CN115178752A - 一种3d打印金属粉末生产设备的故障预警方法及装置 - Google Patents
一种3d打印金属粉末生产设备的故障预警方法及装置 Download PDFInfo
- Publication number
- CN115178752A CN115178752A CN202211106614.9A CN202211106614A CN115178752A CN 115178752 A CN115178752 A CN 115178752A CN 202211106614 A CN202211106614 A CN 202211106614A CN 115178752 A CN115178752 A CN 115178752A
- Authority
- CN
- China
- Prior art keywords
- early warning
- metal powder
- sequence
- characteristic information
- powder production
- 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
Links
- 239000000843 powder Substances 0.000 title claims abstract description 114
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 106
- 239000002184 metal Substances 0.000 title claims abstract description 105
- 238000010146 3D printing Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 230000015654 memory Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 21
- 230000007787 long-term memory Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000000889 atomisation Methods 0.000 description 10
- 230000006403 short-term memory Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009689 gas atomisation Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000012255 powdered metal Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/80—Data acquisition or data processing
- B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- 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
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Powder Metallurgy (AREA)
Abstract
本发明公开了一种3D打印金属粉末生产设备的故障预警方法及装置，方法包括：根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列；实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列；根据所述参考序列与所述工况序列，得到特征序列；将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息；将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。本发明避免了人工检测复杂以及时效性低的问题，其故障预警准确性高、误差小，能够大规模应用于对制备工艺精度高的3D打印金属粉末生产设备之中。
Description
技术领域
本发明涉及3D打印技术领域，尤其涉及一种3D打印金属粉末生产设备的故障预警方法及装置。
背景技术
3D打印是一种快速成型技术，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。而用于3D打印的金属粉末对产品的微观结构，物理性能起到决定性的影响，粉末原料除需具备良好的可塑性外，还必须满足粉末粒径细小、杂质含量低、粒度分布较窄、球形度高、流动性好和松装密度高等要求。
目前国内3D打印用金属粉末的生产设备多采用雾化制粉技术，基于3D打印对金属粉末的高要求水平，使得3D打印用金属粉末的生产设备必须保持在稳定且正常工作的情况下进行金属粉末的生产，而大多金属粉末生产设备无法对自身的运行状况进行监测，使得容易忽略掉可能会发生的故障，导致所制备的金属粉末达不到粉末粒径细小、杂质含量低、粒度分布较窄、球形度高等要求，而人工检查生产设备故障的步骤复杂，且检查过程中生产中断，致使时效性低下以及生产成本提高，大大限制了3D打印技术的应用及推广。
因此，目前亟需一种能够准确、高效且高时效性地对3D打印金属粉末生产设备进行故障预警的方法。
发明内容
本发明提供了一种3D打印金属粉末生产设备的故障预警方法及装置，以解决现有技术中人工检测复杂以及时效性低的技术问题。
为了解决上述技术问题，本发明实施例提供了一种3D打印金属粉末生产设备的故障预警方法，包括：
根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列；
实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列；
根据所述参考序列与所述工况序列，得到特征序列；
将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息；
将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。
作为优选方案，所述根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列，具体为：
根据若干预设周期内处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数，分别计算出所述处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数所对应的所有周期的离差平方和，从而生成3D打印金属粉末生产设备在正常运行阶段所对应的参考序列。
作为优选方案，各系统的运作参数所对应的所有周期的离差平方和计算：
；其中，若干预设周期内处于正常运行阶段的3D打印金属粉末生
产设备中各系统的运作参数为
，
为对应的各系统，
为该系统内的关键
设备；参考序列为
。
作为优选方案，所述根据所述参考序列与所述工况序列，得到特征序列，具体为：
分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间所对应的马氏距离，并根据所述马氏距离，得到特征序列。
作为优选放哪，对于工况序列为
，任一参数
的归一化方法为;
；对于参考序列
，任一参数的
的归一化方法为：
。
作为优选方案，将归一化处理后的所述参考序列的参数和归一化处理后的所述工
况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间所对应的马氏距离；
其中，马氏距离的计算公式为
，其中，
为1至
的总数，
为
协方差矩阵；进而得到特征序列
。
作为优选方案，所述将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息，具体为：
将所述特征序列输入至训练好的第一神经网络，得到第一特征信息；其中，所述第一神经网络为去噪自编码网络；
将所述特征序列输入至训练好的第二神经网络，得到第二特征信息；其中，所述第二神经网络为长短时记忆神经网络。
作为优选方案，所述去噪自编码网络和所述长短时记忆神经网络的训练方法，具体包括：
获取3D打印金属粉末生产设备中各系统的历史运作参数，生成历史工况序列；
根据所述历史工况序列与所述参考序列，得到历史特征序列，并获取所述历史特征序列对应的历史特征信息；
以所述历史特征序列和所对应的所述历史特征信息作为训练集，分别对所述去噪自编码网络和所述长短时记忆神经网络进行模型训练。
作为优选方案，所述故障预警模型的训练方法，具体包括：
获取第一历史特征信息和第二历史特征信息，以及所述历史特征序列对应的3D打印金属粉末生产设备的历史故障预警等级；
将所述第一历史特征信息、所述第二历史特征信息和所述历史故障预警等级作为训练集，对构建的初始故障预警模型进行训练，从而得到训练后的故障预警模型。
作为优选方案，在所述将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级之后，还包括：
记录当前的第一特征信息和第二特征信息，以及所输出当前的故障预警等级，作为再训练数据集；
根据所述再训练数据集，对所述故障预警模型进行再训练，从而完成对故障预警模型的更新。
相应地，本发明还提供一种3D打印金属粉末生产设备的故障预警方法，包括：参考序列模块、工况序列模块、特征序列模块、特征信息模块和故障预警模块；
所述参考序列模块，用于根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列；
所述工况序列模块，用于实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列；
所述特征序列模块，用于根据所述参考序列与所述工况序列，得到特征序列；
所述特征信息模块，用于将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息；
所述故障预警模块，用于将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。
作为优选方案，所述根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列，具体为：
根据若干预设周期内处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数，分别计算出所述处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数所对应的所有周期的离差平方和，从而生成3D打印金属粉末生产设备在正常运行阶段所对应的参考序列。
作为优选方案，所述根据所述参考序列与所述工况序列，得到特征序列，具体为：
分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间所对应的马氏距离，并根据所述马氏距离，得到特征序列。
作为优选方案，所述将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息，具体为：
将所述特征序列输入至训练好的第一神经网络，得到第一特征信息；其中，所述第一神经网络为去噪自编码网络；
将所述特征序列输入至训练好的第二神经网络，得到第二特征信息；其中，所述第二神经网络为长短时记忆神经网络。
作为优选方案，所述去噪自编码网络和所述长短时记忆神经网络的训练方法，具体包括：
获取3D打印金属粉末生产设备中各系统的历史运作参数，生成历史工况序列；
根据所述历史工况序列与所述参考序列，得到历史特征序列，并获取所述历史特征序列对应的历史特征信息；
以所述历史特征序列和所对应的所述历史特征信息作为训练集，分别对所述去噪自编码网络和所述长短时记忆神经网络进行模型训练。
作为优选方案，所述故障预警模型的训练方法，具体包括：
获取第一历史特征信息和第二历史特征信息，以及所述历史特征序列对应的3D打印金属粉末生产设备的历史故障预警等级；
将所述第一历史特征信息、所述第二历史特征信息和所述历史故障预警等级作为训练集，对构建的初始故障预警模型进行训练，从而得到训练后的故障预警模型。
作为优选方案，本发明实施例还包括：再训练模块；
所述再训练模块，用于记录当前的第一特征信息和第二特征信息，以及所输出当前的故障预警等级，作为再训练数据集；根据所述再训练数据集，对所述故障预警模型进行再训练，从而完成对故障预警模型的更新。
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上任一项所述的3D打印金属粉末生产设备的故障预警方法。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上任一项所述的3D打印金属粉末生产设备的故障预警方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明的技术方案通过3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数作为参考序列，并通过实时获取3D打印金属粉末生产设备中各系统的运作参数作为工况序列，进而确保了参考序列与实时获取的工况序列的准确性和合理性，同时也保证了故障预警的时效性，无需人工中断生产设备的工作，并通过参考序列和工况序列来得到特征序列，能够简单且快速地对实时的工况序列与参考序列之间的差异，使得后续分别输入至第一神经网络和第二神经网络后，能够准确且高效地获得第一特征信息和第二特征信息，进而再通过输入至训练好的故障预警模型，从而准确输出得到故障预警等级，使得双层模型所输出的故障预警准确性高、误差小，能够大规模应用于对制备工艺精度高的3D打印金属粉末生产设备之中。
附图说明
图1：为本发明实施例所提供的一种3D打印金属粉末生产设备的故障预警方法的步骤流程图；
图2：为本发明实施例所提供的一种3D打印金属粉末生产设备的故障预警方法中去噪自编码网络和长短时记忆神经网络的训练方法的步骤流程图；
图3：为本发明实施例所提供的一种3D打印金属粉末生产设备的故障预警方法中故障预警模型的训练方法的步骤流程图；
图4：为本发明实施例所提供的一种3D打印金属粉末生产设备的故障预警方法中再训练步骤的流程图；
图5：为本发明实施例所提供的一种3D打印金属粉末生产设备的故障预警装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种3D打印金属粉末生产设备的故障预警方法，包括以下步骤S101-S105：
S101：根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列。
需要说明的是，3D打印金属粉末生产设备包括但不限于气雾化制粉设备、等离子制粉设备和超声波雾化制粉设备。在本实施例中，以超声波振动雾化制粉设备为具体实施例，其主要的原理是通过超声振动能量和气流冲击动能使金属液流破碎成为更细小的金属液滴，然后在惰性气体的保护下，冷却成为金属粉末。
作为本发明实施例的优选方案，所述根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列，具体为：
根据若干预设周期内处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数，分别计算出所述处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数所对应的所有周期的离差平方和，从而生成3D打印金属粉末生产设备在正常运行阶段所对应的参考序列。
需要说明的是，在本实施例中，以处于正常运行阶段的3D打印金属粉末生产设备运行一段时间作为一个预设周期，其中，该段时间可以根据实际的需求与条件进行设定。
在本实施例中，示例性地，超声波振动雾化制粉设备主要由熔炼炉、雾化罐、超声
雾化器、粉末收集罐、真空充气系统、馈液系统、控制系统构成，其中，超声振动系统安装在
雾化室里，该系统由大功率压电换能器、变幅杆、工具头、陶瓷堆气体冷却罩组成，超声波发
生器信号从雾化室外部引入，雾化室底部设置有粉末收集罐，通过改变流嘴孔径和调节熔
化炉与雾化室之间压差控制雾化金属流量。因此在本实施例中，通过获取超声波振动雾化
制粉设备中各系统的运作参数，系统包括但不限于熔炼炉、雾化罐、超声雾化器、粉末收集
罐、真空充气系统、馈液系统、控制系统等，根据实际故障预警需求进行设定，即可得到相应
的运作参数，则任意
系统对应的运作参数的序列为
，
为该系统内的关
键设备运行参数，例如：对于超声波物化系统，其内部的变幅杆、预应力螺栓、冷却设备、信
号引线接收装置等在进行运作时的工况参数，进而生成一个预设周期内对应的运作序列
。
其中，各系统的运作参数所对应的所有周期的离差平方和计算：
。从而根据各系统的运作参数所对应的所有周期的离差平方和，
来得到3D打印金属粉末生产设备在正常运行阶段所对应的参考序列
。
S102：实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列。
需要说明的是，在本实施例中，类似于步骤S101，实时获取一个周期3D打印金属粉
末生产设备中各系统的运作参数，进而生成工况序列
。
S103：根据所述参考序列与所述工况序列，得到特征序列。
作为本发明实施例的优选方案，所述根据所述参考序列与所述工况序列，得到特征序列，具体为：
分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间所对应的马氏距离，并根据所述马氏距离，得到特征序列。
需要说明的是，对于工况序列为
，任一参数
的归一化方法为;
；对于参考序列
，任一参数的
的归一化方法为：
。进而将归一化处理后的参考序列的参数和归一化处理后的工况序列的参
数进行特征计算：
，其中，
为1至
的总数，
为协方差矩阵，进而
得到参考序列和工况序列之间所对应的马氏距离，进而得到特征序列
。
S104：将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息。
作为本发明实施例的优选方案，所述将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息，具体为：
将所述特征序列输入至训练好的第一神经网络，得到第一特征信息；其中，所述第一神经网络为去噪自编码网络；将所述特征序列输入至训练好的第二神经网络，得到第二特征信息；其中，所述第二神经网络为长短时记忆神经网络。
需要说明的是，第一神经网络为去噪自编码网络，其中，去噪自编码网络堆叠Ne层，Ne层的数量根据实际情况进行确定；第二神经网络为长短时记忆神经网络，其中，长短时记忆神经网络的隐藏层层数设置为NL，NL的数量根据实际情况进行确定。
可以理解的是，通过将特征序列分别输入至训练好的去噪自编码网络和长短时记忆神经网络，能够得到两个不同神经网络下对应的特征信息，进而使得去噪自编码网络所输出精确度高的第一特征信息，使得长短时记忆神经网络输出拟合度高的第二特征信息，综合两个不同神经网络的优缺点，进而能够更加准确地且高效地对3D打印金属粉末生产设备的故障进行预警。
作为本发明实施例的优选方案，请参阅图2，所述去噪自编码网络和所述长短时记忆神经网络的训练方法，具体包括以下步骤S201-S203：
S201：获取3D打印金属粉末生产设备中各系统的历史运作参数，生成历史工况序列。
S202：根据所述历史工况序列与所述参考序列，得到历史特征序列，并获取所述历史特征序列对应的历史特征信息。
S203：以所述历史特征序列和所对应的所述历史特征信息作为训练集，分别对所述去噪自编码网络和所述长短时记忆神经网络进行模型训练。
在本实施例中，在去噪自编码网络和长短时记忆神经网络的训练方法中，通过3D打印金属粉末生产设备中各系统的历史运作参数，进而生成对应的历史工况序列，从而得到历史特征序列，并通过获取的历史特征序列对应的历史特征信息，即可作为训练集，分别对去噪自编码网络和长短时记忆神经网络进行模型训练，即对于去噪自编码网络，训练集为历史特征序列和第一历史特征信息；对于长短时记忆神经网络，训练集为历史特征序列和第二历史特征信息。
需要说明的是，虽然去噪自编码网络和长短时记忆神经网络均是通过历史特征序列和所对应其的历史特征信息作为训练集，但是由于两者神经网络模型的结构的不同，使得其训练的过程、模型的阈值和权值等因素均不相同，因此使得本发明实施例中的去噪自编码网络和长短时记忆神经网络，均能发挥出其自身网络模型的优势，确保故障预警的准确性。
S105：将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。
作为本发明实施例的优选方案，请参阅图3，所述故障预警模型的训练方法，具体包括以下步骤S204-S205：
S204：获取第一历史特征信息和第二历史特征信息，以及所述历史特征序列对应的3D打印金属粉末生产设备的历史故障预警等级。
需要说明的是，通过获取第一历史特征信息和第二历史特征信息，以及历史特征序列对应的3D打印金属粉末生产设备的历史故障预警等级，作为训练集，即第一历史特征信息和第二历史特征信息作为故障预警模型的输入，历史故障预警等级作为输出。进一步地，在本实施例中，优选地，其中故障预警模型为Xgboost模型。
S205：将所述第一历史特征信息、所述第二历史特征信息和所述历史故障预警等级作为训练集，对构建的初始故障预警模型进行训练，从而得到训练后的故障预警模型。
需要说明的是，将第一历史特征信息、第二历史特征信息和历史故障预警等级作为训练集，进而对构建的初始Xgboost模型进行训练，进而得到训练后的Xgboost模型，作为故障预警模型。
进一步地，在本实施例中，在将第一特征信息和第二特征信息输入至训练好的故
障预警模型后，从而得到故障预警对应的序列，示例性地，在本实施例中，特征序列
在分别经过去噪自编码网络和长短时记忆神经网络后，所输出得到第一特
征信息
和第二特征信息
，来作为Xgboost模型的输
入，进而输出得到故障预警对应的序列
。示例性地，故障预警对应的序
列
为
时，即说明
所对应系统的相关设备出现故障，即
发出故障预警，并根据用户自定义生产设备相关故障所对应的等级的定义规则，即可确定
所对应系统的相关设备出现故障时所属的故障等级，进而进行输出。
作为本发明实施例的优选方案，请参阅图4，在所述将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级之后，还包括步骤S106-S107：
S106：记录当前的第一特征信息和第二特征信息，以及所输出当前的故障预警等级，作为再训练数据集。
S107：根据所述再训练数据集，对所述故障预警模型进行再训练，从而完成对故障预警模型的更新。
需要说明的是，为了使故障预警模型能够维持高精确度和高效率地对3D打印金属粉末生产设备进行故障预测，通过记录当前的第一特征信息和第二特征信息，以及所输出当前的故障预警等级，作为再训练数据集，从而使得故障预警模型进行再训练，进而实现故障预警模型的自更新，确保故障预警模型能够符合3D打印金属粉末生产设备随工作运行时，依据其寿命的变化情况，来准确、合理、高效地进行故障预警，进一步提高了故障预警的时效性。
实施以上实施例，具有如下效果：
本发明的技术方案通过3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数作为参考序列，并通过实时获取3D打印金属粉末生产设备中各系统的运作参数作为工况序列，进而确保了参考序列与实时获取的工况序列的准确性和合理性，同时也保证了故障预警的时效性，无需人工中断生产设备的工作，并通过参考序列和工况序列来得到特征序列，能够简单且快速地对实时的工况序列与参考序列之间的差异，使得后续分别输入至第一神经网络和第二神经网络后，能够准确且高效地获得第一特征信息和第二特征信息，进而再通过输入至训练好的故障预警模型，从而准确输出得到故障预警等级，使得双层模型所输出的故障预警准确性高、误差小，能够大规模应用于对制备工艺精度高的3D打印金属粉末生产设备之中。
实施例二
请参阅图5，本发明还提供一种3D打印金属粉末生产设备的故障预警装置，包括：参考序列模块301、工况序列模块302、特征序列模块303、特征信息模块304和故障预警模块305。
所述参考序列模块301，用于根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列。
所述工况序列模块302，用于实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列。
所述特征序列模块303，用于根据所述参考序列与所述工况序列，得到特征序列。
所述特征信息模块304，用于将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息。
所述故障预警模块305，用于将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。
作为本实施例的优选方案，所述根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列，具体为：
根据若干预设周期内处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数，分别计算出所述处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数所对应的所有周期的离差平方和，从而生成3D打印金属粉末生产设备在正常运行阶段所对应的参考序列。
作为本实施例的优选方案，所述根据所述参考序列与所述工况序列，得到特征序列，具体为：
分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间所对应的马氏距离，并根据所述马氏距离，得到特征序列。
作为本实施例的优选方案，所述将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息，具体为：
将所述特征序列输入至训练好的第一神经网络，得到第一特征信息；其中，所述第一神经网络为去噪自编码网络；将所述特征序列输入至训练好的第二神经网络，得到第二特征信息；其中，所述第二神经网络为长短时记忆神经网络。
作为优选方案，所述去噪自编码网络和所述长短时记忆神经网络的训练方法，具体包括：
获取3D打印金属粉末生产设备中各系统的历史运作参数，生成历史工况序列；根据所述历史工况序列与所述参考序列，得到历史特征序列，并获取所述历史特征序列对应的历史特征信息；以所述历史特征序列和所对应的所述历史特征信息作为训练集，分别对所述去噪自编码网络和所述长短时记忆神经网络进行模型训练。
作为本实施例的优选方案，所述故障预警模型的训练方法，具体包括：
获取第一历史特征信息和第二历史特征信息，以及所述历史特征序列对应的3D打印金属粉末生产设备的历史故障预警等级；将所述第一历史特征信息、所述第二历史特征信息和所述历史故障预警等级作为训练集，对构建的初始故障预警模型进行训练，从而得到训练后的故障预警模型。
作为本实施例的优选方案，本发明实施例还包括：再训练模块306；所述再训练模块306，用于记录当前的第一特征信息和第二特征信息，以及所输出当前的故障预警等级，作为再训练数据集；根据所述再训练数据集，对所述故障预警模型进行再训练，从而完成对故障预警模型的更新。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施本发明实施例，具有如下效果：
本发明的技术方案通过3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数作为参考序列，并通过实时获取3D打印金属粉末生产设备中各系统的运作参数作为工况序列，进而确保了参考序列与实时获取的工况序列的准确性和合理性，同时也保证了故障预警的时效性，无需人工中断生产设备的工作，并通过参考序列和工况序列来得到特征序列，能够简单且快速地对实时的工况序列与参考序列之间的差异，使得后续分别输入至第一神经网络和第二神经网络后，能够准确且高效地获得第一特征信息和第二特征信息，进而再通过输入至训练好的故障预警模型，从而准确输出得到故障预警等级，使得双层模型所输出的故障预警准确性高、误差小，能够大规模应用于对制备工艺精度高的3D打印金属粉末生产设备之中。
实施例三
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的3D打印金属粉末生产设备的故障预警方法。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S105。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如特征信息模块304。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述特征信息模块304，用于将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例四
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的3D打印金属粉末生产设备的故障预警方法。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、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3D打印金属粉末生产设备的故障预警方法，其特征在于，包括：
根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列；
实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列；
根据所述参考序列与所述工况序列，得到特征序列；
将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息；
