CN112380716A - 一种基于学习算法的sal 3d打印时间预估方法及系统 - Google Patents
一种基于学习算法的sal 3d打印时间预估方法及系统 Download PDFInfo
- Publication number
- CN112380716A CN112380716A CN202011306963.6A CN202011306963A CN112380716A CN 112380716 A CN112380716 A CN 112380716A CN 202011306963 A CN202011306963 A CN 202011306963A CN 112380716 A CN112380716 A CN 112380716A
- Authority
- CN
- China
- Prior art keywords
- time
- printing
- calculating
- layer
- action
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
Abstract
本发明涉及一种基于学习算法的SAL 3D打印时间预估方法及系统,其方法包括导入图形文件并提取待打印物体的轮廓数据信息;根据轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;根据执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;并计算总预估时间。本发明通过学习的方式确定符合机器特性以及工作环境的时间偏差系数,并对每个动作的执行时间进行校正,从而得到每一层的打印预估时间,最终得到精确的总预估时间,并随着机器的使用,不断地学习迭代,达到精准预估的效果,大大提高了打印时间的预估精度。
Description
技术领域
本发明涉及3D打印技术领域,尤其涉及一种基于学习算法的SAL 3D打印时间预估方法及系统。
背景技术
随着科技的发展,3D打印技术越来越普及,广泛应用于很多技术领域。3D打印技术是一种快速成形技术,它以数字三维模型文件为基础,将金属、塑料、光敏树脂等成型材料通过逐层打印的方式成型物体的技术,属于增材制造。光固化成型(SLA)3D打印机基于光敏树脂受紫外光照射凝固的原理,计算机控制激光逐层扫描固化液态的光敏树脂,每一层固化的截面是由零件的三维模型软件分层得到,直至最后得到光敏树脂实物原型。光固化快速成型应该是3D打印技术中精度最高,表面也最光滑的,目前该技术最低材料层厚可以达到25微米(0.025毫米)。现有技术中,通常在打印时计算打印时间,打印的时间的计算通常是首先根据打印文件确定扫描路径,再根据预设的打印参数计算出打印的时间,但是实际打印过程中,由于振镜延时会受到跳跃和扫描距离、电信号和执行器件之间时间滞后等因素的影响,打印时间往往会出现偏差,比如每个动作的打印出现偏差,然后每一层的打印时间误差会进行叠加,最终所有层的打印时间会形成较大的偏差,这会严重影响打印效率。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于学习算法的SAL 3D打印时间预估方法及系统。
本发明解决上述技术问题的技术方案如下:一种基于学习算法的SAL 3D打印时间预估方法,包括如下步骤:
步骤1:导入图形文件,并根据所述图形文件提取待打印物体的轮廓数据信息;
步骤2:根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;
步骤3:根据所述执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;
步骤4:根据每一层的打印预估时间计算总预估时间。
本发明的有益效果是:本发明的基于学习算法的SAL 3D打印时间预估方法,通过导入的图形文件提取轮廓数据信息,并计算每个动作的执行时间和实际时间,这样通过学习的方式确定符合机器特性以及工作环境的时间偏差系数,并对每个动作的执行时间进行校正,从而得到每一层的打印预估时间,最终得到精确的总预估时间,并随着机器的使用,不断地学习迭代,达到精准预估的效果,大大提高了打印时间的预估精度。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步:所述步骤2中,根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间具体包括如下步骤:
根据所述轮廓数据信息确定内外轮廓的扫描路径,并根据所述扫描路径以及预设的激光振镜扫描速度计算每一层的振镜扫描时间x0_n;
根据所述轮廓数据信息确定待打印物体的轮廓大小及位置,并计算每一层的最大包络框,根据所述最大包络框计算刮刀的运动距离,根据刮刀的运动距离以及预设刮刀运动速度计算每一层的刮刀运动时间x1_n;
将预设的打印参数中的预设平均液位调节时间作为每一层的液位调节时间x2_n;
根据所述轮廓数据信息确定总打印层数,并根据网板厚度和总打印层数计算网板的运动距离,根据网板的运动距离和网板的运动速度计算网板的运动时间x3_n。
上述进一步方案的有益效果是:通过所述轮廓数据信息以及预设的打印参数信息确定每个动作的具体执行时间,这样可以在获取了对应的实际时间后将二者进行比较,从而确定符合机器特性以及工作环境的时间偏差系数。
进一步:所述根据所述轮廓数据信息确定内外轮廓的扫描路径具体包括如下步骤:
步骤211:根据待打印物体的图形文件提取待打印物体的轮廓数据信息;
步骤212:根据所述轮廓数据信息识别内外轮廓,;
步骤213:根据预设的填充算法以及预设的加工参数信息在所述内外轮廓之间生成填充线;
步骤214:根据TSP算法生成遍历所述填充线的扫描路径。
上述进一步方案的有益效果是:通过导入的图形文件提取轮廓数据信息,并识别内外轮廓,并结合预设的填充算法集预设的加工参数既可以在内外轮廓之间生成填充线,进行确定扫描路径,便于后续根据扫描路径扫描,并进行激光固化成型打印。
进一步:所述步骤3中,所述根据所述执行时间和实际时间计算每个动作的时间偏差系数的具体方法为:
r=tP/tE
其中,tE为执行时间,tP为实际时间,k为时间偏差系数。
上述进一步方案的有益效果是:通过将所述实际时间与执行时间的比值作为时间偏差系数,可以表征实际时间与执行时间之间的偏离程度,从而便于后续根据所述时间偏差系数进行最小二乘拟合,得到每个动作对应的整体上的时间偏差系数,以对所述执行时间进行修正,大大提高了预估时间的精度。
进一步:所述根据每个动作的时间偏差系数确定每一层的打印预估时间的具体方法包括:
步骤31:采用最小二乘拟合算法将所有动作的所有时间偏差系数进行拟合,得到每个动作的时间偏差系数;
步骤32:根据每个动作的时间偏差系数和对应的执行时间计算每一层的所有动作的打印预估时间,具体公式为:
calc_time_n=k0*x0_n+k1*x1_n+k2*x2_n+k3*x3_n
其中,k0为激光振镜的扫描时间偏差系数,k1为刮刀运动时间偏差系数,k2为液位调节时间偏差系数,k3为网板的运动时间偏差系数。
上述进一步方案的有益效果是:通过将同一动作的所有时间偏差系数进行拟合,得到每个动作的时间偏差系数,可以使得最终得到的该时间偏差系数与采样过程中所有的时间偏差系数之间的偏离程度最小,这样可以更加精确的计算每一层的打印预估时间。
进一步:所述根据每一层的打印预估时间计算总预估时间包括:
步骤41:根据每一层所有动作的打印预估时间和实际时间计算每一层所有动作的时间偏差系数,并采用最小二乘拟合算法将每一层的时间偏差系数进行拟合,得到层级时间偏差系数;
步骤42:根据层级时间偏差系数和每一层的打印预估时间计算总预估时间,具体公式为:
calc_time=∑(k4*calc_time_n)
其中,k4为层级时间偏差系数,n为打印总层数。
上述进一步方案的有益效果是:通过计算层级时间偏差系数,并结合每一层的打印预估时间可以对不同层之间的打印估计时间进行综合修正,得到总预估时间,进一步提高预估时间的精度。
进一步:所述方法还包括对所述总预估时间进行校正,具体包括如下步骤:
步骤51:根据所有层的所述总预估时间和实际时间计算所有层的时间偏差系数,并采用最小二乘拟合算法将所有层的时间偏差系数进行拟合,得到整体时间偏差系数;
步骤52:根据整体时间偏差系数对所述总预估时间进行校正,得到校正后的总预估时间,校正公式如下:
real_time=k5*calc_time
其中,k5为整体时间偏差系数。
上述进一步方案的有益效果是:通过计算所有层的时间偏差系数,并采用最小二乘拟合算法进行拟合,得到所有整体时间偏差系数,这样可以对所述总预估时间进行校正,并进一步提高总预估时间的精度。
本发明还提供了一种基于学习算法的SAL 3D打印时间预估系统,包括如导入提取模块、第一计算模块、第二计算模块和第三计算模块;
所述导入提取模块,用于导入图形文件,并根据所述图形文件提取待打印物体的轮廓数据信息;
所述第二计算模块,用于根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;
所述第二计算模块,用于根据所述执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;
所述第三计算模块,用于根据每一层的打印预估时间计算总预估时间。
本发明的基于学习算法的SAL 3D打印时间预估系统,通过导入的图形文件提取轮廓数据信息,并计算每个动作的执行时间和实际时间,这样通过学习的方式确定符合机器特性以及工作环境的时间偏差系数,并对每个动作的执行时间进行校正,从而得到每一层的打印预估时间,最终得到精确的总预估时间,并随着机器的使用,不断地学习迭代,达到精准预估的效果,大大提高了打印时间的预估精度。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现所述的方法。
本发明还提供了一种基于学习算法的SAL 3D打印时间预估设备,包括所述的存储介质和处理器,所述处理器执行所述存储介质上的计算机程序时实现所述方法的步骤。
附图说明
图1为本发明一实施例的基于学习算法的SAL 3D打印时间预估方法的流程示意图;
图2为本发明一实施例的基于学习算法的SAL 3D打印时间预估系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种基于学习算法的SAL 3D打印时间预估方法,包括如下步骤:
步骤1:导入图形文件,并根据所述图形文件提取待打印物体的轮廓数据信息;
步骤2:根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;
步骤3:根据所述执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;
步骤4:根据每一层的打印预估时间计算总预估时间。
本发明的基于学习算法的SAL 3D打印时间预估方法,通过导入的图形文件提取轮廓数据信息,并计算每个动作的执行时间和实际时间,这样通过学习的方式确定符合机器特性以及工作环境的时间偏差系数,并对每个动作的执行时间进行校正,从而得到每一层的打印预估时间,最终得到精确的总预估时间,并随着机器的使用,不断地学习迭代,达到精准预估的效果,大大提高了打印时间的预估精度。
在本发明的一个或多个实施例中,所述步骤2中,根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间(计算出来的理论上所需时间)具体包括如下步骤:
步骤21:根据所述轮廓数据信息确定内外轮廓的扫描路径,并根据所述扫描路径以及预设的激光振镜扫描速度计算每一层的振镜扫描时间x0_n;
这里,根据扫描路径可以计算每一层的扫描距离,并结合激光振镜扫描速度即可精确计算出每一层的振镜扫描时间。
步骤22:根据所述轮廓数据信息确定待打印物体的轮廓大小及位置,并计算每一层的最大包络框,根据所述最大包络框计算刮刀的运动距离,根据刮刀的运动距离以及预设刮刀运动速度计算每一层的刮刀运动时间x1_n;
这里,根据刮刀的运动距离除以预设刮刀运动速度,即可非常精确地计算出每一层的刮刀运动时间。
步骤23:将预设的打印参数中的预设平均液位调节时间作为每一层的液位调节时间x2_n;
由于液位的波动受设备实际工作环境影响,波动具有随机性,进而造成液位调节时间也具有波动性,实际中其实际时间也不太容易直接精确测量,本发明的实施例中,根据预设平均液位调节时间来作为每一层的液位调节时间。
步骤24:根据所述轮廓数据信息确定总打印层数,并根据网板厚度和总打印层数计算网板的运动距离,根据网板的运动距离和网板的运动速度计算网板的运动时间x3_n。
实际中,将总打印层数乘以每一层的网板厚度(通常为0.05mm-0.1mm),既可得到网板的运动距离,然后通过网板的运动距离除以网板的运动速度,即可准确计算出网板的运动时间。
通过所述轮廓数据信息以及预设的打印参数信息确定每个动作的具体执行时间,这样可以在获取了对应的实际时间后将二者进行比较,从而确定符合机器特性以及工作环境的时间偏差系数。
实际中,通过每个动作的起始和终止对应的时间来确定该动作的实际时间。
在本发明的一个或多个实施例中,所述根据所述轮廓数据信息确定内外轮廓的扫描路径具体包括如下步骤:
步骤211:根据待打印物体的图形文件(三维轮廓切片格式,包含了每一层的轮廓数据信息)提取待打印物体的轮廓数据信息;
步骤212:根据所述轮廓数据信息识别内外轮廓,;
步骤213:根据预设的填充算法以及预设的加工参数信息在所述内外轮廓之间生成填充线;
步骤214:根据TSP算法生成遍历所述填充线的扫描路径。
通过导入的图形文件提取轮廓数据信息,并识别内外轮廓,并结合预设的填充算法集预设的加工参数既可以在内外轮廓之间生成填充线,进行确定扫描路径,便于后续根据扫描路径扫描,并进行激光固化成型打印。
这里,TPS算法为现有技术,本发明的实施例中不再详细赘述。
