用于增材制造的方法和设备与流程

本申请涉及用于工件的增材制造的一种方法和一种设备。这种增材制造通常又被称为3d打印。

在增材制造中，工件的形状通过施加(即添加)材料来实现。尤其在许多增材制造方法中，逐层地构造三维的工件。这将增材制造与减材制造区别开，在减材制造中将材料从毛坯上去除，以制造具有期望形状的工件。增材方法越来越具有重要性，因为在此目前也可以通过对应的制造设备(例如所谓的3d打印机)的编程来实现相对复杂的工件形状。

在传统的减材制造中，所用材料的品质和尤其均匀性仅最小化地受制造过程影响并且大体上取决于所用毛坯的材料的品质；而在增材制造中，工件的材料、结构和形状同时产生。因此在生产过程中可能发生更少的材料缺陷。这样的材料缺陷可能位于工件内部，并且能够作为纯粹的材料缺陷被注意到。额外地，这些材料缺陷可能在工件表面导致形状缺陷。在图1a、图1b和图2中展示了对此的实例。

图1a和图1b分别示意性地示出使用增材制造方法分多个层制造的工件10。如图1a所示，可能在增材生产过程中出现材料缺陷，例如微型气孔11、较大的气孔12、裂纹13或分层14，其中所生产的层不能正确地相互粘附。额外地，如图1b所示，可能出现材料张紧部(以附图标记15表示)，这些材料张紧部可能导致表面上的表面气孔17或凹坑16并且导致形状缺陷。

典型的增材制造方法是粉床方法，其中选择性地将单独的金属粉末层硬化。在此，也可能在硬化时出现材料缺陷，如这在图2中示意性地示出。在图2的截面视图中，金属粉末21位于底板20上。通过逐层地选择性地硬化，形成工件22。这种逐层的选择性的硬化例如可以通过激光器24烧结进行(激光烧结)。激光器24在图2中用于使金属粉末21局部地在要制造工件22的层的地方熔化，其中之后紧接着使金属粉末21固化。在其他的变体中，可以使用粘合剂。在此，可能形成气孔23或已经参考图1a和图1b阐述的其他材料缺陷。

尤其，在对安全关键的应用中重要的是，能够识别工件中的这样的材料缺陷，以便如有需要采取措施，例如丢弃工件。

从ep2277687b1和ep1486317b1已知用于确定激光烧结的构件的生产参数的方法。

在这些方法中，模拟增材制造，并且从所模拟的生产过程来计算所制造的构件的物理特性，例如工件的几何尺寸和机械特性。随后将所计算出的特性与实际生产的构件的特性进行比较。为了确定这些特性，必然根据所使用的分析方法和所测量的特性而部分地有损实际生产的构件。基于比较，然后可以优化生产参数。

因此这个方法用于优化生产参数，然而不允许对正在进行中的生产的检查并且尤其不允许无损地检测正在进行中的构件生产的材料缺陷。

从jp2017/094728a1已知一种用于过程检查的基于超声波的方法，利用粉床、例如图2的粉床21的声波发射。在us2017/0144250a1中描述了一种用于施加由金属粉末构成的层的设备的声波发射，在那里被称为“再涂覆器(recoater)”。从us2017/0146489a1已知基于粉床方法在增材制造设施中使用基于激光的超声波检测。

基于激光的超声波检测是这样的方法，无接触式地借助于激光在样品(例如通过增材制造方法生产的工件)中产生超声波，并且进而无接触地进行检测。该方法本身例如在jean-pierremonchalin的physicalacoustics，editedbyo.leroyandm.a.breazeale，plenumpress，newyork，1991[物理声学，o.leroy和m.a.breazeale编辑，plenum出版社，纽约，1991年]一书中的章节“opticalgenerationanddetectionofultrasound[光学产生和超声波检测]”中描述。激光束在样本的材料中产生声波，该声波在材料中以声速传播。通过经调节的激光束激发热塑性波的原理例如也在wang，x.；xu，x.：″thermoelasticwaveinducedbypulsedlaserheating"，appliedphysicsa73，2001，s.107-114[脉冲激光加热引起的热塑性波，应用物理学a73，2001年，第107-114页]中描述。

