用于基于粉末床的增材制造的计算机实现的、适合的异常检测方法
1.本发明涉及用于基于粉末床的增材制造过程的计算机实现的(合适的)异常检测或缺陷预测方法。优选地，所提出的方法涉及例如作为用于所描述的异常检测的图像处理的一部分的半监督自适应阈值化方法。为此，整个方法既不是(完全)监督的机器检测或机器学习方法，也不是(完全)非监督的机器学习方法；而是优选地是中间解决方案。所述方法适用于所有类型的基于粉末床的增材制造过程，例如适用于处理塑料或金属。最优选地，所提出的解决方案适用于通过激光粉末床融合(lpbf)从粉末床中建立的零件或工件的增材制造。这样的增材制造技术通常包括例如粉末床融合方法，诸如选择性激光熔融(slm)或选择性激光烧结(sls)或电子束熔融(ebm)。其他增材制造方法涉及“定向能量沉积(ded)”，诸如激光熔覆、电子束或等离子体焊接、金属喷墨成型(mim)、所谓的片材层压方法或热喷涂(vps，lpps)方法、冷喷涂(gdcs)。
2.优选地，这样的工件是高性能零件，例如应用于发电、航空航天或汽车行业的部件。该部件也可以是涡轮机器的部件，例如燃气涡轮机的流动路径硬件中的部件。因此，优选地，该部件由镍基或钴基的超合金特别是沉淀硬化合金制成。
3.增材制造特别是粉末床方法在原型或复杂部件(例如具有迷宫状或回旋的结构的部件或功能性冷却部件)的制作中被证明是有用且有利的。此外，增材制造以其短的过程步骤链而脱颖而出，这反过来又可以实现材料节约和特别短的交货时间。
4.用于给定方法的粉末床融合制造设备或设置通常包括制造或构建平台，在进给基础材料层之后在该制造或构建平台上逐层地构建该部件，该基础材料层随后可以例如通过能量束例如激光而熔融并随后固化。层厚度由再涂覆器确定，该再涂覆器例如自动地在粉末床上方移动，并且从制造平面或构建空间中去除多余材料。典型的层厚度总计在20μm与40μm之间。在制造期间，所述能量束在表面上方扫描，并且在所选的区域上熔融粉末，所选的区域可以根据要制造的部件的几何形状来由cad文件预先确定。所述扫描或照射优选地以计算机实现的方式或者经由计算机辅助手段(例如可以以数据集的形式存在的计算机辅助制造(cam)指令)来实施。所述数据集或cam文件可以是或者指代计算机程序或计算机程序产品。
5.这样的制造设备通常配备有不同类型的光学过程监测系统，例如ccd或scmos相机或(其他)基于光电二极管的系统。这些系统在工件构建期间生成该工件的分层图像。通常需要对这些图像进行异常分析，例如所谓的热点、冷点、曝光过度或曝光不足的区域或其他异常。这些缺陷通常对工件的结构至关重要。由于所提到的选择性熔融(焊接)过程的复杂性，这样的异常或缺陷很可能在任何部件的构建期间发生。如果这样的缺陷没有在早期检测出来，那么该缺陷将可能导致零件报废，并导致处理能力和制造时间的浪费。
6.通常，借助于图像数据——特别是使用基于静态阈值化的图像处理算法或其他机器学习方法——来检测异常。然而，这些方法仍然不够稳健，不足以检测缺陷或异常以及要渲染和处理的大量图像数据。此外，通常需要针对特定类型的异常定义阈值。这通常由给定过程的操作员手动完成。此外，当改变图像设置时，静态阈值可能导致不一致。因此，使用通
用的自动化方法或途径来自动评估多源图像数据仍然是不可行的。
7.到目前为止，阈值通常由专家或机器操作员自己借助于对相应图像的手动颜色值分析来确定。如果要基于其他特征来处理图像，则必须再次手动确定阈值。还必须针对每个数据集手动调整阈值。然而，由不同的专家手动设置阈值会导致结果不一致。已经使用所谓的监督机器学习方法进行了广泛的研究，以预测基础图像数据中的异常。然而，这还是会导致生成大量的(未标记的)数据，这些数据必须由用户以手动方式进行标记或分类。更复杂的是如下事实：这样的方法是特定于硬件的。