在本发明的一个或多个实施例中,所述步骤3中,所述根据所述执行时间和实际时间计算每个动作的时间偏差系数的具体方法为:
r=tP/tE
其中,tE为执行时间,tP为实际时间,k为时间偏差系数。
由于每一层的每个动作都需要考虑到加速度等因素对运动影响,会使得每个动作的执行时间和实际时间之间存在偏差,通过将所述实际时间与执行时间的比值作为时间偏差系数,可以表征实际时间与执行时间之间的偏离程度,从而便于后续根据所述时间偏差系数进行最小二乘拟合,得到每个动作对应的整体上的时间偏差系数,以对所述执行时间进行修正,大大提高了预估时间的精度。
比如,针对激光振镜的任一扫描动作对应的扫描时间,其时间偏差系数r0为扫描的执行时间与其实际时间的比值,针对其他动作(比如刮刀运动、液位调节和网板运动等)以此类推,这里不再详细赘述。
在本发明的一个或多个实施例中,所述根据每个动作的时间偏差系数确定每一层的打印预估时间的具体方法包括:
步骤31:采用最小二乘拟合算法将所有动作的所有时间偏差系数进行拟合,得到每个动作的时间偏差系数;
步骤32:根据每个动作的时间偏差系数和对应的执行时间计算每一层的所有动作的打印预估时间,具体公式为:
calc_time_n=k0*x0_n+k1*x1_n+k2*x2_n+k3*x3_n
其中,k0为激光振镜的扫描时间偏差系数,k1为刮刀运动时间偏差系数,k2为液位调节时间偏差系数,k3为网板的运动时间偏差系数。
通过将同一动作的所有时间偏差系数进行拟合,所有动作的时间偏差系数的组合形成了一个多维方程,该方程的自变量是执行时间,输出是总的执行时间,得到实际时间后将二者通过最小二乘拟合以后,得到所有动作的偏差系数,能够保证输出结果,也就是执行时间和实际时间之间的误差最小,这样可以更加精确的计算每一层的打印预估时间。
在本发明的一个或多个实施例中,所述根据每一层的打印预估时间计算总预估时间包括:
步骤41:根据每一层所有动作的打印预估时间和实际时间计算每一层所有动作的时间偏差系数,并采用最小二乘拟合算法将每一层的时间偏差系数进行拟合,得到层级时间偏差系数;
步骤42:根据层级时间偏差系数和每一层的打印预估时间计算总预估时间,具体公式为:
calc_time=∑(k4*calc_time_n)
其中,k4为层级时间偏差系数,n为打印总层数。
通过计算层级时间偏差系数,并结合每一层的打印预估时间可以对不同层之间的打印估计时间进行综合修正,得到总预估时间,进一步提高预估时间的精度。这里,每一层的实际时间可直接将该层的每个动作的实际时间进行相加得到。
可选地,在本发明的一个或多个实施例中,所述方法还包括对所述总预估时间进行校正,具体包括如下步骤:
步骤51:根据所有层的所述总预估时间和实际时间计算所有层的时间偏差系数,并采用最小二乘拟合算法将所有层的时间偏差系数进行拟合,得到整体时间偏差系数;
步骤52:根据整体时间偏差系数对所述总预估时间进行校正,得到校正后的总预估时间,校正公式如下:
real_time=k5*calc_time
其中,k5为整体时间偏差系数。
通过计算所有层的时间偏差系数,并采用最小二乘拟合算法进行拟合,得到所有整体时间偏差系数,这样可以对所述总预估时间进行校正,并进一步提高总预估时间的精度。同理,这里所有层的实际时间可直接将每一层的实际时间直接相加得到。
本发明的基于学习算法的SAL 3D打印时间预估方法,考虑到动作计算误差累加造成的预估时间偏差,通过学习的方式,得到符合机器特性以及工作环境的时间偏差系数,并随着机器的使用,不断地学习迭代,达到精准预估的效果。本发明的实施例中,采用本发明的打印时间预估方法进行估算,总共打印2000层,40小时的打印工作的估计时间能精确到10分钟以内,大大提高了打印时间的估算精度。
如图2所示,本发明还提供了一种基于学习算法的SAL 3D打印时间预估系统,包括如导入提取模块、第一计算模块、第二计算模块和第三计算模块;
所述导入提取模块,用于导入图形文件,并根据所述图形文件提取待打印物体的轮廓数据信息;
所述第二计算模块,用于根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;
所述第二计算模块,用于根据所述执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;
所述第三计算模块,用于根据每一层的打印预估时间计算总预估时间。
本发明的基于学习算法的SAL 3D打印时间预估系统,通过导入的图形文件提取轮廓数据信息,并计算每个动作的执行时间和实际时间,这样通过学习的方式确定符合机器特性以及工作环境的时间偏差系数,并对每个动作的执行时间进行校正,从而得到每一层的打印预估时间,最终得到精确的总预估时间,并随着机器的使用,不断地学习迭代,达到精准预估的效果,大大提高了打印时间的预估精度。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现所述的方法。
本发明还提供了一种基于学习算法的SAL 3D打印时间预估设备,包括所述的存储介质和处理器,所述处理器执行所述存储介质上的计算机程序时实现所述方法的步骤。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于学习算法的SAL 3D打印时间预估方法,其特征在于,包括如下步骤:
步骤1:导入图形文件,并根据所述图形文件提取待打印物体的轮廓数据信息;
步骤2:根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;
步骤3:根据所述执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;
步骤4:根据每一层的打印预估时间计算总预估时间。
2.根据权利要求1所述的基于学习算法的SAL 3D打印时间预估方法,其特征在于,所述步骤2中,根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间具体包括如下步骤:
根据所述轮廓数据信息确定内外轮廓的扫描路径,并根据所述扫描路径以及预设的激光振镜扫描速度计算每一层的振镜扫描时间x0_n;
根据所述轮廓数据信息确定待打印物体的轮廓大小及位置,并计算每一层的最大包络框,根据所述最大包络框计算刮刀的运动距离,根据刮刀的运动距离以及预设刮刀运动速度计算每一层的刮刀运动时间x1_n;
将预设的打印参数中的预设平均液位调节时间作为每一层的液位调节时间x2_n;
根据所述轮廓数据信息确定总打印层数,并根据网板厚度和总打印层数计算网板的运动距离,根据网板的运动距离和网板的运动速度计算网板的运动时间x3_n。
3.根据权利要求2所述的基于学习算法的SAL 3D打印时间预估方法,其特征在于,所述根据所述轮廓数据信息确定内外轮廓的扫描路径具体包括如下步骤:
步骤211:根据待打印物体的图形文件提取待打印物体的轮廓数据信息;
步骤212:根据所述轮廓数据信息识别内外轮廓,;
步骤213:根据预设的填充算法以及预设的加工参数信息在所述内外轮廓之间生成填充线;
步骤214:根据TSP算法生成遍历所述填充线的扫描路径。
4.根据权利要求2所述的基于学习算法的SAL 3D打印时间预估方法,其特征在于,所述步骤3中,所述根据所述执行时间和实际时间计算每个动作的时间偏差系数的具体方法为:
k=tP/tE
其中,tE为执行时间,tP为实际时间,k为时间偏差系数。
5.根据权利要求4所述的基于学习算法的SAL 3D打印时间预估方法,其特征在于,所述根据每个动作的时间偏差系数确定每一层的打印预估时间的具体方法包括:
步骤31:采用最小二乘拟合算法将所有动作的所有时间偏差系数进行拟合,得到每个动作的时间偏差系数;
步骤32:根据每个动作的时间偏差系数和对应的执行时间计算每一层的所有动作的打印预估时间,具体公式为:
calc_time_n=k0*x0_n+k1*x1_n+k2*x2_n+k3*x3_n
其中,k0为激光振镜的扫描时间偏差系数,k1为刮刀运动时间偏差系数,k2为液位调节时间偏差系数,k3为网板的运动时间偏差系数。
6.根据权利要求5所述的基于学习算法的SAL 3D打印时间预估方法,其特征在于,所述根据每一层的打印预估时间计算总预估时间包括:
步骤41:根据每一层所有动作的打印预估时间和实际时间计算每一层所有动作的时间偏差系数,并采用最小二乘拟合算法将每一层的时间偏差系数进行拟合,得到层级时间偏差系数;
步骤42:根据层级时间偏差系数和每一层的打印预估时间计算总预估时间,具体公式为:
calc_time=∑(k4*calc_time_n)
其中,k4为层级时间偏差系数,n为打印总层数。
7.根据权利要求1-5任一项所述的基于学习算法的SAL 3D打印时间预估方法,其特征在于,所述方法还包括对所述总预估时间进行校正,具体包括如下步骤:
步骤51:根据所有层的所述总预估时间和实际时间计算所有层的时间偏差系数,并采用最小二乘拟合算法将所有层的时间偏差系数进行拟合,得到整体时间偏差系数;
步骤52:根据整体时间偏差系数对所述总预估时间进行校正,得到校正后的总预估时间,校正公式如下:
real_time=k5*calc_time
其中,k5为整体时间偏差系数。
8.一种基于学习算法的SAL 3D打印时间预估系统,其特征在于,包括如导入提取模块、第一计算模块、第二计算模块和第三计算模块;
所述导入提取模块,用于导入图形文件,并根据所述图形文件提取待打印物体的轮廓数据信息;
所述第二计算模块,用于根据所述轮廓数据信息以及预设的打印参数信息计算每个动作的执行时间,并获取每个动作的实际时间;
所述第二计算模块,用于根据所述执行时间和实际时间计算每个动作的时间偏差系数,并根据每个动作的时间偏差系数确定每一层的打印预估时间;
所述第三计算模块,用于根据每一层的打印预估时间计算总预估时间。
9.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至7任一项所述的方法。
10.一种基于学习算法的SAL 3D打印时间预估设备,其特征在于,包括权利要求9所述的存储介质和处理器,所述处理器执行所述存储介质上的计算机程序时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306963.6A CN112380716B (zh) | 2020-11-20 | 2020-11-20 | 一种基于学习算法的sla 3d打印时间预估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306963.6A CN112380716B (zh) | 2020-11-20 | 2020-11-20 | 一种基于学习算法的sla 3d打印时间预估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380716A true CN112380716A (zh) | 2021-02-19 |
CN112380716B CN112380716B (zh) | 2021-07-16 |
Family
ID=74585260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011306963.6A Active CN112380716B (zh) | 2020-11-20 | 2020-11-20 | 一种基于学习算法的sla 3d打印时间预估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380716B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360270A (zh) * | 2021-06-30 | 2021-09-07 | 杭州数梦工场科技有限公司 | 一种数据清洗任务处理方法及装置 |
CN114179366A (zh) * | 2021-12-13 | 2022-03-15 | 南京铖联激光科技有限公司 | 基于3d打印的零件打印时间评估系统及评估方法 |
CN115383273A (zh) * | 2022-08-19 | 2022-11-25 | 清华大学 | 电子束多熔丝原位增材制造冶金时长闭环控制方法及系统 |
CN116117166A (zh) * | 2023-04-14 | 2023-05-16 | 易加三维增材技术(杭州)有限公司 | 模型打印方法、装置、存储介质和电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012177954A (ja) * | 2011-01-17 | 2012-09-13 | One Face Co Ltd | 三次元面フィギュア製作方法 |
CN105069595A (zh) * | 2015-08-18 | 2015-11-18 | 杨珊珊 | 一种利用无人机实现的快递系统及方法 |
CN105109046A (zh) * | 2015-09-22 | 2015-12-02 | 天津丽彩数字技术有限公司 | 一种用于3d打印机的暂停换料方法 |
CN105577824A (zh) * | 2016-01-28 | 2016-05-11 | 北京航空航天大学 | 面向云制造的3d打印加工任务处理方法及装置 |
CN110126266A (zh) * | 2019-04-17 | 2019-08-16 | 湖南华曙高科技有限责任公司 | 一种三维物体制造方法 |
CN110370646A (zh) * | 2019-07-25 | 2019-10-25 | 杭州先临易加三维科技有限公司 | 3d打印方法、装置、电子设备及存储介质 |
CN110814342A (zh) * | 2019-10-26 | 2020-02-21 | 浙江亚通焊材有限公司 | 一种计算机形式化3d打印金属材料制备方法 |
CN110815812A (zh) * | 2018-08-08 | 2020-02-21 | 严铜 | 多喷头3d打印机并行打印的方法 |
CN110884114A (zh) * | 2018-09-07 | 2020-03-17 | 严铜 | 阵列式3d打印机及其打印方法 |
CN111204733A (zh) * | 2020-01-16 | 2020-05-29 | 兰州交通大学 | 一种3d打印制备活性多孔碳电极的方法及其应用 |
CN111331840A (zh) * | 2020-05-07 | 2020-06-26 | 恒通西交智能机器(广东)有限公司 | 一种多光路光固化3d打印设备 |
CN111438941A (zh) * | 2020-03-30 | 2020-07-24 | 上海联泰科技股份有限公司 | 三维数据处理系统、方法及所适用的3d打印设备 |
-
2020
- 2020-11-20 CN CN202011306963.6A patent/CN112380716B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012177954A (ja) * | 2011-01-17 | 2012-09-13 | One Face Co Ltd | 三次元面フィギュア製作方法 |
CN105069595A (zh) * | 2015-08-18 | 2015-11-18 | 杨珊珊 | 一种利用无人机实现的快递系统及方法 |
CN105109046A (zh) * | 2015-09-22 | 2015-12-02 | 天津丽彩数字技术有限公司 | 一种用于3d打印机的暂停换料方法 |
CN105577824A (zh) * | 2016-01-28 | 2016-05-11 | 北京航空航天大学 | 面向云制造的3d打印加工任务处理方法及装置 |
CN110815812A (zh) * | 2018-08-08 | 2020-02-21 | 严铜 | 多喷头3d打印机并行打印的方法 |
CN110884114A (zh) * | 2018-09-07 | 2020-03-17 | 严铜 | 阵列式3d打印机及其打印方法 |
CN110126266A (zh) * | 2019-04-17 | 2019-08-16 | 湖南华曙高科技有限责任公司 | 一种三维物体制造方法 |
CN110370646A (zh) * | 2019-07-25 | 2019-10-25 | 杭州先临易加三维科技有限公司 | 3d打印方法、装置、电子设备及存储介质 |
CN110814342A (zh) * | 2019-10-26 | 2020-02-21 | 浙江亚通焊材有限公司 | 一种计算机形式化3d打印金属材料制备方法 |
CN111204733A (zh) * | 2020-01-16 | 2020-05-29 | 兰州交通大学 | 一种3d打印制备活性多孔碳电极的方法及其应用 |
CN111438941A (zh) * | 2020-03-30 | 2020-07-24 | 上海联泰科技股份有限公司 | 三维数据处理系统、方法及所适用的3d打印设备 |
CN111331840A (zh) * | 2020-05-07 | 2020-06-26 | 恒通西交智能机器(广东)有限公司 | 一种多光路光固化3d打印设备 |
Non-Patent Citations (1)
Title |
---|
饶顺超: "几何模型的3D打印性能研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360270A (zh) * | 2021-06-30 | 2021-09-07 | 杭州数梦工场科技有限公司 | 一种数据清洗任务处理方法及装置 |
CN113360270B (zh) * | 2021-06-30 | 2024-02-27 | 杭州数梦工场科技有限公司 | 一种数据清洗任务处理方法及装置 |
CN114179366A (zh) * | 2021-12-13 | 2022-03-15 | 南京铖联激光科技有限公司 | 基于3d打印的零件打印时间评估系统及评估方法 |
CN114179366B (zh) * | 2021-12-13 | 2024-02-06 | 南京铖联激光科技有限公司 | 基于3d打印的零件打印时间评估系统及评估方法 |
CN115383273A (zh) * | 2022-08-19 | 2022-11-25 | 清华大学 | 电子束多熔丝原位增材制造冶金时长闭环控制方法及系统 |
CN115383273B (zh) * | 2022-08-19 | 2023-09-29 | 清华大学 | 电子束多熔丝原位增材制造冶金时长闭环控制方法及系统 |
CN116117166A (zh) * | 2023-04-14 | 2023-05-16 | 易加三维增材技术(杭州)有限公司 | 模型打印方法、装置、存储介质和电子设备 |
CN116117166B (zh) * | 2023-04-14 | 2023-08-22 | 易加三维增材技术(杭州)有限公司 | 模型打印方法、装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112380716B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380716B (zh) | 一种基于学习算法的sla 3d打印时间预估方法及系统 | |
CN107672180B (zh) | 一种基于逆向工程技术的3d打印精度检测方法 | |
US11328107B2 (en) | Hybrid measurement and simulation based distortion compensation system for additive manufacturing processes | |
US20200143006A1 (en) | Intelligent additive manufacturing | |
CN104924607B (zh) | 立体打印方法、立体打印装置及电子装置 | |
CN104175556A (zh) | 一种基于双成形头的快速成型方法 | |
Zhang et al. | Generic build time estimation model for parts produced by SLS | |
CN104933220B (zh) | 复杂曲面汽车注塑模具高精密制造方法及注塑模具 | |
WO2017054574A1 (zh) | 一种多材料3d物体的打印方法及打印控制装置 | |
CN112132943B (zh) | 一种面向3d打印的过程纹理合成系统及方法 | |
CN113728285A (zh) | 用于增材制造中人工智能过程控制的系统、方法以及介质 | |
KR20210039291A (ko) | 금속 액적 토출식 3차원(3d) 물체 프린터를 액적 크기 변동들을 보상하도록 동작시키기 위한 방법 및 시스템 | |
CN111113903A (zh) | 基于人工智能的面向3d打印微纳器件的自动校准方法 | |
JP2019500665A (ja) | 複合的な構成要素のためのプライブックを設計する方法 | |
Armillotta | Simulation of edge quality in fused deposition modeling | |
CN116255930A (zh) | 一种基于点云切片的截面提取及测量方法及系统 | |
US20230043252A1 (en) | Model prediction | |
CN114417549A (zh) | 一种基于超级计算机的数字孪生目标场数据处理系统 | |
CN112596378A (zh) | 涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 | |
EP4170537A1 (en) | Systems and methods to improve the accuracy and manufacturability in an additive manufacturing compensation process | |
JP2020037246A (ja) | 三次元形状データの生成装置、三次元造形装置、及び三次元形状データの生成プログラム | |
CN106863779A (zh) | 一种基于光固化技术的表面纹理处理方法 | |
KR101110827B1 (ko) | 곡부재 설계 모델의 보정 방법 | |
CN116945605A (zh) | 一种3d打印灰度补偿方法、电子装置和可读存储介质 | |
US20220277113A1 (en) | Computer-implemented method for changing a model geometry of an object |
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 |