用于三维制造的方法、三维打印设备以及计算机可读介质

专利名称：用于三维制造的方法、三维打印设备以及计算机可读介质

专利类型：实用新型专利

专利申请号：CN201980097254.0

专利申请（专利权）人：惠普发展公司,有限责任合伙企业
权利人地址：美国德克萨斯州

专利发明（设计）人：曾军,C·A·洛佩斯科利埃德拉马利埃,H·栾

专利摘要：本文描述了用于适配三维(3D)制造的模拟的方法的示例。在一些示例中，一种方法包括使用机器学习模型基于3D制造的热成像流来确定预测热图像。在一些示例中，一种方法包括基于预测热图像来适配3D制造的模拟。

主权利要求：
1.一种用于3D制造的方法，包括：
使用机器学习模型基于连续调图和3D制造的热成像流来确定预测热图像；以及基于所述预测热图像来适配所述3D制造的模拟，其中，适配所述模拟包括基于所述预测热图像来设置边界条件，其中，所述预测热图像是用于所述3D制造的构建体积中的后续层的二维温度阵列并且具有体素级分辨率，并且所述连续调图包括用于打印物质的体素级机器指令，并且所述热成像流的分辨率低于所述体素级分辨率。
2.如权利要求1所述的方法，进一步包括将第一层的所述预测热图像与第二层的第二预测热图像组合，以产生复合热图像序列。
3.如权利要求2所述的方法，其中，适配所述模拟包括基于所述复合热图像序列来设置边界条件。
4.如权利要求1所述的方法，进一步包括将时间和空间上的低通滤波器应用于所述预测热图像或复合热图像序列，以产生经滤波的热图像。
5.如权利要求4所述的方法，其中，适配所述模拟包括基于所述经滤波的热图像来设置边界条件。
6.如权利要求1所述的方法，进一步包括控制所述预测热图像或复合热图像序列以产生受控热图像。
7.如权利要求6所述的方法，其中，适配所述模拟包括基于所述受控热图像来设置边界条件。
8.如权利要求1所述的方法，其中，所述模拟基于复合热图像序列产生模拟复合层，所述复合热图像序列基于第一层的所述预测热图像和第二层的第二预测热图像。
9.如权利要求1所述的方法，进一步包括在存储器中存储基于经适配的模拟的模拟层。
10.一种3D打印设备，包括：
打印头，所述打印头用于基于熔融连续调图来打印熔剂，其中所述熔融连续调图包括用于打印物质的体素级机器指令；
热投影仪；
热传感器；以及
控制器，其中，所述控制器用于：
使用神经网络基于所述熔融连续调图和捕获的热图像来预测一组预测热图像；以及使用基于所述一组预测热图像的边界条件来模拟后续层，其中所述预测热图像是所述层的二维温度阵列并且具有体素级分辨率，以及所捕获的热图像的分辨率低于所述体素级分辨率。
11.如权利要求10所述的3D打印设备，其中，所述控制器用于：基于所述一组预测热图像来生成复合热图像序列；以及基于所述复合热图像序列来确定所述边界条件。
12.如权利要求11所述的3D打印设备，其中，所述控制器用于通过调整所述复合热图像序列以增加模拟稳定性来确定所述边界条件。
13.一种存储可执行代码的非暂态有形计算机可读介质，所述非暂态有形计算机可读介质包括：用于使处理器获得熔融连续调图和与层相对应的捕获的热图像的代码，其中所述熔融连续调图包括用于打印物质的体素级机器指令；
用于使所述处理器使用神经网络来预测与所述层之后的后续层相对应的热图像的代码；
用于使所述处理器基于所预测的热图像来确定边界条件的代码；以及用于使所述处理器基于所述边界条件来模拟所述后续层的制造的代码，其中所预测的热图像是所述后续层的二维温度阵列并且具有体素级分辨率，以及所捕获的热图像的分辨率低于所述体素级分辨率。
14.如权利要求13所述的计算机可读介质，其中，使用所述神经网络来预测所述热图像使得模拟能够考虑打印机操作的变化。 说明书 : 用于三维制造的方法、三维打印设备以及计算机可读介质技术领域[0001] 本公开一般涉及三维制造。背景技术[0002] 三维(3D)固体零件可以使用增材制造根据数字模型来产生。增材制造可以用于快速原型设计、模具生成、模具母版生成和短期制造。增材制造涉及施加连续的构建材料层。这与通常移除材料来产生最终零件的传统加工工艺不同。在一些增材制造技术中，构建材料可以被固化或熔化。发明内容[0003] 根据本公开的一个方面，提供了一种用于三维3D制造的方法，包括：使用机器学习模型基于3D制造的热成像流来确定预测热图像；以及基于所述预测热图像来适配所述3D制造的模拟，其中，所述预测热图像是用于所述3D制造的构建体积中的层的二维温度阵列。[0004] 根据本公开的另一方面，提供了一种三维3D打印设备，包括：打印头，所述打印头用于基于熔融连续调图来打印熔剂；热投影仪；热传感器；以及控制器，其中，所述控制器用于：使用神经网络基于所述熔融连续调图和捕获的热图像来预测一组预测热图像；以及使用基于所述一组预测热图像的边界条件来模拟层，其中所述预测热图像是所述层的二维温度阵列。[0005] 根据本公开的又一方面，提供了一种存储可执行代码的非暂态有形计算机可读介质，所述非暂态有形计算机可读介质包括：用于使处理器获得熔融连续调图和与层相对应的捕获的热图像的代码；用于使所述处理器使用神经网络来预测与所述层之后的后续层相对应的热图像的代码；用于使所述处理器基于所预测的热图像来确定边界条件的代码；以及用于使所述处理器基于所述边界条件来模拟所述后续层的制造的代码，其中所预测的热图像是所述后续层的二维温度阵列。附图说明[0006] 图1是可以在适配制造模拟的示例中使用的3D打印设备的示例的简化透视图；[0007] 图2是图示了可以被实施用于适配制造模拟的功能的示例的框图；[0008] 图3是可以用于适配制造模拟的装置的示例的框图；[0009] 图4是图示了用于适配制造模拟的方法400的示例的流程图；以及[0010] 图5是根据本文描述的技术的一些示例的模拟结果的可视化的示例的简化透视图。具体实施方式[0011] 增材制造可以用于制造三维(3D)物体。3D打印是增材制造的示例。3D打印的一些示例可以在像素级选择性地沉积试剂(例如，液滴)，以实现对体素级能量沉积的控制。例如，热能可以投射到构建区域中的材料上方，此处，取决于其处沉积试剂的体素，材料可能发生相变和固化。[0012] 体素是3D空间中位置的表示。例如，体素可以表示3D空间的组成部分。例如，体素可以表示作为3D空间的子集的体积。在一些示例中，体素可以布置在3D网格上。例如，体素的形状可以为矩形或立方体。体素尺寸大小的示例可以包括25.4毫米(mm)/150≈170微米(150个点每英寸(dpi))、490微米(50dpi)、2mm等。术语“体素级”及其变型可以指与体素尺寸相对应的分辨率、尺度或密度。在一些示例中，术语“体素”及其变型可以指“热体素”。在一些示例中，热体素的尺寸可以被定义为在热学上有意义的最小值(例如，大于或等于42微米或600个点每英寸(dpi))。可以利用一组体素来表示构建体积。构建体积是可以在其中制造一个或多个物体的体积。术语“体素级”及其变型可以指与体素尺寸相对应的分辨率、尺度或密度。[0013] 在3D制造(例如，多射流熔融(MJF))的一些示例中，构建体积中的每个体素可能经历热程序(大约15小时的构建时间(例如，用于逐层打印的时间)和大约35小时的附加冷却)。包括物体的体素的热程序可能会影响物体的制造质量(例如，功能质量)。[0014] 热感测可以提供少量的热信息(例如，在约50小时的构建和冷却期间的构建体积的少量空间热信息和/或少量时间热信息)。例如，当体素作为熔融层的一部分暴露时，热传感器(例如，相机、成像器等)可以捕获热体素的50小时程序中的约10秒，由此导致缺乏时间覆盖。构建体积的壁和底部处的热传感器可以报告几个选定点的瞬态温度，由此导致缺乏空间覆盖。[0015] 一些基于理论的模拟方法(例如，基于热力学定律的模拟)可以为热程序(例如，制造)提供附加的空间和时间信息。然而，一些类型的模拟可能不会捕获当前(例如，最新的)现实和/或可能不会考虑打印机操作中的(多个)变化(例如，环境变化、打印机漂移、打印机变化和/或打印机功能)。例如，打印机在不同的环境中的行为可能不同(例如，由于湿度的变化)。例如，打印机可能发生漂移，其中性能随着时间逐渐变化。不同的打印机(相同型号或不同型号)的行为可能略有不同。不同的打印机功能(例如，设置、粉末刷新率等)可能导致打印机行为改变。一些类型的基于理论的模拟无法捕获打印机操作中的这些变化。制造模拟是用于对实际制造进行模拟的程序。例如，模拟可以是用于提供制造预测的方法。机器学习可以是用于提供制造预测的另一种方法。本文描述的技术的一些示例可以组合模拟方法和机器学习方法来提供一个或多个预测。例如，机器学习可以提供(多个)预测热图像，可以利用所述预测热图像来改进模拟。[0016] 在本文描述的技术的一些示例中，由一个或多个热传感器获得的热成像流可以用于校正模拟和/或提供附加的(例如，完整的)空间和时间覆盖并反映用于3D制造的当前(例如，最新的)真实数据。例如，可以利用热成像来校正MJF制造的模拟。热图像是表示区域或体积上方的温度或热能的一组值。例如，热图像可以是构建体积中的层的二维温度阵列。在一些示例中，可以利用机器学习(例如，深度学习、(多个)神经网络等)来预测未来的一个或多个构建材料层的一个或多个热图像。未来层是尚未完成的层。构建材料可以熔融在其中的层可以被称为熔融层。在一些示例中，可以基于由嵌入在打印机中的热传感器捕获的(多个)先前层的(多个)热图像(例如，视频)来预测(多个)未来层的(多个)预测热图像。预测热图像可以指示一个或多个层的瞬态热行为。在一些示例中，层高度可以为大约80微米(μm)，其中水平(例如，x，y)分辨率为50μm。在其他示例中可以利用其他分辨率。在一些示例中，层打印时间可以为大约6秒。在其他示例中可以利用其他层打印时间。[0017] 在本文描述的技术的一些示例中，可以基于用机器学习预测的(多个)热图像来适配3D制造模拟。例如，预测热图像可以用于模拟中的边界条件。边界条件是在区域的边界处要满足的条件。例如，当模拟区域(例如，面积或体积)的热行为时，边界条件可以规定模拟在区域的边界处要满足的(多种)温度。例如，对于熔融层处的所有热体素，预测热图像可以用作顶层(例如，层K)的边界条件的温度状态。[0018] 在本文描述的技术的一些示例中，可以调整热图像数据以增加模拟稳定性。例如，可以在每个熔融层体素处实施数值控制器以增强数值稳定性。[0019] 虽然塑料(例如，聚合物)可以用作说明本文描述的方法中的一些方法的方式，但是本文描述的一些技术可以用于增材制造的各种示例中。例如，一些示例可以用于塑料、聚合物、半结晶材料、金属等。一些增材制造技术可以是基于粉末的并且通过粉末熔融驱动。本文描述的方法的一些示例可以应用于基于区域的粉末床熔融增材制造，如立体光刻(SLA)、多射流熔融(MJF)、金属射流熔融、选择性激光熔化(SLM)、选择性激光烧结(SLS)、基于液体树脂的打印等。本文描述的方法的一些示例可以应用于增材制造，其中由液滴携带的试剂用于体素级热调制。[0020] 在一些示例中，“粉末”可以指示或对应于气穴绝缘的颗粒。依赖于颗粒之间有限的接触表面，粉末传输热量的能力是有限的。“物体”可以指示或对应于颗粒被烧结、熔化或固化的位置(例如，区域、空间等)，所述位置主要填充有本身不具有气泡或具有小气泡的材料。例如，物体可以由烧结或熔化的粉末形成。物体传输热量的能力可以接近于整块状材料本身传输热量的能力。[0021] 在一些示例中，预测热图像可以是使用机器学习模型计算的热图像。例如，一个或多个神经网络可以利用一个或多个连续调图(contonemap)(例如，规定构建区域中的一个或多个试剂的放置、量和/或时间的体素级机器指令)和/或一个或多个热图像来预测热图像。[0022] 捕获的热图像是用传感器感测或捕获的热图像。用于捕获热图像的传感器的分辨率可能是有限的。例如，增材制造设备中的内置传感器可以为在线(例如，运行时)热成像提供相对低的分辨率(例如，31×30像素、80×60像素、90×90像素等)。由于费用、尺寸和/或可能阻止利用高分辨率传感器的其他考虑因素，利用内置于增材制造设备中的低分辨率热图像传感器可能是有益的。[0023] 在一些方法中，低分辨率热成像可能不足以支持体素级热预测。本文描述的技术的一些示例可以包括基于深度神经网络的方法，所述方法可以利用低分辨率热感测和一个或多个连续调图作为输入来实现体素级热预测。在一些示例中，可以实现大于热感测分辨率的热图像预测(例如，从31×30像素、80×60像素、或90×90像素到640×480像素)。缺失的细节可以根据附加信息(例如，连续调图)推断出来。一些示例可以实现在线原位体素级热图像预测和/或在线闭环反馈控制。[0024] 术语“低分辨率”及其变型可以指小于体素级的分辨率、尺度或密度。例如，低分辨率小于体素级分辨率。低分辨率热成像可以取决于制造设备(例如，机器、打印机等)中的像素分辨率。例如，低分辨率热成像中的像素尺寸的范围可以为11mm到37mm。虽然给出了低分辨率尺寸的示例，但是也可以利用其他低分辨率尺寸。如本文所使用的，术语“高分辨率”及其变型可以表示大于低分辨率的分辨率。[0025] 在所有附图中，相同的附图标记可以表示相似但不一定相同的元件。附图不一定是成比例的，并且一些零件的尺寸可以被放大以更清楚地图示所示的示例。此外，附图提供了与描述一致的示例和/或实施方式；然而，描述不限于附图中提供的示例和/或实施方式。[0026] 图1是可以在适配制造模拟的示例中使用的3D打印设备100的示例的简化透视图。3D打印设备100可以包括控制器116、数据存储区114、构建区域102、打印头108、熔剂容器110、细化剂容器118、辊130、材料容器122、热投影仪104和/或热传感器106。图1中的3D打印设备100的示例可以包括未示出的附加部件，并且在不脱离本公开中的3D打印设备100的范围的情况下，可以将所描述的一些部件从3D打印设备100移除和/或进行修改。3D打印设备100的部件可能未按比例绘制，并且因此可能具有与所示出的不同的尺寸和/或配置。[0027] 在图1的示例中，3D打印设备100包括熔剂容器110、熔剂112、细化剂容器118、细化剂120、材料容器122和材料124。在其他示例中，3D打印设备100可以包括更多或更少的容器、试剂、料斗和/或材料。材料容器122是储存材料124的容器，所述材料可以由辊130施加(例如，散布)到构建区域102上以用于3D打印。熔剂容器110是储存熔剂112的容器。熔剂112是控制吸入热强度的物质(例如，液体、粉末等)。例如，可以选择性地施加熔剂112，以使得施加的材料124随着从热投影仪104施加的热量而相变和/或与材料124的另一层熔融。例如，已经施加了熔剂112的材料124的区域可以最终固化成(多个)被打印的物体。细化剂120是控制排出热强度的物质(例如，液体、粉末等)。例如，细化剂120可以被选择性地施加到(多个)被打印的物体的细节边缘。[0028] 构建区域102是可以在其上执行增材制造的区域(例如，表面)。在一些配置中，构建区域102可以是“构建体积”的基部，所述“构建体积”可以包括基部上方的体积。如本文所使用的，术语“构建区域”可以指构建体积的基部和/或构建体积的另一部分(例如，基部以上的另一个或多个平面)。[0029] 辊130是用于将材料124施加到构建区域102的设备。为了打印一个或多个3D物体，辊130可以连续地施加(例如，散布)材料124(例如，粉末)，并且打印头108可以连续地施加和/或传递(例如，打印)熔剂112和/或细化剂120。热投影仪104是将能量(例如，热能、热量等)传递到构建区域102中的材料124、熔剂112和/或细化剂120的设备。例如，熔剂112可以施加在材料124层上，其中(材料124的)颗粒旨在熔融在一起。可以施加细化剂120以修改熔融并且产生精细细节和/或光滑表面。暴露于能量(例如，来自热投影仪104的热能)的区域以及试剂(例如，熔剂112和细化剂120)与材料124之间的反应可以使得材料124选择性地熔融在一起以形成(多个)物体。[0030] 打印头108是用于施加一种或多种物质(例如，熔剂112和/或细化剂120)的设备。打印头108可以是例如热喷墨打印头、压电打印头等。打印头108可以包括一个或多个喷嘴(未示出)，熔剂112和/或细化剂120通过所述一个或多个喷嘴被挤出。在一些示例中，打印头108可以跨越构建区域102的维度。尽管描绘了单个打印头108，但是可以使用跨越构建区域102的维度的多个打印头108。另外，一个或多个打印头108可以定位在一个或多个打印杆中。打印头108可以附接到托架(图1中未示出)。托架可以在一个或多个维度上在构建区域102上方移动打印头108。[0031] 材料124是用于制造物体的物质(例如，粉末)。材料124可以从材料容器122移动(例如，舀出、提升和/或挤出等)，并且辊130可以将材料124施加(例如，散布)到构建区域102上(例如，在当前层的顶部)。在一些示例中，辊130可以跨越构建区域102的维度(例如，与打印头108相同的维度或与打印头108不同的维度)。尽管描绘了辊130，但是可以利用其他方式将材料124施加到构建区域102。在一些示例中，辊130可以附接到托架(图1中未示出)。托架可以在一个或多个维度上在构建区域102上方移动辊130。在一些实施方式中，可以利用多个材料容器122。例如，可以在构建区域102的相对侧上实施两个材料容器122，这可以允许材料124通过辊130在两个方向上散布。[0032] 在一些示例中，热投影仪104可以跨越构建区域102的维度。尽管描绘了一个热投影仪104，但是可以使用跨越构建区域102的维度的多个热投影仪104。另外，一个或多个热投影仪104可以定位在一个或多个打印杆中。热投影仪104可以附接到托架(图1中未示出)。托架可以在一个或多个维度上在构建区域102上方移动热投影仪104。[0033] 在一些示例中，打印头108、辊130和热投影仪104中的每一个可以单独地容纳和/或可以独立地移动。在一些示例中，打印头108、辊130和热投影仪104中的两个或更多个可以被容纳在一起和/或可以一起移动。在一个示例中，打印头108和热投影仪104可以被容纳在跨越构建区域102的一个维度的打印杆中，而辊130可以被容纳在跨越构建区域102的另一个维度的托架中。例如，辊130可以在构建区域102上方以一个行程施加材料124层，随后可以是打印头108和热投影仪104在构建区域102上方以一个或多个行程施加。[0034] 控制器116是计算设备、基于半导体的微处理器、中央处理单元(CPU)、图形处理单元(GPU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)和/或其他硬件设备。控制器116可以经由通信线路(未示出)连接到3D打印设备100的其他部件。[0035] 控制器116可以控制致动器(未示出)来控制3D打印设备100的部件的操作。例如，控制器116可以控制用于控制打印头108的移动(沿x轴、y轴和/或z轴)的一个或多个致动器、控制辊130的移动(沿x轴、y轴和/或z轴)的一个或多个致动器、和/或控制热投影仪104的移动(沿x轴、y轴和/或z轴)的一个或多个致动器。控制器116还可以控制用于控制打印头108要从熔剂容器110和/或细化剂容器118沉积的熔剂112和/或细化剂120的量(例如，比例)的一个或多个致动器。在一些示例中，控制器116可以控制沿z轴升高和降低构建区域102的一个或多个致动器。[0036] 控制器116可以与数据存储区114进行通信。数据存储区114可以包括机器可读指令，所述指令使得控制器116用于控制材料124的供应、用于控制对打印头108的熔剂112和/或细化剂120的供应、用于控制打印头108的移动、用于控制辊130的移动、和/或用于控制热投影仪104的移动。[0037] 在一些示例中，控制器116可以控制辊130、打印头108、和/或热投影仪104，以基于3D模型打印一个或多个3D物体。例如，控制器116可以利用基于3D模型的一个或多个连续调图来控制打印头108。连续调图是指示用于打印物质(例如，熔剂112或细化剂120)的一个或多个位置(例如，区域)的一组数据。在一些示例中，连续调图可以包括或指示用于打印物质的机器指令(例如，体素级机器指令)。例如，熔剂连续调图指示用于打印熔剂112的坐标和/或量。在示例中，细化剂连续调图指示用于打印细化剂120的坐标和/或量。在一些示例中，连续调图可以对应于3D模型的二维(2D)层(例如，2D切片、2D截面等)。例如，可以处理3D模型以产生对应于3D模型的多个层的多个连续调图。在一些示例中，连续调图可以表示为值的2D网格，其中每个值可以指示是否在2D网格上的位置处打印试剂和/或一定量的试剂。例如，2D网格中的值的位置可以对应于构建区域102中的位置(例如，构建区域102处或之上的特定级别(z)的位置(x，y))。在一些示例中，连续调图可以是上述2D网格或阵列的压缩版本(例如，四叉树)。[0038] 数据存储区114是机器可读存储介质。机器可读存储是存储可执行指令和/或数据的任何电子设备、磁性设备、光学设备或其他物理存储设备。机器可读存储介质可以是例如随机存取存储器(RAM)、电可擦除可编程只读存储器(EEPROM)、存储驱动器、光盘等。机器可读存储介质可以编码有用于控制3D打印设备100的可执行指令。计算机可读介质是可由处理器或计算机读取的机器可读存储介质的示例。[0039] 热传感器106是感测或捕获热数据的设备。热传感器106可以集成到、安装在和/或以其他方式包括在机器(例如，打印机)中。在一些示例中，热传感器106可以捕获构建区域102的热图像。例如，热传感器106可以是捕获构建区域102(例如，在构建区域102中施加的材料)的热图像的红外热传感器(例如，相机)。在一些示例中，(多个)热传感器106可以为顶层(例如，熔融层)提供90×90的热读出阵列。在一些示例中，热传感器106可以在制造(例如，打印)期间捕获热图像。例如，热传感器106可以在线和/或实时捕获热图像。在一些示例中，热传感器106可以捕获构建体积中的构建材料的顶层的热图像。在一些示例中，可以利用附加传感器。例如，可以利用构建体积的一个或多个壁上的一个或多个点传感器来一次报告一个或多个维度(例如，x、y和z)的温度。在一些示例中，可以利用构建体积的底部上的一个或多个点传感器来一次报告一个或多个维度(例如，x、y和z)的温度。[0040] 热图像是指示区域内的温度(或热能)的一组数据。热图像可以从热传感器106捕获(例如，感测)，或者可以计算(例如，预测)。例如，热传感器106可以捕获层的热图像以产生捕获的热图像。[0041] 在一些示例中，捕获的热图像可以是感测温度(或热能)的二维(2D)网格。在一些示例中，2D网格中的每个位置可以对应于构建区域102中的位置(例如，构建区域102处或之上的特定级别(z)的位置(x，y))。一个或多个热图像可以指示构建区域102上的热变化(例如，温度变化)。例如，构建区域102上的热感测可以指示(例如，捕获和概述)环境复杂性和异质热扩散率。在一些方法中，可以变换一个或多个热图像以与一个或多个连续调图对准(例如，与一个或多个连续调图配准)。[0042] 在一些示例中，控制器116可以从热传感器106接收层的捕获的热图像。例如，控制器116可以命令热传感器106捕获热图像和/或可以从热传感器106接收捕获的热图像。在一些示例中，热传感器106可以为正在制造的一个或多个物体的每个层捕获热图像。捕获的热图像处于一定的分辨率。在一些示例中，捕获的热图像的分辨率低于体素级分辨率。例如，捕获的热图像的分辨率可能处于低分辨率。低分辨率的示例包括31×30像素、80×60像素以及90×90像素。每个捕获的热图像可以作为热图像数据129存储在数据存储区114中。[0043] 在一些示例中，数据存储区114可以存储神经网络数据126、热图像数据129和/或模拟数据128。神经网络数据126包括定义一个或多个神经网络的数据。例如，神经网络数据126可以定义一个或多个节点、节点之间的一个或多个连接、一个或多个网络层、和/或一个或多个神经网络。神经网络的示例包括卷积神经网络(CNN)(例如，基本CNN、去卷积神经网络、初始模块、残差神经网络等)和递归神经网络(RNN)(例如，基本RNN、多层RNN、双向RNN、熔融RNN、发条RNN等)。一些方法可以利用RNN的一个或多个变型(例如，长短期存储器单元(LSTM)、窥视孔LSTM、无输入门(NIG)、无遗忘门(NFG)、无输出门(NOG)、无输入激活功能(NIAF)、无输出激活功能(NOAF)、无窥视孔(NP)、耦接输入门和遗忘门(CIFG)、全门递归(FGR)、门控递归单元(GRU)等)。可以利用不同深度的一个或多个神经网络。[0044] 在一些示例中，控制器116使用一个或多个神经网络(由神经网络数据126定义)来预测热图像。例如，控制器116可以使用神经网络或多个神经网络基于捕获的热图像或多个捕获的热图像以及连续调图或多个连续调图(例如，熔融连续调图和细化连续调图)来计算(例如，预测)层的预测热图像。一个或多个连续调图可以用作一个或多个神经网络的输入。例如，在一些方法中可以使用一个或多个体素级连续调图，因为一个或多个连续调图可以实现体素级能量控制和/或可以提供信息，以相对于捕获的热图像的分辨率增加预测热图像的分辨率。[0045] 预测热图像处于一定的分辨率。热图像的分辨率可以大于捕获的热图像的分辨率。在一些示例中，预测热图像处于体素级分辨率。体素级分辨率的示例可以是640×480像素。一个或多个预测热图像可以作为热图像数据129存储在数据存储区114中。一个或多个预测热图像可以被“增强”，因为一个或多个预测热图像的分辨率可以大于一个或多个捕获的热图像的分辨率。如本文所使用的，术语“增强”及其变型是指使用神经网络基于一个或多个连续调图来增加热图像分辨率。[0046] 预测、计算或估算预测热图像可以包括在层形成之前或形成时计算层的预测热图像。因此，可以在形成层之前或期间“预测”层的热图像。例如，可以预测尚未施加和/或打印的未来层的热图像。例如，可以利用机器学习模型(例如，一个或多个神经网络、深度学习等)来预测热图像。在一些方法中，可以基于对应于一个或多个先前层的捕获的热图像来估算层的预测热图像。[0047] 在一些示例中，预测热图像可以对应于在对应于捕获的热图像的层之后的层。例如，捕获的热图像可以对应于先前层K‑1，并且预测热图像可以对应于层K。在一些示例中，也可以在一些示例的计算中利用先前层的多个捕获的热图像。一个或多个连续调图可以对应于与对应于预测热图像和/或一个或多个先前层的层相同的层(例如，层K)。[0048] 连续调图可以是试剂放置的表示(例如，熔剂的放置和/或量和/或细化剂的放置和/或量)。虽然连续调图是作为输入到一个或多个神经网络中的数据的示例给出的，但是除了连续调图之外或者替代性地从连续调图中可以利用其他信息或数据。例如，切片可以用于辅助预测热图像和/或可以用作替代学习数据集。具体地，在一些示例中，切片可以用来代替一个或多个连续调图，或者除了一个或多个连续调图之外还可以使用切片。[0049] 在一些示例中，可以利用其他热图像(例如，体素级捕获的热图像)来训练一些示例中的一个或多个神经网络。例如，控制器116可以基于预测热图像和热图像来估算损失函数。可以基于损失函数来训练一个或多个神经网络。[0050] 在一些示例中，可以利用将低分辨率热图像和高分辨率连续调图的序列作为输入来预测高分辨率熔融层热图像的深度神经网络架构。在一些示例中，神经网络可以包括一个或多个输入层、一个或多个编码器层、时空层(例如，RNN层)、一个或多个解码器层、和/或一个或多个输出层。例如，紧挨输入层，编码器层可以从输入中提取特征。时空层可以从一个或多个连续调图和一个或多个捕获的热图像(例如，从实时机器内热感测)中学习时间信息和空间信息两者。解码器层可以将特征转换成输出域，并且可以位于输出层之前。在一些实施方式中，每个层可以包括一个或多个节点(例如，多于一个节点(或感知器))。在一些示例中，神经网络可以连接到另一个或多个神经网络，可以包括另一个或多个神经网络，和/或可以与另一个或多个神经网络合并(例如，堆叠)。在一些示例中，另一个或多个神经网络可以用作编码器或解码器。在一些示例中，可以利用多个编码器或解码器，或者可以不实施或利用编码器或解码器。[0051] 在一些示例中，控制器116可以尺度放大捕获的热图像以产生尺度放大的热图像。如本文所使用的，术语“尺度放大”及其变型表示增加图像的分辨率。尺度放大可以不基于连续调图和/或可以不提供本文描述的热图像增强的精度。尺度放大的示例可以包括基于插值的方法、统计方法和/或基于示例的方法。例如，控制器116可以执行双三次插值来尺度放大捕获的热图像，以产生尺度放大的热图像。[0052] 在一些示例中，尺度放大捕获的热图像可以包括如下执行热预测强度校正。热预测强度校正是用于热图像分辨率尺度放大的经验方法。这种方法可以利用简单的模型来尺度放大层的热图像(例如，以每英寸150像素(ppi))。简单的热预测模型的示例可以包括基于第一原理的模型或经验模型。这种热预测模型尺度放大可以不利用神经网络和/或可以不利用一个或多个连续调图。可以将热图像下采样到与低分辨率热感测相同的分辨率(例如，42×30像素)。然后，可以计算测得的温度与预测温度的比率。例如，可以利用未失真的红外相机图像(例如，分辨率为42×30像素)来计算测得的温度与预测温度的比率。可以利用相机图像来调整基于从测得的红外相机图像得到的强度校正预测的热图像。可以利用插值将计算的比率上采样到高分辨率(例如，2496×1872像素或150ppi)。可以通过将高分辨率比率与预测的原始热图像相乘来得到高分辨率热图像。[0053] 当热图像尺度放大时，由于插值，生成的高分辨率图像可以显示梯度。对于某些应用程序，强度校正的增强结果可能不够精确。然而，这种方法可以提供高分辨率热图像，可以利用所述高分辨率热图像来减少基于模型的图像增强中的困难。例如，可以在本文描述的热图像增强的一些示例中利用热预测强度校正。本文描述的热图像增强(例如，建模方法)的一些示例不限于热预测强度校正。热图像增强的一些示例可以利用任何热感测分辨率尺度放大结果作为模型输入。模型可以学习如何在模型训练期间校正结果。[0054] 在一些示例中，控制器116可以使用编码器(例如，第一卷积神经网络(CNN))对尺度放大的热图像进行编码以产生第一数据。第一数据可以包括尺度放大的热图像的特征。在一些示例中，控制器116可以使用编码器(例如，第二卷积神经网络)对熔融连续调图和/或细化连续调图进行编码以产生第二数据。第二数据可以包括熔融连续调图和/或细化连续调图的特征。在一些示例中，控制器116可以将第一数据与第二数据级联起来，以产生级联数据。级联数据可以输入到神经网络(例如，递归神经网络(RNN))。在一些示例中，控制器116可以使用解码器(例如，第三卷积神经网络)对神经网络的输出进行解码，以产生预测热图像(例如，增强的热图像)。[0055] 在一些示例中，(多个)编码器和/或解码器可以是卷积神经网络。在一些示例中，(多个)编码器和/或解码器可以不是卷积神经网络。例如，(多个)编码器和/或解码器可以是组合不同部件的卷积神经网络，所述不同部件包括卷积层、池化层、去卷积层、初始层和/或残差层等。具体的架构可以通过实验来调整。[0056] 在一些示例中，控制器116基于(多个)熔融连续调图、(多个)细化连续调图和/或一个或多个捕获的热图像使用神经网络来执行预测以产生一组预测热图像。所述一组预测热图像可以作为热图像数据129存储(例如，在数据存储区114中)。[0057] 模拟数据128可以包括用于模拟一个或多个层的模拟指令。例如，控制器116可以执行模拟指令来模拟一个或多个未来层的热行为(例如，瞬态温度)。在一些示例中，控制器116可以使用基于一组预测热图像的边界条件来模拟层。在一些示例中，层的预测热图像可以直接应用为层模拟的边界条件。[0058] 在一些示例中，控制器116可以基于一组预测热图像来生成复合热图像序列。复合热图像序列是表示对应于复合层的多个热图像的热图像序列。例如，控制器116可以将一组热图像组合成表示来自多个层的热行为的单个复合热图像序列。[0059] 在一些示例中，控制器16可以基于复合热图像序列来确定边界条件。例如，控制器116可以通过调整复合热图像序列以增加模拟稳定性来确定边界条件。调整复合热图像序列可以包括对复合热图像序列应用低通滤波器。低通滤波器可以应用于复合热图像序列的时间方面和空间方面两者。在一些示例中，调整复合热图像序列可以包括用比例积分微分(PID)控制器来控制复合热图像序列。[0060] 在一些示例中，控制器116可以基于(多个)预测热图像和/或基于模拟来打印一个或多个层。例如，控制器116可以基于(多个)预测热图像和/或(多个)层的模拟来控制层的熔剂112和/或细化剂120的量和/或位置。在一些示例中，控制器116可以基于(多个)预测热图像和/或(多个)模拟层来驱动模型设置(例如，步幅的大小)。另外或替代性地，控制器116可以基于(多个)预测热图像和/或(多个)模拟层来执行离线打印模式调整。例如，如果预测热图像和/或模拟指示系统偏差(例如，构建区域的特定部分始终比基线更冷或更热)，则可以更改数据流水线，使得连续调图被修改成补偿这种系统偏差。例如，如果预测热图像和/或模拟指示系统偏差，则控制器116可以调整连续调图生成(例如，对于一个或多个层)以补偿偏差。因此，可以基于(多个)连续调图来调整(多个)沉积的试剂的位置和/或量，以提高打印精度和/或性能。[0061] 图2是图示了可以被实施用于适配制造模拟的功能的示例的框图。在一些示例中，结合图2描述的功能中的一个、一些或全部功能可以由结合图1描述的控制器116来执行。例如，在一些示例中，用于切片238、连续调图生成242、机器学习248、数据存储243、组合236、边界条件生成252和/或模拟255的指令可以存储在数据存储区114中并由控制器116执行。在其他示例中，一个或多个功能(例如，切片238、连续调图生成242、机器学习248、数据存储243、组合236、边界条件生成252和/或模拟255)可以由另一个装置执行。例如，切片238可以在单独的装置上执行并发送到3D打印设备100。[0062] 可以获得3D模型数据232。例如，3D模型数据232可以从另一个设备接收和/或生成。3D模型数据232可以指定用于打印一个或多个3D物体的3D模型的形状和/或尺寸。3D模型数据232可以定义3D物体的内部部分和外部部分两者。3D模型数据232可以例如使用多边形网格来定义。例如，3D模型数据232可以使用如3D制造格式(3MF)文件格式、物体(OBJ)文件格式和/或立体光刻(STL)文件格式以及其他类型的文件格式等多种格式来定义。在一些示例中，3D模型数据可以被称为“批”(batch)。[0063] 切片238可以基于3D模型数据232来执行。例如，切片238可以包括生成对应于3D模型数据232的一组2D切片240。在一些方法中，可以沿轴(例如，竖轴、z轴或其他轴)遍历由3D模型数据232指示的3D模型，其中每个切片240表示3D模型的2D截面。例如，对3D模型进行切片238可以包括识别切片平面的z坐标。切片平面的z坐标可以用于遍历3D模型以识别由切片平面截取的3D模型的一个或多个部分。[0064] 可以通过考虑过程物理利用3D模型和/或2D切片(例如，向量切片)的堆叠来生成每层机器指令(例如，体素级试剂分布)。连续调图可以是每层机器指令的示例。在一些示例中，可以基于切片240来执行连续调图生成242。例如，可以为每个切片240生成一个或多个连续调图244。例如，连续调图生成242可以包括生成熔融连续调图和细化连续调图，其中熔融连续调图指示用于打印层的熔剂的一个或多个区域和密度分布。细化连续调图指示用于打印层的细化剂的一个或多个区域和密度分布。在一些示例中，一个或多个连续调图244可以以各种文件格式来表示。例如，连续调图244可以被格式化为图像文件和/或另一个种类的连续色调文件。在一些示例中，结合图2描述的一个或多个功能可以由打印机执行。例如，3D模型数据232可以加载到打印机上，所述打印机可以执行结合图2描述的一个或多个功能。在一些示例中，切片238和/或连续调图生成242可以包括使用固件对3D模型数据232(例如，几何图形)进行体素化和/或光栅化，以及为构建生成试剂分配图(例如，(多个)熔剂和/或细化剂连续调图244)。[0065] 可以使用数据存储243功能来存储(多个)连续调图244、切片240和/或热图像数据246(例如，(多个)捕获的热图像)。例如，(多个)连续调图244、切片240和/或热图像数据246可以存储在存储设备中(例如，在数据库中)。在一些示例中，可以存储热图像(例如，视频，每层一个视频)。在一些示例中，可以在打印期间连续地生成热图像，直到当前层之前最近的层(例如，K‑1)。当前层可以用变量K表示。例如，当打印开始时，一个或多个热传感器可以将图像序列(例如，(多个)视频)写入指示熔融表面上的温度分布的存储器。在一些示例中，当打印层K时，可以访问直到层(K‑1)的热感测数据。[0066] 在一些示例中，可以另外或替代性地存储其他数据(例如，3MF文件)。层数据245可以被提供给机器学习248。层数据245可以包括对应于先前层的数据(例如，(多个)切片、(多个)连续调图、(多个)热图像等)。例如，当打印机正在打印层K时，层K‑a到K‑1的层数据245可以加载到机器学习248中。在这种情况下，“a”是指“K‑a”中的整数(例如，30)。[0067] 机器学习248可以用于基于层数据245来计算(例如，预测)一个或多个预测热图像250。(多个)预测热图像250可以对应于层K和/或一个或多个附加层。在一些示例中，机器学习248(例如，神经网络、深度学习推理)可以利用对应于从(K‑1‑a)到(K‑1)的层的热图像来预测前向b层，其中b≥1。例如，当每个层作为熔融层暴露时，机器学习248可以预测层K、K+1、...、K+b‑1的热图像。在一些示例中，对于每个层，预测热图像250可以是表示熔融边界处的瞬态热行为的图像序列。[0068] 在一些示例中，当在线时，机器学习248可以利用(多个)低分辨率原位热图像(例如，具有30×31或90×90像素的大小)和高分辨率连续调图来预测高分辨率熔融层热图像*(例如，具有640480的大小)。机器学习248可以学习(例如，沿表面边界)根据热图像时空信息、连续调图中的精细细节和/或校正程序中添加的信息来推断后续层热行为和高分辨率精细细节。与一些种类的模拟相比，机器学习248可以提供改进的保真度(例如，在边界细节方面具有显著的改进)。机器学习248可以部分地或完全地捕获打印机操作变化(例如，由于环境因素、打印机漂移、打印机变化和/或打印机功能引起的变化)来表示当前(例如，最新的)现实。表示由机器学习248捕获的(多个)打印机操作变化的信息可以应用于模拟255。在一些示例中，适配模拟255可以包括基于一个或多个预测热图像250来设置边界条件。[0069] 在一些示例中，可以对预测热图像250执行组合236功能以产生复合热图像序列254。例如，组合236可以包括将多个预测热图像250(例如，对应于多个打印层)分组为与复合层相对应的一个复合热图像序列254，以减少模拟时间。复合层可以包括b个打印层，其中b为整数并且b≥1。例如，机器学习248可以产生层K+1、...、K+b的预测热图像250。在b>1的情况下，组合236可以包括将层K、K+1、...、K+b‑1的瞬态预测热图像250顺序地组合成表示复合(例如，人工)层的瞬态熔融边界条件的单个复合热图像序列254。例如，第一层的预测热图像250可以与第二层的第二预测热图像250组合，以产生复合热图像序列254。在其他示例中(例如，在b＝＝1的情况下)，可以不产生复合层和/或复合热图像序列254和/或可以不执行组合236。在一些示例中，适配模拟255可以包括基于复合热图像序列254来设置边界条件253。[0070] 边界条件生成252可以包括为模拟255生成一个或多个边界条件253(例如，顶表面边界条件)。在一些示例中，复合热图像序列254可以作为边界条件253应用于构建体积(例如，对应于层0到K+b‑1)的模拟255。例如，组合236功能的输出可以作为固定边界条件253(例如，对于顶部熔融边界)直接应用于模拟255。例如，在模拟255中，熔融层中的每个体素的顶表面可以具有由组合236功能生成的瞬态温度。在一些示例中，模拟255可以包括为复合层和/或为消耗来自组合236的复合热图像序列254的持续时间模拟构建体积，使得对于b＝1和b>1的两种情况都满足总暴露时间。[0071] 在组合236产生在空间和/或时间上具有高频变化的复合热图像序列254的情况下，直接应用复合热图像序列254(例如，温度)作为(多个)边界条件可能在数值上不稳定或不合理。空间中高频变化的示例可以包括从像素到像素变化的小特征(例如，晶格特征)，其中构建在空间上从物体到粉末频繁变化，并且因此温度频繁波动。时间上的高频变化的示例可以包括相同像素邻域的温度突然升高或降低(例如，施加细化剂)。[0072] 在一些示例中，边界条件生成252功能可以包括用于增加稳定性和/或避免潜在不稳定性的一个或多个操作。例如，边界条件生成252可以包括将时间和/或空间上的低通滤波器(例如，时间和/或空间低通滤波器)应用于预测热图像250(例如，在b＝＝1的情况下)和/或复合热图像序列254(例如，在b>1的情况下)，以产生经滤波的热图像。应用低通滤波器可以减少预测热图像250中和/或复合热图像序列254中的高频变化，这可以有助于避免模拟255的不稳定性。在一些示例中，适配模拟255可以包括基于经滤波的热图像来设置边界条件253。[0073] 在一些示例中，边界条件生成252可以包括控制预测热图像250和/或复合热图像序列254，以产生受控热图像。在一些示例中，适配模拟可以包括基于受控热图像来设置边界条件253。例如，可以利用控制器(例如，PID控制器)来控制预测热图像250和/或复合热图像序列254。例如，可以根据等式(1)来利用PID控制器。[0074][0075] 在等式(1)中，T为边界条件253(例如，温度)，Tsensor(t)为时间t的温度(例如，预测热图像250或复合热图像序列)，Int表示积分，d/dt表示导数，并且p、i和d为可调因子(例如，常数、权重)，所述可调因子可以有助于模拟255更好地吸收由Tsensor(t)在时间和空间两者上的梯度引起的冲击(例如，从而增加数值稳定性)。在一些示例中，应用低通滤波器或应用控制器(例如，PID控制器)可以是将(多个)预测热图像250和/或复合热图像序列254(例如，Tsensor(t)曲线)作为固定温度边界条件直接应用于体素顶表面的替代方案。[0076] 模拟255可以是逐层增材程序的瞬态模拟(例如，增材制造的模拟)。在一些示例中，当模拟一个复合(例如，人工)层时，可以应用从边界条件生成252获得的温度边界条件253来驱动通过掩埋层的进一步热扩散。在一些示例中，模拟255基于复合热图像序列254产生模拟复合层，所述复合热图像序列基于第一层的预测热图像250和第二层的第二预测热图像250。[0077] 模拟255产生模拟数据247，所述模拟数据可以被提供给数据存储243。在一些示例中，模拟数据247包括温度(例如，直到层K+b的构建体积的刷新温度)。例如，在完成一个复合层的模拟255后，每个热体素的瞬态历史可以被记录到数据库中。例如，基于经适配的模拟255的模拟层可以存储在存储器中。在一些示例中，存储模拟数据247(例如，记录复合层的瞬态历史)可以触发将一组后续层数据245(例如，新的热成像数据)推送给机器学习248。可以重复(多个)功能(例如，机器学习248、组合236、边界条件生成252和/或模拟255)。[0078] 在一些示例中，可以基于模拟数据247来执行一个或多个操作。例如，可以基于模拟数据247来确定控制信息。可以基于模拟数据247利用控制信息来打印一个或多个层。例如，控制信息可以指示基于模拟数据247来控制用于层的熔剂和/或细化剂的量和/或位置。在一些示例中，控制信息可以基于模拟数据247(例如，热扩散)来驱动模型设置(例如，步幅的大小)。另外或替代性地，控制信息可以基于模拟数据247来指示离线打印模式调整。例如，如果预测模拟数据247指示系统偏差(例如，构建区域的特定部分始终比基线更冷或更热)，则可以更改数据流水线，使得连续调图被修改成补偿这种系统偏差。例如，如果模拟数据247指示系统偏差，则控制信息可以指示对连续调图生成(例如，对于一个或多个层)的调整以补偿偏差。因此，可以基于(多个)连续调图来调整(多个)沉积的试剂的位置和/或量，以提高打印精度和/或性能。在一些示例中，执行操作可以包括在显示器上呈现模拟数据247和/或向另一个设备发送模拟数据247。[0079] 图3是可以用于适配制造模拟的装置356的示例的框图。装置356可以是如个人计算机、服务器计算机、打印机、3D打印机、智能电话、平板计算机等计算设备。装置356可以包括和/或可以耦接到处理器362、数据存储区368、输入/输出接口366、机器可读存储介质380和/或一个或多个热图像传感器364。在一些示例中，装置356可以与增材制造设备(例如，结合图1描述的3D打印设备100)进行通信(例如，与其耦接、具有通信链路)。替代性地，装置356可以是结合图1描述的3D打印设备100的示例。例如，处理器362可以是结合图1描述的控制器116的示例，数据存储区368可以是结合图1描述的数据存储区114的示例，并且一个或多个热图像传感器364可以是结合图1描述的热传感器106的示例。在不脱离本公开的范围的情况下，装置356可以包括附加部件(未示出)，和/或本文描述的部件中的一些部件可以被去除和/或修改。[0080] 处理器362可以是中央处理单元(CPU)、基于半导体的微处理器、图形处理单元(GPU)、FPGA、专用集成电路(ASIC)和/或适于取得并执行存储在机器可读存储介质380中的指令的其他硬件设备中的任何一种。处理器362可以获取、解码和/或执行存储在机器可读存储介质380上的指令(例如，操作指令376)。另外或替代性地，处理器362可以包括一个或多个电子电路，所述一个或多个电子电路包括用于执行指令(例如，操作指令376)的一个或多个功能的电子部件。在一些示例中，处理器362可以被配置为执行结合图1至图5中的一个、一些或全部图描述的功能、操作、方面、方法等中的一个、一些或全部。[0081] 机器可读存储介质380可以是包含或存储电子信息(例如，指令和/或数据)的任何电子设备、磁性设备、光学设备或其他物理存储设备。因此，机器可读存储介质380可以是例如随机存取存储器(RAM)、电可擦除可编程只读存储器(EEPROM)、存储设备、光盘等。在一些实施方式中，机器可读存储介质380可以是非暂态有形机器可读存储介质，其中术语“非暂态(non‑transitory)”并不涵盖暂态传播信号。虽然机器可读存储介质380被示出为包括在装置356中，但是机器可读存储介质380可以独立地实施(例如，与装置356分离)。[0082] 装置356还可以包括数据存储区368，处理器362可以在所述数据存储区上存储信息。数据存储区368可以是如动态随机存取存储器(DRAM)、EEPROM、磁阻式随机存取存储器(MRAM)、相变RAM(PCRAM)、忆阻器、闪速存储器等易失性和/或非易失性存储器。在一些示例中，机器可读存储介质380可以包括在数据存储区368中。替代性地，机器可读存储介质380可以与数据存储区368分离。在一些方法中，数据存储区368可以存储与机器可读存储介质380存储的指令和/或数据相似的指令和/或数据。例如，数据存储区368可以是非易失性存储器，并且机器可读存储介质380可以是易失性存储器。[0083] 装置356可以进一步包括输入/输出接口366，处理器362可以通过所述输入/输出接口与一个或多个外部设备(未示出)进行通信，例如，以接收和存储关于一个或多个要制造的物体的信息。输入/输出接口366可以包括使得处理器362能够与一个或多个外部设备进行通信的硬件和/或机器可读指令。输入/输出接口366可以实现与一个或多个外部设备的有线或无线连接。输入/输出接口366可以进一步包括网络接口卡和/或还可以包括使得处理器362能够与各种输入和/或输出设备(如键盘、鼠标、显示器)、另一装置、电子设备、计算设备等进行通信的硬件和/或机器可读指令，用户可以通过所述硬件和/或机器可读指令向装置356输入指令。[0084] 在一些示例中，机器可读存储介质380可以存储热图像数据370。热图像数据370可以从一个或多个热图像传感器364获得(例如，接收)和/或可以预测。例如，处理器362可以执行指令(图3中未示出)以获得一个或多个层的一个或多个捕获的热图像。在一些示例中，装置356可以包括一个或多个热图像传感器364，可以耦接到一个或多个远程热图像传感器，和/或可以从(集成和/或远程)热图像传感器接收热图像数据370(例如，一个或多个热图像)。热图像传感器364的一些示例包括热相机(例如，红外相机)。可以利用其他类型的热传感器。在一些示例中，热传感器分辨率可以小于体素分辨率(例如，每个温度读数可以覆盖包括多个体素的区域)。例如，可以利用具有低分辨率(例如，31×30像素、80×60像素、90×90像素等)的低分辨率热相机。在其他示例中，一个或多个高分辨率热图像传感器364可以为神经网络训练提供体素级(或接近体素级)热感测(例如，640×480像素)。[0085] 热图像数据370可以包括一个或多个热图像。如上所述，热图像可以是指示区域和/或体积上的热量(例如，温度)的图像。例如，热图像可以指示构建区域温度分布(例如，顶层上的热温度分布)。在一些示例中，一个或多个热图像传感器364可以经历校准程序，以克服由一个或多个热图像传感器364引入的失真。例如，可以变换热图像以将热图像与一个或多个连续调图配准。在不同的示例中可以使用不同类型的热感测设备。[0086] 在一些示例中，连续调图获得指令382可以是使得处理器362获得熔融连续调图和/或细化连续调图的代码。例如，处理器362可以执行连续调图获得指令382来获得连续调图数据374。例如，连续调图获得指令382可以生成一个或多个连续调图(例如，从切片数据和/或3D模型数据)和/或可以从另一个设备接收一个或多个连续调图(例如，经由输入/输出接口366)。连续调图数据374可以指示用于打印3D物体的体素级的试剂分布(例如，熔剂分布和/或细化剂分布)。例如，连续调图数据374可以用作试剂分布的每层机器指令(例如，体素级机器指令)。[0087] 在一些示例中，可以利用对应于吸收或移除热能的不同能力的多个不同的试剂连续调图。另外或替代性地，一些示例可以利用为每个试剂使用多个连续调图的不同打印模式。[0088] 对于给定层(例如，当前层、顶层等)，在一些示例中，沉积到所述层的所有试剂的一个或多个连续调图可以是能量驱动力。在一些示例中，另一个体素级能量影响因素可以包括先前层中与给定体素相比可能具有温差的相邻体素，所述相邻体素可以引起热通量进入或离开体素。[0089] 机器可读存储介质380可以存储神经网络数据372。神经网络数据372可以包括定义和/或实施一个或多个神经网络的数据。例如，神经网络数据372可以定义一个或多个节点、节点之间的一个或多个连接、一个或多个网络层、和/或一个或多个神经网络。在一些示例中，处理器362可以利用(例如，执行包括在其中的指令)神经网络数据372来计算预测热图像。一个或多个预测热图像可以作为热图像数据370存储在机器可读存储介质380上。[0090] 在一些示例中，处理器362使用一个或多个神经网络(由神经网络数据372定义)来增强一个或多个捕获的热图像。例如，处理器362可以基于一个或多个连续调图使用一个或多个神经网络来增强捕获的热图像，以产生一个或多个增强的热图像。相对于(多个)捕获的热图像的分辨率，(多个)增强的热图像可以具有增加的分辨率。一个或多个增强的热图像可以作为热图像数据370存储。例如，处理器362可以使用神经网络或多个神经网络基于捕获的热图像或多个捕获的热图像以及连续调图或多个连续调图(例如，熔融连续调图和细化连续调图)来计算(例如，预测)层的预测热图像。[0091] 在一些示例中，神经网络数据372可以是使得处理器362预测对应于后续层(例如，层K、K+1等，即在层K‑1之后)的热图像的代码。在一些示例中，预测热图像(例如，预测、计算或估算预测热图像)可以包括在层形成之前或形成时计算层的增强的热图像。在一些示例中，预测热图像可以对应于在对应于捕获的热图像的层之后的层。在一些示例中，也可以在一些示例的计算中利用先前层的多个捕获的热图像。一个或多个连续调图可以对应于与对应于增强的热图像和/或一个或多个先前层的层相同的层(例如，层K)。[0092] 在一些示例中，机器可读存储介质380可以包括边界条件确定指令373。边界条件确定指令373是使得处理器362基于(多个)预测热图像来确定边界条件的代码。例如，边界条件确定指令373可以包括组合预测热图像的代码和/或生成边界条件的代码(例如，将低通滤波器应用于复合热图像序列和/或控制复合热图像序列，和/或基于(多个)预测热图像和/或复合热图像序列来设置边界条件)，如结合图1和/或图2所描述的。[0093] 在一些示例中，机器可读存储介质380可以包括模拟指令378。模拟指令378是使得处理器362基于边界条件来模拟一个或多个层(例如，(多个)后续层)的制造的代码。例如，模拟指令378可以包括基于边界条件自适应地逐层模拟制造程序的代码。在一些示例中，可以如结合图1和/或图2所描述的那样执行模拟。执行模拟可以产生模拟层数据379，所述模拟层数据可以存储在机器可读存储介质380中。模拟层数据379可以包括指示基于经适配的模拟的一个或多个体素的瞬态热行为的信息。在一些示例中，使用神经网络来预测热图像使得模拟能够考虑打印机操作中的一个或多个变化。[0094] 在一些示例中，处理器362可以执行操作指令376，以基于模拟层数据379执行操作。例如，处理器362可以基于模拟层数据379打印一个或多个层(例如，控制一个或多个层的(多个)试剂的量和/或位置)。在一些示例中，处理器362可以基于模拟层数据379来驱动模型设置(例如，步幅的大小)。另外或替代性地，处理器362可以基于模拟层数据379来执行离线打印模式调整。另外或替代性地，处理器362可以基于模拟层数据379来发送消息(例如，警告、警报、进度报告、质量评级等)。另外或替代性地，处理器362可以在模拟层数据379指示有问题(例如，超过打印的一个或多个模拟层与3D模型和/或切片之间的阈值差异)的情况下停止打印。另外或替代性地，处理器362可以将即将到来的层的模拟层数据379馈送到热反馈控制系统，以在线补偿即将到来的层的连续调图。在一些示例中，操作指令376可以包括呈现模拟层数据379的指令。例如，指令可以使得处理器362在显示器上渲染和/或呈现模拟层数据379。例如，模拟层数据379可以呈现为在空间上指示构建体积上的温度和/或指示一个或多个时间的温度的3D图。[0095] 在一些示例中，机器可读存储介质380可以存储3D模型数据(图3中未示出)。3D模型数据可以由装置356生成和/或从另一个设备接收。在一些示例中，机器可读存储介质380可以包括切片指令(图3中未示出)。例如，处理器362可以执行切片指令来对3D模型数据执行切片，以产生2D向量切片的堆叠。[0096] 在一些示例中，操作指令376可以包括3D打印指令。例如，处理器362可以执行3D打印指令来打印一个或多个3D物体。在一些实施方式中，3D打印指令可以包括用于控制一个或多个设备(例如，辊、打印头和/或热投影仪等)的指令。例如，3D打印指令可以使用一个或多个连续调图(例如，存储为连续调图数据)来控制一个或多个打印头在一个或多个连续调图指定的一个或多个位置打印一个或多个试剂。在一些示例中，处理器362可以执行3D打印指令来打印一个或多个层。打印(例如，热投影仪控制)可以基于热图像(例如，捕获的热图像、预测热图像和/或(多个)模拟层)。[0097] 在一些示例中，机器可读存储介质380可以存储神经网络训练指令。处理器362可以执行神经网络训练指令来训练一个或多个神经网络(例如，由神经网络数据372定义)。在一些示例中，处理器362可以使用一组训练热图像来训练一个或多个神经网络。在一些示例中，可以省略和/或不执行结合图3描述的一个或多个功能。[0098] 图4是图示了用于适配制造模拟的方法400的示例的流程图。方法400和/或方法400的一个或多个步骤可以由电子设备执行。例如，方法400可以由结合图3描述的装置356(和/或结合图1描述的3D打印设备100)执行。[0099] 装置356可以使用机器学习模型基于3D制造的热成像流来确定402预测热图像。这可以如结合图1、图2和/或图3所描述的那样完成。热成像流是由热传感器捕获的热图像序列(例如，视频)。在一些示例中，可以在打印期间连续地捕获热成像流。装置356可以利用来自热成像流的一个或多个热图像来确定预测热图像。例如，装置356可以利用经训练的机器学习模型(例如，(多个)神经网络)来确定预测热图像。[0100] 装置356可以基于(多个)预测热图像来适配4043D制造的模拟。这可以如结合图1、图2和/或图3所描述的那样完成。例如，适配模拟可以包括基于(多个)预测热图像来设置边界条件。例如，装置356可以直接用(多个)预测热图像、直接用复合热图像序列、用经滤波的热图像和/或用受控热图像来直接设置模拟的边界条件。在一些示例中，方法400可以包括结合图1、图2和/或图3描述的一个或多个功能。[0101] 图5是根据本文描述的技术的一些示例的模拟结果的可视化584、586的示例的简化透视图。本文描述的模拟的一些示例包括瞬态制造(例如，打印)程序的模拟。模拟可以产生每个体素的瞬态温度历史作为模拟结果。可视化584、586是对应于不同时间的构建体积的简化温度图。例如，第一可视化584图示了第一时间的3D制造的模拟结果，并且第二可视化586图示了第二稍后时间的3D制造的模拟结果。可视化584、586两者包括图示内部温度(例如，掩埋层)的剖面图。在该示例中，温度以华氏588度的简化尺度图示。其他示例可以以颜色梯度尺度呈现，以示出比图5中的示例更精细的温度变化。[0102] 在一些示例中，模拟结果的可视化可以呈现在显示器上和/或模拟结果可以被发送到另一个设备(例如，计算设备、监视器等)，以呈现模拟结果的可视化。在图5中图示的示例中，模拟反映了逐层构建物体的制造。[0103] 本文描述的技术的一些示例可以提供考虑当前(例如，最新的)真实数据并且可以持续地学习和适配情境变化的模拟。适配模拟可以使得能够在离线预测之外利用模拟，例如，在批次打印之前预测其产量。在一些示例中，适配模拟可以允许将模拟应用于操作应用，因为量化结果可以是精确的并且是最新的。例如，可以利用打印机操作系统来生成可以用于校正的热图像预测和/或模拟。[0104] 虽然本文描述了系统和方法的各种示例，但是系统和方法不限于这些示例。可以在本公开的范围内实施本文描述的示例的变型。例如，可以省略或组合本文描述的示例的操作、功能、方面或元素。

专利地区：美国

专利申请日期：2019-06-11

专利公开日期：2024-06-18

专利公告号：CN113950403B