CN114818401A - 机器学习模型的训练方法、训练装置、评价系统 - Google Patents

机器学习模型的训练方法、训练装置、评价系统 Download PDF

Info

Publication number
CN114818401A
CN114818401A CN202110130044.6A CN202110130044A CN114818401A CN 114818401 A CN114818401 A CN 114818401A CN 202110130044 A CN202110130044 A CN 202110130044A CN 114818401 A CN114818401 A CN 114818401A
Authority
CN
China
Prior art keywords
printing
training
machine learning
data
learning model
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
Application number
CN202110130044.6A
Other languages
English (en)
Inventor
大卫·西蒙·哈特曼
罗小帆
赵则昂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Qiliu Information Technology Co ltd
Original Assignee
Suzhou Qiliu Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Qiliu Information Technology Co ltd filed Critical Suzhou Qiliu Information Technology Co ltd
Priority to CN202110130044.6A priority Critical patent/CN114818401A/zh
Priority to PCT/CN2021/138638 priority patent/WO2022161000A1/zh
Publication of CN114818401A publication Critical patent/CN114818401A/zh
Pending legal-status Critical Current

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本申请公开一种用于评估3D打印构件性能的机器学习模型的训练方法、机器学习模型的训练装置、用于评估3D打印构件性能的评价系统、计算机设备以及计算机可读存储介质，其中，所述机器学习模型的训练方法通过预先确定对打印构件的打印质量有影响的变量，对不同打印构件模型设置不同打印参数进行实际打印和模拟打印获得训练数据，将训练数据集中的实际打印环境中打印构件性能测量值作为输出，将等效松弛时间数据和/或残余应力数据作为输入，使得在训练完成后，所述机器学习模型可基于打印构件的等效松弛时间数据和/或残余应力数据对打印构件的性能进行评价，即可实现针对不同类型的打印构件将其打印参数与打印质量相关联。

Description

机器学习模型的训练方法、训练装置、评价系统
技术领域
本申请涉及计算机数据处理领域，尤其涉及一种用于评估3D打印构件性能的机器学习模型的训练方法、机器学习模型的训练装置以及用于评估3D打印构件性能的评价系统、计算机设备、计算机可读存储介质。
背景技术
在目前的3D打印技术中，例如在FDM(Fused Deposition Modeling，熔融沉积)打印中，不同打印层之间的层间粘接的粘接强度以及打印聚合物材料的热力耦合松弛行为对打印物件的机械性能具有较大影响；丝材接触界面的温度和打印材料聚合物分子的扩散时间影响丝材的粘接质量，打印中的受热时间和降温速率等影响丝材的残余应力和微观分子链构象，因此，打印参数的设置如挤出速度、打印速度、层高、材料加热温度、打印腔室温度等影响最终形成的打印物件精度、粘接强度等性能指标。现有的熔融沉积打印切片软件中，采用纯几何的方式确定打印路径和打印参数，无法有效保证打印速度和最终打印产品的性能如成型能力、形状畸变、层间粘接、弹性模量和强度等。
现存在以仿真软件或模拟系统等进行模拟打印以获得的打印中的物理场信息(如残余应力、局部区域冷却评估)，但无法与实际打印件的性能参数(如形状畸变、层间粘接、弹性模量和强度等)有效关联，难以预先确定优化的打印参数信息，基于现有的切片技术的对打印过程进行分析以及对获得的物件进行性能评价以调整打印路径与打印参数，则需要承担高昂的经济成本与时间成本。
发明内容
鉴于以上所述相关技术的缺点，本申请的目的在于提供一种用于评估3D打印构件性能的机器学习模型的训练方法、机器学习模型的训练装置以及用于评估3D打印构件性能的评价系统、计算机设备以及计算机可读存储介质，以解决现有的切片技术中难以评估3D打印构件性能而不利于控制后续打印质量及效率等问题。
为实现上述目的及其他相关目的，本申请在第一方面公开了一种用于评估3D打印构件性能的机器学习模型的训练方法，所述机器学习模型的训练方法包括以下步骤：获取所述3D打印构件的多组残余应力数据和/或多组等效松弛时间数据；以及获取3D打印构件在实际打印环境中至少一种性能评价参数的多组测量值；以及将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述测量值作为输出数据进行关联训练以获得所述机器学习模型。
本申请在第二方面还公开了一种机器学习模型的训练装置，所述机器学习模型用于评估3D打印构件性能，所述训练装置包括：训练样本获取模块，用于获取3D打印构件的多组残余应力数据和/或多组等效松弛时间数据；以及获取3D打印构件在实际打印环境中至少一种性能评价参数的多组测量值；训练模块，用于将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述多组测量值作为输出数据进行关联训练以获得所述机器学习模型。
本申请在第三方面还公开了一种用于评估3D打印构件性能的评价系统，包括输入模块，用于接收所述3D打印构件的残余应力数据和/或等效松弛时间数据；以及预测模块，用于调用如本申请第一方面公开的任一实施方式所述的机器学习模型的训练方法生成的机器学习模型对所述残余应力数据和/或等效松弛时间数据进行预测，输出所述3D打印构件的至少一种性能评价参数的评价值。
本申请在第四方面还公开了一种计算机设备，包括：存储装置，用于存储至少一个程序，以及预设的输入数据、输出数据；以及处理装置，与所述存储装置相连，用于执行所述至少一个程序，以调用所述存储装置中所述至少一个程序执行并实现如本申请第一方面公开的任一实施方式所述的机器学习模型的训练方法。
本申请在第五方面还公开了一种计算机设备，包括：存储装置，用于存储至少一个程序，以及如本申请第一方面公开的任一实施方式所述的机器学习模型的训练方法训练生成的机器学习模型；以及处理装置，与所述存储装置相连，用于执行所述至少一个程序，以调用所述存储装置中所述至少一个程序执行及所述机器学习模型以对所述残余应力数据和/或等效松弛时间数据进行预测，输出所述3D打印构件的至少一种性能评价参数的评价值。
本申请在第六方面还公开了一种计算机可读存储介质，存储至少一种程序，所述至少一种程序被处理器执行时实现如本申请第一方面公开的任一实施方式所述的机器学习模型的训练方法。
综上所述，本申请提供的用于评估3D打印构件性能的机器学习模型的训练方法、机器学习模型的训练装置以及用于评估3D打印构件性能的评价系统、计算机设备以及计算机可读存储介质，具有如下有益效果：通过预先确定对打印构件的打印质量有影响的变量，对不同打印构件模型设置不同打印参数进行实际打印以获得所述变量设置为不同数值或不同条件、状态时获得的打印构件，对由此获得的多组打印构件进行测量以获得至少一种性能评价参数的测量值；并且，获得在实际打印中或由实际打印环境仿真的模拟环境中的打印构件的温度场与残余应力场，并将所述温度场等效为可由单一参数表征的等效松弛时间，由多组测量值与多组等效松弛时间数据、多组残余应力数据形成具有标签的训练数据集，预设神经网络结构或机器学习模型即可基于所述训练数据集进行关联训练，将训练数据集中的测量值作为输出，等效松弛时间数据和/或残余应力数据作为输入，使得在训练完成后，所述神经网络或机器学习模型可基于打印构件的等效松弛时间数据和/或残余应力数据对打印构件的性能进行评价，即可实现针对不同类型的打印构件将其打印参数与打印质量相关联。
再者，由本申请提供的机器学习模型的训练方法获得的机器学习模型可帮助预先确定优化的打印参数信息，例如，对打印构件模型设置不同打印参数进行模拟打印，将模拟结果转化为等效松弛时间数据和/或残余应力数据输入至所述神经网络或机器学习模型，即可获得打印质量的预测结果，重复模拟打印与预测，不需进行实际打印，即可预先确定打印构件的优化的打印参数信息；又或，对于已确定的打印参数与打印构件模型，通过模拟打印与预测可验证在此设置下的打印构件是否满足质量要求，提高实际打印的合格率。
附图说明
本申请所涉及的发明的具体特征如所附权利要求书所显示。通过参考下文中详细描述的示例性实施方式和附图能够更好地理解本申请所涉及发明的特点和优势。对附图简要说明书如下：
图1显示为本申请的机器学习模型的训练方法在一实施例中的流程示意图。
图2显示为本申请的机器学习模型的训练方法中确定初始残余应力的方法在一实施例中的流程示意图。
图3显示为本申请的机器学习模型的训练装置在一实施例中的简化示意图。
图4显示为本申请的评价系统在一实施例中的简化示意图。
图5显示为本申请的计算机设备在一实施例中的简化示意图。
图6显示为本申请的计算机设备在一实施例中的简化示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行机械组成、结构、以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
诚如背景技术所述，在现有的3D打印技术中，通常打印参数的设置对打印构件质量(或性能)有决定作用，例如在FDM打印中，基于打印丝材累积堆叠形成打印构件，不同打印层之间的层间粘接质量与打印构件的整体强度、局部强度有关，同时，打印构件的成型精度也基于不同的打印参数可能呈现为不同的结果。
实际打印中需要设置的打印参数通常为多个，因而对任一参数的取值进行调整均可能影响最终打印成型的构件性能。对于一待打印构件模型，如预设的模具模型、医疗治具模型、定制商品模型，基于模型形态确定优化的打印参数，可有效的提高打印构件的合格率，降低由打印失败如打印构件畸变产生的时间消耗与成本损失，但现有的切片技术中难以将打印参数与打印构件性能关联，以预先确定所述优化的打印参数。
请参阅图1～图2，显示为本申请提供的用于评估3D打印构件性能的机器学习模型的训练方法执行训练步骤以生成所述机器学习模型的流程示意图。在此，基于所述机器学习模型的训练方法，获得可用于评估打印构件性能的机器学习模型，即可实现将打印参数与打印构件的性能关联，例如，在所述机器学习模型的输入端输入可表征打印参数的数据，即可经由机器学习模型预测获得表征打印构件性能的评价值。
为便于对本申请提供的机器学习模型的训练方法的说明，本申请提供的实施例中采用的坐标系为直角三维坐标，三维坐标的方向分别为X、Y、Z方向，其中，在实际打印中或模拟打印中，Z方向为水平面的法线方向也即一般的垂直于打印工作面的方向，(x，y，z)可指代所定义的三维空间中的一坐标点。
请参阅图1，显示为本申请的用于评估3D打印构件性能的机器学习模型的训练方法在一实施例中的流程示意图。
在步骤S10中，获取所述3D打印构件的多组残余应力数据和/或多组等效松弛时间数据；以及获取3D打印构件在实际打印环境中至少一种性能评价参数的多组测量值。
在此，所述3D打印构件为预设的打印构件，例如常见的用于3D打印制造中的打印构件如模具、医疗治具、定制商品比如鞋底、珠宝模型或者牙模等。在本申请提供的实施例中，所述3D打印构件可指代实际打印获得的打印构件实体，或3D打印构件的三维模型。
所述3D打印构件的多组残余应力数据和/或多组等效松弛时间数据可以为在实际打印中对打印过程进行检测获得的残余应力数据和/或等效松弛时间数据；又或为将所述3D打印构件对应的3D构件模型进行仿真打印，如在有限元模拟环境中模拟打印所获得的残余应力数据和/或等效松弛时间数据。
松弛时间是指物体受力变形，外力解除后材料恢复正常状态所需的时间，在本申请所提供的实施例中，所述等效松弛时间数据可用于表征打印构件中各空间坐标点或局部区域在打印起始至稳定成型的过程所经历的应力松弛。在此，所述打印材料通常为高分子材料，高分子聚合材料的力学松弛行为是其整个历史上诸松弛行为加和的结果，所述力学松弛行为与材料温度相关，例如聚合材料在高温短时间内产生的力学松弛行为之和可等效为低温长时间内产生的力学松弛行为之和。所述等效松弛时间数据为将打印构件中各空间坐标点或局部区域在打印中经历的温度历史等效至同一预设温度值下的松弛时间之和，应当理解，当所述多组等效松弛时间数据为采用同一预设温度值获得，即可基于所述多组等效松弛时间的数值比较多组打印实验或模拟打印对应的材料力学松弛行为；又或，对一组等效松弛时间数据，可基于其数据分布比较打印构件中不同空间坐标点或区域经历的材料力学松弛行为。
所述残余应力数据为打印构件冷却成型后打印构件整体例如各空间坐标点或局部区域的残余应力值，也可为基于模拟打印计算获得的残余应力值。所述残余应力数据可用于表征成型构件的性能，例如，构件成型后其内部组织具有形变以消除内应力的倾向，从而使打印构件精度改变。
在本申请提供的所述机器学习模型的训练方法中，在步骤S10中获得的所述多组残余应力数据和/或多组等效松弛时间数据，以及3D打印构件在实际打印环境中至少一种性能评价参数的测量值用于形成对机器学习模型的训练数据集，所述训练数据集包括用于进行机器学习模型训练的输入数据与输出数据，基于所述训练数据集执行训练以生成可用于评估3D打印构件性能的所述机器学习模型。在此，每一组训练数据中包括一确定的残余应力数据和/或一等效松弛时间数据，以及对一确定的3D打印构件在实际打印环境中至少一种性能评价参数的测量值，每一组训练数据中的残余应力数据、等效松弛时间数据以及至少一种性能评价参数的测量值具有对应关系以形成分组。
应当理解，经由所述机器学习模型的训练方法获得的机器学习模型旨在将打印构件的打印参数与打印物性能进行关联。打印构件的切片图形、打印参数信息作为决定打印构件性能评价参数的测量值的变量，用于进行分组的依据即为打印构件模型形态也即切片图形及打印参数信息，基于同一打印构件模型以及打印参数信息获得的残余应力数据、等效松弛时间数据以及至少一种性能评价参数的测量值即可作为一组训练数据。
在某些示例中，基于所述对应关系形成训练数据集中的标签或标记。
举例说明所述对应关系，例如，对一确定的3D打印构件模型A1，对模型赋予一组打印参数B11(Bi1，Bj1，Bk1，Bl1，Bm1，Bn1，…)进行打印实验或有限元模拟打印获得所述残余应力数据S11、等效松弛时间数据E11，并对打印实验获得的打印构件进行性能测试以获得至少一种性能评价参数的测量值P11(Pc1，Pd1，Pe1，Pf1，…)，在此将所述测量值P11与残余应力数据S11、等效松弛时间数据E11进行标记使其分别对应，形成一组训练数据Q11(S11，E11，P11)，在训练过程中基于所述对应关系所述测量值P11可被识别为残余应力数据S11和/或等效松弛时间数据E11的期望数据。其中，Bi1，Bj1，Bk1，Bl1，Bm1，Bn1可指代不同的打印参数例如打印头的打印路径，层高度，打印头的移动速度，打印材料输出速度，打印材料加热温度，挤出温度等的取值，Pc1，Pd1，Pe1，Pf1可指代不同性能评价参数如构件可打印性，形状畸变，结构刚度，层间粘接强度，几何精度等的测量值。在此，对于同一3D打印构件模型A1，对模型配置另一组打印参数B12(Bi2，Bj2，Bk2，Bl2，Bm2，Bn2，…)进行打印实验或有限元模拟打印获得所述残余应力数据S12、等效松弛时间数据E12，并对打印实验获得的打印构件进行性能测试以获得至少一种性能评价参数的测量值P12(Pc2，Pd2，Pe2，Pf2，…)，在此将所述测量值P12与残余应力数据S12、等效松弛时间数据E12进行标记使其分别对应，即可形成另一组训练数据Q12(S12，E12，P12)，在训练过程中基于所述对应关系所述测量值P12可被识别为残余应力数据S12和/或等效松弛时间数据E12的期望数据。
通过改变切片图形或打印参数进行打印实验即可获得多组训练数据，在此不做赘述，应当理解，任意两组训练数据间打印参数中至少一种参数的取值不同或/及3D打印构件的分层(切片)图形不同。
应当理解，在同一组训练数据中，当所述残余应力数据、等效松弛时间数据为通过对打印构件模型的有限元模拟打印获得，训练数据中用于获得所述至少一种性能评价参数的测量值的打印实验为有限元模拟打印的对照实验，在此，所述打印实验及有限元模拟打印的环境为：对相同的采用同一的3D打印构件的分层(切片)图形配置以相同打印参数信息形成。当然，应当理解的，通常在确定实际打印实验中的打印参数后，可将实际打印参数用于构建相对照的有限元模拟打印环境，但此处所述的相同打印参数并不限制为各打印参数取值完全相同，也可以为令打印实验及有限元模拟分别对应的打印参数信息在误差允许的范围内相同即可。
所述分层(切片)图形是预先基于对3D打印构件模型Z轴方向横截切片而得到的。其中，在每相邻横截划分所形成的横截面层上形成由3D打印构件模型的轮廓所勾勒的切片图形，在所述横截面层足够薄的情况下，可认定所述横截面层上横截表面和下横截表面的轮廓线一致。对基于面投影的3D打印设备，各切片图形又称分层图像(图案)、切片图像(图案)。
在本申请提供的实施例中，所述分层(切片)图形是为构成3D打印构件模型的所有分层图形，其对应的切片数据包括每一分层(切片)图形及其配置的层高，以及分层图形的打印路径。
所述3D打印构件的分层(切片)图形与3D打印构件的几何结构有关，在某些实施方式中，所述3D打印构件为形状规则的几何结构，包括竖直薄壁、水平薄板、倾斜薄板、立方体、圆筒体、圆柱体、方筒体、锥体、斜柱、实心块体、网格填充结构等。
所述网格填充结构例如为在限定的打印区域(或3D打印构件三维轮廓区域)内通过具有间隙的网格进行填充的结构，所述网格举例为三角形、四边形、六边形等；在一示例中，可基于区域面积确定填充的百分比及选定的网格形状确定网格填充结构。
又或，在某些实施方式中，所述3D打印构件为复杂结构，所述复杂结构举例为由多个所述形状规则的几何结构组装形成的复杂结构，例如对应于一些实际定制商品、医疗治具、器官模型等的复杂结构。
