CN109968671B - 3d打印过程故障诊断方法和装置 - Google Patents
3d打印过程故障诊断方法和装置 Download PDFInfo
- Publication number
- CN109968671B CN109968671B CN201910211558.7A CN201910211558A CN109968671B CN 109968671 B CN109968671 B CN 109968671B CN 201910211558 A CN201910211558 A CN 201910211558A CN 109968671 B CN109968671 B CN 109968671B
- Authority
- CN
- China
- Prior art keywords
- printing
- layer
- classifier
- training
- temperature
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明公开了一种3D打印过程故障诊断方法和装置,属于3D打印领域。该方法包括:在工件逐层打印过程中,实时获取当前层的温度参数并输入到分类器模型;分类器模型输出表示当前层打印类型的分类结果,打印类型表征打印是否故障以及打印故障类型。分类器模型的训练方法为:构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数和打印类型;使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练。本发明实现了对3D故障诊断和工件质量实时监测与反馈控制,通过工件出现的故障能够推知并及时发现在打印过程中打印设备可能出现的故障,对打印过程参数进行实时反馈调节,达到提高打印质量、减少成本损失的目的。
Description
技术领域
本发明涉及3D打印领域,特别是指一种3D打印过程故障诊断方法和装置。
背景技术
3D打印是成型技术的一种,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。3D打印存在着许多不同的技术。它们的不同之处在于以可用的材料的方式,并以不同层构建创建部件。3D打印常用材料有尼龙玻纤、耐用性尼龙材料、石膏材料、铝材料、钛合金、不锈钢、镀银、镀金、橡胶类材料。
以FDM(Fused Deposition Modeling,工艺熔融沉积制造)为例,其是一种3D打印工艺。FDM的材料一般是热塑性材料,如蜡、ABS、尼龙等,以丝状供料。材料在喷头内被加热熔化。喷头沿零件截面轮廓和填充轨迹运动,同时将熔化的材料挤出,材料迅速凝固,并与周围的材料凝结。FDM打印技术具有制造过程无需实物模型,产品研制周期短,生产率高的特点。
然而,3D打印技术成型原理还不完善,其打印生成的零件精度、物理性能及化学性能大多不能满足工程实际的使用要求,限制了其在实际应用中的价值。打印过程的监测与反馈控制可以监测打印过程的故障,提高FDM打印的精度。
中国专利文献CN 107097407A公开了一种智能监控3D打印的喷头工作状态的方法,通过喷头监测回路实时监测打印过程,智能监控喷头出料情况。该方法虽能监测打印喷头的出料情况,但是无法更具体地监测打印情况。在现实打印情况中,打印失败的原因往往不仅仅是喷头无法出料。也就是说,该方法无法在打印喷头正常出料但是工件打印失败的情况下给出反馈和响应。
中国专利文献CN 105181375A公开了一种基于温度的3D打印机故障检测方法。通过采集到的温度与预设的阈值的关系判断3D打印机是否处于故障状态。该技术针对精密控制场合,对于参数设定的要求较为严格。预设阈值往往需要结合特定的设备仪器和使用环境场合,反过来不同的设备仪器和使用环境场合也会影响阈值的设定。因此,该方法不能很好地适应多种情况,泛化性弱。
发明内容
为解决上述技术问题,本发明提供一种3D打印过程故障诊断方法和装置,本发明实现对3D故障诊断和工件质量实时监测与反馈控制,通过工件出现的故障能够推知并及时发现在打印过程中打印设备可能出现的故障,对打印过程参数进行实时反馈调节,达到提高打印质量、减少成本损失的目的。
本发明提供技术方案如下:
一种3D打印过程故障诊断方法,所述方法包括:
在工件逐层打印过程中,实时获取当前层的温度参数;
将当前层的温度参数输入到预先训练好的分类器模型;
分类器模型根据输入的当前层的温度参数得到表示当前层打印类型的分类结果,所述打印类型表征打印是否故障以及打印故障类型;
其中,所述分类器模型通过如下方法训练得到:
构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数,并获取每个训练工件逐层打印时各个层的打印类型;
