CN108115941A - 一种3d打印机系统 - Google Patents
一种3d打印机系统 Download PDFInfo
- Publication number
- CN108115941A CN108115941A CN201810114275.6A CN201810114275A CN108115941A CN 108115941 A CN108115941 A CN 108115941A CN 201810114275 A CN201810114275 A CN 201810114275A CN 108115941 A CN108115941 A CN 108115941A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- index
- data
- grid
- 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
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000009182 swimming Effects 0.000 claims description 48
- 238000007670 refining Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 5
- 238000007639 printing Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000010146 3D printing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010017 direct printing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010099 solid forming Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- B33Y50/00—Data acquisition or data processing for additive manufacturing
Abstract
本发明属于3D打印领域,公开了一种3D打印机系统;该3D打印机系统,包括计算机、DSP处理器、数据处理模块、切片模块、工艺规划模块、信息采集模块、打印机主机;计算机与DSP处理器相连接;所述DSP处理器与数据处理模块相连接;所述数据处理模块与切片模块、工艺规划模块、信息采集模块相连接;切片模块、工艺规划模块、信息采集模块与打印机主机相连接。本发明3D打印机系统功能较为全面,可以利用计算机实现控制3D打印机进行3D打印的功能,也可以实时监控打印机的工作状态。
Description
技术领域
本发明属于3D打印领域,尤其涉及一种3D打印机系统。
背景技术
随着打印机技术发展,能够打印三维立体物品的3D打印机逐渐兴起。传统喷墨打印机是将墨水喷到纸等载体上以显示一幅二维平面图像。而3D打印机不是依靠墨水来显示,而是依靠塑料、金属等实实在在的原材料。3D打印机在接收计算机完成的一系列数字切片后,将连续的薄型层面堆叠起来,直到一个三维固体物体成型。可见,3D打印机可以实现直接打印成型产品,从而提供了一种新的制造方式。
现有的3D打印机的种类较多,但是现有3D答应及功能较少,也不能实时监控。
综上所述,现有技术存在的问题是:现有的3D打印机的种类较多,但是现有3D答应及功能较少,也不能实时监控。
发明内容
针对现有技术存在的问题,本发明提供了一种3D打印机系统。
本发明是这样实现的,本发明提供一种3D打印机系统,包括计算机、DSP处理器、数据处理模块、切片模块、工艺规划模块、信息采集模块、打印机主机。
所述计算机与DSP处理器相连接,用于向DSP处理器传递打印参数信息和接收来自DSP处理器对打印成型情况进行监控并接收运动参数的反馈;
所述DSP处理器与数据处理模块相连接;
所述数据处理模块与切片模块、工艺规划模块、信息采集模块相连接;
所述切片模块、工艺规划模块、信息采集模块与打印机主机相连接。
数据聚合方法的步骤如下:
步骤一,在面积为S=L*L的部署区域内,随机分布N个同构的无线传感器节点,sink节点位于部署区域之外,节点处理整个无线传感器网络内收集到的数据;
步骤二,非均匀成簇
sink节点位于部署区域的上方;首先部署区域X轴划分为S个泳道,所有泳道有相同的宽度w,并且每个泳道的长度与部署区域的长度相等;用从1到s作为泳道的ID,最左端的泳道的ID为1,然后每个泳道沿着y轴划分为多个矩形网格,每个泳道中的每个网格都被定义一个水平,最下端的网格的水平为1,每个网格和每个泳道有相同的宽度w;每个泳道中网格的个数、长度与泳道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的泳道,距离sink越远的泳道含有的网格数目越小;针对同一泳道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个泳道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个泳道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个泳道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合;
步骤三,格拉布斯预处理
传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个传感器节点,传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
