CN105965886A - 误差控制自学习式3d打印机及其控制方法 - Google Patents
误差控制自学习式3d打印机及其控制方法 Download PDFInfo
- Publication number
- CN105965886A CN105965886A CN201610290611.3A CN201610290611A CN105965886A CN 105965886 A CN105965886 A CN 105965886A CN 201610290611 A CN201610290611 A CN 201610290611A CN 105965886 A CN105965886 A CN 105965886A
- Authority
- CN
- China
- Prior art keywords
- printer
- error
- input
- finished product
- feeding mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F3/00—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
Abstract
本发明涉及一种误差控制自学习式3D打印机及其控制方法,解决了现有技术的不足,技术方案为:包括进料机构、输入设备、显示器、存储器、上位机、打印控制芯片、监控温度传感器、加温装置和喷量控制阀,上位机分别与输入设备、显示器、存储器和打印控制芯片电连接,打印控制芯片与电机、监控温度传感器和加温装置电连接,3D打印喷头包括喷头控制器、供应机构、熔丝机构、料丝送进机构、流道、定径器和喷口,喷量控制阀安装在喷口上,供应机构的输入端与进料机构连接,供应机构的输出端与熔丝机构的输入端连接,熔丝机构的输出端与料丝送进机构的输入端连接,料丝送进机构的输出端通过流道与定径器的输入端连接,定径器的输出端与喷口连接。
Description
技术领域
本发明涉及一种3D打印机,特别涉及一种误差控制自学习式3D打印机及其控制方法。
背景技术
随着时代的进步,我们的生活水平日渐提升,同时,人口也在急剧的增长,我们需要越来越多的物品来满足物质生活条件。这就势必造成我们对物品的要求也会越来越高,做工精细、独特且非量产的物品会受广大人们的喜爱。如今,我们拥有了3D打印这一先进的技术,我们可以通过3D打印机来打印各种我们所需要的、想要的。3D打印技术应用面广,它可以用于医疗行业、科学研究、产品模型、建筑设计、制造业及食品等,前景广泛。
3D打印技术,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。3D打印机则出现在上世纪90年代中期,即一种利用光固化和纸层叠等技术的快速成型装置。它与普通打印机工作原理基本相同,打印机内装有液体或粉末等“印材料”,与电脑连接后,通过电脑控制把“打印材料”一层层叠加起来,最终把计算机上的蓝图变成实物。如今这一技术在多个领域得到应用,人们用它来制造服装、建筑模型、汽车、巧克力甜品等。
发明内容
本发明主要是针对现有技术所存在的打印时间长,等待冷却时间长,同时打印精度需要提高的技术问题,提供一种误差控制自学习式3D打印机及其控制方法。
本发明解决其技术问题所采用的技术方案是:一种误差控制自学习式3D打印机,由电源供电,包括打印机机体、打印平台、X轴驱动电机、Y轴驱动电机、Z轴驱动电机和3D打印喷头,所述打印平台通过驱动轴安装在所述打印机机体内,3D打印喷头通过喷头驱动轴与打印平台连接,打印机机体上开设有成品槽,所述3D打印喷头对准所述的成品槽,其特征在于:还包括进料机构、输入设备、显示器、存储器、上位机、打印控制芯片、监控温度传感器、加温装置和喷量控制阀,所述上位机分别与输入设备、显示器、存储器和打印控制芯片电连接,所述打印控制芯片分别与X轴驱动电机、Y轴驱动电机、Z轴驱动电机、监控温度传感器和加温装置电连接,所述3D打印喷头包括喷头控制器、供应机构、熔丝机构、料丝送进机构、流道、定径器和喷口,所述喷量控制阀安装在喷口上,所述供应机构的输入端与进料机构连接,所述供应机构的输出端与所述熔丝机构的输入端连接,所述熔丝机构的输出端与料丝送进机构的输入端连接,所述料丝送进机构的输出端通过流道与定径器的输入端连接,定径器的输出端与所述喷口连接,所述喷量控制阀、供应机构、熔丝机构、料丝送进机构、定径器和喷口均与所述喷头控制器电连接,喷头控制器与所述上位机电连接,所述加温装置配设在进料机构与所述供应机构之间,所述误差控制自学习式3D打印机还包括红外线扫描装置,所述红外线扫描装置包括扫描装置移动架、扫描装置发射器、扫描装置接收器和扫描装置转换器,所述扫描装置移动架的顶部固定在喷口处,所述扫描装置移动架的底部与所述喷口的底端平行,所述扫描装置移动架的一个底端与扫描装置发射器连接,所述扫描装置移动架的另一个底端与扫描装置接收器连接,所述扫描装置发射器对准所述的扫描装置接收器,所述扫描装置接收器低于所述的喷口底端,所述扫描装置接收器的输出端通过扫描装置转换器与所述上位机电连接,所述成品槽的槽壁为透明槽壁,扫描装置发射器和扫描装置接收器均位于成品槽的外部。本发明可以适用各种打印材料,特别是适应料丝形式的打印材料,可以提高快速熔化料丝,并将它保持在合适的温度,保持凝固的时间可控。一旦出现料丝多挤出或关闭喷口不及时的情况,上位机自动计算下一层的运动方向和喷口的开闭情况,降低误差。
作为优选,所述进料机构包括滚筒和立轴,所述滚筒安装在所述的立轴上,所述3D打印机打印材料绕设在所述滚筒的表面,所述加温装置包括加热驱动器、加温管和加温支架,所述加温管通过加温支架固定在所述打印机机体的上表面,所述加温管的入口侧配设有一个监控温度传感器,所述加温管的管壁内设置有若干股电热丝,所述电热丝通过加热驱动器与所述打印控制芯片电连接。本发明通过加温支架,在料丝送入之前进行预热,降低打印喷头的加温要求,可以针对当前料丝温度进行自动调整。
作为优选,所述打印机机体上还开设有一个定位槽,所述定位槽处开设有若干个接近传感器,所述喷口处配设有感应磁铁,所述定位槽内固定有一个电控压力推杆,所述电控压力推杆与所述打印控制芯片电连接,所述电控压力推杆的顶端设置有一个接触式的温度传感器,所述接触式的温度传感器与打印控制芯片电连接。定位槽的设置用于每次打印前进行重新定位和偏差修正,提高打印精准度。电控压力推杆主要测试成形时间和承受压力,同时也记录成形时的温度。
作为优选,所述X轴驱动电机的输出轴、Y轴驱动电机的输出轴和Z轴驱动电机的输出轴上均配设有位置传感器,所述位置传感器均与所述打印控制芯片电连接。
作为优选,所述进料机构包括支撑材料进料机构和打印材料进料机构,3D打印喷头中的供应机构、熔丝机构、料丝送进机构、流道和定径器均为两个,支撑材料进料机构依次通过一组供应机构、熔丝机构、料丝送进机构、流道和定径器与喷头连接,打印材料进料机构依次通过另一组供应机构、熔丝机构、料丝送进机构、流道和定径器与喷头连接,所述喷头上配设的喷量控制阀为三通阀,所述喷量控制阀的控制端与喷头控制器电连接。
作为优选,所述进料机构包括支撑材料进料机构,所述打印平台上还固定有支撑材料喷头,所述支撑材料喷头与支撑材料进料机构连接,所述支撑材料喷头的喷口处也设置有喷量控制阀,喷量控制阀与所述的喷头控制器电连接。这样设置,成本较高,但是精度有提升。
作为优选,所述定位槽的至少一侧槽壁上设置有一组光栅尺,所述光栅尺与所述打印控制芯片电连接。
一种3D打印机控制方法,适用于如权利要求9所述的3D打印机,其特征在于:包括以下步骤:
步骤一,上位机利用定位槽进行模拟打印并采集3D打印机运行的数据,采集的数据包括成品打印点目标位置信息和成品打印点实际位置信息;
步骤二,对采集的历史数据进行清洗和结构化处理,根据设定的采集成品打印点实际位置信息的时间序列数据(C1,C2,C3,…,Ct,Cn)的集合,其中Ct为t时间点的成品打印点实际位置信息,Cn为当前点的成品打印点实际位置信息;
步骤三,选用历史数据作为样本通过深度自动编码器模型采用自下而上的无监督学习,逐层构建神经元,形成神经网络;输入的样本均配设有标签,根据当前输出和带有标签的目标之间的差去改变前面各层的参数,直到收敛;
将输入的成品打印点实际位置信息(C1,C2,C3,…,Ct,Cn)输入至编码器,得到一个输出编码(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),通过解码器输出一个重构信息,根据输出编码和重构信息与输入的成品打印点实际位置信息对比获得重构误差,每一层通过调整编码器和解码器的参数,使得重构误差最小,最终得到编码器和解码器的参数参数空间;神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练,将第一层成品打印点实际位置信息(C1,C2,C3,…,Ct,Cn)作为第二层的输入流数据,同样调整编码器和解码器的参数最小化重构误差,得到第二层成品打印点实际位置信息的输出编码(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))并逐层调整;
在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法训练实现微调;
步骤四,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练;
步骤五,通过标准的多层神经网络的监督训练方法进行微调;
步骤六,将实时获取的成品打印点实际位置信息作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值大,就用有标签样本对深度自动编码器模型进行有监督的训练,调整编码器的网络参数,直到预测结果和成品打印点目标位置信息差值落在合理区间为止,输出深度自动编码器训练模型;
步骤七,根据实时的成品打印点实际位置信息通过深度自动编码器训练模型预测3D打印机的误差点以及误差方式,调整当前3D打印机中的运行态势;
在步骤五中,包括以下微调子步骤,
微调子步骤一,随机获取的成品打印点实际位置信息,并用BP算法进行训练,计算各层的输出;
微调子步骤二,求各层的重构误差,并根据误差仅需调整权值和偏置;
微调子步骤三,根据性能指数评定误差是否在指定的范围内,若不是则重复步骤微调子步骤一,直至整个网络输出符合要求;
微调子步骤四,输出最后的深度自动编码器训练模型。
本发明的实质性效果是:本发明中定位槽的设置用于每次打印前进行重新定位和偏差修正,提高打印精准度。同时,一旦出现料丝多挤出或关闭喷口不及时的情况,上位机自动计算下一层的运动方向和喷口的开闭情况,降低误差。本发明可以适用各种打印材料,特别是适应料丝形式的打印材料,可以提高快速熔化料丝,并将它保持在合适的温度,保持凝固的时间可控。
附图说明
图1为本发明的一种结构示意图。
图中:1、数据服务器,2、上位机,3、红外线扫描装置,4、打印控制芯片,5、加热驱动器,6、电热丝,7、3D打印喷头,8、喷量控制阀,9、电控压力推杆,10、光栅尺,11、监控温度传感器,12、温度传感器。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体说明。
实施例1:
一种误差控制自学习式3D打印机,由电源供电,包括打印机机体、打印平台、X轴驱动电机、Y轴驱动电机、Z轴驱动电机和3D打印喷头7,所述打印平台通过驱动轴安装在所述打印机机体内,3D打印喷头通过喷头驱动轴与打印平台连接,打印机机体上开设有成品槽,所述3D打印喷头对准所述的成品槽,还包括进料机构、输入设备、显示器、存储器、上位机2、打印控制芯片4、监控温度传感器11、加温装置和喷量控制阀8,所述上位机分别与输入设备、显示器、存储器和打印控制芯片电连接,所述打印控制芯片分别与X轴驱动电机、Y轴驱动电机、Z轴驱动电机、监控温度传感器和加温装置电连接,所述3D打印喷头包括喷头控制器、供应机构、熔丝机构、料丝送进机构、流道、定径器和喷口,所述喷量控制阀安装在喷口上,所述供应机构的输入端与进料机构连接,所述供应机构的输出端与所述熔丝机构的输入端连接,所述熔丝机构的输出端与料丝送进机构的输入端连接,所述料丝送进机构的输出端通过流道与定径器的输入端连接,定径器的输出端与所述喷口连接,所述喷量控制阀、供应机构、熔丝机构、料丝送进机构、定径器和喷口均与所述喷头控制器电连接,喷头控制器与所述上位机电连接,所述加温装置配设在进料机构与所述供应机构之间,所述误差控制自学习式3D打印机还包括红外线扫描装置3,所述红外线扫描装置包括扫描装置移动架、扫描装置发射器、扫描装置接收器和扫描装置转换器,所述扫描装置移动架的顶部固定在喷口处,所述扫描装置移动架的底部与所述喷口的底端平行,所述扫描装置移动架的一个底端与扫描装置发射器连接,所述扫描装置移动架的另一个底端与扫描装置接收器连接,所述扫描装置发射器对准所述的扫描装置接收器,所述扫描装置接收器低于所述的喷口底端,所述扫描装置接收器的输出端通过扫描装置转换器与所述上位机电连接,所述成品槽的槽壁为透明槽壁,扫描装置发射器和扫描装置接收器均位于成品槽的外部。
所述进料机构包括滚筒和立轴,所述滚筒安装在所述的立轴上,所述误差控制自学习式3D打印机打印材料绕设在所述滚筒的表面,所述加温装置包括加热驱动器5、加温管和加温支架,所述加温管通过加温支架固定在所述打印机机体的上表面,所述加温管的入口侧配设有一个监控温度传感器,所述加温管的管壁内设置有若干股电热丝6,所述电热丝通过加热驱动器与所述打印控制芯片电连接。所述打印机机体上还开设有一个定位槽,所述定位槽处开设有若干个接近传感器,所述喷口处配设有感应磁铁,所述定位槽内固定有一个电控压力推杆9,所述电控压力推杆与所述打印控制芯片电连接,所述电控压力推杆的顶端设置有一个接触式的温度传感器12,所述接触式的温度传感器与打印控制芯片电连接。所述X轴驱动电机的输出轴、Y轴驱动电机的输出轴和Z轴驱动电机的输出轴上均配设有位置传感器,所述位置传感器均与所述打印控制芯片电连接。
所述进料机构包括支撑材料进料机构和打印材料进料机构,3D打印喷头中的供应机构、熔丝机构、料丝送进机构、流道和定径器均为两个,支撑材料进料机构依次通过一组供应机构、熔丝机构、料丝送进机构、流道和定径器与喷头连接,打印材料进料机构依次通过另一组供应机构、熔丝机构、料丝送进机构、流道和定径器与喷头连接,所述喷头上配设的喷量控制阀为三通阀,所述喷量控制阀的控制端与喷头控制器电连接。
所述定位槽的至少一侧槽壁上设置有一组光栅尺10,所述光栅尺与所述打印控制芯片电连接。作为扩展,本实施例还与数据服务器1电连接。
一种误差控制自学习式3D打印机控制方法,适用于如上所述的误差控制自学习式3D打印机,包括以下步骤:
步骤一,上位机利用定位槽进行模拟打印并采集误差控制自学习式3D打印机运行的数据,采集的数据包括成品打印点目标位置信息和成品打印点实际位置信息;
步骤二,对采集的历史数据进行清洗和结构化处理,根据设定的采集成品打印点实际位置信息的时间序列数据(C1,C2,C3,…,Ct,Cn)的集合,其中Ct为t时间点的成品打印点实际位置信息,Cn为当前点的成品打印点实际位置信息;
步骤三,选用历史数据作为样本通过深度自动编码器模型采用自下而上的无监督学习,逐层构建神经元,形成神经网络;输入的样本均配设有标签,根据当前输出和带有标签的目标之间的差去改变前面各层的参数,直到收敛;
将输入的成品打印点实际位置信息(C1,C2,C3,…,Ct,Cn)输入至编码器,得到一个输出编码(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),通过解码器输出一个重构信息,根据输出编码和重构信息与输入的成品打印点实际位置信息对比获得重构误差,每一层通过调整编码器和解码器的参数,使得重构误差最小,最终得到编码器和解码器的参数参数空间;神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练,将第一层成品打印点实际位置信息(C1,C2,C3,…,Ct,Cn)作为第二层的输入流数据,同样调整编码器和解码器的参数最小化重构误差,得到第二层成品打印点实际位置信息的输出编码(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))并逐层调整;
在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法训练实现微调;
步骤四,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练;
步骤五,通过标准的多层神经网络的监督训练方法进行微调;
步骤六,将实时获取的成品打印点实际位置信息作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值大,就用有标签样本对深度自动编码器模型进行有监督的训练,调整编码器的网络参数,直到预测结果和成品打印点目标位置信息差值落在合理区间为止,输出深度自动编码器训练模型;
步骤七,根据实时的成品打印点实际位置信息通过深度自动编码器训练模型预测误差控制自学习式3D打印机的误差点以及误差方式,调整当前误差控制自学习式3D打印机中的运行态势;
在步骤五中,包括以下微调子步骤,
微调子步骤一,随机获取的成品打印点实际位置信息,并用BP算法进行训练,计算各层的输出;
微调子步骤二,求各层的重构误差,并根据误差仅需调整权值和偏置;
微调子步骤三,根据性能指数评定误差是否在指定的范围内,若不是则重复步骤微调子步骤一,直至整个网络输出符合要求;
微调子步骤四,输出最后的深度自动编码器训练模型。
本实施例中定位槽的设置用于每次打印前进行重新定位和偏差修正,提高打印精准度。同时,一旦出现料丝多挤出或关闭喷口不及时的情况,上位机自动计算下一层的运动方向和喷口的开闭情况,降低误差。本发明可以适用各种打印材料,特别是适应料丝形式的打印材料,可以提高快速熔化料丝,并将它保持在合适的温度,保持凝固的时间可控。本实施例中料丝在成品槽中温度可靠,温度造成的形变减小,同时通过实时反馈和自学习式调整,达到较好的精度。
实施例2:
本实施例中,支撑材料喷头与3D打印喷头不再共用而是采用分开设置,所述进料机构包括支撑材料进料机构,所述打印平台上还固定有支撑材料喷头,所述支撑材料喷头与支撑材料进料机构连接,所述支撑材料喷头的喷口处也设置有喷量控制阀,喷量控制阀与所述的喷头控制器电连接。本实施例成本较高,但是精度有提升。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种误差控制自学习式3D打印机,由电源供电,包括打印机机体、打印平台、X轴驱动电机、Y轴驱动电机、Z轴驱动电机和3D打印喷头,所述打印平台通过驱动轴安装在所述打印机机体内,3D打印喷头通过喷头驱动轴与打印平台连接,打印机机体上开设有成品槽,所述3D打印喷头对准所述的成品槽,其特征在于:还包括进料机构、输入设备、显示器、存储器、上位机、打印控制芯片、监控温度传感器、加温装置和喷量控制阀,所述上位机分别与输入设备、显示器、存储器和打印控制芯片电连接,所述打印控制芯片分别与X轴驱动电机、Y轴驱动电机、Z轴驱动电机、监控温度传感器和加温装置电连接,所述3D打印喷头包括喷头控制器、供应机构、熔丝机构、料丝送进机构、流道、定径器和喷口,所述喷量控制阀安装在喷口上,所述供应机构的输入端与进料机构连接,所述供应机构的输出端与所述熔丝机构的输入端连接,所述熔丝机构的输出端与料丝送进机构的输入端连接,所述料丝送进机构的输出端通过流道与定径器的输入端连接,定径器的输出端与所述喷口连接,所述喷量控制阀、供应机构、熔丝机构、料丝送进机构、定径器和喷口均与所述喷头控制器电连接,喷头控制器与所述上位机电连接,所述加温装置配设在进料机构与所述供应机构之间,所述误差控制自学习式3D打印机还包括红外线扫描装置,所述红外线扫描装置包括扫描装置移动架、扫描装置发射器、扫描装置接收器和扫描装置转换器,所述扫描装置移动架的顶部固定在喷口处,所述扫描装置移动架的底部与所述喷口的底端平行,所述扫描装置移动架的一个底端与扫描装置发射器连接,所述扫描装置移动架的另一个底端与扫描装置接收器连接,所述扫描装置发射器对准所述的扫描装置接收器,所述扫描装置接收器低于所述的喷口底端,所述扫描装置接收器的输出端通过扫描装置转换器与所述上位机电连接,所述成品槽的槽壁为透明槽壁,扫描装置发射器和扫描装置接收器均位于成品槽的外部。
2.根据权利要求1所述的误差控制自学习式3D打印机,其特征在于:所述进料机构包括滚筒和立轴,所述滚筒安装在所述的立轴上,所述误差控制自学习式3D打印机打印材料绕设在所述滚筒的表面,所述加温装置包括加热驱动器、加温管和加温支架,所述加温管通过加温支架固定在所述打印机机体的上表面,所述加温管的入口侧配设有一个监控温度传感器,所述加温管的管壁内设置有若干股电热丝,所述电热丝通过加热驱动器与所述打印控制芯片电连接。
3.根据权利要求1所述的误差控制自学习式3D打印机,其特征在于:所述打印机机体上还开设有一个定位槽,所述定位槽处开设有若干个接近传感器,所述喷口处配设有感应磁铁,所述定位槽内固定有一个电控压力推杆,所述电控压力推杆与所述打印控制芯片电连接,所述电控压力推杆的顶端设置有一个接触式的温度传感器,所述接触式的温度传感器与打印控制芯片电连接。
4.根据权利要求1所述的误差控制自学习式3D打印机,其特征在于:所述X轴驱动电机的输出轴、Y轴驱动电机的输出轴和Z轴驱动电机的输出轴上均配设有位置传感器,所述位置传感器均与所述打印控制芯片电连接。
5.根据权利要求1所述的误差控制自学习式3D打印机,其特征在于:所述进料机构包括支撑材料进料机构和打印材料进料机构,3D打印喷头中的供应机构、熔丝机构、料丝送进机构、流道和定径器均为两个,支撑材料进料机构依次通过一组供应机构、熔丝机构、料丝送进机构、流道和定径器与喷头连接,打印材料进料机构依次通过另一组供应机构、熔丝机构、料丝送进机构、流道和定径器与喷头连接,所述喷头上配设的喷量控制阀为三通阀,所述喷量控制阀的控制端与喷头控制器电连接。
6.根据权利要求1所述的误差控制自学习式3D打印机,其特征在于:所述进料机构包括支撑材料进料机构,所述打印平台上还固定有支撑材料喷头,所述支撑材料喷头与支撑材料进料机构连接,所述支撑材料喷头的喷口处也设置有喷量控制阀,喷量控制阀与所述的喷头控制器电连接。
7.根据权利要求3所述的误差控制自学习式3D打印机,其特征在于:所述定位槽的至少一侧槽壁上设置有一组光栅尺,所述光栅尺与所述打印控制芯片电连接。
8.一种误差控制自学习式3D打印机控制方法,适用于如权利要求7所述的误差控制自学习式3D打印机,其特征在于:包括以下步骤:
步骤一,上位机利用定位槽进行模拟打印并采集误差控制自学习式3D打印机运行的数据,采集的数据包括成品打印点目标位置信息和成品打印点实际位置信息;
步骤二,对采集的历史数据进行清洗和结构化处理,根据设定的采集成品打印点实际位置信息的时间序列数据(C1,C2,C3,…,Ct,Cn)的集合,其中Ct为t时间点的成品打印点实际位置信息,Cn为当前点的成品打印点实际位置信息;
步骤三,选用历史数据作为样本通过深度自动编码器模型采用自下而上的无监督学习,逐层构建神经元,形成神经网络;输入的样本均配设有标签,根据当前输出和带有标签的目标之间的差去改变前面各层的参数,直到收敛;
将输入的成品打印点实际位置信息(C1,C2,C3,…,Ct,Cn)输入至编码器,得到一个输出编码(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),通过解码器输出一个重构信息,根据输出编码和重构信息与输入的成品打印点实际位置信息对比获得重构误差,每一层通过调整编码器和解码器的参数,使得重构误差最小,最终得到编码器和解码器的参数参数空间;神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练,将第一层成品打印点实际位置信息(C1,C2,C3,…,Ct,Cn)作为第二层的输入流数据,同样调整编码器和解码器的参数最小化重构误差,得到第二层成品打印点实际位置信息的输出编码(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))并逐层调整;
在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法训练实现微调;
步骤四,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练;
步骤五,通过标准的多层神经网络的监督训练方法进行微调;
步骤六,将实时获取的成品打印点实际位置信息作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值大,就用有标签样本对深度自动编码器模型进行有监督的训练,调整编码器的网络参数,直到预测结果和成品打印点目标位置信息差值落在合理区间为止,输出深度自动编码器训练模型;
步骤七,根据实时的成品打印点实际位置信息通过深度自动编码器训练模型预测误差控制自学习式3D打印机的误差点以及误差方式,调整当前误差控制自学习式3D打印机中的运行态势;
在步骤五中,包括以下微调子步骤,
微调子步骤一,随机获取的成品打印点实际位置信息,并用BP算法进行训练,计算各层的输出;
微调子步骤二,求各层的重构误差,并根据误差仅需调整权值和偏置;
微调子步骤三,根据性能指数评定误差是否在指定的范围内,若不是则重复步骤微调子步骤一,直至整个网络输出符合要求;
微调子步骤四,输出最后的深度自动编码器训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610290611.3A CN105965886A (zh) | 2016-05-04 | 2016-05-04 | 误差控制自学习式3d打印机及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610290611.3A CN105965886A (zh) | 2016-05-04 | 2016-05-04 | 误差控制自学习式3d打印机及其控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105965886A true CN105965886A (zh) | 2016-09-28 |
Family
ID=56994486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610290611.3A Pending CN105965886A (zh) | 2016-05-04 | 2016-05-04 | 误差控制自学习式3d打印机及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105965886A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272474A (zh) * | 2017-08-23 | 2017-10-20 | 佛山市瑞友科技有限公司 | 3d打印设备的大数据处理模块 |
CN107316234A (zh) * | 2017-07-21 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 个性化商品预测方法和装置 |
CN107511303A (zh) * | 2017-10-23 | 2017-12-26 | 深圳市雷赛控制技术有限公司 | 点胶控制方法及系统 |
CN109808183A (zh) * | 2019-01-03 | 2019-05-28 | 中国科学院自动化研究所 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
CN110052607A (zh) * | 2019-03-11 | 2019-07-26 | 上海交通大学 | 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法 |
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法 |
CN111483237A (zh) * | 2019-01-25 | 2020-08-04 | 精工爱普生株式会社 | 印刷装置、学习装置及学习方法 |
CN112015355A (zh) * | 2019-05-29 | 2020-12-01 | 理想科学工业株式会社 | 印刷数据生成装置 |
CN113442442A (zh) * | 2021-07-23 | 2021-09-28 | 大连理工大学 | 基于强化学习的双激光器路径缺陷自适应调整方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103231517A (zh) * | 2013-05-08 | 2013-08-07 | 吴洁 | 一种应用在熔丝堆积技术的3d打印机的挤出装置 |
CN103737934A (zh) * | 2014-01-22 | 2014-04-23 | 黑龙江省科学院自动化研究所 | 基于熔融沉积快速成型技术的3d打印机及其打印方法 |
WO2015014290A1 (zh) * | 2013-07-31 | 2015-02-05 | 磐纹科技(上海)有限公司 | 闭环控制熔融沉积成型高速3d打印机及闭环控制方法 |
CN104647745A (zh) * | 2013-11-16 | 2015-05-27 | 深圳维示泰克技术有限公司 | 一种快速成型设备 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
-
2016
- 2016-05-04 CN CN201610290611.3A patent/CN105965886A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103231517A (zh) * | 2013-05-08 | 2013-08-07 | 吴洁 | 一种应用在熔丝堆积技术的3d打印机的挤出装置 |
WO2015014290A1 (zh) * | 2013-07-31 | 2015-02-05 | 磐纹科技(上海)有限公司 | 闭环控制熔融沉积成型高速3d打印机及闭环控制方法 |
CN104647745A (zh) * | 2013-11-16 | 2015-05-27 | 深圳维示泰克技术有限公司 | 一种快速成型设备 |
CN103737934A (zh) * | 2014-01-22 | 2014-04-23 | 黑龙江省科学院自动化研究所 | 基于熔融沉积快速成型技术的3d打印机及其打印方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316234A (zh) * | 2017-07-21 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 个性化商品预测方法和装置 |
CN107272474A (zh) * | 2017-08-23 | 2017-10-20 | 佛山市瑞友科技有限公司 | 3d打印设备的大数据处理模块 |
CN107511303A (zh) * | 2017-10-23 | 2017-12-26 | 深圳市雷赛控制技术有限公司 | 点胶控制方法及系统 |
CN107511303B (zh) * | 2017-10-23 | 2019-05-07 | 深圳市雷赛控制技术有限公司 | 点胶控制方法及系统 |
WO2020140477A1 (zh) * | 2019-01-03 | 2020-07-09 | 中国科学院自动化研究所 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
CN109808183B (zh) * | 2019-01-03 | 2020-06-16 | 中国科学院自动化研究所 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
CN109808183A (zh) * | 2019-01-03 | 2019-05-28 | 中国科学院自动化研究所 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
US11106193B1 (en) | 2019-01-03 | 2021-08-31 | Institute Of Automation, Chinese Academy Of Sciences | Neural network-based error compensation method, system and device for 3D printing |
CN111483237A (zh) * | 2019-01-25 | 2020-08-04 | 精工爱普生株式会社 | 印刷装置、学习装置及学习方法 |
CN110052607A (zh) * | 2019-03-11 | 2019-07-26 | 上海交通大学 | 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法 |
CN110052607B (zh) * | 2019-03-11 | 2020-05-08 | 上海交通大学 | 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法 |
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法 |
CN112015355A (zh) * | 2019-05-29 | 2020-12-01 | 理想科学工业株式会社 | 印刷数据生成装置 |
CN113442442A (zh) * | 2021-07-23 | 2021-09-28 | 大连理工大学 | 基于强化学习的双激光器路径缺陷自适应调整方法 |
CN113442442B (zh) * | 2021-07-23 | 2022-05-10 | 大连理工大学 | 基于强化学习的双激光器路径缺陷自适应调整方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105965886A (zh) | 误差控制自学习式3d打印机及其控制方法 | |
CN106003708A (zh) | 3d打印实验台及其控制方法 | |
CN105922583A (zh) | 远程控制的3d打印机及其控制方法 | |
CN105252770B (zh) | 三维打印方法和三维打印机 | |
CN105291435A (zh) | 三维打印平台调整方法和三维打印机 | |
US20190217529A1 (en) | Method and apparatus for manufacturing a mechatronic system by three-dimensional printing | |
CN105946229A (zh) | 3d打印机及其控制方法 | |
KR20190058084A (ko) | 3d 푸드프린터 | |
CN106985382B (zh) | 3d打印方法及所适用的打印设备 | |
CN103704162B (zh) | 一种工业化水产养殖的自动投饵方法 | |
CN207028178U (zh) | 一种3d打印机用的全自动调平热床 | |
CN105014977B (zh) | 一种自退料3d打印机 | |
CN106964775A (zh) | 3d打印装备及3d打印机 | |
CN105216323A (zh) | 一种基于物联网的具有闭环控制功能的3d打印机 | |
CN106926444A (zh) | 一种用于3d打印机供料量精确控制的装置及方法 | |
CN107900329A (zh) | 一种3d打印装备的控制系统 | |
CN105346084B (zh) | 一种3d打印机及其打印流程操控方法 | |
CN205124881U (zh) | 一种彩色煎饼打印机 | |
CN206150432U (zh) | 一种食品三维打印机 | |
CN206677187U (zh) | 3d打印装备及3d打印机 | |
CN108724697A (zh) | 一种基于fdm的面成型3d打印设备及方法 | |
CN107803990A (zh) | 一种基于物联网的智能化塑料制品生产设备 | |
JP2016137598A (ja) | 立体造形装置、立体造形物の生産方法、プログラム | |
CN204032515U (zh) | 一种鞋垫用品定制设备 | |
CN105946228A (zh) | 带有安全登记的3d打印机及其控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160928 |
|
WD01 | Invention patent application deemed withdrawn after publication |