将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。
2.如权利要求1所述的一种3D打印金属粉末生产设备的故障预警方法，其特征在于，所述根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列，具体为：
根据若干预设周期内处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数，分别计算出所述处于正常运行阶段的3D打印金属粉末生产设备中各系统的运作参数所对应的所有周期的离差平方和，从而生成3D打印金属粉末生产设备在正常运行阶段所对应的参考序列。
3.如权利要求1所述的一种3D打印金属粉末生产设备的故障预警方法，其特征在于，所述根据所述参考序列与所述工况序列，得到特征序列，具体为：
分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间所对应的马氏距离，并根据所述马氏距离，得到特征序列。
4.如权利要求1所述的一种3D打印金属粉末生产设备的故障预警方法，其特征在于，所述将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息，具体为：
将所述特征序列输入至训练好的第一神经网络，得到第一特征信息；其中，所述第一神经网络为去噪自编码网络；
将所述特征序列输入至训练好的第二神经网络，得到第二特征信息；其中，所述第二神经网络为长短时记忆神经网络。
5.如权利要求4所述的一种3D打印金属粉末生产设备的故障预警方法，其特征在于，所述去噪自编码网络和所述长短时记忆神经网络的训练方法，具体包括：
获取3D打印金属粉末生产设备中各系统的历史运作参数，生成历史工况序列；
根据所述历史工况序列与所述参考序列，得到历史特征序列，并获取所述历史特征序列对应的历史特征信息；
以所述历史特征序列和所对应的所述历史特征信息作为训练集，分别对所述去噪自编码网络和所述长短时记忆神经网络进行模型训练。
6.如权利要求5所述的一种3D打印金属粉末生产设备的故障预警方法，其特征在于，所述故障预警模型的训练方法，具体包括：
获取第一历史特征信息和第二历史特征信息，以及所述历史特征序列对应的3D打印金属粉末生产设备的历史故障预警等级；
将所述第一历史特征信息、所述第二历史特征信息和所述历史故障预警等级作为训练集，对构建的初始故障预警模型进行训练，从而得到训练后的故障预警模型。
7.如权利要求1所述的一种3D打印金属粉末生产设备的故障预警方法，其特征在于，在所述将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级之后，还包括：
记录当前的第一特征信息和第二特征信息，以及所输出当前的故障预警等级，作为再训练数据集；
根据所述再训练数据集，对所述故障预警模型进行再训练，从而完成对故障预警模型的更新。
8.一种3D打印金属粉末生产设备的故障预警装置，其特征在于，包括：参考序列模块、工况序列模块、特征序列模块、特征信息模块和故障预警模块；
所述参考序列模块，用于根据3D打印金属粉末生产设备在正常运行阶段中各系统的运作参数，生成参考序列；
所述工况序列模块，用于实时获取3D打印金属粉末生产设备中各系统的运作参数，生成工况序列；
所述特征序列模块，用于根据所述参考序列与所述工况序列，得到特征序列；
所述特征信息模块，用于将所述特征序列分别输入至训练好的第一神经网络和第二神经网络，分别得到第一特征信息和第二特征信息；
所述故障预警模块，用于将所述第一特征信息和第二特征信息输入至训练好的故障预警模型，输出得到故障预警等级。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的3D打印金属粉末生产设备的故障预警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的3D打印金属粉末生产设备的故障预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211106614.9A CN115178752A (zh) | 2022-09-13 | 2022-09-13 | 一种3d打印金属粉末生产设备的故障预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211106614.9A CN115178752A (zh) | 2022-09-13 | 2022-09-13 | 一种3d打印金属粉末生产设备的故障预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115178752A true CN115178752A (zh) | 2022-10-14 |
Family
ID=83524619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211106614.9A Pending CN115178752A (zh) | 2022-09-13 | 2022-09-13 | 一种3d打印金属粉末生产设备的故障预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115178752A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116755403A (zh) * | 2023-06-13 | 2023-09-15 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
| CN117465001A (zh) * | 2023-12-28 | 2024-01-30 | 深圳市智能派科技有限公司 | 基于多模型预测结果的3d打印控制方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060230097A1 (en) * | 2005-04-08 | 2006-10-12 | Caterpillar Inc. | Process model monitoring method and system |
| JP2006309570A (ja) * | 2005-04-28 | 2006-11-09 | Petroleum Energy Center | 製油所監視システム |
| WO2017104305A1 (ja) * | 2015-12-16 | 2017-06-22 | 三菱電機株式会社 | 故障診断装置および故障診断方法 |
| CN110621003A (zh) * | 2019-09-23 | 2019-12-27 | 上海大学 | 一种电气设备故障诊断装置 |
| CN111538311A (zh) * | 2020-04-22 | 2020-08-14 | 北京航空航天大学 | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 |
| US20200380295A1 (en) * | 2019-05-29 | 2020-12-03 | Nec Laboratories America, Inc. | Failure prediction using gradient-based sensor identification |
| CN112232366A (zh) * | 2020-09-09 | 2021-01-15 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
| CN112371995A (zh) * | 2020-10-12 | 2021-02-19 | 华南理工大学 | 选择性激光熔化3d打印裂纹检测方法、装置及存储介质 |
| US20210065918A1 (en) * | 2019-08-28 | 2021-03-04 | Kabushiki Kaisha Toshiba | Condition monitoring device, method, and storage medium |
| CN114348887A (zh) * | 2022-03-21 | 2022-04-15 | 杭州杰牌传动科技有限公司 | 基于塔吊回转动作模型的智能监控预警系统及方法 |
| CN114580545A (zh) * | 2022-03-07 | 2022-06-03 | 华北电力大学（保定） | 一种基于融合模型的风电机组齿轮箱故障预警方法 |
| CN114707414A (zh) * | 2022-04-12 | 2022-07-05 | 广州智能装备研究院有限公司 | 一种机器人健康状态评估方法、装置、设备及存储介质 |
-
2022
- 2022-09-13 CN CN202211106614.9A patent/CN115178752A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060230097A1 (en) * | 2005-04-08 | 2006-10-12 | Caterpillar Inc. | Process model monitoring method and system |
| JP2006309570A (ja) * | 2005-04-28 | 2006-11-09 | Petroleum Energy Center | 製油所監視システム |
| WO2017104305A1 (ja) * | 2015-12-16 | 2017-06-22 | 三菱電機株式会社 | 故障診断装置および故障診断方法 |
| US20200380295A1 (en) * | 2019-05-29 | 2020-12-03 | Nec Laboratories America, Inc. | Failure prediction using gradient-based sensor identification |
| US20210065918A1 (en) * | 2019-08-28 | 2021-03-04 | Kabushiki Kaisha Toshiba | Condition monitoring device, method, and storage medium |
| CN110621003A (zh) * | 2019-09-23 | 2019-12-27 | 上海大学 | 一种电气设备故障诊断装置 |
| CN111538311A (zh) * | 2020-04-22 | 2020-08-14 | 北京航空航天大学 | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 |
| CN112232366A (zh) * | 2020-09-09 | 2021-01-15 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
| CN112371995A (zh) * | 2020-10-12 | 2021-02-19 | 华南理工大学 | 选择性激光熔化3d打印裂纹检测方法、装置及存储介质 |
| CN114580545A (zh) * | 2022-03-07 | 2022-06-03 | 华北电力大学（保定） | 一种基于融合模型的风电机组齿轮箱故障预警方法 |
| CN114348887A (zh) * | 2022-03-21 | 2022-04-15 | 杭州杰牌传动科技有限公司 | 基于塔吊回转动作模型的智能监控预警系统及方法 |
| CN114707414A (zh) * | 2022-04-12 | 2022-07-05 | 广州智能装备研究院有限公司 | 一种机器人健康状态评估方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘罡: "《基于信息融合的柴油机故障诊断方法研究》", 31 January 2017, 吉林大学出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116755403A (zh) * | 2023-06-13 | 2023-09-15 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
| CN116755403B (zh) * | 2023-06-13 | 2024-03-26 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
| CN117465001A (zh) * | 2023-12-28 | 2024-01-30 | 深圳市智能派科技有限公司 | 基于多模型预测结果的3d打印控制方法及系统 |
| CN117465001B (zh) * | 2023-12-28 | 2024-04-09 | 深圳市智能派科技有限公司 | 基于多模型预测结果的3d打印控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115178752A (zh) | 一种3d打印金属粉末生产设备的故障预警方法及装置 | |
| US11243527B2 (en) | Production process control method and production process control device | |
| Cho et al. | Design of multisensor fusion-based tool condition monitoring system in end milling | |
| Peng et al. | Process parameter optimization for fused deposition modeling using response surface methodology combined with fuzzy inference system | |
| Wu et al. | Predictive modeling of droplet formation processes in inkjet-based bioprinting | |
| CN108337270A (zh) | 一种企业网络安全事件管理系统 | |
| JP6835777B2 (ja) | 積層造形システムを制御するためのシステムおよび方法 | |
| JP7180985B2 (ja) | 診断装置および診断方法 | |
| Zhang et al. | Accurate prediction approach of SOH for lithium-ion batteries based on LSTM method | |
| CN106845136A (zh) | 一种基于支持向量机的针阀体挤压研磨精度预测方法 | |
| US10724999B2 (en) | Thermal spray diagnostics | |
| CN102841571A (zh) | 一种机床质量信息管理系统 | |
| Jiang et al. | Prediction of the melt index based on the relevance vector machine with modified particle swarm optimization | |
| Nasrin et al. | Application of machine learning in polymer additive manufacturing: A review | |
| CN108596516A (zh) | 一种自动化评估方法和系统 | |
| Farshbaf Zinati et al. | Constrained optimum surface roughness prediction in turning of X20Cr13 by coupling novel modified harmony search-based neural network and modified harmony search algorithm | |
| Ulkir et al. | Energy consumption prediction of additive manufactured tensile strength parts using artificial intelligence | |
| CN116560600B (zh) | 一种3d打印过程中意外中断的处理方法及系统 | |
| CN108509732A (zh) | 汽轮机故障严重程度的评估方法、终端设备及存储介质 | |
| CN108052751A (zh) | 一种数据分析模型的建模方法 | |
| CN108228977A (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
| Kang et al. | Classification of battery slurry by flow signal processing via echo state network model | |
| Tourloukis et al. | Predictive modelling for 3D inkjet printing processes | |
| Roslan et al. | Performance analysis of different tuning rules for an isothermal CSTR using integrated EPC and SPC | |
| Lall et al. | Effect of print parameters on print consistency of aerosol jet printed electronics |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |