3D打印材料的收卷速度和收卷张力的控制方法与流程

本发明涉及涉及智能制造领域下的智能操作控制，且更为具体地，涉及一种3d打印材料的收卷速度和收卷张力的控制方法、3d打印材料的收卷速度和收卷张力的控制系统和电子设备。

背景技术：

3d打印是一种快速成型技术，其以数字模型文件为基础，运用粉末状金属或塑料等可粘合材料，通过逐层打印的方式来构造物体。目前，3d打印的材料包含tpu、tpe等软性材料，这些软性材料在挤出成型后，需要电机带动线盘进行收卷，收卷时需要保持一定的张力和速度，如果张力过大则容易使线材受到拉伸变形，导致线材的尺寸变小，而速度过大容易导致线材的断裂，速度过小又容易导致收卷效率下降。

在3d打印材料的收卷过程中，收卷的速度和张力之间要保持一定的适配关系，并且也需要与软性材料在挤出成型时的速度保持一定的适配关系，才能达到更好的收卷效果。

因此，期待一种用于3d打印材料的收卷速度和收卷张力的控制的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为3d打印材料的收卷速度和收卷张力的控制提供了新的解决思路和方案。

技术实现要素：

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种3d打印材料的收卷速度和收卷张力的控制方法、3d打印材料的收卷速度和收卷张力的控制系统和电子设备，其基于深度神经网络提取软性材料挤出成型的历史速度数据和用于收卷软性材料的收卷线盘对应线缆的历史张力数据在特征空间中的关联，并通过对所述关联进行解码以获得收卷速度和收卷张力的控制参数，通过这样的方式，提高控制收卷速度和张力的精确性。

根据本申请的一个方面，提供了一种3d打印材料的收卷速度和收卷张力的控制方法，其包括：

获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据；

将所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量；

将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；

计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；

计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；

以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；

将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，包括：将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，基于如下公式计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，其中，所述公式为：第一相关系数＝∑(xi-y)/xi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，包括：将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，基于如下公式计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，其中，所述公式为：第二相关系数＝∑(yi-x)/yi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量，包括：对所述历史速度向量和所述历史张力向量分别进行一维卷积处理，以获得历史速度特征向量和历史张力特征向量。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，所述深度神经网络为多层感知机模型。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值，包括：将所述待编码特征向量通过一个或多个全连接层，其中，所述一个或多个全连接层中最后一个全连接层的输出位数为2，所述最后一个全连接层的输出为所述当前时刻的速度和张力控制值。

根据本申请的另一方面，一种3d打印材料的收卷速度和收卷张力的控制系统，其包括：

数据获取单元，用于获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据；

向量构造单元，用于将所述数据获取单元获得的所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量；

特征向量生成单元，用于将所述向量构造单元获得的所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；

第一相关系数计算单元，用于计算所述特征向量生成单元获得的所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；

第二相关系数计算单元，用于计算所述特征向量生成单元获得的所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；

待编码特征向量生成单元，用于以所述第一相关系数计算单元获得的所述第一相关系数和所述第二相关系数计算单元获得的所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；以及

编码器输出单元，用于将所述待编码特征向量生成单元获得的所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。

在上述3d打印材料的收卷速度和收卷张力的控制系统中，所述第一相关系数计算单元，包括：第一特征值映射子单元，用于将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，第一计算子单元，用于基于如下公式计算所述第一特征值映射子单元获得的所述历史速度特征向量相对于所述第一特征值映射子单元获得的所述历史张力特征向量的第一相关系数，其中，所述公式为：第一相关系数＝∑(xi-y)/xi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在上述3d打印材料的收卷速度和收卷张力的控制系统中，所述第二相关系数计算单元，包括：第二特征值映射子单元，用于将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，第二计算子单元，用于基于如下公式计算所述第二特征值映射子单元获得的所述历史张力特征向量相对于所述第二特征值映射子单元获得的所述历史速度特征向量的第二相关系数，其中，所述公式为：第二相关系数＝∑(yi-x)/yi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在上述3d打印材料的收卷速度和收卷张力的控制系统中，所述特征向量生成单元，进一步用于：对所述历史速度向量和所述历史张力向量分别进行一维卷积处理，以获得历史速度特征向量和历史张力特征向量。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，所述深度神经网络为多层感知机模型。

在上述3d打印材料的收卷速度和收卷张力的控制方法中，所述编码器输出单元，进一步用于：将所述待编码特征向量通过一个或多个全连接层，其中，所述一个或多个全连接层中最后一个全连接层的输出位数为2，所述最后一个全连接层的输出为所述当前时刻的速度和张力控制值。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的3d打印材料的收卷速度和收卷张力的控制方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的3d打印材料的收卷速度和收卷张力的控制方法。

与现有技术相比，本申请提供的3d打印材料的收卷速度和收卷张力的控制方法、3d打印材料的收卷速度和收卷张力的控制系统和电子设备，其基于深度神经网络提取软性材料挤出成型的历史速度数据和用于收卷软性材料的收卷线盘对应线缆的历史张力数据在特征空间中的关联，并通过对所述关联进行解码以获得收卷速度和收卷张力的控制参数，通过这样的方式，提高控制收卷速度和张力的精确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法的应用场景图；

图2图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法的流程图；

图3图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法的系统架构示意图；

图4图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法中，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数的流程图；

图5图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法中，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数的流程图；

图6图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制系统的框图。

图7图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制系统中第一相关系数计算单元的框图。

图8图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制系统中第二相关系数计算单元的框图。

图9图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，目前，3d打印的材料包含tpu、tpe等软性材料，这些软性材料在挤出成型后，需要电机带动线盘进行收卷，收卷时需要保持一定的张力和速度，如果张力过大则容易使线材受到拉伸变形，导致线材的尺寸变小，而速度过大容易导致线材的断裂，速度过小又容易导致收卷效率下降。

因此，在3d打印材料的收卷过程中，收卷的速度和张力之间要保持一定的适配关系，并且也需要与软性材料在挤出成型时的速度保持一定的适配关系，才能达到更好的收卷效果。

针对上述问题，本申请的发明人采用深度神经网络来学习收卷的速度和张力之间的统计关联，以及收卷的速度与软性材料挤出成型的速度之间的统计关联，从而提高控制收卷速度和张力的精确性。

在实践过程中，本申请的发明人发现，由于收卷的速度和张力是同一时刻的两个物理量，为了控制的实时性，不适于采用深度神经网络来获得这两个物理量之间的映射关系。相应地，当获取到软性材料挤出成型的历史速度数据时，其与收卷的速度的历史数据之间具有关联，且收卷的速度的历史数据与收卷的张力的历史数据之间也具有关联，因而可以通过将软性材料挤出成型的历史速度数据与收卷的张力的历史数据在特征空间中进行关联，来在特征空间中表达上述关联的信息。

具体地，在本申请的方案中，首先获取到软性材料挤出成型的历史速度数据并构造历史速度向量，然后获取收卷的张力的历史数据并构造历史张力向量，再将这两个向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量。然后，为了在特征空间中进行关联，首先将所述历史速度特征向量和所述历史张力特征向量映射到相同的数值范围内，例如[1,100]，然后计算相对于所述历史速度特征向量和所述历史张力特征向量的第一相关系数和第二相关系数。然后，以所述第一相关系数和所述第二相关系数分别对所述历史速度特征向量和所述历史张力特征向量进行加权并求和以获得用于编码的特征向量，再通过编码器输出当前时刻的速度和张力，这里，编码器包括多个全连接层，且最后一层全连接层的输出位数为二。

基于此，本申请提出了一种3d打印材料的收卷速度和收卷张力的控制方法，其包括：获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据；将所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量；将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；以及，将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。

图1图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法的应用场景图。

如图1所示，在该应用场景中，通过速度传感器(例如，如图1中所示意的v)和张力传感器分别(例如，如图1中所示意的t)获取软性材料挤出成型的历史速度数据和用于收卷软性材料的收卷线盘对应线缆的历史张力数据；然后，将所述历史速度数据和所述历史张力数据输入至部署有3d打印材料的收卷速度和收卷张力的控制算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够基于3d打印材料的收卷速度和收卷张力的控制算法对所述历史速度数据和所述历史张力数据进行处理，以生成当前时刻的速度和张力控制值。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了3d打印材料的收卷速度和收卷张力的控制方法的流程图。如图2所示，根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法，包括：s110，获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据；s120，将所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量；s130，将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；s140，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；s150，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；s160，以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；以及，s170，将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。

图3图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法的架构示意图。如图3所示，在所述3d打印材料的收卷速度和收卷张力的控制方法的网络架构中，首先，将获取的历史速度数据构造的历史速度向量(例如，如图3中所示意的in1)和历史张力数据构造的历史张力向量(例如，如图3中所示意的in2)输入深度神经网络(例如，如图3中所示意的dnn)以获得对应于所述历史速度向量的历史速度特征向量(例如，如图3中所示意的v1)和对应于所述历史张力向量的历史张力特征向量(例如，如图3中所示意的v2)，其中，所述历史速度数据可通过速度传感器采集，历史张力数据可通过张力传感器采集；接着，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数(例如，如图3中所示意的k1)；接着，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数(例如，如图3中所示意的k2)；接着，以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量(例如，如图3中所示意的vt)；然后，将所述待编码特征向量通过编码器(例如，如图3中所示意的编码器)以输出当前时刻的速度和张力控制值。

在步骤s110中，获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据。如前所述，由于收卷的速度和张力是同一时刻的两个物理量，为了控制的实时性，不适于采用深度神经网络来获得这两个物理量之间的映射关系。相应地，当获取到软性材料挤出成型的历史速度数据时，其与收卷的速度的历史数据之间具有关联，且收卷的速度的历史数据与收卷的张力的历史数据之间也具有关联，因而可以通过将软性材料挤出成型的历史速度数据与收卷的张力的历史数据在特征空间中进行关联。

具体地，在本申请实施例中，可通过速度传感器采集软性材料挤出成型的历史速度数据，通过张力传感器采集用于收卷软性材料的收卷线盘对应线缆的历史张力数据。

在步骤s120中，将所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量。也就是，对所述历史速度数据和所述历史张力数据进行矢量化处理，以获得历史速度向量和历史张力向量，使得历史速度数据和历史张力数据转化为计算机可以便于计算的数据格式，即，历史速度向量和历史张力向量。

在步骤s130中，将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量。也就是，以深度神经网络提取出所述历史速度向量和所述历史张力向量中的各高维特征。

具体地，在本申请实施例中，将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量的过程，包括：对所述历史速度向量和所述历史张力向量分别进行一维卷积处理，以获得历史速度特征向量和历史张力特征向量。也就是，所述深度神经网络为一维卷积神经网络。应可以理解，在本申请实施例中，通过一维卷积对所述历史速度向量和所述历史张力向量进行处理，可以充分挖掘历史速度向量和历史张力向量中的高维特征。

值得一提的是，在本申请的其他示例中，还可以将所述历史速度向量和所述历史张力向量分别通过其他的深度神经网络以获得历史速度特征向量和历史张力特征向量。例如，在该方案中，所述深度神经网络为多层感知机模型。

具体地，在该另一示例中，将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量的过程，包括：将所述历史速度向量和所述历史张力向量分别通过多层感知机模型以获得历史速度特征向量和历史张力特征向量。本领域普通技术人员应知晓，多层感知机是一种深度神经网络模型，其能够充分地利用历史速度向量和所述历史张力向量中各个时刻的信息和各个时刻之间的关联信息，以提取出能够表达历史速度向量和所述历史张力向量的高维特征。多层感知机模型是一种前馈人工神经网络模型，除了输入输出层，它中间可以有多个隐层，其将输入的多个数据集映射到单一的输出的数据集上。

在步骤s140中，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商。

具体地，在本申请实施例中，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数的过程，包括：首先，将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内，例如，将所述历史速度特征向量和所述历史张力特征向量映射到[1,100]的数值范围内。然后，基于如下公式计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，其中，所述公式为：第一相关系数＝∑(xi-y)/xi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

图4图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法中，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数的流程图。如图4所示，计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，包括：s210，将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，s220，基于如下公式计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，其中，所述公式为：第一相关系数＝∑(xi-y)/xi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在步骤s150中，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商。

具体地，在本申请实施例中，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数的过程，包括：首先，将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内，优选地，所述映射的数值范围与计算第一相关系数时映射的数值范围相同。然后，基于如下公式计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，其中，所述公式为：第二相关系数＝∑(yi-x)/yi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

图5图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法中，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数的流程图。如图5所示，计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，包括：s310，将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，s320，基于如下公式计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，其中，所述公式为：第二相关系数＝∑(yi-x)/yi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在步骤s160中，以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量。也就是，在本申请实施例中，将所述第一相关系数作为历史速度特征向量的加权系数，将所述第二相关系数作为历史张力特征向量的加权系数，然后计算两者的加权和。

在步骤s170中，将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。也就是，通过编码器对所述待编码特征向量进行编码，所述编码器可以是卷积层、池化层或者全连接层。

具体地，在本申请实施例中，将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值的过程，包括：将所述待编码特征向量通过一个或多个全连接层，其中，所述一个或多个全连接层中最后一个全连接层的输出位数为2，所述最后一个全连接层的输出为所述当前时刻的速度和张力控制值。也就是，所述编码器包括一个或多个全连接层。应可以理解，通过全连接层将学到的“分布式特征表示”映射到样本标记空间，通过设置全连接层中最后一个全连接层的输出位数为2，将编码器的输出控制为特定长度。

综上，本申请实施例的3d打印材料的收卷速度和收卷张力的控制方法被阐明，其基于深度神经网络提取软性材料挤出成型的历史速度数据和用于收卷软性材料的收卷线盘对应线缆的历史张力数据在特征空间中的关联，并通过对所述关联进行解码以获得收卷速度和收卷张力的控制参数，通过这样的方式，提高控制收卷速度和张力的精确性。

示例性系统

图6图示了根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制系统的框图。

如图6所示，根据本申请实施例的3d打印材料的收卷速度和收卷张力的控制系统600，包括：数据获取单元610，用于获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据；向量构造单元620，用于将所述数据获取单元610获得的所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量；特征向量生成单元630，用于将所述向量构造单元620获得的所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；第一相关系数计算单元640，用于计算所述特征向量生成单元630获得的所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；第二相关系数计算单元650，用于计算所述特征向量生成单元630获得的所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；待编码特征向量生成单元660，用于以所述第一相关系数计算单元640获得的所述第一相关系数和所述第二相关系数计算单元650获得的所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；以及，编码器输出单元670，用于将所述待编码特征向量生成单元660获得的所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。

在一个示例中，在上述3d打印材料的收卷速度和收卷张力的控制系统600中，如图7所示，所述第一相关系数计算单元640，包括：第一特征值映射子单元641，用于将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，第一计算子单元642，用于基于如下公式计算所述第一特征值映射子单元获得的所述历史速度特征向量相对于所述第一特征值映射子单元获得的所述历史张力特征向量的第一相关系数，其中，所述公式为：第一相关系数＝∑(xi-y)/xi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在一个示例中，在上述3d打印材料的收卷速度和收卷张力的控制系统600中，如图8所示，所述第二相关系数计算单元650，包括：第二特征值映射子单元651，用于将所述历史特征向量和所述历史张力向量中各个元素的特征值映射到相同的数值范围内；以及，第二计算子单元652，用于基于如下公式计算所述第二特征值映射子单元获得的所述历史张力特征向量相对于所述第二特征值映射子单元获得的所述历史速度特征向量的第二相关系数，其中，所述公式为：第二相关系数＝∑(yi-x)/yi，其中，设定映射后的历史速度特征向量为(x1,x2,…,xm)，历史张力特征向量为(y1,y2,…,yn)，x和y分别是x1,x2,…,xm的均值和y1,y2,…,yn的均值。

在一个示例中，在上述3d打印材料的收卷速度和收卷张力的控制系统600中，所述特征向量生成单元630，进一步用于：对所述历史速度向量和所述历史张力向量分别进行一维卷积处理，以获得历史速度特征向量和历史张力特征向量。

在一个示例中，在上述3d打印材料的收卷速度和收卷张力的控制系统600中，所述深度神经网络为多层感知机模型。

在一个示例中，在上述3d打印材料的收卷速度和收卷张力的控制系统600中，所述编码器输出单元670，进一步用于：将所述待编码特征向量通过一个或多个全连接层，其中，所述一个或多个全连接层中最后一个全连接层的输出位数为2，所述最后一个全连接层的输出为所述当前时刻的速度和张力控制值。

这里，本领域技术人员可以理解，上述控制系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的3d打印材料的收卷速度和收卷张力的控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的控制系统600可以实现在各种终端设备中，例如用于3d打印材料的收卷速度和收卷张力的控制的服务器等。在一个示例中，根据本申请实施例的控制系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该控制系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该控制系统600同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该控制系统600与该终端设备也可以是分立的设备，并且该控制系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图9来描述根据本申请实施例的电子设备。

图9图示了根据本申请实施例的电子设备的框图。

如图9所示，电子设备包括10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的3d打印材料的收卷速度和收卷张力的控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如历史速度特征向量、历史张力特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括当前时刻的速度和张力控制值等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的3d打印材料的收卷速度和收卷张力的控制方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的3d打印材料的收卷速度和收卷张力的控制方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。