使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练。
进一步的,所述在工件逐层打印过程中,实时获取当前层的温度参数之后,所述将当前层的温度参数输入到预先训练好的分类器之前还包括:
将当前层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器的输入。
进一步的,所述打印类型包括打印正常、填充不足、翘曲和严重故障。
进一步的,所述分类器模型包括第一级分类器和第二级分类器,其中:
所述第一级分类器包括一个用于区分打印正常和打印故障的SVM分类器;
所述第二级分类器用于将打印故障的情况分类为填充不足、翘曲和严重故障三种故障类型,所述第二级分类器包括第一SVM分类器、第二SVM分类器和第三SVM分类器;
所述第一SVM分类器用于对填充不足和翘曲进行投票,所述第二SVM分类器用于对填充不足和严重故障进行投票,所述第三SVM分类器用于对翘曲和严重故障进行投票;填充不足、翘曲和严重故障被投票最多的一个即为分类得到的故障类型。
进一步的,所述温度参数包括一层上各个点的最高温度、最低温度、平均温度和温度极差。
进一步的,所述训练集包括多种基本形状的训练工件,每种基本形状的训练工件有多个。
一种3D打印过程故障诊断装置,所述装置包括:
获取模块,用于在工件逐层打印过程中,实时获取当前层的温度参数;
输入模块,用于将当前层的温度参数输入到预先训练好的分类器模型;
分类模块,用于分类器模型根据输入的当前层的温度参数得到表示当前层打印类型的分类结果,所述打印类型表征打印是否故障以及打印故障类型;
其中,所述分类器模型通过如下模块训练得到:
构建模块,用于构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数,并获取每个训练工件逐层打印时各个层的打印类型;
训练模块,用于使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练。
进一步的,所述装置还包括:
预处理模块,用于将当前层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器的输入。
进一步的,所述打印类型包括打印正常、填充不足、翘曲和严重故障;
所述分类器模型包括第一级分类器和第二级分类器,其中:
所述第一级分类器包括一个用于区分打印正常和打印故障的SVM分类器;
所述第二级分类器用于将打印故障的情况分类为填充不足、翘曲和严重故障三种故障类型,所述第二级分类器包括第一SVM分类器、第二SVM分类器和第三SVM分类器;
所述第一SVM分类器用于对填充不足和翘曲进行投票,所述第二SVM分类器用于对填充不足和严重故障进行投票,所述第三SVM分类器用于对翘曲和严重故障进行投票;填充不足、翘曲和严重故障被投票最多的一个即为分类得到的故障类型。
进一步的,所述温度参数包括一层上各个点的最高温度、最低温度、平均温度和温度极差,所述训练集包括多种基本形状的训练工件,每种基本形状的训练工件有多个。
本发明具有以下有益效果:
本发明结合人工智能领域的机器学习算法,实现对3D故障诊断和工件质量实时监测与反馈控制,从根本上解决了3D工件精度低的问题,通过工件出现的故障能够推知并及时发现在打印过程中打印设备可能出现的故障,对打印过程参数进行实时反馈调节,达到提高打印质量、减少成本损失的目的。
附图说明
图1为本发明的3D打印过程故障诊断方法流程图;
图2为本发明的试验示例的打印模型示意图;
图3为本发明的3D打印过程故障诊断装置一个实施方式的示意图;
图4为本发明的3D打印过程故障诊断装置另一个实施方式的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
一方面,本发明实施例提供一种3D打印过程故障诊断方法,如图1所示,该方法包括:
步骤S100:在工件逐层打印过程中,实时获取当前层的温度参数。
本步骤优选通过使用红外热相仪获取当前层的各个测量点的温度,然后根据这些测量点的温度得到当前层的温度参数。温度参数可以是一个温度值,也可以是多个温度值组成的向量。
步骤S200:将当前层的温度参数输入到预先训练好的分类器模型。
步骤S300:分类器模型根据输入的当前层的温度参数得到表示当前层打印类型的分类结果,打印类型表征打印是否故障以及打印故障类型。
其中,分类器模型通过如下方法训练得到:
步骤S100’:构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数,并获取每个训练工件逐层打印时各个层的打印类型。
步骤S200’:使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练。
本发明使用多个训练工件对分类器模型进行学习训练,通过机器学习的方法建立分类器模型。训练完毕后,实时获取当前打印层的温度参数,并通过训练后的分类器进行分类。本发明可以实时监测打印是否正常,并且区分出打印故障的类型,及时识别和预测3D打印制造过程中可能出现的打印故障情况,能够较大程度上避免打印失败的情况,从而避免了成本的浪费。实时、智能的监测机制避免了人力浪费,“质量监控无人化”在解放了一部分劳动力的同时提高了判断和预测的准确性。并且本发明可以根据分类得到的打印故障类型配合自动化技术,做到对打印过程参数的实时反馈调节,提高工件的打印质量。本发明的分类器模型具备学习能力,可以根据输入数据和输出之间的关系训练和改进内部参数,预测未经学习的输入数据对应的输出结果。避免了依靠大量实验而研究内在规律的方法,可以适用于设备仪器和使用环境场合,泛化性强。
综上所述,本发明结合人工智能领域的机器学习算法,实现对3D故障诊断和工件质量实时监测与反馈控制,从根本上解决了3D工件精度低的问题,通过工件出现的故障能够推知并及时发现在打印过程中打印设备可能出现的故障,对打印过程参数进行实时反馈调节,达到提高打印质量、减少成本损失的目的。
作为本发明的一种改进,步骤S100之后,步骤S200之前还包括:
步骤S110:将当前层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器的输入。
由于温度场受到诸多条件的影响,在不同工件的打印过程中往往不同,但是变化规律往往类似,因此本发明将打印工件第一层的温度参数的作为基准,在实时获取当前层的温度参数后,减去第一层的相应温度参数,得到一组新的温度参数并用作模型的输入数据。同理,在模型训练时,各个层的温度参数也做相同的处理。
本发明中,打印类型可以包括打印正常、填充不足、翘曲和严重故障。填充不足和翘曲是3D打印比较常见的故障,严重故障主要是出丝不畅(因为此时温度较低引起)等原因导致的无法继续打印,或者即使可以继续打印的,但是打印出来的工件一般改变了原先的既定性形状。
本发明的分类器模型可以有多种形式,优选的,针对前述的打印正常、填充不足、翘曲和严重故障四种打印类型,分类器模型包括第一级分类器和第二级分类器,其中:
第一级分类器包括一个用于区分打印正常和打印故障的SVM分类器。若第一级分类器的分类结果是打印正常,则直接作为最终输出;若分类结果为异常打印,则输入第二级分类器进一步分类。
第二级分类器用于将打印故障的情况分类为填充不足、翘曲和严重故障三种故障类型,第二级分类器包括第一SVM分类器、第二SVM分类器和第三SVM分类器。
第一SVM分类器用于对填充不足和翘曲进行投票,第二SVM分类器用于对填充不足和严重故障进行投票,第三SVM分类器用于对翘曲和严重故障进行投票;填充不足、翘曲和严重故障被投票最多的一个即为分类得到的故障类型。
针对异常打印情况,需要进一步诊断其故障类型(填充不足、翘曲、严重故障)。因此,这是一个多分类问题。对此,本发明采用一对一法,设计3个SVM分类器,每个SVM分类器实现3个故障类型中的某2个类型的分类。
作为本发明的一种优选实施方式,为了尽可能反映打印工件的当前打印情况,选择在工件每层打印结束时刻的4个温度值作为温度参数。温度参数包括一层上各个点的最高温度、最低温度、平均温度和温度极差。
最低温度是指测量表面上各个温度测量点中的最低温度。该值通常对应于每层的起始打印点,最低温度主要受环境温度和喷嘴温度的影响。如公式(1)所示。
Tmin=min(Tjq) (1)
其中,j和q分别为温度测量表面上的横、纵坐标,Tjq为(j,q)点的温度值。
最高温度是指测量表面上各个温度测量点中的最高温度。该值通常对应于每层的打印结束点,最高温度主要受喷嘴温度的影响,如公式(2)所示。
Tmax=max(Tjq) (2)
平均温度是测量表面上各个温度测量点的温度平均值,平均温度可以有多种计算方式,例如将所有温度测量点的温度加和平均,又例如,可以使用最高温度和最低温度的平均温度值来简单的计算,它在一定程度上反映了整个温度场的平均水平,如公式(3)所示。
温度极差为测量表面上温度的最大值和最小值之间的差值,其产生原因主要是由于环境的冷却效应。因此,温度极差主要揭示了环境温度对打印中不同阶段的影响,如公式(4)所示。
Tf=Tmax-Tmin (4)
由于模型的建立需要通过数据驱动的方式完成,即通过学习已有的数据样本并寻找内在规律,以实现泛化。然而,针对不同的打印仪器、打印环境以及所用的打印材料,打印故障产生的条件往往不同。因此,本发明使用基本形状的训练工件作为训练集,每种基本形状的训练工件有多个。由于工件都是由基本形状组合而成的,因此模型具有很好的泛化能力。
下面以一个具体的试验示例对本发明进行阐述,本试验示例采用的3D打印方法为FDM:
1、试验数据采集。
本试验示例设计了7个普适的打印模型(如图2所示)并提取其打印过程中各个层的温度参数,获取各个层的打印类型,以建立针对该特定打印情况的监测模型。7个打印模型分别以d14h20、d20h20、k20h20、d24h20、c16h20、c20h20、d16h20表示,分别代表图2中对应形状与尺寸的打印模型。
打印时,每个工件拟打印80层,每层0.25mm厚度,可能因为打印严重故障而提前终止打印。为获取产品表面每一层温度参数在一定时间内的变化值,本试验将非正常打印的喷嘴温度在打印过程中由220℃逐渐降至180℃。在打印过程中提取每一层表面的温度参数,并记录每一个工件的每层获得的四个打印特征参数,可以将温度参数表示为向量形式作为输入,如公式(5)所示。
其中,k为工件的编号,i为工件的层数序号。M为打印工件的总数量,N为对应工件的打印总层数。因此温度参数Tk(i)min,Tk(i)max,Tk(i)mean和Tk(i)f分别指第k个工件的第i层的温度最小值、温度最大值、温度平均值、温度极差。以Dk(i)表示在Tk(i)min,Tk(i)max,Tk(i)mean和Tk(i)f温度参数下的第k个工件的第i层的工件打印类型,Dk(i)={打印正常,填充不足,翘曲,严重故障}。
针对第k个打印工件的第i层的打印类型可以表示为Sk(i),用有序数列表示不同的打印类型,其对应关系如表1所示。
表1打印类型-分类对照表
2、数据预处理。
由于温度场受到诸多条件的影响,在在不同工件的打印过程中往往不同,但是变化规律往往类似,因此有必要在SVM训练之前对每组的样品进行预处理。将每个打印工件第一层的温度参数作为基准,使每层FDM部件的温度参数减去第一层的相应温度参数,得到一组新的温度参数并用作模型的输入数据。公式如(6)-(9)所示。
T′k(i)min=Tk(i)min-Tk(1)min (6)
T′k(i)max=Tk(i)max-Tk(1)max (7)
T′k(i)mean=Tk(i)mean-Tk(1)mean (8)
T′k(i)f=Tk(i)f-Tk(1)f(9)
3、划分训练集和测试集。
考虑到工件d16h20由曲面回转面构成,内部为六棱柱通孔,即概括了工件1-6的基本形状,又有一定的不同。因此,将d16h20选择为测试集,可以更好地测试模型的泛化能力。训练集和测试集如表2所示。
表2训练集和测试集分类结果
4、模型的建立和训练。
将通过训练集采集得到的温度和打印类型输入FDM打印过程监测模型进行训练,该模型一共可以分为两个阶段:
在第一阶段,构造一个SVM分类器,用于正常打印和异常打印情况的学习和分类,其输出结果为正常打印或异常打印。若第一阶段的诊断结果是正常打印,则直接最为最终输出;若为异常打印,则输入第二阶段的FDM打印过程监测模型。
在第二阶段,针对异常打印情况,需要进一步诊断其故障类型(填充不足、翘曲、严重故障)。因此,这是一个多分类问题。对此,本发明采用一对一法,设计3个SVM分类器,每个SVM分类器实现3个故障类型中的某2个类型的分类(详见表3)。
表3一对一分类
通过投票策略(Max-in-Vote)实现多分类,即,针对一个样本,每个分类器分别对其负责的两类进行投票,最终得票最多的一类即为该样本的最终分类。将填充不足、翘曲和严重故障的得票数记为A、B、C,则投票策略可以描述如下:
初值A=B=C=0;
(填充不足,翘曲)-SVM1:如果分为“填充不足”类,则A=A+1;否则,B=B+1;
(填充不足,严重故障)-SVM2:如果分为“填充不足”类,则A=A+1;否则,C=C+1;
(翘曲,严重故障)-SVM3:如果分为“翘曲”类,则B=B+1;否则,C=C+1;
最终的诊断结果是Max(A,B,C)对应的故障类型。
训练完毕后,通过测试集d16h20对监测模型进行测试和调参,以实现精度较高的诊断结果。将该模型用于FDM打印过程中的实时监测,一方面可以实时反馈调整温度参数,实现对工件打印质量的实时控制和出现异常打印情况下的实时调整;另一方面,通过工件的打印情况反映FDM打印设备的运行情况,做到及时发现设备的故障并及时停止。
另一方面,本发明实施例提供一种3D打印过程故障诊断装置,如图3所示,该装置包括:
获取模块10,用于在工件逐层打印过程中,实时获取当前层的温度参数。
输入模块20,用于将当前层的温度参数输入到预先训练好的分类器模型。
分类模块30,用于分类器模型根据输入的当前层的温度参数得到表示当前层打印类型的分类结果,打印类型表征打印是否故障以及打印故障类型。
其中,分类器模型通过如下模块训练得到:
构建模块10’,用于构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数,并获取每个训练工件逐层打印时各个层的打印类型。
训练模块20’,用于使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练。
本发明结合人工智能领域的机器学习算法,实现对3D故障诊断和工件质量实时监测与反馈控制,从根本上解决了3D工件精度低的问题,通过工件出现的故障能够推知并及时发现在打印过程中打印设备可能出现的故障,对打印过程参数进行实时反馈调节,达到提高打印质量、减少成本损失的目的。
作为本发明的一种改进,如图4所示,该装置还包括:
预处理模块11,用于将当前层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器的输入。
作为本发明的一种优选实施方式,打印类型包括打印正常、填充不足、翘曲和严重故障。
分类器模型包括第一级分类器和第二级分类器,其中:
第一级分类器包括一个用于区分打印正常和打印故障的SVM分类器。
第二级分类器用于将打印故障的情况分类为填充不足、翘曲和严重故障三种故障类型,第二级分类器包括第一SVM分类器、第二SVM分类器和第三SVM分类器。
第一SVM分类器用于对填充不足和翘曲进行投票,第二SVM分类器用于对填充不足和严重故障进行投票,第三SVM分类器用于对翘曲和严重故障进行投票;填充不足、翘曲和严重故障被投票最多的一个即为分类得到的故障类型。
进一步的,温度参数包括一层上各个点的最高温度、最低温度、平均温度和温度极差,训练集包括多种基本形状的训练工件,每种基本形状的训练工件有多个。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种3D打印过程故障诊断方法,其特征在于,所述方法包括:
在工件逐层打印过程中,实时获取当前层的温度参数;
将当前层的温度参数输入到预先训练好的分类器模型;
分类器模型根据输入的当前层的温度参数得到表示当前层打印类型的分类结果,所述打印类型表征打印是否故障以及打印故障类型;
其中,所述分类器模型通过如下方法训练得到:
构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数,并获取每个训练工件逐层打印时各个层的打印类型;
使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练;
所述在工件逐层打印过程中,实时获取当前层的温度参数之后,所述将当前层的温度参数输入到预先训练好的分类器之前还包括:
将当前层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器模型的输入;
在分类器模型训练时,将各个层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器模型的输入。
2.根据权利要求1所述的3D打印过程故障诊断方法,其特征在于,所述打印类型包括打印正常、填充不足、翘曲和严重故障。
3.根据权利要求2所述的3D打印过程故障诊断方法,其特征在于,所述分类器模型包括第一级分类器和第二级分类器,其中:
所述第一级分类器包括一个用于区分打印正常和打印故障的SVM分类器;
所述第二级分类器用于将打印故障的情况分类为填充不足、翘曲和严重故障三种故障类型,所述第二级分类器包括第一SVM分类器、第二SVM分类器和第三SVM分类器;
所述第一SVM分类器用于对填充不足和翘曲进行投票,所述第二SVM分类器用于对填充不足和严重故障进行投票,所述第三SVM分类器用于对翘曲和严重故障进行投票;填充不足、翘曲和严重故障被投票最多的一个即为分类得到的故障类型。
4.根据权利要求1-3任一所述的3D打印过程故障诊断方法,其特征在于,所述温度参数包括一层上各个点的最高温度、最低温度、平均温度和温度极差。
5.根据权利要求4所述的3D打印过程故障诊断方法,其特征在于,所述训练集包括多种基本形状的训练工件,每种基本形状的训练工件有多个。
6.一种3D打印过程故障诊断装置,其特征在于,所述装置包括:
获取模块,用于在工件逐层打印过程中,实时获取当前层的温度参数;
输入模块,用于将当前层的温度参数输入到预先训练好的分类器模型;
分类模块,用于分类器模型根据输入的当前层的温度参数得到表示当前层打印类型的分类结果,所述打印类型表征打印是否故障以及打印故障类型;
其中,所述分类器模型通过如下模块训练得到:
构建模块,用于构建包括多个训练工件的训练集,获取每个训练工件逐层打印时各个层的温度参数,并获取每个训练工件逐层打印时各个层的打印类型;
训练模块,用于使用所有训练工件各个层的温度参数和打印类型对分类器模型进行训练;
所述装置还包括:
预处理模块,用于将当前层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器模型的输入;
在分类器模型训练时,将各个层的温度参数减去第一层的温度参数,将得到的新的温度参数作为分类器模型的输入。
7.根据权利要求6所述的3D打印过程故障诊断装置,其特征在于,所述打印类型包括打印正常、填充不足、翘曲和严重故障;
所述分类器模型包括第一级分类器和第二级分类器,其中:
所述第一级分类器包括一个用于区分打印正常和打印故障的SVM分类器;
所述第二级分类器用于将打印故障的情况分类为填充不足、翘曲和严重故障三种故障类型,所述第二级分类器包括第一SVM分类器、第二SVM分类器和第三SVM分类器;
所述第一SVM分类器用于对填充不足和翘曲进行投票,所述第二SVM分类器用于对填充不足和严重故障进行投票,所述第三SVM分类器用于对翘曲和严重故障进行投票;填充不足、翘曲和严重故障被投票最多的一个即为分类得到的故障类型。
8.根据权利要求6或7所述的3D打印过程故障诊断装置,其特征在于,所述温度参数包括一层上各个点的最高温度、最低温度、平均温度和温度极差,所述训练集包括多种基本形状的训练工件,每种基本形状的训练工件有多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211558.7A CN109968671B (zh) | 2019-03-20 | 2019-03-20 | 3d打印过程故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211558.7A CN109968671B (zh) | 2019-03-20 | 2019-03-20 | 3d打印过程故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109968671A CN109968671A (zh) | 2019-07-05 |
CN109968671B true CN109968671B (zh) | 2020-07-10 |
Family
ID=67079618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211558.7A Active CN109968671B (zh) | 2019-03-20 | 2019-03-20 | 3d打印过程故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109968671B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110370649B (zh) | 2019-07-11 | 2021-05-11 | 中国科学院自动化研究所 | 3d打印设备的在线监测装置、系统 |
CN110398375B (zh) * | 2019-07-16 | 2021-10-19 | 广州亚美信息科技有限公司 | 车辆冷却系统工作状态的监测方法、装置、设备和介质 |
CN110942150A (zh) * | 2019-11-09 | 2020-03-31 | 上海航天设备制造总厂有限公司 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
CN111674048B (zh) * | 2020-05-13 | 2022-05-06 | 广东工业大学 | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 |
CN112129869B (zh) * | 2020-09-23 | 2022-11-18 | 清华大学深圳国际研究生院 | 基于数据驱动的现场质谱仪稳定输出控制系统及方法 |
CN117878019A (zh) * | 2024-01-12 | 2024-04-12 | 韶关朗正数据半导体有限公司 | 一种高温特性的半导体芯片加工工艺 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106382953A (zh) * | 2016-09-06 | 2017-02-08 | 芜湖纯元光电设备技术有限公司 | 一种基于温度检测的3d打印机故障判断与储存方法 |
US20190339671A1 (en) * | 2017-01-05 | 2019-11-07 | Itamar Izhak Yona | Systems and methods for automatic three-dimensional object printing |
CN108830291A (zh) * | 2018-05-07 | 2018-11-16 | 上海交通大学 | 一种轮式起重机液压系统故障诊断方法及系统 |
-
2019
- 2019-03-20 CN CN201910211558.7A patent/CN109968671B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109968671A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109968671B (zh) | 3d打印过程故障诊断方法和装置 | |
CN108500736B (zh) | 工具状态推定装置以及机床 | |
US20210001526A1 (en) | Injection molding machine system | |
JP6616375B2 (ja) | 状態判定装置 | |
CN111468989A (zh) | 一种五轴联动数控机械手抛光控制系统及方法 | |
US20180307203A1 (en) | Machining defect factor estimation device | |
CN113909996B (zh) | 一种基于数字孪生的高端装备加工状态监测方法及系统 | |
CN110789128B (zh) | 一种增材制造制件成形质量预测与控制系统及方法 | |
CN109033499A (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
Xia et al. | Intelligent fault diagnosis for bearings of industrial robot joints under varying working conditions based on deep adversarial domain adaptation | |
CN112801091B (zh) | 一种基于深度学习的增材制造制件成形质量监控与预测方法 | |
CN110287583B (zh) | 基于循环神经网络的工业设备剩余寿命预测方法 | |
TWI683262B (zh) | 工業影像檢測方法、系統與電腦可讀取記錄媒體 | |
EP3664992A1 (en) | Method and apparatus for monitoring a quality of an object of a 3d-print-job series of identical objects | |
CN110579241A (zh) | 自动化复合材料制造质量检查的系统和方法 | |
US20210263495A1 (en) | Systems, Methods, and Media for Manufacturing Processes | |
US20220347930A1 (en) | Simulation, correction, and digitalization during operation of an additive manufacturing system | |
TWI709922B (zh) | 基於模型之機器學習系統 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
WO2021092329A1 (en) | Systems, methods, and media for manufacturing processes | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
US20240109237A1 (en) | Abnormality Detection System, Molding Machine System, Abnormality Detection Apparatus, Abnormality Detection Method and Non-Transitory Computer Readable Recording Medium | |
CN116520758B (zh) | 一种机加工设备远程控制方法及系统 | |
EP4000865A1 (en) | A system and method for extrusion based manufacturing of a structure | |
WO2023205431A1 (en) | Distortion prediction for additive manufacturing using image analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |