10 | 专利文献类型 | A |
| 专利代理机构 | 上海华诚知识产权代理有限公司 | 专利代理人 | 陈海琴; |
| 摘要 | 公开了用于跨 增材制造 机器对构建进行分类和调整的设备和相关方法。示例设备包括学习器 电路 ，用于：处理来自一组第一构建的第一数据以学习行为；将每个构建分类为标准构建或非标准构建；对所学习的行为进行建模以形成标准参考行为和非标准参考行为，所述标准参考行为包括第一特征，所述非标准参考行为包括第二特征；并输出标准参考行为和非标准参考行为以对附加构建进行分类。该设备包括评估器电路，用于：摄取第二构建的第二数据；将第二数据与标准参考行为和非标准参考行为进行比较处理；将第二构建分类为标准构建或非标准构建；并且，当第二构建被分类为非标准 构建时 ，输出校正动作。 | ||
| 权利要求 | 1.一种设备，其特征在于，包括： |
||
| 说明书全文 | 用于分类、报告和调整增材制造机群的行为变化的系统和方法 [0001] 相关申请的交叉引用 技术领域[0003] 本公开涉及用于监测增材制造装置的系统和方法，并且更具体地，涉及用于监测、分析和调整构建级与群级增材制造机器以及相关联处理的系统和方法。 背景技术[0004] 在增材制造处理(诸如熔化粉末层以制造物品)中，在诊断中止或失败的构建、或识别增材制造装置的性能问题方面存在一些挑战。具体地，专家必须手动诊断构建或装置，这需要大量的时间和人力。另外，查找增材制造装置的故障的根本原因是困难且耗时的过程，这在构建期间或多或少是不可能的。即使在构建之间，可靠性和可重复性也是客户的期望。未能满足该期望，使得单个增材制造机器以及一群这样的增材制造机器往好了说是无效的，往坏了说是无用的。因此，在一群增材制造机器中，对提高机器和构建的可靠性以及构建的可重复性的需求尚未得到满足。附图说明 [0005] 图1描绘了根据本文示出和描述的一个或多个示例的本公开的增材制造系统。 [0006] 图2是根据本文示出和描述的一个或多个示例的示例系统的框图。 [0007] 图3描绘了根据本文示出和描述的一个或多个示例的增材制造系统的控制部件的各种内部部件。 [0008] 图4描绘了根据本文示出和描述的一个或多个示例的与增材制造系统通信的用户计算装置的各种内部部件。 [0010] 图6示出了示例增材制造机器行为设备或基础设施。 [0011] 图7示出了图6的增材制造机器行为设备的附加示例视图。 [0012] 图8示出了图6的增材制造机器行为设备的附加示例视图。 [0013] 图9描绘了针对行为标记的构建的示例输出群体。 [0015] 图13‑15是被结构化为执行图10‑12的指令以实施图6‑8的示例增材制造机器行为设备的示例处理器平台和相关联电路的框图。 [0016] 图16是用于将软件、指令和/或固件(例如，对应于图10‑12的示例机器可读指令)分发到与最终用户和/或消费者(例如，用于许可、销售和/或使用)、零售商(例如，用于出售、转售、许可和/或子许可)和/或原始设备制造商(OEM)(例如，用于包含在要分发给例如零售商和/或其他最终用户(诸如直接购买客户)的产品中)相关联的客户装置的示例软件/固件/指令分发平台(例如，一个或多个服务器)的框图。 [0017] 附图未按比例绘制。相反，可以在附图中放大层或区域的厚度。通常，在整个附图和随附的书面描述中将使用相同的附图标记来指代相同或相似的部分。如本专利中所使用的，声明任何部分(例如，层、膜、区、区域或板)以任何方式(例如，定位、位于、设置或形成等)在另一部分上，表示被引用部分或者与另一部分接触，或者被引用部分在另一部分上方，其中一个或多个中间部分位于它们之间。除非另有说明，否则连接引用(例如，附接、联接、连接和接合)应被广义地解释，并且可以包括元件集合之间的中间构件和元件之间的相对移动。因此，连接引用不一定推断两个元件直接连接并且彼此具有固定关系。声明任何部分与另一部分“接触”意味着在这两个部分之间没有中间部分。 [0018] 当识别可单独提及的多个元件或部件时，本文使用描述符“第一”、“第二”、“第三”等。除非基于其使用上下文另有说明或理解，否则此类描述符并非旨在赋予列表中的优先级、物理顺序或布置，或时间排序的任何含义，而仅用作分别引用多个元件或部件的标签以便于理解所公开的示例。在一些示例中，描述符“第一”可以用于指代详细描述中的元件，而在权利要求中可以使用不同的描述符(例如“第二”或“第三”)来指代相同的元件。在这种情况下，应当理解，使用这种描述符仅是为了便于引用多个元件或部件。 具体实施方式[0019] 增材制造是基于结构的数字模型通常以一系列层构建三维结构的处理。虽然增材制造技术的一些示例依赖于使用能量源进行烧结或熔化/熔融以形成结构，而不是在选定位置沉积材料的“打印”，但术语“打印”通常用于描述增材制造处理(例如，三维(3D)打印、3D快速原型制作等)。除了其他的之外，增材制造技术的示例包括熔融沉积建模、电子束熔化、层压物体制造、选择性激光烧结(包括直接金属激光烧结，也称为直接金属激光熔化或选择性激光熔化)、数字光处理和立体光刻。尽管3D打印技术不断发展，但是逐层构建结构的处理复杂、低效且容易失败。3D处理中的错误可能导致制造零件的弱点或故障，从而造成浪费、风险和其他不可靠性。 [0020] 短语“增材制造设备”在本文中可与短语“打印设备”和术语“打印机”互换使用，并且术语“打印”在本文中可与词语“构建”互换使用，指的是使用增材制造设备构建结构的动作，而不管被用于形成结构的特定增材制造技术。如本文所用，打印是指各种形式的增材制造，并且包括三维(3D)打印或3D快速原型制作，以及烧结或熔化/熔融技术。例如，增材制造系统可以使用电子束或激光束来制造构建物。增材制造系统可以包括多个电子束枪或激光设计。除了其他的之外，增材制造或打印技术的示例包括熔融沉积建模、电子束熔化、层压物体制造、选择性激光烧结(包括直接金属激光烧结，也称为直接金属激光熔化或选择性激光熔化)和立体光刻。 [0021] 例如，选择性激光熔化(SLM)(也称为直接金属激光熔化(DMLM)、直接金属激光烧结(DMLS)或激光粉末床熔融(LPBF))是被设计为使用高功率密度激光将金属粉末熔化和熔融在一起的快速原型制作、3D打印或增材制造(AM)技术。例如，SLM处理可以将金属材料完全熔化成固体三维零件。 [0022] SLM是增材制造的一部分，其中使用高功率密度激光将金属粉末熔化和熔融在一起。通过SLM，使用涂层机制将雾化细金属粉末的薄层均匀地分布在基板(例如，金属等)上。基板紧固到在竖直(Z)轴线上移动的分度台。这发生在包含严格控制的惰性气体(例如，氧气水平低于百万分之500的氩气或氮气)气氛的室内。一旦每一层已被分布，就通过选择性地熔化粉末来熔融零件几何形状的每个二维(2D)切片。粉末的熔化是利过高功率激光束(诸如数百瓦的镱(Yb)光纤激光器等)完成的。激光束通过两个高频扫描镜在X和Y方向上引导。激光能量足够强，以允许完全熔化(焊接)颗粒来形成固体金属。该处理逐层重复，直到零件完成。 [0023] 直接金属激光熔化(DMLM)或直接金属激光烧结(DMLS)是特殊类型的SLM，它们使用各种合金，并允许原型成为由与生产部件相同的材料制成的功能硬件。由于部件是逐层构建的，因此可能设计出无法铸造或以其他方式机加工的有机几何形状、内部特征和具有挑战性的通道。例如，DMLS生产坚固耐用的金属零件，这些零件可以例如作为功能原型和/或最终用途生产零件工作良好。 [0024] 物体直接从由CAD(计算机辅助设计)数据生成的文件构建。DMLS处理开始于将3D CAD文件数据切成层(例如，从20到100微米厚、30‑120μm厚、50‑150μm厚等)、创建每一层的二维(2D)图像。例如，3D CAD文件的格式是用于大多数基于层的3D打印或立体光刻技术的.stl文件。然后将该文件加载到文件准备软件包中，文件准备软件包分配允许文件由例如不同类型的增材制造机器解释和构建的参数、值和物理支持。 [0025] 在DMLS/DMLM中，使用激光选择性地熔化细小颗粒的薄层产生呈现精细、致密和均匀特性的物体。例如，DMLS机器使用高功率200瓦Yb光纤激光器。该机器包括构建室区域，构建室区域包括材料分配平台和构建平台，以及用于在构建平台上移动新粉末的重涂器刀片。该技术通过使用聚焦激光束局部熔化金属粉末来将其熔融成固体零件。当粉末因暴露于激光束辐射而熔化时，形成熔池。零件是逐层(例如，使用10微米厚、20μm厚、30μm厚、50μm厚等的层)增材构建的。 [0026] DMLS处理开始于辊在打印床上散布金属粉末的薄层。接下来，基于CAD数据引导激光以通过完全熔化金属颗粒来创建物体的横截面。然后降低打印床，以便可以重复该处理来创建下一个物体层。在打印所有层之后，将多余的未熔化粉末刷掉、刮掉或吹掉。该物体通常几乎不需要任何精加工。 [0027] 例如，该机器可以包括监测和控制系统及方法(诸如迭代学习控制、连续自动校准和实时熔池监测等)和/或与其一起操作，以引入构建处理性能和稳定性的阶跃变化。某些示例实现了熔池监测、迭代学习控制、连续自动校准、实时熔池控制、过滤器监测、泵监测、喷射应用监测、阴极和束监测等。 [0028] 其他增材制造方法(诸如电子束熔化(EBM))可用于易开裂的金属合金，诸如钛等。通过EBM，高性能电子束源和使用“自生”x射线成像和反向散射电子技术的现场过程监测可用于改进质量控制。粘合剂喷射允许以较低成本快速打印，具有新颖的支撑结构设计和清洁燃烧粘合剂，以解决烧结变形和材料特性这两个关键技术挑战，从而实现汽车、其他运输解决方案、粉末生成等的增材制造。EBM利用金属粉末或金属线形式的原材料，将原材料置于真空下(例如，真空密封的构建室内)。一般来说，原材料是通过经由电子束加热熔融在一起的。 [0029] 利用EBM的系统通常从3D计算机辅助设计(CAD)模型获取数据并使用数据，以使用散布原材料的设备(诸如粉末分布器)放置原材料的连续层。利用计算机控制的电子束将连续层熔化在一起。如上所述，该处理在真空密封的构建室内的真空下进行，这使得该处理适合使用对氧具有高亲和力的反应性材料(例如，钛)制造零件。在某些示例中，相对于其他增材制造处理，该处理在更高的温度(高达约1200℃)下操作，这可能导致通过固化和固态相变的相形成的差异。 [0030] 本文所述的示例适用于采用本文公开的增材制造装置之外的其他类型的增材制造装置的其他增材制造方式。例如，定向能量沉积(DED)、直接陶瓷、BinderJet、立体光刻、光化聚合等可以从本文所述的监测、分析和校正中受益。 [0031] “包括”和“包含”(及其所有形式和时态)在本文中用作开放式术语。因此，只要权利要求采用任何形式的“包括”或“包含”(例如，包含、包括、具有等)作为序言或在任何类型的权利要求陈述中采用任何形式的“包括”或“包含”(例如，包含、包括、具有等)，应当理解，在不超出对应权利要求或陈述的范围的情况下，可以存在附加的元件、术语等。如本文所用，当短语“至少”用作例如权利要求的序言中的过渡术语时，其以与术语“包含”和“包括”是开放式的相同的方式是开放式的。术语“和/或”当例如以诸如A、B和/或C的形式使用时，指的是A、B、C的任何组合或子集，例如(1)单独A，(2)单独B，(3)单独C，(4)A与B，(5)A与C，(6)B与C，和(7)A与B以及与C。如本文在描述结构、部件、项目、对象和/或事物的上下文中使用的，短语“A和B中的至少一个”旨在指代包括(1)至少一个A、(2)至少一个B，和(3)至少一个A和至少一个B中的任何的实施方式。类似地，如本文在描述结构、部件、项目、对象和/或事物的上下文中使用的，短语“A或B中的至少一个”旨在指代包括(1)至少一个A，(2)至少一个B，和(3)至少一个A和至少一个B中的任何的实施方式。如本文在描述过程、指令、动作、活动和/或步骤的进行或执行的上下文中使用的，短语“A和B中的至少一个”旨在指代包括(1)至少一个A，(2)至少一个B，和(3)至少一个A和至少一个B中的任何的实施方式。类似地，如本文在描述过程、指令、动作、活动和/或步骤的进行或执行的上下文中使用的，短语“A或B中的至少一个”旨在指代包括(1)至少一个A，(2)至少一个B，和(3)至少一个A和至少一个B中的任何的实施方式。 [0032] 如本文所用，单数引用(例如，“一”、“一种”、“第一”、“第二”等)不排除复数。如本文所用，术语“一”或“一种”实体是指该实体中的一个或多个。术语“一”(或“一种”)、“一个或多个”和“至少一个”在本文中可以互换使用。此外，虽然单独列出，但多个装置、元件或方法动作可以通过例如单个单元或处理器来实施。此外，虽然单独的特征可以包括在不同的示例或权利要求中，但这些可以可能被组合，并且不同示例或权利要求中的包括并不意味着特征的组合是不可行的和/或不利的。 [0033] 如本文所用，术语“系统”、“单元”、“模块”、“引擎”、“部件”等可包括操作以进行一个或多个功能的硬件和/或软件系统。例如，模块、单元或系统可以包括计算机处理器、控制器、和/或基于存储在有形和非暂时性计算机可读存储介质(例如计算机存储器)上的指令进行操作的其他基于逻辑的装置。替代地，模块、单元或系统可以包括基于装置的硬连线逻辑进行操作的硬连线装置。附图中所示的各种模块、单元、引擎和/或系统可以表示基于软件或硬连线指令操作的硬件、指导硬件进行操作的软件，或其组合。 [0034] 本公开大体涉及用于监测、确定和调整增材制造装置(也称为增材制造机器)、一群增材制造装置和/或相关联处理、构建等的健康状况的装置、系统和方法。例如，构建涉及通过增材制造机器形成零件(例如，叶片、转子、定子、耳轴、壳体、护罩、其他工业部件等)。示例系统和方法获取构建、处理、机器构造等的数据，并摄取、融合、分析和聚合数据以进行状态确定和分析。例如，这些方法可以包括考虑和分析来自机器或处理的实际传感器数据，以及从统计过程控制和/或其他质量得分中导出的元数据。某些示例在分层和/或总体基础上确定构建、处理和/或机器健康状况，而不需要手动分析。另外，根据本公开的系统和方法提高了诊断构建和/或增材制造装置的准确性，以提供可动作的输出(例如，以校正构建、调整增材制造装置和/或相关联处理等)。 [0035] 某些示例提供了用于分析和评估一群增材制造机器内的行为变化的设备、系统和方法。自动系统能够学习群的行为变化并识别非标准构建。某些示例可以部署在增材制造机器上和/或与增材制造机器分开。当部署在增材制造机器上时，该系统/方法使得能够在正在打印零件时和/或在打印零件后立即通过增材制造机器检测关键/非标准构建，以预期报废，预见临时增量(ad‑hoc incremental)控制/检查，并使得整个群的集中动作能够包含变化并提高生产良率。 [0036] 在某些示例中，分析器系统(例如，标准行为分析器或SBA)被设置为读取表示增材制造机器在零件的构建期间执行的各种处理的参数和/或特征。分析器系统包括学习器子系统电路和评估器子系统电路。例如，学习器子系统读取给定构建群体的日志文件和/或其他数据(例如，来自机器部件的控制、传感器和/或子系统数据等)，并通过使用无监督机器学习和统计方法对该构建群体进行相对或比较分析来学习相关联增材制造机器的行为。这种分析能够识别所分析的构建群体内的非标准构建，并确定导致非标准行为(和标准行为)的机器参数。