根据顺序统计原理,计算格拉布斯统计量:
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合;
步骤四,自适应聚合算法
通过迭代得到各个节点测量数据的无偏估计值,求取各个传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
某个簇中有个传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
其中wi为相应的权值;
DSP处理器的处理方法包括:步骤S1,初拟关键指标集合;
步骤S2,精炼同层指标和计算权重;
步骤S3,计算跨层指标权重;
所述步骤S1中初拟关键指标集合的过程为:在具有N个专家参与系统评估的场景中,专家i给出的指标类型为:
其中,Ni是一个多指标的集合,指专家i给出的指标j的权重,表示指标类型个数,表示指标类型个数,M表示最多指标数量,N个专家形成该系统的总的指标集合为N'={Ni,i=1,...,N};
所述步骤S2中精炼同层指标和计算权重的过程为:在具有N个专家参与系统评估的场景中,根据所述N个专家形成的系统的总的指标集合为N'={Ni,i=1,...,N},求解公共的关键指标类型和相应指标的权重,其中精炼后的指标类型记作N0,则其中表示N个专家给出的指标类型Ni,i=1,...,N的交集;精炼后的关键指标的权重向量采用平均法计算,即其中表示第j个被加入到精炼后指标集合N0中的指标元素的权重;
所述步骤S3中计算跨层指标权重的步骤为:高层相对于其紧邻低层实现指标权重加权计算,更高层在相对高层进一步实现指标权重加权计算;其具体计算公式为其中为高层指标的真实权重,为高层基于专家系统确定的权重,λj是与决定高层指标的低层指标集合相关的量,
所述步骤S1中初拟关键指标集合是指选取关键效能指标,并确定指标集;
所述步骤S2中精炼同层指标和计算权重是指构建效能指标相对于整体效能的权重因子;
所述步骤S3中计算跨层指标权重是指形成具有加权权重的整体效能评估函数。
进一步,所述切片模块是基于STL文件切片模块,用于将3D模型进行分层,输出矢量集合。
进一步,所述工艺规划模块具有打印控制方式,打印方向控制等功能。
进一步,所述信息采集模块用于采集打印机主机视频和故障信息。
本发明的优点及积极效果为:本发明3D打印机系统功能较为全面,可以利用计算机实现控制3D打印机进行3D打印的功能,也可以实时监控打印机的工作状态。
本发明通过初拟关键指标集合、精炼同层指标和计算权重、计算跨层指标权重三个步骤,提供了一种面向网络整体效能的指标体系构建方法,其从多层次、多方面选取效能指标对网络整体效能进行评估,较好地反映了系统整体效能;在选择关键指标时综合考虑底层指标对于上层指标的影响和其与同层指标重要程度,指标集大大缩减为关键指标,简化了理论解析和对具体评估过程的运算,实时性更强,网络整体效能的评估更准确。可得到准确的参数。
附图说明
图1是本发明实施提供的3D打印机系统结构示意图;
图中:1、计算机;2、DSP处理器;3、数据处理模块;4、切片模块;5、工艺规划模块;6、信息采集模块;7、打印机主机。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
本发明提供一种3D打印机系统,包括由计算机1、DSP处理器2、数据处理模块3、切片模块4、工艺规划模块5、信息采集模块6、打印机主机7。
所述计算机1与DSP处理器2相连接,用于向DSP处理器2传递打印参数信息和接收来自DSP处理器2对打印成型情况进行监控并接收运动参数的反馈;
所述DSP处理器2与数据处理模块3相连接;
所述数据处理模块3与切片模块4、工艺规划模块5、信息采集模块6相连接;
数据聚合方法的步骤如下:
步骤一,在面积为S=L*L的部署区域内,随机分布N个同构的无线传感器节点,sink节点位于部署区域之外,节点处理整个无线传感器网络内收集到的数据;
步骤二,非均匀成簇
sink节点位于部署区域的上方;首先部署区域X轴划分为S个泳道,所有泳道有相同的宽度w,并且每个泳道的长度与部署区域的长度相等;用从1到s作为泳道的ID,最左端的泳道的ID为1,然后每个泳道沿着y轴划分为多个矩形网格,每个泳道中的每个网格都被定义一个水平,最下端的网格的水平为1,每个网格和每个泳道有相同的宽度w;每个泳道中网格的个数、长度与泳道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的泳道,距离sink越远的泳道含有的网格数目越小;针对同一泳道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个泳道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个泳道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个泳道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合;
步骤三,格拉布斯预处理
传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个传感器节点,传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
vi=xi-x0,
根据顺序统计原理,计算格拉布斯统计量:
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合;
步骤四,自适应聚合算法
通过迭代得到各个节点测量数据的无偏估计值,求取各个传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
