一种3D打印模型成型质量参数预测方法

一种3d打印模型成型质量参数预测方法
技术领域
1.本发明属于3d打印技术领域，尤其是一种3d打印模型成型质量参数预测方法。


背景技术：

2.3d打印是出现于80年代末期的一种全新制造技术，是由stratasys公司开发设计，它结合了高分子材料、计算机技术、cad等诸多技术成果。其中的fdm技术以塑料和树脂为材料，可快速地实现几十件到数百件数量零件的小批量制造，并且不需要夹具或模具等辅助工具的设计与加工，大大降低了生产成本。在成型过程中，一种热熔性材料被加热至熔融态，经喷嘴挤出后沉积到工作平台上。喷嘴按照打印模型既定的轮廓轨迹移动，热熔材料随着喷嘴的移动堆积成型。打印完一层后，工作平台自动下降一个层厚的高度，喷嘴继续堆积成型，直至整个模型堆积完成。由于熔融沉积设备价格低廉、材料环保，fdm技术目前已成为应用最广泛的快速成型技术之一。fdm技术已被广泛应用于汽车制造、机械加工、精密铸造、航天航空、医疗、工艺品制作以及儿童玩具等行业，并取得了显著的经济效益。
3.现有技术中对于3d打印参数的设置主要靠工程师凭经验设定，模型的成型质量难以把控，模型成品的品质容易和预期产生较大的差距，导致成品率低，工作成本难以控制。


技术实现要素：

4.本发明提供一种3d打印模型成型质量参数预测方法，以解决现有技术中所存在的上述问题。
5.本发明提供的一种3d打印模型成型质量参数预测方法，包括以下步骤：
6.步骤一、建立神经网络模型
7.以3d打印的工作参数作为输入层输入值xi，定义输入层节点，以3d打印的成型质量参数作为输出层输出值yi，定义输出层节点，定义隐含层输出计算及输出层输出计算；
8.步骤二、建立训练集和测试集
9.通过正交试验获取3d打印的工作参数即输入层输入值xi和对应的成型质量参数即期望输出变量yk，将获取的实验数据划分为训练集和测试集；
10.步骤三、利用进化算法优化神经网络模型
11.将训练集中的实验数据带入步骤一中建立的神经网络模型，进行反复进化筛选，最终筛选出神经网络参数的最优解；
12.步骤四、验证优化后的神经网络模型
13.将测试集中的实验数据输入优化后的神经网络模型进行验证；
14.步骤五、进行成型质量参数预测
15.将实际的3d打印工作参数作为输入层输入值输入验证好的神经网络模型进行计算，得出的输出层输出值即为成型质量参数的预测值。
16.进一步的，所述步骤一中，定义隐含层输出计算的具体方法为：定义输入层节点和隐含层节点的连接权值w
ij
以及隐含层阈值aj，计算隐含层输出hj的公式为：
[0017][0018]
其中，n为输入层节点数，l为隐含层节点数，选取激励函数为：
[0019][0020]
进一步的，所述步骤一中，定义输出层输出计算的具体方法为：定义输出层阈值bk,并根据隐含层节点和输出层节点的连接权值ω
jk
和隐含层阈值aj确定输出层输出值yi，计算输出变量yi的公式为：
[0021][0022]
其中，l为隐含层节点数，m为输出层节点数。
[0023]
进一步的，所述步骤三中，优化神经网络模型的具体方法包括以下步骤：
[0024]
步骤一、将训练集中的输入层输入值xi输入随机生成输入层节点和隐含层节点的连接权值w
ij
、隐含层节点和输出层节点的连接权值ω
jk
、隐含层阈值aj和输出层阈值bk的神经网络模型中，计算出输出变量yi，代入以下公式计算预测误差ek:
[0025]ek
＝y
k-y
i k＝1、2、
…
、m
[0026]
其中，yk为期望输出变量，m为输出层节点数；
[0027]
步骤二、筛选出预测误差ek最小的神经网络模型，围绕其输入层节点和隐含层节点的连接权值w
ij
、隐含层节点和输出层节点的连接权值ω
jk
、隐含层阈值aj和输出层阈值bk生成新的子集，建立下一代神经网络模型；
[0028]
步骤三、重复步骤一至步骤二进行反复迭代筛选，将每一代筛选出的最优解的神经网络模型利用测试集进行验证。
[0029]
进一步的，根据以下公式生成下一代神经网络模型的输入层节点和隐含层节点的连接权值w
ij
与隐含层节点和输出层节点的连接权值ω
jk
：
[0030][0031]
ω
jk
＝ω
jk
+ηh
jek j＝1,2,
…
,l；k＝1,2,
…
,m
[0032]
其中，n为输入层节点数，l为隐含层节点数，m为输出层节点数。
[0033]
进一步的，根据以下公式生成下一代神经网络模型的隐含层阈值aj和输出层阈值bk：
[0034][0035]bk
＝bk+e
k k＝1,2,
…
,m
[0036]
其中，l为隐含层节点数，m为输出层节点数。
[0037]
进一步的，所述输入层输入值包括分层厚度、沉积速度、填充率和成型温度；所述输出层输出值包括翘曲变形量和表面粗糙度。
[0038]
进一步的，所述步骤一中建立的神经网络模型输入层由4个节点组成，分别对应输入层输入值分层厚度、沉积速度、填充率和成型温度；隐含层由5个节点组成；输出层由2个节点组成，分别对应输出层输出值翘曲变形量和表面粗糙度。
[0039]
进一步的，所述步骤二中，以分层厚度、沉积速度、填充率和成型温度作为输入量，每个参数有5个水平，设计正交试验表l
25
(56)，根据正交试验表进行试验，以成型工件的表面粗糙度和翘曲变形量作为输出量，确立一个输入量与输出量具有映射对应关系的试验数据组，并将其作为试验样本，存入试验样本数据库中，其中取80％为训练集，剩下20％为测试集。
[0040]
本发明的优点和积极效果是：
[0041]
1、本发明利用神经网络模型预测打印模型的成型质量参数，准确把控产品的成型质量，为打印参数的设置提供了依据，有效提高了打印的成品率，减少不必要的材料损耗，杜绝了加工成本的浪费。
[0042]
2、本发明利用进化算法对神经网络模型进行训练，优化后的神经网络模型预测精度高，自主学习效率高，其准确度远高于使用数学关系建立的模型，且解决了普通神经网络模型容易陷入局部最优解和收敛速度慢的问题。
附图说明
[0043]
图1是本发明的方法步骤流程图；
[0044]
图2是本发明神经网络模型的示意图。
具体实施方式
[0045]
下面结合附图对本发明作进一步详述。
[0046]
本发明提供的一种3d打印模型成型质量参数预测方法，包括以下步骤：
[0047]
步骤一、建立神经网络模型
[0048]
以3d打印的工作参数作为输入层输入值xi，定义输入层节点，以3d打印的成型质量参数作为输出层输出值yi，定义输出层节点，定义隐含层输出计算及输出层输出计算；所述输入层输入值包括分层厚度、沉积速度、填充率和成型温度；所述输出层输出值包括翘曲变形量和表面粗糙度；神经网络模型输入层由4个节点组成，分别对应输入层输入值分层厚度、沉积速度、填充率和成型温度；隐含层由5个节点组成；输出层由2个节点组成，分别对应输出层输出值翘曲变形量和表面粗糙度；神经网络模型中每一层神经元状态只影响下一层神经元状态；
[0049]
定义隐含层输出计算的具体方法为：定义输入层节点和隐含层节点的连接权值w
ij
以及隐含层阈值a，计算隐含层输出值hj的公式为：
[0050][0051]
其中，n为输入层节点数，l为隐含层节点数，选取激励函数为：
[0052][0053]
定义输出层输出计算的具体方法为：定义输出层阈值b,并根据隐含层节点和输出层节点的连接权值ω
jk
和隐含层阈值a确定输出层输出值yi，计算输出层输出值yi的公式为：
[0054][0055]
其中，l为隐含层节点数，m为输出层节点数；
[0056]
步骤二、建立训练集和测试集
[0057]
通过正交试验获取3d打印的工作参数即输入层输入值xi和对应的成型质量参数即期望输出变量yk，将获取的实验数据划分为训练集和测试集；
[0058]
具体地，以分层厚度、沉积速度、填充率和成型温度作为输入量，每个参数有5个水平，设计正交试验表l
25
(56)，根据正交试验表进行试验，以成型工件的表面粗糙度和翘曲变形量作为输出量，确立一个输入量与输出量具有映射对应关系的试验数据组，并将其作为试验样本，存入试验样本数据库中，其中取80％为训练集，剩下20％为测试集；
[0059]
步骤三、利用进化算法优化神经网络模型
[0060]
将训练集中的实验数据带入步骤一中建立的神经网络模型，进行反复进化筛选，最终筛选出神经网络参数的最优解；
[0061]
优化神经网络模型的具体方法包括以下步骤：
[0062]
①
将训练集中的输入层输入值xi输入随机生成输入层节点和隐含层节点的连接权值w
ij
、隐含层节点和输出层节点的连接权值ω
jk
、隐含层阈值aj和输出层阈值bk的神经网络模型中，计算出输出层输出值yi，代入以下公式计算预测误差ek:
[0063]ek
＝y
k-y
i k＝1、2、
…
、m
[0064]
其中，yk为期望输出变量，m为输出层节点数；
[0065]
②
筛选出预测误差ek最小的神经网络模型，围绕其输入层节点和隐含层节点的连接权值w
ij
、隐含层节点和输出层节点的连接权值ω
jk
、隐含层阈值aj和输出层阈值bk生成新的子集，建立下一代神经网络模型；
[0066]
③
重复步骤一至步骤二进行反复迭代筛选，将每一代筛选出的最优解的神经网络模型利用测试集进行验证。
[0067]
根据以下公式生成下一代神经网络模型的连接权值：
[0068][0069]
ω
jk
＝ω
jk
+ηh
jek j＝1,2,
…
,l；k＝1,2,
…
,m
[0070]
其中，n为输入层节点数，l为隐含层节点数，m为输出层节点数；
[0071]
根据以下公式生成下一代神经网络模型的隐含层阈值aj和输出层阈值bk：
[0072][0073]bk
＝bk+e
k k＝1,2,
…
,m
[0074]
l为隐含层节点数，m为输出层节点数；
[0075]
步骤四、验证优化后的神经网络模型
[0076]
将测试集中的实验数据输入优化后的神经网络模型进行验证；
[0077]
步骤五、进行成型质量参数预测
[0078]
将实际的3d打印工作参数作为输入层输入值输入验证好的神经网络模型进行计算，得出的输出层输出值即为成型质量参数的预测值。
[0079]
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。