[go: up one dir, main page]

WO2019170286A1 - Verfahren und vorrichtung zum selbstoptimierenden, additiven herstellen von bauteilkomponenten - Google Patents

Verfahren und vorrichtung zum selbstoptimierenden, additiven herstellen von bauteilkomponenten Download PDF

Info

Publication number
WO2019170286A1
WO2019170286A1 PCT/EP2019/000071 EP2019000071W WO2019170286A1 WO 2019170286 A1 WO2019170286 A1 WO 2019170286A1 EP 2019000071 W EP2019000071 W EP 2019000071W WO 2019170286 A1 WO2019170286 A1 WO 2019170286A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter
layer
component
observation data
artificial intelligence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2019/000071
Other languages
English (en)
French (fr)
Inventor
Joachim Bamberg
Katrin Friedberger
Frank Stiehler
Christoph Ader
Frederik ELISCHBERGER
Alexander Ladewig
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MTU Aero Engines AG
Original Assignee
MTU Aero Engines AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MTU Aero Engines AG filed Critical MTU Aero Engines AG
Publication of WO2019170286A1 publication Critical patent/WO2019170286A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/141—Processes of additive manufacturing using only solid materials
    • B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49018—Laser sintering of powder in layers, selective laser sintering SLS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder

Definitions

  • the present invention relates to a method and a device for the self-optimizing, additive production of component components according to the preamble of claim 1 or the preamble of claim 10.
  • DE 10 2015 207 254 A1 discloses a method for producing a dreidimensio cal object by layered solidification of a powdery organizingmate rials by electromagnetic radiation, wherein an irregularity determination of a presence of a Jerusalemirregulartician with respect to at least one vinparame ter is carried out during manufacture and during scanning with The elektagnetic beam scanning is interrupted at least one current point of the cross-section to be solidified on the basis of a result of Irregularticiansar.
  • An object of an embodiment of the present invention is to improve the quality of the manufactured component component and to accelerate an optimization of the production parameters.
  • a method for self-optimizing, additive manufacturing of component components has the following steps: a) starting a reference construction job by means of additive production of a component in a building device; b) observing the additive production of the reference construction job and acquiring observation data; and / or c) evaluating a solidification process of a building material at least partially solidified during the additive production of the reference construction job and acquiring evaluation data; d) transmitting the observation data and / or the evaluation data to a computing device with artificial intelligence implemented; e) optimizing at least one parameter for the additive production by the artificial intelligence implemented in the computing device; f) transmitting the at least one parameter to a control device of the building device and further performing the remaining construction job using the at least one transmitted parameter Pa; and g) iterative execution of steps b) to f) during the further execution of the reference construction job.
  • the artificial intelligence implemented in the computing device comprises a neural network, wherein the observation data and the evaluation data are input to an input layer of the neural network and the at least one optimized additive manufacturing parameter is output from an output layer of the neural network.
  • step a) comprises the following substeps: a) at least one powder layer in a construction area on a platform or on one or more component component layers located on the platform; a2) locally solidifying the at least one powder layer by selective exposure by means of a high-energy beam in the construction area to form a layer of the component component; a3) lowering the platform by a predefined layer thickness; and a4) repeating steps al) to a3) until the component component is completed.
  • step b) comprises an optical method, in particular optical tomography, and / or an acoustic method, in particular ultrasound sound analysis, and / or a thermography / laser thermography and / or an eddy current examination and / or a melt monitoring.
  • a correlating parameter is preferably acquired between the layer production quantities and the layer production result of the reference component.
  • a correlation value of an optically observed layer surface is determined as the correlating parameter, whereby a correlation between the production process of the layer surface (s), for example by a high-energy beam, and the production result, for example by a Melting result, can be produced.
  • the correlation value and thus the correlating parameter can be determined as a gray value by the optical method.
  • a correlating parameter of training describes the structure, for example, can also be a stretch, a medium and / or a maximum grain size.
  • the gray value of a local area for example an area of less than pm, can also be referred to as a pixel and is a measure of the intensity of the melting light due to the melting process by means of a high-energy beam.
  • a plurality of gray values can be determined at each exposure as a pixel image or a gray-scale image, wherein each pixel of the pixel image represents a gray value.
  • step c) comprises a thermography / laser thermography and / or an eddy current test.
  • the parameter in step e) preferably has a scanning speed of the high-energy beam, an energy input of the high-energy beam into the powder layer, a type of protective gas flow over the construction area, a scanning pattern or scanning strategy of the high-energy beam, in particular an exposure surface of the high-energy beam, a strip angle, a particle size a powder in the powder layer, a type of layer as an up-skin, down-skin, in-skin component component and / or a size of the predefined layer thickness.
  • Process parameters may be, for example, a length of an exposure path of the high energy beam (hatch vector length), a distance between two exposure paths of the high energy beam (Hatch distance), an exposure direction of the high energy beam, also relative to a gas flow direction, a particle size of a powder in the powder layer, and a layer thickness.
  • Process parameters are in particular of the device for self-optimizing, additive production of component components predetermined Pa Parameters that are involved in a solidification of the powder layer directly or indirectly.
  • the artificial intelligence can in particular be trained to obtain the correlating parameter and to use it as an input variable.
  • the artificial intelligence can use and evaluate the gray value of a pixel image or of a gray value image as an input vector.
  • a limit value or a limit range for one, some or all input variables in the above-described example, can be used by one of the artificial intelligence for one, some or all of the gray values for the evaluation.
  • the threshold may be pre-determined, trained or determined during previous steps of the method.
  • a gray value of a pixel may be an intensity of a melting light.
  • Artificial intelligence may be trained to incorporate pixels, in particular their discrete values on a finite scale, into an assessment strategy.
  • a (discrete) gray value below a (discrete) threshold as a positive factor, a (discrete) gray value above the (discrete) threshold as a negative factor can be included in the evaluation strategy.
  • a weighting coefficient or a weighting coefficient image can be assigned to one or more of the parameters to be optimized, in particular in relation to a position in the powder bed or the layer to be produced.
  • observation data and / or evaluation data in particular correlating parameters from previous steps, can be used in the evaluation strategy of a current shift.
  • the artificial intelligence can then based on a variety of positive and negative factors, in particular local over one or more pixel corresponding lengths adjust the (said) parameter, for example, reduce the energy input locally in the production of a next layer or locally adjust other parameters and so optimize.
  • the adaptation of the parameter can not be done locally. It can be provided that the adaptation depends on a causality between the correlating parameter and other input variables in the form of a causality vector, in the form of weighting coefficients or in the form of variables in Activation functions takes place. In this case, the causality can be determined, for example, by one or more training steps.
  • correlating parameters such as a type of defect, a number of defects or a defect size can be included in the evaluation strategy.
  • a pixel image of gray levels may be an input vector of an input layer in a neural network.
  • the input vector may additionally contain further variables. These quantities may include the observation data, the evaluation data and / or further process parameters.
  • a target value of the artificial intelligence evaluation strategy may be that the gray values of an image or at least a portion of the image upon completion of a layer are all below a threshold or within a threshold.
  • the artificial intelligence can adjust the parameters step by step during the construction job. It can be provided that the artificial intelligence over several layers attempts to reach the target value. It is also possible to simulate the parameters and compare a result of the simulation with expected results from a knowledge base created, for example, in an artificial intelligence training.
  • Artificial intelligence may be trained to optimize one or more parameters of the method in step e) for localized gray levels in certain violations of the threshold or boundary to obtain a more consistent halftone image, for example, a more uniform gray tone image Melting, or even to reach the above target value.
  • the optimization of the parameter can be location-dependent, that is, for example, at the local site or in this local area, in which a violation of the limit or leaving the border area was detected, take place.
  • causal-dependent adaptation can no longer be compellingly comprehensible and can only emerge in the course of a training session or even during a construction job.
  • a combination of local and causal adaptations is also possible.
  • the artificial intelligence selects an ideal combination of parameters from a multiplicity of possible combinations of parameters for the optimization.
  • the artificial intelligence can adjust other input variables, the weighting coefficients or modified the activation functions, if it recognizes that there are several possible combinations for optimizing the parameters.
  • comparable gray values can be achieved by optimizing a combination of the parameters energy input and web speed of the high-energy beam, the artificial intelligence then accessing further secondary variables and / or training variables from a database, for example noise or geometry-dependent and location-dependent gray-scale differences the layer.
  • observation data from step b) or the evaluation data from step c) acquire a correlating parameter between layer production values and layer production result of the reference component, where in the layer production variables in particular the transmitted parameters from step f), particularly preferably an optimized parameter from step e).
  • the method according to the invention can be designed such that the artificial intelligence is trained to optimize the parameter such that a target value of the observation data and / or the evaluation data, in particular a target value of a correlating parameter, is reached or approximated.
  • the artificial intelligence transmits first observation data and / or first evaluation data, which in a first run of the method is transmitted to the artificial intelligence when a first layer is set up. were compared with second observation data and / or second evaluation data transmitted to artificial intelligence in a later than the first pass of the method in a subsequent layer construction, and
  • the observation data comprise a correlating parameter, which is determined by an optical tomography and represents a measure of a light intensity of a melting light, that the parameter is a power of an energy input of a high-energy beam, and that the artificial intelligence Power of the energy input locally reduced when a comparison of the correlating parameter with training data can expect a too large number of Albertstel sources in the structure of the cured melt in this layer.
  • This procedure represents a very special artificial intelligence assessment strategy in order to optimize the parameter in step e). Further and / or additional features for the artificial intelligence assessment strategy are already indicated above in this application.
  • the transmission of the observation data and the evaluation data to the computing device and the transmission of the at least one parameter to the control device takes place online via a network, in particular via the Internet.
  • the method has a step for storing the observation data, the evaluation data and / or the at least one parameter in a data bank, preferably a cloud. More preferably, a plurality of building devices are networked with the database. Learning can be further accelerated by networking individual autonomous additive manufacturing systems.
  • an apparatus for self-optimizing additive manufacturing of component components having a component component manufacturing component manufacturing apparatus has a device for observing additive manufacturing of a reference construction job and acquiring observation data; an apparatus for evaluating a method of obtaining a building material at least partially solidified in the additive production of the reference construction job and acquiring evaluation data; an apparatus for transmitting the observation data and the evaluation data to an artificial intelligence implementing computing apparatus that optimizes at least one additive manufacturing parameter; a device for transmitting the at least one parameter to a control device of the Bauvor direction, which performs the remaining construction job using the at least one transmitted parameter on.
  • the device according to the invention achieves the same advantages as the method according to the invention.
  • a means in the sense of the present invention may be embodied as hardware and / or software, in particular a data or signal-connected, preferably digital, processing, in particular microprocessor unit (CPU or GPU), preferably with a memory and / or bus system. and / or one or more programs or program modules.
  • the CPU may be adapted to handle instructions implemented as a program stored in a memory system, to capture input signals from a data bus, and / or to output output signals to a data bus.
  • the GPU may be designed to efficiently perform the necessary operations for training the potentially deep neural network. However, the training should not be limited exclusively to the GPU, but may, depending on the effort, also be performed on parts on the CPU or on other, separate, application-specific hardware such as TPUs (tensor processing units).
  • a storage system may comprise one or more, in particular different, storage media. have, in particular optical, magnetic, solid state and / or other non-volatile media.
  • one or more, in particular special all, steps of the method are completely or partially automated, in particular by the controller or her (e) means.
  • Fig. 1 is a construction device which can be used in the method of the present inven tion
  • FIG. 2 is a flow chart of an embodiment of the method according to the present invention.
  • Fig. 3 is a principle of optical tomography
  • Fig. 4 different radiation with different spectra, which arise in egg ner heating of the powder layer and can be detected by the optical tomography;
  • Fig. 7 shows an example of a neural network.
  • Fig. 1 shows a schematic representation of a building apparatus 10 which can be used in the method of the present invention. It is a construction device 10 for producing a metallic component component 30, in particular special a metallic component component 30 of a turbomachine, by means of selective laser melting (Selective Laser Melting SLM).
  • the component component 30 may be, for example, a complex rotor blade or vane High-pressure turbine act.
  • the construction device 10 comprises a powder feeder or coater 18 for applying a powder layer 28 of a metallic material 22 in a construction area 40 above a platform 12.
  • the metallic material 22 is stored in a reservoir 20 and is tion over the Pulverzut 18, which in particular as Coater is formed, layer by layer on the platform 12 or on itself already on the platform 12 located powder layers 28 applied.
  • the metallic material 22 may consist in particular of a titanium or nickel alloy.
  • the average grain size of the metallic material 22 used may be about 10 to 100 mih.
  • One or more applied powder layers 28 are layered and locally fused and / or sintered in the building area 40 to form at least a portion of a layer of the component component 30 by means of a laser beam 16 emitted by a laser source 14.
  • a laser beam 16 emitted by a laser source 14.
  • an Nd: YAG laser is used in the illustrated embodiment: Its laser power can be between 400 and 1000 W, depending on the type of component.
  • the control of the laser beam 16 results in a prescribed component geometry of the component component 30.
  • the material not required for the construction of the component component 30 is transferred by means of the coater 18 into an overflow container 24. The unneeded material is indicated at 26.
  • the construction device 10 comprises an induction device 32 which has two induction coils 42, 44.
  • the two induction coils 42, 44 form a crossing region and are constructed according to the so-called cross-coil concept.
  • the induction device 32 is about the powder layer 28 relation ship as the platform 12 designed to be movable.
  • the induction device 32 is configured to heat or heat a portion of the component component 30 by local fusion and / or bonding with the material 22 of the powder layer 28 by means of inductive heating at a temperature or temperature range the solidification temperature of the metallic material used 22 is trainees form.
  • high temperature nickel-base alloys as a material 22, such as M247
  • said temperature range is above from about 1250 to 1260 ° C.
  • the induction device 32 is thereby controlled and regulated by means of a control device (not shown). On the one hand, this relates to the power of the induction device 32 or of the individual induction coils 42, 44 as well as their position above the platform 12.
  • the shape and the material structure of the component component 30 are determined beforehand as a computer-generated model (CAD model) in a computer.
  • the layer information generated therefrom is input as corresponding data in the control device of the building apparatus 10. These data then serve to control the individual components of the construction device 10.
  • At least one powder layer 28 is applied in the construction area 40 directly on the platform 12 or on one or more powder layer 28 already located on the platform 12.
  • the powder layer 28 is locally solidified by selectively exposing the high energy beam 16 in the build area 40 to form a layer of the component component 30.
  • at least partial heating of the material 22 in the powder layer 28 may be effected by the induction device 32 in a ductile heating manner.
  • the platform 12 is lowered by a predefined layer thickness, and the previous passes are repeated until the component component 30 is completed.
  • the present invention is not limited to the laser melting method.
  • the device component 30 may be fabricated by other additive techniques, such as selective laser sintering (SLS), selective heat sintering (SHS), fused deposition modeling (FDM), 3D printing, electron beam melting (EBM), cladding Cladding or metal powder application method (MPA).
  • SLS selective laser sintering
  • SHS selective heat sintering
  • FDM fused deposition modeling
  • EBM electron beam melting
  • cladding Cladding metal powder application method
  • FIG. 2 shows a flowchart of an embodiment of the method according to the present invention, by means of which the additive production of the component components 30 can be optimized on its own.
  • a reference building job is started by means of additive production of a component component 30 in the building apparatus 10.
  • a step b the additive production of the reference construction job is observed, and observation data is acquired.
  • the observation data can be highly complex and multidimensional data. The observation happens online during the execution of the reference construction job.
  • a solidification process of a building material solidified in the additive production of the reference construction job is evaluated, and evaluation data is acquired.
  • the rating data may include facts such as crack size, Rissan number, etc.
  • the observation is non-destructive and in egg nem period in which one to five subsequent layers are solidified.
  • the rating is done online during the execution of the reference construction job.
  • the observation data and the evaluation data are transmitted to a computing device and input into an input layer of a neural network implemented in the computing device.
  • At least one parameter for the additive production is optimized by the artificial intelligence implemented in the computing device.
  • a step f) the at least one parameter is transmitted to a control device of the building device 10.
  • the at least one parameter is implemented in a construction job program, in which CAD data of the component component 30 as well as other manufacturing parameters are incorporated.
  • the remaining construction job is continued using the at least one transmitted parameter.
  • the steps b) to f) are carried out iteratively using the at least one parameter transmitted in the previous step f), for example until the component component 30 is completed or reaches a predetermined quality level.
  • step h an offline follow-up of component component 30 can take place.
  • an optical method in particular an optical tomography shown in FIG. 3, can be used.
  • optical tomography one or more powder layers 28 of the component component 30 are imaged.
  • slice images of the component component 30 are determined during their additive production by means of a detection device 31.
  • the detection device 31 can detect a measured variable in a spatially resolved manner, which characterizes an energy input into the pulse 28 of the component component 30.
  • the detection device 31 can be, for example, a CMOS, an sCMOS or a CCD sensor, which detects infrared radiation as a measured variable.
  • a slice image can be composed of several, for example 100 to 1000 individual images, which for example can have an exposure time between 1.0 ms and 5000 ms.
  • Fig. 4 shows the laser beam 16 having, for example, a wavelength of 1064 nm.
  • Reference numerals 45, 46 and 47 denote beams in different spectrums radiated from the powder layer 28.
  • the reference numeral 45 denotes heat radiation in the visible infrared region.
  • the reference numeral 46 designates reflected laser light.
  • the reference numeral 47 denotes a plasma radiation in the range between 400 and 600 nm. At least the radiations 45 and 47 can be detected by corresponding detection means 31.
  • a two-dimensional image of the powder layer 28 or a three-dimensional image of the component component 30 is then based on the determined layer images he witnesses, which can optionally be displayed on a display device. From the he averaged slice images, the observation data are acquired in step b), which are then transferred to the computing device at step d) and input to the input layer of the neural network.
  • step b) it is possible to compare the image of the component component 30 in step b) with a desired image of the component component 30, wherein as a target image, a data model and / or an X-ray image of the component component 30 and / or an image of a Reference component can be used. Deviations between the image and the target image may be used as the observation data.
  • an acoustic method in particular special ultrasonic sound analysis, can be used.
  • ultrasonic signals are emitted by a transmitter device of an ultrasonic transducer device at least to egg nem portion of the solidified component component 30.
  • the transmitter device can be arranged below, above or to the side of the platform 12.
  • a receiving device receives the ultrasonic signals and determines at least one parameter that characterizes the ultrasonic signals.
  • This parameter can be the transit time of the reflected ultrasound signals, the sound amplitude of the reflected ultrasound signals or at least one frequency component of the reflected ultrasound signals, wherein the at least one parameter can be determined, in particular, over a predetermined period of time.
  • a plurality of the ultrasonic transducer devices as an array, in particular phase-shifted, are controlled.
  • Step c) may have a thermography / laser thermography exemplified in FIG. 5.
  • a thermographic image of at least one image or an image sequence 51 of a single applied and at least partially solidified layer 28 is produced by a thermography device 52, 53, 54 during step a).
  • the thermography device 52, 53, 54 has a (laser) scanner 53, a thermal camera 52 and a dichroic mirror 54.
  • the layer 28 may optionally be subjected to an additional, controlled heat treatment below the melting temperature of the material 22 prior to the thermographic image of the associated image.
  • the heat treatment can by the Laser source 14 or by the induction device 32 done.
  • the heat through the laser beam 16 during solidification or the heat through the additional heat treatment causes a radiant heat emanating from the layer 28, the occurrence of at least one crack 56 in the layer 28 has a characteristic heat history at the crack 56, wherein the heat history and thus the Crack 56 be made visible on the associated thermographic recording.
  • the cracks can be detected by absorption (so-called laser trap), emission or by a lateral heat accumulation or a lateral heat conduction.
  • the controlled heat treatment, a heat radiation in the layer 28 he testify, which is in the infrared range at the edge of the visible spectrum and in the Erfas sungsspektrum the thermography device 52, 53, 54.
  • an eddy current test shown by way of example in FIG. 6 can take place.
  • an eddy current scan is generated for example in a frequency range of 1 MHz to 10 MHz in the at least partially ver consolidated region of the powder layer 28, wherein a scanning depth preferably corresponds to a multiple of the layer thickness.
  • the eddy current test is suitable for crack testing. If the eddy current scan flows evenly in the material, its electrical resistance is homogeneous and damage can be ruled out. If cracks or foreign bodies are present in the material, the specific resistance and thus the eddy current density change with respect to the remaining material.
  • a linear eddy current array 61 is arranged in a ridge 62.
  • the linear eddy current array 61 may alternatively be arranged in the powder feed 18.
  • a We belstromscan is shown, in which a plurality of defects 63, 64, 65 are shown.
  • the reference numeral 63 denotes cracks
  • the reference numeral 64 denotes pores
  • the reference numeral 65 denotes not or insufficiently molten powder 22.
  • a material characterization of the at least partially solidified region of the powder layer 28 may take place, taking into account a preceding effect. Belstromscans of solidified areas deeper powder layers 28 are determined. With each eddy current scan a multi-frequency measurement can be carried out.
  • the observation data and evaluation data acquired in the above-described steps b) and c) are transmitted to the artificial intelligence implementing computing apparatus.
  • step e) the at least one additive manufacturing parameter is optimized by the artificial intelligence implemented in the computing device, and at step f) the at least one parameter is transmitted to a controller of the building device 10 so that the remaining construction job is used tion of the at least one transmitted parameter is continued.
  • the artificial intelligence implemented in the computing device has a neuronal network, wherein the observation data and the evaluation data are input to an input layer of the neural network and the at least one optimized parameter for the additive production is output from an output layer of the neuron network becomes.
  • Fig. 7 shows an example of a neural network having an input layer 71, an intermediate layer 72 and an output layer 73.
  • the input layer 71 is supplied with corresponding input values by an input vector.
  • a neuron can process one input value or several input values.
  • the neural network has successive layers of neurons connected to interconnections in the form of weighting coefficients Wn, ij.
  • Wn weighting coefficients
  • a neuron counteracts the multiplication and addition-weighted activations, ie the initial values, of all the neurons connected to it and evaluates, based on the sum and an activation function ordered to it, on how high the activation is for this neuron.
  • the activations U3, k of the output layer 73 of the neural network can be concatenations of very many linear combinations and depend on the weights used and the input values and the particular activation used. functions.
  • the connecting elements add and / or multiply the output signals of the preceding neurons by weighting coefficients Wn, ij and Wnj, k, respectively.
  • weight coefficients Wn, ij and Wnj, k are variable and are determined mutually independently. However, it can also be provided that the weight coefficients are changed on the basis of an evaluation of the production of a layer in the same construction job.
  • the values of the weight coefficients Wn, ij connecting the input layer with the intermediate layer can be considered as the respective coupling strengths between neurons of the intermediate layer U2j and the neurons of the input layer Ul, i. If the output layer U3, k of the neural network consists only of a single neuron U3, I, a single output value from the last neuron of the neural network is generated according to a particular combination of input signal values supplied to the input layer of the neural network.
  • the neural network can have several intermediate layers, so that so-called deep learning is possible.
  • the neural network is trained to output the at least one parameter based on the input observation data and evaluation data such that the quality of the component component 30 reaches a predetermined quality level.
  • the predetermined quality level may be, for example, a maximum allowable number of cracks in an area or volume unit or a maximum allowable size of the cracks.
  • the predetermined quality level can be set arbitrarily.
  • the parameter output from the output layer of the neural network and optimized in step e) can be a scanning speed of the high energy beam 16, an energy input of the high energy beam 16, a type of protective gas flow over the building area 40, a scanning pattern of the high energy beam 16, a particle size of a powder 22 in the powder layer 28, a kind of the layer as up-skin, down-skin, in-skin of the component component 30 and / or a size of the predefined th layer thickness.
  • the transmission of the observation data and the evaluation data to the computing device in step d) and the transmission of the at least one parameter to the control device in step f) can take place online via a network, in particular the Internet.
  • the computing device may have read / write access to a data server.
  • observation data, the evaluation data and / or the at least one parameter can be stored in a database, preferably a cloud.
  • the steps a) to g) can advantageously be carried out in real time. It is possible to network several building devices 10 with the database in order to accelerate the learning process of the neural network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Powder Metallurgy (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkomponenten (30), gekennzeichnet durch die folgenden Schritte: a) Starten eines Referenz-Baujobs; b) Beobachten der additiven Herstellung des Referenz-Baujobs und Akquirieren von Beobachtungsdaten; c) Bewerten eines Verfestigungsprozesses eines bei der additiven Herstellung des Referenz-Baujobs zumindest teilweise verfestigten Baumaterials und Akquirieren von Bewertungsdaten; d) Übertragen der Beobachtungsdaten und der Bewertungsdaten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz; e) Optimieren zumindest eines Parameters durch die künstliche Intelligenz; f) Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvorrichtung (10) und weiteres Durchführen des verbleibenden Baujobs unter Verwendung des zumindest einen übertragenen Parameters; und g) iterative Durchführung der Schritte b) bis f) während der weiteren Durchführung des Referenz-Baujobs.

Description

Verfahren und Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bau teilkomponenten
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum selbstop- timierenden, additiven Herstellen von Bauteilkomponenten nach dem Oberbegriff von Anspruch 1 bzw. dem Oberbegriff von Anspruch 10.
Ein Online-Beobachten einer Additiven Fertigung mittels Enhanced Vision Techno logie, hier insbesondere mittels optischer Tomografie, ggf. zusätzlich mit Ultra- schall-Klanganalyse ist aus der EP 2 666 612 Al und der DE 10 2011 008 774 Al bekannt. Eine zerstörungsfreie Online-Bewertung eines Verfestigungsprozesses mittels Laserthermografie und Wirbelstromprüfung ist aus der DE 10 2014 212 246 B3 und der EP 2747 934 Bl bekannt.
DE 10 2015 207 254 Al offenbart ein Verfahren zur Herstellung eines dreidimensio nalen Objekts mittels schichtweiser Verfestigung eines pulverförmigen Aufbaumate rials durch elektromagnetische Strahlung, wobei eine Irregularitätsermittlung eines Vorliegens einer Prozessirregularität in Bezug auf mindestens einen Prozessparame ter bei der Herstellung durchgefuhrt wird und während des Abtastens mit dem elekt romagnetischen Strahl der Abtastvorgang an mindestens einer aktuellen Stelle des zu verfestigenden Querschnitts auf Basis eines Ergebnisses der Irregularitätsermittlung unterbrochen wird.
Allerdings erfordern das Design und die Herstellung vieler Baujobs zeitintensive, manuelle Nachuntersuchungen. Daraus resultiert ein langsamer Erkenntnisgewinn über Zusammenhänge zwischen Design, Fertigungsparametem und Auftreten von Fehlertypen. Damit sind iterative Trial-and-Error- Versuche erforderlich. Dies wiede rum fuhrt zu hohen Kosten, unter anderem durch die aufwendigen Nachuntersuchun gen.
BESTÄTIGUNGSKOPIE Eine Aufgabe einer Ausführung der vorliegenden Erfindung ist es, die Qualität der hergestellten Bauteilkomponente zu verbessern und eine Optimierung der Ferti- gungsparameter zu beschleunigen.
Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. eine Vorrichtung mit den Merkmalen des Anspruchs 10. Vorteilhafte Ausfüh- rungsformen der Erfindung sind Gegenstand der Unteransprüche.
Nach einem Aspekt der vorliegenden Erfindung hat ein Verfahren zum selbstopti mierenden, additiven Herstellen von Bauteilkomponenten die folgenden Schritte: a) Starten eines Referenz-Baujobs mittels additiver Herstellung einer Bauteil komponente in einer Bauvorrichtung; b) Beobachten der additiven Herstellung des Referenz-Baujobs und Akquirieren von Beobachtungsdaten; und/oder c) Bewerten eines Verfestigungsprozesses eines bei der additiven Herstellung des Referenz- Baujobs zumindest teilweise verfestigten Baumaterials und Akquirieren von Bewertungsdaten; d) Übertragen der Beobachtungsdaten und/oder der Bewertungsdaten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz; e) Optimieren zumindest eines Parameters für die additive Herstellung durch die in der Rechenvor richtung implementierte künstliche Intelligenz; f) Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvorrichtung und weiteres Durchführen des verbleibenden Baujobs unter Verwendung des zumindest einen übertragenen Pa rameters; und g) iterative Durchführung der Schritte b) bis f) während der weiteren Durchführung des Referenz-Baujobs.
In vorteilhafter Weise wird eine sehr schnelle, personenunabhängige Entwicklung und Optimierung der additiven Fertigung zur Erlangung der gestalterischen Freiheit für additiv gefertigte Bauteile erzielt. Darüber hinaus wird eine Wissensdatenbank für die additive Fertigung selbständig aufgebaut. Es kann eine schnelle Adaption der additiven Fertigung für neue Werkstoffe und neue Plattformen für additive Fertigung von verschiedenen Anlagenherstellem erreicht werden. Durch die Erfindung wird für das additiv gefertigte Produkt in einem komplexen Parameterraum in kürzester Zeit eine Bauweise gefunden, die hinsichtlich Qualität und Festigkeit optimal ist. Vorzugsweise weist die in der Rechenvorrichtung implementierte künstliche Intelligenz ein neuronales Netz auf, wobei die Beobachtungsdaten und die Bewertungsdaten in eine Eingabeschicht des neuronalen Netzes eingegeben werden und der zumindest eine optimierte Parameter für die additive Herstellung aus einer Ausgabe schicht des neuronalen Netzes ausgegeben wird. Dies ermöglicht ein weiter verbes- sertes, selbstständiges Erkennen von Zusammenhängen zum Beispiel durch Deep Learning, insbesondere wenn das neuronale Netz über mehrere Zwischenschichten verfugt, und eine Generierung eines verbesserten Baujobs mittels künstlicher Intelli genz.
Vorzugsweise weist der Schritt a) folgende Unterschritte auf: al) Aufträgen zumin dest einer Pulverschicht in einem Baubereich auf einer Plattform oder auf einer oder mehreren auf der Plattform befindlichen Bauteilkomponentenschichten; a2) lokales Verfestigen der zumindest einen Pulverschicht durch selektives Belichten mittels ei nes Hochenergiestrahls im Baubereich, um eine Schicht der Bauteilkomponente aus zubilden; a3) Absenken der Plattform um eine vordefinierte Schichtdicke; und a4) Wiederholen der Schritte al) bis a3), bis die Bauteilkomponente fertiggestellt ist.
Vorzugsweise weist der Schritt b) ein optisches Verfahren, insbesondere optische Tomografie, und/oder ein akustisches Verfahren, insbesondere Ultraschallklangana lyse, und/oder eine Thermografie/Laserthermografie und/oder eine Wirbelstromprü- fimg und/oder ein Schmelzmonitoring auf. In Schritt b) wird bevorzugt ein korrelie render Parameter zwischen den Schichtherstellungsgrößen und dem Schichtherstellungsergebnis des Referenzbauteils akquiriert. Besonders bevorzugt wird als korre lierender Parameter ein Korrelationswert einer optisch beobachteten Schichtfläche ermittelt, wodurch in dem weiter unten noch näher beschriebenen Schritt e) eine Kor relation zwischen dem Herstellungsprozess der Schichtfläche(n), beispielsweise durch einen Hochenergiestrahl, und dem Herstellungsergebnis, beispielsweise durch ein Schmelzergebnis, hergestellt werden kann. Dabei liegt eine Korrelation bei spielsweise zwischen einem lokalen Energieeintrag und einer Ausbildung des Gefü ges nach dem Verfestigungsprozess an dieser Stelle vor. Insbesondere kann der Kor relationswert und damit der korrelierende Parameter als ein Grauwert durch das optische Verfahren ermittelt werden. Ein korrelierender Parameter, der die Ausbildung des Gefüges beschreibt, kann beispielsweise auch eine Streckung, eine mittlere und/oder eine maximale Korngröße sein. Der Grauwert eines lokalen Gebiets, beispielsweise einer Fläche in der Größe weniger pm, kann weiterhin als Pixel bezeich- net werden und ist ein Maß für die Intensität des Schmelzlichtes durch den Schmelz- vorgang mittels Hochenergiestrahl. Eine Vielzahl an Grauwerten kann bei jeder Aufnahme als ein Pixelbild oder ein Grauwertbild ermittelt werden, wobei jeder Pixel des Pixelbildes einen Grauwert repräsentiert. Es versteht sich, dass anstelle eines Grauwertes auch ein Farbwert oder im Falle eines akustischen Verfahrens eine lokale Frequenz, eine lokale Amplitude einer Schallwelle oder im Falle einer Wirbelstrom prüfung eine induzierte Stromstärke und/oder induzierte Spannung beziehungsweise deren Phasenverschiebung zum Erregersignal oder ein weiterer oder anderer Korrela- tionswert herangezogen werden kann. Die Gesamtheit oder zumindest ein Anteil al- ler korrelierenden Parameterwerte können als Korrelationsbild bezeichnet werden. Dies wäre dann beispielsweise das Grauwertbild. Vorzugsweise weist der Schritt c) eine Thermografie/Laserthermografie und/oder eine Wirbelstromprüfung auf.
Vorzugsweise weist der Parameter im Schritt e) eine Abtastgeschwindigkeit des Hochenergiestrahls, einen Energieeintrag des Hochenergiestrahls in die Pulver schicht, eine Art einer Schutzgasströmung über dem Baubereich, ein Abtastmuster oder eine Abtaststrategie des Hochenergiestrahls, insbesondere eine Belichtungsflä che des Hochenergiestrahls, einen Streifenwinkel, eine Partikelgröße eines Pulvers in der Pulverschicht, eine Art der Schicht als Up-Skin, Down-Skin, In-Skin der Bauteil komponente und/oder eine Größe der vordefinierten Schichtdicke auf.
Es kann vorgesehen sein, dass der künstlichen Intelligenz zumindest ein weiterer o- der weitere Parameter und/oder Prozessparameter zur Optimierung des (besagten) Parameters als Eingangsgrößen übermittelt werden. Prozessparameter können bei spielsweise sein: eine Länge einer Belichtungsbahn des Hochenergiestrahls (Hatch- vektorlänge), ein Abstand zwischen zwei Belichtungsbahnen des Hochenergiestrahls (Hatchabstand), eine Belichtungsrichtung des Hochenergiestrahls, auch relativ zu einer Gasströmungsrichtung, eine Partikelgröße eines Pulvers in der Pulverschicht, und eine Schichtdicke. Prozessparameter sind insbesondere von der Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkomponenten vorgegebene Pa- rameter, die an einer Verfestigung der Pulverschicht direkt oder indirekt beteiligt sind.