8.因此，本发明的目的是提供有助于克服上述缺点的手段。特别地，提供了在过程监测期间适应记录的数据集的自适应阈值的半自动确定。这种方法旨在允许具有不同知识和专长水平的不同用户对数据集进行评估，以便提供一致的结果。
9.所提到的目的通过独立权利要求的主题来实现。有利的实施方式是从属权利要求的主题。
10.本发明的方面涉及工件的基于粉末床的增材制造中的计算机实现的异常检测方法，包括：提供图像数据集，例如分层的图像数据的堆叠；以及对所述图像数据应用所谓的主成分分析(pca)，以便计算多个图像聚类。所述pca通常用于构造、简化或说明大量的数据中的统计变量的目的，这是因为所述变量由较少数量的显著的线性组合或“分量”来近似。
11.该方法还包括：将聚类算法应用于所分析的图像数据，并计算例如与所计算的多个图像聚类对应的相应的聚类质心。根据该实施方式，有利地，计算的聚类质心或质心位置可以用作参考模板，以用于进一步处理数据或变量的相应部分。
12.在实施方式中，k均值聚类、模糊c均值聚类或基于密度的空间聚类算法例如dbscan(“具有噪声的应用的基于密度的空间聚类”)被应用于聚类和聚类质心的计算。k均值聚类算法是例如用于对矢量或对象进行量化的方法，其中，从一定量的相似对象中生成预定义数量的k个组或聚类。
13.该方法还包括存储计算出的聚类质心以及/或者将计算出的聚类质心与例如参考模板的一组参考异常质心进行比较，其中，基于所确定的计算出的聚类质心与参考的匹配，将图像数据分层地分割成特定异常的聚类图像。
14.该方法还包括：将分割的图像(从原样状态)例如从rgb颜色空间变换为定义的颜色空间，如lab颜色空间或灰度光谱。lab颜色空间或灰度空间之间的决定可以取决于相应的输入数据类型。
15.该方法还包括：整合经变换的被分割的聚类图像的像素信息，以计算图像数据集的阈值，从而确定工件的制造期间的相应异常或过程缺陷。
16.以这种方式，提供了如下概念：其中利用无监督或半监督机器学习算法将图像分解成分量图像，并揭示相应的异常模式。
17.换句话说，所提出的方法有利地允许自动地或半自动地并且可靠地评估图像数据集，而与基于用户输入的不准确性无关。该方法对于确定难以区分的模式的阈值特别合适和有效。特别地，对于所提出的方法，本文描述的自适应确定的阈值的质量远远优于由专家手动确定这样的阈值的情况。
18.与现有技术的、无监督的、机器学习的检测或预测算法相比，所提出的方法如本文所述计算自适应阈值。因此，有利的是，无监督的机器学习用于在未标记的数据中寻找缺陷
或异常模式。换句话说，本发明涉及自适应地且基于颜色或强度地计算新的数据集和图像模式的阈值。此外，有利地，所提出的方法可以适用于所有类型的图像数据。所提出的方法不仅可以适用于光学过程监测数据，还适用于计算机视觉中的任何其他应用。
19.更特别地，只要给定的硬件配备有原位光学监测系统诸如光学相机或其他传感器技术(见下文)，所提出的方法就可以有利地以更加工业化的方式应用于工件或部件的串行增材生产。以这种方式，本发明有助于总体上进一步拓宽增材制造技术的范围。
20.由于可行的早期缺陷检测，使得可以进一步主动地中断相关的构建工作，并因此节省材料和制造时间以及成本。
21.在实施方式中，“热点”、“冷点”、斑点缺陷或例如曝光过度或曝光不足的区域可以在给定工件的制造期间在记录的粉末床的图像中被检测或预测。如下面将进一步描述的，热点或冷点可以参照rgb颜色图像或借助于rgb颜色图像来记录，而粉末床中的欠融合或过融合区域可以涉及灰度图片。作为优点，这样的缺陷、热点或冷点的检测允许后续使给定图像与工件中的实际结构性缺陷和/或与给定构建工作的数据的进一步分析或监测相关。
22.在实施方式中，图像数据由分层的图像的堆叠构成，例如摄影和/或光学断层摄影数据。
23.在实施方式中，图像数据集由随机和/或测试图像的堆叠作为参考提供，该图像数据集经受pca，并且例如随后经受聚类算法(参见上文)以用于计算相应的聚类质心，其中，图像聚类例如被视觉地和/或手动地选择，以便提供参考异常质心信息。根据该实施方式，所述参考信息可以涉及用于提供参考异常质心的未标记的测试模板，例如20至50个图像的堆叠。根据该实施方式，可以执行相关模式(标记)的一次性手动选择。
24.在实施方式中，所述图像数据由粉末床融合设备的光学监测系统(例如ccd、scmos或任何其他基于光电二极管的传感器)的输入构成，并且所述图像数据形成测试参考。
25.在实施方式中，对于整合，针对图像数据集计算下限阈值诸如最小值和/或上限阈值诸如最大值，以便为相应的异常提供阈值图像。以这种方式，可以最方便地执行缺陷或异常检测，从而使得可以实现本发明的优点。
26.在实施方式中，所计算的阈值被用作或预见为用于后续异常检测、阈值化或图像处理方法的输入参数(源数据输入)。这些计算的阈值还可以进一步用于相同的源数据输入，尤其是在从相同的打印机或制造设备串行产生新的数据输入的情况下。
27.在实施方式中，异常被标记在图像数据集的每一层中，并且异常例如通过使用最近邻搜索算法或聚类位置计算(例如连接分量标记、邻近或最近点搜索、点位置或三角形中的点搜索或k最近邻算法)而形成为异常聚类。
28.在实施方式中，参考实际工件几何形状来确定相应异常聚类的位置和/或大小。根据该实施方式，可以基于相机像素场和横向坐标来计算异常或异常聚类的大小和位置。因此，随后，可以执行感兴趣区域提取，其中，检测到的聚类的位置(和大小)用于计算制造的结构的零件严重性或(分层)严重性。
29.在实施方式中，包括给定聚类的位置、大小和/或严重性指示符的异常聚类信息被存储在报告文件例如点云或点云数据库中。
30.在实施方式中，所谓的点云数据库被用作给定聚类或零件异常的大小、位置和/或严重性的输出数据格式。
31.在实施方式中，包括给定异常聚类的位置、大小和/或严重性指示符的异常聚类信息与真实材料制造缺陷相关。根据该实施方式，可以为后续的增材制造过程或相关的制造参数开发的后检查、质量控制或其他方面得出更好的见解。
32.本发明的另一方面涉及通过选择性激光烧结、选择性激光熔融或电子束熔融，应用如上所述的计算机实现的异常检测方法从粉末床制造工件的方法。
33.本发明的另一方面涉及数据处理装置，该数据处理装置被配置成执行所描述的方法，其中，该装置还包括至粉末床融合设备或相关的监测系统的接口。
34.本发明的另一方面涉及包括指令或信息的计算机程序产品，当相应的程序由数据处理装置或计算机执行时，所述指令或信息使数据处理装置或计算机执行所描述的方法步骤。
35.本文所指的计算机程序产品可以涉及构成或包括诸如存储卡、usb棒、cd-rom、dvd的存储介质或者从服务器或网络下载或可下载的文件的计算机程序装置。这样的产品可以由无线通信网络提供，或者经由通过给定的计算机程序、计算机程序产品或计算机程序装置传输相应的信息来提供。
36.计算机程序产品可以包括存储应用、程序、程序模块、脚本、源代码、程序代码、目标代码、字节代码、编译代码、解释代码、机器代码、可执行指令等(本文中也称为可执行指令、用于执行的指令、程序代码和/或本文中可互换使用的类似术语)的非暂态计算机可读存储介质。这样的非暂态计算机可读存储介质包括所有计算机可读介质(包括易失性和非易失性介质)。
37.与所描述的方法和/或计算机程序产品有关的优点和实施方式同样可以适合于所描述的制造方法和数据处理装置或对其有效。
38.从示例性实施方式结合附图的以下描述中，其他特征、方便和有利的实施方式变得明显。
39.图1示出了基于粉末床的增材制造过程的原理的示意性草图。
40.图2指示了这样的制造过程的细节以及在这样的制造期间所应用的相关的异常检测的细节。
41.图3指示了根据本发明的过程步骤的示意性流程图。
42.图4更详细地指示了所提出的异常检测方法的处理流程。
43.在附图中，类似元件、同类元件和作用相同的元件可以设有相同的附图标记。这些图不一定按真实比例描绘，而是可以按比例放大或缩小以允许更好地理解所示原理。更确切地，所描述的图应在广义上并且作为定性基础来解释，其允许本领域技术人员以多种方式应用所呈现的教导。
44.本文所用的术语“和/或”应表示所列要素中的每一个可以单独使用或与另外列出的要素中的两个或更多个结合使用。
45.图1示出了增材制造设备100。所述设备100可以是用于通过粉末床融合(pbf)来制造任何类型的部件的常规设备。这样的技术采用粉末床或基础材料p，所述粉末床或基础材料p被选择性地和分层地暴露于能量束5或者被能量束5照射，能量束5例如是照射装置或能量束源2的激光束或电子束。因此，给定的pbf方法可以涉及选择性激光烧结、选择性激光熔融或电子束熔融。所述过程允许在构建平台1的顶部上建立工件或零件10，这是因为用于零
件10的粉末状层l被融合或焊接到所述平台1上并根据其预定义的(cad)几何形状通过由束5进行选择性地固化而被连续照射。在照射或融合每一层之后，通常根据层厚度来降低构建平台1，并且通过再涂覆器或再涂覆装置30将新的基础材料层沉积在制造平面上。
46.照射装置20被连接至控制设备4或者可以由控制设备4控制，该控制设备4例如包括构建处理器装置。
47.设备100还可以以优选地光学监测系统6为主要组成，该光学监测系统6例如包括ccd或scmos相机或任何其他光电二极管类型的成像系统，利用该成像系统可以在构建工作期间拍摄分层图像，例如粉末再涂覆步骤之后的一个图像和相关的(选择性的)激光扫描步骤之后的一个图像。特别地，与特定的nir(近红外)滤光器等结合的长曝光成像可以用于捕获从粉末床发出的辐射的强度值。
48.特别地，本文中所指的工件10可以涉及复杂形状的零件或制品，例如具有细丝部分的结构。优选地，所述零件由诸如具有高强度和/或热阻的材料的高性能材料制成。特别地，所述零件可以构成蒸汽或燃气轮机部件的一部分，诸如叶片、轮叶、护罩、屏障(例如热屏障)、端头、片段、插入件、注入器、密封件、过渡件、燃烧器、喷嘴、滤器、孔口、衬套、分配器、圆顶、增压器(boost)、锥体、喷枪(lance)、板、谐振器、活塞或任何对应的改装套件。可替选地，所述部件可以涉及另一部件或类似部件。
49.图2示出了工件10上方的层l的堆叠的示意性透视图。层堆叠应指示要选择性照射的部件10的后续层l，或者视情况而定，指示为了检测过程中的异常而拍摄的光学图像，无论是在粉末层中还是在已经(部分)固化的层中。如图2所示的层的堆叠也可以涉及如下所阐述的光学断层摄影数据。应通过如图2所示的堆叠的最顶层来说明异常检测。
50.特别地，示出了光学监测系统6可以例如在选择性熔融步骤被执行之后检测、记录或登记不同类型的缺陷、瑕疵或异常。在最顶层的右上部分，将特别地指示热点hs，即粉末床或工件10的结构中例如已经被能量束5过度曝光的区域。为此，粉末床中引入的局部或空间能量密度可能被选择得过大，以致无法产生足够的照射结果。已知过热会导致粉末颗粒蒸发，并且可能在工件结构中产生空隙或所谓的“锁孔孔隙”，即零件结构中的近似球形气泡。
51.明显的是，稳定的熔融或照射过程需要在合理的过程“窗口”——即允许良好的结构性结果(优选地没有或很少有缺陷和异常)的参数范围——内选择照射参数。当然，不仅仅是能量参数会导致热点和其他缺陷。工件本身的材料或几何形状(当然这在图2的方案中被过于简化)也可能导致在工件轮廓的拐角处——例如在能量输出很关键的地方——出现热点。已知仅粉末床例如工件10的固化结构周围的粉末床在热上是“准绝缘”的，并且过量的热需要通过构建板(图2中未明确示出)消散。
52.另一方面，可能出现如图2中的最上层的下部分中所指示的冷点cs。这些冷点cs可以归因于曝光不足的区域，例如，其中，由束5施加到粉末的能量不足以完全且可靠地熔融相关的粉末床区域。这些冷点cs同样可能导致不利的结构质量，例如粉末p中的残余孔隙。
53.通常，所提出的方法以及光学监测系统6能够检测工件10的构建结构中的多个缺陷，例如所描述的热点hs、冷点cs、相关的过熔和/或未熔区域，以及所谓的斑点缺陷。
54.过程中的所有列出类型的异常都可能导致整个部件的报废或浪费，特别是在涉及高性能材料的制造时。这又导致制造时间和资源的浪费。
55.事实上，如上所述，只有当孔隙缺陷在分层堆积中——即例如在两个至三个层或更多层的延伸上——的相同位置处重复出现时，才能可靠地检测到孔隙缺陷。
56.图3以简化的示意图示出了根据本发明的方法的方法步骤。所述优选地计算机实现的方法是用于基于粉末床的增材制造过程的应用的异常检测方法。
57.该方法包括：(i)提供图像数据集ot，例如在一次性构建工作期间或仅在多个层的制造期间记录的分层数据的堆叠。该步骤还将主成分分析pca应用于所述图像数据，以计算或分析多个图像聚类c。所述pca实际上重构了图像数据集中的特征变量，并提取了一定量的相关聚类数，其中，许多聚类中的至少一些聚类指示或涉及如上所述的一种异常或缺陷。聚类中的剩余聚类可以包括关于背景或非异常数据信息的信息。因为在(视觉)选择中以及/或者当将质心和参考质心进行比较时，异常聚类被识别。
58.该方法还包括：(ii)将聚类算法应用于所分析的图像数据，并且计算例如与所计算的多个图像聚类对应的相应的聚类质心c。所述聚类可以涉及所谓的k均值聚类、模糊c均值聚类或基于密度的空间聚类算法(例如所谓的dbscan)。
59.该方法还包括：(iii)将计算的聚类质心c与一组参考异常质心进行比较，其中，基于聚类质心与参考异常质心的匹配，将图像数据分割(分层)成特定异常的聚类图像。只有被分割的聚类或异常被进一步处理，例如，20个整体量化的聚类或类似聚类中的5个聚类被分割。此外，每种类型的异常聚类然后被串行和/或单独处理。
60.该方法还包括：(iv)将分割的图像变换成定义的颜色空间例如lab(lab)颜色空间或灰度(gv)光谱，这特别有助于通过阈值化方法进行异常检测，如下所述。
61.该方法还包括：(v)对经变换的分割的聚类图像的像素信息进行整合，以计算图像数据集的阈值，从而确定相应的异常(参见下面图4中的附图标记a、t)。
62.由于这种阈值化，使得整个呈现的检测或监测解决方案可以仅以半自动方式或半监督的方式实现。这带来了例如优于全自动方式的优点，全自动方式具有上面进一步列出的缺点。
63.图4更详细地示出了所提出的方法的细节。在这方面，本发明的一些方面可以以冗余方式被描述。
64.图4中步骤“1)”下的所指示的流程图或象形图的上部分或线可以涉及参考模板生成，该参考模板生成可以至少在一次性计算步骤中执行。
65.实际上，所描述的图像数据集ot或光学图像的堆叠在整个制造和打印机设置首次被验证的情况下由随机和/或测试图像的堆叠作为参考供应，然后使这些图像数据集ot或光学图像的堆叠经受主成分分析pca并经受聚类算法以用于计算聚类质心c(与以上所描述的类似)，其中，选择图像聚类以便提供参考异常质心信息。
66.换句话说，可以通过pca与聚类算法(优选地为“k均值”)结合来应用降维算法，以根据图像数据形成聚类并计算聚类质心。每个聚类质心被称为单个图像的“子分量”。
67.然后，例如通过视觉和/或“手动”选择(通过“是”和“否”)，涉及期望的异常的聚类质心c被选择并作为参考模板文件导出。该涉及期望的异常的聚类质心c可以用作用以匹配来自新的图像数据的类似异常的参考模板(参见下面的“2”)。随着结构化的、标记的或可用的数据量的增加，所呈现的异常检测的准确性和质量当然也会增加。即，数据输入越好，所呈现的阈值化和异常检测功能的分辨率可能就越好。一般地，准确度通常会提高到一定水
平。然后，在某个数据输入之后，准确度将变平，这是因为质心值将不再剧烈变化。但是，如果例如不同的数据输入源自不同的构建工作，而监测数据源自相同的机器和光学断层摄影系统，则准确度将取决于数据内的几何形状和/或特征而增加，因为这将生成不同的聚类值。
68.在这种情况下，整个制造过程及其可再现性转而也可以得到改善。这进一步体现在整体上更可靠的制造路线上，并通常有助于增材技术的工业化。
69.在图4的底部(参见“2)”)，特别地示出了针对新的数据和检测到的异常计算自适应阈值或范围。由光学监测系统6的例如ccd相机记录的图像数据可以作为输入。然后，步骤“1)”下描述的方法步骤被重新执行，并被进一步处理直到步骤(v)(见上面的图3)。对每个分层图像执行pca(分析)，并计算聚类数。基于该聚类数，k均值聚类将图像分解成相关的聚类(在象形图中表示为点和球)，并且计算聚类质心。然后，将新计算的聚类质心与参考异常质心进行比较。基于经匹配的质心聚类，相应的图像集被分割，并且仅生成具有异常的图像。给定颜色空间的新的被分割的图像取决于其输入格式(颜色/灰度图像)而被变换成lab颜色空间或灰度光谱。换句话说，形成了具有单独颜色平面的新的网格，其中对逐像素强度值进行整合以计算数据集的下限阈值和上限阈值(参见上文)。
70.对于所描述的整合，优选地针对图像数据集计算下限值(参见t
low
)和/或上限阈值t
up
，以便为相应的异常提供阈值范围。这些计算的阈值也可以进一步用于相同的源数据输入，特别是在从同一打印机串行产生新的数据输入的情况下，如将由从图4的底行中的左侧输入的另外的ot数据所指示的。然后，新的计算的阈值可以成为常规的基于阈值化的图像处理算法的输入参数，在常规的基于阈值化的图像处理算法中，异常被标记在分层图像上并使用最近邻方法形成为聚类，并且最后使用像素大小和视场信息例如基于相应层的像素坐标(x，y)来计算相应异常的位置和大小。
71.然后，进一步在下面，将由数字(vi)(参见上面图3的方法的一般流程图)指示：异常a被标记在图像数据集的每一层l中，并例如通过使用最近邻搜索算法(如连接分量标记、邻近或最近点搜索、点位置或三角形中的点搜索或k-最近邻算法)形成为异常聚类。
72.随后，可以参考实际工件几何形状来确定相应的异常聚类的位置和/或大小。由此，可以使用或提取感兴趣区域roi。特别地，这可以通过带有相关的roi信息的二进制掩码来实现；或者通过类似的手段来实现。换句话说，缺陷或异常聚类可以被登记在指定的感兴趣区域roi中。基于该信息，例如给定的异常聚类的特定位置、维度和/或严重性指示符的信息可以例如通过点云数据库pcd被计算和报告。该数据库可以例如包括每种类型的异常的分层位置和严重性信息，该信息又可以与真实材料或制造缺陷相关联，该真实材料或制造缺陷可以通过其他监测方法原位检测，或者例如通过作为制造后检查的计算机断层摄影来检测。
73.然后，生成的异常信息文件(位置、大小和严重性)可以用作质量报告，或者进一步用于加速打印过程参数开发，或者与检查后数据一起使用以与真实的材料缺陷相关。
74.所有的处理步骤都可以由数据处理设备——例如图1中通过附图标记7描绘的装置——来执行。为此，所提出的方法可以完全地或部分地由通用数据处理装置来实现。
75.特别地，所提出的方法的总体优点允许确定特征区域性数据的阈值，所述阈值可以指示粉末床过程中的缺陷或异常。然后，可以在确定阈值期间对过程监测系统的图像数
据进行处理，并且可以识别缺陷区域。最后，所提出的方法可以应用于串行生产，这是因为所生成的自适应阈值可以用于原位监测，以例如通过中断基础构建工作而进行主动参与。