西门子为3D打印-增材制造提供数据集的方法和相应的质量控制方法专利获批

| 3DScienceValley · 2022/06/21

3D打印-增材制造 (AM) 技术例如选区激光熔融 (SLM)、选区激光烧结 (SLS) 或电子束熔化 (EBM)等方法是目前用于从粉末材料制造零件的相对众所周知的方法。在层层加工过程中，复杂的物理过程会影响 3D 打印或制造的结果。今天在绝大多数情况下尚不清楚加工过程各个因素之间的相关性，譬如随着时间的推移，哪些物理过程影响和决定了打印的质量。这些影响的因素可能是 SLM 机器特性、粉末床上的气流模式、粉末质量、粉末床温度、暴露于光束辐射时的实际层厚度、激光或光束质量等等。

根据3D科学谷的市场观察，近日，西门子为3D打印-增材制造提供数据集的方法和相应的质量控制方法专利获批。该专利探索如何解决随时间可视化多重因素之间的复杂相关性的挑战，并且更重要的是，直接将相应的信息写入到3D打印部件的三维表示中。

人工智能用于3D打印过程控制
© 3D科学谷白皮书

实现可重复、可预测

根据西门子的专利，3D打印-增材制造领域的一个特殊挑战是实现工艺可重复性和可预测性以及制造材料/组件的结构特性的验证。

要实现更好的工艺控制，需要通过数据理解影响加工结果的各个因素之间的复杂或多重重复杂的相关性，从而了解原因，例如为什么 3D 打印或增材制造工艺失败。如果这一切还取决于增材制造技术人员的经验或以手动方式进行极其耗时的数值数据比较，那么3D打印工艺就无法实现可复制性，也就无法实现产业化。

西门子的这个专利的优点是使多个复杂的传感器数据以图形形式作为三个维度的叠加层来访问，以实现深入的过程理解、在线过程监控、自主实时过程控制或机器学习。通过该专利可以促进对特定增材制造过程的原位和非原位监测。

光学断层扫描使用户能够很好地了解或深入了解 3D 构建过程或过程历史。通过对工艺的深入了解，可以对制成品的结构、机械或热机械性能进行可重复和可靠的预测，从而可以在之后省去昂贵的无损检测方法，如超声波或 X 射线检测。

仅仅通过监控手段来发现加工质量缺陷的产生是不够的，根据3D科学谷的市场研究，西门子的这个专利更进一步，更有助于解释为什么会发生缺陷或过程失败。与现有技术的成像方法相比，所提出的想法通过提供数据集来实现，以提供由AM-增材制造的单个组件的真实数字双胞胎。

在线控制

此外，3D科学谷了解到西门子的这个专利的另一个重点在于其增强型增材制造工艺的特点，实际上是在线的，即用于实时控制，防止类似的工艺偏差，在产品缺陷发生之前预测到缺陷的可能性。

3D科学谷在《人工智能减少缺陷-3D打印过程控制 l 人工智能赋能3D打印》一文中分享过，人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

在《增材制造设计（DfAM)指南》这本书中，援引了AM零件质量影响因素的石川图，在石川图中详细的举出了影响加工质量的160多种因素，仅仅是激光扫描过程，就包括了扫描线长度，扫描线种类，外轮廓，内轮廓，扫描方式，扫描速度，光束矫正，收缩补偿，扫描线顺序，填充间距，填充方向，激光功率，（离）聚焦，表面填充参数，偏移等等。可见要通过人的经验来驾驭和平衡160多种影响加工质量的变量是非常难的。

根据3D科学谷，目前人工智能用于3D打印过程控制主要是聚焦于控制孔隙（密度）、局部缺陷、过程中产生的内应力、设计和尺寸精度、微观结构变化等。控制这些参数中的任何一个都是一项具有挑战性的任务，因为影响它们的变量数量是巨大的。不仅可控的工艺参数会影响结果，几何形状、材料类型、设计类型、零件形式和环境因素等其他因素也会影响结果。

当涉及到复杂零部件的3D打印-增材制造时，这种对工艺更好的理解的优势变得更加明显，例如。包括复杂的（合金）成分，由超级合金制成的涡轮机的耐高温部件需要提供出色的机械强度、抗热蠕变变形、良好的表面稳定性以及抗腐蚀或抗氧化性。因此，高温合金部件的开发在很大程度上依赖于物理、化学，尤其是工艺创新。而通过数据集的方法和相应的质量控制方法则可以更好的做到这一点。

西门子的数据集是多维度的，例如传感器数据不仅可以以正确的时间相关性可视化，而且可以直接以正确的空间顺序可视化。这允许操作员来管理或研究数据集，从而以方便的方式管理或研究组件或制造过程的数字孪生。不同或叠加类型的数据经受相关算法的解读，这些相关信息又被放入机器学习算法中。这种使复杂相关性易于访问的方法已被证明对深入的材料或结构洞察力有效。

操作员还应能够在线影响制造过程（自适应过程），例如：根据复杂性增加和减少构建速度，并根据几何形状、尺寸、表面完整性分析组件或其特定层，以及数据报告发现新的研究可能性。

西门子的该专利所提出的提供数据集的方法可以是可视化的，所呈现的过程可以是自适应或交互过程，通过该过程可以监督或在线控制部件的构建。例如，当超过某个阈值或缺陷容差，更特别是会导致组件结构中的破裂时，可以在线调整工艺参数。

当前对于选区激光溶化所收集的数据参数的数量可以很容易地超过100的数量。包括：层厚度、熔池几何形状、单位体积或面积单位的热影响、激光波长、影线距离（即相邻扫描线的距离）、光束速度、光束点几何形状、光束角度、吹扫气体类型、吹扫流速气体、可能排放气体的流量、气体阀门的状态、在构建工作之前或期间设置的环境压力、基础材料的状态等等。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。