在一实施方式中，基于预设的3D打印构件模型与打印参数，形成可用于3D打印设备读取的打印数据，由此进行实际打印或有限元模拟打印。所述构件模型的数据可以是任何已知的格式，包括但不限于标准镶嵌语言(Standard Tessellation Language，STL)或立体光刻轮廓(Stereo Lithography Contour，SLC)格式、虚拟现实建模语言(VirtualReality Modeling Language，VRML)、积层制造档案(Additive Manufacturing File，AMF)格式，绘图交换格式(Drawing Exchange Format，DXF)、多边形档案格式(Polygon FileFormat，PLY)的形式或适用于计算机辅助设计(Computer-Aided Design，CAD)的任何其他格式。
在实际打印中，以3D打印的熔融沉积工艺为例，所述熔融沉积工艺亦被称之为FDM打印，打印中材料以高温流体状态从打印头挤出冷却。材料以熔融状态逐渐增加，或者通过移动的热源(例如加热元件)使其处于熔融状态，之后在连续演变的表面上发生冷却，应当理解，基于打印的对流辐射、环境冷却以及热源移动等，打印材料的温度亦随时间演变。
在一些实例中，所述多组残余应力数据和/或多组等效松弛时间数据是通过打印实验获得的。
在一实例中，在打印过程中测量设备例如红外热像仪检测打印中随时间变化的打印腔体内部的温度场分布数据，基于此温度场分布数据即可获得所述等效松弛时间数据。在一种示例中，将所述红外热像仪架设为固化过程中与打印构件等高，记录打印材料逐层积累的过程中随打印构件高度增加红外热像仪所观测或记录的投影面上材料的温度变化历史也即所述温度场分布数据；所记录的温度变化历史的形式例如为不同打印时刻的由温度分布转换的可视图像(照片)或温度场视频、动态图等。在另一示例中，当所述打印结构为非轴对称结构，可在打印构件的不同方向分别架设红外热像仪，或通过改变打印构件与热像仪的相对方向进行多次打印，如令打印构件旋转一定角度进行打印并可重复此过程，从而获得打印构件不同区域的温度变化历史。
在某些示例中例如由FDM设备进行实际打印时，通常将所述红外热像仪设置于打印腔体之外，为削弱由腔体结构如透光玻璃板对红外热像仪所采集的红外辐射的衰减，还可对温度场进行修正，在此，所述修正过程例如可基于多次打印实验获得温度场分布数据，通过数据处理计算腔体结构带来的衰减值。
在此，用于记录实际打印的中打印材料温度演变的设备还可以为热电偶，辐射温度计、电子式温度传感器等可用于温度检测的仪器或设备，本申请不做限制。应当理解，基于所设置的不同类型温度检测仪，如接触式检测仪或非接触式检测仪确定温度检测仪与打印构件的相对位置，以获得打印起始至构件冷却成型中打印构件的温度变化历史，例如，当所述温度检测仪为热电偶，可将热电偶布置在腔体不同关键位置记录打印中的温度值的变化。对所述温度变化历史进行处理，可获得S10中的等效松弛时间数据。
所述温度变化历史与打印构件模型的具体形态如几何结构类型、尺寸或分层(切片)图形，对打印构件模型设置的打印参数如打印材料属性、打印头移动速度、打印设备构件板加热温度等的取值相关，在一实施场景中，通过不同形态的打印构件中每一打印构件均配置以不同的打印参数，即可基于打印实验(也即进行实际打印)获得多组温度变化历史，由此处理获得所述多组等效松弛时间数据，基于所述多组等效松弛时间数据可执行所述机器学习模型的训练方法，以生成将不同形态的打印构件模型的打印参数与性能进行关联的机器学习模型。
在某些实施方式中，通过对成型后的打印构件进行测量以获得残余应变数据，如通过机械方法举例为局部分离、分割、钻孔、切槽等方式使得打印构件释放残余应力，基于由此产生的构件形变计算残余应力；又或如采用X射线衍射法、中子衍射法、磁性法、超声法以及压痕应变法等无损的物理检测方法测量打印构件的残余应力分布状态，通过对配置为不同打印参数的打印构件模型进行打印实验，并测量成型后的打印构件的残余应力，即可获得所述多组残余应力。
在某些实施方式中，所述多组残余应力数据或所述多组等效松弛时间数据是在不同有限元模拟环境中获得的；其中，所述不同有限元模拟环境是通过对3D打印构件模型设置以不同打印参数信息形成的。在此，对所述3D打印构件模型设置以不同打印参数信息进行模拟打印，输出模拟打印过程中打印构件的动态温度场分布数据与残余应力数据，其中，基于所述动态温度场分布数据可计算获得所述多组等效松弛时间数据。
示例性的，所述有限元模拟环境可在具有处理功能的设备中搭建，例如处理器使用可选的预设密度的任意类型的网格将现实世界对象的表示为离散化成多个有限元，其中有限元是现实世界对象的几何部分的描述。所述设备可以是任何具有数学和逻辑运算、数据处理能力的计算设备，其包括但不限于：个人计算机设备、单台服务器、服务器集群、分布式服务端、云服务端等。
所述有限元模拟环境利用数学近似的方法对真实物理系统(如几何和载荷工况)进行模拟，在本申请的实施例中，基于构建逼近于真实打印环境的有限元模拟环境，也即，令决定(或影响)打印过程的温度历史数据、残余应力数据的变量在实际打印环境与有限元模拟环境中趋近相同，以提高模拟打印的可靠性。
在此，在所述有限元模拟环境中进行模拟打印获得的残余应力数据及等效松弛时间数据即可表征真实打印环境中的残余应力数据及等效松弛时间数据，对一确定的有限元模拟环境中形成的残余应力数据或/及等效松弛时间数据，可与作为有限元模拟环境对照实验的打印实验中获得的至少一种性能评价参数的测量值形成一组训练数据。所述有限元模拟环境由3D打印构件模型的分层图形及打印参数确定，通过改变至少一种打印参数信息或模型的分层图形，即可形成多组训练数据。
应当理解，所述有限元模拟环境用于模拟真实打印环境，在本申请提供的某些实施例中，所述有限元模拟环境中的打印参数信息是基于对照的打印实验中实际打印环境的参数信息确定的，例如，实际打印中的打印设备信息如打印头截面是已知量，在对照的有限元模拟中，通过获取实际打印环境的参数如打印头截面形状以构建有限元模拟环境。
在某些实施方式中，例如在FDM打印或对FDM打印的有限元模拟中，所述打印构件模型可经由切片处理形成G-Code数据，对所述G-Code数据配置打印参数信息，即可用于进行实际打印，亦可形成有限元模拟环境。在实践中，G-Code数据包括一系列具有先后执行顺序的空间坐标点，所述3D打印构件模型的G-Code数据即为以坐标和时间序列或先后顺序表示的打印路径，例如，在具有处理的功能的计算设备中输入所述G-Code数据，打印头顺应G-Code数据每一空间坐标点的顺序形成的路径移动即构成3D打印构件。所述打印头可以为虚拟的打印头如在有限元模拟环境中虚拟建模的打印头或由功能等效的打印头。
在某些实施方式中，所述打印参数信息包括打印头的打印路径、层高度、打印头的移动速度、打印材料输出速度、打印材料加热温度、以及挤出温度中的一种或多种信息。
通常在FDM打印中，将丝状的热熔性材料经过送丝机构(一般为辊子)送进热熔喷嘴，在喷嘴内丝状材料被加热熔融，同时喷头沿零件层片轮廓和填充轨迹运动，并将熔融的材料挤出，使其沉积在指定的位置后凝固成型，与前一层己经成型的材料粘结，层层堆积最终形成产品模型。
应理解的，所述打印头为FDM类型的3D打印设备中的加热头(亦称加热嘴、喷头或喷嘴)，用于对作为3D打印原材料的丝材加热熔融成液态的材料涂抹在构件板上；所述构件板(亦称构件平台或打印平台)是用于附着目标3D构件的平台，其并可根据由计算机操作的控制器提供的信号沿垂直的Z轴线运动。所述层高度即打印构件模型的切片层厚，在某些示例中为G-Code数据中相邻层打印路径在重垂方向(Z轴方向)的间距，所述层高度可用于指示Z轴线运动的垂直高度。
由打印头定义的参数如打印路径、打印头移动速度、以打印头为移动热源的加热温度等可基于实际打印中的打印头数据进行设置，也可人为设定，所述打印头的参数信息可由3D打印设备读取，又或用于进行有限元模拟。
在基于有限元模拟获取残余应力数据及/或等效松弛时间数据的一些实施例中，所述打印头可作为输送打印材料的起始点，显示为由所述打印移动速度与打印路径确定其位置的截面。其中，所述由功能等效的打印头通过将赋予打印材料打印头的影响以实现，如赋予打印材料顺应打印头预定路径增加的过程、打印头对挤出的打印材料温度影响等，而在实践中无需建立打印头模型。
所述打印材料的输出速度是以打印材料相对打印头运动的输出速度，也即在打印环境中如构件平台上累积材料的速度。
所述打印材料的加热温度为在打印设备内部将打印材料加热为熔融状的温度值或温度范围；所述挤出温度为打印材料在打印头挤出时的温度，在一示例中，所述挤出温度由打印材料的加热温度、以及设置于打印头的温度确定。
在某些实施方式中，所述打印参数信息还包括打印设备参数信息，所述打印设备参数信息包括打印初始温度场信息、打印设备构件板加热温度、打印腔室温度、以及打印头形状中的一种或多种信息。
所述打印温度场信息为打印初始时刻的打印设备内或打印腔室内的温度场信息，在一示例中，所述初始打印温度场信息获取的方式包括：基于热成像仪或热电偶测量打印前的打印腔体温度分布获取有限元模拟环境的打印初始温度场信息。
在此，基于热成像仪或热电偶获得打印开始前打印腔室内的温度分布数据，所述温度分布数据例如经由热成像仪转化所得的温度可视图，基于所述温度分布数据获知初始打印时刻打印腔室内不同位置的温度值，形成可用于构件有限元模拟环境的打印初始温度场信息。应当理解，用于获取初始打印时刻的温度场分布的温度检测仪器或设备还可以为辐射温度计、电子式温度传感器等，本申请不做限制。
在某些示例中，所述初始打印温度场基于多次对打印设备的测量结果获取，以经由数据处理对测量的温度场进行修正。
所述打印初始时刻为打印开始的时刻或打印起始的前一时刻，打印环境中的温度场为关于时间的函数，在此，所述时刻通常为一较小的时间间隔如0.5s，1s，1.5s等，在此时间间隔内可将随时间的变化的温度场为等效为一恒定温度场。
在实际打印环境中所述打印设备构件板加热温度可直接设置于构件板，在有限元模拟环境中所述打印设备构件板加热温度可为恒温的接触面或以预设的规律升温或散热的接触面，所述接触面即为第一层打印材料的承接面也即模型底面。通常，所述打印基板温度为一预设的恒定值，在某些示例的有限元模拟中，在模型最底部的边界条件为，取预设固定值的恒定温度，用于模拟实际打印环境中的打印基板温度；又或，基于实际打印环境打印基板的温度变化函数，在模拟中将模型底部的温度设置为同一温度变化函数。
所述打印腔室温度即为成型腔室内温度，在有限元模拟环境中可对应为预设的腔室体积内的温度，所述腔室体积可基于实际打印实验中的打印设备的结构确定，并施加或定义与实际腔室等效的换热条件与材料类型，以模拟实际打印环境。在某些实施方式中，所述打印腔室温度在有限元模拟中可用打印环境的等效加热速度或冷却速度定义，所述等效加热速度或冷却速度可由基于实际打印环境的边界条件获得的热传导公式或由经验公式定义。
所述打印头通常默认为圆形截面或多边形截面(比如正方形、矩形、菱形、五边形或六边形等形状的截面)，通过打印头形状(或截面形状)即可确定将打印材料输送至打印腔室进行冷却成型的截面。当然，所述打印头截面形状不受限于上述举例，在模拟中根据预设的打印头形状定义几何参数即可。
在某些示例中，所述打印参数信息还包括打印构件的材料属性信息，所述材料属性信息包括：丝材类型、丝材直径、丝材截面形状、材料最高加热温度、材料热参数、材料动态力学参数、以及材料初始残余应力中的一种或多种信息。
所述打印材料的属性信息为材料类型及其相关的特性信息，可以为诸如物理性能如比热容或热传导性能、密度、熔点、玻璃化温度、力学性能、化学性能等通常关联于材料类型的性能，一般来说，不同材料所具备的性能不同，对应为不同取值或特性的参数信息。
所述丝材类型也即打印材料类型，在一些示例中，所述打印材料包括PLA(Polylactic Acid，聚乳酸)、ABS(Acrylonitrile Butadiene Styrene丙烯腈-丁二烯-苯乙烯共聚物)、聚氨酯TPU、TPE材料(热塑性弹性体)、热塑性弹性体、尼龙、碳纤维材料(例如为Carbon Fiber)、半结晶热塑性塑料、Metal PLA/Metal ABS金属质感PLA/ABS材料、PEEK材料、FDM导电丝材、Glow-in-the-Dark夜光材料(比如在PLA或ABS中添加不同颜色的荧光剂)、Wood木质感材料(通过在PLA中混合定量的木质纤维)等。
所述丝材直径为打印材料从打印头被挤出的直径，在某些实施方式中，所述丝材为圆截面，通过定义打印头移动速度与丝材直径即可对应获得丝材的挤出速度。
所述丝材截面形状为丝材从打印头处被挤出后在连续演变的表面上冷却的过程中用于堆叠形成构件的成型结构的截面形状。通常，在理想情况下，所述丝材截面形状在打印头位置处为同一形状，而后在打印中基于不同区域的传热状态及力学状态等，成型后的丝材截面可能演变为不同形态。在一示例中，所述有限元模拟环境中的丝材截面形状定义为在打印头处刚挤出位置的丝材截面形状。
所述打印材料最高加热温度为对于特定打印材料，将其熔融挤出冷却成型的过程中为保持打印物性能所允许的温度上限，例如温度过高导致打印材料的翘曲和收缩。基于该打印信息作为温度限制条件，以避免由所述有限元模拟方法对打印过程的模拟分析获得的结果在实际打印中因温度损害打印质量。
所述材料热参数包括打印材料或打印环境的比热、热传导系数、对流换热系数、热辐射系数(辐射率)等；在某些示例中，所述材料热参数基于实际打印环境获取，例如对实际打印环境进行参数读取、测量或计算获取等，以构建对照的有限元模拟环境。
在某些示例中，所述对流换热系数可由对流换热系数公式也即牛顿冷却定律计算获得，例如，基于确定的材料类型，将打印丝材均匀加热至不同温度后置于打印腔体中，利用温度检测设备如红外热像仪或热电偶记录丝材温度随时间的变化规律，基于打印腔室内不同区域的温度也即温度场关于时间的函数、以及确定的实际打印环境如发生对流换热的换热面积计算获得打印材料的对流换热系数。
在另一实施例中，对形状规则的几何结构模型进行打印实验，记录打印过程中打印材料随时间变化的温度场分布，以及，对所述几何结构模型设置以不同对流换热系数进行有限元模拟，输出模拟打印过程的模拟温度场，将与打印实验的温度场重合的模拟温度场对应的对流换热系数作为等效的对流换热系数。
在此，所述形状规则的几何模型例如为水平薄板、薄壁圆筒等简单的轴对称结构，在打印实验中，通过温度检测设备如红外热像仪记录所述几何结构表面温度的变化规律；对于同一几何结构模型，对打印参数信息进行控制变量的多组模拟打印，其中，所述变量即为有限元模拟环境中设置的对流换热系数，在有限元环境中将影响打印中打印材料温度变化的其余变量设置为与打印实验一致，重复进行模拟打印以至模拟打印所输出的几何结构表面的温度变化规律(也即模拟打印的温度场)与打印实验的温度场重合，将获得与实际打印温度场重合的模拟打印温度场的有限元环境中设置的对流换热系数作为等效的对流换热系数，即可获得对应材料类型的对流换热系数。
所述热辐射系数可基于热辐射系数测试仪测量，在一示例中，在实际打印中对打印构件进行热辐射系数测试获取热辐射系数，并将其作为有限元模拟的输入信息。
所述材料动态力学参数为材料力学性能(或机械性能)如：储能模量(弹性模量)、损耗模量(粘性模量)与时间、温度、频率的关系，所述材料动态力学参数可基于DMA(Dynamic thermomechanical analysis，动态热机械分析)确定。
在某些实施方式中，所述材料动态力学参数的确定方式包括：测量打印构件也即用于测试的试样在不同温度下被施加交变应变、恒定应变、或固定载荷后的响应，获得材料的储能模量和损耗模量随温度、时间的变化曲线，拟合曲线以获得有限元模拟中输入的材料动态力学参数信息如阻尼特性、蠕变、应力松弛、玻璃化转变等。
在一具体示例中，在确定的温度下，对由打印材料形成的打印构件或试样施加交变位移信号，测量相应的打印构件的载荷响应，由此获得打印材料在此温度下的储能模量与损耗模量；通过改变重复进行前述测量过程，获得材料的储能模量与损耗模量关于时间的函数或变化规律，由此确定用于构建有限元模拟环境的材料动态力学参数。在此，所述试样可基于DMA测试的要求进行制备，例如限制试样的长宽取值为2～20mm、厚度为0～5mm以及上下表面平行等。
在某些实施方式中，所述交变应变、恒定应变或固定载荷依不同加载方向使打印构件发生不同形变，所述形变的类型包括拉伸、压缩、弯曲、3点弯曲、剪切中的至少一者。例如，对于复合材料可采用3点弯曲测试确定弹性模量，在实际场景中，可对打印试样设定最大位移、最大振幅以及偏移力。
在此，可改变应变或载荷相对于试样的加载方向，使得打印构件产生不同类型的形变，由打印构件被施加的应变类型与载荷的加载方向，可获得材料的不同参数；在前述某些示例中，所述打印构件为打印获得的试样或对打印构件分割获得的试样。在某些示例中，还可对同一规格的试样分别进行不同加载方向的测试，通过对比以减小测量误差，确定材料的动态力学参数信息。
在某些实施方式中，所述交变应变为简谐应力或简谐载荷，例如对所述打印构件施加正弦应力。
通常在实际打印环境中，打印初始阶段受打印材料从打印头处挤出的速度、温度等因素影响会形成初始残余应力，所述初始残余应力自产生即存在于打印构件中至打印结束，因此对成型打印物件有一定的影响如导致材料变形和开裂，在有限元模拟中可通过对打印实验确定初始残余应力以形成有限元模拟环境的输入参数，使有限元模拟环境逼近真实打印环境。
请参阅图2，显示为确定所述初始残余应力的方法在一实施例中的流程示意图。
在步骤S101中，对打印材料设置以不同的打印参数信息进行多组单丝打印实验。
通常，打印中的初始残余应力与打印参数有关，例如挤出温度、打印材料类型(丝材类型)等，在此，对于不同的类型的打印材料，设置以不同打印参数进行打印实验以获得多组可用于初始残余应力测量的单丝结构。
在步骤S102中，计算或测量多组单丝打印实验获得的单丝构件的残余应力。
在某些示例中，步骤S102中可对所述单丝结构进行处理以释放残余应变，测量单丝形变以计算残余应力；又或基于物理检测方法确定所述单丝构件的残余应力。
在一些具体示例中，对打印获得的单丝结构进行加热至玻璃化温度以上，例如加热至玻璃化温度之上10℃，记录单丝结构在加热前后的长度如分别为L0、L，在此过程中单丝内的残余应力被释放，由单丝产生的变形即(L0-L)/L可确定其残余应力。
在此，还可通过机械方法举例为局部分离、分割、钻孔、切槽等方式使得单丝结构释放残余应力，基于由此产生的单丝形变计算残余应力；又或如采用X射线衍射法、中子衍射法、磁性法、超声法以及压痕应变法等无损的物理检测方法测量单丝结构的残余应力分布状态，通过对打印材料配置为不同打印参数进行单丝打印实验，并测量单丝的残余应力，即可获得所述多组残余应力。
实际打印中，初始残余应力在打印初始阶段形成，在此时间内挤出的结构通常为一单丝结构，在此，应当理解，所述单丝的残余应力即可用于表征打印构件的初始残余应力。
在步骤S103中，获得包括所述不同打印参数信息与多组打印实验获得的单丝构件的残余应力的残余应力数据库；其中，打印实验获得的单丝构件的残余应力与单丝构件的打印参数信息具有对应关系。
将对单丝测量获得的残余应力与单丝的打印参数进行标记，使得每一残余应力数据与一打印参数对应，对不同的打印材料配置不同打印参数进行单丝打印实验，即可形成所述残余应变数据库。在一示例中，将所述残余应变数据库输入有限元模拟系统中，有限元模拟中模拟系统可基于接收的打印参数信息在所述残余应变数据库中匹配对应的残余应力也即初始残余应力。
在此，确定3D打印构件的分层图形及打印参数信息后，即可构建形成有限元模拟环境，在某些示例中，在所述有限元模拟环境中对所述3D打印构件进行耦合模拟计算以获得所述多组残余应力数据和/或多组等效松弛时间数据，所述耦合模拟计算为在预设有边界条件下的耦合模拟计算，所述边界条件包括热对流边界条件和/或热辐射边界条件。
在一示例中，所述边界条件包括传热边界条件与力学接触的边界条件，在某些实施方式中，在所述有限元模拟环境中设置3D打印构件模型后，例如将预设了尺寸规格的正六面体作为基本单元，3D打印构件模型由多个为正六面体的基本单元构成，其中，每一基本单元热边界条件为基本单元与外界环境以及相邻基本单元之间的热量交换情况，包括：与模型底部恒温的构件板之间的对流换热，环境冷却带来的内部负热源，不同打印层之间的对流和打印腔室辐射引起的冷却。
在某些示例中，在模拟打印中的不同时刻例如每经过一定的时间间隔，通过重新识别模型表面以在模型的表面赋予热对流边界条件和热辐射边界条件，以动态的边界条件描述打印过程中环境温度的影响。
在某些实施方式中，在所述有限元模拟环境中对所述3D打印构件进行耦合模拟计算以获得所述多组残余应力数据和/或多组等效松弛时间数据，所述耦合模拟计算的模型包括描述所述打印材料的力学变形的线性粘弹性模型，或/和用以描述所述打印材料的热传导行为的横观各向同性热传导模型或正交各向异性热传导模型。
在一示例中，所述线性弹粘性模型为多分支热粘弹性模型，所述多分支热粘弹性模型考虑了打印材料的温度相关松弛行为以及流动剪切现象。其中，材料的力学行为与温度有关，打印中的总应变由热应变与弹性应变组成，通过热-力学-化学耦合模型描述材料在随时间的改变，所获得的模拟结果同时考虑了材料特性、温度与力学状态，以及温度与应力应变之间的相互作用，最终变形数据更符合实际打印状态，可减小模拟误差。
在某些实施方式中，在模拟计算的过程中，可选择输出残余应力场对应的应力云图、变形的位移云图或温度场对应的温度云图中的一者，应理解的，在计算中，所述温度场与应力场完全耦合，在每一时刻的计算中即可同时获得瞬态温度场与残余应力场，在模拟打印过程中获得随时间变化的也即动态的温度场、残余应力场。
在此，在步骤S10中，通过有限元模拟输出模拟打印的计算结果，或通过观测实际打印过程，即可获得打印的残余应力数据及动态温度场数据。通常，所述模拟打印的计算结果中的残余应力数据及动态温度场数据为打印构件中各空间坐标处的残余应力数据与温度场数据，在一些实例中，所述空间坐标点的密度基于有限元环境中设置的网格密度确定，例如，网格密度越高，每一网格越小，计算的残余应力数据与温度场数据中空间坐标点的密度越大。
在某些实施方式中，所述等效松弛时间数据是实际打印过程或模拟打印过程中，将打印材料随时间变化的动态温度场数据基于WLF方程(Williams-Landel-Ferry方程)或/及阿累尼乌斯方程(Arrhenius equation)进行时温等效至同一预设温度值获得的。
基于高分子材料的松弛行为与温度的关系，将低温长时间的松弛行为可等效为高温短时间的松弛行为，以下式(1)表示：
Figure BDA0002924796670000161
其中，τ(T1)，τ(T2)分别为材料在不同温度T1，T2下的特征松弛时间，所述特征松弛时间可表示材料应力松弛的能力，a(T1)，a(T2)为与温度相关的转化因子(也称移位因子)，即转化因子a为温度的函数，在此，通常材料中的温度高于玻璃化转变温度时，转化因子a遵循WLF方程，如下式(2)所示：
Figure BDA0002924796670000162
其中，T为打印中的实际温度，TM为参考温度，C1、C2均为经验参数，由参考温度TM的取值确定，在此，对于打印构件中任一空间坐标处或局部区域内的实际温度T，当所述实际温度T高于打印材料的玻璃化温度，确定预设的参考温度TM后，由式(2)可获得当前的实际温度对应于所设置的参考温度TM的转化因子a，对于在当前温度T下在时间t内经历的力学松弛，即可等效为材料在参考温度TM下时间t/a内经历的力学松弛。
再者，当打印构件中材料温度低于玻璃化转变温度时，转化因子a遵循低温态遵循阿累尼乌斯方程，呈如下式(3)所示：
Figure BDA0002924796670000171
其中，T为打印中的实际温度，Tg为参考温度，A为材料常数，FC为构型能(configurational energy)，kB为玻尔兹曼常数，通常当温度变化范围不大时反应活化能可视为常数。对于打印构件中任一空间坐标处或局部区域内的实际温度T，当所述实际温度T低于打印材料的玻璃化温度，确定预设的参考温度Tg后，由式(3)可获得当前的实际温度对应于所设置的参考温度Tg的转化因子a，对于在当前温度T下在时间t内经历的力学松弛，即可等效为材料在参考温度Tg下时间t/a内经历的力学松弛。
应当理解，在实际打印或模拟打印过程中，打印构件内的温度场随时间变化，同时，打印构件中不同位置或空间坐标点处的温度历史不同，在此，将打印过程分割为多个微小时间段dt组成，在此，可认为dt内的打印材料的温度为恒定值，即可由式(2)、式(3)将该dt时刻内应力松弛行为转化为在参考温度下的dt/a时间内的应力松弛行为，可对不同位置的打印材料在整个打印过程即打印起始例如0时刻至冷却成型的时间例如t1时刻内材料经历的松弛行为进行积分，呈如下式(4)所示：
Figure BDA0002924796670000172
其中，(x，y，z)为空间坐标点，tr(x，y，z)为该点在从0时刻至t1时刻的打印过程中等效松弛时间。
对实际打印环境或模拟打印环境中的任一空间坐标点或一区域，可由此将整个打印过程的温度历史等效至预设的参考温度下的等效松弛时间，基于打印构件的等效松弛时间分布数据还可评价不同位置的应力松弛行为。
由上述各实施例公开的方法，即可获得步骤S10中的所述多组残余应力数据及多组等效松弛时间数据，在此，在步骤S10中还包括获取对应的多组3D打印构件在实际打印环境中至少一种性能评价参数的测量值，以形成所述多组训练数据也即训练数据集。
在某些实施方式中，所述性能评价参数包括构件可打印性、形状畸变、结构刚度、层间粘接强度、几何精度、最小打印间隙、分辨率、桥接表现、悬垂表现、表面波纹度、最小打印层厚、垂直度中的至少一者。例如，所述形状畸变包括打印构件的局部形状畸变，对应的测量值可用数据阵列如矩阵表示。
所述性能评价参数对应的性能评价结果即测量值可例如为性能对应的单位及数值，在此，所述数值的形式包括单数，数据阵列，或在预设规则下用于表征评价结果的标识符号如文字符号、数学符号、字母等。
在此，应当理解，所述多组3D打印构件在实际打印环境中至少一种性能评价参数的测量值与所述多组残余应力数据、多组等效松弛时间数据相对应；因此，在实际打印环境中，对每一种对不同几何结构的3D打印构件、配置为不同切片方式、以及设置有不同打印参数的切片图形与打印参数的组合进行实验，以获得足够多的训练数据。
所述构件可打印性为针对确定的分层图形与打印参数，是否可进行打印获得符合质量规格的打印构件的评价。在一些实施例中，所述构件可打印性的确定方式包括：对构件三维模型设置以不同打印参数，将实际打印环境中3D打印构件出现局部坍塌或畸变的构件三维模型与打印参数组合确定为不具有可打印性。在实际场景中，对打印过程进行观测追踪，确定打印构件从打印起始至结束是否存在局部坍塌或形状畸变，若是则认为当前打印参数设置下的打印构件不具有可打印性。
通常，所述局部坍塌或形状畸变与打印中的局部材料的温度状态相关，例如当区域内材料长时间处于高温态，则易于发生局部坍塌或形状畸变；应当理解，在不同的打印参数设置下，打印构件中每一坐标位置的温度场可能随之改变，为确定所述打印构件的可打印性与打印过程的温度场的关系，对不同几何构型的构件进行打印实验，其中，基于特定类型的打印构件模型，以不同切片方式与打印参数进行打印实验，将打印成功的切片方法与打印参数组合进行标记例如标记为1，将打印失败的切片方法与打印参数的组合进行另一标记例如标记为0，由此可形成表征可打印性的评价结果。当然，所述可打印性的标记方式不以此为限。
所述形状畸变参数包括整体形状畸变与局部形状畸变，可用于评价打印构件实体与预期的打印模型轮廓间的几何误差。在某些示例中，确定所述形状畸变的测量值的方式包括：比较实际打印环境中的3D打印构件的表面网格与3D打印构件模型表面网格间的曲率误差，以计算获得构件表面的局部区域或/及构件整体的形状畸变。在此，所述3D打印构件模型表面网格为打印前的例如3D打印前处理中预设的3D打印构件模型。
在一示例中，所述实际打印环境中的3D打印构件的表面网格是由三维光学扫描仪扫描3D打印构件获得的。所述表面网格例如为三角网格，以多个三角网格对物体表面分段线性拟合。通常，前处理中的3D打印构件模型可在前处理设备中生成或显示三角网格。当然，所述光学扫描获得的网格或3D打印构件模型的表面网格也可为四边形、多边形等，本申请不做限制。
在某些示例中，通过计算光学扫描获得的三角网格与打印构件模型的表面网格之间的曲率误差，以获得打印构件的形状畸变参数的测量值，其中，所述曲率可例如为高斯曲率、主曲率、平均曲率等作为等效曲率。在一具体示例中，由光学扫描打印构件获得的网格与3D打印构件模型如CAD模型网格不重合，在计算打印前后的构件表面网格曲率误差时，对每一实际扫描获取的三角网格，可基于网格的形心位置确定与其距最近的3个CAD模型网格，将CAD模型网格与实际扫描网格分别对比获得3个曲率误差例如表示为Δκi1，Δκi2，Δκi3，将3个曲率误差的平均值
Figure BDA0002924796670000191
作为实际扫描的三角网格与CAD模型网格的曲率误差值，所述曲率误差值即可作为每一实际扫描网格的形状畸变的测量值，对于模型表面的局部区域或模型整体，其形状畸变κ＝∑SiΔκi/∑Si，其中，Si为形状畸变参数k所评价的区域内每一网格的面积。
应当理解，由网格的等效曲率可指示网格平面在空间上沿不同方向弯曲的程度，当构件表面被以多个微小的网格拟合替代后，对于确定的曲率类型如主曲率，每一网格与其邻近得网格间的主曲率相近，在此，用于对实际扫描的三角网格进行评价的距离接近的CAD模型网格也可以为2个、4个、5个等，本申请不做限制。
当然，所述形状畸变参数的测量方式也可为基于双目结构光测量打印构件整体三维形貌，基于三维激光扫描获得打印构件的三维点云等，本申请不做限制，应当理解，对以不同方式获得的实际打印环境中的打印构件表面形态，将其与打印前的预设模型轮廓对比即可实现对构件整体及局部区域的形状畸变分析。
在一示例中，所述打印构件的结构刚度为整体刚度，所述整体刚度可用于评价打印构件在投入实践使用中所需达到的性能，对于不同的打印构件，可基于打印构件的几何结构特征确定刚度测试中力的加载方向，以获得对打印构件的刚度评价的测量值。例如，所述打印构件为长方体结构，即可顺应长度方向例如在三维空间中将其定义为Z方向，顺应Z方向测定拉伸刚度，采用三点弯实验在X-Y方向测定其弯曲刚度；在此，不同类型的打印结构均需测定其在Z方向的刚度与X-Y方向的刚度，基于打印构件的几何结构，确定对应的测量方法。在一些具体实现方式中，所述整体刚度可用打印构件整体的刚度矩阵表示。
在某些实施方式中，对所述打印构件依照不同的力的加载方向以进行结构刚度测试，所述结构刚度包括弯曲刚度、拉伸刚度、压缩刚度、剪切刚度、扭转刚度中的至少一者。可通过打印构件的实用场景，确定需测定的结构刚度涵盖的类型，例如，在实践中需要传递扭矩的打印构件，在此可测定其扭转刚度。
在某些示例中，所述结构刚度由构件局部刚度表征，所述构件局部结构的测量方式包括：将3D打印构件分区切割为预设的规则几何结构，测量各几何结构的结构刚度。在此，可基于每一几何结构在打印构件中的空间位置，由各几何结构的结构刚度形成打印构件不同区域也即分割的几何结构的区域的局部结构刚度分布。对每一局部区域的结构刚度，对其结构刚度的测定方法与上述整体刚度的测试方法类似，但每一局部结构的结构刚度为具有其在3D打印构件中的空间位置信息的刚度，例如将3D打印构件的局部刚度的测量值整合，即可获得由局部刚度测量值表征的矩阵。由所述局部刚度测量值形成的矩阵或其余类型的数据阵列，可表征打印构件的刚度在不同区域的分布规律。
在一些示例中，由局部刚度表征所述打印构件的结构刚度时，由预设的分割数量或局部构件的尺寸对打印构件进行分割，例如，将打印构件分割为等大的填充块体，对每一填充块体测定其结构刚度以获得打印构件的局部结构的刚度分布。
所述层间粘接强度可表征打印构件打印层之间的固结强度，将打印中各分层图形堆叠累积的方向定义为Z方向，所述层间粘接强度即用于评价打印构件在Z方向的性能。
在某些示例中，所述层间粘接强度包括3D打印构件整体的层间粘接强度、局部层间粘接强度。例如，在一示例中，沿Z方向对打印构件进行拉伸测试，记录打印构件被破坏时的应力值，即可作为打印构件整体的层间粘接强度的测量值。又如，在另一示例中，将所述打印构件进行分割获得多个几何结构(也可称为试样)，对每一试样沿Z方向进行拉伸实验，记录试样被破坏时的应力值，即作为该试样的层间粘接强度的测量值，也即打印构件的局部层间粘接强度。由打印构件分割获得的不同局部构件的层间粘接强度的测量值，即可形成3D打印构件不同区域的层间粘接强度的分布数据，举例可表征为局部层间粘接强度测量值所形成的矩阵。
所述几何精度例如包括表面粗糙度，尺寸误差，形状误差等，所述表面粗糙度例如为打印构件表面上的具有较小间距和峰谷所形成的微观上不平整的痕迹；所述尺寸误差例如包括打印构件的直径误差、长度误差等；所述形状误差例如包括打印构件的表面的几何特征如点、线、面的位置误差。
所述表面波纹度也可作为几何精度的一种评价内容，为介于宏观和微观几何形状误差之间的一种表面形状误差。通常表面波纹度误差中构件表面的峰谷和间距的长度数量级大于表面粗糙度的数量级，并且在构件表面呈周期性变化。通过对所述打印构件的表面波纹度测试，可确定打印构件是否达到了预设的质量规格，例如确定打印构件表面是否存在表面波纹，若存在则认为打印不合格。在某些示例中，所述表面波纹度的测试与表面粗糙度测试可采用同一测试仪器进行。
所述最小打印间隙可用于评价由不同组合部件拼接形成的打印构件中拼接处结合的性能，打印间隙指任何两个部件、薄壁或者立柱之间的距离。通常，最小打印间隙与打印构件的几何结构、打印参数如打印材料的属性信息、打印设备以及打印的成型精度控制等有关，因此，对采用不同切片图形和不同打印参数信息的打印实验，可对打印构件实体测量获得多组最小打印间隙的评价值。
所述分辨率例如由打印构件的丝材直径，打印前的切片层厚(即Z轴层厚)、每英寸点数(DPI)、像素尺寸、束斑大小、喷嘴直径等表征，通常，打印分辨率越高即打印精度越高，所述打印分辨率即可用于评价打印构件的精度。
所述桥接表现或垂悬表现可基于打印构件的类型确定，例如，对于打印构件中存在桥接部位的构件，测量其桥接处悬挂或下垂的丝材数量作为桥接表现的测量值；又如，当打印构件中存在垂悬结构，所述垂悬结构例如为拱桥形的中部悬空结构、倒置的凹字形结构，可通过测定丝材边缘垂下和丝材溢出等作为垂悬表现的测量值。
所述垂直度可用于评价直线之间、平面之间或直线与平面之间的垂直状态，其中直线或平面是评价基准，在此，直线可以是被测打印构件的直线部分或直线运动轨迹，平面可以是被测样品的平面部分或运动轨迹形成的平面；例如，当所述打印构件为圆柱体，所述平面可为圆柱体沿轴心旋转滚动形成的平面。
在此，对每一性能评价参数，其测量值均包括多组打印实验的结果，并与多组残余应力数据和/或多组等效松弛时间数据对应；应当理解，所述多组打印实验是对不同类型的打印构件或不同的分层图形配置以不同打印参数信息进行的打印实验。在步骤S10中，通过形成多组训练数据，即可扩充用于进行神经网络训练的训练数据集，使得训练获得的机器学习模型对适用于对配置为不同打印参数信息的不同打印构件的预测。
需要说明的是，在本申请提供的实施例中，步骤S10中获取所述3D打印构件的多组残余应力数据和/或多组等效松弛时间数据，以及获取多组3D打印构件在实际打印环境中至少一种性能评价参数的测量值共同形成训练数据Q(S，E，P)，在此，对每一组训练数据中获取残余应力数据S、等效松弛时间数据E、性能评价参数测量值P的顺序无限制；同时，对多组训练数据，可先获取多组训练数据中的多组3D打印构件在实际打印环境中至少一种性能评价参数的测量值，或先获取3D打印构件的多组残余应力数据和/或多组等效松弛时间数据，再或可先获取一组训练数据Q11(S11，E11，P11)，再获取另一组训练数据Q12(S12，E12，P12)，重复以获取多组训练数据。
在实际场景中，所述机器学习模型的训练方法例如可由处理设备执行，所述处理设备可以是任何具有数学和逻辑运算、数据处理能力的计算设备，其包括但不限于：个人计算机设备、单台服务器、服务器集群、分布式服务端、云服务端等。在此，由所述设备获取多组训练数据，应当理解，所述训练数据中的每一组训练数据由唯一的分层图形与打印参数信息确定，在某些示例中，所述处理设备可获取训练数据集中所有数据，并识别其对应的分层图形与打印参数信息将训练数据集划分为多组训练数据。
在步骤S11中，将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述测量值作为输出数据进行关联训练以获得所述机器学习模型。
在某些实施方式中，所述至少一种性能评价参数的测量值为数据阵列，例如，当打印构件的刚度由局部刚度表征，所述测量值为打印构件局部结构的刚度值形成的数据矩阵，在此，所述数据矩阵可以为二维矩阵或三维矩阵，又或多维矩阵，本申请不做限制。在此，应当理解，每一局部结构的刚度值也可表征为一刚度矩阵。又如，所述打印构件的性能评价参数为形状畸变，所述形状畸变由打印构件表面的局部畸变表征，对应的测量值可由二维的矩阵进行表示，矩阵中每一元素为一局部区域对应的各网格的形状畸变平均值或均方根等表征局部区域形状畸变的等效值。再如，所述性能评价参数的层间粘接强度由局部层间粘接强度表征，测量值对应的打印构件在不同区域的层间粘接强度值分布可由数据矩阵表征。
应当理解，所述数据阵列仅选择为一种表现形式，在此，对3D打印构件的局部区域的性能测量值也可表现为其他形式，例如为多个区域内分别对应的测量值，每一测量值中包括对应的区域信息也如坐标信息。
在此，所述打印构件的性能评价参数由局部区域的性能评价结果表征时，可获得性能评价参数的测量值在打印构件内的分布规律。由此，对于结构复杂的打印构件，将打印构件划分为多个部件进行性能评价，在某些示例中，不同部件之间的性能评价的测量值分布具有连续性，将所述测量值作为用于进行机器学习模型训练的输出端数据，所述机器学习模型可基于构件形态、等效松弛时间数据及残余应力数据在不同几何位置的分布规律、以及打印构件中不同位置的性能分布规律如分布的连续性进行性能评价，例如，训练完成的机器学习模型在接收到打印构件的残余应力数据或/及等效松弛时间数据后，对构件中不同区域的性能评价参数的预测值(即评价值)可基于训练中获得的打印构件内部性能参数分布规律进行，由此，机器学习模型可对打印构件中每个位置的性能评价参数做出预测。
在某些实施方式中，所述多组残余应力数据和/或多组等效松弛时间数据为3D打印构件中各空间坐标点的残余应力数据或/及等效松弛时间数据。例如，输入神经网络的残余应力数据为打印构件中每一空间坐标点处热历史获得的等效松弛时间数据。
在某些实施方式中，所述多组残余应力数据或所述多组等效松弛时间为数据阵列。其中，所述数据阵列包括多维矩阵，例如二维矩阵、三维矩阵等。在一示例中，所述数据阵列中每一数值可为打印构件中多个空间坐标点处的残余应力数据或等效松弛时间数据的平均值。
在某些实施方式中，将所述3D打印构件模型在有限元模拟环境中的模拟域依预设尺寸或预设分区数量划分为多个子区域，所述多组残余应力数据和/或多组等效松弛时间数据为模拟域中各子区域内的残余应力平均值或/及等效松弛时间平均值。其中，所述子区域可基于预设的子区域的尺寸划分模拟域得到，又或基于预设的对模拟域的分割数量得到，例如，将模拟域在长度方向l等分，宽度方向m等分，高度方向n等分，其中，l、m、n均为大于或等于1的自然数；又如，在确定的模拟域内，将预设的子区域尺寸设置为a×b×c，将模拟阈划分为多个大小为a×b×c的子区域。
所述模拟域可以为有限元环境中用于进行模拟打印的热-力-化学耦合计算的计算域，通常，模拟域的范围越大，则越贴近实际生产中的打印状态。在有限元模拟中，为减小计算资源消耗与计算时间，所述模拟域的范围包括打印构件模型与等效的打印腔室边界以及构件板，将打印设备所处的室内环境等效为模拟域边界。
在此，可将每一子区域中各空间坐标点处的残余应力数据、等效松弛时间数据等效为子区域内的等效值如平均值、方均根、中位数等，即可化简有限元模拟计算的输出结果，将残余应力数据与等效松弛时间数据的数据量从网格密度缩减为子区域的数量，将化简结果作为训练机器学习模型的输出数据。
在某些实施方式中，所述各子区域内的残余应力平均值或/及等效松弛时间平均值是由三维数据变换处理获得的二维数据。例如，有限元模拟中的模拟域依照长、宽、高分别l、m、n等分后被划分为l×m×n个子区域，对应的等效松弛时间数据与残余应力数据为l×m×n的三维数据，每一数据值对应一子区域；在此，可对所述三维数据进行处理以形成二维数据，并将所述二维数据作为训练数据以便于进行训练计算。
在某些示例中，所述多组残余应力数据和/或多组等效松弛时间数据为3D打印构件模型中各子区域内的残余应力平均值或/及等效松弛时间平均值；其中，所述子区域是基于预设尺寸或预设分区数量对3D打印构件模型进行划分获得的。例如，当所述多组残余应力数据和/或多组等效松弛时间数据为在实际打印环境测定打印过程获得的，所述子区域可以为对打印构件的三维轮廓进行划分获得的，例如将打印构件模型基于预设数量划分为多个举例为将打印构件模型依照长、宽、高分别l、m、n等分，划分为l×m×n个子区域，又如依照设定子区域的尺寸将打印构件模型划分多个子区域组成；对应的，将测量获得每一子区域内不同位置的残余应力数据以及温度场数据转化为表征子区域整体的等效值如平均值、方均根、中位数等，以减小训练数据中残余应力数据与等效松弛时间数据的数据量，从而可减小训练机器学习模型的计算量。在某些示例中，还可对由子区域表征的残余应力数据，等效松弛时间数据的三维数据变换处理为二维数据。
在此，基于已确定的打印构件的残余应力数据、等效松弛时间数据作为输入数据，打印构件在实际打印环境中的至少一种性能评价参数的测量值作为输出数据，即可进行关联训练以获得所述机器学习模型。
所述关联训练即在预设的机器学习模型的初始结构中将输入数据与输出数据进行关联以形成稳定的评价网络的过程，例如，在关联训练完成后，机器学习模型接收打印构件的残余应力数据及/或等效松弛时间数据，即可预测输出对应的打印构件性能参数的预测值(评价值)。所述的关联训练亦可理解为基于所述输入数据与输出数据进行有监督学习的过程。
在本申请提供的实施例中，所述机器学习模型为基于有监督机器学习而构建的算法模型，可基于相对应的打印构件的残余应力数据、等效松弛时间数据与打印构件在实际打印环境中的至少一种性能评价参数的测量值(即训练样本的输入数据与输出数据)进行训练，由此生成在接收到打印构件的残余应力数据或/及等效松弛时间数据时即可预测生成打印构件的性能评价结果。其中，所述的算法模型中的函数例如为：SVM(support vectormachines,支持向量机)、AdaBoost(Adaptive Boosting，自适应增强)、线性回归算法、线性判别分析(LDA)、决策树算法(例如分类回归树)、随机森林算法、朴素贝叶斯、K近邻算法、学习向量量化(Learning Vector Quantization,简称LVQ)等。
在某些实施方式中，所述机器学习模型为神经网络模型。
应当理解，在所述关联训练中，可选择预设的神经网络结构例如为前馈神经网络、反馈神经网络、深度神经网络、卷积神经网络、自组织神经网络等，对预设的神经网络进行训练以将输入数据与输出数据进行关联，在关联过程中预设的神经网络结构在对应的算法下进行调节，以在训练中逐渐形成预期的神经网络。
在此，基于等效松弛时间数据、多组残余应力数据以及多组实际打印环境中打印构件至少一种性能评价参数的测量值形成的多组训练数据，即可训练预设的神经网络结构或机器学习模型，使得神经网络不同神经元之间连接权重被调整或机器学习模型中数据权重被调整，训练完成获得的神经网络或机器学习模型可基于接收等效松弛时间数据或/及残余应力数据对打印物性能进行预测并输出预测值即评价值。
在某些示例中，步骤S11中包括基于预测数据与所述输出数据进行误差评价以调整所述神经网络的步骤；其中，所述预测数据为机器学习模型基于输入数据进行预测的性能评价结果。例如，所述机器学习模型的预设模型为采用有监督学习算法的神经网络结构如BP神经网络，在训练过程中，从训练数据集中选择一样本数据即一组训练数据，预设的神经网络基于训练数据中的输入数据也即等效松弛时间数据或/及应力松弛时间计算对应的性能评价参数的评价值；将所述评价值与样本数据中的输出端数据也即实际打印环境中的性能评价参数的测量值比较以获得偏差值，根据偏差值调整神经网络中不同神经元间的连接权重；重复此过程，以至所述偏差值满足规定的误差范围。
在某些示例中，所述预设的神经网络结构例如为深度神经网络，其中可通过设置对应的损失函数(Loss Function)例如均方差损失函数以度量训练数据的输出损失以判断预测结果是否准确，其中，所述损失函数用来表示机器学习模型的预测结果与输出数据的实际结果的不一致程度，是一个非负实值函数，损失函数越小，机器学习模型的鲁棒性就越好，其类型包括对数损失(Logistic Loss)函数，平方损失函数和指数损失函数等。所述神经网络在训练过程中基于多组训练数据，通过迭代调整神经网络中预测算法的参数也即不同层之间神经元的连接权重，至达到损失函数优化极值，即确定神经网络基于训练数据中的输入数据进行预测获得的结果与输出数据之间的损失稳定达到设定的阈值。
需要说明的是，上述预设的神经网络结构或机器学习模型仅为举例而并非对本申请的限制，实际中可用于执行申请的机器学习模型的训练方法的具体神经网络结构或机器学习模型不局限于此。本申请的训练数据通过对不同打印构件的切片图形配置不同打印参数获得，形成的训练数据中输入数据与输出数据间具有对应关系，也即为存在标签的训练样本，通常，可基于有监督学习算法实现训练的神经网络或其余机器学习模型均可经由本申请的训练方法所提供的训练数据实现获得所需的用于进行打印构件性能评价的神经网络。在某些示例中，所述机器学习模型或预设的神经网络的算法模型也可采用无监督学习算法如采用自组织神经网络建立训练数据中输入数据与输出数据的对应关系；当然，在输入数据与输出数据间具有对应关系的情形下，通常有监督学习算法进行训练易于实现将输入数据与输出数据关联的方法。
基于所述机器学习模型的训练方法中训练数据集中的数据类型，执行训练获得的机器学习模型不同。
例如，当所述训练数据集中所述测量值也即输出数据为数据阵列，举例为由局部刚度表征的矩阵或局部层间粘接强度的矩阵，所述训练完成的机器学习模型基于输入数据进行预测，输出的评价结果亦为数据阵列，即打印构件的由局部刚度表征的结构刚度评价值或局部层间粘接强度表征的层间粘接强度评价值；在此，训练过程中，机器学习模型自动学习处于不同位置的材料性能参数与其残余应力数据、等效松弛时间数据以及所处的几何位置的内在连续或变化规律，可对打印构件中每个位置的性能参数进行预测，输出为数据阵列的预测结果。
或如当用作训练数据的打印结构的结构刚度为整体刚度，机器学习模型基于输入数据预测，输出对打印构件整体结构的刚度评价值；又如，对打印构件的可打印性实验中，将打印成功的构件模型与打印参数组合标记为1，反之失败标记为0，所述训练完成的机器学习模型基于输出数据进行预测，对打印构件的可打印性输出为0或1的可打印性评价值。
在某些示例中，当所述训练数据集中的打印构件性能评价参数的测量值为单一评价参数或几个评价参数，例如整体形状畸变参数与整体结构刚度，由此训练获得的机器学习模型在接收打印构件的等效松弛时间数据后残余应力数据后输出单一评价参数或几个评价参数(其类型对应训练数据中的评价参数)的预测值。
在某些示例中，所述训练数据集的输入数据为等效松弛时间数据，输出数据为打印构件的可打印性测量值，训练获得的机器学习模型基于单一的输入即打印构件的等效松弛时间数据对打印构件的可打印性进行预测，输出单一的预测值也即对构件可打印性的评价值。
在某些示例中，当所述训练数据集中的输入数据为等效松弛时间数据与残余应力数据，输出数据为打印构件多种性能评价参数的测量值，由此训练获得的机器学习模型基于多个输入即等效松弛时间数据与残余应力数据对打印构件的多种性能评价参数进行预测，并输出对应的多个评价值。
在某些实施方式中，所述机器学习模型的训练方法中还包括将多个子模型封装为所述机器学习模型的步骤；其中，将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将一种所述性能评价参数的测量值作为输出数据进行关联训练以获得一个子模型。
在此，所述子模型在关联训练中接收的训练数据集中将等效松弛时间数据或/及残余应力数据作为输入，将打印构件的一种性能评价参数的测量值作为输出，执行完成的子模型在接收到打印构件的等效松弛时间数据或/及残余应力数据时，可对打印构件的一种性能评价参数(其类型也即训练子网络时训练数据中的性能评价参数)进行预测并输出评价值。应当理解，所述子模型为多个，不同子模型在训练中分别将不同类型的性能评价参数测量值作为训练数据，对应获得对不同性能评价参数进行预测的子模型。
在此，训练所述子模型的预设的机器学习模型的初始结构与前述类似，在此不做赘述，应当说明的是，当每一子模型仅对一种性能评价参数进行预测，所述子模型的输出层输出值为一类，在某些示例中，也可另每一子模型对几种性能评价参数进行预测，所述子模型输出值为几个，例如同时对打印构件的整体结构刚度和局部结构刚度进行预测的子模型。
在训练获得不同子模型后，可通过将子模型封装以形成可输出打印构件的至少一种性能参数的评价结果的机器学习模型，也即，所述机器学习模型在接收打印构件的等效松弛时间数据或/及残余应力数据后，其中的子模型分别对不同的性能评价参数进行预测，机器学习模型输出各子模型的评价结果。在某些示例中，可基于需评价的打印构件性能评价参数类型调用所述机器学习模型中一部分子模型进行预测，例如，当仅需获得打印构件的可打印性评价时，可仅调用机器学习模型中用于评价可打印性的子模型进行预测并输出预测值，如此可提高预测中的计算效率，减小计算量。
在此，基于本申请第一方面提供的机器学习模型的训练方法，通过预先确定对打印构件的打印质量有影响的变量，对不同打印构件模型设置不同打印参数进行实际打印以获得所述变量设置为不同数值或不同条件、状态时获得的打印构件，对由此获得的多组打印构件进行测量以获得至少一种性能评价参数的测量值；并且，获得在实际打印中或由实际打印环境仿真的模拟环境中的打印构件的温度场与残余应力场，并将所述温度场等效为可由单一参数表征的等效松弛时间，由多组测量值与多组等效松弛时间数据、多组残余应力数据形成具有标签的训练数据集，预设神经网络结构或机器学习模型即可基于所述训练数据集进行关联训练，将训练数据集中的测量值作为输出，等效松弛时间数据和/或残余应力数据作为输入，使得在训练完成后，所述神经网络或机器学习模型可基于打印构件的等效松弛时间数据和/或残余应力数据对打印构件的性能进行评价，即可实现针对不同类型的打印构件将其打印参数与打印质量相关联。
再者，由本申请提供的机器学习模型的训练方法获得的机器学习模型可帮助预先确定优化的打印参数信息，例如，对打印构件模型设置不同打印参数进行模拟打印，将模拟结果转化为等效松弛时间数据和/或残余应力数据输入至所述神经网络或机器学习模型，即可获得打印质量的预测结果，重复模拟打印与预测，不需进行实际打印，即可预先确定打印构件的优化的打印参数信息；又或，对于已确定的打印参数与打印构件模型，通过模拟打印后由机器学习模型进行预测，即可验证在此设置下的打印构件是否满足质量要求，提高实际打印合格率。
本申请在第二方面还公开了一种机器学习模型的训练装置，请参阅图3，显示为本申请的机器学习模型的训练装置在一实施例中的简化示意图。
所述机器学习模型用于评估3D打印构件性能，所述训练装置包括：训练样本获取模块21，用于获取3D打印构件的多组残余应力数据和/或多组等效松弛时间数据；以及获取3D打印构件在实际打印环境中至少一种性能评价参数的多组测量值；训练模块22，用于将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述多组测量值作为输出数据进行关联训练以获得所述机器学习模型。
在某些实施方式中，所述机器学习模型的训练装置中的各模块可以是软件模块，该软件模块还可为配置在基于编程语言的软件系统中。所述软件模块可由电子设备的系统提供，在某些实施例中，所述电子设备例如为装载有APP应用程序或具备网页/网站访问性能的电子设备，所述电子设备包括存储器、存储器控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备，以及外部端口等组件，这些组件通过一条或多条通信总线或信号线进行通信。所述电子设备包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视等个人计算机。所述电子设备还可以是由带有多个虚拟机的主机和对应每个虚拟机的人机交互装置(如触控显示屏、键盘和鼠标)所构成的电子设备。
在某些实施方式中，所述训练装置获取训练数据、基于训练数据进行训练(包括生成中间结果)、以及获得目标机器学习模型的各功能模块可以由各种类型的设备(如终端设备、服务器、服务器集群、或云服务器系统)，又或如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)协同实现；所述训练数据、由所述训练装置训练获得的机器学习模型、以及预测结果中的任一者可存储于配置所述训练装置的电子设备中，还可传输至与所述电子设备网络通信的其他终端设备、服务器、服务器集群、云服务器系统等。
在本申请的某些实施例中，所述云服务器系统可以根据功能、负载等多种因素布置在一个或多个实体服务器上。其中，当分布在多个实体服务器时，所述服务端可以由基于云架构的服务器组成。例如，基于云架构的服务器包括公共云(Public Cloud)服务端与私有云(Private Cloud)服务端，其中，所述公共或私有云服务端包括Software-as-a-Service(软件即服务，SaaS)、Platform-as-a-Service(平台即服务，PaaS)及Infrastructure-as-a-Service(基础设施即服务，IaaS)等。所述私有云服务端例如阿里云计算服务平台、亚马逊(Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台等。所述服务端还可以由分布的或集中的服务器集群构成。例如，所述服务器集群由至少一台实体服务器构成。每个实体服务器中配置多个虚拟服务器，每个虚拟服务器运行所述餐饮商户信息管理服务端中的至少一功能模块，各虚拟服务器之间通过网络通信。
所述网络可以是因特网、移动网络、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)、或者一个或多个内部网等，或其适当组合，本申请实施例对客户端、服务端的种类，或者发布者终端与服务器之间、响应者终端与服务器之间通信网络的类型或协议等在本申请中均不做限定。
关于所述机器学习模型的训练装置在实际应用场景中的呈现形式，本申请还提供了以下示例性的说明：
在一场景A中，所述训练装置中各模块可嵌入至电子设备APP中，所述电子设备的APP可从电子设备存储介质中或与电子设备网络通信的其他设备、服务器等中获取所述的训练数据以完成对目标机器学习模型的训练过程。在所述训练模块执行训练的过程中，在一些示例中；所述机器学习模型的训练装置可以是藉由用于配置所述训练装置的电子设备提供的计算资源实现，在另一些示例中，执行训练过程所需的计算资源还可分配至与所述设备网络通信的终端设备、服务器、云服务器系统、或处理器等；同时，训练过程中所述训练模块生成的预测结果可在所述设备本地存储，也可传送至所述设备网络通信的终端设备、服务器、云服务器系统、或处理器等，还可提供至其他应用程序或模块使用。
在一场景B中，所述训练装置为运行于服务器端的软件模块，所述服务器端还可以为多个服务器构成的分布式、并行计算平台，在使用场景中，可将所需的训练数据上传平台以执行所述训练过程。所述服务器端可基于服务器端的存储介质中的存储数据、或来自与服务器端通信的其他设备的数据执行机器学习模型的训练过程，由此训练生成的机器学习模型基于打印构件的温度历史数据或/及应力历史数据进行预测获得的性能评价结果可由服务器端进行存储，还可提供至其他应用程序或模块使用。
在一场景C中，所述训练装置的各模块可以为提供至服务器端(包括云服务端)或电子设备端的API(Application Programming Interface，应用程序编程接口)、插件或软件开发套件(SDK，Software Development Toolkit)等，所述API、插件或SDK等可实现所述训练装置中的各模块功能例如对训练数据的获取、以及基于训练数据执行训练以生成目标机器学习模型的功能；在某些实施方式中，以此形式呈现的所述训练装置可供其他服务端或电子设备端调用以嵌入各类应用程序中。
本申请在第三方面还提供了一种用于评估3D打印构件性能的评价系统，请参阅图4，显示为本申请的用于评估3D打印构件性能的评价系统在一实施例中的简化结构示意图。如图所示，所述评价系统包括输入模块31，以及预测模块32。
所述输入模块31用于接收所述3D打印构件的残余应力数据和/或等效松弛时间数据。
所述预测模块32用于调用如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法训练生成的机器学习模型对所述输入模块接收的残余应力数据和/或等效松弛时间数据进行预测，输出所述3D打印构件的至少一种性能评价参数的评价值。
本申请在第四方面还提供了一种计算机设备，请参阅图5，显示为本申请第四方面提供的计算机设备在一实施例中的简化结构示意框图。
如图所示，所述计算机设备包括存储装置41以及处理装置42。
其中，所述存储装置41用于存储至少一个程序，以及预设的输入数据、输出数据。
在一些实施例中，所述存储装置41例如为经由RF电路或外部端口以及通信网络访问的网络附加存储装置，其中所述通信网络可以是因特网、一个或多个内部网、局域网、广域网、存储局域网等，或其适当组合。存储装置控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储装置的访问。所述存储装置41可选地包括高速随机存取存储器，并且可选地还包括非易失性存储器，诸如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储器设备。由设备的其他组件诸如CPU和外围接口，对存储器的访问可选地通过存储器控制器来控制。
在一些实施例中，所述存储装置41还可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘。
所述处理装置42与所述存储装置41相连，用于执行所述至少一个程序，以调用所述存储装置中所述至少一个程序执行并实现如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法。在此，所述存储装置41存储的预设的输入数据、输出数据即对应为所述机器学习模型的训练方法中训练数据集内的输入数据、输出数据。
在一些实施例中，所述处理装置42包括集成电路芯片，具有信号处理能力；或包括通用处理器，所述通用处理器可以是微处理器或者任何常规处理器等，例如中央处理器。例如，可以是数字信号处理器(DSP)、专用集成电路(ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图，例如，基于所述存储装置41中存储的预设的输入数据、输出数据，执行如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法。
本申请在第五方面还提供了一种计算机设备，请参阅图6，显示为本申请第五方面提供的计算机设备在一实施例中的简化结构示意框图。如图所示，所述计算机设备包括存储装置51以及处理装置52。
其中，所述存储装置51用于存储至少一个程序，以及如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法生成的机器学习模型。
在一些实施例中，所述存储装置51例如为经由RF电路或外部端口以及通信网络访问的网络附加存储装置，其中所述通信网络可以是因特网、一个或多个内部网、局域网、广域网、存储局域网等，或其适当组合。存储装置控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储装置的访问。所述存储装置51可选地包括高速随机存取存储器，并且可选地还包括非易失性存储器，诸如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储器设备。由设备的其他组件诸如CPU和外围接口，对存储器的访问可选地通过存储器控制器来控制。
在一些实施例中，所述存储装置51还可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘。
所述处理装置52与所述存储装置51相连，用于执行所述至少一个程序，以调用所述存储装置51执行并实现如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法生成的机器学习模型，以令所述机器学习模型对所述残余应力数据和/或等效松弛时间数据进行预测，输出所述3D打印构件的至少一种性能评价参数的评价值。
在一些实施例中，所述处理装置52包括集成电路芯片，具有信号处理能力；或包括通用处理器，所述通用处理器可以是微处理器或者任何常规处理器等，例如中央处理器。例如，可以是数字信号处理器(DSP)、专用集成电路(ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图，例如，调用程序执行如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法生成的机器学习模型进行预测。
本申请在第六方面还提供了一种计算机可读存储介质，存储至少一种程序，所述至少一种程序被处理器执行时实现如本申请第一方面提供的实施例中任一实施方式所述的机器学习模型的训练方法。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
在一个或多个示例性方面，本申请执行所述的机器学习模型的训练方法的计算机程序所描述的功能可以用硬件、软件、固件或者其任意组合的方式来实现。当用软件实现时，可以将这些功能作为一个或多个指令或代码存储或传送到计算机可读介质上。本申请所公开的方法或算法的步骤可以用处理器可执行软件模块来体现，其中处理器可执行软件模块可以位于有形、非临时性计算机可读写存储介质上。有形、非临时性计算机可读写存储介质可以是计算机能够存取的任何可用介质。
本申请上述的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以通过执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以通过专用硬件与计算机指令的组合来实现。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (36)

1.一种用于评估3D打印构件性能的机器学习模型的训练方法，其特征在于，所述机器学习模型的训练方法包括以下步骤：
获取所述3D打印构件的多组残余应力数据和/或多组等效松弛时间数据；以及获取3D打印构件在实际打印环境中至少一种性能评价参数的多组测量值；以及
将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述多组测量值作为输出数据进行关联训练以获得所述机器学习模型。
2.根据权利要求1所述的机器学习模型的训练方法，其特征在于，还包括基于预测数据与所述输出数据进行误差评价以调整所述机器学习模型的步骤；其中，所述预测数据为机器学习模型基于输入数据进行预测的性能评价结果。
3.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述多组残余应力数据或所述多组等效松弛时间数据是在不同有限元模拟环境中获得的；其中，所述不同有限元模拟环境是通过对3D打印构件模型设置以不同打印参数信息形成的。
4.根据权利要求3所述的机器学习模型的训练方法，其特征在于，所述打印参数信息包括打印头的打印路径、层高度、打印头的移动速度、打印材料输出速度、打印材料加热温度、以及挤出温度中的一种或多种信息。
5.根据权利要求3所述的机器学习模型的训练方法，其特征在于，所述打印参数信息还包括打印设备参数信息，所述打印设备参数信息包括打印初始温度场信息、打印设备构件板加热温度、打印腔室温度、以及打印头形状中的一种或多种信息。
6.根据权利要求5所述的机器学习模型的训练方法，其特征在于，所述初始打印温度场信息获取的方式包括：基于热成像仪或热电偶测量打印前的打印腔体温度分布获取有限元模拟环境的打印初始温度场信息。
7.根据权利要求3所述的机器学习模型的训练方法，其特征在于，所述打印参数信息还包括打印构件的材料属性信息，所述材料属性信息包括：丝材类型、丝材直径、丝材截面形状、材料最高加热温度、材料热参数、材料动态力学参数、以及材料初始残余应力中的一种或多种信息。
8.根据权利要求7所述的机器学习模型的训练方法，其特征在于，所述材料热参数的确定方式包括以下至少一种：
基于热辐射系数测试仪测量打印材料的热辐射系数；
基于丝材打印实验，记录打印丝材被加热后置于打印腔室中的温度变化规律，由此计算等效对流换热系数；或者
对形状规则的几何结构模型进行打印实验，记录打印过程中打印材料随时间变化的温度场分布，以及，对所述几何结构模型设置以不同对流换热系数进行有限元模拟，输出模拟打印过程的模拟温度场，将与打印实验的温度场重合的模拟温度场对应的对流换热系数作为等效的对流换热系数。
9.根据权利要求7所述的机器学习模型的训练方法，其特征在于，所述材料动态力学参数的确定方式包括：测量打印构件或试样在不同温度下被施加交变应变、恒定应变、或固定载荷后的响应，获得材料的储能模量和损耗模量随温度的变化曲线，拟合曲线以获得有限元模拟中输入的材料动态力学参数信息。
10.根据权利要求9所述的机器学习模型的训练方法，其特征在于，所述交变应变、恒定应变或固定载荷依不同加载方向使打印构件发生不同形变，所述形变的类型包括拉伸、压缩、弯曲、3点弯曲、剪切中的至少一者。
11.根据权利要求9所述的机器学习模型的训练方法，其特征在于，所述交变应变为简谐应力或简谐载荷。
12.根据权利要求7所述的机器学习模型的训练方法，其特征在于，所述材料初始残余应力的确定方式包括以下步骤：
对打印材料设置以不同的打印参数信息进行多组单丝打印实验；
计算或测量多组单丝打印实验获得的单丝构件的残余应力；以及
获得包括所述不同打印参数信息与多组打印实验获得的单丝构件的残余应力的残余应变数据库；其中，打印实验获得的单丝构件的残余应力与单丝构件的打印参数信息具有对应关系。
13.根据权利要求12所述的机器学习模型的训练方法，其特征在于，所述计算或测量多组单丝打印实验获得的单丝构件的残余应力的步骤中，对所述单丝结构进行处理以释放残余应变，测量单丝形变以计算残余应力；或，基于物理检测方法确定所述单丝构件的残余应力。
14.根据权利要求3所述的机器学习模型的训练方法，其特征在于，在所述有限元模拟环境中对所述3D打印构件进行耦合模拟计算以获得所述多组残余应力数据和/或多组等效松弛时间数据，所述耦合模拟计算为在预设有边界条件下的耦合模拟计算，所述边界条件包括热对流边界条件和/或热辐射边界条件。
15.根据权利要求3所述的机器学习模型的训练方法，其特征在于，在所述有限元模拟环境中对所述3D打印构件进行耦合模拟计算以获得所述多组残余应力数据和/或多组等效松弛时间数据，所述耦合模拟计算的模型包括描述所述打印材料的力学变形的线性粘弹性模型，或/和用以描述所述打印材料的热传导行为的横观各向同性热传导模型或正交各向异性热传导模型。
16.根据权利要求3所述的机器学习模型的训练方法，其特征在于，所述3D打印构件模型在有限元模拟环境中的模拟域依预设尺寸或预设分区数量划分为多个子区域，所述多组残余应力数据和/或多组等效松弛时间数据为模拟域中各子区域内的残余应力平均值或/及等效松弛时间平均值。
17.根据权利要求15或16所述的机器学习模型的训练方法，其特征在于，所述各子区域内的残余应力平均值或/及等效松弛时间平均值是由三维数据变换处理获得的二维数据。
18.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述性能评价参数包括构件可打印性、形状畸变、结构刚度、层间粘接强度、几何精度、最小打印间隙、分辨率、桥接表现、悬垂表现、表面波纹度、最小打印层厚、垂直度中的至少一者。
19.根据权利要求18所述的机器学习模型的训练方法，其特征在于，确定所述形状畸变的测量值的方式包括：比较实际打印环境中的3D打印构件的表面网格与3D打印构件模型表面网格间的曲率误差，以计算获得构件表面的局部区域或/及构件整体的形状畸变。
20.根据权利要求19所述的机器学习模型的训练方法，其特征在于，所述实际打印环境中的3D打印构件的表面网格是由三维光学扫描仪扫描3D打印构件获得的。
21.根据权利要求18所述的机器学习模型的训练方法，其特征在于，所述构件可打印性的确定方式包括：对构件三维模型设置以不同打印参数，将实际打印环境中3D打印构件出现局部坍塌或畸变的构件三维模型与打印参数组合确定为不具有可打印性。
22.根据权利要求18所述的机器学习模型的训练方法，其特征在于，所述结构刚度包括弯曲刚度、拉伸刚度、压缩刚度、剪切刚度、扭转刚度中的至少一者。
23.根据权利要求18所述的机器学习模型的训练方法，其特征在于，所述结构刚度由构件局部刚度表征，所述构件局部结构的测量方式包括：将3D打印构件分区切割为预设的规则几何结构，测量各几何结构的结构刚度。
24.根据权利要求18所述的机器学习模型的训练方法，其特征在于，所述层间粘接强度包括3D打印构件整体的层间粘接强度、局部层间粘接强度。
25.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述等效松弛时间数据是实际打印过程或模拟打印过程中，将打印材料随时间变化的动态温度场数据基于WLF方程或/及阿累尼乌斯方程(Arrhenius equation)进行时温等效至预设温度值获得的。
26.根据权利要求1所述的机器学习模型的训练方法，其特征在于，还包括将多个子模型封装为所述机器学习模型的步骤；其中，将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将一种所述性能评价参数的测量值作为输出数据进行关联训练以获得一个子模型。
27.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述多组残余应力数据和/或多组等效松弛时间数据为3D打印构件中各空间坐标点的残余应力数据和/或等效松弛时间数据。
28.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述多组残余应力数据和/或多组等效松弛时间数据为3D打印构件模型中各子区域内的残余应力平均值和/或等效松弛时间平均值；其中，所述子区域是基于预设尺寸或预设分区数量对3D打印构件模型进行划分获得的。
29.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述至少一种性能评价参数的测量值为数据阵列。
30.根据权利要求1或3所述的机器学习模型的训练方法，其特征在于，所述3D打印构件为形状规则的几何结构，包括竖直薄壁、水平薄板、倾斜薄板、立方体、圆筒体、圆柱体、方筒体、锥体、斜柱、实心块体、网格填充结构。
31.根据权利要求1所述的机器学习模型的训练方法，其特征在于，所述机器学习模型为神经网络模型。
32.一种机器学习模型的训练装置，其特征在于，所述机器学习模型用于评估3D打印构件性能，所述训练装置包括：
训练样本获取模块，用于获取3D打印构件的多组残余应力数据和/或多组等效松弛时间数据；以及获取3D打印构件在实际打印环境中至少一种性能评价参数的多组测量值；
训练模块，用于将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述多组测量值作为输出数据进行关联训练以获得所述机器学习模型。
33.一种用于评估3D打印构件性能的评价系统，其特征在于，包括：
输入模块，用于接收所述3D打印构件的残余应力数据和/或等效松弛时间数据；以及
预测模块，用于调用如权利要求1-31任一项所述的机器学习模型的训练方法生成的机器学习模型对所述残余应力数据和/或等效松弛时间数据进行预测，输出所述3D打印构件的至少一种性能评价参数的评价值。
34.一种计算机设备，其特征在于，包括：
存储装置，用于存储至少一个程序，以及预设的输入数据、输出数据；以及
处理装置，与所述存储装置相连，用于执行所述至少一个程序，以调用所述存储装置中所述至少一个程序执行并实现如权利要求1-31任一项所述的机器学习模型的训练方法。
35.一种计算机设备，其特征在于，包括：
存储装置，用于存储至少一个程序，以及如权利要求1-31任一项所述的机器学习模型的训练方法生成的机器学习模型；以及
处理装置，与所述存储装置相连，用于执行所述至少一个程序，以调用所述存储装置中所述至少一个程序执行及所述机器学习模型以对所述残余应力数据和/或等效松弛时间数据进行预测，输出所述3D打印构件的至少一种性能评价参数的评价值。
36.一种计算机可读存储介质，其特征在于，存储至少一种程序，所述至少一种程序被处理器执行时实现如权利要求1-31任一项所述的机器学习模型的训练方法。
CN202110130044.6A 2021-01-29 2021-01-29 机器学习模型的训练方法、训练装置、评价系统 Pending CN114818401A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110130044.6A CN114818401A (zh) 2021-01-29 2021-01-29 机器学习模型的训练方法、训练装置、评价系统
PCT/CN2021/138638 WO2022161000A1 (zh) 2021-01-29 2021-12-16 机器学习模型的训练方法、训练装置、评价系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110130044.6A CN114818401A (zh) 2021-01-29 2021-01-29 机器学习模型的训练方法、训练装置、评价系统

Publications (1)

Publication Number Publication Date
CN114818401A true CN114818401A (zh) 2022-07-29

Family

ID=82525682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110130044.6A Pending CN114818401A (zh) 2021-01-29 2021-01-29 机器学习模型的训练方法、训练装置、评价系统

Country Status (2)

Country Link
CN (1) CN114818401A (zh)
WO (1) WO2022161000A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482227A (zh) * 2022-09-26 2022-12-16 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN116728783A (zh) * 2023-08-09 2023-09-12 深圳市金石三维打印科技有限公司 一种基于3d打印机的仿真方法及系统
CN117422593A (zh) * 2023-12-18 2024-01-19 遂宁市中心医院 一种口腔教学成果验收方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115468739B (zh) * 2022-11-01 2023-03-24 江苏亨通光电股份有限公司 一种高集成带状光缆的加工方法及系统
CN116186978A (zh) * 2022-12-07 2023-05-30 中国人民解放军军事科学院国防科技创新研究院 数据和物理双驱动的飞行器复杂几何区域温度场预测方法
CN117524386A (zh) * 2024-01-04 2024-02-06 之江实验室 基于微磁学和机器学习的磁性合金磁导率计算方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3749505B1 (en) * 2018-04-26 2022-12-14 Hewlett-Packard Development Company, L.P. Printing production quality prediction
CN109130191A (zh) * 2018-07-27 2019-01-04 北京鉴衡认证中心有限公司 3d打印机性能的测试方法、装置及计算机设备
CN109814817A (zh) * 2019-01-29 2019-05-28 福建省纳金网信息技术有限公司 一种基于人工智能技术的3d打印训练数据库构建方法
EP3997437A4 (en) * 2019-07-12 2022-08-24 Fatigue Technology, Inc. MACHINE LEARNING BASED ASSESSMENT FOR ADDRESSING MODIFIED RESIDUAL STRESS
CN111832610A (zh) * 2020-06-01 2020-10-27 成都飞机工业（集团）有限责任公司 一种3d打印组织预测的方法、系统、介质以及终端设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482227A (zh) * 2022-09-26 2022-12-16 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN115482227B (zh) * 2022-09-26 2023-09-12 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN116728783A (zh) * 2023-08-09 2023-09-12 深圳市金石三维打印科技有限公司 一种基于3d打印机的仿真方法及系统
CN116728783B (zh) * 2023-08-09 2023-10-27 深圳市金石三维打印科技有限公司 一种基于3d打印机的仿真方法及系统
CN117422593A (zh) * 2023-12-18 2024-01-19 遂宁市中心医院 一种口腔教学成果验收方法及装置
CN117422593B (zh) * 2023-12-18 2024-04-05 遂宁市中心医院 一种口腔教学成果验收方法及装置

Also Published As

Publication number Publication date
WO2022161000A1 (zh) 2022-08-04

Similar Documents

Publication Publication Date Title
CN114818401A (zh) 机器学习模型的训练方法、训练装置、评价系统
CN114429058A (zh) 机器学习模型的训练方法、训练装置、预测系统
Mohamed et al. Optimization of fused deposition modeling process parameters for dimensional accuracy using I-optimality criterion
Aguir et al. Parameter identification of an elasto-plastic behaviour using artificial neural networks–genetic algorithm method
WO2022233206A1 (zh) 样本数据库系统、训练及检验打印参数的方法、计算机
CN101413791B (zh) 在光学计量中用近似和精细衍射模型确定结构的轮廓参数
CN113496093A (zh) 有限元模拟方法及系统、计算机设备及存储介质
Aslani et al. Surface roughness optimization of poly-jet 3D printing using Grey Taguchi method
US20120323540A1 (en) Method for simulating rubber compound
Deng et al. Data-driven calibration of multifidelity multiscale fracture models via latent map gaussian process
Surleraux et al. Machine learning-based reverse modeling approach for rapid tool shape optimization in die-sinking micro electro discharge machining
Feng et al. Application of machine learning to optimize process parameters in fused deposition modeling of PEEK material
WO2020100726A1 (ja) 樹脂成形解析方法、プログラムおよび記録媒体
US20220108051A1 (en) Systems and methods for modeling performance in a part manufactured using an additive manufacturing process
JP5241310B2 (ja) 成形品の変形形状の予測方法とその装置、変形形状の予測プログラムとその記憶媒体
Yu et al. Offline prediction of process windows for robust injection molding
CN115130239A (zh) 基于多尺度建模的金属增材制造的力学性能预测方法
CN114986833A (zh) 一种动态调控的注塑方法、系统、装置及介质
CN111210877B (zh) 一种推断物性参数的方法及装置
JP6184180B2 (ja) 部品選択方法、プログラム及びシステム
JP2021094698A (ja) 造形データ作成装置および造形データ作成プログラム
JP5889077B2 (ja) 成形品収縮変形予測装置、成形品収縮変形予測方法及び成形品収縮変形予測プログラム
Larsson An Optimization Framework for Elastomer Machine Tools
US20190381703A1 (en) Information processing apparatus and non-transitory computer readable medium storing program
Bushra et al. Enhancing Design Guidelines for Metal Powder Bed Fusion: Analyzing Geometric Features to Improve Part Quality

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