样本内部的不均匀性使声波发生散射，所述声波的一部分因此再次返回到物体表面。在那里，该声波导致物体表面的暂时的、局部的高度偏移，侧向的偏移，或导致这两种偏移。这个运动可以通过第二光学系统来检测，例如通过拓扑测量系统和激光振动系统，该激光振动系统充分利用由多普勒效应造成的在运动的表面上反射的光的频率偏移。对用于检测表面上的超声波的不同方法的描述例如在r.j.dewhurstdag和q.shanddag，″opticalremotemeasurementofultrasound"，measurementscienceandtechnology，vol.10，nr.11[超声波光学遥测，测量科学与技术，第10卷，第11号]中找到。

然而，这样的超声波方法不能以简单的方式被转移至尤其(如图2中所存在的)粉床中的经增材制造的工件。在通常应用用于无损的材料测试的这种方法中，待测试的物体很大程度上是均匀的，并且仅具有很少的缺陷。与此相比，图2的粉床21展示了工件22的极其不均匀的环境，在该环境中声波在很大程度上被散射。与散射截面有关的阻抗跃变在金属粉末中是很大的，这是因为声速在空气中为大约330m/s并且在钢中为例如6000m/s。这与阻抗比为20相对应。此外，金属粉末的颗粒是自由的(并不相互粘合)，因此除了如在均匀的结晶性材料中的晶格振动之外，金属粉末的金属体的宏观运动也是可能的。声波在粉末中的传播例如在以下文献中描述：xiaopingjia，j.laurent，y.khidas和v.langlois，″soundscatteringindensegranularmedium"，chinesesciencebulletinvol.54nr.23，s.4327-4336，2009[在稠密颗粒介质中的声音散射，中国科学通报，第54卷，第23号，第4327-4336页，2009年]，或者o.mouraille和s.luding：″soundpropagationindense，frictionalgranularmaterials″inpowdersandgrains2005，editorsr.garcia-rojo，h.j.herrmannunds.mcnamara，s.319，leiden，2005，a.a.balkemapublishers[在稠密的摩擦颗粒材料中的声音传播，粉末与颗粒，2005年，编者r.garcia-rojo，h.j.herrmann和s.mcnamara，第319页，莱顿，2005年，a.a.balkema出版社]。

在此，对于声波传播的重要的缩放参数是金属粉末的粒子大小。具有在粉末中明显大于粒子大小的波长的声波在粉末中近似地如在均匀的材料中那样传播，而具有小于粒子大小的波长的声波被粒子很大程度地散射。

粉末中的强烈的散射导致信号重叠，该信号来自具有坚固的基底的工件中的缺陷。更加困难的是，以增材制造方法生产的结构通常是精细且复杂的，即这些结构具有与其体积相比大的、复杂设计的表面，该表面同样强烈散射声波。

因此，以这样的方法检测的声学的散射信号是复杂的，并且大部分由粉床、中等部分由工件的表面、并且相对较小的部分由材料缺陷组合成。因此，可能困难的是，基于这样的信号以常规处理方式正确地检测材料缺陷。在分析时，在此还需要注意的是，(在增材制造时可能出现的)缺陷的一部分是累积的，即在制造了多个层之后，这些缺陷才显示出影响。由于最上层中的应力下面的层例如可能发生脱离，或者可能在其中形成裂纹。形成的气孔是否是关键的，也取决于有多少气孔位于附近。此外，在材料中通常在多个层以后才形成应力。

另外用于无损的工件测试的已知方法是电子散斑干涉(espi)。de102014202020b4描述了使用电子散斑干涉来确定在熔池周围的区域中的表面应力，该熔池在激光烧结时在粉床中产生，而不能从中推断出位于表面下方的材料缺陷或材料应力。espi如上文所述局限于用于确定应力和表面存在的气孔形成或夹杂物的表面分析。

us6043870b描述了一种具有紧凑的纤维光学系统的用于工业应用的espi仪器，以识别由于热学激发而导致的材料异常和分层。不探讨可能的、对材料专用的特性和问题，例如通过来自粉床的信号而产生的问题。us6043870a描述了一种用于在一般工业材料分析中使用的espi系统，其中进行热学的激发。科学出版物，例如h.gerhard，g.busse，wcu2003，paris，7.-10.september2003[巴黎，2003年9月7日至10日]，描述了一种在分析聚合物和陶瓷工件时借助于声学和热学激发进行espi的变体。这种激发方式的研究在这种科学出版物中聚焦于塑料。