如本文所用，标准行为指示符合期望结果(例如，目标或最低零件质量等)、可接受构建输出、其他预期结果等的构建和/或相关处理、增材制造机器构造等。非标准行为指示不符合(例如，不满足或超出等)期望结果、可接受构建输出、其他预期结果等的构建和/或相关处理、增材制造机器构造等。 [0037] 然而，在本文公开的某些示例中，非标准也可以指示不一定“坏”或质量不足的异常行为。相反，非标准处理行为也可能是由于新的/微调的参数或设置或方法引入的更精简/优化/更好的处理。因此，异常构建不一定指示次优构建。增材制造开发过程依赖于并受益于现场质量保证技术，不仅用于校正目的，还用于识别(持续)改进的机会。因此，基于异常检测识别的非标准构建本身不必指示构建中的“缺陷”。 [0038] 在某些示例中，学习器子系统学习的行为(标准和/或非标准)以数字形式保存，以供评估器子系统稍后使用。然后，可以根据保存的构建群体的学习行为来评估新构建，以评估新构建是否是非标准的，量化新构建的行为，并识别导致这种(非标准或标准)行为的一个或多个机器参数、构建设置等。与标准构建/机器行为的差异可以包括构建准备、设置/构造以及设施输入(例如，设施气体/水/电力)等的关键/重要数据，并且可以在机器级、子系统级(例如，束子系统等)等进行评估。相关联处理可以相对于各种构建群体(例如，过去六个月内的所有构建、过去三个月内给定类型的所有构建，过去一年内在给定增材制造机器类型上的所有构建等)自动化并采用。这种系统和方法可以被实施用于任何增材制造机器群(DMLM、EBM、BinderJet等)。 [0039] 使用本文所述的系统、设备和方法，可以使用构建群体来识别非标准和/或其他异常的增材制造机器行为，并且可以用度量来量化/测量这种行为，以使得能够与其他构建/机器行为进行比较，识别参数级贡献，从而可以确定导致非标准行为的一个或多个最重要/最有影响的参数。例如，参数、设置等的识别使得能够采取具体动作来包含机器行为的变化，从而减少由这种变化引起的质量缺陷的数量/量。这种分析还可以减少或消除“不良WIP”(work in progress，在制品)进入昂贵的后生产处理(例如，应力释放、热处理、计算机断层扫描(CT)检查等)，和/或可以通知如检查建议(在层1xx‑2yy中识别的变化)等的这种处理。 [0040] 限定标准行为的参数限制可以从给定构建群体中学习。可以在构建级和层级学习标准行为(例如，通过评估每个构建群体中的层(例如，层级的标准熔化时间等))。例如，标准行为的分层评估使得能够识别有助于非标准行为/结果的特定层。当与构建群体(例如，具有异常熔化时间的层等)进行比较时，可以在构建中识别异常层，从而作为构建级非标准行为的一部分。 [0041] 在某些示例中，使用无监督学习并不一定意味着标准与非标准分类契合良好/关键质量。然而，无监督学习模型提供了隔离非标准处理行为的机制，该机制支持预先识别并可能遏制反常、异常或其他不正确的处理行为，诸如通过建议的校正动作来停止/调整处理可变性，如果不校正，则可能会导致系统或随机的不期望处理结果。在某些示例中，将构建分类为标准的或非标准的，并且将分类与良好或关键质量的指示相关联包括将结合的质量数据(例如，CT等)与互补的监督学习步骤进行比较，以微调分类算法，从而例如在标准构建组或层或特征范围内进一步区分，以从质量角度识别什么是“良好”。 [0042] 因此，可以在打印零件后立即识别关键构建和/或相关联的增材制造机器。这种识别使得能够预期报废，预测临时增量控制/检查等。当将层与参考/黄金构建进行比较时，也可以利用来自分析处理器的信息等分层进行这种识别。 [0043] 在每个群体构建期间，增材制造机器行为可以用一组强大的基于域的特征、SPC质量得分等来表示。使用无监督机器学习方法的新颖组合(例如，k‑NN异常检测+HDBScan聚类等)分析给定的构建群体，并采用统计单变量模型来评估和找到关键/非标准构建，以及标准构建/机器行为的操作限制。这些方法相结合，以捕获特征的非线性交互以及对构建/机器行为的影响。例如，可以在特征级测量变化。此外，设计了新颖的聚合度量(本文称为不合规严重性)来在构建和特征级测量变化。该不合规严重性度量识别有助于非标准行为的关键特征。例如，学习的群体行为可以保存在数据库中并部署，以使得能够在新构建上进行检测。 [0044] 某些示例提供了在增材制造机器中的构建期间对机器行为进行分类的方法，该方法通过将构建数据(例如，功率使用、环境温度等)、层数据(例如，熔池熔化温度、真空度等)和机器数据(例如，增材制造机的设置等)集成和/或分解到聚合构建特征中，以在构建期间引入基于高保真机器处理的机器行为表示。非线性(例如，聚类(DBScan)、神经网络、随机森林、k‑means等)、线性(马氏距离、霍特林T、控制图等)、多变量和/或单变量方法可以单独使用或以各种组合使用，从而将构建分类为标准或关键/非标准，并进一步进行构建级行为/质量估计和特征级行为估计。不合规严重性(NCS)是聚合度量，用于测量/量化增材制造机器在构建期间的行为变化。NCS度量可以进一步分解到特征级，以在特征之间建立可能的因果关系，这使得能够识别最有助于识别行为的特征。NCS度量可以用于在增材制造机器上构建的零件的合规性和问题解决。 [0045] 某些示例提供了对增材制造机器中的机器行为进行分类和报告的系统。该系统包括部署在连接到多个增材制造机器的共享计算机中的自动学习器子系统。自动学习器子系统可以读取用特征表示的构建群体。自动学习器子系统从一个或多个增材制造机器的构建群体中学习行为，并且可以对每个构建进行分类并测量每个构建的行为。自动学习器子系统可以学习层级行为变化，可以以期望频率学习在线和离线模式，并且可以从增材制造机器的真实和/或模拟数据中学习。自动学习器子系统可以报告每个构建的行为分类、有助于行为的特征、特征的限制、层级行为等，并且可以生成交互式显示以及生成可用于减少行为变化的动作。例如，学习的行为可以作为参考行为保存在数据存储装置中(例如，用于未来对新构建的评估)。 [0046] 该系统还包括自动评估器子系统。例如，自动评估器子系统可以部署在每个增材制造机器中。自动评估器系统可以读取用特征表示的新构建，并根据一个或多个参考/学习的行为评估新构建，以对与新构建相关联的行为进行分类。例如，可以在构建级和层级对构建进行评估。可以在构建完成后立即生成并报告评估结果。例如，报告可以详细说明将层和/或构建分类为标准/非标准以及有助于分类的特征，并且报告可以触发临时增量控制、检查、其他调整，以针对非标准行为进行校正。在某些示例中，可以设置(例如，经由滑块、范围、值等自动和/或手动设置)灵敏度，以将某些阈值设置为更高、更低、特定的自定义范围/公差等。 [0047] 图1描绘了根据本文示出和描述的一个或多个示例的本公开的增材制造装置。如图1所示，增材制造系统100(本文也称为增材制造装置、增材制造机器、增材机器等)至少包括构建室102、成像装置114和控制部件120。构建室102限定内部104，内部104经由一个或多个室壁103与外部环境105隔开。在一些示例中，构建室102的一个或多个室壁103的至少一部分可以在其中包括窗口106。成像装置114通常位于外部环境105中、与构建室102相邻(即，不位于构建室102的内部104内)，并且被布置为使得成像装置114的视场116延伸通过窗口106进入室的内部104。 [0048] 在一些示例中，构建室102的内部104可以是真空密封的内部，使得在构建室102内形成的物品142在EBM或DMLM的最佳条件下形成，如通常所理解的。构建室102能够经由真空系统维持真空环境。如通常所理解的，所示真空系统可以包括但不限于涡轮分子泵、涡旋泵、离子泵和一个或多个阀。在一些示例中，真空系统可以通信地联接到控制部件120，使得控制部件120引导真空系统的操作，以维持构建室102的内部104内的真空。在一些示例中，‑5真空系统可以在整个构建周期内维持约1×10 mbar或更低的基础压力。在进一步示例中，‑3 真空系统可以在熔化处理期间提供约2×10 mbar的氦或其他反应性或惰性控制气体的部分压力。 [0049] 在其他示例中，构建室102可以设置在设有环境空气和大气压力的可封闭室中。在其他示例中，构建室102可以露天设置。 [0050] 构建室102通常在内部104内包括支撑其上的粉末层112的粉末床110以及粉末分布器108。在一些示例中，构建室102还可以包括将原材料141维持在其中的一个或多个原材料料斗140a、140b。在一些示例中，构建室102还可以包括发射器130。构建室102还可以包括其他部件，特别是促进EBM或DMLM的部件，包括本文未具体描述的部件。 [0051] 粉末床110通常是位于构建室102的内部104内的平台或容器，其被布置为从一个或多个原材料料斗140a、140b接收原材料141。粉末床110的尺寸或构造不受本公开的限制，但大致可以成形和尺寸设计为以粉末层112、物品142的一个或多个部分和/或未熔融原材料141的形式容纳来自原材料料斗140a、140b的一定量的原材料141，如本文更详细地描述的。 [0052] 在一些示例中，粉末床110可以包括由升降部件113支撑的可移动构建平台111。可移动构建平台111通常可以是粉末床110内的表面，该表面可通过升降部件113在系统竖直方向上(例如，在图1的坐标轴的+y/‑y方向上)移动，以增加和/或减少粉末床110的总体积。例如，粉末床110内的可移动构建平台111可以通过升降部件113在向下方向上(例如，朝向图1的坐标轴的‑y方向)移动，以便增加粉末床110的体积。另外，可移动构建平台111可以通过升降部件113移动，以将每个连续的粉末层112添加到正在形成的物品142，如本文更详细地描述的。 [0053] 升降部件113不受本公开的限制，并且通常可以是能够联接到可移动构建平台111，并且可移动以在系统竖直方向上(例如，在图1的坐标轴的+y/‑y方向上)升高或降低可移动构建平台111的任何装置或系统。在一些示例中，升降部件113可以利用线性致动器型机构来实现可移动构建平台111的移动。适合用作升降部件113的装置或系统的说明性示例包括但不限于剪式升降机、机械线性致动器(诸如基于螺杆的致动器)、轮轴致动器(例如，齿轮齿条式致动器)、液压致动器、气动致动器、压电致动器、机电致动器等。在一些示例中，升降部件113可以位于构建室102内。在其他示例中，升降部件113可以仅部分地位于构建室 102内，特别是在可能期望将升降部件113的对构建室102的内部104内的恶劣条件(高热量、过多灰尘等)敏感的部分隔离的示例中。 [0054] 粉末分布器108通常被布置和构造为在粉末床110中(例如，在粉末床内的起始板或构建平台111上)铺设和/或散布原材料141层作为粉末层112。也就是说，粉末分布器108被布置为使得粉末分布器108的移动在由图1中描绘的坐标轴的x轴和z轴限定的水平面内。例如，粉末分布器108可以是在粉末床110上或上方在图1的坐标轴的z方向上延伸一定距离(例如，从粉末床110的第一端到第二端)的臂、杆等。在一些示例中，粉末分布器108的长度可以长于构建平台111的宽度，使得粉末层112可以分布在构建平台111的每个位置上。在一些示例中，粉末分布器108可以具有与构建平台111的顶表面平行(例如，大致平行于图1的坐标轴的+x/‑x轴)的中心轴线。一个或多个电动机、致动器等可以联接到粉末分布器108，以实现粉末分布器108的移动。例如，齿轮齿条式致动器可以联接到粉末分布器108，以使粉末分布器108在图1的坐标轴的+x/‑x方向上在粉末床上来回移动，如图1中的粉末分布器 108上方描绘的双侧箭头所示。在一些示例中，粉末分布器108的移动可以是连续的(例如，除了改变方向之外，不停止地移动)。在其他示例中，粉末分布器108的移动可以是逐步的(例如，以一系列间隔移动)。在其他示例中，粉末分布器108的移动可以使得在移动的时段之间发生多个中断。 [0055] 如本文更详细地描述的，粉末分布器还可以包括一个或多个齿(例如，耙指等)，一个或多个齿从粉末分布器108延伸到原材料料斗140a、140b的原材料141中，从而使在粉末分布器108移动时破坏原材料141(例如，分布原材料141、散布粉末层112等)。 [0056] 在一些示例中，粉末分布器108包括从粉末分布器108的底表面B延伸(例如，大致朝向图1的坐标轴的‑y方向延伸)的多个耙齿107。在一些示例中，耙齿107可以在基本垂直于构建平台111的平面(例如，垂直于由图1中描绘的坐标轴的x轴和z轴形成的平面)的方向上延伸。在另一个示例中，耙齿107可以相对于构建平台111倾斜。倾斜耙齿107相对于构建平台的法线的角度a可以是任何值，在一些示例中，角度a在约0°和约45°之间。 [0057] 在一些示例中，多个耙齿107中的每一个可以是金属箔或金属片。多个耙齿107的总长度可以长于构建平台111的宽度，以便能够将粉末分布在构建平台111的每个位置上。耙齿107的形状和尺寸可以被设计为耙过原材料141，以将粉末层112分布在构建平台111上。一些示例可以不包括耙齿107。 [0058] 应当理解，虽然本文所述的粉末分布器108大致在图1中描绘的坐标轴的x方向上延伸一定距离，并在图1中描绘的坐标轴的+x/‑x方向上移动，以如上所述散布粉末层112，但这仅是一个说明性示例。也可以设想其他构造。例如，在不脱离本公开的范围的情况下，粉末分布器108可以绕轴线旋转以散布粉末层112、可以绕一个或多个接头等铰接以散布粉末层112等。 [0059] 在一些示例中，粉末分布器108的横截面通常可以是三角形的，如图1中描绘的。然而，应当理解，横截面可以是任何形状，包括但不限于圆形、椭圆形、方形、矩形、多边形等。可以设置粉末分布器108的高度，以便在系统竖直方向上(例如，沿着图1的坐标轴的+y/‑y轴)为粉末分布器108提供特定的机械强度。也就是说，在一些示例中，粉末分布器108可以在系统竖直方向上具有特定的可控挠曲。考虑到粉末分布器108推动一定量的原材料141，也可以选择粉末分布器的高度。如果粉末分布器108的高度太小，则粉末分布器108相对于更高功率的粉末分布器108只能向前推动更小的量。然而，如果粉末分布器108的高度太高，则粉末分布器108可能会使从粉末筛捕获粉末变得复杂(例如，粉末分布器108高度越高，可能需要越大的力，以便通过将粉末分布器108移动到粉末筛中并让预定量的粉末从行进进入粉末筛的方向上的第一侧到构建平台111的方向上的第二侧落在粉末分布器108的顶部上，从而从粉末筛捕获预定量的粉末)。在还有的其他示例中，粉末分布器108的高度可以使得与粉末分布器108的前缘和后缘相邻的区域都在成像装置114的视场116内，如本文所述。 [0060] 在一些示例中，粉末分布器108可以通信地联接到控制部件120，如图1中粉末分布器108和控制部件120之间的虚线所描绘的。如本文所用，术语“通信地联接”通常是指以促进通信的方式的任何链接。因此，“通信地联接”包括无线和有线通信，包括现在已知或以后开发的无线和有线通信。当粉末分布器108通信地联接到控制部件120时，控制部件120可以传输一个或多个信号、数据等，以使粉末分布器108移动、改变方向、改变速度等。例如，控制部件120向粉末分布器108传输的“反向”信号可以使粉末分布器108反转其移动方向(例如，从+x方向上的移动反转到‑x方向上的移动)。 [0061] 原材料料斗140a、140b中的每一个通常可以是容器，该容器在其中容纳一定量的原材料141并包含开口以从其中分配原材料141。虽然图1描绘了两个原材料料斗140a、140b，但本公开不限于此。也就是说，在不脱离本公开的范围的情况下，可以利用任何数量的原材料料斗。此外，虽然图1将原材料料斗140a、140b描绘为位于构建室102的内部104内，但本公开不限于此。也就是说，在各种其他示例中，原材料料斗140a、140b可以位于或部分位于构建室102的外部。然而，应当理解，如果原材料料斗位于或部分位于构建室102的外部，则供应原材料141的原材料料斗的一个或多个出口可以在不分布原材料141时选择性地密封，以维持构建室102内的真空。 [0062] 原材料料斗140a、140b的形状和尺寸不受本公开的限制。也就是说，在不脱离本公开的范围的情况下，原材料料斗140a、140b通常可以具有任何形状和/或尺寸。在一些示例中，原材料料斗140a、140b中的每一个的形状和/或尺寸可以被设计为符合构建室102的尺寸，使得原材料料斗140a、140b可以适配在构建室内。在一些示例中，原材料料斗140a、140b的形状和尺寸可以被设计为使得原材料料斗140a、140b的总体积足以容纳制作物品142所需的一定量的原材料141，一定量的原材料141包括形成每个连续粉末层112的足够量的材料和构成未熔融原材料141的附加材料。 [0063] 原材料料斗140a、140b通常可以具有用于喷射位于原材料料斗140a、140b内的原材料141的出口，使得原材料141可以通过粉末分布器108散布，如本文所述。在一些示例(诸如图1中描绘的示例)中，原材料141可以在重力作用下自由流出原材料料斗140a、140b，从而形成原材料141的铺层或堆，以供粉末分布器108散布。在其他示例中，原材料料斗140a、140b的出口可以经由选择性关闭机构选择性地关闭，以便在特定时间仅分布位于相应原材料料斗140a、140b内的原材料141的一部分。选择性关闭机构可以通信地联接到控制部件 120，使得传输到/传输自控制部件120的数据和/或信号可用于选择性地打开和关闭原材料料斗140a、140b的出口。 [0064] 包含在原材料料斗140a、140b内并用于形成物品142的原材料141不受本公开的限制，并且通常可以是现在已知或以后开发的用于EBM或DMLM的任何原材料。原材料141的说明性示例包括但不限于纯金属，诸如钛、铝、钨等；以及金属合金，诸如钛合金、铝合金、不锈钢、钴铬合金、钴铬钨合金、镍合金等。原材料141的具体示例包括但不限于Ti6Al4V钛合金、Ti6Al4V ELI钛合金、2级钛和ASTM F75钴铬合金(全部可从瑞典 的Arcam AB获得)。原材料141的另一个具体示例是可从特殊金属公司(西弗吉尼亚州亨廷顿，Huntington WV)获得的 合金718。 [0065] 在某些示例中，原材料141是预合金化的，而不是混合物。这可以允许将EBM或DMLM与选择性激光熔化(SLM)进行分类，其中选择性激光烧结(SLS)和直接金属激光烧结(DMLS)等其他技术需要在制作之后进行热处理。与选择性激光熔化(SLM)和DMLS相比，EBM因其更高的能量密度和扫描方法而具有通常更高的构建速率。 [0066] 发射器130通常是发射电子束(例如，带电粒子束)的装置，例如电子枪、线性加速器等。发射器130生成能量束131，当原材料141作为粉末层112散布在构建平台111上时，能量束131可用于将原材料141熔化或熔融在一起。在一些示例中，发射器130可以包括至少一个聚焦线圈、至少一个偏转线圈和电子束电源，其可以电连接到发射器控制单元。在一个说明性示例中，发射器130生成具有约60千伏(kV)的加速电压和约0千瓦(kW)至约10kW范围内的束功率的可聚焦电子束。当通过利用能量束131将每个连续的粉末层112熔融来构建物品‑3 ‑6142时，真空室中的压力可以在约1×10 mBar至约1×10 mBar的范围内。发射器130可以位‑4 ‑7 于枪真空室中。枪真空室中的压力可以在约1×10 mBar至约1×10 mBar的范围内。在一些示例中，发射器130可以使用直接金属激光熔化(DMLM)发射激光束。发射器130可以发射激光以熔化金属粉末的超薄层来构建三维物体。当使用DMLM时，与需要真空室的电子束熔化制造相比，可以在构建物上提供气体流。 [0067] 在一些示例中，发射器130可以通信地联接到控制部件120，如图1中发射器130和控制部件120之间的虚线所示。发射器130与控制部件120的通信联接可以提供在发射器130和控制部件120之间传输信号和/或数据(诸如来自控制部件120的引导发射器130的操作的控制信号)的能力。 [0068] 仍然参考图1，成像装置114通常位于构建室102外部的外部环境105中，但被定位成使得成像装置114的视场116通过构建室102的窗口106。成像装置114通常定位在构建室102的外部，使得构建室102的内部104内的恶劣环境不会影响成像装置114的操作。也就是说，在构建室102的内部104内发生的热量、灰尘、金属化、x射线辐射等不会影响成像装置 114的操作。在一些示例中，成像装置114被固定在适当的位置，使得视场116保持恒定(例如，不改变)。此外，成像装置114被布置在固定位置，使得成像装置114的视场116覆盖整个粉末床110。也就是说，成像装置114能够通过窗口106对构建室102内的整个粉末床110进行成像。 [0069] 在一些示例中，成像装置114是特别构造为感测电磁辐射(特别是由粉末床110内的各种部件(例如，粉末层112、原材料141和/或物品142)生成的热辐射(例如，热能辐射))的装置。因此，成像装置114通常可以是特别调谐或以其他方式构造，以获得容易检测到热辐射的光谱(诸如可见光谱和红外光谱(包括远红外和近红外光谱))中的图像的装置。因此，特别调谐或以其他方式构造以获得容易检测到热辐射的光谱中的图像的装置的一个说明性示例包括但不限于红外相机。在一些示例中，成像装置114可以是在约1微米(μm)至约14μm的波长范围内(包括约1μm、约2μm、大约3μm、约4μm、约5μm、约6μm、约7μm、约8μm、约9μm、约10μm、约11μm、约12μm、约13μm、约14μm，或这些值中的任意两个值之间的任何值或范围(包括端点))敏感的相机。因此，成像装置114适用于对在粉末层112的EBM或DMLM期间出现的温度进行成像。在一些示例中，可以根据所使用的原材料类型来选择成像装置114的波长灵敏度。可用于成像装置114的合适装置的说明性示例包括但不限于IR相机(红外相机)、NIR相机(近红外相机)、VISNIR相机(视觉近红外相机)、CCD相机(电荷联接器件相机)、线扫描相机和CMOS相机(互补金属氧化物半导体相机)。 [0070] 在一些示例中，成像装置114可以是区域扫描相机，其能够提供特定于视场116内的一个或多个感兴趣区域(包括在视场116内移动的感兴趣区域)的数据。也就是说，区域扫描相机包括像素矩阵，像素矩阵允许装置在单个曝光周期内捕获具有竖直和水平元素的2D图像。区域扫描相机还可以用于获得多个连续图像，这在选择视场116内的感兴趣区域并观察感兴趣区域的变化时是有用的，如本文更详细地描述的。这种区域扫描相机的说明性示例包括可从Basler AG(德国阿伦斯堡)、JAI有限公司(日本横滨)、National Instruments(德克萨斯州奥斯汀)和Stemmer Imaging(德国Puchheim)获得的那些。在一些示例中，成像装置114可以是线扫描相机，其可用于短进料、结块、推动等的射流图案检测和/或功率沉积异常检测。 [0071] 在一些示例中，成像装置114可以具有单色图像传感器。在其他示例中，成像装置114可以具有彩色图像传感器。在各种示例中，成像装置114可以包括一个或多个光学元件，诸如透镜、滤光片等。在特定示例中，成像装置114可以包括拜耳过滤器。众所周知，拜耳过滤器是一种滤色器阵列(CFA)，用于在光传感器的方形网格上布置RGB滤色器以创建彩色图像，诸如约50％绿色、约25％红色和约25％蓝色的过滤器图案。 [0072] 在一些示例中，成像装置114还可以是特别构造为向控制部件120提供与感测的电磁辐射相对应的信号和/或数据的装置。因此，成像装置114可以通信地联接到控制部件120，如图1中在成像装置114和控制部件120之间描绘的虚线所示。 [0073] 应当理解，通过将成像装置114定位在构建室102的内部104之外的外部环境105中，可以很容易地用包括成像装置114的套件改装其中在室壁103中具有窗口的现有构建室，以便用本文所述的能力升级现有构建室。 [0074] 控制部件120(也称为增材机器控制器)通常是一种装置，其通信地联接到增材制造系统100的一个或多个部件(例如，粉末分布器108、成像装置114和/或发射器130)，并且特别地被布置和构造为向增材制造系统100的一个或多个部件(诸如成像装置114、相对于增材制造系统100定位(例如，定位在增材制造系统100的部件上或部件内)以记录温度、运动、振动、功率等的一个或多个传感器150‑151(残余氧百分比传感器、激光轨道温度传感器、露点温度传感器、加热温度传感器、压差传感器等))传输信号和/或数据，和/或从其接收信号和/或数据。 [0075] 图2是根据本文示出和描述的一个或多个示例的示例架构200的框图。在某些示例中，架构或基础设施200可以包括增材制造机器100、服务器210、用户计算装置220和移动计算装置230。例如，服务器210、用户计算装置220或移动计算装置230中的一个或多个可以实施增材机器控制器120。增材制造机器100(本文也称为增材机器、增材制造系统、增材制造装置和/或增材制造设备)可以通过网络240通信地联接到服务器210、用户计算装置220和移动计算装置230。在某些示例中，网络240可以包括一个或多个计算机网络(例如，个人区域网络、局域网或广域网)、蜂窝网络、卫星网络和/或全球定位系统及其组合。因此，用户计算装置220可以经由广域网、经由局域网、经由个人区域网络、经由蜂窝网络、经由卫星网络等通信地联接到网络240。合适的局域网可以包括有线以太网和/或无线技术，例如无线保真(Wi‑Fi)。合适的个人区域网络可以包括无线技术，例如IrDA、 无线USB、Z‑Wave、ZigBee和/或其他近场通信协议。合适的蜂窝网络包括但不限于诸如LTE、WiMAX、UMTS、CDMA和GSM的技术。 [0076] 在某些示例中，增材制造系统100可以向服务器210、用户计算装置220和/或移动计算装置230传输与构建相关的捕获信息，诸如图像、传感器信号(例如，开放平台连接统一架构(OPC UA)信号等)、构建状态、日志文件等。日志文件可以包括从增材制造系统100的多个子系统(诸如真空系统、束系统、粉末分层系统等)输出的多个参数。多个参数可以是从增材制造系统100输出的原始数据，或者是基于机器操作进一步处理的参数。例如，可以基于领域知识和/或一个或多个模型(诸如基于物理的、统计和/或数学模型)来处理参数，以生成新的特征和/或参数。多个机器功能和元数据的组合和分析可以识别例如影响机器、处理、构建等的参数问题。例如，可以检测到烟雾和/或烟灰沉积，这指示气体流量不足、速度/束/功率参数不正确(例如，设置过高等)等。机器健康状况和处理数据可以一起指示对构建和零件质量的影响。图像数据和/或日志文件可以存储在服务器210、用户计算装置220和/或移动计算装置230中。 [0077] 服务器210通常包括处理器、存储器和芯片组，用于经由网络240传递资源。资源可以包括例如经由网络240从服务器210向用户计算装置220提供例如处理、存储、软件和信息。服务器210可以存储和/或动态计算来自增材制造系统100的参数/特征的机器学习模型或统计模型。用户计算装置220通常包括用于经由网络240通信数据的处理器、存储器和芯片组。 [0078] 参考图2，移动计算装置230可以是具有用于与网络240通信地联接的硬件(例如，芯片组、处理器、存储器等)的任何装置。具体地，移动计算装置230可以包括用于通过上述无线计算机网络中的一个或多个进行通信的天线。此外，移动计算装置230可以包括用于与网络240通信的移动天线。因此，移动天线可以被构造为根据任何一代(例如，1G、2G、3G、4G、5G等)的移动电信标准发送和接收数据。移动计算装置230的具体示例包括但不限于智能手机、平板装置、电子阅读器、膝上型计算机等。移动计算装置230可以具有类似于用户计算装置220的显示装置408的显示器，并显示用户界面。 [0079] 参考图2，网络240通常包括被构造为根据移动电信标准接收和传输数据的多个基站。基站还被构造为通过有线系统(诸如公共交换电话网络(PSTN)和回程网络)接收和传输数据。网络240还可以包括可经由回程网络访问的任何网络，例如广域网、城域网、互联网、卫星网络等。因此，基站通常包括执行机器可读指令以通过各种有线和/或无线网络交换数据的一个或多个天线、收发器和处理器。 [0080] 转到图3，示出了图1中描绘的控制部件(本文也称为增材机器控制器)120的各种内部部件。特别地，图3描绘了用于收集参数和图像以操作增材制造系统100、分析参数和图像数据和/或辅助控制图1中描绘的增材制造系统100的各种部件的各种系统部件。 [0081] 如图3所示，增材机器控制器120可以包括一个或多个处理装置302、非暂时性存储器部件304、网络接口硬件308、装置接口硬件310和数据存储部件306，所有这些都通过本地接口300(诸如总线等)互连。 [0082] 一个或多个处理装置302(诸如计算机处理单元(CPU))可以是增材机器控制器120的中央处理单元，进行计算和逻辑运算以执行程序。单独的或与其他部件结合的一个或多个处理装置302是说明性处理装置、计算装置、处理器或其组合。一个或多个处理装置302可以包括被构造为接收和执行指令(诸如来自数据存储部件306和/或存储器部件304)的任何处理部件。 [0083] 存储器部件304可以被构造为易失性和/或非易失性计算机可读介质，并因此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、光盘(CD)、数字多功能盘(DVD)和/或其它类型的存储部件。存储器部件304可以在其上包括一个或多个编程指令，当由一个或多个处理装置302执行时，一个或多个编程指令使一个或多个处理装置302完成各种处理。 [0084] 仍参考图3，存储在存储器部件304上的编程指令可以体现为多个软件逻辑模块，其中每个逻辑模块提供用于完成一个或多个任务的编程指令。 [0085] 仍参考图3，网络接口硬件308可以包括任何有线或无线网络硬件，诸如调制解调器、LAN端口、无线保真(Wi‑Fi)卡、WiMax卡、移动通信硬件、和/或用于与其他网络和/或装置通信的其他硬件。例如，网络接口硬件308可以用于经由如图2所示的网络240促进增材制造系统100和外部装置(诸如服务器210、用户计算装置220、移动计算装置230等)之间的通信。 [0086] 参考图3，装置接口硬件310可以在本地接口300和图1的增材制造系统100的一个或多个部件之间通信信息。例如，装置接口硬件310可以充当本地接口300和图1的成像装置114、粉末分布器108等之间的接口。在一些示例中，装置接口硬件310可以向图1的成像装置 114和/或其他传感器传输信号和/或数据，或从其接收信号和/或数据。 [0087] 仍参考图3，数据存储部件306(其通常可以是存储介质)可以包含一个或多个数据存储库，用于存储接收和/或生成的数据。数据存储部件306可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储装置等。虽然数据存储部件306被描绘为本地装置，但是应当理解，数据存储部件306可以是远程存储装置，诸如服务器计算装置、基于云的存储装置等。可以包含在数据存储部件306内的说明性数据包括但不限于图像数据322、机器学习(ML)数据324和/或操作数据326。图像数据322通常可以是控制部件120用于识别特定物体、确定粉末层112(图1)上的一个或多个点、监测一个或多个点处的电磁辐射量、确定电磁辐射的变化等的数据。例如，增材机器控制器120可以访问图像数据322以获得从成像装置114接收的多个图像，根据图像数据322确定电磁辐射量，并相应地生成一个或多个命令。 [0088] 仍然参考图3，ML数据324可以是作为用于从图像数据322确定粉末层112(图1)的特征的一个或多个机器学习过程或统计建模过程的结果而生成的数据。仍参考图3，操作数据326可以包括从增材制造系统100的多个子系统输出的参数。例如，操作数据326可以包括从真空系统、惰化系统、束系统、粉末分层系统等输出的参数。具体地，用于束系统的参数可以包括但不限于最大电源电压、最小电源电压、灯丝燃烧时间、平均预热栅极电压、电弧跳闸后的栅极压降、平均阴极功率、平均有效功函数、平均烟雾计数、烟雾警告、平均柱压力、电弧跳闸次数、栅极电压的最大偏差、2mA下的栅极电压等。真空系统的参数可以包括但不限于最大室压力、最小室压力、最大柱压力、最小柱压力、真空故障错误、室真空的平均变化、最小氦气供应管线压力、室涡轮泵的平均电流、柱涡轮泵的平均电流、涡轮泵空转持续时间、平均内部回路温度、平均进入冷却水温度等。 [0089] 应当理解，图3中所示的部件仅是说明性的，并且不旨在限制本公开的范围。更具体地，虽然图3中的部件被示出为位于增材机器控制器120内，但这是非限制性示例。在一些示例中，部件中的一个或多个可以位于增材机器控制器120的外部。 [0090] 图4描绘了图2中描绘的用户计算装置220的各种内部部件。如图4所示，用户计算装置220可以包括一个或多个处理装置402、非暂时性存储器部件404、网络接口硬件406、显示装置408和数据存储部件410，所有这些都通过本地接口400(诸如总线等)互连。虽然图4描绘了用户计算装置220的部件，但图2中的服务器210可以具有与图4所示相同或类似的部件。 [0091] 一个或多个处理装置402(诸如计算机处理单元(CPU))可以是用户计算装置220的中央处理单元，进行计算和逻辑运算以执行程序。单独的或与其他部件结合的一个或多个处理装置402是说明性处理装置、计算装置、处理器或其组合。一个或多个处理装置402可以包括被构造为接收和执行指令(诸如来自数据存储部件410和/或存储器部件404)的任何处理部件。 [0092] 存储器部件404可以被构造为易失性和/或非易失性计算机可读介质，并因此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、光盘(CD)、数字多功能盘(DVD)和/或其它类型的存储部件。存储器部件404可以在其上包括一个或多个编程指令，当由一个或多个处理装置402执行时，一个或多个编程指令使一个或多个处理装置402诊断增材制造系统的部件或构建物。 [0093] 仍参考图4，显示装置408可以包括能够传输光输出的任何介质，诸如阴极射线管、发光二极管(LED)显示器、有机发光二极管(OLED)显示器、液晶显示器、等离子显示器等。在一些示例中，显示装置408可以是触摸屏，除了在视觉上显示信息之外，该触摸屏还检测显示装置408的表面上或邻近显示装置408的触觉输入的存在和位置。 [0094] 仍参考图4，数据存储部件410(其通常可以是存储介质)可以包含一个或多个数据存储库，用于存储接收和/或生成的数据。数据存储部件410可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储装置等。虽然数据存储部件410被描绘为本地装置，但是应当理解，数据存储部件410可以是远程存储装置，例如服务器计算装置、基于云的存储装置等。如图4的示例所示，数据存储部件410可以存储一个或多个模型和/或数据，诸如物理模型411、数据科学模型412、参数数据414、诊断模型416、混合模型418等。 [0095] 图5示出了基于机器健康状况监测和分析来监测和调整增材制造的示例基础设施或框架500。在图5的示例框架500中，增材制造机器100及其控制器120与分析处理器510通信，分析处理器510利用熔池数据采集520和来自增材制造机器100和/或其控制计算机120的信息对增材机器100及其操作进行建模，对增材制造机器100的健康状况进行评估，对构建质量(例如，实时或近实时分层等)进行得分或以其他方式进行评估，和/或对增材制造机器100的构造、性能、控制等以其他方式进行监测、建模、评估和修改。虽然在图5的示例中分析处理器510被示出为单个装置，但是分析处理器510可以被实施为例如一个或多个FPGA、处理器、可信平台模块(TPM)和/或其他计算装置。当使用多个装置实施分析处理器510时，FPGA和处理器可以相互协调，以实现共同的数据融合和/或分析。例如，多个装置可以同步到同一时基、构建元数据和/或机器控制事件。 [0096] 多个处理参数影响使用粉末床熔融和/或其他基于激光的熔化处理的3D打印物体的微观结构和机械特性，包括扫描速度(例如，以毫米/秒(mm/s)为单位等)、束速度/速度函数、束电流或束功率(例如，以瓦(W)为单位等)、层厚度(例如，以mm为单位等)、粉末层均匀性和线偏移。可以调整和/或优化这些参数，以获得期望的3D打印物体属性。例如，束功率、扫描速度、间距、层厚度等会影响能量密度(例如，平均施加能量/单位体积材料，J/mm3)。在一些示例中，可以在物体的边缘附近调整束速度，以防止过热。层厚度(例如，50‑150um)会影响制作物体的几何精度，并且可以取决于所使用的3D打印机的类型以及其他处理参数(诸如材料粉末颗粒尺寸等)而变化。另外，扫描图案和扫描速度也会影响最终的3D打印物体微观结构和孔隙率。例如，扫描图案(例如，层的横截面)表示用于熔化金属粉末以在粉末床/构建区域上形成横截面的电子束、激光束和/或其他能量束131的几何轨迹。例如，这种几何形状可以包括外轮廓、内轮廓和/或阴影图案。 [0097] 除了能量束131之外的其他部件的问题也可能导致构建缺陷和/或处理瑕疵。例如，在构建板或平台111上获取和散布粉末时的障碍或中断也可能导致所得构建零件的瑕疵。还可以分析其他部件，并识别/预测和解决相关联的异常或问题。例如，激光器/发射器130可能存在低功率问题、材料问题等。扫描仪可能经历磨损(例如，可经由图案检测到)、速度(例如，可相对于时间检测到)等问题。例如，磨损也可以相对于可移动部件(诸如泵、电动机构建室、电动机粉末室、电动机重涂器、构建模块)进行评估。例如，可以评估一个或多个传感器(例如，光学温度传感器、氧传感器、压力传感器、温度传感器、露点传感器等)的精度。可以评估一个或多个部件(诸如准直器、光学冷却器、阀、密封件等)的功能和/或性能。 例如，可以相对于运行时间、平均故障时间(MTTF)等对控制板进行评估。 [0098] 其他模式中涉及的参数/设置可能与上文描述的那些不同。例如，在BinderJet系统中，可以促进单层统计过程控制(SPC)和多层SPC。这种SPC可以包括基于图像的缺陷检测，包括粉末床监测，具有短散布和闭环控制，以触发另一次剂量并重涂。SPC还可以包括具有粉末床监测的基于图像的缺陷检测，其中粉末的条纹/推挤指示重涂器损坏，导致重涂闭环控制或停止构建。基于图像的缺陷检测还可以包括在闭环中利用图案测试图像分析(例如，预打印、在纸上喷射图案、成像和分析等)，以用溶剂自动重新清洁喷射的喷射健康状况。在某些示例中，喷射健康状况可以包括在闭环中的喷射到粉末上分析(例如，潜在地用IR相机对粉末上的粘合剂进行成像，并检查沉积到粉末中的粘合剂等)，以用溶剂自动重新清洁喷射。基于图像的缺陷检测还可以包括喷射到粉末上的分析与预期几何形状的几何一致性。例如，图像可用于将预期几何形状与实际几何形状进行比较。BinderJet分析还可以涉及固化参数、重涂参数、喷射参数等的闭环控制。固化参数(例如，IR灯强度等)可以基于实时(或基本实时)健康状况(例如，基于粉末床温度、图像等)进行修改。重涂参数(例如，剂量系数、辊速度等)可以基于实时(或基本实时)健康状况(例如，基于来自IR相机的粉末床温度、图像等)进行修改。喷射参数(例如，测量/修改饱和度、歧管压力、滴速度等)可以基于实时健康状况度量(喷射质量、饱和度等)进行修改，以实现检测、校正和预防措施。其他参数(诸如湿度、温度、压力、驱动/泵电流和扭矩)都会影响粘合速度、质量、进入粉末床的粘合剂的饱和度和总体零件质量。可以结合这些参数来监测固化构建的每一层的IR灯(例如，较高的湿度会影响固化时间和饱和度)。灯退化导致的较低IR温度会影响打印时间和总体质量等。 [0099] 在某些示例中，一个传感器可以为一个子系统提供关于一个参数的信息。在其他示例中，可以将多个传感器分配给子系统，使得不同类型的传感器提供关于子系统的一个或多个参数的不同类型的数据。例如，使用多个传感器，可以在子系统的参数之间建立更多相关性，以驱动改进的错误预测、检测和校正。 [0100] 某些示例提供了多模态数据融合，用于增材机器、过程健康状况和构建质量的近实时检测、诊断和预测。增材制造技术的分层打印处理允许从打印零件的第一层到最后一层捕获打印处理的数据。该数据可以包括但不限于零件设计、材料参数限定、机器设置和构造，以及传感器和可编程逻辑控制器(PLC)数据、日志信息、软件错误/警告和其他构建信息，诸如重涂成像和打印视频。 [0101] 例如，在给定的构建内，智能数据加权可用于识别一个或多个层上的异常。衰减策略也可以在一个或多个层上采用，因为单层异常有时会成为多层问题。然而，其他时候，一层中的问题可以通过周围层的热效应等自然固化。例如，加权因子和采用衰减可有助于识别异常，并评估异常是否可能扩散到其他层或被其他层校正。 [0102] 某些示例提供了基础数据架构以促进数据融合，并为每个3D打印建立完整的数字谱系。例如，在此基础上，统计过程控制方法可以用于在分层基础上在整个构建处理中现场监测机器、处理和零件健康状况，以检测异常、缺陷，并实现闭环控制和校正。在某些示例中，同一个机器和/或多个机器可能在多个构建中经历可变性。例如，重复构建相同零件的一个或多个增材制造机器可以利用这种基础数据来比较/对比构建健康状况，包括子系统部件和过程变量/构造的统计处理器控制分析。 [0103] 某些示例使得能够实时监测增材构建处理、机器质量和构建质量。在构建期间，随着层的创建，会进行健康状况和性能分析，以确定是否存在任何关键问题，以便操作者可以及时采取动作。健康状况和性能分析可能涉及构建和/或打印健康状况、机器性能和/或零件质量等。多模态数据(例如，来自已安装传感器的时间序列数据，模拟/补偿建模结果，构建输入，设置，来自与粉末床、熔池相关的光学和/或红外相机的图像等)被馈送到混合模型，该混合模型包括一系列分析模块(例如，数据科学、统计学和基于加法域的物理学)。混合模型过滤和/或以其他方式预处理数据以进行特征提取、信噪比(SNR)增强等，然后将处理后的数据馈送到计算基于物理的度量的分析模型，使用基于一种或多种方法(诸如统计过程控制(SPC)、统计学、贝叶斯、机器学习等)的数据科学模型对基于物理的度量进行进一步分析，以确定处理的总体质量和增材制造机器的健康状况。使用概率模型进一步组合健康状况度量和模型结果，以确定层的总体严重性(例如，健康状况)得分以及与每个模态相关联的每个“关键x”的个体质量得分。可以确定单层得分、多层得分等，并用于检测、校正和预防构建、处理和/或装置的问题。例如，模态可以包括但不限于DMLM、EBM、DCAT和BinderJet。 [0104] 该分析使得能够使用多层分析、趋势分析、变化点检测、累积损伤评估等在单独层级和多个层上对构建处理、增材制造机器和构建质量进行健康状况检测和诊断。在构建正在进行时，基于先前层的性能进行累积损伤评估，以随着构建的进行提高健康状况和/或异常检测和校正的信心，以及在构建结束时对整个构建进行总体健康状况诊断。在某些示例中，可以基于先前的构建数据、趋势分析等提供预报和/或其他预测，以在问题发生之前和/或在问题成为影响零件的构建或机器性能的问题之前识别问题。 [0105] 这些分析是在与控制操作隔离的单独、安全的计算装置上进行的，以最小化增材构建机器性能的风险。例如，分析应用程序代码的真实性和完整性通过一个或多个集成的可信平台模块(例如，在一个或多个FPGA上实施等)得到安全保护。因此，在分析处理器510和增材制造机器100(并且在一些示例中，在分析处理器510和增材机器控制器120)之间建立了信任根。分析结果在基于网络的人机界面(HMI)上实时更新显示。例如，HMI可以由打印机的控制计算机访问和/或经由网络连接远程访问。 [0106] 如图5的示例所示，分析处理器510在零件或一组零件的构建期间提供对增材制造机器100的现场监测。示例分析处理器510可以将分析应用于其实时(或在给定传输和/或处理延迟等的情况下基本实时)监测，以确定增材机器100的健康状况。分析处理器510在构建期间接收和处理数据，并提供机器、处理和/或构建数据的自动质量得分，而不是在构建结束时从机器100提取数据。例如，分析处理器510可以促进机器健康状况、构建处理健康状况和/或零件质量的分层处理监测。通过从一个或多个机上传感器、相机等采集实时(或基本实时)数据，可以促进这种监测。例如，使用统计和/或人工智能(AI)模型分析获取的信息，以确定机器健康状况、过程健康状况和/或零件质量的质量得分。数据从增材机器100、增材机器控制器120等传输到分析处理器510。在某些示例中，来自增材机器100的熔池数据由熔池数据采集电路520收集，并提供给分析处理器510。 [0107] 通过将分析处理器510与增材制造机器100或增材机器控制器120分开提供，专用分析处理器510可以进行高计算处理，而不会降低增材制造机器100本身的效率或速度。分析处理器510与增材制造机器100隔离，处理来自增材机器100的信息，而不干扰增材机器100的操作，除非处理揭示了问题并要对机器设置、处理构造、当前和/或随后构建等进行调整。分析处理器510可以逐层检查增材制造机器100的特定处理(例如，熔化、重涂等)，以及机器、处理、构建等的总体健康状况。某些示例提供了模块化架构，该模块化架构可以被构造并扩展到多个产品线(例如，M2、Mline等)、模态(例如，EBM、粘合剂喷射等)等。 [0108] 物理和参数的相互作用被内建到分析处理器510的分析中。例如，增材制造机器100、传感器、以及材料参数和机器操作之间的相互作用的知识丰富了分析。相关性和物理属性可能受到材料的输入参数、增材制造机器100构造(例如，气体流量、束速度以及激光功率、沉积粉末的层厚度等)等的影响。例如，相关性可以包括日志/时间序列、静态图像(例如，热、静止、红外(IR)等)、视频、SPC和质量得分元数据、和/或其融合的相关性。 [0109] 图5示出了基于机器健康状况监测和分析来监测和调整增材制造的示例基础设施或框架500。在图5的示例框架500中，增材制造机器100及其控制器120与分析处理器510通信，分析处理器510利用熔池数据采集520和来自增材制造机器100和/或其控制计算机120(例如，来自相机或其他成像装置114、发射器130、构建板/平台111以及定位器和/或其他升降部件113、传感器150‑151等)的信息对增材制造机器100及其操作进行建模，对增材制造机器100的健康状况进行评估，对构建质量(例如，实时或近实时分层等)进行得分或以其他方式进行评估，和/或对增材制造机器100的构造、性能、控制等以其他方式进行监测、建模、评估和修改。 [0110] 因此，增材机器控制器120可以根据分析处理器510提供的信息来调整或校正增材机器100的操作。如下文进一步描述的，分析处理器510进行分层分析以检测和/或预测错误或其他问题，从而驱动校正或修改以影响当前层、未来层、未来构建等。例如，分析处理器510的单层和/或多层分析可以校正、优化和/或以其他方式改进未来层。 [0111] 例如，多层激光健康状况监测可以通过分析处理器510来实现，分析处理器510结合了FPGA数据捕获和对所传送的激光功率与预期或命令的激光功率的分析来实施。随着时间的推移，激光功率可能会退化和/或激光校准可能会衰减和/或漂移。例如，分析处理器510可以单独或与一个或多个FPGA结合来监测命令的功率和位置，并检测/校正对准问题。 类似地，在多个层上，也可以观察到扫描振镜(galvanometer)的健康状况，包括与振镜温度相关的精度随时间的漂移。温度越高，扫描仪经历磨损的可能性就越大，这会影响精度等。 [0112] 例如，分析处理器510提供对增材机器100的子系统及其处理的分析，以生成构建处理优化、检查建议和/或预测性机器维护。分析处理器510跨传感器、日志文件以及其他机器健康状况和处理数据(图像、熔池发射率等)使用多传感器时间序列分析、图像分析、相关性分析等。例如，分析处理器510的近实时分析使得增材制造机器100和/或相关联用户能够及时做出决策、调整等，以影响机器/材料以及构建期间的后处理在制品(WIP)成本避免(无需等待或依赖后处理检查)。分析处理器510在打印构建时使用每一层的自动数据传输和数据分析。例如，分析处理器510是独立且安全的分析计算平台，其延迟不超过当前打印层后面的一层，例如，这不会干扰增材机器100，但允许对增材制造机器100进行近实时监测和调整。例如，分析处理器510可以包括基于物理的模型，该模型利用系统专业知识和增材物理对增材机器100及其相关联处理和构建的结构、构造和操作进行建模。替代地或附加地，分析处理器510可以包括一个或多个数据科学模型，用于诊断和/或预测机器、处理和/或构建错误。在某些示例中，分析处理器510利用结合物理和数据科学的一个或多个融合模型来确定/预测结果。在某些示例中，分析处理器510通过模块化架构来构造，以通过易于再使用和“交换”模态和/或产品线软件Docker容器(例如，20‑30％)，同时保留常见的分析和软件功能(例如，70％)，来帮助确保更快地采用新的产品线和模态(例如，EBM、DMLM、BinderJet、DCAT等)。 [0113] 在某些示例中，分析处理器510使用给定模态的X“最重要”变量的自动SPC计算来提供统计过程控制(SPC)。逐层分析和可视化包括增材制造机器100的子系统、处理和子处理。多层分析由分析处理器510使用，以随着构建的进展形成累积损伤评估以及总体构建结束健康状态。替代多层分析或除了多层分析之外，可以用SPC分析大量或各种传感器，以形成累积评估。例如，SPC可以用于计算单独传感器值，然后可以在一个层上组合单独传感器值以用于分层得分。因此，每个传感器和/或一个或多个传感器的一个或多个数据集可以被评估、组合等。例如，分析处理器510可以采用基于模态(例如，DMLM、EBM、BinderJet、DCAT等)、目标(哪个部件或处理)等激活的一系列分析，以实现机器和/或模态不可知论。 [0114] 在某些示例中，混合模型(例如，混合AI模型)提供了增材处理物理、机器专有技术和数据科学(例如，SPC/统计学/贝叶斯/机器学习)的融合，以处理来自增材机器100和/或熔池分析器520的数据。“默认”和“可构造”分析模块与模型一起工作，并在分析处理器510中实现机器和/或模态不可知论。例如，默认模块可以包括用于计算和提取统计特征的电路和指令。可构造模块(例如，基于物理的模块)的示例是用于计算“过滤器堵塞系数”(对于DMLM)、“阴极健康状况系数”、“打印头健康状况”(对于BinderJet)、“光投影仪健康状况”(对于DCAT)等的电路和指令。例如，可构造分析可以改变检测的灵敏度。例如，“灵敏度滑块”可以设置试验/基准与“生产/合格”构建的灵敏度的增加或减少。可构造软件模块允许构造和选择数据类型、数据频率、存储位置等(例如，其中数据包括传感器数据、日志数据、图像数据、构建参数等)。例如，在构建内，通过传感器、熔池数据、粉末床信息等对机器和过程健康性能进行分层监测，能够自动检查和修改机器、处理和/或构建。分析处理器510提供专用计算装置，以帮助确保计算资源与增材机器控制器120和增材机器100的控制操作隔离。报告警报的分析灵敏度和/或严重性可以基于构建内限定的感兴趣区域进行构造。例如，基于图像的分析是根据区域限定构造的，区域限定可以包括但不限于零件边界、层范围、有界区域或有界体积。 [0115] 在某些示例中，分析代码的真实性和完整性用一个或多个集成的可信平台模块(TPM)保护。TPM的使用可以为分析处理器510、增材机器控制器120等提供硬件信任根(例如，建立信任关系)。例如，TPM可以为检测和校正错误提供防篡改接地。例如，信任根可以包括确保签名和/或以其他方式认证的分析的真实性。在某些示例中，TPM和代码签名的组合提供了具有信任根的增强安全性，以使得分析处理器510能够与机器控制器120、增材机器100等通信并影响其。例如，TPM支持盘加密和启动链，以保护分析处理器510上的代码的真实性和完整性。签名/认证的包可以从分析处理器510发送到增材机器控制器120，和/或直接发送到增材制造机器100以进行安全更新。 [0116] 替代基于物理的模型、数据科学模型和/或混合模型，或除了基于物理的模型、数据科学模型和/或混合模型之外，可以使用神经网络(NN)或卷积神经网络(CNN)模型、随机森林、以及涉及大数据、人工缺陷表征和模型训练的其他AI/机器学习(ML)方法来提供数据驱动分析。在某些示例中，机器学习模型在可以访问大型数据集的离线系统中进行训练，然后将训练模型部署到分析处理器510。在某些示例中，通过使用计算加速器(诸如GPU、VPU和/或FPGA)来辅助训练模型。因此，模型可以在一个或多个系统/构建等上根据先前的构建数据(例如，示出“良好”构建、错误、校正等)、“黄金”参考构建数据等进行训练。 [0117] 因此，某些示例提供实时或基本上实时的分层处理和机器健康状况监测。使用分析处理器510提供具有SPC度量的过程变量构建“生命体征”的分层视图，以及时识别处理和机器性能偏差(例如，构建期间的分层等)。还可以为构建的一个或多个几何形状复杂的关注区域提供多层处理视图。多层分析提供了对具有更复杂几何形状的特定区/区域的更多见解，而零件的更简单区域可能只涉及单层分析。分析处理器510能够取决于零件几何形状、构造、监测标准等进行单层和多层分析的混合。例如，分析处理器510为过程监测特征、传感器和粉末床/粘合剂应用提供“一站式”解决方案。 [0118] 在某些示例中，机器健康状况和构建质量监测与来自增材机器100、控制器120和/或熔池数据分析器520的自动数据传输(例如，经由接口530)集成。例如，机器上的传感器、数据传输和单层分析可以提供层健康状况得分以及SPC度量。在某些示例中，分析处理器510可以使用多层传感器分析来确定趋势、检测变化点等。分析处理器510的分析可以与特定于模态的闭环控制(包括增材机器100的重涂监测、粘合剂应用监测、粉末床监测(例如，用于短进料、突出等，结合气体流量、氧气含量等)等)集成。在某些示例中，可以将监测层与参考(例如，“黄金”)层进行比较，以识别当前构建的错误和/或其他差异。例如，参考或“黄金”层可以通过数字方式确定和/或从实际构建中生成。例如，CT和/或其他成像可用于检查构建和/或构建层，并验证其质量和可接受性，以被设计为黄金/参考层/构建。在某些示例中，可以利用由多个层形成的参考或黄金构建。可以确定总体设备效率(OEE)、增材制造机器100效率和总体构建健康状况质量得分(例如，分层和多层分析)。 [0119] 因此，可以使用示例系统500来监测、评估和解决机器健康状况。机器故障可以由分析处理器510(例如，实施为一个或多个处理器、FPGA、其他计算装置等，以根据现场数据检测和/或预测增材制造机器100故障模式)检测和隔离。机器健康状况问题可以包括光学系的退化、重涂器、气体流量、激光玻璃污染检测等。光学装置的自动校准(例如，束对准、多激光对准、闭环斑点尺寸控制、功率校准等)也可以通过机器健康状况监测和分析来驱动。 [0120] 如上所述，可以监测和评估构建和/或增材制造机器健康状况/问题、成功/失败等。这种分析可以扩展到一个或多个机器上的一个或多个构建，以利用一个机器上的一个构建中的问题识别，并推断因果关系和对一个或多个增材制造机器上的一个或多个未来构建的解决方案的影响。图6示出了增材制造机器行为设备或基础设施600。示例设备或基础设施600包括多个增材制造机器100、602、特征引擎610、学习器电路620、评估器电路630和数据存储装置640。 [0121] 例如，数据存储装置640存储从增材制造机器100、602捕获的一个或多个日志文件、传感器数据、图像等。如图6的示例所示，存储在数据存储装置610中的数据被特征引擎610摄取，以从存储的数据中识别特征。例如，可以提取和聚合层特征、构建特征等以进行进一步分析。特征可以是传感器特征(例如，温度、气体流量等)、机器设置特征(例如，剂量因子、重涂、激光发射等)、构建特征(例如，总构建时间、曝光时间、重涂时间等)等。 [0122] 示例学习器电路620处理日志文件数据和相关联特征，以使用来自数据中表示的构建群体的一个或多个人工智能模型(例如，神经网络模型、其他机器学习模型、随机森林模型等)来学习机器行为。学习器电路620基于可用数据的分析来学习区分标准或正常或可接受构建与非标准或异常或不可接受构建。学习器电路620还确定哪些参数/设置/条件有助于非标准构建，哪些有助于标准构建等。学习器电路620然后可以基于数据中表示的构建群体以及相关联学习行为、相关因素和结果来训练模型。然后，将训练模型部署为评估器电路630(的一部分)，以评估和识别非标准(相对于标准)构建。 [0123] 示例评估器电路630利用部署的训练模型，以根据训练模型所表示的群体的保存的学习行为来评估新构建，以评估新构建是否是非标准的。评估器电路630使用训练模型来量化新构建行为，并确定哪些增材制造机器参数和/或构建设置导致了这种行为。在某些示例中，学习器电路620被集中以从各种构建和增材制造机器数据的训练中受益，并且评估器电路630是与单独增材制造机器100、602等，和/或相关联的分析处理器510和/或增材机器控制器120相关联的分布式多个评估器电路530。评估器电路630可以诊断非标准构建，并且与增材机器100、602直接通信和/或通过其对应的分析处理器510和/或控制器120与增材机器100、602间接通信，以调整增材制造机器100、602和/或其构建，从而将行为转变为标准行为(例如，针对成功构建)。 [0124] 图7‑8提供了示例增材制造机器行为基础设施600的附加视图。在图7的示例中，增材制造机器100、602向特征引擎610提供输入，并且学习器电路620接收来自机器100、602的由特征引擎610处理的数据，以及具有相关联已知限制(例如，泵健康状况、过滤器寿命等)的特征列表720。例如，特征和相关联限制720可以包括一层中的重熔次数(例如，小于二等)、具有重熔的连续层的数量(例如，小于三等)、每层的平均空闲时间(例如，小于十一秒等)、十分钟滚动持续时间内的电弧跳闸的次数(例如，小于三等)、烟雾标志(诸如电弧跳闸后的“零脉冲耙”计数)(例如，小于五等)、构建期间阴极电阻的漂移(例如，小于0.03欧姆等)、耙卡住事件的次数(例如，小于一等)、平均室真空压力(例如，小于2.5e‑3mbar等)。 [0125] 例如，学习器电路620训练和/或利用一个或多个多变量模型730和一个或多个单变量模型735。多变量模型730处理特征的组合，以提供具有无监督学习的构建的相对分析(例如，k近邻(k‑NN)异常检测与HDBScan聚类的组合等)。单变量模型735一次评估一个特征。例如，单变量模型735可以将特征拟合到最佳统计分布，并提取与该特征值的行为相关联的相关限制。例如，不符合特征的可接受限制可以被量化为不合规严重性度量。 [0126] 如图7的示例所示，多变量模型730和单变量模型735的输出被提供给数据存储装置740(例如，与示例数据存储装置640相同、类似或不同)，并且输出750作为构建方面的结果，诸如标记为标准或非标准的构建、不合规严重性得分、突出特征、标准和非标准结果的机器方面的散布等。输出750还可以包括特征方面的结果，诸如最佳拟合分布和关联图、每个特征的统计(例如，中心、分散、四分位数等)、基于对非标准构建的贡献的特征排名、异常构建列表等。特征示例可以包括一层中的重熔次数、具有重熔的连续层的数量、每层的平均空闲时间、十分钟滚动持续时间内的电弧跳闸的次数、烟雾标志(例如，电弧跳闸后的“零脉冲耙”计数)、构建期间阴极电阻的漂移、耙卡住事件的次数、平均室真空压力等。输出750还可以包括分层信息，诸如关键特征的中值轮廓、层级图等。关键分层特征可以包括每层的预加热时间、每层的熔化时间等。附加输出760包括异常阈值、特征限制等。 [0127] 输出750、760可以存储在数据存储装置740中，提供给另一个系统，显示，提供给评估器电路630等。评估器电路630处理由特征引擎612(例如，与特征引擎610相同或相似)从增材制造机器710提取的特征。评估器电路630利用来自数据存储装置740的信息和/或部署模型来交叉检查与特征相关联的阈值、限制等。评估器电路630然后可以生成构建的总体评估、具有异常的层级图，以及构建级(例如，对于总体构建)、特征级(例如，对于构建的特定特征、构建的层的特征等)、层级(例如，对于构建的特定层)等的不合规严重性度量或得分。然后，可以将构建识别为标准的或非标准的，并且有助于该分类的相关联特征可以被确定、调整、使用为反馈/参考等。 [0128] 图8示出了图7的示例的另一个视图，其中学习电路620基于特征引擎610从增材制造机器100、602提取的特征，针对多个构建/机器群体利用离线专家和/或自动在线学习。学习输出和相关联模型可以存储在数据存储装置740中，并且被提供作为输出750，诸如交互式仪表板，该交互式仪表板允许选择群体以查看相关联行为，将行为用作参考和/或反馈，调整相关联构建/机器等。此外，评估器电路630从数据存储装置740的参考群体行为中拉出，以处理特征引擎612从增材制造机器710提取的新构建的特征。评估器电路630输出770，新构建的行为与构建的群体或参考组的行为的比较，以评估构建是标准的还是非标准的。评估器电路630还生成包括总不合规严重性得分、不合规特征的数量、最高/最大贡献特征等的解释。 [0129] 例如，增材制造机器710的束部件已经示出异常操作行为的评估构建可以指示，电弧跳闸事件的次数和/或阴极电阻的漂移是构建不合规的主要促成因素。在示例中，增材制造机器710的重涂系统表现异常可以指示，诸如平均空闲时间和/或耙卡住事件的特征是构建不合规的重要促成因素。 [0130] 因此，学习器电路620处理构建群体和增材制造机器数据，以训练多个模型(例如，多变量模型和单变量模型)，从而与评估器电路630形成可部署构建行为模型结构，以确定构建是标准构建还是非标准构建。如图9的示例所示，构建群体910被提供给学习器电路620。学习器电路620分析群体910，学习群体数据中的图案和相关性，并从群体910中导出标准构建行为920。学习器电路620可以输出具有标记行为的构建群体930。例如，标记的群体输出930标识标准构建、非标准构建等，并且可以由评估器电路630在新构建数据上使用，以确定构建是否是标准构建、非标准构建，以及为什么(例如，哪个因素对使该构建非标准化贡献最大等)。 [0131] 虽然图1‑9中示出了增材机器100、增材机器控制器120、分析处理器510、熔池数据采集处理器520、特征引擎610、学习器电路620、评估器电路630、数据存储装置640等的示例实施方式，但是元件、处理和/或装置中的一个或多个可以组合、划分、重新布置、省略、消除和/或以任何其他方式实施。此外，图1‑9的元件中的一个或多个可以由硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实施。因此，例如，图1‑9的示例元件中的任何可以由一个或多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、图形处理单元(GPU)、视频处理单元(VPU)、加速器卡、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑装置(PLD)和/或现场可编程逻辑装置(FPLD)来实施。当阅读本专利的任何设备或系统权利要求以涵盖纯软件和/或固件实施方式时，图1‑7的示例元件中的至少一个在此被明确限定为包括非暂时性计算机可读存储装置或存储盘，例如包括软件和/或固件的存储器、数字多功能盘(DVD)、压缩盘(CD)、蓝光光盘等。此外，除了图1‑9中示出的那些之外或代替图1‑9中示出的那些，图1‑9的元件可以包括一个或多个元件、处理和/或装置，和/或可以包括任何或所有示出的元件、处理和装置中的一个以上。如本文所用，短语“通信”，包括其变型，涵盖直接通信和/或通过一个或多个中间部件的间接通信，并且不需要直接物理(例如，有线)通信和/或持续通信，而是附加地包括以周期性间隔、预定间隔、非周期性间隔和/或一次性事件的选择性通信。 [0132] 图10中示出了表示用于实施全部或部分示例增材制造机器行为设备或基础设施600的示例硬件逻辑、机器可读指令、硬件实施的状态机和/或其任何组合的流程图。机器可读指令可以是用于由计算机处理器和/或处理器电路(例如下文结合图13讨论的示例学习器电路620、示例评估器电路630和/或示例处理器平台1300)执行的一个或多个可执行程序或可执行程序的部分。该程序可以体现在存储在非暂时性计算机可读存储介质(诸如CD‑ROM、软盘、硬盘驱动器、DVD、蓝光盘或与处理器1312相关联的存储器)上的软件中，但是整个程序和/或其部分可以替代地由处理器1312以外的装置执行和/或体现在固件或专用硬件中。此外，尽管参考图10‑12中所示的流程图描述了示例程序，但是可以替代地使用实施全部或部分示例增材制造机器行为设备或基础设施600的许多其他方法。例如，可以改变框的执行顺序，和/或可以改变、消除或组合所描述的一些框。附加地或替代地，任何或所有框可以由被构造为在不执行软件或固件的情况下进行对应操作的一个或多个硬件电路(例如，离散和/或集成模拟和/或数字电路、FPGA、ASIC、比较器、运算放大器(op‑amp)、逻辑电路等)实施。处理器电路可以分布在不同的网络位置和/或位于一个或多个装置(例如，单个机器中的多核处理器、跨服务器机架分布的多个处理器等)本地。 [0133] 本文所述的机器可读指令可以以压缩格式、加密格式、分段格式、编译格式、可执行格式、打包格式等中的一种或多种存储。如本文所述的机器可读指令可以被存储为可用于创建、制造和/或产生机器可执行指令的数据或数据结构(例如，存储为指令的部分、代码、代码的表示等)。例如，机器可读指令可以被分段并存储在位于网络或网络集合的相同或不同位置(例如，云中，边缘装置中等)的一个或多个存储装置和/或计算装置(例如，服务器)上。机器可读指令可能需要安装、修改、适配、更新、组合、补充、构造、解密、解压缩、解包、分布、重新分配、编译等中的一种或多种，以使它们直接可由计算装置和/或其它机器读取，解释和/或执行。例如，机器可读指令可以存储在多个部分中，这些部分被单独压缩、加密和存储在单独的计算装置上，其中这些部分在解密、解压缩和组合时形成一组可执行指令，该组可执行指令实施可以一起形成诸如本文描述的程序的一个或多个功能。 [0134] 在另一个示例中，机器可读指令可以被存储在它们可以被处理器电路读取的状态下，但是需要添加库(例如，动态链接库(DLL))、软件开发工具包(SDK)、应用程序编程接口(API)等，以便在特定计算装置或其它装置上执行指令。在另一示例中，可能需要在机器可读指令和/或对应程序可以整体或部分执行之前构造机器可读指令(例如，存储的设置、数据输入、记录的网络地址等)。因此，本文使用的机器可读介质可以包括机器可读指令和/或程序，而不管机器可读指令和/或程序在存储或以其他方式处于静止或处于传输时的特定格式或状态如何。 [0135] 本文描述的机器可读指令可以由任何过去、现在或将来的指令语言、脚本语言、编程语言等来表示。例如，机器可读指令可以使用任何以下语言来表示：C、C++、Java、C#、Perl、Python、JavaScript、超文本标记语言(HTML)、结构化查询语言(SQL)、Swift等。 [0136] 如上所述，图10‑12的示例处理可以使用存储在非暂时性计算机和/或机器可读介质(诸如，硬盘驱动器、闪存、只读存储器、光盘、数字多功能盘、高速缓存、随机存取存储器和/或信息存储在其中任何持续时间(例如，延长的时间段、永久、短暂的实例、临时缓冲和/或缓存信息)的任何其他存储装置或存储盘)上的可执行指令(例如，计算机和/或机器可读指令)来实施。如本文所用，术语非暂时性计算机可读介质被明确限定为包括任何类型的计算机可读存储装置和/或存储盘，并且排除传播信号和排除传输介质。 [0137] 图10是用于诸如使用示例学习器电路620和示例评估器电路630监测、确定和调整机器、处理和/或构建的健康状况的示例方法1000的流程图。在框1010处，处理一个或多个增材制造机器100、602上的构建群体的数据。例如，根据识别的特征、格式、时间序列组织等来摄取和形成构建数据。在框1020处，从处理后的数据中学习行为。例如，分析多个构建(例如，单个站点处、跨多个站点、同一机器处、跨多个机器等的多个构建)的数据，以学习哪些构建表现得符合预期，哪些构建表现得出乎意料，哪些构建具有特定问题，哪些构建具有特定的解决方案，哪些构建具有其他结果等。 [0138] 例如，学习器电路620读取给定构建群体的日志文件，并通过使用无监督机器学习和统计方法对仅仅这些构建群体进行相对分析来学习与这些构建相关联的机器行为。这使得能够在导致这种行为的群体和关键机器参数中找到非标准构建。 [0139] 在框1030处，生成参考标准和非标准行为。例如，基于示例学习器电路620学习的构建和机器行为，学习器电路620可以为成功或其他正常构建生成标准参考行为，以及为不成功构建生成非标准参考行为。例如，标准参考行为和非标准参考行为可用于比较其他构建。因此，标准参考行为和非标准参考行为可以以数字形式存储，以供评估器电路630使用。 [0140] 在框1040处，生成复合模型以对构建进行评估和分类。例如，复合模型由标准参考行为和非标准参考行为训练。通过使用已知/验证的标准和非标准行为训练和测试模型，模型可用于基于模型中反映的量化行为将新构建分类为标准的或非标准的。在某些示例中，还可以识别导致这种行为的机器参数。例如，识别机器参数和/或参数值对于纠正非标准构建/机器行为可能很重要。 [0141] 因此，复合模型可以在构建级、系统、子系统级(例如，束子系统等)等识别和解释变化。复合模型可以部署在各种群体(例如，当前构建、过去六个月的构建、过去一年的构建等)上。复合模型可以针对各种增材制造机器群(例如，DMLM、EBM、BinderJet等)进行训练和测试。 [0142] 在框1050处，复合模型与示例评估器电路630一起部署。例如，复合模型被部署为示例评估器电路630的一部分，以评估一个或多个正在进行的构建、先前构建等。复合模型和/或相关联参考标准和非标准构建行为也可以存储在参考数据库(诸如数据存储装置640、740)中，以供评估器电路630访问。在框1060处，处理新构建数据以识别构建是标准的还是非标准的。例如，评估器电路630从增材机器100、602、数据存储装置640、特征引擎610等中的一个或多个接收构建数据。评估器电路630向复合模型提供数据，以根据建模行为确定构建是非标准的还是符合标准的。例如，通过将学习的、建模的阈值、限制等应用于构建，可以评估一个或多个特征和/或总体构建，以识别当前问题、预测未来问题等，以及相关联严重性。 [0143] 在框1070处，对于非标准构建，识别有助于构建是非标准的因素。例如，当构建与复合模型的学习的非标准构建行为相比被识别为非标准时，会识别出似乎有助于构建的非标准行为的一个或多个因素、特征等(例如，预加热、后加热、熔化时间等)。识别贡献因素可以用于驱动非标准构建行为的解决方案(例如，针对用于构建的特定机器、同类型的其他机器、其他构建等)。 [0144] 在框1080处，为构建输出指定(designation)。例如，评估器电路630输出构建是标准的或符合构建(例如，满足或符合其构造、质量度量等的构建)，或构建是非标准的或不符合构建(例如，不满足其构造、不满足相关联质量度量、已经失败等的构建)的指定或标识。 [0145] 在框1090处，当构建被识别为非标准时，输出校正动作。例如，基于对驱动非标准行为的一个或多个贡献因素/特征的识别，可以生成相关联解决方案。在某些示例中，记录校正指令并将其传输给操作者用于调整。在其他示例中，增材机器100、602，增材机器控制器120等执行校正指令，从而调整机器以校正构建。在一些情况下，非标准构建被视为失败并报废。在其他情况下，可以在过程中通过执行校正指令来挽救和/或以其他方式校正非标准构建。例如，可以在零件变坏之前基于对构建中的异常(例如，非标准)行为的检测来触发主动维护、构造/设置的自动更改等。 [0146] 在框1095处，如果存在，则评估可用反馈以改进模型。例如，可以捕获来自增材机器100、602，增材机器控制器120等的反馈，并将其提供给学习器电路620以调整复合模型。 [0147] 图11提供了关于上述示例学习器电路620的学习和模型构建的进一步示例细节。在框1110处，学习器电路620摄取构建群体的数据。例如，日志文件、传感器数据、来自一个或多个增材机器100、602、增材机器控制器120等的其他输入被收集以供学习器电路620处理。在某些示例中，特征引擎610处理来自构建群体的日志文件(例如，在一年、几个月等内收集的)，特征引擎610处理日志文件以提取信息，将信息转换为特征，并将特征(例如，层中的问题、真空、预加热、后加热等)合并为学习器电路620的多变量模型和单变量模型(例如，将数百个构建的数据合并为学习器电路620的两组模型等)。模型可以根据识别的特征、格式、时间序列组织等形成。 [0148] 多变量模型和单变量模型是互补的，并且可以一起使用。采用多变量模型来捕获包含各种参数的多维空间中的非线性关系，从而识别高维空间中的标准行为区。单变量模型提供了易于解释方式，其使得能够识别非标准构建行为的主要促成因素，然后系统可以采取动作进行矫正。例如，对于评估器构建，基于每个参数相对于从已知标准行为推断的限制的发生率，单独评估每个参数的不合规得分，然后以线性加权方法组合得分。 [0149] 在框1120处，学习器电路620从摄取的数据中学习构建行为。例如，学习器电路620处理数据(例如，处理由数据形成的合并特征等)，以通过评估和分类构建行为来学习构建行为。可以单独和/或组合分析这些特征，以组织和学习学习器电路620可用的数据群体中的构建行为。 [0150] 在框1130处，学习器电路620基于学习的构建行为生成模型和/或其他分析。例如，可以生成多变量模型来相对于彼此评估多个特征，并基于比较将构建标记为标准的或非标准的。单变量模型着眼于具有正常值或范围的单独特征，诸如熔化时间等，并且可以将构建的值与正常值/范围进行比较。在比较中，可以评估相对于正常值/范围的变化程度(例如，某一构建距正常熔化时间有多远等)。 [0151] 例如，构建可以用一组特征来表示(例如，一百个构建的集合可以各自用十个特征来表示等)。学习器电路620可以为每个特征构建分布，并从每个分布中提取限制。学习器电路620学习到超出限制的值对于该特征是不期望的。学习器电路620还可以确定该值超出限制有多远。 [0152] 单变量模型输出可以被拟合到多变量模型输出中，以确定哪些构建是标准的，哪些构建是非标准的，以及非标准行为的严重性或范围。可以识别有助于非标准行为的特征。因此，可以在构建级(例如，哪些构建)以及特征级(例如，哪些特征、分布、排名等)识别行为。特定特征可以根据其对标准与非标准构建行为的影响进行隔离。例如，还可以进行层级分析，以形成关键特征的中值轮廓。 [0153] 在某些示例中，使用无监督学习来训练多变量模型(例如，没有关于什么是良好的、什么是坏的的先验知识等)。诸如K‑NN异常检测、HDBScan聚类等的技术可用于识别和聚类某些行为的标志或特征。可以计算异常得分(例如，至少两个不同的得分等)。例如，可以识别十个最近的邻居，并且邻居之间的距离与基于到具有异常的最近邻居的距离的得分(1、10等)等相关。具有高异常得分的构建被聚类或分类为非标准构建。为了将这种构建与其他构建进行分类或分离，然后可以使用HDBScan聚类来滤除噪声，并对合理类似的构建进行聚类。如果不类似，则其他构建将被HDBScan视为噪声。可以形成合理类似构建的集群，限定集群的参数或特性可以成为评估构建并确定构建是否适合某个集群(例如，非标准或标准)的阈值。这些阈值被保存以稍后评估新构建。 [0154] 如果构建是标准的，则其相关联的异常得分较低(例如，1、2等)。因此，如果异常得分小于2，则构建被分类为或视为标准构建。通过同时查看所有特征来限定标准构建区和非标准构建区。例如，如果构建没有落入任一个区(标准的或非标准的)，则可以标记该构建以供进一步审查。 [0155] 在框1140处，学习器电路620基于历史数据集的学习和测量行为对构建进行分类。分类可以形成一组标准构建行为和一组非标准构建行为。严重性或行为贡献的程度或度量可以与构建、构建特征等相关联。例如，一个特征可能比另一个特征更有助于构建的标准或非标准行为。 [0156] 在框1150处，生成参考标准和非标准行为并保存以供稍后使用。例如，基于构建群体的特征的分类和得分，评估器电路630可以生成和存储“黄金标准”、正常或参考行为，用于训练复合模型和应用程序。类似地，学习器电路620可以基于构建群体的特征的分类和得分来生成和存储非标准、异常或反常参考行为。与标准参考行为一样，非标准参考行为可用于训练复合模型，并由评估器电路630应用于接收的构建数据。 [0157] 在框1160处，从标准和非标准参考行为生成复合模型。例如，复合模型可以是使用标准和非标准参考行为训练和测试的AI模型，使得复合模型可以区分标准和非标准行为，并且例如在新构建中识别非标准行为。通过使用已知/验证的标准和非标准行为训练和测试复合模型，复合模型可用于基于复合模型中反映的量化行为将新构建分类为标准的或非标准的。在某些示例中，导致这种行为的机器参数也可以通过复合模型基于其从识别的行为和相关联构建数据的训练来识别。例如，识别机器参数和/或参数值对于纠正非标准构建/机器行为可能很重要。 [0158] 因此，训练的、测试的和部署的复合模型可以在构建级、系统、子系统级(例如，束子系统等)等识别和解释变化。复合模型可以部署在各种群体(例如，当前构建、过去六个月的构建、过去一年的构建等)上。复合模型可以针对各种增材制造机器群(例如，DMLM、EBM、BinderJet等)进行训练和测试。 [0159] 在框1170处，将复合模型部署到评估器电路630和/或以其他方式存储、输出等。例如，复合模型和/或相关联标准和非标准行为参考信息可以存储在数据存储装置640、740中，以供评估器电路630使用。评估器电路630可以使用复合模型将构建分类为标准的或非标准的，识别非标准构建的贡献/因果因素，并输出非标准构建的校正动作。 [0160] 图12提供了关于上述示例评估器电路630对构建的评估的进一步示例细节。在框1210处，构建数据被评估器电路630摄取。例如，直接和/或通过数据存储装置610向评估器电路630提供构建构造/设置信息、传感器数据、图像、控制事件、构建元数据、重涂前后的图像、熔池时间序列数据、日志文件、其他传感器值等。评估器电路630可以处理原始传感器值、图像、机器设置、构建参数等，以形成特征(例如，利用特征引擎612)供复合模型处理。 [0161] 例如，特征提取器612可以从评估器电路630的设置、传感器统计、构建事件、基于物理/域的特征等中提取一个或多个特征。功能可以与事件、过滤、惰化、激光发射、重涂等有关。特征可以基于数值、属性等。特征可以基于最大/最小值、平均值、时间加权平均值、特定记录值、标准偏差等。 [0162] 在框1220处，评估器电路630根据参考行为评估构建。例如，相对于存储在数据存储装置640、740中的参考行为，在构建级、层级和/或元件级评估构建数据。可以评估一个或多个特征，并将其与复合模型的多变量和单变量方面进行比较。例如，可以计算得分(例如，异常得分等)，表示所审查构建的特征与复合模型的对应特征之间的距离。 [0163] 在框1230处，评估器电路630为构建生成一个或多个得分或度量。例如，评估器电路630生成不合规严重性度量。多个异常得分可以组合成严重性度量，指示不符合标准构建和/或相对于特定特征、设置、特性等的不符合。在某些示例中，基于属性的严重性得分被求和(例如，超出相关联区/范围越多，缺陷的严重性就越高)，以形成构建级严重性得分。例如，一组五个特征可以组合用于两个构建，以确定严重性。 [0164] 在框1240处，至少部分地基于得分/度量将构建分类为标准的或非标准的。例如，当构建具有低不合规严重性度量(例如，0.05、0.1等)时，则构建被分类为标准构建。当构建具有高不合规严重性度量时，则构建被分类为非标准构建。 [0165] 例如，可以强制实施3.0的低不合规严重性度量，以将构建标记为“绝对标准”。相反，10.0的高不合规严重性度量可以用作识别异常构建的指导方针。在某些示例中，进一步依赖其他度量以获得“非标准构建”标签。例如，构建可以从包含25个特征的参考系中进行评估，对于4.5的总不合规严重性度量，其中3个特征(例如，熔化持续时间、耙持续时间、柱温)分别对总不合规严重性度量贡献2.1、1.3和1.2分。例如，这样的得分可能被认为是标准的或未确定的。 [0166] 不合规严重性度量的范围或阈值通常取决于被建模的“非标准行为”。例如，先前未见的组合中的多个特征(例如，三个特征、四个特征等)可以驱动非标准行为的确定，如反映在高不合规严重性度量中。例如，物理特征的异常值可能驱动高不合规严重性度量。这种意图影响参数/特征的选择，进而导致根据具体情况选择最佳阈值。可以结合其他分类方法(例如，基于KNN的异常得分和来自HDBScan方法的无噪声聚类数据的区域等)选择不合规严重性的阈值。 [0167] 在框1250处，当构建被分类为非标准构建时，识别有助于确定非标准构建的一个或多个特征/因素。例如，具有不合规严重性度量和/或异常得分高于阈值的一个或多个特征可以被识别为非标准构建的分类促成因素。 [0168] 在框1260处，报告构建的分类。例如，生成指示构建已经被分类为标准或非标准构建的输出。例如，输出可以包括非标准构建的严重性的指示。严重性的指示还可以与导致和/或以其他方式有助于构建被分类为非标准的一个或多个特征相关联。因此，构建的输出分类可以包括构建的总体评估、一个或多个构建和/或特征严重性得分、层级图等。在某些示例中，可以诸如在特征级计算不合规严重性度量，以量化构建的行为变化(例如，构建期间相关联增材机器100、602的行为变化等)。 [0169] 在框1270处，如果构建被分类为非标准构建，则输出校正动作。例如，可以向相关联增材机器100、602、相关联控制器120等提供对正在进行的构建的一个或多个参数的调整。在某些示例中，可以安排预测性维护来纠正增材机器100、602中识别出的导致非标准构建(或者例如，几乎不标准但趋向于非标准构建行为的构建)的问题。在一些示例中，取决于异常/非标准构建的严重性，可以发送命令以取消构建。在某些示例中，提供了交互式显示，用户可以在其中明显地观察构建得分以及相关联特征，以便用户可以观察、选择和理解哪些特征有助于非标准行为。例如，然后可以经由图形用户界面进行调整。 [0170] 在一些示例中，在框1280处，可以基于参数/设置调整之后构建的继续、取消的构建的事后审查、用户覆盖等来收集反馈。例如，这种反馈可以修改评估器电路630的行为。 [0171] 图13是被结构化为执行图10‑12的指令以实施示例学习器电路620、评估器电路630等的示例处理器平台1300的框图。处理器平台1300可以是例如服务器、个人计算机、工TM 作站、自学习机(例如，神经网络)、移动装置(例如，手机、智能手机、平板电脑，诸如iPad )、个人数字助理(PDA)、互联网设备或任何其他类型的计算装置。 [0172] 所示示例的处理器平台1300包括处理器1312。所示示例的处理器1312是硬件。例如，处理器1312可以由一个或多个集成电路、逻辑电路、微处理器、GPU、DSP或来自任何期望系列或制造商的控制器来实施。硬件处理器可以是基于半导体(例如，基于硅)的器件。 [0173] 所示示例的处理器1312包括本地存储器1313(例如，高速缓存和/或其他存储器电路)。所示示例的处理器1312经由总线1318与包括易失性存储器1314和非易失性存储器1316的主存储器/存储器电路通信。易失性存储器1314可以由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、 动态随机存取存储器 和/或 任何其他类型的随机存取存储器装置来实施。非易失性存储器1316可以由闪存和/或任何其他期望类型的存储器装置/存储器电路来实施。对主存储器1314、1316的访问由存储器控制器控制。 [0174] 所示示例的处理器平台1300还包括接口电路1320。接口电路1320可以由任何类型的接口标准(例如以太网接口、通用串行总线(USB)、 接口、近场通信(NFC)接口和/或PCI express接口)来实施。 [0175] 在所示示例中，一个或多个输入装置1322连接到接口电路1320。输入装置1322允许用户将数据和/或命令输入处理器1312。输入装置可以由例如音频传感器、麦克风、相机(静态或视频)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球和/或语音识别系统来实施。 [0176] 一个或多个输出装置1324也连接到所示示例的接口电路1320。输出装置1324可以例如由显示装置(例如，发光二极管(LED)、有机发光二极管(OLED)、液晶显示器(LCD)、阴极射线管显示器(CRT)、就地开关(IPS)显示器、触摸屏等)、触觉输出装置和/或扬声器来实施。因此，所示示例的接口电路1320通常包括图形驱动卡、图形驱动芯片和/或图形驱动处理器。 [0177] 所示示例的接口电路1320还包括通信装置(例如发射器、接收器、收发器、调制解调器、住宅网关、无线接入点和/或网络接口)，以促进经由网络1326与外部机器(例如，任何种类的计算装置)的数据交换。通信可以经由例如以太网连接、数字用户线(DSL)连接、电话线连接、同轴电缆系统、卫星系统、现场无线系统、蜂窝系统等。 [0178] 所示示例的处理器平台1300还包括用于存储软件和/或数据的一个或多个大容量存储装置1328。这种大容量存储装置1328的示例包括软盘驱动器、硬盘驱动器、压缩盘驱动器、蓝光盘驱动器、独立盘冗余阵列(RAID)系统和数字通用盘(DVD)驱动器。 [0179] 图10‑12的机器可执行指令1332可以存储在大容量存储装置1328、易失性存储器1314、非易失性存储器1316中，和/或存储在可移动非暂时性计算机可读存储介质(诸如CD或DVD)上。 [0180] 图14是图13的处理器电路1312的示例实施方式的框图。在该示例中，图13的处理器电路1312由微处理器1400实施。例如，微处理器1400可以实施多核硬件电路(诸如CPU、DSP、GPU、XPU等)。尽管它可以包括任意数量的示例核1402(例如，1个核)，但是该示例的微处理器1400是包括N个核的多核半导体装置。微处理器1400的核1402可以独立地操作或可以协作以执行机器可读指令。例如，对应于固件程序、嵌入式软件程序或软件程序的机器代码可以由核1402中的一个执行，或者可以由核1402中的多个在相同时间或不同时间执行。在一些示例中，对应于固件程序、嵌入式软件程序或软件程序的机器代码被分成线程，并且由核1402中的两个或更多个并行执行。软件程序可以对应于图10‑12的流程图表示的机器可读指令和/或操作的一部分或全部。 [0181] 核1402可以通过示例总线1404进行通信。在一些示例中，总线1404可以实施通信总线以实现与核1402中的一个或多个相关联的通信。例如，总线1404可以实施内部集成电路(I2C)总线、串行外设接口(SPI)总线、PCI总线或PCIe总线中的至少一个。附加地或替代地，总线1404可以实施任何其他类型的计算或电气总线。核1402可以通过示例接口电路1406从一个或多个外部装置获得数据、指令和/或信号。核1402可以通过接口电路1406向一个或多个外部装置输出数据、指令和/或信号。尽管该示例的核1402包括示例本地存储器 1420(例如，可以被分成L1数据高速缓存和L1指令高速缓存的1级(L1)高速缓存)，但微处理器1400还包括可以被核共享的示例共享存储器1410(例如，2级(L2高速缓存))，用于高速访问数据和/或指令。数据和/或指令可以通过写入共享存储器1410和/或从共享存储器1410读取来传输(例如，共享)。每个核1402的本地存储器1420和共享存储器1410可以是包括多级高速缓存存储器和主存储器(例如，图13的主存储器1314、1316)的存储装置的层次结构的一部分。通常，与较低级别的存储器相比，层次结构中的较高级别的存储器表现出较短的访问时间并具有较小的存储容量。高速缓存层次结构的不同级别的变化由高速缓存一致性策略管理(例如，协调)。 [0182] 每个核1402可以被称为CPU、DSP、GPU等，或任何其他类型的硬件电路。每个核1402包括控制单元电路1414、算术和逻辑(AL)电路(有时称为ALU)1416、多个寄存器1418、L1高速缓存1420和示例总线1422。可能存在其他结构。例如，每个核1402可以包括矢量单元电路、单指令多数据(SIMD)单元电路、加载/存储单元(LSU)电路、分支/跳转单元电路、浮点单元(FPU)电路等。控制单元电路1414包括基于半导体的电路，其被构造为控制(例如，协调)对应核1402内的数据移动。AL电路1416包括基于半导体的电路，其被构造为对相应核1402内的数据进行一个或多个数学和/或逻辑运算。一些示例的AL电路1416进行基于整数的运算。在其他示例中，AL电路1416还进行浮点运算。在又一些示例中，AL电路1416可以包括进行基于整数的运算的第一AL电路和进行浮点运算的第二AL电路。在一些示例中，AL电路1416可以被称为算术逻辑单元(ALU)。寄存器1418是基于半导体的结构，以存储数据和/或指令，诸如由对应核1402的AL电路1416进行的一个或多个操作的结果。例如，寄存器1418可以包括矢量寄存器、SIMD寄存器、通用寄存器、标志寄存器、段寄存器、机器专用寄存器、指令指针寄存器、控制寄存器、调试寄存器、内存管理寄存器、机器检查寄存器等。如图14所示，寄存器1418可以布置在块中。替代地，寄存器1418可以以任何其他布置、格式或结构来组织，包括分布在整个核1402中以缩短访问时间。总线1422可以实施I2C总线、SPI总线、PCI总线或PCIe总线中的至少一个。 [0183] 每个核1402，和/或更一般地，微处理器1400可以包括上面示出和描述的那些的附加和/或替代结构。例如，可能存在一个或多个时钟电路、一个或多个电源、一个或多个功率门、一个或多个高速缓存归属代理(CHA)、一个或多个聚合/公共网格停止(CMS)、一个或多个移位器(例如，桶形移位器)和/或其他电路。微处理器1400是半导体器件，其被制作成包括许多互连的晶体管，以在一个或多个封装中包含的一个或多个集成电路(IC)中实施上述结构。处理器电路可以包括一个或多个加速器和/或与一个或多个加速器协作。在一些示例中，加速器由逻辑电路实施以比通用处理器可以完成的更快和/或更有效地进行某些任务。加速器的示例包括ASIC和FPGA，例如本文所讨论的那些。GPU或其他可编程装置也可以是加速器。加速器可以在处理器电路上、在与处理器电路相同的芯片封装中和/或在与处理器电路分开的一个或多个封装中。 [0184] 图15是图13的处理器电路1312的另一个示例实施方式的框图。在该示例中，处理器电路1312由FPGA电路1500实施。FPGA电路1500可以例如用于执行可以以其他方式由执行对应的机器可读指令的图14的示例微处理器1400进行的操作。然而，一旦被构造，FPGA电路1500在硬件中实例化机器可读指令并且因此通常可以执行操作，比由执行对应软件的通用微处理器进行该操作更快。 [0185] 更具体地，与上述图14的微处理器1400(其是可以被编程为执行由图10‑12的流程图表示的一些或全部机器可读指令但一旦制作完成其互连和逻辑电路就被固定的通用装置)相反，图15的示例的FPGA电路1500包括互连和逻辑电路，其可以在制作之后以不同的方式构造和/或互连以实例化例如由图10‑12的流程图表示的一些或全部机器可读指令。特别地，FPGA 1500可以被认为是逻辑门、互连和开关的阵列。开关可以被编程以改变逻辑门如何通过互连来互连，从而有效地形成一个或多个专用逻辑电路(除非并且直到FPGA电路1500被重新编程)。构造的逻辑电路使逻辑门能够以不同的方式协作，以对输入电路接收的数据进行不同的操作。这些操作可以对应于由图10‑12的流程图表示的软件中的一些或全部。因此，FPGA电路1500可以被构造成有效地将图10‑12的流程图的一些或全部机器可读指令实例化为专用逻辑电路，从而以类似于ASIC的专用方式进行对应于那些软件指令的操作。因此，FPGA电路1500可以进行对应于图10‑12的一些或全部机器可读指令的操作，比通用微处理器可以执行相同操作的速度更快。 [0186] 在图15的示例中，FPGA电路1500被构造为由最终用户通过硬件描述语言(HDL)(诸如Verilog)来编程(和/或重新编程一次或多次)。图15的FPGA电路1500包括示例输入/输出(I/O)电路1502，以从示例构造电路1504和/或外部硬件(例如，外部硬件电路)1506获得数据，和/或将数据输出到示例构造电路1504和/或外部硬件(例如，外部硬件电路)1506。例如，构造电路1504可以实施接口电路，接口电路可以获得机器可读指令以构造FPGA电路1500或其部分。在一些此类示例中，构造电路1504可以从用户、机器(例如，可以实施人工智能/机器学习(AI/ML)模型以生成指令的硬件电路(例如，编程或专用电路))等获得机器可读指令。在一些示例中，外部硬件1506可以实施图14的微处理器1400。FPGA电路1500还包括示例逻辑门电路1508的阵列、多个示例可构造互连1510、以及示例存储电路1512。逻辑门电路1508和互连1510可构造为实例化可对应于图10‑12的至少一些机器可读指令的一个或多个操作和/或其他期望操作。图15中所示的逻辑门电路1508以组或块的形式制作。每个块包括可以构造成逻辑电路的基于半导体的电气结构。在一些示例中，电气结构包括为逻辑电路提供基本构造块的逻辑门(例如，与门、或门、或非门等)。电控开关(例如，晶体管)存在于逻辑门电路1508中的每一个内，从而实现电气结构和/或逻辑门的构造来形成电路以进行期望的操作。逻辑门电路1508可以包括其他电气结构，例如查找表(LUT)、寄存器(例如，触发器或锁存器)、多路复用器等。 [0187] 所示示例的互连1510是可以包括电控开关(例如，晶体管)的传导路径、迹线、过孔等，该电控开关的状态可以通过编程(例如，使用HDL指令语言)改变，以激活或去激活一个或多个逻辑门电路1508之间的一个或多个连接来编程期望的逻辑电路。 [0188] 所示示例的存储电路1512被构造为存储由对应逻辑门进行的一个或多个操作的结果。存储电路1512可以由寄存器等实施。在所示示例中，存储电路1512分布在逻辑门电路1508之中，以促进访问并提高执行速度。 [0189] 图15的示例FPGA电路1500还包括示例专用操作电路1514。在该示例中，专用操作电路1514包括专用电路1516，其可以被调用以实施常用功能来避免需要在现场对那些功能进行编程。这种专用电路1516的示例包括存储器(例如，DRAM)控制器电路、PCIe控制器电路、时钟电路、收发器电路、存储器和乘法器‑累加器电路。可能存在其他类型的专用电路。在一些示例中，FPGA电路1500还可以包括示例通用可编程电路1518，例如示例CPU 1520和/或示例DSP 1522。可以附加地或替代地存在其他通用可编程电路1518，例如可以被编程以进行其他操作的GPU、XPU等。 [0190] 因此，示例FPGA电路1500可用于(重新)对准和/或校准多激光对准、缝合、附加构建执行的其他方面、编程等。在某些示例中，FPGA电路1500可用于得分和数据处理，在模型输出识别出与预期标准的偏差的情况下，与数据/事件的超记录一起和/或进一步结合使用。例如，在超记录期间收集的这种附加数据可以包括用于故障排除和调查的附加传感器数据和高频亚秒级控制输出。 [0191] 尽管图14和15示出了图13的处理器电路1312的两个示例实施方式，但是可以设想许多其他方法。例如，如上所述，现代FPGA电路可以包括板载CPU，诸如图15的示例CPU 1520中的一个或多个。因此，图13的处理器电路1312可以附加地通过组合图14的示例微处理器1400和图15的示例FPGA电路1500来实施。在一些这样的混合示例中，由图10‑12的流程图表示的机器可读指令的第一部分可以由图14的一个或多个核1402执行，并且由图10‑12的流程图表示的机器可读指令的第二部分可以由图15的FPGA电路1500执行。 [0192] 图16中示出了说明示例软件分发平台1605的框图，示例软件分发平台1605将软件(诸如图13的示例机器可读指令1332)分发给其他硬件装置(例如，由软件分发平台的所有者和/或运营商的第三方拥有和/或操作的硬件装置)。示例软件分发平台1605可以由能够存储软件并将软件传输到其他计算装置的任何计算机服务器、数据设施、云服务等来实施。第三方可以是拥有和/或操作软件分发平台1605的实体的客户。例如，拥有和/或操作软件分发平台1605的实体可以是软件(诸如图13的示例机器可读指令1332)的开发者、销售者和/或许可者。第三方可以是购买和/或许可软件以供使用和/或转售和/或再许可的消费者、用户、零售商、OEM等。在所示示例中，软件分发平台2105包括一个或多个服务器和一个或多个存储装置。存储装置存储机器可读指令1332，它们可以对应于图10‑12的示例机器可读指令，如上所述。示例软件分发平台1605的一个或多个服务器与示例网络1610通信，示例网络1610可以对应于互联网中的任何一个或多个和/或上述示例网络中的任何。在一些示例中，一个或多个服务器响应于将软件传输给请求方作为商业交易的一部分的请求。软件的交付、销售和/或许可的支付可以由软件分发平台的一个或多个服务器和/或第三方支付实体处理。服务器使购买者和/或许可者能够从软件分发平台1605下载机器可读指令1332。 例如，可以将可对应于图10‑12的示例机器可读指令的软件下载到示例可编程电路平台 1300，其将执行机器可读指令1332来实施全部或部分示例增材制造机器行为设备600等。在一些示例中，软件分发平台1605的一个或多个服务器周期性地提供、传输和/或强制软件的更新(例如，图13的示例机器可读指令1332)，以确保改进、补丁、更新等被分发并应用于最终用户装置上的软件。虽然上文称为软件，但分发式“软件”可以替代地是固件。 [0193] 现在应当理解，本文所述的装置、系统和方法监测、确定和调整增材制造装置和/或相关处理、构建等的健康状况。这些系统和方法摄取数据、管理状态、处理分析，并生成可动作输出，用于分层、构建方面和机器方面的调整。这种监测、处理和调整是不可能手动进行的，需要依靠分析处理器来实现。另外，根据本公开的系统和方法通过确定机器、处理和/或构建的特定和总体健康状况并对其作出反应，提高了诊断构建和/或增材制造装置的准确性。 [0194] 进一步方面由以下条项的主题提供： [0195] 一种示例设备，包括学习器电路，所述学习器电路用于：处理来自一组第一构建的第一数据，以从所述一组第一构建中学习行为；将所述一组第一构建中的每个构建分类为标准构建或非标准构建；对所学习的行为进行建模以形成标准参考行为和非标准参考行为，所述标准参考行为包括第一特征，并且所述非标准参考行为包括第二特征；并且输出所述标准参考行为和所述非标准参考行为以对附加构建进行分类。所述示例设备包括评估器电路，所述评估器电路用于：摄取第二构建的第二数据；将所述第二数据与所述标准参考行为和所述非标准参考行为进行比较处理；将所述第二构建分类为标准构建或非标准构建；并且当所述第二构建被分类为非标准构建时，输出校正动作以解决与所述第二构建相关联的所述非标准构建行为的至少一个第二特征。 [0196] 根据前述条项所述的设备，进一步包括存储器电路，所述存储器电路用于存储所述标准参考行为和所述非标准参考行为。 [0197] 根据任何前述条项所述的设备，其中，所述标准参考行为和所述非标准参考行为形成复合模型，所述复合模型被部署以供所述评估器电路用于对所述第二构建进行分类。 [0198] 根据任何前述条项所述的设备，其中，所述学习器电路用于构建和处理至少一个单变量模型和至少一个多变量模型，以形成所述标准参考行为和所述非标准参考行为。 [0199] 根据任何前述条项所述的设备，其中，所述一组第一构建来自一个或多个增材制造机器。 [0200] 根据任何前述条项所述的设备，其中，所述第二构建是增材制造机器上的正在进行的构建。 [0201] 根据任何前述条项所述的设备，其中，所述第一特征和所述第二特征包括构建级特征和层级特征。 [0202] 根据任何前述条项所述的设备，其中，所述学习器电路用于计算不合规严重性度量，以将构建分类为标准构建或非标准构建，所述不合规严重性度量基于与所述第一特征和所述第二特征相关联的得分，所述不合规严重性度量能够将有助于分类的所述第二特征中的一个或多个识别为非标准构建。 [0203] 一种包括指令的示例非暂时性计算机可读介质，当由处理器电路执行时，所述指令使所述处理器电路至少：处理来自一组第一构建的第一数据，以从所述一组第一构建中学习行为；将所述一组第一构建中的每个构建分类为标准构建或非标准构建；对所学习的行为进行建模以形成标准参考行为和非标准参考行为，所述标准参考行为包括第一特征，并且所述非标准参考行为包括第二特征；输出所述标准参考行为和所述非标准参考行为以对附加构建进行分类；摄取第二构建的第二数据；将所述第二数据与所述标准参考行为和所述非标准参考行为进行比较处理；将所述第二构建分类为标准构建或非标准构建；并且当所述第二构建被分类为非标准构建时，输出校正动作以解决与所述第二构建相关联的所述非标准参考行为的至少一个第二特征。 [0204] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述处理器电路包括学习器电路和评估器电路，所述学习器电路用于存储所述标准参考行为和所述非标准参考行为，以供所述评估器电路用于对所述第二构建进行分类。 [0205] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述标准参考行为和所述非标准参考行为形成复合模型，所述复合模型被部署以对所述第二构建进行分类。 [0206] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述处理器电路用于构建和处理至少一个单变量模型和至少一个多变量模型，以形成所述标准参考行为和所述非标准参考行为。 [0207] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述一组第一构建来自一个或多个增材制造机器。 [0208] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述第二构建是增材制造机器上的正在进行的构建。 [0209] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述第一特征和所述第二特征包括构建级特征和层级特征。 [0210] 根据任何前述条项所述的非暂时性计算机可读介质，其中，所述处理器电路用于计算不合规严重性度量，以将构建分类为标准构建或非标准构建，所述不合规严重性度量基于与所述第一特征和所述第二特征相关联的得分，所述不合规严重性度量能够将有助于分类的所述第二特征中的一个或多个识别为非标准构建。 [0211] 一种用于分析和管理一个或多个增材制造机器中的构建的示例方法，包括：通过使用处理器电路执行指令来处理来自一组第一构建的第一数据，以从所述一组第一构建中学习行为；通过使用所述处理器电路执行指令来将所述一组第一构建中的每个构建分类为标准构建或非标准构建；通过使用所述处理器电路执行指令来对所学习的行为进行建模以形成标准参考行为和非标准参考行为，所述标准参考行为包括第一特征，并且所述非标准参考行为包括第二特征；通过使用所述处理器电路执行指令来输出所述标准参考行为和所述非标准参考行为以对附加构建进行分类；通过使用所述处理器电路执行指令来摄取第二构建的第二数据；通过使用所述处理器电路执行指令来将所述第二数据与所述标准参考行为和所述非标准参考行为进行比较处理；通过使用所述处理器电路执行指令来将所述第二构建分类为标准构建或非标准构建；以及当所述第二构建被分类为非标准构建时，通过使用所述处理器电路执行指令来输出校正动作，以解决与所述第二构建相关联的所述非标准参考行为的至少一个第二特征。 [0212] 根据任何前述条项所述的方法，进一步包括形成具有所述标准参考行为和所述非标准参考行为的复合模型，所述复合模型被部署以对所述第二构建进行分类。 [0213] 根据任何前述条项所述的方法，其中，分类进一步包括构建和处理至少一个单变量模型和至少一个多变量模型，以形成所述标准参考行为和所述非标准参考行为。 [0214] 根据任何前述条项所述的方法，进一步包括计算不合规严重性度量，以将构建分类为标准构建或非标准构建，所述不合规严重性度量基于与所述第一特征和所述第二特征相关联的得分，所述不合规严重性度量能够将有助于分类的所述第二特征中的一个或多个识别为非标准构建。 [0215] 虽然本文已经示出和描述了特定示例，但是应当理解，在不脱离所要求保护的主题的精神和范围的情况下，可以进行各种其他变化和修改。此外，尽管本文描述了所要求保护的主题的各个方面，但是这些方面不需要组合使用。因此，所附权利要求旨在涵盖所要求保护的主题的范围内的所有此类变化和修改。 |
||
QQ群二维码
意见反馈
意见反馈