Die künstliche Intelligenz kann insbesondere dazu trainiert sein, den korrelierenden Parameter zu erhalten und als Eingangsgröße zu nutzen. Beispielsweise kann die künstliche Intelligenz den Grauwert eines Pixelbildes beziehungsweise eines Grau- wertbildes als Eingangsvektor heranziehen und bewerten. Dabei kann beispielsweise ein Grenzwert oder ein Grenzbereich für einen, einige oder alle Eingangsgrößen, im vorbeschriebenen Beispiel für einen, einige oder alle Grauwerte von der künstlichen Intelligenz für die Bewertung herangezogen werden. Der Grenzwert kann vorab fest gelegt, trainiert oder während vorheriger Schritte des Verfahrens bestimmt werden. Ein Grauwert eines Pixels kann eine Intensität eines Schmelzlichtes sein. Die künst liche Intelligenz kann trainiert sein, Pixel, insbesondere deren Diskretwerte auf einer begrenzten Skala, in eine Bewertungsstrategie zu übernehmen. Beispielsweise kann ein (diskreter) Grauwert unterhalb eines (diskreten) Grenzwertes als ein positiver Faktor, ein (diskreter) Grauwert oberhalb des (diskreten) Grenzwertes als ein negati ver Faktor in die Bewertungsstrategie einfließen. Dabei kann ein Gewichtungskoeffi zient oder ein Gewichtungskoeffizientenbild, einem oder mehreren der zu optimie renden Parameter, insbesondere in Relation zu einer Position im Pulverbett bezie hungsweise der herzustellenden Schicht, zugewiesen sein. Während eines Baujobs (Referenzbaujobs) können Beobachtungsdaten und/oder Bewertungsdaten, insbeson dere korrelierende Parameter aus vorangegangenen Schritten mit in die Bewertungs strategie einer aktuellen Schicht herangezogen werden. Die künstliche Intelligenz kann dann basierend auf einer Vielzahl von positiven und negativen Faktoren, insbe sondere lokal über eine oder mehrere einem Pixel entsprechende Längen den (besag ten) Parameter anpassen, beispielsweise den Energieeintrag lokal bei der Herstellung einer nächsten Schicht reduzieren oder lokal andere Parameter anpassen und so op timieren. Die Anpassung des Parameters kann aber auch nicht lokal erfolgen. Es kann vorgesehen sein, dass die Anpassung in Abhängigkeit einer Kausalität zwischen dem korrelierenden Parameter und anderen Eingangsgrößen in Form eines Kausali tätsvektors, in Form von Gewichtungskoeffizienten oder in Form von Variablen in Aktivierungsfunktionen erfolgt. Dabei kann die Kausalität beispielsweise durch ei- nen oder mehrere Trainingsschritte ermittelt werden.
Ferner können alternativ oder zusätzlich korrelierende Parameter wie eine Defektart, eine Defektanzahl oder eine Defektgröße in die Bewertungsstrategie einbezogen werden.
Ein Pixelbild von Grauwerten kann beispielsweise ein Eingangsvektor einer Ein- gangsschicht in einem neuronalen Netz sein. Der Eingangsvektor kann zusätzlich weitere Größen enthalten. Diese Größen können die Beobachtungsdaten, die Bewer- tungsdaten und/oder weitere Prozessparameter umfassen.
Beispielsweise kann in einer Ausführungsform der Erfindung ein Zielwert der Be wertungsstrategie der künstlichen Intelligenz sein, dass die Grauwerte eines Bildes oder zumindest eines Ausschnitt des Bildes bei Abschluss einer Schicht sämtlich un terhalb eines Grenzwertes oder in einem Grenzbereich liegen. Um diesen Zielwert zu erreichen, kann die künstliche Intelligenz während des Baujobs die Parameter suk zessive Schrittweise anpassen. Es kann vorgesehen sein, dass die künstliche Intelli genz über mehrere Schichten hinweg versucht den Zielwert zu erreichen. Es kann auch eine Simulation der Parameter erfolgen und ein Ergebnis der Simulation mit erwarteten Ergebnissen aus einer Wissensdatenbank, die beispielsweise in einem Training der künstlichen Intelligenz erstellt wurde, verglichen werden.
Die künstliche Intelligenz kann darauf trainiert sein, bei bestimmten Übertretungen des Grenzwertes oder des Grenzbereichs durch lokale Grauwerte, einen oder mehrere Parameter des Verfahrens in Schritt e) zu optimieren, um bei der Herstellung einer später hergestellten Schicht zu einem besseren Grauwertbild, das beispielsweise eine gleichmäßigere Schmelze darstellt, oder sogar zu dem oben genannten Zielwert zu gelangen. Die Optimierung des Parameters kann ortsabhängig, das heißt beispiels weise an der lokalen Stelle oder in diesem lokalen Gebiet, in dem eine Übertretung des Grenzwertes oder ein Verlassen des Grenzbereichs detektiert wurde, erfolgen.
Sie kann aber auch oder zusätzlich kausalabhängig, das heißt durch Einflussgrößen wie die Strömungsgeschwindigkeit oder Strömungsrichtung des Schutzgases erfol- gen. Während die ortsabhängige Anpassung noch recht anschaulich und plausibel erscheinen mag, kann eine kausalabhängige Anpassung nicht mehr zwingend nachvollziehbar sein und sich erst im Laufe eines Trainings oder sogar während eines Baujobs heraussteilen. Es ist auch eine Kombination aus lokalen und kausalen An passungen möglich.
Es kann sein, dass in dem Schritt e) mehrere Parameter optimiert werden. Dabei kann vorgesehen sein, dass die künstliche Intelligenz eine ideale Kombination an Parame tern aus einer Vielzahl von möglichen Kombinationen an Parametern für die Opti mierung auswählt. Hierzu kann die künstlichen Intelligenz weitere Eingangsgrößen, die Gewichtskoeffizienten anpassen oder die Aktivierungsfunktionen abgeändert heranziehen, wenn Sie erkennt, dass es mehrere mögliche Kombinationen zur Opti mierung der Parameter gibt. Beispielsweise können vergleichbare Grauwerte durch das Optimieren einer Kombination der Parameter Energieeintrag und Bahnge schwindigkeit des Hochenergiestrahls erreicht werden, wobei die künstliche Intelli genz dann auf weitere Sekundärgrößen und/oder auf Trainingsgrößen aus einer Da tenbank zurückgreift, beispielsweise ein Rauschen oder geometrie- und ortsabhängige Grauwertdifferenzen über die Schicht.
Es kann vorgesehen sein, dass die Beobachtungsdaten aus Schritt b) oder die Bewer tungsdaten aus Schritt c) einen korrelierenden Parameter zwischen Schichtherstel lungsgrößen und Schichtherstellungsergebnis des Referenzbauteils akquirieren, wo bei die Schichtherstellungsgrößen insbesondere den übertragenen Parameter aus Schritt f), besonders bevorzugt einen optimierten Parameter aus Schritt e) umfassen.
Ferner kann das erfindvmgsgemäße Verfahren derart gestaltet sein, dass die künstli che Intelligenz trainiert ist, den Parameter so zu optimieren, dass ein Zielwert der Beobachtungsdaten und/oder der Bewertungsdaten, insbesondere ein Zielwert eines korrelierenden Parameters, erreicht oder angenähert wird.
Ergänzend kann vorgesehen sein, dass die künstliche Intelligenz erste Beobach tungsdaten und/oder erste Bewertungsdaten, die in einem ersten Durchlauf des Ver fahrens bei einem Aufbau einer ersten Schicht an die künstliche Intelligenz übermit- telt wurden, mit zweiten Beobachtungsdaten und/oder zweiten Bewertungsdaten ver- gleicht, die in einem späteren als dem ersten Durchlauf des Verfahrens bei einem Aufbau einer nachfolgenden Schicht an die künstliche Intelligenz übermittelt wur den, und
- zu entscheiden, dass der Parameter unter Heranziehung einer ersten Bewertungsstrategie optimiert wurde und in diesem späteren Durchlauf nicht optimiert wird, wenn der Zielwert erreicht wurde,
- zu entscheiden, dass der Parameter unter Heranziehung der ersten Bewertungsstra tegie optimiert wurde, aber in diesem späteren Durchlauf unter Heranziehung der ersten Bewertungsstrategie optimiert wird, wenn der Zielwert angenähert aber nicht erreicht wurde, und
- zu entscheiden, dass der Parameter unter Heranziehung der ersten Bewertungsstra tegie nicht optimiert wurde und unter Heranziehung einer zweiten, anderen Bewer tungsstrategie optimiert wird, wenn der Zielwert nicht angenähert wurde.
Besonders bevorzugt kann vorgesehen, dass die Beobachtungsdaten einen korrelie render Parameter umfassen, der durch eine optische Tomografie ermittelt wird und ein Maß für eine Lichtintensität eines Schmelzlichts darstellt, dass der Parameter ei ne Leistung eines Energieeintrag eines Hochenergiestrahls ist, und dass die künstli che Intelligenz die Leistung des Energieeintrags lokal reduziert, wenn ein Vergleich des korrelierenden Parameters mit Trainingsdaten eine zu große Anzahl von Fehlstel len im Gefüge der ausgehärteten Schmelze in dieser Schicht erwarten lassen. Dieses Vorgehen stellt eine ganz spezielle Bewertungsstrategie der künstlichen Intelligenz dar, um den Parameter in Schritt e) zu optimieren. Weitere und/oder ergänzende Merkmale für die Bewertungsstrategie der künstlichen Intelligenz sind in dieser An meldung weiter oben bereits angegeben.
Vorzugsweise erfolgt das Übertragen der Beobachtungsdaten und der Bewertungsda ten zu der Rechenvorrichtung und das Übertragen des zumindest einen Parameters zu der Steuervorrichtung online über ein Netzwerk, insbesondere über das Internet.
Vorzugsweise hat das Verfahren einen Schritt zum Speichern der Beobachtungsda ten, der Bewertungsdaten und/oder des zumindest einen Parameters in einer Daten- bank, vorzugsweise einer Cloud. Weiter bevorzugt sind mehrere Bauvorrichtungen mit der Datenbank vernetzt. Das Lernen kann durch die Vernetzung einzelner auto- nomer additiver Fertigungssysteme weiter beschleunigt werden.
Nach einem anderen Aspekt der vorliegenden Erfindung hat eine Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkomponenten, die eine Bauvor- richtung zum additiven Herstellen von Bauteilkomponenten aufweist, eine Vorrich- tung zum Beobachten einer additiven Herstellung eines Referenz-Baujobs und zum Akquirieren von Beobachtungsdaten; eine Vorrichtung zum Bewerten eines Verfes tigungsprozesses eines bei der additiven Herstellung des Referenz-Baujobs zumindest teilweise verfestigten Baumaterials und zum Akquirieren von Bewertungsdaten; eine Vorrichtung zum Übertragen der Beobachtungsdaten und der Bewertungsdaten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz, die zumin dest einen Parameter für die additive Herstellung optimiert; eine Vorrichtung zum Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvor richtung, die den verbleibenden Baujob unter Verwendung des zumindest einen über tragenen Parameters weiter durchführt. Die erfindungsgemäße Vorrichtung erzielt dieselben Vorteile wie das erfindungsgemäße Verfahren.
Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretech nisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbei- tungs-, insbesondere Mikroprozessoreinheit (CPU oder GPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausge bildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm im plementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangs-signale an einen Datenbus abzugeben. Die GPU kann dazu aus- gebildet sein, die für das Training des unter Umständen tiefen neuronalen Netzwer kes notwendigen Operationen effizient auszuführen. Das Training soll dabei aber nicht ausschließlich auf die GPU beschränkt sein, sondern kann, je nach Aufwand, auch zu Teilen auf der CPU oder auf anderer, gesonderter, anwendungsspezifischer Hardware wie beispielsweise TPU's (Tensor processing units) ausgeführt werden.
Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speicherme- dien, insbesondere optische, magnetische, Festkörper- und/oder andere nichtflüchtige Medien aufweisen. In einer Ausführung werden ein oder mehrere, insbe sondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch die Steuerung bzw. ihr(e) Mittel.
Weitere vorteilhafte Weiterbildungen der vorliegenden Erfindung ergeben sich aus den Unteransprüchen und der nachfolgenden Beschreibung bevorzugter Ausführun gen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 eine Bauvorrichtung, die bei dem Verfahren der vorliegenden Erfin dung verwendet werden kann;
Fig. 2 ein Flussdiagramm einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung;
Fig. 3 ein Prinzip der optischen Tomografie;
Fig. 4 verschiedene Strahlungen mit unterschiedlichen Spektren, die bei ei ner Erwärmung der Pulverschicht entstehen und durch die optische Tomografie erfasst werden können;
Fig. 5 ein Prinzip einer Thermografie/Laserthermografie;
Fig. 6 ein Prinzip einer Wirbelstromprüfung; und
Fig. 7 ein Beispiel eines neuronalen Netzes.
Fig. 1 zeigt eine schematische Darstellung einer Bauvorrichtung 10, die bei dem Verfahren der vorliegenden Erfindung verwendet werden kann. Es handelt sich um eine Bauvorrichtung 10 zur Herstellung einer metallischen Bauteilkomponente 30, insbe sondere einer metallischen Bauteilkomponente 30 einer Strömungsmaschine, mittels selektivem Laserschmelzen ( Selective-Laser-Melting SLM). Bei der Bauteilkompo nente 30 kann es sich beispielsweise um eine komplexe Lauf- oder Leitschaufel einer Hochdruckturbine handeln. Die Bauvorrichtung 10 umfasst eine Pulverzuführung bzw. Beschichter 18 zum Aufträgen einer Pulverschicht 28 aus einem metallischen Werkstoff 22 in einem Baubereich 40 über einer Plattform 12. Der metallische Werkstoff 22 ist in einem Vorratsbehälter 20 gelagert und wird über die Pulverzufüh rung 18, welche insbesondere als Beschichter ausgebildet ist, schichtweise auf die Plattform 12 oder auf sich bereits auf der Plattform 12 befindliche Pulverschichten 28 aufgetragen. Der metallische Werkstoff 22 kann dabei insbesondere aus einer Titan- oder Nickellegierung bestehen. Die mittlere Korngröße des verwendeten metal lischen Werkstoffs 22 kann ca. 10 bis 100 mih betragen.
Eine oder mehrere aufgetragene Pulverschichten 28 werden im Baubereich 40 zur Ausbildung zumindest eines Teilbereichs einer Schicht der Bauteilkomponente 30 mittels eines von einer Laserquelle 14 abgegebenen Laserstrahls 16 schichtweise und lokal verschmolzen und/oder versintert. Als Laserquelle 14 wird in dem dargestellten Ausführungsbeispiel ein Nd: YAG- Laser verwendet: Dessen Laserleistung kann je nach Bauteiltyp insbesondere zwischen 400 bis 1000 W liegen. Durch die Steuerung des Laserstrahls 16 ergibt sich eine vorgeschriebene Bauteilgeometrie der Bauteilkomponente 30. Der nicht zum Aufbau der Bauteilkomponente 30 benötigte Werkstoff wird mittels des Beschichters 18 in einen Überlaufbehälter 24 überführt. Der nicht benötigte Werkstoff ist mit 26 gekennzeichnet.
Des Weiteren umfasst die Bauvorrichtung 10 eine Induktionsvorrichtung 32, die zwei Induktionsspulen 42, 44 aufweist. Die beiden Induktionsspulen 42, 44 bilden einen Kreuzungsbereich aus und sind nach dem so genannten Kreuzspulenkonzept aufgebaut. Die Induktionsvorrichtung 32 ist dabei über der Pulverschicht 28 bezie hungsweise der Plattform 12 verfahrbar ausgebildet. Des Weiteren ist die Indukti onsvorrichtung 32 dazu ausgelegt, eine Wärmebehandlung beziehungsweise Erwär mung eines Teilbereichs der Bauteilkomponente 30 durch ein lokales Verschmelzen und/oder Vereintem mit dem Werkstoff 22 der Pulverschicht 28 mittels induktiver Erwärmung bei einer Temperatur oder in einem Temperaturbereich, die/der über der Verfestigungstemperatur des verwendeten metallischen Werkstoffs 22 liegt, auszu bilden. Bei der Verwendung von hochwarmfesten Nickelbasislegierungen als Werk stoff 22, wie beispielsweise M247, liegt der genannte Temperaturbereich oberhalb von ca. 1250 bis 1260 °C. Die Induktionsvorrichtung 32 wird dabei mitels einer Steuervorrichtung (nicht dargestellt) gesteuert und geregelt. Dies betrifft einerseits die Leistung der Induktionsvorrichtung 32 beziehungsweise der einzelnen Indukti- onsspulen 42, 44 wie auch deren Position oberhalb der Platform 12.
Vor der eigentlichen Herstellung der Bauteilkomponente 30 werden vorab die Form und der Materialaufbau der Bauteilkomponente 30 als computergeneriertes Modell (CAD-Modell) in einem Computer bestimmt. Die daraus generierten Schichtinformationen werden als entsprechende Daten in der Steuervorrichtung der Bauvorrichtung 10 eingegeben. Diese Daten dienen dann zur Steuerung der einzelnen Komponenten der Bauvorrichtung 10.
Bei dem Verfahren zum additiven Herstellen einer Bauteilkomponente 30 wird zu nächst mindestens eine Pulverschicht 28 in dem Baubereich 40 direkt auf der Platform 12 oder auf einer oder mehreren sich bereits auf der Platform 12 befindlichen Pulverschicht 28 aufgetragen.
Anschließend wird die Pulverschicht 28 durch selektives Belichten mitels des Hochenergiestrahls 16 im Baubereich 40 lokal verfestigt, um eine Schicht der Bauteilkomponente 30 auszubilden. Vor dem selektiven Belichten kann optional eine zumindest teilweise Erwärmung des Werkstoffs 22 in der Pulverschicht 28 mitels in duktiver Erwärmung durch die Induktionsvorrichtung 32 erfolgen.
Danach wird die Platform 12 um eine vordefinierte Schichtdicke abgesenkt, und die vorherigen Schrite werden wiederholt, bis die Bauteilkomponente 30 fertiggestellt ist.
Die vorliegende Erfindung ist nicht auf das Laserschmelzverfahren beschränkt. Al ternativ kann die Bauteilkomponente 30 durch andere additive Verfahren hergestellt werden, wie zum Beispiel selektives Lasersintem (SLS), Selective-Heat-Sintering (SHS), Fused-Deposition-Modeling (FDM), 3D-Drucken, Elektronenstrahlschmelzen (EBM), Auftragschweißen bzw. Cladding oder Metall-Pulver- Auftragsverfahren (MPA). Fig. 2 zeigt ein Flussdiagramm einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung, durch das das additive Herstellen der Bauteilkomponenten 30 selbständig optimiert werden kann.
In einem Schritt a) wird ein Referenz-Baujob mittels additiver Herstellung einer Bauteilkomponente 30 in der Bauvorrichtung 10 gestartet.
In einem Schritt b) wird die additive Herstellung des Referenz-Baujobs beobachtet, und Beobachtungsdaten werden akquiriert. Die Beobachtungsdaten können hoch komplexe und multidimensionale Daten sein. Das Beobachten geschieht online während der Durchführung des Referenz-Baujobs.
In einem Schritt c) wird ein Verfestigungsprozess eines bei der additiven Herstellung des Referenz-Baujobs verfestigten Baumaterials bewertet, und Bewertungsdaten werden akquiriert. Die Bewertungsdaten können Tatsachen wie Rissgröße, Rissan zahl, etc. enthalten. Vorzugsweise erfolgt das Beobachten zerstörungsfrei und in ei nem Zeitraum, in dem eine bis fünf nachfolgende Schichten verfestigt werden. Das Bewerten geschieht online während der Durchführung des Referenz-Baujobs.
In einem Schritt d) werden die Beobachtungsdaten und die Bewertungsdaten zu einer Rechenvorrichtung übertragen und in eine Eingabeschicht eines in der Rechenvor richtung implementierten neuronalen Netzes eingegeben.
In einem Schritt e) wird zumindest ein Parameter für die additive Herstellung durch die in der Rechenvorrichtung implementierte künstliche Intelligenz optimiert.
In einem Schritt f) wird der zumindest eine Parameter zu einer Steuervorrichtung der Bauvorrichtung 10 übertragen. Der zumindest eine Parameter wird dabei in einem Baujobprogramm implementiert, in dem CAD-Daten der Bauteilkomponente 30 so wie weitere Fertigungsparameter einfließen. Der verbleibende Baujob wird unter Verwendung des zumindest einen übertragenen Parameters weiter durchgeführt. In einem Schritt g) werden die Schritte b) bis f) unter Verwendung des zumindest einen bei dem vorherigen Schritt f) übertragenen Parameters iterativ durchgeführt, zum Beispiel bis die Bauteilkomponente 30 fertiggestellt ist oder ein vorbestimmtes Qualitätsniveau erreicht.
In einem optionalen Schritt h) kann eine Offline-Nachuntersuchung der Bauteilkom ponente 30 erfolgen.
Bei dem Schritt b) kann ein optisches Verfahren, insbesondere eine in der Fig. 3 dargestellte optische Tomografie, verwendet werden. Bei der optischen Tomografie wird eine oder mehrere Pulverschichten 28 der Bauteilkomponente 30 abgebildet. Dabei werden Schichtbilder der Bauteilkomponente 30 während ihrer additiven Herstellung mittels einer Detektionseinrichtung 31 ermittelt. Die Detektionseinrichtung 31 kann eine Messgröße ortsaufgelöst erfassen, die einen Energieeintrag in die Pul verschicht 28 der Bauteilkomponente 30 charakterisiert. Die Detektionseinrichtung 31 kann zum Beispiel ein CMOS-, ein sCMOS- oder ein CCD-Sensor sein, der eine Infrarotstrahlung als Messgröße erfasst. Ein Schichtbild kann aus mehreren, zum Beispiel 100 bis 1000 Einzelbildern zusammengesetzt sein, die zum Beispiel eine Belichtungszeit zwischen 1,0 ms und 5000 ms haben können.
Fig. 4 zeigt den Laserstrahl 16, der zum Beispiel eine Wellenlänge von 1064 nm hat. Die Bezugszeichen 45, 46 und 47 bezeichnen Strahlen in unterschiedlichen Spektren, die von der Pulverschicht 28 abgestrahlt werden. Das Bezugszeichen 45 bezeichnet eine Wärmestrahlung im sichtbaren Infrarotbereich. Das Bezugszeichen 46 bezeich- net reflektiertes Laserlicht. Das Bezugszeichen 47 bezeichnet eine Plasmastrahlung im Bereich zwischen 400 und 600 nm. Zumindest die Strahlungen 45 und 47 können durch entsprechende Detektionseinrichtungen 31 erfasst werden.
Ein zweidimensionales Abbild der Pulverschicht 28 oder ein dreidimensionales Abbild der Bauteilkomponente 30 wird dann anhand der ermittelten Schichtbilder er zeugt, das optional an einer Anzeigeeinrichtung angezeigt werden kann. Aus den er mittelten Schichtbildem werden bei dem Schritt b) die Beobachtungsdaten akquiriert, welche anschließend bei dem Schritt d) zu der Rechenvorrichtung übertragen und in die Eingabeschicht des neuronalen Netzes eingegeben werden.
In einer Abwandlung ist es möglich, das Abbild der Bauteilkomponente 30 im Schritt b) mit einem Soll- Abbild der Bauteilkomponente 30 zu vergleichen, wobei als Soll- Abbild ein Datenmodell und/oder ein Röntgen-Abbild der Bauteilkomponente 30 und/oder ein Abbild eines Referenz-Bauteils verwendet werden kann. Abweichungen zwischen dem Abbild und dem Soll-Abbild können als die Beobachtungsdaten ver wendet werden.
Alternativ oder zusätzlich kann bei dem Schritt b) ein akustisches Verfahren, insbe sondere Ultraschallklanganalyse, genutzt werden. Dabei werden durch eine Sender einrichtung einer Ultraschallwandlereinrichtung Ultraschallsignale zumindest zu ei nem Teilbereich der verfestigten Bauteilkomponente 30 ausgesendet. Die Senderein richtung kann unterhalb, oberhalb oder seitlich der Plattform 12 angeordnet sein. Ei ne Empfangereinrichtung empfangt die Ultraschall Signale und bestimmt wenigstens einen Parameter, der die Ultraschallsignale charakterisiert. Dieser Parameter kann die Laufzeit der reflektierten Ultraschallsignale, die Schallamplitude der reflektierten Ultraschallsignale oder wenigstens ein Frequenzanteil der reflektierten Ultraschall signale sein, wobei der wenigstens eine Parameter insbesondere über eine vorbe stimmte Zeitspanne bestimmbar ist. Optional können mehrere der Ultraschallwand lereinrichtungen als Array, insbesondere phasenversetzt, angesteuert werden.
Der Schritt c) kann eine in der Fig. 5 beispielhaft dargestellte Thermogra- fie/Laserthermografie aufweisen. Dabei wird bei dem schichtweisen Aufbau der Bauteilkomponente 30 während des Schritts a) durch eine Thermografieeinrichtung 52, 53, 54 eine thermografische Aufnahme mindestens eines Bildes oder einer Bildsequenz 51 einer einzelnen aufgetragenen und zumindest teilweise verfestigten Schicht 28 erstellt. Die Thermografieeinrichtung 52, 53, 54 weist einen (Laser-) Scanner 53, eine Thermokamera 52 und einen dichroitischen Spiegel 54 auf. Die Schicht 28 kann optional vor der thermografischen Aufnahme des zugehörigen Bildes einer zusätzlichen, gesteuerten Wärmebehandlung unterhalb der Schmelztemperatur des Werkstoffs 22 unterzogen werden. Die Wärmebehandlung kann durch die Laserquelle 14 oder durch die Induktions Vorrichtung 32 erfolgen. Die Wärme durch den Laserstrahl 16 während der Verfestigung oder die Wärme durch die zusätzliche Wärmebehandlung bewirkt eine von der Schicht 28 ausgehende Wärmestrahlung, die beim Auftreten mindestens eines Risses 56 in der Schicht 28 einen charakteristischen Wärmeverlauf am Riss 56 aufweist, wobei der Wärmeverlauf und damit der Riss 56 mittels auf der zugehörigen thermografischen Aufnahme sichtbar gemacht werden. Die Risse können durch Absorption (so genannte Laserfalle), Emission oder durch einen lateralen Wärmestau bzw. eine laterale Wärmeleitung erfasst werden.
Die gesteuerte Wärmebehandlung kann eine Wärmestrahlung in der Schicht 28 er zeugen, die im Infrarotbereich am Rand des sichtbaren Spektrums und im Erfas sungsspektrum der Thermografieeinrichtung 52, 53, 54 liegt.
Alternativ oder zusätzlich kann bei dem Schritt c) eine in der Fig. 6 beispielhaft dar- gestellte Wirbelstromprüfimg erfolgen. Dabei wird ein Wirbelstromscan zum Bei spiel in einem Frequenzbereich von 1 MHz bis 10 MHz im zumindest teilweise ver festigten Bereich der Pulverschicht 28 erzeugt, wobei eine Scantiefe vorzugsweise einem Vielfachen der Schichtdicke entspricht. Die Wirbelstromprüfimg eignet sich zur Rissprüfung. Wenn der Wirbelstromscan gleichmäßig im Material fließt, ist des sen elektrischer Widerstand homogen, und eine Beschädigung kann ausgeschlossen werden. Befinden sich im Material Risse oder Fremdkörper, ändern sich der spezifi sche Widerstand und damit die Wirbelstromdichte in Bezug auf das restliche Materi al.
In der linken Abbildung der Fig. 6 ist ein lineares Wirbelstrom- Array 61 in einer Ra kel 62 angeordnet. Das lineare Wirbelstrom- Array 61 kann alternativ in der Pulver- zufiihrung 18 angeordnet sein. In der rechten Abbildung der Fig. 6 ist ein Wir belstromscan dargestellt, in dem mehrere Fehlstellen 63, 64, 65 abgebildet sind. Das Bezugszeichen 63 bezeichnet Risse, das Bezugszeichen 64 bezeichnet Poren, und das Bezugszeichen 65 bezeichnet nicht oder nicht ausreichend geschmolzenes Pulver 22.
Es kann optional eine Materialcharakterisierung des zumindest teilweise verfestigten Bereichs der Pulverschicht 28 unter Berücksichtigung eines vorhergehenden Wir- belstromscans von verfestigten Bereichen tieferliegender Pulverschichten 28 ermit- telt werden. Bei jedem Wirbelstromscan kann eine Multifrequenzmessung durchge führt werden.
Bei dem Schritt d) werden die bei den vorstehend beschriebenen Schritten b) und c) akquirierten Beobachtungsdaten und Bewertungsdaten zu der Rechenvorrichtung mit implementierter künstlicher Intelligenz übertragen.
Bei dem Schritt e) wir der zumindest eine Parameter für die additive Herstellung durch die in der Rechenvorrichtung implementierte künstliche Intelligenz optimiert, und bei dem Schritt f) wird der zumindest eine Parameter zu einer Steuervorrichtung der Bauvorrichtung 10 übertragen, so dass der verbleibende Baujob unter Verwen dung des zumindest einen übertragenen Parameters fortgesetzt wird.
Die in der Rechenvorrichtung implementierte künstliche Intelligenz weist ein neuro nales Netz auf, wobei die Beobachtungsdaten und die Bewertungsdaten in eine Ein- gabeschicht des neuronalen Netzes eingeben werden und der zumindest eine opti- mierte Parameter für die additive Herstellung aus einer Ausgabeschicht des neurona len Netzes ausgegeben wird.
Fig. 7 zeigt ein Beispiel eines neuronalen Netzes mit einer Eingangsschicht 71, einer Zwischenschicht 72 und einer Ausgangsschicht 73. Die Eingangsschicht 71 wird von einem Eingangsvektor mit entsprechenden Eingangswerten versorgt. Dabei kann ein Neuron einen Eingangswert oder mehrere Eingangswerte verarbeiten. Wie in der Fig. 7 gezeigt weist das neuronale Netz aufeinanderfolgende Schichten von Neuronen auf, die mit Zwischenverbindungen in Form von Gewichtskoeffizienten Wn,i j mit einander verbunden sind. Ein Neuron nimmt dabei die durch die Multiplikation und Addition gewichteten Aktivierungen, das heißt die Ausgangswerte, aller mit ihm verbundenen Neuronen entgegen und bewertet anhand der Summe und einer ihm zu geordneten Aktivierungsfunktion, wie hoch die Aktivierung, für dieses Neuron ist. Die Aktivierungen U3,k der Ausgangsschicht 73 des neuronalen Netzes können Verkettungen sehr vieler Linearkombinationen sein und sind von den verwendeten Ge wichten sowie den Eingangs werten und der jeweiligen verwendeten Aktivierungs- funktionen abhängig. Die Verbindungselemente addieren und/oder multiplizieren die Ausgangssignale der vorhergehenden Neuronen mit Gewichtskoeffizienten Wn,i j bzw. Wnj,k. Während des Lemvorgangs eines neuronalen Netzes sind diese Ge wichtskoeffizienten Wn,ij bzw. Wnj,k veränderlich und werden wechselseitig unabhängig bestimmt. Es kann aber auch vorgesehen sein, dass die Gewichtskoeffizien ten aufgrund einer Auswertung der Herstellung einer Schicht in demselben Baujob verändert werden. Die Werte der Gewichtskoeffizienten Wn,ij, welche die Ein gangs- mit der Zwischenschicht (verborgene Schicht) verbinden, können als die je weiligen Kopplungsstärken zwischen Neuronen der Zwischenschicht U2 j und den Neuronen der Eingangsschicht Ul, i betrachtet werden. Wenn die Ausgangsschicht U3,k des Neuronalen Netzes nur aus einem einzelnen Neuron U3,l besteht, wird ein einzelner Ausgangswert von dem letzten Neuron des Neuronalen Netzes entspre chend auf eine bestimmte Kombination von der Eingangsschicht des Neuronalen Netzes zugefuhrten Eingangssignalwerten erzeugt. Das neuronale Netz kann über mehrere Zwischenschichten verfugen, so dass ein so genanntes Deep-Learning er möglicht wird.
Das neuronale Netz ist darauf trainiert, den zumindest einen Parameter auf der Grundlage der eingegebenen Beobachtungsdaten und Bewertungsdaten so auszuge ben, dass die Qualität der Bauteilkomponente 30 ein vorbestimmtes Qualitätsniveau erreicht. Das vorbestimmte Qualitätsniveau kann zum Beispiel eine maximal zulässi ge Anzahl von Rissen in einer Flächen- oder Volumeneinheit oder eine maximale zulässige Größe der Risse sein. Das vorbestimmte Qualitätsniveau kann beliebig festgelegt werden.
Der aus der Ausgabeschicht des neuronalen Netzes abgegebene und bei dem Schritt e) optimierte Parameter kann eine Abtastgeschwindigkeit des Hochenergiestrahls 16, ein Energieeintrag des Hochenergiestrahls 16, eine Art einer Schutzgasströmung über dem Baubereich 40, ein Abtastmuster des Hochenergiestrahls 16, eine Partikel größe eines Pulvers 22 in der Pulverschicht 28, eine Art der Schicht als Up-Skin, Down-Skin, In-Skin der Bauteilkomponente 30 und/oder eine Größe der vordefinier ten Schichtdicke sein. Das Übertragen der Beobachtungsdaten und der Bewertungsdaten zu der Rechenvor richtung beim dem Schritt d) und das Übertragen des zumindest einen Parameters zu der Steuervorrichtung bei dem Schritt f) kann online über ein Netzwerk, insbesonde re das Internet, erfolgen. Die Rechenvorrichtung kann einen Schreib/Lese-Zugriff auf einen Datenserver haben. Zusätzlich können die Beobachtungsdaten, die Bewer- tungsdaten und/oder der zumindest eine Parameter in einer Datenbank, vorzugsweise einer Cloud, gespeichert werden. Die Schritte a) bis g) können in vorteilhafter Weise in Echtzeit durchgefuhrt werden. Es ist möglich, mehrere Bauvorrichtungen 10 mit der Datenbank zu vernetzen, um den Lernprozess des neuronalen Netzes zu be- schleunigen.
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei daraufhingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei daraufhingewiesen, dass es sich bei den exemplarischen Ausführun- gen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindes- tens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezugszeichenliste
Bauvorrichtung
Plattform
Laserquelle
Hochenergiestrahl, Laserstrahl
Pulverzufuhrung
Vorratsbehälter
Werkstoff
Überlaufbehälter
Werkstoff
Pulverschicht
Bauteilkomponente
Detektionseinrichtung
Induktionsvorrichtung
Baubereich
Induktionsspule
Induktionsspule
Wärmestrahlung
reflektiertes Laserlicht
Plasmastrahlung
Bildsequenz
Thermokamera
Scanner
dichroitischer Spiegel
Wirbelstrom-Array
Rakel
Riss
Pore
nicht oder nicht ausreichend geschmolzenes Pulver
Eingangsschicht
Zwischenschicht
Ausgangsschicht

Claims

Patentansprüche
1. Verfahren zum selbstoptimierenden, additiven Herstellen von Bauteilkomponen ten (30), gekennzeichnet durch die folgenden Schritte:
a) Starten eines Referenz-Baujobs mittels additiver Herstellung einer Bauteilkomponente (30) in einer Bauvorrichtung (10);
b) Beobachten der additiven Herstellung des Referenz-Baujobs und Akquirieren von Beobachtungsdaten;
c) insbesondere Bewerten eines Verfestigungsprozesses eines bei der additiven Herstellung des Referenz-Baujobs zumindest teilweise verfestigten Baumaterials und Akquirieren von Bewertungsdaten;
d) Übertragen der Beobachtungsdaten und insbesondere der Bewertungsdaten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz;
e) Optimieren zumindest eines Parameters für die additive Herstellung durch die in der Rechenvorrichtung implementierte künstliche Intelligenz;
f) Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvorrichtung (10) und weiteres Durchfuhren des verbleibenden Baujobs unter Verwendung des zumindest einen übertragenen Parameters; und
g) iterative Durchführung der Schritte b) bis f) während der weiteren Durchführung des Referenz-Baujobs.
2. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass in Schritt b) ein korrelierender Parameter zumindest als Teil der Beobachtungsdaten zwischen Schichtherstellungsgrößen und Schichtherstellungsergebnis des Referenzbauteils akquiriert wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
die in der Rechenvorrichtung implementierte künstliche Intelligenz ein neurona les Netz aufweist, wobei die Beobachtungsdaten und/oder die Bewertungsdaten in eine Eingabeschicht des neuronalen Netzes eingegeben werden und der zumindest eine optimierte Parameter für die additive Herstellung aus einer Ausgabeschicht des neuronalen Netzes ausgegeben wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
der Schritt a) folgende Unterschritte umfasst:
al) Aufträgen zumindest einer Pulverschicht (28) in einem Baubereich (40) auf einer Plattform (12) oder auf einer oder mehreren auf der Plattform (12) befind lichen Bauteilkomponentenschichten (28);
a2) lokales Verfestigen der zumindest einen Pulverschicht (28) durch selektives Belichten mittels eines Hochenergiestrahls (16) im Baubereich (40), um eine Schicht der Bauteilkomponente (30) auszubilden;
a3) Absenken der Plattform (12) um eine vordefinierte Schichtdicke; und a4) Wiederholen der Schritte al) bis a3), bis die Bauteilkomponente (30) fertig gestellt ist.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
der Schritt b) ein optisches Verfahren, insbesondere optische Tomografie, und/oder ein akustisches Verfahren, insbesondere Ultraschallklanganalyse, auf weist.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
der Schritt c) eine Thermografie/Laserthermografie und/oder eine Wirbelstrom prüfung aufweist.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
der Parameter im Schritt e) eine Abtastgeschwindigkeit des Hochenergiestrahls (16), ein Energieeintrag des Hochenergiestrahls (16) in die Pulverschicht (28), eine Art und/oder Richtung einer Schutzgasströmung über dem Baubereich (40), ein Abtastmuster oder eine Abtaststrategie des Hochenergiestrahls (16), eine Partikelgröße eines Pulvers (22) in der Pulverschicht (28), eine Art der Schicht als Up-Skin, Down-Skin, In-Skin der Bauteilkomponente (30) und/oder eine Größe der vordefinierten Schichtdicke umfasst.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Beobachtungsdaten aus Schritt b) oder die Bewertungsdaten aus Schritt c) einen korrelierenden Parameter zwischen Schichtherstellungsgrößen und Schichtherstellungsergebnis des Referenzbauteils akquirieren, wobei die
Schichtherstellungsgrößen insbesondere den übertragenen Parameter aus Schritt f), besonders bevorzugt einen optimierten Parameter aus Schritt e) umfassen.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die künstliche Intelligenz trainiert ist, den Parameter so zu optimieren, dass ein Zielwert der Beobachtungsdaten und/oder der Bewertungsdaten, insbesondere ein Zielwert eines korrelierenden Parameters, erreicht oder angenähert wird.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass die künstliche Intelli genz erste Beobachtungsdaten und/oder erste Bewertungsdaten, die in einem ers ten Durchlauf des Verfahrens bei einem Aufbau einer ersten Schicht an die künstliche Intelligenz übermittelt wurden, mit zweiten Beobachtungsdaten und/oder zweiten Bewertungsdaten vergleicht, die in einem späteren als dem ers ten Durchlauf des Verfahrens bei einem Aufbau einer nachfolgenden Schicht an die künstliche Intelligenz übermittelt wurden, und
- zu entscheiden, dass der Parameter unter Heranziehung einer ersten Bewer tungsstrategie optimiert wurde und in diesem späteren Durchlauf nicht optimiert wird, wenn der Zielwert erreicht wurde,
- zu entscheiden, dass der Parameter unter Heranziehung der ersten Bewertungs strategie optimiert wurde, aber in diesem späteren Durchlauf unter Heranziehung der ersten Bewertungsstrategie optimiert wird, wenn der Zielwert angenähert aber nicht erreicht wurde, und
- zu entscheiden, dass der Parameter unter Heranziehung der ersten Bewertungsstrategie nicht optimiert wurde und unter Heranziehung einer zweiten, anderen Bewertungsstrategie optimiert wird, wenn der Zielwert nicht angenähert wurde.
11. Verfahren nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass die Beobach tungsdaten einen korrelierender Parameter umfassen, der durch eine optische Tomografie ermittelt wird und ein Maß für eine Lichtintensität eines Schmelz lichts darstellt, dass der Parameter eine Leistung eines Energieeintrag eines Hochenergiestrahls ist, und dass die künstliche Intelligenz die Leistung des Energieeintrags lokal reduziert, wenn ein Vergleich des korrelierenden Parame- ters mit Trainingsdaten eine zu große Anzahl von Fehlstellen im Gefüge der ausgehärteten Schmelze in dieser Schicht erwarten lassen.
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
das Übertragen der Beobachtungsdaten und der Bewertungsdaten zu der Re- chenvorrichtung und das Übertragen des zumindest einen Parameters zu der Steuervorrichtung online über ein Netzwerk, insbesondere über das Internet, erfolgt.
13. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch Speichern der Beobachtungsdaten, der Bewertungsdaten und/oder des zumindest einen Parameters in einer Datenbank, vorzugsweise einer Cloud.
14. Verfahren nach dem vorhergehenden Anspruch, gekennzeichnet durch
Vernetzen von mehreren Bauvorrichtungen mit der Datenbank.
15. Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkompo- nenten, die eine Bauvorrichtung zum additiven Herstellen von Bauteilkompo nenten aufweist,
gekennzeichnet durch
eine Vorrichtung zum Beobachten einer additiven Herstellung eines Referenz- Baujobs und zum Akquirieren von Beobachtungsdaten;
eine Vorrichtung zum Bewerten eines Verfestigungsprozesses eines bei der addi tiven Herstellung des Referenz-Baujobs zumindest teilweise verfestigten Baumaterials und zum Akquirieren von Bewertungsdaten;
eine Vorrichtung zum Übertragen der Beobachtungsdaten und der Bewertungs- daten zu einer Rechenvorrichtung mit implementierter künstlicher Intelligenz, die zumindest einen Parameter für die additive Herstellung optimiert; und eine Vorrichtung zum Übertragen des zumindest einen Parameters zu einer Steuervorrichtung der Bauvorrichtung (10), die den verbleibenden Baujob unter Verwendung des zumindest einen übertragenen Parameters weiter durchführt.
PCT/EP2019/000071 2018-03-07 2019-03-07 Verfahren und vorrichtung zum selbstoptimierenden, additiven herstellen von bauteilkomponenten Ceased WO2019170286A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018203444.3 2018-03-07
DE102018203444.3A DE102018203444A1 (de) 2018-03-07 2018-03-07 Verfahren und Vorrichtung zum selbstoptimierenden, additiven Herstellen von Bauteilkomponenten

Publications (1)

Publication Number Publication Date
WO2019170286A1 true WO2019170286A1 (de) 2019-09-12

Family

ID=65991745

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/000071 Ceased WO2019170286A1 (de) 2018-03-07 2019-03-07 Verfahren und vorrichtung zum selbstoptimierenden, additiven herstellen von bauteilkomponenten

Country Status (2)

Country Link
DE (1) DE102018203444A1 (de)
WO (1) WO2019170286A1 (de)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210247325A1 (en) * 2020-02-10 2021-08-12 Stratasys, Inc. Method for multivariate testing, development, and validation of a material for an additive manufacturing device
CN114514083A (zh) * 2019-09-27 2022-05-17 弗兰德有限公司 利用硬化的增材制造方法
CN115526083A (zh) * 2022-10-25 2022-12-27 四川汇利实业有限公司 一种基于有限元分析的pvdc涂布方法、电子设备及系统
DE102021207503A1 (de) 2021-07-14 2023-01-19 Volkswagen Aktiengesellschaft Verfahren zum Erzeugen von Steuerdaten für ein Fertigungsbauteil für zumindest eine Fertigungsvorrichtung mittels einer elektronischen Recheneinrichtung, Computerprogrammprodukt sowie elektronische Recheneinrichtung
CN116461120A (zh) * 2023-05-17 2023-07-21 浙江恒耀电子材料有限公司 酚醛复合材料的制备方法及其系统
US12459202B2 (en) 2024-01-19 2025-11-04 3D Systems, Inc. Flow rate control in extrusion deposition process

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019122983A1 (de) * 2019-08-27 2021-03-04 Eos Gmbh Electro Optical Systems Verfahren zur generativen Fertigung von Bauteilen, Vorrichtung, Verfahren zur Steuerung und Speichermedium
DE102019124811B4 (de) 2019-09-16 2021-05-12 H-Next Gmbh Ultraschallsystem und bildgebendes Ultraschallverfahren
DE102019127952A1 (de) 2019-10-16 2021-04-22 Trumpf Laser- Und Systemtechnik Gmbh Verfahren zum Betreiben einer Einrichtung zur additiven Herstellung eines dreidimensionalen Objekts sowie Verfahren zum Erstellen eines Prozessfensters zur Durchführung des vorgenannten Verfahrens
EP3943220A1 (de) * 2020-07-24 2022-01-26 Aixway3D GmbH Vorrichtung und verfahren für ein pulversystem zur verbesserten pulvernutzungseffizienz in einem additiven herstellungsverfahren
DE102021130792A1 (de) 2021-11-24 2023-05-25 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zum Vergüten eines Bauteils in einem Schneid- und/oder Umformwerkzeug

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011008774A1 (de) 2011-01-18 2012-07-19 Mtu Aero Engines Gmbh Verfahren und Vorrichtung zur Prüfung der generativen Herstellung eines Bauteils
EP2666612A1 (de) 2012-05-25 2013-11-27 MTU Aero Engines GmbH Verfahren und Vorrichtung zum Abbilden wenigstens eines dreidimensionalen Bauteils
EP2747934A1 (de) 2011-08-27 2014-07-02 MTU Aero Engines GmbH Verfahren und vorrichtung zur generativen herstellung eines bauteils
DE102014212246B3 (de) 2014-06-26 2015-08-06 MTU Aero Engines AG Verfahren und Vorrichtung zur Qualitätssicherung
DE102015207254A1 (de) 2015-04-21 2016-12-01 Eos Gmbh Electro Optical Systems Vorrichtung und Verfahren zur generativen Herstellung eines dreidimensionalen Objektes
US20170050382A1 (en) * 2015-08-21 2017-02-23 Voxel8, Inc. Closed-Loop 3D Printing Incorporating Sensor Feedback
US20170144378A1 (en) * 2015-11-25 2017-05-25 Lawrence Livermore National Security, Llc Rapid closed-loop control based on machine learning
DE102016201290A1 (de) * 2016-01-28 2017-08-17 Siemens Aktiengesellschaft Verfahren zur Qualitätssicherung und Vorrichtung

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11201810504TA (en) * 2016-05-24 2018-12-28 Divergent Technologies Inc Systems and methods for additive manufacturing of transport structures

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011008774A1 (de) 2011-01-18 2012-07-19 Mtu Aero Engines Gmbh Verfahren und Vorrichtung zur Prüfung der generativen Herstellung eines Bauteils
EP2747934A1 (de) 2011-08-27 2014-07-02 MTU Aero Engines GmbH Verfahren und vorrichtung zur generativen herstellung eines bauteils
EP2666612A1 (de) 2012-05-25 2013-11-27 MTU Aero Engines GmbH Verfahren und Vorrichtung zum Abbilden wenigstens eines dreidimensionalen Bauteils
DE102014212246B3 (de) 2014-06-26 2015-08-06 MTU Aero Engines AG Verfahren und Vorrichtung zur Qualitätssicherung
DE102015207254A1 (de) 2015-04-21 2016-12-01 Eos Gmbh Electro Optical Systems Vorrichtung und Verfahren zur generativen Herstellung eines dreidimensionalen Objektes
US20170050382A1 (en) * 2015-08-21 2017-02-23 Voxel8, Inc. Closed-Loop 3D Printing Incorporating Sensor Feedback
US20170144378A1 (en) * 2015-11-25 2017-05-25 Lawrence Livermore National Security, Llc Rapid closed-loop control based on machine learning
DE102016201290A1 (de) * 2016-01-28 2017-08-17 Siemens Aktiengesellschaft Verfahren zur Qualitätssicherung und Vorrichtung

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114514083A (zh) * 2019-09-27 2022-05-17 弗兰德有限公司 利用硬化的增材制造方法
CN114514083B (zh) * 2019-09-27 2024-02-23 弗兰德有限公司 利用硬化的增材制造方法
US20210247325A1 (en) * 2020-02-10 2021-08-12 Stratasys, Inc. Method for multivariate testing, development, and validation of a material for an additive manufacturing device
US12158432B2 (en) * 2020-02-10 2024-12-03 Stratasys, Inc. Method for multivariate testing, development, and validation of a material for an additive manufacturing device
DE102021207503A1 (de) 2021-07-14 2023-01-19 Volkswagen Aktiengesellschaft Verfahren zum Erzeugen von Steuerdaten für ein Fertigungsbauteil für zumindest eine Fertigungsvorrichtung mittels einer elektronischen Recheneinrichtung, Computerprogrammprodukt sowie elektronische Recheneinrichtung
CN115526083A (zh) * 2022-10-25 2022-12-27 四川汇利实业有限公司 一种基于有限元分析的pvdc涂布方法、电子设备及系统
CN116461120A (zh) * 2023-05-17 2023-07-21 浙江恒耀电子材料有限公司 酚醛复合材料的制备方法及其系统
CN116461120B (zh) * 2023-05-17 2023-10-03 浙江恒耀电子材料有限公司 酚醛复合材料的制备方法及其系统
US12459202B2 (en) 2024-01-19 2025-11-04 3D Systems, Inc. Flow rate control in extrusion deposition process

Also Published As

Publication number Publication date
DE102018203444A1 (de) 2019-09-12

Similar Documents

Publication Publication Date Title
WO2019170286A1 (de) Verfahren und vorrichtung zum selbstoptimierenden, additiven herstellen von bauteilkomponenten
DE102016115241A1 (de) Adaptiver generativer fertigungsprozess unter verwendung des vor-ort-laser-ultraschalltestens
EP3542927A1 (de) Verfahren zum selektiven bestrahlen einer materialschicht, verfahren zum bereitstellen eines datensatzes, vorrichtung und computerprogrammprodukt
EP2905592A1 (de) Verfahren und Vorrichtung zur Bestimmung von Eigenspannungen eines Bauteils
DE102016205432A1 (de) Verfahren und Vorrichtung zum additiven Herstellen zumindest eines Bauteilbereichs eines Bauteils
DE102011008774A1 (de) Verfahren und Vorrichtung zur Prüfung der generativen Herstellung eines Bauteils
EP3403745A1 (de) Schichtbauverfahren und schichtbauvorrichtung zum additiven herstellen zumindest eines bauteilbereichs eines bauteils
EP3956736B1 (de) Computer-implementiertes verfahren zur bestimmung von defekten eines mittels eines additiven fertigungsprozesses hergestellten objekts
WO2018167024A1 (de) Verfahren zum bestimmen von druckprozessparameterwerten, verfahren zum steuern eines 3d-druckers, computer-lesbares speichermedium und 3d-drucker
DE102020002263A1 (de) Vorrichtung und Verfahren zum Erlernen einer Fokuspositionsverschiebung einer Laserbearbeitungsvorrichtung und Laserbearbeitungssystem, das eine Fokuspositionsverschiebung korrigiert
DE112021000437T5 (de) Defektdetektionsverfahren, Defektdetektionsvorrichtung und Vorrichtung zur additiven Fertigung
EP3488305B1 (de) Verfahren und vorrichtung zur ermittlung der bauteilqualität
EP4619183A1 (de) Verfahren zur bereitstellung einer verfahrensanweisung für die additive fertigung mittels machinellen lernens
WO2018210436A1 (de) Optimierung des energieeintrags im downskin
WO2023083929A1 (de) Verfahren, planungsvorrichtung und computerprogrammprodukt zum planen einer lokal selektiven bestrahlung eines arbeitsbereichs mit einem energiestrahl, sowie verfahren, fertigungsvorrichtung und computerprogrammprodukt zum additiven fertigen von bauteilen aus einem pulvermaterial
EP3807031B1 (de) Berechnung von belichtungsbahnen mit geringem bauteilverzug
DE102019208266A1 (de) Überwachung der maschinellen Fertigung von Werkstücken
DE102016210538A1 (de) Verfahren und Vorrichtung zum Fertigen von Objekten mit verbesserter Oberflächenbeschaffenheit
WO2023083575A1 (de) Verfahren, planungsvorrichtung und computerprogrammprodukt zum planen einer lokal selektiven bestrahlung eines arbeitsbereichs mit einem energiestrahl, sowie verfahren, fertigungsvorrichtung und computerprogrammprodukt zum additiven fertigen von bauteilen aus einem pulvermaterial
DE102017207832A1 (de) Positionsspezifischer Energieeintrag
EP3656489A1 (de) Regelungsverfahren für die additive herstellung
WO2023078762A1 (de) Verfahren, planungsvorrichtung und computerprogrammprodukt zum planen einer lokal selektiven bestrahlung eines arbeitsbereichs mit einem energiestrahl, sowie verfahren, fertigungsvorrichtung und computerprogrammprodukt zum additiven fertigen von bauteilen aus einem pulvermaterial
EP4045212A1 (de) Verfahren zum betreiben einer einrichtung zur additiven herstellung eines dreidimensionalen objekts sowie verfahren zum erstellen eines prozessfensters zur durchführung des vorgenannten verfahrens
WO2020173519A1 (de) Schichtbauverfahren und schichtbauvorrichtung zum additiven herstellen zumindest eines bauteilbereichs eines bauteils sowie computerprogrammprodukt und speichermedium
DE102023114366A1 (de) Verfahren und Vorrichtung zur Generierung von Steuerdaten für eine Vorrichtung zur additiven Fertigung eines Bauteils

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19714313

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19714313

Country of ref document: EP

Kind code of ref document: A1