此外，允许根据热学数据对工件进行3d重建的方法在以下文献中描述，例如fernandolópezrodríguez，vicentedepaulonicolau，applicationtothermalnon-destructiveevaluation，appliedthermalengineering，vol.33，2012，s.109-118，issn1359-4311[用于ir图像重建的逆向传热方法：应用于热学上无损的评估，应用热学工程，第33卷，2012年，第109-118页，issn1359-4311]。

因此本申请的目的在于，提供一种方法和一种设备，借助该方法和该设备可以实现在生产期间测试以增材方法生产的工件，其中尤其可以考虑增材制造的特点，尤其在例如由粉床引起的高的基底信号(untergrundsignale)方面。

为此，提供一种根据权利要求1或16所述的方法以及一种根据权利要求13或18所述的设备。从属权利要求限定另外的实施方式。

根据本发明的一方面，提供一种用于工件的增材制造的方法，该方法包括：

提供工件的制造数据，

模拟该工件的制造，

基于所模拟的制造来模拟该制造期间的测试结果，

添加下一层组到该工件，

测试该层组，以获得经测量的测试结果，

基于所模拟的测试结果和所测量的测试结果来对该测试进行评估，

如果该评估显示制造是可接受的，则重复进行添加、测试和评估，以及

如果该评估显示制造是不可接受的，则采取措施。

通过模拟测试结果和进行实际测试(即测量有待生产的工件)的这种组合，也可以针对更复杂的情况识别出由于材料缺陷而产生的偏差。优选地，模拟通过使用所提供的制造数据并且通过使用用于增材制造的模型来制造工件。特别优选地，用于增材制造的模型包含用于生产上下布置且相互连接的材料层的模型，其中例如通过使布置在粉床中的粉末颗粒熔化和/或粘合来生产单独的材料层。用于增材制造的模型例如可以对温度分布建模，该温度分布取决于环境温度并且取决于有针对性的、局部的能量辐照(例如激光源的激光辐照)例如在粉床中得出。此外，在优选的实施例中模型代表单独的材料层的形状和位置、尺寸设定(例如所选择的材料层的长度或厚度)和/或这些材料层的相互粘合。优选地，模拟的步骤提供对有待生产的工件的代表，这种代表取决于针对模拟所选择的制造参数(例如颗粒大小、颗粒均匀性、环境温度、加工温度、工具的进给速度)而改变。

对测试结果的模拟优选地包含在计算方面确定参数，这些参数表述上述代表的特征。测试结果可以包含一个或多个以下参数：一个或多个表面的粗糙度，一个或多个表面的波度，一个或多个表面的形状，诸如所选择的工件区域的间隔、直径、周长等尺寸设定，在所选择的、所模拟的测量点的温度或温度分布，以及气孔、裂纹、材料夹杂物等的存在和必要时尺寸设定。换言之，在此在模拟生产的工件处在计算方面执行模拟测量，以确定模拟生产的工件的独立的特性。这可以理解为，这些独立的特性取决于针对模拟所选择的制造参数而改变。另一方面，模拟制造的工件的独立的特性代表用于真实制造的工件的参考工件。

添加下一层组包含：通过使用增材制造方法将新的工件层“真实地”施加在已经存在的工件层上。在优选的实施例中，如上文所述，这通过使布置在已经存在的工件层上的粉末颗粒熔化和/或粘合来进行。

测试的步骤包含确定独立的参数，这些参数表述新的工件层连同位于其下的工件层的特征。独立的参数可以包含一个或多个以下参数：一个或多个表面的粗糙度，一个或多个表面的波度，一个或多个表面的形状，诸如所选择的工件区域的间隔、直径、周长等尺寸设定，在所选择的测量点的温度或温度分布，以及必要时气孔、裂纹、材料夹杂物等的尺寸设定。测量可以包含借助于能量源来激发(anregung)新的工件层连同位于其下的工件层并且测量能量辐射在工件层处的反射、透射或散射。能量可以借助于x射线辐射、uv辐射、ir辐射、可见光辐射和/或借助于包括超声波的声波被引入工件层中。

评估可以包括通过使用已借助于机器学习训练的系统来进行评估。在此可以借助于训练实例进行学习，这简化了评估。

评估可以包括将所模拟的测试结果与所测量的测试结果进行比较。因此，例如可以计算出粉床的比例。尤其，评估的步骤包含将上述代表的独立的参数与新的工件层连同位于其下的各个工件层的分别对应的独立的参数进行比较。对应地，在几个实施例中，新的方法包含逐层地将通过模拟所确定的参数与通过测量所确定的参数进行比较。优选地在生产单独的工件层期间将通过增材制造所生产的工件与通过模拟所确定的、预期的工件结构进行比较。通过模拟所确定的参数代表在理想的、有模型的条件下产生的工件层。在测试步骤中所确定的独立的参数代表真实的生产结果。通过对相应参数的比较可以以高效的方式来识别制造过程与理想的制造过程的偏差。

采取措施可以包括改变用于之后添加层组的过程参数。这可以是用于下一个有待制造的工件或用于同一工件的添加。因此可以利用用于改进过程的评估。

当例如评估结果为工件由于材料缺陷而不满足品质要求时，采取措施也可以包括丢弃工件。

该层组可以包括唯一的层、多个层、或一个层的一部分。因此可以根据要求不同频率地执行测试和评估。

评估可以包括使用所测量的测试结果与所模拟的测试结果之差与构件特性的预定的关联。因此可以例如由校准测量来确定这样的关联并且随后将其应用于评估。

测试可以包括执行激光超声波方法。在此，在粉床方法中，优选地使用脉冲频率小于f最大＝vm/(dm+sm)的激光束，其中vm是均匀的粉末材料中的声速，并且dm是粉末的平均颗粒直径，并且sm是颗粒的大小分布的简单标准差。

测试也可以包括执行电子激光散斑干涉。

测试也可以包括执行红外热成像或x射线检查(例如x射线散射)。

通过使用模拟，也可以评估来自这些方法的复杂的测量数据。

根据第二方面，提供一种用于工件的增材制造的设备，该设备包括：

用于模拟工件的增材制造和用于模拟在该制造期间的测试结果的模拟装置，

用于该工件的增材制造的制造装置，以及

用于在该增材制造期间测试该工件以得到经测量的测试结果的测试装置，

其中该测试装置被配置为用于相应地在添加下一层组后测试该工件，并且该模拟装置被配置为用于执行并基于所模拟的测试结果和所测量的测试结果的评估，并且用于实现在该评估显示该工件的制造不可接受时采取措施。

该测试装置尤其可以包括激光超声波测试装置、电子激光散斑干涉测试装置、红外热成像测试装置和/或x射线检查装置。

设备(尤其模拟装置)可以被配置为用于执行上述方法之一。

根据第三方面，提供一种用于工件的增材制造的方法，该方法包括：

用增材制造方法来制造工件，以及

以红外热成像和电子散斑干涉的组合来在制造期间分析该工件。

通过红外热成像和电子激光散斑干涉可以准确地进行分析。

分析可以包括通过机器学习进行评估。

根据第四方面，提供一种用于制造工件的设备，该设备包括：

用于增材制造该工件的制造设备，以及

用于在制造期间分析该工件的分析设备，其中该分析设备包括用于电子激光散斑干涉的装置和用于红外热成像的装置。

在下文中借助于不同的实施例详细地阐述本发明。在附图中：

图1a和图1b示出在增材制造时的材料缺陷的实例，

图2示出在用于增材制造的粉床方法中的材料缺陷的实例，

图3示出用于展示根据一个实施例的方法的流程图，

图4示出用于展示在一些实施例中使用模拟的图示，

图5示出根据一个实施例的、用于基于激光超声波来执行工件测试的设备，

图6示出根据一个实施例的方法的流程图，

图7示出根据一个实施例的、用于测试工件的设备，以及

图8示出根据另一个实施例的、用于测试工件的设备。

下文中详细阐述不同的实施例。这些实施例仅用于说明，而不应解释为限制性的。因此，所描述的一些实施例具有多个特征的或部件。在下文中这不应解释为，所有这些特征或部件对于实现方式而言是必需的。而是，其他的实施例可能具有较少的部件或特征或者也可能具有替代性的特征或部件。除了明确展示和描述的特征和部件之外，也可以提供另外的特征或部件，尤其用于增材制造或用于分析工件的常规系统的特征或部件。

除非另有说明，否则各种实施例的特征可以彼此组合。针对其中一个实施例所描述的变体和变化也可以适用于其他实施例。

图3示出根据一个实施例的用于工件的增材生产的方法的流程图。这种增材制造以下也被称为3d打印或被简称为打印。作为用于生产的方法，在此可以使用基于粉床的方法(例如激光烧结)或也使用使粉末、尤其金属粉末通过粘合剂逐层固化的方法。然而，这种方法和以下实施例也可以以其他生产方法作为基于粉床的方法使用。

在该方法中，在步骤30中，提供对工件的计算机辅助设计(cad，出自英语computeraideddesign)。然后在步骤31中准备打印任务，其方式为：来自步骤30的计算机辅助设计转换成对用于3d打印的某种设备(例如在开篇参照图2阐述的基于粉床的设备)的指令。

然后在步骤32中模拟打印任务，即逐层地(包含周围的粉床在内)模拟工件的生产。然后，在步骤33中，模拟针对相应的生产状态的测试结果，即在相应数目的经涂覆的层之后，即用于测试工件的测量方法的测量结果。这样的测量方法可能包括(如稍后将要阐述地)例如基于超声波的方法、热成像方法、x射线散射和/或干涉方法(如电子激光散斑干涉)。

步骤32和步骤33因此展示无缺陷的工件生产模拟，并且在步骤33中获得的测试结果对应于所模拟的用于无缺陷的工件的测试结果。

然后在步骤34中开始打印下一个有待产生的层的原本的增材生产过程(在第一次完成第一层的步骤34的情况下)。然后在步骤35中以测量方法测试在步骤34中所打印的层，对于该测量方法而言在步骤33中也执行了模拟。然后在步骤36中将步骤35的测试结果与步骤33的所模拟的测试结果进行比较。在此，通过对无缺陷的打印的模拟和实际的测试并且通过比较结果，例如可以与开篇所述相同地计算出例如穿过粉床的基底的效果，并且可以更简单地识别出由材料缺陷造成的信号分量。因此，从增材制造的过程产生的干扰即使在数据量大的情况下也可以从测试测量中被过滤掉。

在此，步骤36的比较可以包括简单地减去相应的信号。然而优选地，首先训练分析系统，并且随后执行比较，以获得关于存在的缺陷的更详细的信息。为此尤其可以使用机器学习的方法，例如用于训练人工神经网络。机器学习的方法在维基百科文章“maschinelleslernen[机器学习]”，于2017年09月27日，中描述。为此，在学习过程中，所制造的工件随后以其他的测量方法进行分析，这些测量方法也可以是有损的方法。例如，所生产的工件的截面可以在显微镜(包括电子显微镜)下研究，以识别不同的材料缺陷。随后将识别出的这些特征与在步骤35中测定的实际测量结果和在步骤33中模拟的测试结果一起用作机器学习的训练实例。在实际生产期间，这样训练的系统可以随后在步骤36中基于步骤35的测试结果和步骤33的测试结果更准确地说明所存在的材料缺陷。针对机器学习，例如可以使用强化学习(reinforcementlearning)的方法，或使用其他的学习方法。在其他的实施方式中，额外地或替代性地可以在步骤35的结果与步骤33的模拟结果之间进行关联性分析。

如果在步骤36中的比较得出存在不可接受的缺陷(在步骤36中不可行，制造是不可接受的)，例如数量过多的材料缺陷或过大的材料缺陷，那么可以在步骤37中采取对应措施。这样的措施例如可以是丢弃刚刚生产的工件，然而附加地或替代性地也可以包括调整过程参数，以便在接下来的层中产生较少的材料缺陷。通过在步骤39中调整过程参数，在过程中如有需要同样还可以“拯救”构件，其方式为：可以将缺陷限制到一个层上，这还可以根据对工件的要求实现可接受的工件。也可以根据制造方法重复对出现过多材料缺陷的层进行处理。为此，将有缺陷的层去除并且以改正后的过程参数重新涂覆。在此，因此在生产过程期间和/或针对以下生产过程的校正是可能的。在校正时的这种处理方式也被称为整体上的，这是因为在此不一定解决损伤的起因，而是识别出影响(例如材料缺陷)并且通过反作用(例如通过改变过程参数)来补偿。针对校正，在模拟时可以执行专用的数字的其他关联性分析。在此，尤其也可以考虑所测量的机器参数和例如用于监测环境条件的其他传感器的数据，其方式为：例如在测量结果与传感器数据之间执行关联。此外，例如可以模拟在原本的增材制造过程之前的校正的影响。这个模拟可以是优化算法的一部分，以确定最佳的校正过程。

为了在步骤36中比较，也可以考虑预定的“转换表”，该转换表基于先前的校准(工件的分析，例如有损的分析)给出在模拟和实际测试之差与工件的结构特性之间的关联性。

如果与在36中的比较相反地得出该层根据品质要求是正常的(例如存在足够少的材料缺陷；制造是可接受的)，那么要么跳回步骤34，以便打印下一层；要么在不必打印下一层时(即在结束打印时)，在步骤38中执行可能必需的对工件的后加工(例如清扫粘着的粉末，抛光等)。在步骤39中随后可以进行对所生产的工件的最终检查。

因此，以图3的方法可以监测每一个所打印的层并且借助于模拟也可以在测试时分析复杂的测量符号(messsignaturen)。

应注意的是，在其他实施方式中，测试和将测试结果与所模拟的测试结果进行比较不是仅可以在每一层后进行，而是也可以在多个层的间隔下(例如每两层，每三层等)进行，或也可以针对层的部分来进行。此外应注意的是，模拟不是仅如在图3中展示地必须在打印之前进行，而是也可以与之同时进行，因此例如在步骤34中打印每一层之时、之前或之后也模拟对相应的层的打印并且模拟对应的测试结果。在图3中展示的顺序因此仅用于展示并且不应被视为限制性的。

除了对如在图3中展示的生产过程的监测之外，也可以将对生长过程和测量的模拟用于其他目的。这在图4中示意性地展示。

从对生产过程40(该生产过程可以包括图4的步骤32和33的模拟)的模拟出发，可以控制、记录或实施不同的另外的工序。在40中的模拟中，在此使用的用于增材制造的设备的、以及粉床的校准数据同样纳入(如已提及的)为了打印而准备的cad数据中。

在41中，执行如在图3中阐述的过程控制，即将过程期间的测试结果与模拟进行比较并且进行对应的输出。此外，在42中，基于模拟给出对图3的步骤38中的后加工的指示。在43中，可以基于模拟完成记录，例如以所制造的构件的cad数据的形式，如有需要考虑后加工。最后在44中，如已在开篇阐述的并且如本身已知的，可以优化打印参数。

(可以在图3的方法中使用的)测试方法的实例是激光超声波测量。这样的测量参照图5来阐述。图5的设备用于逐层地测试工件57，该工件可以以增材方法、例如粉床方法来制造。可以使用用于增材制造的常规技术作为增材方法。这种制造在图5中通过用于进行激光烧结的激光器24来指示，该激光器已参照图2描述。制造以及测试由控制装置59(尤其计算机或其他适合的控制器)来监测。在图5的实施例中，控制器59也执行模拟(图3的步骤32和33)并且将测试结果与所模拟的测试结果进行比较(图3的步骤36)。然而也可以针对控制和模拟提供单独的设备(例如单独的计算机)。

在图5的实施例中，借助于短脉冲激光器50以脉冲式的激光束51(该激光束在飞秒至皮秒范围内发生脉冲)照射工件57的表面来测试一个或多个层或所述层的部分。激光束51在此通过(未示出的)适合的光学器件被聚焦到工件上，并且借助于扫描单元(同样未示出)扫描过工件57的表面。激光束51产生声波，这些声波(如通过箭头58示出地)在材料缺陷处被反射并且引起工件的表面的改变(尤其形变)。这种改变通过检测器系统(例如均质干涉仪或异质干涉仪)得以证明。这示意性地通过击中样本的检测射束54示出。借助检测器53来证明向前反射的射束52。替代性地或额外地，藉由检测器45检测向后反射的射束，该向后反射的射束藉由分束器56被输出。在此可以使用在激光超声波设备中使用的各个常规检测机构，在此参考开篇引用的关于激光超声波的文件。

针对典型的声速(在特氟龙中例如为1400m/s并且在钛中为6100m/s)，针对最大可成像的、0.5mm的结构深度产生0.2至1μs的、δt＝2d/c声音的脉冲飞行时间，其中d是结构深度，并且c声音是声速。这意味着，借助在兆赫范围内工作的扫描系统可以使1000·1000个像素在典型的所观察的面积上成像。当扫描区域限制在对应更小的感兴趣的区域中时，总平面可以更大。针对1μm的垂直分辨率，在千兆赫兹范围的检测的时间分辨率是必需的，这借助如今使用的激光多普勒测振仪是可能的。

随后将所发现的测量结果(通过检测器53和/或55检测)如所述地逐层地与对应的模拟进行比较并且评估。这针对粉床制造的情况在图6中再次阐述。因此，图6示出将图3的方法应用于粉床制造以及使用激光超声波。

在步骤60中，施加新一层的金属粉末，尤其使其固化。随后执行激光超声波测量并且在步骤61中通过在粉床中的工件的理想(无缺陷)的状态下对测量结果进行数字模拟来执行该测量结果。由此获得清晰的测量数据组记录，其方式为：例如基于模拟来计算出从粉床得出的基底。基于评估在步骤63中决定，是否必须采取措施。在不需要措施时，该方法在步骤60中继续进行下一层。如果必须采取措施，则这在步骤64中进行。在此可以采取已参考图3的步骤37讨论的措施。

为了测量，优选地使用声波长(由短脉冲激光器产生)，其波长在制造粉末的材料中明显大于平均的粉末粒子直径。因此，尤其可以检测大于粒子直径的缺陷，并且也可以检测工件的几何尺寸。针对由材料m形成的粉末，该材料在均匀的材料中具有声速vm以及颗粒大小分布(其特征在于平均颗粒直径(粉末粒子直径)为dm并且粉末粒子的大小分布的简单标准差为sm)，优选地使用具有最大频率f最大＜vm/(dm+sm)的短脉冲激光器。作为实例，这意味着针对具有20μm的粒子大小的钛粉末以及由于6100m/s的声速而产生的5μm的标准差，最大的频率是244mhz。

在此，给出的所有数值仅用于展示而给出并且尤其可以根据所使用的材料和测量方法而改变。

用于测试方法(该测试方法可以在图3的步骤35中使用)的另一实施例是电子散斑干涉(espi)和红外热成像的组合。espi能够检测有待测试的工件的表面拓扑。通过借助于红外热成像的组合式激发可以分析气孔、裂纹、缩孔、分层(层分离)和在工件中位于表面以下的其他缺陷。因此，两种测试方法的组合允许快速地、平面地分析在制造时所存在的层。通过espi尤其也可以在使用激光烧结的情况下表征熔池的拓扑，同时通过红外热成像分析实时打印的层或层组的缺陷。随后在使用图3的方法时进而通过与模拟进行比较来分析，其中尤其如所阐述的，也可以使用机器学习来使分析成为可能。也可以在仅打印了一个层的一部分之后进行测试。espi具有如下优点：可以同时监测粉床在打印过程期间由espi引起的变化。

图7展示用于执行以增材制造方法生产的工件78的与红外热成像组合的espi的设备。工件78例如可以借助于粉床方法(例如激光烧结)来生产，如参考图2简短描述并且还在图5中指示的。

也可以使用其他的常规的增材制造方法。因此在图7中本身用于增材制造的部件不再明确展示。

为了espi，图7的设备具有espi相机71。这个相机包括激光器75。由激光器75产生的激光束的一部分藉由光学器件76被扩宽并且转向工件78的表面。

从表面(尤其表面的粗糙部)散射的光经由可以由光阑74限制的成像光学器件73到达图像传感器72。图像传感器72例如可以是ccd传感器或cmos传感器。

额外地，由激光器75产生的激光的一部分作为参照转向图像传感器17并且在那与从工件78的表面散射的光发生干涉。图像传感器72接收产生的干涉图案并且将其导入处理器单元70，该处理器单元分析所接收的干涉图，尤其将其与模拟进行比较并且如有需要基于之前的机器学习进行分析。

尤其通过干涉而产生具有特征的散斑图案，通过对工件78的表面的操作该散斑图案通过变形、颗粒、缺陷等与初始形状偏离。现在，在控制工件的操作期间，在不改变工件78与espi相机71的相对位置的情况下接收连续的图像。在此，尤其可以通过同时的ir热成像如以下所述地来进行操作。这个操作导致物体轻微变形，并且在此使得散斑点在所接收的干涉图案上移动。通过处理器单元70的分析可以随后分析通过操作而造成的变形，并且由此尤其识别工件78的表面缺陷。

为了ir热成像，工件78以热源79(例如红外灯)被照射，并且表面上的红外辐射分布藉由红外相机710被接收。红外相机710的图像同样以所描述的方式，即借助于与模拟的比较，由处理器单元70评估。借助于红外热成像可以快速检测表面附近的缺陷。如通过箭头711所示，由气孔、裂纹、缩孔、分层等导致工件78内的不均匀的热流。这导致红外辐射的辐射变化，如通过箭头712所示。在此，缺陷仅在制造期间的一定时间窗中是可见的。对于确定的时间t最大出现最大的热对比度dt最大＝t2-t1，其中t2、t1是温度。时间窗通过用于所观察的表面元件的冷却时间来确定：所引入的热量(所述热量已经使得表面元件的温度提高)由于工件其余部分、粉床、粉床上的保护气体的导热能力并且由于热辐射而流出。因此而产生的热排放是对材料专用的特征变量。

这些温度差(即热排放)借助红外相机710被检测并评估。随后从检测到的热排放减去对应的对材料专用的排放参数(这个排放参数可以在气孔、夹杂物、金属氧化物等中显著变化)。从这个差可以测定缺陷的类型和位置。

例如激光器、发光二极管组件、闪光灯、或红外辐射器可以用作激发源79。在一些实施例中，激发源79脉冲式地(在脉冲热成像中)工作，即热量脉冲状地压入表面并且同时测量表面的红外线图像。

通过红外热成像，工件78可以例如直至深度d(如通过箭头77所示)可靠地检查缺陷。在所展示的其他测试方法中，可以在每一层之中或之后，在多个层之中之后或也在子层中进行这种检查。

用于3d打印期间的测试方法的另一个实例是使用x射线辐射。在传统的计算机断层扫描(crt)中，完全扫描工件，并且在被称为投影的阴影中创造出图像，并且通过数学方法(例如拉冬变换，radon-transformation)从多个投影的组合重建所检查的物体的三维模型。这种方法可以在用于轻的材料(如塑料)的3d打印期间用于原位控制。针对重的材料(如钢)，x射线辐射的穿透能力通常是不足够的。在此，可以在反射中使用多种方法，例如x射线散射，对此在图8中展示其实例。在图8中，用于制造工件80的部件未示出(例如图2或图5的激光器24)，可以使用常规的增材制造方法。工件80由x射线源81以x射线辐射照射，并且在工件80上散射的射束(例如通过弹性散射或康普顿散射而散射的射束)由平面型的检测器82来检测。如在之前的实施例中，还模拟测量结果，并且可以基于所模拟的和实际的测量结果来检测材料缺陷。

这种测量技术的限制性的方面是需要在部分大小和图像分辨率之间进行平衡：针对大部分，需要高能量的x射线辐射，该x射线辐射导致空间分辨率劣化。相反，小的部分可以以具有低能量的x射线辐射的高分辨率成像。在此，高能量例如是具有100ev的光子能量的x射线辐射。低的能量例如是10ev的光子能量。

为了评估，通过所描述的方法来分析测量结果，尤其分析与模拟和/或与机器学习的方法的比较。因此，尤其可以平衡在这种方法中产生的大的数据量，以便有条件地从增材制造的过程中过滤掉干扰。可以将这种机器学习方案与其他的算法方法组合，这些算法方法允许从所测量的数据直接进行重建。多种评估方法的这种组合可以得出提高的分辨率和/或改善的信噪比。

此外应注意的是，热成像和espi的上述组合也可以在没有模拟的情况下被用于分析和鉴定在生产期间经增材制造的工件，即使在此评估可能是更困难的。这种常规评估的细节可以从上述阐述的参照中得出。

所展示的测试方法仅用于说明，而不应解释为限制性的。