[發明專利]模型預測

在審

• 申請號: 202080092727.0
• 申請日: 2020-01-31
• 公開（公告）號: CN114945456A
• 公開（公告）日: 2022-08-26
• 發明（設計）人: H·欒;J·C·卡塔納薩拉查;曾軍
• 申請（專利權）人: 惠普發展公司;有限責任合伙企業
• 主分類號: B29C64/386
• 分類號: B29C64/386;G06N3/08;B33Y50/02
• 代理公司: 北京市漢坤律師事務所 11602
• 代理人: 初媛媛;吳麗麗

本文描述了用于模型預測的方法的示例。在一些示例中，一種方法包括預測補償模型。在一些示例中，基于三維(3D)物體模型來預測補償模型。在一些示例中，一種方法包括預測變形模型。在一些示例中，基于補償模型來預測變形模型。

背景技術

可以使用增材制造根據數字模型來生產三維(3D)實體零件。增材制造可以用于快速原型設計、模具生成、模具母版生成和短期制造。增材制造涉及應用構建材料的連續層。這與通常通過移除材料來創建最終零件的一些加工過程不同。在一些增材制造技術中，可以固化或熔合構建材料。

附圖說明

圖1是圖示了用于模型預測的方法的示例的流程圖；

圖2是圖示了用于模型預測的方法的另一個示例的流程圖；

圖3是可以用于模型預測的裝置的示例的框圖；

圖4是圖示了用于模型預測的計算機可讀介質的示例的框圖；

圖5是圖示了機器學習模型架構的示例的框圖；

圖6A是圖示了物體模型點云的示例的圖；

圖6B是圖示了掃描物體點云的示例的圖；

圖7是圖示了根據本文所描述的技術的一些示例的可以利用的部件的示例的框圖；

圖8A是圖示了模型預測和比較的示例的圖；以及

圖8B是圖示了模型預測和比較的示例的圖。

具體實施方式

增材制造可以用于制造三維(3D)物體。3D打印是增材制造的示例。例如，可以將熱能投影到構建區域中的材料上，其中，材料中的相變和固化可能在某些體素處發生。體素是3D空間中位置的表示(例如，3D空間的組件。例如，體素可以表示作為3D空間的子集的體積。在一些示例中，體素可以布置在3D網格上。例如，體素的形狀可以是長方體或矩形棱柱。在一些示例中，3D空間中的體素可以是統一大小的或不統一大小的。體素大小尺寸的示例可以包括25.4毫米(mm)/150≈170微米(150個點每英寸(dpi))、490微米(50dpi)、2mm、4mm等。術語“體素水平”及其變型可以指與體素大小相對應的分辨率、尺度或密度。

在一些示例中，本文所描述的技術可以用于增材制造的各種示例。例如，一些示例可以用于塑料、聚合物、半結晶材料、金屬等。一些增材制造技術可以是基于粉末的并且通過粉末熔合來驅動。本文所描述的方法的一些示例可以應用于基于面積的基于粉末床熔合的增材制造，如立體光固化(SLA)、多射流熔合(MJF)、金屬射流熔合、金屬粘合打印、選擇性激光熔化(SLM)、選擇性激光燒結(SLS)、基于液體樹脂的打印等。本文所描述的方法的一些示例可以應用于其中液滴攜帶的試劑被用于體素水平的熱調制的增材制造。

在增材制造的一些示例中，可以利用熱能來熔合材料(例如，顆粒、粉末等)以形成物體。例如，可以選擇性地沉積試劑(例如，熔合劑、細化劑等)以控制體素水平的能量沉積，這可以觸發針對選定體素的相變和/或固化。制造物體幾何形狀可以通過熔合過程驅動，這使得能夠預測或推斷制造之后的幾何形狀。一些基于第一原理的制造模擬方法相對較慢、復雜，并且/或者可能無法提供目標分辨率(例如，亞毫米分辨率)。一些機器學習方法(例如，一些深度學習方法)可以提供改進的分辨率和/或速度。如本文所使用的，術語“預測”及其變型可以指確定和/或推斷。例如，可以在事件或狀態發生之前、期間和/或之后“預測”事件或狀態。

機器學習模型是基于訓練進行學習的結構。機器學習模型的示例可以包括人工神經網絡(例如，深度神經網絡、卷積神經網絡(CNN)、動態圖CNN(DGCNN)等)。訓練機器學習模型可以包括調整機器學習模型的一個或多個權重。例如，神經網絡可以包括一組節點、層和/或節點之間的連接。節點、層和/或連接可以具有相關聯的權重。可以調整權重來訓練神經網絡執行功能，如預測制造之后的物體幾何形狀、物體變形或補償。權重的示例可以在相對較大的數字范圍中并且可以是負數或正數。