某个簇中有个传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
其中wi为相应的权值;
所述切片模块4、工艺规划模块5、信息采集模块6与打印机主机7相连接。
所述切片模块3是基于STL文件切片模块,用于将3D模型进行分层,输出矢量集合。
所述工艺规划模块4具有打印控制方式,打印方向控制等功能。
所述信息采集模块5用于采集打印机主机7视频和运动参数。
DSP处理器的处理方法包括:步骤S1,初拟关键指标集合;
步骤S2,精炼同层指标和计算权重;
步骤S3,计算跨层指标权重;
所述步骤S1中初拟关键指标集合的过程为:在具有N个专家参与系统评估的场景中,专家i给出的指标类型为:
其中,Ni是一个多指标的集合,指专家i给出的指标j的权重,表示指标类型个数,表示指标类型个数,M表示最多指标数量,N个专家形成该系统的总的指标集合为N'={Ni,i=1,...,N};
所述步骤S2中精炼同层指标和计算权重的过程为:在具有N个专家参与系统评估的场景中,根据所述N个专家形成的系统的总的指标集合为N'={Ni,i=1,...,N},求解公共的关键指标类型和相应指标的权重,其中精炼后的指标类型记作N0,则其中表示N个专家给出的指标类型Ni,i=1,...,N的交集;精炼后的关键指标的权重向量采用平均法计算,即其中表示第j个被加入到精炼后指标集合N0中的指标元素的权重;
所述步骤S3中计算跨层指标权重的步骤为:高层相对于其紧邻低层实现指标权重加权计算,更高层在相对高层进一步实现指标权重加权计算;其具体计算公式为其中为高层指标的真实权重,为高层基于专家系统确定的权重,λj是与决定高层指标的低层指标集合相关的量,
所述步骤S1中初拟关键指标集合是指选取关键效能指标,并确定指标集;
所述步骤S2中精炼同层指标和计算权重是指构建效能指标相对于整体效能的权重因子;
所述步骤S3中计算跨层指标权重是指形成具有加权权重的整体效能评估函数。
本发明的工作原理:计算机1用于向DSP处理器2传递打印参数信息和接收来自DSP处理器2对打印成型情况进行监控并接收运动参数的反馈,DSP处理器2通过接收计算机1的打印参数进而通过数据处理模块将数据处理,进而通过切片模块4、工艺规划模块5控制打印机主机7,同时利用信息采集模块5用于采集打印机主机7视频和运动参数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种3D打印机系统,其特征在于,该3D打印机系统包括计算机、DSP处理器、数据处理模块、切片模块、工艺规划模块、信息采集模块、打印机主机;
所述计算机与DSP处理器相连接,用于向DSP处理器传递打印参数信息和接收来自DSP处理器对打印成型情况进行监控并接收运动参数的反馈;
所述DSP处理器与数据处理模块相连接;
所述数据处理模块与切片模块、工艺规划模块、信息采集模块相连接;
所述数据处理模块的数据聚合方法的步骤如下:
步骤一,在面积为S=L*L的部署区域内,随机分布N个同构的无线传感器节点,sink节点位于部署区域之外,节点处理整个无线传感器网络内收集到的数据;
步骤二,非均匀成簇
sink节点位于部署区域的上方;首先部署区域X轴划分为S个泳道,所有泳道有相同的宽度w,并且每个泳道的长度与部署区域的长度相等;用从1到s作为泳道的ID,最左端的泳道的ID为1,然后每个泳道沿着y轴划分为多个矩形网格,每个泳道中的每个网格都被定义一个水平,最下端的网格的水平为1,每个网格和每个泳道有相同的宽度w;每个泳道中网格的个数、长度与泳道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的泳道,距离sink越远的泳道含有的网格数目越小;针对同一泳道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个泳道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个泳道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个泳道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
<mrow>
<mi>o</mi>
<mo>_</mo>
<mi>y</mi>
<mo>+</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>&le;</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>h</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo><</mo>
<mi>y</mi>
<mo>&le;</mo>
<mi>o</mi>
<mo>_</mo>
<mi>y</mi>
<mo>+</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>&le;</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>h</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合;
步骤三,格拉布斯预处理
传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个传感器节点,传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&delta;</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
根据顺序统计原理,计算格拉布斯统计量:
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mrow>
<mi>&delta;</mi>
</mfrac>
<mo>;</mo>
</mrow>
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合;
步骤四,自适应聚合算法
通过迭代得到各个节点测量数据的无偏估计值,求取各个传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
某个簇中有个传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
<mo>;</mo>
</mrow>
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中wi为相应的权值;
所述切片模块、工艺规划模块、信息采集模块与打印机主机相连接;
DSP处理器的处理方法包括:
步骤S1,初拟关键指标集合;
步骤S2,精炼同层指标和计算权重;
步骤S3,计算跨层指标权重;
所述步骤S1中初拟关键指标集合的过程为:在具有N个专家参与系统评估的场景中,专家i给出的指标类型为:
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中,Ni是一个多指标的集合,指专家i给出的指标j的权重,表示指标类型个数,表示指标类型个数,M表示最多指标数量,N个专家形成该系统的总的指标集合为N'={Ni,i=1,...,N};
所述步骤S2中精炼同层指标和计算权重的过程为:在具有N个专家参与系统评估的场景中,根据所述N个专家形成的系统的总的指标集合为N'={Ni,i=1,...,N},求解公共的关键指标类型和相应指标的权重,其中精炼后的指标类型记作N0,则其中表示N个专家给出的指标类型Ni,i=1,...,N的交集;精炼后的关键指标的权重向量采用平均法计算,即其中表示第j个被加入到精炼后指标集合N0中的指标元素的权重;
所述步骤S3中计算跨层指标权重的步骤为:高层相对于其紧邻低层实现指标权重加权计算,更高层在相对高层进一步实现指标权重加权计算;其具体计算公式为其中为高层指标的真实权重,为高层基于专家系统确定的权重,λj是与决定高层指标的低层指标集合相关的量,
所述步骤S1中初拟关键指标集合是指选取关键效能指标,并确定指标集;
所述步骤S2中精炼同层指标和计算权重是指构建效能指标相对于整体效能的权重因子;
所述步骤S3中计算跨层指标权重是指形成具有加权权重的整体效能评估函数。
2.如权利要求1所述3D打印机系统,其特征在于,所述切片模块是基于STL文件切片模块,用于将3D模型进行分层,输出矢量集合。
3.如权利要求1所述3D打印机系统,其特征在于,所述工艺规划模块具有打印控制方式,打印方向控制功能。
4.如权利要求1所述3D打印机系统,其特征在于,所述信息采集模块用于采集打印机主机视频和故障信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114275.6A CN108115941A (zh) | 2018-02-05 | 2018-02-05 | 一种3d打印机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114275.6A CN108115941A (zh) | 2018-02-05 | 2018-02-05 | 一种3d打印机系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108115941A true CN108115941A (zh) | 2018-06-05 |
Family
ID=62234385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810114275.6A Pending CN108115941A (zh) | 2018-02-05 | 2018-02-05 | 一种3d打印机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108115941A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021221615A1 (en) * | 2020-04-28 | 2021-11-04 | Hewlett-Packard Development Company, L.P. | Evaluating dimensional accuracy based on weighting factors |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598739A (zh) * | 2015-01-26 | 2015-05-06 | 西安电子科技大学 | 一种面向网络整体效能的指标体系构建方法 |
CN104618997A (zh) * | 2015-01-28 | 2015-05-13 | 西安电子科技大学 | 一种基于非均匀网格的数据聚合方法 |
CN105082533A (zh) * | 2014-05-12 | 2015-11-25 | 三纬国际立体列印科技股份有限公司 | 检测成型材特性的方法与立体打印装置 |
CN105619818A (zh) * | 2015-12-31 | 2016-06-01 | 浙江大学 | 基于声发射的熔融沉积成型3d打印监控系统 |
CN105619822A (zh) * | 2016-03-15 | 2016-06-01 | 东华大学 | 一种3d打印机运动控制系统及方法 |
CN105711085A (zh) * | 2014-09-08 | 2016-06-29 | 三纬国际立体列印科技股份有限公司 | 三维系统的材料检测装置 |
CN208216029U (zh) * | 2018-02-05 | 2018-12-11 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种3d打印机系统 |
-
2018
- 2018-02-05 CN CN201810114275.6A patent/CN108115941A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105082533A (zh) * | 2014-05-12 | 2015-11-25 | 三纬国际立体列印科技股份有限公司 | 检测成型材特性的方法与立体打印装置 |
CN105711085A (zh) * | 2014-09-08 | 2016-06-29 | 三纬国际立体列印科技股份有限公司 | 三维系统的材料检测装置 |
CN104598739A (zh) * | 2015-01-26 | 2015-05-06 | 西安电子科技大学 | 一种面向网络整体效能的指标体系构建方法 |
CN104618997A (zh) * | 2015-01-28 | 2015-05-13 | 西安电子科技大学 | 一种基于非均匀网格的数据聚合方法 |
CN105619818A (zh) * | 2015-12-31 | 2016-06-01 | 浙江大学 | 基于声发射的熔融沉积成型3d打印监控系统 |
CN105619822A (zh) * | 2016-03-15 | 2016-06-01 | 东华大学 | 一种3d打印机运动控制系统及方法 |
CN208216029U (zh) * | 2018-02-05 | 2018-12-11 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种3d打印机系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021221615A1 (en) * | 2020-04-28 | 2021-11-04 | Hewlett-Packard Development Company, L.P. | Evaluating dimensional accuracy based on weighting factors |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104618997B (zh) | 一种基于非均匀网格的数据聚合方法 | |
Rijnsdorp et al. | Modelling the spatial dynamics and fisheries of North Sea plaice (Pleuronectes platessa L.) based on tagging data | |
CN104657744B (zh) | 一种基于非确定主动学习的多分类器训练方法及分类方法 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN105722091B (zh) | 无线可充电传感网络的定向充电基站部署方法 | |
CN108346293A (zh) | 一种实时交通流短时预测方法 | |
CN103679285A (zh) | 改善江湖关系的水库群联合运行调度系统及方法 | |
Chang et al. | Enforced self‐organizing map neural networks for river flood forecasting | |
CN101866490B (zh) | 基于差分免疫克隆聚类的图像分割方法 | |
CN107958106B (zh) | 一种圆形口径平面阵列天线的方向图数值优化方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN103927551A (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
CN110442994A (zh) | 一种基于图论的3d打印切片处理方法 | |
CN108115941A (zh) | 一种3d打印机系统 | |
CN104598739A (zh) | 一种面向网络整体效能的指标体系构建方法 | |
CN107248029A (zh) | 一种土地利用结构优化的多目标改进差分进化模型 | |
CN100555326C (zh) | 一种尺度自适应的图像分割方法 | |
CN105023011A (zh) | 一种基于hmm的农作物物候动态估计方法 | |
CN108984985A (zh) | 基于神经网络的天线结构设计方法 | |
CN110428614A (zh) | 一种基于非负张量分解的交通拥堵热度时空预测方法 | |
CN106651011A (zh) | 一种基于粒子群算法的渠系优化配水方法 | |
CN105208120A (zh) | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 | |
CN102289533A (zh) | 一种基于几何规划的大规模集成电路回归测试管理方法 | |
CN109034462A (zh) | 玉米群体种植结构优化方法及装置 | |
CN108471602A (zh) | 一种实时土壤环境质量评价系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |