CN115358159A - 一种多目标3d打印工艺参数优化方法 - Google Patents
一种多目标3d打印工艺参数优化方法 Download PDFInfo
- Publication number
- CN115358159A CN115358159A CN202211299070.2A CN202211299070A CN115358159A CN 115358159 A CN115358159 A CN 115358159A CN 202211299070 A CN202211299070 A CN 202211299070A CN 115358159 A CN115358159 A CN 115358159A
- Authority
- CN
- China
- Prior art keywords
- printing
- quality evaluation
- optimization
- printing process
- process parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明公开了一种多目标3D打印工艺参数优化方法。构建3D打印参数变化空间,并利用历史试验数据对打印质量评价参数模型训练;根据打印质量评价参数模型、打印质量评价参数及优化方向,以打印质量评价参数模型的输出为自变量,以总质量评价参数为自变量,建立多目标优化函数和约束条件,用遗传算法对多目标优化函数搜索求解,输出更优3D打印工艺参数组合并实际3D打印并再不断迭代优化。本发明能够在每一轮优化搜索中兼顾打印质量评价参数提升和非线性模型的拟合效果提升,具有更好非线性拟合效果,能够一次性自动化地解决多个参数优化工作,大幅减少工艺参数组合优化过程中实验的次数,节约打印材料消耗。
Description
技术领域
本发明涉及增材制造和人工智能领域的一种3D打印优化处理方法,具体涉及一种多目标3D打印工艺参数优化方法。
背景技术
随着3D打印技术的普及和发展,对于3D打印过程中工艺参数优化的需求越来越广泛。在3D打印过程中,设备、过程工艺参数组合复杂,光斑大小、功率、扫描速度等打印设备内源参数,又有温度、湿度等环境参数,优化的目标方面,有打印标的物且在不同材料的打印任务中,很难确定一套固定的打印工艺参数。为获取优质达标的打印参数组合,整个参数优化过程普遍依赖人工经验和反复的实验调整试错,耗费人力、材料成本。
基于此,近年来大量3D打印参数优化方法被研究和提出,大致可分为人工实验过程优化和结合人工智能技术、优化算法两种方式。
人工实验过程优化方面,有通过正交实验设计来对聚乳酸(PLA)为底物的3D打印任务进行参数优化。该方法并未真正克服人力资源消耗较大的问题,只是从实验方法层面相对无规律试错实验能够节省部分实验组次。
人工智能技术应用方面,厦门大学姚俊峰、李欣然等人(2020)提出一种基于粒子群优化的3D打印工艺参数优化方法,该方法以多元线性回归作为基模型,通过人为设定效率、效果评分参数,利用粒子群算法求解输出最优参数组合。该方法采用的多元线性回归模型,难以拟合3D打印参数和打印质量评价参数之间复杂的高维非线性关系,回归预测效果较差;另一方面,人为设定的效率、效果评分参数难言合理。
发明内容
本发明的目的在于针对目前3D打印工艺参数优化研究领域目前存在的上述不足,通过引入贝叶斯优化和遗传算法,建立打印工艺参数和打印质量评价参数的非线性模型,同时构建能够对多种打印质量评价参数如致密度、表面光滑度、硬度、裂纹等进行同步优化的目标函数(采样函数),实现3D打印工艺参数优化的自动化、智能化,节约人力成本和材料消耗。
为了解决上述现有技术的不足之处,本发明提供了以下技术方案:
步骤一:获取3D打印的历史试验数据,构建3D打印参数变化空间,建立打印质量评价参数模型,并利用历史试验数据对打印质量评价参数模型进行训练,获得训练后的打印质量评价参数模型;
所述的历史试验数据是按照预设的各种3D打印参数组合进行实际3D打印处理获得的打印质量评价参数构成。
所述步骤一中,设置3D打印的各种打印参数变化范围和变化间隔,生成3D打印参数变化全空间。
步骤二:建立多目标优化函数
事先根据实际任务场景确定被优化的打印质量评价参数,同时确定打印质量评价参数优化的方向。根据打印质量评价参数模型、预先确定的打印质量评价参数及其优化的方向,以打印质量评价参数模型的输出作为自变量,以总质量评价参数为自变量,建立多目标优化函数;
所述的打印质量评价参数优化的方向是指更大或更小。
步骤三:设置多目标优化函数的约束条件;
在3D打印参数优化场景下,设置打印标的物的裂纹长度的约束;
步骤四:用多目标遗传算法对上述建立的多目标优化函数及其约束进行搜索求解,输出更优3D打印工艺参数组合;更优3D打印工艺参数组合可能是多个,均可用于进行实际3D打印。
步骤五:根据步骤四输出的更优3D打印工艺参数组合进行实际3D打印并再不断迭代优化。
所述步骤一中,分别选用高斯过程回归GPR和随机森林RandomForest的两种非线性算法建立打印质量评价参数模型,所述的3D打印参数模型为3D打印工艺参数组合和打印质量评价参数之间的关系模型,选取其中表现较好的作为打印质量评价参数模型,即作为代理模型。本方法采用的高斯过程回归GPR和随机森林RandomForest的两种非线性算法相对高维线性回归等方式,具有更强的非线性拟合效果,能更好地对打印参数的非线性关系进行建模。
所述的3D打印工艺参数组合是由所有3D打印参数的组合组成,所述的3D打印参数可以包括激光能量、扫描速度、光斑大小、层厚等;
所述的打印质量评价参数为致密度、表面光滑度、硬度、裂纹中的一种或者多种的组合。
所述步骤三中,是将打印标的物的裂纹长度转换为是否存在裂纹的概率预测问题,以设定一个固定的概率阈值作为是否存在裂纹的约束,能够简单有效地解决设置约束的问题。
所述步骤五中,是对步骤四输出的更优3D打印工艺参数组合进行实际3D打印并测量打印质量评价参数,以进行打印实验验证,并判断:
如果更优3D打印工艺参数组合下测量的打印质量评价参数达到实际投产需求的要求,则记录留用所述更优3D打印工艺参数组合,以更优3D打印工艺参数组合进行3D打印制造;
否则将所述更优3D打印工艺参数组合和对应的打印质量评价参数加入到步骤一所述历史试验数据中,重复步骤一到步骤四,不断进行多轮迭代优化,直到打印质量评价参数达到实际投产需求的要求。
所述的多目标优化函数采用了多目标混合采样函数,获得多目标采样函数的帕累托最优解,具体为:
V-maxx∈X f(x) =[f1(x), f2(x), f3(x)]
式中,V-maxx∈X f(x)的含义是从由X构成的变量空间中析取使得f(x)值达到最大的解集,其中V表示向量,max表示最大化;x是作为单个样本的3D打印工艺参数组合,是因变量;X表示3D打印参数变化空间;f(x)是实际需要优化的目标函数;f1(x), f2(x), f3(x)表示是多目标优化函数的三个子目标函数,其中f1(x)表示第一子目标函数,f2(x)表示第二子目标函数,f3(x)表示第三子目标函数;
第一子目标函数f1(x),具体表达如下所示:
f1(x)=μt-1(x)+ βtσt-1(x)
式中,μt-1(x)是迭代优化第t-1轮下3D打印工艺参数组合x对应的预测目标的期望值,t表示迭代优化的第t轮;βt表示探索系数,为随时间衰减的超参数,该参数值越大,优化搜索时预测标准差的影响越大,搜索方向将更偏向于降低标准差;σt-1(x)是迭代优化第t-1轮下3D打印工艺参数组合x对应的预测目标的标准差;
通过设置第一子目标函数f1(x)能够提高质量评价目标变量的最大置信上限值。
第二子目标函数f2(x),具体表达如下所示:
f3(x)= (μt-1(x)-f* t-1)Φ((μt-1(x)-f* t-1)/σt-1(x))+ σt-1(x)φ((μt-1(x)-f* t-1)/σt-1(x))
式中,f* t-1表示在迭代优化第t-1轮的历史数据中的预测目标最大期望值;Φ()表示标准高斯分布的概率累积函数(cumulative distribution function,CDF),φ()表示标准高斯分布的概率密度函数(probability density function,PDF);
通过设置第二子目标函数f2(x)能够最大化打印质量评价参数的提升期望。
第三子目标函数f3(x),具体表达如下所示:
f3(x)= Φ((μt-1(x)-f* t-1)/σt-1(x))
通过设置第三子目标函数f3(x)能够最大化打印质量评价参数的提升概率。
所述的预测目标的期望值μt-1(x)和标准差σt-1(x)均是打印工艺参数组合x输入到训练后的打印质量评价参数模型中处理获得。
所述的预测目标的期望值μt-1(x)和标准差σt-1(x)是按照以下方式获得:
将所有可能的打印工艺参数组合x输入到训练后的打印质量评价参数模型model中进行预测处理得到打印工艺参数组合x的所有打印质量评价参数,计算所有打印质量评价参数值的期望值和标准差,然后进行分别加和获得预测目标的期望值μt-1(x)和标准差σt-1(x) :
μt-1(x),σt-1(x)=sum([μ1, μ1,…, μn]),sum([σ1, σ1,…, σn])
其中,sum()表示加和函数,[μ1, μ1,…, μn]表示第1,2…,n个预测标签(即质量评价参数)的预测期望值,[σ1, σ1,…, σn]表示1,2…,n个预测标签(即质量评价参数)的预测标准差值,n表示需要预测的质量评价参数的最大种类数量。
根据上述三个子目标函数f1(x)、f2(x)、f3(x)的设置可知,本发明的一个核心创新点在于多目标优化函数的设置,设计的多目标优化函数在优化过程中能够同时兼顾目标值置信区间扩大、打印参数对应目标期望值提升和打印参数对应目标值提升概率增加三个方面,能够更加快速地达到获取最优打印参数的目的。
所述的打印标的物的裂纹长度的约束具体为,将裂纹长度约束转换为出现裂纹的概率约束,具体方法是:针对裂纹概率值p预先设置一个固定的裂纹阈值a,具体设置裂纹概率值p小于裂纹阈值a,选择p<a对应的参数组合样本。若裂纹概率值p大于等于裂纹阈值a,则认为会出现裂纹,小于裂纹阈值a,则认为不会出现裂纹。
本发明在多目标优化函数中引入了预测目标的标准差,能够取得更好更优的优化效果。预测目标的标准差大小反映了打印质量评价参数模型在不同3D打印工艺参数组合作为输入时,对应预测目标的预测值的不确定性,标准差值越大,说明上述多目标优化函数在附近的拟合误差可能较大,补充样本数据来增强打印质量评价参数模型的拟合效果,且每一轮求解的近似优化目标函数同时能够兼顾目标值(打印质量评价参数)的改善和打印质量评价参数模型拟合精度的提升。
本发明的有益效果是:
本发明方法摒弃了人为设定评分参数函数,在优化目标和采样函数中引入预测标准差,能够在每一轮优化搜索中兼顾打印质量评价参数提升和非线性模型的拟合效果提升。
本发明引入设置了非线性的代理模型,相对传统线性模型,具有更好的非线性拟合效果。
本发明能够一次性、自动化地解决多个打印质量评价参数的优化工作,大幅减少工艺参数组合优化过程中人工实验的次数,节约打印材料消耗。
本发明提出一种新型优化目标函数,包含3个子目标函数,目标函数求解过程兼顾目标值置信区间扩大、打印参数对应目标期望值提升和打印参数对应目标值参数提升概率增加三个方面,能够更加快速地达到获取最优打印参数的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的3D打印工艺参数优化方法的全流程图;
图2为本发明实施例提供的4轮(每轮10组,共40组)参数优化实验后,得到的10组可用参数组合及对应打印标的物打印质量评价参数结果图;
图3为所有打印参数组合在整个致密度-能量密度(AED)空间上的分布情况图,图中每个点表示可能的一组打印参数组合,实施例获得的40组3D打印工艺参数组合全部集中在图中的黑色圈内。
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、完整的描述。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做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。
如图1所示,本发明实施例属于增材制造和人工智能领域,实施例以某编号为316材料的3D打印任务为基础,其工艺参数优化过程实现基于以下几部分工作:
1)收集3D打印的历史试验数据,设置参数变化范围和变化间隔。
需要注意的是,初始的历史打印参数,最好能够相对平均地覆盖到打印参数变化空间以构建良好的初始搜索空间。以该实施例中的层厚(hatch_distance)为例,其对应参数变化范围和变化间隔设置输入为一个三元组(80,120,5),三元组每一个元素分别对应参数层厚的变化下限、上限和变化间隔。
实施例的打印标的物为316材料打印成的金属小方块。
2)构建并筛选合适的(代理)模型。
实施例分别以高斯过程回归(GPR)和随机森林(RandomForest)两种算法构建打印参数和打印质量评价参数的模型。
以一次3D打印的3D打印参数组合及其对应的打印质量评价参数作为一次样本。
历史试验数据的样本数量一般较少,本实施例采用留一法对模型的准确性进行验证评价。
3)根据实际任务场景,建立优化目标函数,并设置对应的约束条件。
在实施例下,需要优化的打印质量评价参数和对应的优化方向集合为:
{致密度:提高,表面粗糙度:降低,硬度:提高};约束条件集合为{裂纹:不出现}。
以上述采样函数为基础可建如下多目标优化函数。
V-maxx∈X f(x)=[ f1(x), f2(x), f3(x)]
Subject to: Pc<0.5
其中,Pc表示打印标的物是否存在裂纹的概率值,subject to表示目标函数对应的约束条件; max表示最大化;x是作为单个样本的3D打印工艺参数组合,是因变量;X表示3D打印参数变化空间;f(x)是实际需要优化的目标函数。f1(x)表示第一子目标函数,f2(x)表示第二子目标函数,f3(x)表示第三子目标函数;
第一子目标函数f1(x),具体表达如下所示:
f1(x)=μt-1(x)+ βtσt-1(x)
通过设置第一子目标函数f1(x)能够提高质量评价目标变量的最大置信上限值。
第二子目标函数f2(x),具体表达如下所示:
f3(x)= (μt-1(x)-f* t-1)Φ((μt-1(x)-f* t-1)/σt-1(x))+ σt-1(x)φ((μt-1(x)-f* t-1)/σt-1(x))
式中,f* t-1表示在第t-1轮的历史数据中的预测目标最大期望值;Φ()表示标准高斯分布的概率累积函数(cumulative distribution function,CDF),φ()表示标准高斯分布的概率密度函数(probability density function,PDF);
通过设置第二子目标函数f2(x)能够最大化打印质量评价参数的提升期望。
第三子目标函数f3(x),具体表达如下所示:
f3(x)= Φ((μt-1(x)-f* t-1)/σt-1(x))
通过设置第三子目标函数f3(x)能够最大化打印质量评价参数的提升概率。
考虑到不同打印质量评价参数的提升方向不同,引入一个提升方向标识列表flag,是表征打印质量评价参数优化方向的一个列表。
实施例下,μt-1(x)的计算方式如下:
μt-1(x)=sum(flag×[ud,ur,uh])
σt-1(x)的计算方式如下:
σt-1(x)=sum([σd, σr, σh])
实施例下,flag的值为[1,-1,1],分别对应提高致密度、降低表面粗糙度和提高硬度;[ud,ur,uh]分别表示致密度、表面粗糙度、硬度的预测期望值(Expectation),[σd, σr,σh]分别表示致密度、表面粗糙度、硬度的预测标准差。
具体实施中,β在实施例的场景下设为0.1~0.2;Pc=0.5。
4)选用多目标遗传算法NGSA-ii对上述多目标优化函数进行求解,输出更优3D打印工艺参数组合。
5)对输出的更优3D打印工艺参数组合进行实际的3D打印试验,之后测试获取更优3D打印工艺参数组合对应的打印质量评价参数数值。
如果参数组合对应的打印质量评价参数数值全部达到投产要求,该实施例下,致密度>=0.995,表面粗糙度<=8.0,立面硬度>=90,无裂纹,则停止参数优化过程,记录该更优3D打印工艺参数组合后续投产使用(如需多组可用参数,也可继续);
否则重复1)到5),进行迭代的优化过程。
本实施例下优化得到的40组3D打印工艺参数组合在能量密度-致密度分布图上的分布位置如附图3所示(40组3D打印工艺参数组合均处于图中黑色圈内);得到的10组可用投产3D打印工艺参数组合及对应的打印质量评价参数情况如附图2所示。
图2和图3的结果显示,得到的40组打印参数的致密度参数几乎全部满足投产要求且分布在全体样本的左上部,不易出现裂纹;其中10组满足硬度、粗糙度、致密度和裂纹参数全部满足投产需求。加上初始的29组样本,在人工实验次数预期为90组获得一组投产参数的情况下,仅进行69次打印实验就获得了10组可用参数组合,大幅超出人工优化实验效果。
Claims (10)
1.一种多目标3D打印工艺参数优化方法,其特征在于:方法包括以下步骤:
步骤一:获取3D打印的历史试验数据,构建3D打印参数变化空间,建立打印质量评价参数模型,并利用历史试验数据对打印质量评价参数模型进行训练;
步骤二:建立多目标优化函数:根据打印质量评价参数模型、预先确定的打印质量评价参数及其优化的方向,以打印质量评价参数模型的输出作为自变量,以总质量评价参数为自变量,建立多目标优化函数;
所述的多目标优化函数采用了多目标混合采样函数,具体为:
V-maxx∈X f(x) =[f1(x), f2(x), f3(x)]
式中,V-maxx∈X f(x)的含义是从由X构成的变量空间中析取使得f(x)值达到最大的解集,其中V表示向量,max表示最大化;x是3D打印工艺参数组合;X表示3D打印参数变化空间;f1(x), f2(x), f3(x)表示是多目标优化函数的三个子目标函数,其中f1(x)表示第一子目标函数,f2(x)表示第二子目标函数,f3(x)表示第三子目标函数;
步骤三:设置多目标优化函数的约束条件:在3D打印参数优化场景下,设置打印标的物的裂纹长度的约束;
步骤四:用多目标遗传算法对上述建立的多目标优化函数及其约束进行搜索求解,输出更优3D打印工艺参数组合;
步骤五:根据步骤四输出的更优3D打印工艺参数组合进行实际3D打印并再不断迭代优化。
2.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:所述步骤一中,分别选用高斯过程回归GPR和随机森林RandomForest的两种非线性算法建立打印质量评价参数模型,选取其中表现较好的作为打印质量评价参数模型。
3.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:所述的3D打印工艺参数组合是由所有3D打印参数的组合组成,所述的3D打印参数包括激光能量、扫描速度、光斑大小、层厚;所述的打印质量评价参数为致密度、表面光滑度、硬度、裂纹中的一种或者多种的组合。
4.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:
所述步骤二中,第一子目标函数f1(x),具体表达如下所示:
f1(x)=μt-1(x)+ βtσt-1(x)
式中,μt-1(x)是迭代优化第t-1轮下3D打印工艺参数组合x对应的预测目标的期望值,t表示迭代优化的第t轮;βt表示探索系数;σt-1(x)是迭代优化第t-1轮下3D打印工艺参数组合x对应的预测目标的标准差。
5.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:
所述步骤二中,第二子目标函数f2(x),具体表达如下所示:
f3(x)= (μt-1(x)-f* t-1)Φ((μt-1(x)-f* t-1)/σt-1(x))+ σt-1(x)φ((μt-1(x)-f* t-1)/σt-1(x))
式中,f* t-1表示在迭代优化第t-1轮的历史数据中的预测目标最大期望值;Φ()表示标准高斯分布的概率累积函数,φ()表示标准高斯分布的概率密度函数。
6.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:
所述步骤二中,第三子目标函数f3(x),具体表达如下所示:
f3(x)= Φ((μt-1(x)-f* t-1)/σt-1(x))
所述的预测目标的期望值μt-1(x)和标准差σt-1(x)均是打印工艺参数组合x输入到训练后的打印质量评价参数模型中处理获得。
7.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:所述步骤三中,是将打印标的物的裂纹长度转换为是否存在裂纹的概率预测问题,以设定一个固定的概率阈值作为是否存在裂纹的约束。
8.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:所述步骤五中,是对步骤四输出的更优3D打印工艺参数组合进行实际3D打印并测量打印质量评价参数,并判断:
如果更优3D打印工艺参数组合下测量的打印质量评价参数达到实际投产需求的要求,则记录留用所述更优3D打印工艺参数组合,以更优3D打印工艺参数组合进行3D打印制造;
否则将所述更优3D打印工艺参数组合和对应的打印质量评价参数加入到步骤一所述历史试验数据中,重复步骤一到步骤四,不断进行多轮迭代优化,直到打印质量评价参数达到实际投产需求的要求。
9.根据权利要求4-6任一所述的一种多目标3D打印工艺参数优化方法,其特征在于:所述的预测目标的期望值μt-1(x)和标准差σt-1(x)是按照以下方式获得:
将所有可能的打印工艺参数组合x输入到训练后的打印质量评价参数模型model中进行预测处理得到打印工艺参数组合x的所有打印质量评价参数,计算所有打印质量评价参数值的期望值和标准差,然后进行分别加和获得预测目标的期望值μt-1(x)和标准差σt-1(x) :
μt-1(x),σt-1(x)=sum([μ1, μ1,…, μn]),sum([σ1, σ1,…, σn])
其中,sum()表示加和函数,[μ1, μ1,…, μn]表示第1,2…,n个预测标签的预测期望值,[σ1, σ1,…, σn]表示1,2…,n个预测标签的预测标准差值,n表示需要预测的质量评价参数的最大种类数量。
10.根据权利要求1所述的一种多目标3D打印工艺参数优化方法,其特征在于:所述的打印标的物的裂纹长度的约束具体为,将裂纹长度约束转换为出现裂纹的概率约束,具体方法是:针对裂纹概率值p预先设置一个固定的裂纹阈值a,具体设置裂纹概率值p小于裂纹阈值a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299070.2A CN115358159B (zh) | 2022-10-24 | 2022-10-24 | 一种多目标3d打印工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299070.2A CN115358159B (zh) | 2022-10-24 | 2022-10-24 | 一种多目标3d打印工艺参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115358159A true CN115358159A (zh) | 2022-11-18 |
CN115358159B CN115358159B (zh) | 2023-04-07 |
Family
ID=84008867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299070.2A Active CN115358159B (zh) | 2022-10-24 | 2022-10-24 | 一种多目标3d打印工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358159B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733894A (zh) * | 2018-04-26 | 2018-11-02 | 南京航空航天大学 | 基于ansys和遗传算法的3d打印桨叶结构优化设计 |
CN109800533A (zh) * | 2019-02-13 | 2019-05-24 | 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打印工艺参数优化方法 |
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
CN111590900A (zh) * | 2020-05-19 | 2020-08-28 | 厦门大学 | 一种基于粒子群优化的3d打印工艺参数优化方法 |
CN112101630A (zh) * | 2020-08-19 | 2020-12-18 | 江苏师范大学 | 一种薄壁塑件注射成型工艺参数多目标优化方法 |
CN112659548A (zh) * | 2020-11-06 | 2021-04-16 | 西安交通大学 | 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 |
US20210197283A1 (en) * | 2019-12-31 | 2021-07-01 | Korea Advanced Institute Of Science And Technology | Method of feedback controlling 3d printing process in real-time and 3d printing system for the same |
CN114026510A (zh) * | 2019-03-29 | 2022-02-08 | 西门子能源全球有限两合公司 | 用于优化增材制造工艺中的工艺参数的方法和系统 |
US20220194093A1 (en) * | 2019-05-31 | 2022-06-23 | Northwestern Polytechnical University | Artificial intelligence-assisted printed electronics self-guided optimization method |
-
2022
- 2022-10-24 CN CN202211299070.2A patent/CN115358159B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733894A (zh) * | 2018-04-26 | 2018-11-02 | 南京航空航天大学 | 基于ansys和遗传算法的3d打印桨叶结构优化设计 |
CN109800533A (zh) * | 2019-02-13 | 2019-05-24 | 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打印工艺参数优化方法 |
CN114026510A (zh) * | 2019-03-29 | 2022-02-08 | 西门子能源全球有限两合公司 | 用于优化增材制造工艺中的工艺参数的方法和系统 |
US20220194093A1 (en) * | 2019-05-31 | 2022-06-23 | Northwestern Polytechnical University | Artificial intelligence-assisted printed electronics self-guided optimization method |
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
US20210197283A1 (en) * | 2019-12-31 | 2021-07-01 | Korea Advanced Institute Of Science And Technology | Method of feedback controlling 3d printing process in real-time and 3d printing system for the same |
CN111590900A (zh) * | 2020-05-19 | 2020-08-28 | 厦门大学 | 一种基于粒子群优化的3d打印工艺参数优化方法 |
CN112101630A (zh) * | 2020-08-19 | 2020-12-18 | 江苏师范大学 | 一种薄壁塑件注射成型工艺参数多目标优化方法 |
CN112659548A (zh) * | 2020-11-06 | 2021-04-16 | 西安交通大学 | 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 |
Non-Patent Citations (2)
Title |
---|
MD. HAZRAT ALI等: "Material Optimization Method in 3D Printing", 《2018 IEEE INTERNATIONAL CONFERENCE ON ADVANCED MANUFACTURING (ICAM)》 * |
侯阳琨等: "SLM钛合金3D打印件铣削加工参数优化分析", 《制造技术与机床》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115358159B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
Chuentawat et al. | The comparison of PM2. 5 forecasting methods in the form of multivariate and univariate time series based on support vector machine and genetic algorithm | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN116226689A (zh) | 一种基于高斯混合模型的配电网典型运行场景生成方法 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
CN115358159B (zh) | 一种多目标3d打印工艺参数优化方法 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN115394381B (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
Petrichenko et al. | Short-term forecasting of district heating demand | |
CN114219122A (zh) | 基于网格气象数据的小水电站发电功率超短期预测方法 | |
Zhang et al. | A novel hybrid forecasting system based on data augmentation and deep learning neural network for short-term wind speed forecasting | |
CN112952808A (zh) | 一种基于分类概率建模和igdt的有源配电网优化运行方法 | |
Wang et al. | IUP: an intelligent utility prediction scheme for solid-state fermentation in 5G IoT | |
Zhong et al. | Short-term PV Power Prediction Based on SAGA-FCM and XGBoost | |
CN114742258B (zh) | 可迁移的居民家庭用电负荷场景预测方法 |
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 |