CN112659548A - 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 - Google Patents
基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 Download PDFInfo
- Publication number
- CN112659548A CN112659548A CN202011232226.6A CN202011232226A CN112659548A CN 112659548 A CN112659548 A CN 112659548A CN 202011232226 A CN202011232226 A CN 202011232226A CN 112659548 A CN112659548 A CN 112659548A
- Authority
- CN
- China
- Prior art keywords
- neural network
- input
- model
- value
- printing
- 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
Landscapes
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,包括:建立以打印层厚、曝光时间间隔、曝光时间和光照强度作为输入量的神经网络预测模型,模型输出量是打印精度,利用正交试验获取相关试验数据,利用该试验数据对预测模型进行训练;对训练好的神经网络预测模型在设定范围内随机给定多组输入量,利用神经网络预测模型预测出相应的输出量即打印精度,通过个体适应度函数,计算个体适应度值,再利用遗传算子调整输入向量,产生具有更好适应性的新的种群即输入向量,重复以上优化过程,直到个体适应度函数值收敛,与该值对应的输入向量即为一组最优工艺参数。本发明能够预测成形工件的精度,并根据预测值使影响成形精度。
Description
技术领域
本发明属于3D打印工艺条件优化领域,具体涉及一种基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法。
背景技术
近年来,增材制造技术即3D打印在不同领域得到了越来越广泛的应用,其中面曝光技术以液态光敏树脂为原料,使用数字投影设备照射光敏树脂材料一次性可以固化一个面,具有成形精度高,成形速度快的特点而得到了广泛关注。为了更进一步提高打印精度,需要分析工艺参数对打印精度的影响,其中打印层厚、曝光时间间隔、曝光时间和光照强度四个工艺参数的影响最大。能否准确确定这些工艺参数的取值决定了最终打印成形工件能够具有较高的精度,因此需要对上述工艺参数的取值进行优化,找出成形精度最高的一组工艺参数。
工艺参数优化是所有3D打印技术都需要面对的问题。传统上,打印过程中工艺参数大多根据操作人员的经验进行选择,缺少科学依据,选择过程复杂,难以用数学方法建立精确模型,目前较多地用显式的统计分析方法来解决。但是统计分析模型缺乏自适应性,模型更新困难,参数确定不准确,同时尚未有一套对工艺参数设置的成熟体系,操作者需要不断对工艺参数进行调试,耗费了大量人力物力财力。所以需要应用更科学有效的试验参数优化方法来确定最佳工艺参数。
对于增材制造技术的工艺参数优化方法,已经存在一些通用的技术,例如[1]给出了一种使用粒子群优化算法进行工艺参数优化。然而,该方法对于面曝光技术来说,没有考虑到该技术独有的特点,得到的工艺参数没有针对性。而[2]针对面曝光技术给出了一种工艺参数优化方法,仅仅是通过正交试验设计方法,仅仅从一组工艺参数的离散取值空间中选择出了成形精度最高的一组工艺参数,而真正的最优工艺参数取值可能存在于试验设计中离散值之间,该方法对解空间的搜索并不完整。
参考文献
[1]一种基于粒子群优化的3D打印工艺参数优化方法
[2]用于面曝光快速成形系统的制作参数优化方法
发明内容
为解决上述现有问题,本发明目的在于提供一种基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法。
本发明采用如下技术方案来实现的:
基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,该方法首先建立以打印层厚、曝光时间间隔、曝光时间和光照强度作为输入量的神经网络预测模型,模型输出量是打印精度,然后利用正交试验获取相关试验数据,利用该试验数据对预测模型进行训练,得到稳定的神经网络预测模型;对训练好的神经网络预测模型在设定范围内随机给定多组输入量,利用神经网络预测模型预测出相应的输出量即打印精度,通过个体适应度函数,计算个体适应度值,再利用遗传算子调整输入向量,产生具有更好适应性的新的种群即输入向量,重复以上优化过程,直到个体适应度函数值收敛,与该值对应的输入向量即为一组最优工艺参数。
本发明进一步的改进在于,该方法具体包括以下步骤:
1:为获取数据,同时减少试验次数,以标准模型作为测试件,以打印层厚、曝光时间间隔、曝光时间和光照强度为输入量X,结合打印机的参数支持范围,设计正交试验表,进行试验,将成形工件实际尺寸与理想尺寸的偏差值作为输出量Y,确立一个输入量X与输出量Y具有映射对应关系的试验数据组,将这些试验数据组作为试验样本,存入试验样本数据库中;
2:根据步骤1所述试验样本中输入量X与输出量Y的映射对应关系,建立具有输入层、隐藏层和输出层的神经网络;
3:初始化神经网络的权重参数,从试验样本数据库中取出具有映射对应关系的输入量X与输出量Y,将输入量X输入到神经网络模型中得到模型预测输出量此模型预测输出量与实际输出量Y之间存在误差,构建最小均方差损失函数,利用梯度下降算法对最小均方差损失函数进行迭代运算,每次迭代优化神经网络的权重参数使得最小平方差损失函数减小,直到模型收敛便实现了神经网络模型的训练;
5:根据步骤1的试验样本数据库产生初始种群,计算初始种群对应的适应度值;
6:依据轮盘赌的选择方法,选出步骤5中个体适应度值相对较大的多个工艺控制参数输入量个体X,进行交叉、变异操作,产生的新工艺控制参数输入量数X1作为下一代的初始种群个体;
7:将经步骤6产生的新工艺控制参数输入量X′初始种群替换步骤5所述的工艺控制参数输入量X初始种群,代入步骤3所述的训练好的神经网络预测模型中,得出的新一组的预测结果计算新种群个体对应下的新一组的工艺控制参数输入量X1种群个体的适应度函数值;
8:重复步骤5至步骤7中更新下一代种群个体、计算对应新种群下的新的预测值和计算新的个体适应度函数值的过程;在该重复过程中个体适应度函数值将逐步增大;直至个体适应度函数值基本稳定不再明显变化或达到预设的进化代数时,终止遗传算法的优化过程;此时稳定的个体适应度函数值对应的工艺控制参数输入量就是对应最高精度所要输入的打印层厚、曝光时间间隔、曝光时间和光照强度。
本发明进一步的改进在于,步骤2中,神经网络的输入层神经元为4个,输出层神经元为1个。
本发明进一步的改进在于,神经网络中第j层单元的输出表示为∑iWjixi,其中∑iWjixi为j层单元的输入,∑iWjixi为其对应的权重,输入层和隐藏层的激活函数为Relu函数,函数定义为∑iWjixi,其中x为激活函数的输入即神经单元的输出。
本发明进一步的改进在于,步骤3中,个体适应度函数的值越大,表明误差越小精度越高,个体适应能力越强。
本发明至少具有如下有益的技术效果:
本发明基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,本发明使用神经网络模型建立了面曝光工艺参数与模型精度之间的复杂非线性映射关系,在神经网络模型训练完成后,该映射关系的准确性高于使用经典的数学方法建立的模型;其次,使用更多的真实打印数据来训练工艺参数与打印精度的神经网络模型,能够使模型建立更加精确,模型具有继续学习的潜力;最后以神经网络描述的工艺参数与模型打印精度的映射关系为基础,使用遗传算法找出了一组最优工艺参数,使用该组参数得到的打印模型精度高于模型训练集中的任何一组参数。因此,本发明能够预测成形工件的精度,并根据预测值使影响成形精度的关键因素得到合理的控制,从而保证产品质量在规定范围内,有效地提高企业的生产效率,同时该方法减少了试验次数,提高了整个系统的运行效率,解决了难以用数学方法建立精确模型的问题。
附图说明
图1为标准样件尺寸图。
图2为工艺参数优化算法流程图。
图3为神经网络模型图。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
本发明提供的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,该方法首先建立以打印层厚、曝光时间间隔、曝光时间和光照强度作为输入量的神经网络预测模型,模型输出量是打印精度,然后利用正交试验获取相关试验数据,利用该试验数据对预测模型进行训练,得到稳定的神经网络预测模型;对训练好的神经网络预测模型在设定范围内随机给定多组输入量,利用神经网络预测模型预测出相应的输出量即打印精度,通过个体适应度函数,计算个体适应度值,再利用遗传算子调整输入向量,产生具有更好适应性的新的种群即输入向量,重复以上优化过程,直到个体适应度函数值收敛,与该值对应的输入向量即为一组最优工艺参数。
参见图2,下面针对可见光面曝光设备,使用本发明的技术方案进行工艺参数优化,步骤如下:
1:以图1结构尺寸的标准模型作为测试件,以打印层厚、曝光时间、曝光时间间隔和光照强度作为输入量X(x1,x2,x3,x4)表示工艺参数,每个参数具有四个水平,不考虑因素见交互作用,设计正交试验表L16(45),见表1。根据正交试验表进行试验,将成形工件实际尺寸与理想尺寸的偏差值作为输出量Yk=1,2,3…,16,确立一个输入量Xk=1,2,3…,16与输出量Yk =1,2,3…,16具有映射对应关系的试验数据组,将这些试验数据组作为试验样本,存入试验样本数据库中,具体数据见表2;
表1工艺参数的取值水平
1 | 2 | 3 | 4 | |
层厚A(mm) | 0.05 | 0.1 | 0.15 | 0.2 |
曝光时间B(s) | 40 | 50 | 60 | 70 |
曝光间隔C(s) | 10 | 15 | 20 | 25 |
屏幕发光功率D(mW) | 250 | 300 | 350 | 400 |
表2正交试验数据表
编号 | A | B | C | D | 空列 | 偏差 |
1 | 1 | 2 | 3 | 3 | 2 | 1.34 |
2 | 2 | 4 | 1 | 2 | 2 | 1.64 |
3 | 3 | 4 | 3 | 4 | 3 | 1.37 |
4 | 4 | 2 | 1 | 1 | 3 | 1.21 |
5 | 1 | 3 | 1 | 4 | 4 | 0.99 |
6 | 2 | 1 | 3 | 1 | 4 | 1.36 |
7 | 3 | 1 | 1 | 3 | 1 | 1.65 |
8 | 4 | 3 | 3 | 2 | 1 | 1.49 |
9 | 1 | 1 | 4 | 2 | 3 | 1.03 |
10 | 2 | 3 | 2 | 3 | 3 | 1.35 |
11 | 3 | 3 | 4 | 1 | 2 | 1.58 |
12 | 4 | 1 | 2 | 4 | 2 | 1.15 |
13 | 1 | 4 | 2 | 1 | 1 | 1.04 |
14 | 2 | 2 | 4 | 4 | 1 | 0.94 |
15 | 3 | 2 | 2 | 2 | 4 | 1.52 |
16 | 4 | 4 | 4 | 3 | 4 | 1.28 |
2:根据试验验样本中输入量Xk=1,2,3…,16与输出量Yk=1,2,3…,16的映射对应关系,建立具有输入层、隐藏层和输出层的神经网络,输入层神经元为4个,输出层神经元为1个,隐藏层神经元个数根据经验公式选择为8个,得到了一个4-8-1的神经网络模型,参见图3,神经网络中第j层单元的输出可表示为∑iWjixi,其中xi为j层单元的输入,Wji为其对应的权重,输入层和隐藏层的激活函数为Relu函数,函数定义为max(0,x),其中x为激活函数的输入即神经单元的输出;
3:初始化神经网络的权重参数,取值为(0,1)区间内的随机数:利用梯度下降算法对最小均方差损失函数进行迭代运算,每次迭代优化神经网络的权重参数使得最小平方差损失函数减小,直到模型收敛便实现了神经网络模型的训练;
6:依据公式计算每个个体X的选择概率,适应度值相对较大的多个工艺控制参数输入量个体X便有大概率被选中,对选中的两个个体Xn1和Xn2进行交叉得到X′、交叉公式为X′=rX1+(1-r)X2,r为0-1的随机数,对X′进行变异操作,变异公式为
7:将经步骤6产生的新工艺控制参数输入量X′初始种群替换步骤5所述的工艺控制参数输入量X初始种群,代入步骤3所述的训练好的神经网络预测模型中,得出的新一组的预测结果计算新种群个体对应下的新一组的工艺控制参数输入量X1种群个体的适应度函数值;
8::重复步骤5至步骤7中更新下一代种群个体、计算对应新种群下的新的预测值和计算新的个体适应度函数值的过程;在该重复过程中个体适应度函数值将逐步增大;直至个体适应度函数值基本稳定不再明显变化或达到预设的进化代数时,终止遗传算法的优化过程;此时稳定的个体适应度函数值对应的工艺控制参数输入量就是对应最高精度所要输入的打印层厚、曝光时间间隔、曝光时间和光照强度。最终得到的一组最优工艺参数为:0.1、48.2、23.7、405,使用该组参数打印出的模型误差为0.71,优于正交试验中参数的组合。
Claims (6)
1.基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,其特征在于,该方法首先建立以打印层厚、曝光时间间隔、曝光时间和光照强度作为输入量的神经网络预测模型,模型输出量是打印精度,然后利用正交试验获取相关试验数据,利用该试验数据对预测模型进行训练,得到稳定的神经网络预测模型;对训练好的神经网络预测模型在设定范围内随机给定多组输入量,利用神经网络预测模型预测出相应的输出量即打印精度,通过个体适应度函数,计算个体适应度值,再利用遗传算子调整输入向量,产生具有更好适应性的新的种群即输入向量,重复以上优化过程,直到个体适应度函数值收敛,与该值对应的输入向量即为一组最优工艺参数。
2.根据权利要求1所述的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,其特征在于,该方法具体包括以下步骤:
1:为获取数据,同时减少试验次数,以标准模型作为测试件,以打印层厚、曝光时间间隔、曝光时间和光照强度为输入量X,结合打印机的参数支持范围,设计正交试验表,进行试验,将成形工件实际尺寸与理想尺寸的偏差值作为输出量Y,确立一个输入量X与输出量Y具有映射对应关系的试验数据组,将这些试验数据组作为试验样本,存入试验样本数据库中;
2:根据步骤1所述试验样本中输入量X与输出量Y的映射对应关系,建立具有输入层、隐藏层和输出层的神经网络;
3:初始化神经网络的权重参数,从试验样本数据库中取出具有映射对应关系的输入量X与输出量Y,将输入量X输入到神经网络模型中得到模型预测输出量此模型预测输出量与实际输出量Y之间存在误差,构建最小均方差损失函数,利用梯度下降算法对最小均方差损失函数进行迭代运算,每次迭代优化神经网络的权重参数使得最小平方差损失函数减小,直到模型收敛便完成了神经网络模型的训练;
5:根据步骤1的试验样本数据库产生初始种群,计算初始种群对应的适应度值;
6:依据轮盘赌的选择方法,选出步骤5中个体适应度值相对较大的多个工艺控制参数输入量个体X,进行交叉、变异操作,产生的新工艺控制参数输入量数X1作为下一代的初始种群个体;
7:将经步骤6产生的新工艺控制参数输入量X’初始种群替换步骤5所述的工艺控制参数输入量X初始种群,代入步骤3所述的训练好的神经网络预测模型中,得出的新一组的预测结果计算新种群个体对应下的新一组的工艺控制参数输入量X1种群个体的适应度函数值;
8:重复步骤5至步骤7中更新下一代种群个体,计算对应新种群下的新的预测值和计算新的个体适应度函数值的过程;在该重复过程中个体适应度函数值将逐步增大;直至个体适应度函数值基本稳定不再明显变化或达到预设的进化代数时,终止遗传算法的优化过程;此时稳定的个体适应度函数值对应的工艺控制参数输入量就是对应最高精度所要输入的打印层厚、曝光时间间隔、曝光时间和光照强度。
3.根据权利要求2所述的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,其特征在于,步骤2中,神经网络的输入层神经元为4个,输出层神经元为1个。
4.根据权利要求3所述的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,其特征在于,神经网络中第j层单元的输出表示为∑iWjixi,其中∑iWjixi为j层单元的输入,∑iWjixi为其对应的权重,输入层和隐藏层的激活函数为Relu函数,函数定义为∑iWjixi,其中x为激活函数的输入即神经单元的输出。
6.根据权利要求2所述的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法,其特征在于,步骤3中,个体适应度函数的值越大,表明误差越小精度越高,个体适应能力越强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232226.6A CN112659548B (zh) | 2020-11-06 | 2020-11-06 | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232226.6A CN112659548B (zh) | 2020-11-06 | 2020-11-06 | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112659548A true CN112659548A (zh) | 2021-04-16 |
CN112659548B CN112659548B (zh) | 2022-10-25 |
Family
ID=75403380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011232226.6A Active CN112659548B (zh) | 2020-11-06 | 2020-11-06 | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112659548B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113427766A (zh) * | 2021-06-16 | 2021-09-24 | 厦门天宇丰荣科技有限公司 | 一种生物墨水3d打印直线元素的工艺参数优化方法 |
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 |
CN115358159A (zh) * | 2022-10-24 | 2022-11-18 | 浙江大学计算机创新技术研究院 | 一种多目标3d打印工艺参数优化方法 |
CN115925400A (zh) * | 2022-11-30 | 2023-04-07 | 中国科学院金属研究所 | 光固化陶瓷浆料的设计方法、陶瓷浆料及空心涡轮叶片 |
WO2024088037A1 (zh) * | 2022-10-26 | 2024-05-02 | 先临三维科技股份有限公司 | 3d打印曝光前等待时间预测方法、装置、设备及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060087525A1 (en) * | 2004-05-27 | 2006-04-27 | Silverbrook Research Pty Ltd | Method of expelling ink from nozzles in groups, starting at outside nozzles of each group |
CN101269582A (zh) * | 2007-03-20 | 2008-09-24 | 精工爱普生株式会社 | 根据色材的组合的印刷控制 |
CN102173200A (zh) * | 2011-01-10 | 2011-09-07 | 西安电子科技大学 | 喷墨打印机双向打印中的墨滴落点偏差的补偿方法 |
CN103218479A (zh) * | 2013-03-20 | 2013-07-24 | 西安电子科技大学 | 用于细胞打印的压电式喷头优化设计方法 |
US20170192413A1 (en) * | 2016-01-05 | 2017-07-06 | Deutsche Post Ag | Method for producing a padding |
US20170259502A1 (en) * | 2016-03-10 | 2017-09-14 | Mantis Composites Inc. | Additive manufacturing of composite materials |
CN107220704A (zh) * | 2016-03-21 | 2017-09-29 | 杭州海存信息技术有限公司 | 含有三维存储阵列的集成神经网络处理器 |
US20180093418A1 (en) * | 2016-09-30 | 2018-04-05 | Velo3D, Inc. | Three-dimensional objects and their formation |
CN109202074A (zh) * | 2017-06-30 | 2019-01-15 | 通用电气公司 | 用于先进增材制造的系统和方法 |
CN110084843A (zh) * | 2019-04-23 | 2019-08-02 | 南京邮电大学 | 一种应用于家具三维打印的基于深度学习的图像压缩方法 |
CN110406097A (zh) * | 2019-07-16 | 2019-11-05 | 安徽卓锐三维科技有限公司 | 一种复合3d打印方法及系统 |
CN110843209A (zh) * | 2014-05-20 | 2020-02-28 | 加利福尼亚大学董事会 | 经由动态光学投影的无分层生物打印及其用途 |
CN110998612A (zh) * | 2017-08-16 | 2020-04-10 | 通用电气公司 | 利用生成技术快速增材设计的框架 |
CN111688192A (zh) * | 2020-06-24 | 2020-09-22 | 西安文理学院 | 一种选区激光熔化主要工艺参数匹配优化方法 |
CN111844761A (zh) * | 2020-07-29 | 2020-10-30 | 哈尔滨理工大学 | 一种3d打印机控制系统 |
-
2020
- 2020-11-06 CN CN202011232226.6A patent/CN112659548B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060087525A1 (en) * | 2004-05-27 | 2006-04-27 | Silverbrook Research Pty Ltd | Method of expelling ink from nozzles in groups, starting at outside nozzles of each group |
CN101269582A (zh) * | 2007-03-20 | 2008-09-24 | 精工爱普生株式会社 | 根据色材的组合的印刷控制 |
CN102173200A (zh) * | 2011-01-10 | 2011-09-07 | 西安电子科技大学 | 喷墨打印机双向打印中的墨滴落点偏差的补偿方法 |
CN103218479A (zh) * | 2013-03-20 | 2013-07-24 | 西安电子科技大学 | 用于细胞打印的压电式喷头优化设计方法 |
CN110843209A (zh) * | 2014-05-20 | 2020-02-28 | 加利福尼亚大学董事会 | 经由动态光学投影的无分层生物打印及其用途 |
US20170192413A1 (en) * | 2016-01-05 | 2017-07-06 | Deutsche Post Ag | Method for producing a padding |
US20170259502A1 (en) * | 2016-03-10 | 2017-09-14 | Mantis Composites Inc. | Additive manufacturing of composite materials |
CN107220704A (zh) * | 2016-03-21 | 2017-09-29 | 杭州海存信息技术有限公司 | 含有三维存储阵列的集成神经网络处理器 |
US20180093418A1 (en) * | 2016-09-30 | 2018-04-05 | Velo3D, Inc. | Three-dimensional objects and their formation |
CN109202074A (zh) * | 2017-06-30 | 2019-01-15 | 通用电气公司 | 用于先进增材制造的系统和方法 |
CN110998612A (zh) * | 2017-08-16 | 2020-04-10 | 通用电气公司 | 利用生成技术快速增材设计的框架 |
CN110084843A (zh) * | 2019-04-23 | 2019-08-02 | 南京邮电大学 | 一种应用于家具三维打印的基于深度学习的图像压缩方法 |
CN110406097A (zh) * | 2019-07-16 | 2019-11-05 | 安徽卓锐三维科技有限公司 | 一种复合3d打印方法及系统 |
CN111688192A (zh) * | 2020-06-24 | 2020-09-22 | 西安文理学院 | 一种选区激光熔化主要工艺参数匹配优化方法 |
CN111844761A (zh) * | 2020-07-29 | 2020-10-30 | 哈尔滨理工大学 | 一种3d打印机控制系统 |
Non-Patent Citations (3)
Title |
---|
吴天山等: "基于遗传算法的BP神经网络熔融沉积成型翘曲形变预测研究", 《热加工工艺》 * |
汪敏: "面曝光快速成形的关键技术研究", 《中国优秀硕士论文全文数据库 工程科技I辑》 * |
胥光审等: "面曝光快速成型系统制作工艺参数的优化研究", 《机械科学与技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113427766A (zh) * | 2021-06-16 | 2021-09-24 | 厦门天宇丰荣科技有限公司 | 一种生物墨水3d打印直线元素的工艺参数优化方法 |
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 |
CN115358159A (zh) * | 2022-10-24 | 2022-11-18 | 浙江大学计算机创新技术研究院 | 一种多目标3d打印工艺参数优化方法 |
WO2024088037A1 (zh) * | 2022-10-26 | 2024-05-02 | 先临三维科技股份有限公司 | 3d打印曝光前等待时间预测方法、装置、设备及介质 |
CN115925400A (zh) * | 2022-11-30 | 2023-04-07 | 中国科学院金属研究所 | 光固化陶瓷浆料的设计方法、陶瓷浆料及空心涡轮叶片 |
Also Published As
Publication number | Publication date |
---|---|
CN112659548B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112659548B (zh) | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 | |
Pelikan et al. | Multiobjective hBOA, clustering, and scalability | |
CN109376869A (zh) | 一种基于异步贝叶斯优化的机器学习超参优化系统及方法 | |
CN111832101A (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
US20230197205A1 (en) | Bioretrosynthetic method and system based on and-or tree and single-step reaction template prediction | |
CN113191050B (zh) | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 | |
CN111785326B (zh) | 基于生成对抗网络的药物作用后基因表达谱预测方法 | |
CN111290283A (zh) | 一种面向选择性激光熔融工艺的增材制造单机调度方法 | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN114274457B (zh) | 基于Kriging-GA的注塑模具浇注系统结构参数决策方法 | |
CN111898867A (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN113722992A (zh) | 一种带嵌件注塑件注塑工艺参数多目标优化方法 | |
CN112884236A (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN109670634A (zh) | 一种基于非等长粒度化特征的煤气流量数据预测方法 | |
US20240036554A1 (en) | Industrial internet of things, control method, and medium for automatically controlling working parameters of manufacturing device | |
CN117334271A (zh) | 一种基于指定属性生成分子的方法 | |
CN112699229A (zh) | 基于深度学习模型的自适应推题方法 | |
CN116629099A (zh) | 一种基于混合代理模型的钣金件多目标优化方法 | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
CN115600492A (zh) | 一种激光切割工艺设计方法及系统 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN113094973B (zh) | 一种基于多目标优化算法的民机需求优选方法 |
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 |