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

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

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

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；

4：采用遗传算法对神经网络模型寻优，将训练好的神经网络模型输出倒数作为适应度函数即数即

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∑_iW_jix_i，其中∑_iW_jix_i为j层单元的输入，∑_iW_jix_i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∑_iW_jix_i，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，最小均方差损失函数为

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Y^{k＝1,2,3…,16}，确立一个输入量X^{k＝1,2,3…,16}与输出量Y^{k ＝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X^{k＝1,2,3…,16}与输出量Y^{k＝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∑_iW_jix_i，其中x_i为j层单元的输入，W_ji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；

4：将训练好的神经网络模型输出倒数作为适应度函数即

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，采用遗传算法求解一组最优工艺参数值；

5：根据步骤1的试验样本数据库产生初始种群X^i-j，计算初始种群对应的适应度值

其中i和j为试验代号，取值范围从1到16；

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

其中a_i和b_i是X′i的上下界，

G和G_max是当前代的数量和最大代的数量，r₁，r₂是0-1间的随机数，b是随机设置，将产生的新工艺控制参数输入量X′作为子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。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；

4：采用遗传算法对神经网络模型寻优，将训练好的神经网络模型输出倒数作为适应度函数即数即

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∑_iW_jix_i，其中∑_iW_jix_i为j层单元的输入，∑_iW_jix_i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∑_iW_jix_i，其中x为激活函数的输入即神经单元的输出。

5.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，最小均方差损失函数为

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。

Images