基于深度学习的3D打印构件表面粗糙度预测方法和装置

基于深度学习的3d打印构件表面粗糙度预测方法和装置
技术领域
1.本技术涉及3d打印技术领域，尤其涉及一种基于深度学习的3d打印构件表面粗糙度预测方法和装置。


背景技术：

2.3d打印(3dp)即快速成型技术的一种，它是一种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的技术，是一种自下而上的打印方式。
3.3d打印通常是采用数字技术材料打印机来实现的。与传统减法制造相比，3d打印可以实现资源高效利用。其中，3d打印构件质量指标主要可以分为外形实现程度：如转角实现，曲面实现等；打印成型精度：如构件总尺寸精度、打印层尺寸精度等；表面纹理质量：如纹理均匀度，表面粗糙度等；力学性能：如材料拉伸强度，层间粘合度等。
4.针对表面粗糙度，相关技术中主要采取改变打印的机器参数、改变打印方向、通过stl(stereo lithography，立体光刻)文件几何数据等对物件表面粗糙度进行预测。


技术实现要素：

5.本技术第一方面实施例提出一种基于深度学习的3d打印构件表面粗糙度预测方法，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
6.本技术第二方面实施例提出一种基于深度学习的3d打印构件表面粗糙度预测装置。
7.本技术第三方面实施例提出一种电子设备。
8.本技术第四方面实施例提出一种计算机可读存储介质。
9.本技术第一方面实施例提出了一种基于深度学习的3d打印构件表面粗糙度预测方法，包括：获取3d打印机在打印3d打印构件过程中的多维工作参数；对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息；根据表面粗糙度预测模型对所述目标特征信息进行表面粗糙度预测，以生成所述3d打印构件的表面粗糙度。
10.根据本技术实施例的基于深度学习的3d打印构件表面粗糙度预测方法，首先获取3d打印机在打印3d打印构件过程中的多维工作参数，并对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。由此，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
11.另外，根据本技术上述实施例的基于深度学习的3d打印构件表面粗糙度预测方法还可以具有如下附加的技术特征：
12.在本技术的一个实施例中，所述多维工作参数包括挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度。
13.在本技术的一个实施例中，所述获取3d打印机在打印3d打印构件过程中的多维工
作参数，包括：通过设置在所述3d打印机上的多个传感器，获取所述多维工作参数，其中，所述多个传感器包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。
14.在本技术的一个实施例中，所述对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息，包括：获取所述3d打印构件的打印开始时间，以及获取所述3d打印构件的打印结束时间；根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数；对所述目标多维工作参数进行转换，以生成待处理目标多维工作参数；基于随机森林算法对所述待处理目标多维工作参数进行特征提取，以生成所述目标特征信息。
15.在本技术的一个实施例中，所述根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数，包括：获取所述多维工作参数的获取时间；根据所述打印开始时间、所述打印结束时间和所述获取时间，从所述多维工作参数中确定所述目标多维工作参数。
16.在本技术的一个实施例中，所述表面粗糙度预测模型通过以下方式生成：获取样本数据，其中，所述样本数据中包含标定的表面粗糙度；将所述样本数据输入所述表面粗糙度预测模型，以生成预测的表面粗糙度；根据所述预测的表面粗糙度和所述标定的表面粗糙度生成损失值，并根据所述损失值对所述表面粗糙度预测模型进行训练。
17.在本技术的一个实施例中，所述表面粗糙度预测模型包括编码器、注意力机制模块和解码器。
18.本技术第二方面实施例提出了一种基于深度学习的3d打印构件表面粗糙度预测装置，包括：获取模块，用于获取3d打印机在打印3d打印构件过程中的多维工作参数；预处理模块，用于对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息；预测模块，用于根据表面粗糙度预测模型对所述目标特征信息进行表面粗糙度预测，以生成所述3d打印构件的表面粗糙度。
19.本技术实施例的基于深度学习的3d打印构件表面粗糙度预测装置，首先通过获取模块获取3d打印机在打印3d打印构件过程中的多维工作参数，并通过预处理模块对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及通过预测模块根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。由此，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
20.另外，根据本技术上述实施例的基于深度学习的3d打印构件表面粗糙度预测装置还可以具有如下附加的技术特征：
21.在本技术的一个实施例中，所述多维工作参数包括挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度。
22.在本技术的一个实施例中，所述获取模块，具体用于：通过设置在所述3d打印机上的多个传感器，获取所述多维工作参数，其中，所述多个传感器包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。
23.在本技术的一个实施例中，所述预处理模块，包括：获取单元，用于获取所述3d打印构件的打印开始时间，以及获取所述3d打印构件的打印结束时间；确定单元，用于根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数；转
换单元，用于对所述目标多维工作参数进行转换，以生成待处理目标多维工作参数；特征提取单元，用于基于随机森林算法对所述待处理目标多维工作参数进行特征提取，以生成所述目标特征信息。
24.在本技术的一个实施例中，所述确定单元，具体用于：获取所述多维工作参数的获取时间；根据所述打印开始时间、所述打印结束时间和所述获取时间，从所述多维工作参数中确定所述目标多维工作参数。
25.在本技术的一个实施例中，所述表面粗糙度预测模型包括编码器、注意力机制模块和解码器。
26.在本技术的一个实施例中，上述基于深度学习的3d打印构件表面粗糙度预测装置还包括：模型训练模块，用于获取样本数据，其中，所述样本数据中包含标定的表面粗糙度；将所述样本数据输入所述表面粗糙度预测模型，以生成预测的表面粗糙度；根据所述预测的表面粗糙度和所述标定的表面粗糙度生成损失值，并根据所述损失值对所述表面粗糙度预测模型进行训练。
27.本技术第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述第一方面实施例所述的基于深度学习的3d打印构件表面粗糙度预测方法。
28.本技术实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
29.本技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前述第一方面实施例所述的基于深度学习的3d打印构件表面粗糙度预测方法。
30.本技术实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
31.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
32.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
33.图1为根据本技术一个实施例的基于深度学习的3d打印构件表面粗糙度预测方法的流程示意图；
34.图2为根据本技术具体实施例的3d打印机中多个传感器的安装位置示意图；
35.图3为根据本技术另一个实施例的基于深度学习的3d打印构件表面粗糙度预测方法的流程示意图；
36.图4为根据本技术另一个实施例的基于深度学习的3d打印构件表面粗糙度预测方法的流程示意图；
37.图5为根据本技术另一个实施例的基于深度学习的3d打印构件表面粗糙度预测方法的流程示意图；
38.图6为根据本技术具体实施例的表面粗糙度预测模型的示意图；
39.图7为根据本技术一个实施例的基于深度学习的3d打印构件表面粗糙度预测装置的方框示意图；
40.图8为根据本技术一个实施例的电子设备的结构示意图。
具体实施方式
41.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
42.下面参照附图描述本技术实施例的基于深度学习的3d打印构件表面粗糙度预测方法和装置。
43.本技术实施例提供的基于深度学习的3d打印构件表面粗糙度预测方法，可以由电子设备来执行，该电子设备可为pc(personal computer，个人计算机)电脑、平板电脑或服务器等，此处不做任何限定。
44.在本技术实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本技术实施例提供的基于深度学习的3d打印构件表面粗糙度预测方法。
45.图1为根据本技术一个实施例的基于深度学习的3d打印构件表面粗糙度预测方法的流程示意图。
46.本技术实施例的基于深度学习的3d打印构件表面粗糙度预测方法，还可由本技术实施例提供的基于深度学习的3d打印构件表面粗糙度预测装置执行，该装置可配置于电子设备(例如，pc电脑)中，以实现获取3d打印机在打印3d打印构件过程中的多维工作参数，并对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度，从而提高了3d打印构件表面粗糙度的预测准确度和预测效率。
47.作为一种可能的情况，本技术实施例的基于深度学习的3d打印构件表面粗糙度预测方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行该基于深度学习的3d打印构件表面粗糙度预测方法。
48.如图1所示，该基于深度学习的3d打印构件表面粗糙度预测方法，可包括：
49.步骤101，获取3d打印机在打印3d打印构件过程中的多维工作参数。其中，多维工作参数可包括挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度等。
50.需要说明的是，该实施例中所描述的沉积材料可为打印构件(即，3d打印构件)的材料或材料之一。该实施例中所描述的挤出机可为3d打印机中内置的挤出机。该实施例中所描述的工作环境气压和工作环境湿度可为3d打印机所在环境的气压和湿度。
51.为了清楚说明上一实施例，在本技术的一个实施例中，获取3d打印机在打印3d打印构件过程中的多维工作参数，可包括通过设置在3d打印机上的多个传感器，获取多维工作参数，其中，多个传感器可包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。
52.需要说明的是，该实施例中所描述的红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器均可为多个。
53.在本技术实施例中，参见图2，红外温度传感器可布置(设置)在喷头(挤出头)用来测量挤出沉积材料的温度；热电偶温度传感器可布置在打印机底座用来测量构建板温度；热电偶温度传感器还可布置在喷头用来测量喷头温度；加速度传感器可分别布置在构建板和喷头上，用来测量构建板和挤出机的震动；压力传感器和湿度传感器可分别布置在3d打印机的外壳上，以采集环境参数(即，工作环境气压和工作环境湿度)。
54.作为一种可能的情况，上述的压力传感器和湿度传感器还可设置在3d打印机所在的房间内，以用于采集3d打印机所处环境的气压和湿度。
55.具体地，电子设备(例如，连接3d打印机的电脑)可在3d打印机打印构件过程中(即，3d打印机工作的过程中)，通过上述的红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器等传感器，实时获取挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度等多维工作参数。
56.需要说明的是，上述实施例中所描述的3d打印机可由连接其的电子设备(例如，电脑)进行控制，其中，上述的多个传感器可使用带有杜邦连接器的铜缆与电子设备相连，多个传感器将实时获取(采集)的多维工作参数通过该铜缆发送至电子设备。另外，电子设备在接收到该多维工作参数之后可将其进行保存，以便于后续的调用。
57.作为一种可能的情况，上述的多个传感器还可使用带有杜邦连接器的铜缆与3d打印机的主机相连，其中，多个传感器将实时获取(采集)的多维工作参数通过发送至3d打印机的主机，而后由3d打印机的主机转发至电子设备。
58.需要说明的是，上述实施例中所描述的3d打印机可基于熔积成型(fused deposition modelling,简称“fdm”)工艺打印构件。其中，fdm通过加热挤出和热塑性材料来制造热塑性构件，并逐层打印完成。
59.作为一种可能的情况，上述实施例中所描述的3d打印机还可基于其它的打印工艺进行相关构件打印。
60.步骤102，对多维工作参数进行预处理，以生成多维工作参数的目标特征信息。
61.在本技术实施例中，可通过预设的预处理策略对多维工作参数进行预处理，以生成多维工作参数的目标特征信息。其中，预设的预处理策略可根据实际情况进行标定。
62.具体地，电子设备在获取到3d打印机在打印构件过程中的多维工作参数之后，可根据预设的预处理策略对多维工作参数进行预处理，以生成多维工作参数的目标特征信息。
63.步骤103，根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。
64.需要说明的是，该实施例中所描述的表面粗糙度预测模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，上述存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。
65.其中，该表面粗糙度预测模型的训练与生成均可由相关的训练服务器执行，该训
练服务器可以是云端服务器，也可以是一台电脑的主机，该训练服务器与可执行申请实施例提供的基于深度学习的3d打印构件表面粗糙度预测方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。该训练服务器可将训练完成的表面粗糙度预测模型发送给电子设备，以便电子设备在需要时调用，从而大大减少电子设备的计算压力。
66.需要说明的是，该实施例中所描述的表面粗糙度预测模型可由lstm(long shortterm memory，长短期记忆网络)模型训练得到。
67.具体地，电子设备在得到上述的目标特征信息之后，可从自身的存储空间中调出表面粗糙度预测模型，并将该目标特征信息输入至该表面粗糙度预测模型，从而通过该表面粗糙度预测模型对该目标特征信息进行表面粗糙度预测，以得到该表面粗糙度预测模型输出的3d打印构件的表面粗糙度。
68.由此，本技术实施例的基于深度学习的3d打印构件表面粗糙度预测方法，相比于相关技术中的采取改变打印的机器参数、改变打印方向、通过stl文件几何数据等对物件表面粗糙度进行预测的方式，充分考虑了实际操作中的环境参数和打印过程的热循环的问题，从而大大提高了3d打印构件表面粗糙度的预测准确度和预测效率。
69.在本技术实施例中，首先获取3d打印机在打印构件过程中的多维工作参数，并对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。由此，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
70.为了清楚说明上一实施例，在本技术的一个实施例中，如图3所示，对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，可包括：
71.步骤301，获取3d打印构件的打印开始时间，以及获取3d打印构件的打印结束时间。
72.在本技术实施例中，电子设备可通过相关的api(application programming interface，应用程序接口)获取到3d打印机在打印构件时的打印开始时间和打印结束时间，即获取到3d打印机在工作时，打印构件的开始时间和结束时间。
73.具体地，电子设备在获取到3d打印机在打印构件过程中的多维工作参数之后，可先通过相关的api获取到3d打印机在打印构件时的打印开始时间和打印结束时间。
74.步骤302，根据打印开始时间和打印结束时间，从多维工作参数中确定目标多维工作参数。
75.为了清楚说明上一实施例，在本技术的一个实施例中，如图4所示，根据打印开始时间和打印结束时间，从多维工作参数中确定目标多维工作参数，可包括：
76.步骤401，获取多维工作参数的获取时间。
77.在本技术实施例中，上述的多维工作参数中可包括每个参数的获取时间，且每个参数和其对应的获取时间可以是一一对应保存的。
78.需要说明的是，该实施例中所描述的获取时间可为上述的多维工作参数中每个参数的获取时间，例如，挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度等的获取时间。另外，上述实施例中所描述的多个传感器中的每个传感器在获取(检测)对应的数据(多维工作参数)时，可记录获取
(检测)时的时间，并将该时间和获取(检测)的数据(多维工作参数)一同反馈给电子设备或3d打印机的主机。
79.具体地，电子设备在获取到3d打印机打印开始时间和打印结束时间之后，可通过对上述的多维工作参数进行解析，得到多维工作参数的获取时间。
80.步骤402，根据打印开始时间、打印结束时间和获取时间，从多维工作参数中确定目标多维工作参数。
81.具体地，电子设备在通过对上述的多维工作参数进行解析，得到多维工作参数的获取时间之后，可根据打印开始时间和打印结束时间，对多维工作参数中每个参数的获取时间进行对比检索，以删除3d打印构件开始打印之前和结束打印之后的多维工作参数，从而得到上述的目标多维工作参数。由此，可以去除不必要的数据(多维工作参数)，以提高后续预测的精确度和预测的效率。
82.步骤303，对目标多维工作参数进行转换，以生成待处理目标多维工作参数。
83.需要说明的是，该实施例中所描述的目标多维工作参数可为时域信号，该实施例中所描述的待处理目标多维工作参数可为频域信号。
84.具体地，电子设备在确定目标多维工作参数之后，可根据预设的转换算法对目标多维工作参数进行转换，以生成待处理目标多维工作参数。其中，预设的转换算法可根据实际情况进行标定，例如，预设的转换算法可为傅里叶变换算法。由此，可将时域信号转换成频域信号，为后续特征提取提供数据支持。
85.步骤304，基于随机森林算法对待处理目标多维工作参数进行特征提取，以生成目标特征信息。
86.具体地，电子设备在得到上述的待处理目标多维工作参数之后，还可基于随机森林算法对该待处理目标多维工作参数进行特征提取，以生成目标特征信息。
87.作为一种可能的情况，为了提高特征提取的准确性和速度，电子设备在得到上述的待处理目标多维工作参数之后，可先对该待处理目标多维工作参数进行滤波以去除测量噪声，并进行降噪处理，从而得到优化后的待处理目标多维工作参数，然后再基于随机森林算法对优化后的待处理目标多维工作参数进行特征提取，以生成目标特征信息。由此，能够使得到的目标特征信息更加的精确，即提高过了特征提取的准确度。
88.为了清楚说明上述实施例，在本技术的一个实施例中，如图5所示，上述的表面粗糙度预测模型通过以下方式生成：
89.步骤501，获取样本数据，其中，样本数据中包含标定的表面粗糙度。
90.需要说明的是，该实施例中所描述的样本数据可为样本多维工作参数，且该样本多维工作参数可为多组。
91.在本技术实施例中，获取样本数据的途径可有多条，其中，可通过上述的传感器收集3d打印机在打印构件过程中的多维工作参数，来获取样本数据，还可以人为主动创造样本数据，例如，软件模拟。
92.步骤502，将样本数据输入表面粗糙度预测模型，以生成预测的表面粗糙度。
93.步骤503，根据预测的表面粗糙度和标定的表面粗糙度生成损失值，并根据损失值对表面粗糙度预测模型进行训练。其中，该损失值可为均方根误差。
94.具体地，在获取到样本数据后，可将样本数据输入表面粗糙度预测模型，以生成预
测的表面粗糙度，并根据预测的表面粗糙度和标定的表面粗糙度生成损失值，以及根据损失值对表面粗糙度预测模型进行训练，从而优化表面粗糙度预测模型，提高预测的准确度。
95.作为一种可能的情况，在完成对表面粗糙度预测模型的训练之后，还可获取测试样本数据，并通过该测试样本数据对表面粗糙度预测模型进行测试，以确定该表面粗糙度预测模型的训练是否满足训练完成条件，其中，训练完成条件可根据实际情况进行标定。由此，可保证对表面粗糙度预测模型的训练效果，从而进一步提高预测的准确度。
96.举例而言，可将486个样本数据随机分成350和136个用于表面粗糙度预测模型的训练和测试，其中，进行了五次随机测试，以均方误差作为损失函数(损失值)，训练算法采用梯度下降法，将学习率设定为0.005。基于注意的编码器-解码器的网络结构被设置为：每个lstm单元30个神经元和注意模块中密集层30个神经元，且可基于tensorflow(深度学习框架)构建神经网络模型。由此，保证对表面粗糙度预测模型的训练效果。
97.在本技术的一个实施例中，如图6所示，上述的表面粗糙度预测模型可包括编码器(encoder)、注意力机模块(attention module)和解码器(decoder)。
98.需要说明的是，该实施例中所描述表面粗糙度预测模型还可引入attention(注意力)机制【即，添加attention(注意力机制)】以进一步提高模型的预测准确度。其中，attention机制是对输入的每个元素考虑不同的权重参数，本技术中通过考虑打印期间的具体条件，动态地确定每个部分的相关网络权重。由此，利用深度学习框架，通过长短期记忆网络(lstm)结合注意力机制(attention)构建训练得到的表面粗糙度预测模型，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
99.具体地，参见图6，lstm cell(单元)的输入数据xi(i＝1，2，
…
，n，n为打印层的层数)可对应fdm的单个打印层的传感器采集数据(即，上述多个传感器采集的挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度等)。其中，由于fdm是时序任务，逐层打印使每层打印效果既受打印完的层的影响，也受将来打印的下一层的影响，因此编码器可使用bilstm(双向长短期记忆网络)，输入信号可为对应于各个印刷层的信号段的平均值和标准偏差(目标特征信息)。应说明的是，该实施例中所描述的lstm cell(单元)的输入数据xi可为一个包含挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度等多维度参数联合分析的一个数组，对数组进行融合处理，再输入到attention模块中进行增强，通过多维度数据联合分析从而使得结果更加精确。
100.进一步地，通过lstm前向和反向路径的单元间通信来模拟由层间热历史反映的层间影响。前向lstm对输入数据进行处理，得到前向lstm输出为后向lstm处理后得到后向lstm输出为对前向与后向输出的隐向量进行拼接，得到双向lstm(即，编码器)的输出可为h
t
，其中，h
t
可通过以下公式(1)计算得到：
[0101][0102]
其中，h
t
可为双向lstm的输出，wh可为dense层的权重，bh可为偏置值，可为前向lstm的输出，可为后向lstm的输出。
[0103]
进一步地，注意力机制(attention)可允许通过考虑相关上下文网络来确定权重，
在3d打印机打印构件的过程中，上下文网络对应于每个部分的特定打印条件(例如逐层热状态，机器参数和环境参数)，在本技术中机器参数可为设置层高、印刷速度、喷头温度，环境参数可为气压传感器采集的当前环境气压值和湿度传感器采集的当前环境湿度，对当前输出位置t，attention模块可以根据上下文网络生成相应的输出权重w
t
(t＝1，2，
…
，n)。其中，可先通过一个dense层(全连接神经网络层)生成相应的非归一化输出权重，然后，为了确保所有打印层的相对影响加起来为1，可引入了一个softmax层来对生成的输出权重进行归一化。在数学上，该过程可以表示为下述公式(2)：
[0104][0105]
其中，w
attn,dense
可为attention模块中dense层的权重，x
machine
和x
environment
可分别为3d打印机的机器参数和3d打印机的环境参数，h
t
可为双向lstm的输出，w'
t
和w'j均可为非标准化的输出权重，w
t
可为对归一化后的输出，j和
t
可均为编码器的序号。
[0106]
进一步地，解码器从编码器中的最后一个lstm层接收所有热状态的加权和，然后通过具有单个神经元的dense层预测构件的表面粗糙度。
[0107]
由此，在attention模块中，可将机器参数(例如，3d打印机的机器设置参数)和环境参数(例如，3d打印机所处环境的气压、湿度和温度等)作为上下文网络的补充输入，以进一步提高表面粗糙度预测模型的预准确度。
[0108]
综上，根据本技术实施例的基于深度学习的3d打印构件表面粗糙度预测方法，首先获取3d打印机在打印构件过程中的多维工作参数，并对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。由此，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
[0109]
图7为根据本技术一个实施例的基于深度学习的3d打印构件表面粗糙度预测装置的方框示意图。
[0110]
本技术实施例的基于深度学习的3d打印构件表面粗糙度预测装置，可配置于电子设备中，以实现获取3d打印机在打印3d打印构件过程中的多维工作参数，并对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度，从而提高了3d打印构件表面粗糙度的预测准确度和预测效率。
[0111]
如图7所示，该基于深度学习的3d打印构件表面粗糙度预测装置700，可包括：获取模块710、预处理模块720和预测模块730。
[0112]
其中，获取模块710用于获取3d打印机在打印3d打印构件过程中的多维工作参数。
[0113]
预处理模块720用于对多维工作参数进行预处理，以生成多维工作参数的目标特征信息。
[0114]
预测模块730用于根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。
[0115]
在本技术的一个实施例中，多维工作参数可包括挤出沉积材料的温度、构建板温
度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度。
[0116]
在本技术的一个实施例中，获取模块710具体用于：通过设置在3d打印机上的多个传感器，获取多维工作参数，其中，多个传感器包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。
[0117]
在本技术的一个实施例中，如图7所示，预处理模块720可包括：获取单元721、确定单元722、转换单元733和特征提取单元744。
[0118]
其中，获取单元721用于获取3d打印构件的打印开始时间，以及获取3d打印构件的打印结束时间。
[0119]
确定单元722用于根据打印开始时间和打印结束时间，从多维工作参数中确定目标多维工作参数。
[0120]
转换单元723用于对目标多维工作参数进行转换，以生成待处理目标多维工作参数。
[0121]
特征提取单元724用于基于随机森林算法对待处理目标多维工作参数进行特征提取，以生成目标特征信息。
[0122]
在本技术的一个实施例中，确定单元722具体用于：获取多维工作参数的获取时间；根据打印开始时间、打印结束时间和获取时间，从多维工作参数中确定目标多维工作参数。
[0123]
在本技术的一个实施例中，如图7所示，该基于深度学习的3d打印构件表面粗糙度预测装置700还可包括模型训练模块740，其中，模型训练模块740用于获取样本数据，其中，样本数据中包含标定的表面粗糙度；将样本数据输入表面粗糙度预测模型，以生成预测的表面粗糙度；根据预测的表面粗糙度和标定的表面粗糙度生成损失值，并根据损失值对表面粗糙度预测模型进行训练。
[0124]
在本技术的一个实施例中，表面粗糙度预测模型包括编码器、注意力机制模块和解码器。
[0125]
需要说明的是，前述对基于深度学习的3d打印构件表面粗糙度预测方法实施例的解释说明也适用于该实施例的基于深度学习的3d打印构件表面粗糙度预测装置，此处不再赘述。
[0126]
综上，本技术实施例的基于深度学习的3d打印构件表面粗糙度预测装置，首先通过获取模块获取3d打印机在打印3d打印构件过程中的多维工作参数，并通过预处理模块对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及通过预测模块根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3d打印构件的表面粗糙度。由此，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
[0127]
为了实现上述实施例，如图8所示，本技术还提出一种电子设备800，包括存储器810、处理器820及存储在存储器810上并可在处理器820上运行的计算机程序，处理器820执行程序，以实现本技术前述实施例提出的基于深度学习的3d打印构件表面粗糙度预测方法。
[0128]
本技术实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
[0129]
为了实现上述实施例，本技术还提出一种非临时性计算机可读存储介质，其上存
储有计算机程序，该程序被处理器执行，以实现本技术前述实施例提出的基于深度学习的3d打印构件表面粗糙度预测方法。
[0130]
本技术实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，能够提高3d打印构件表面粗糙度的预测准确度和预测效率。
[0131]
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0132]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0133]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。