CN116728783A - 一种基于3d打印机的仿真方法及系统 - Google Patents
一种基于3d打印机的仿真方法及系统 Download PDFInfo
- Publication number
- CN116728783A CN116728783A CN202310993330.4A CN202310993330A CN116728783A CN 116728783 A CN116728783 A CN 116728783A CN 202310993330 A CN202310993330 A CN 202310993330A CN 116728783 A CN116728783 A CN 116728783A
- Authority
- CN
- China
- Prior art keywords
- printer
- data
- printing
- simulation
- processing
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 428
- 238000000034 method Methods 0.000 title claims abstract description 258
- 239000000463 material Substances 0.000 claims abstract description 336
- 238000007639 printing Methods 0.000 claims abstract description 318
- 238000012545 processing Methods 0.000 claims abstract description 295
- 230000008569 process Effects 0.000 claims abstract description 211
- 238000010146 3D printing Methods 0.000 claims abstract description 146
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 96
- 230000009467 reduction Effects 0.000 claims abstract description 96
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000005516 engineering process Methods 0.000 claims abstract description 56
- 230000005856 abnormality Effects 0.000 claims abstract description 49
- 230000000007 visual effect Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 79
- 238000012549 training Methods 0.000 claims description 58
- 238000011156 evaluation Methods 0.000 claims description 53
- 238000002844 melting Methods 0.000 claims description 35
- 230000008018 melting Effects 0.000 claims description 35
- 238000007711 solidification Methods 0.000 claims description 34
- 230000008023 solidification Effects 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 26
- 238000010438 heat treatment Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000006872 improvement Effects 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011960 computer-aided design Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 206
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000007794 visualization technique Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明涉及3D打印仿真技术领域,尤其涉及一种基于3D打印机的仿真方法及系统。所述方法包括以下步骤:通过传感器和历史回溯算法对3D打印机进行历史数据采集处理,得到3D打印机历史处理数据;利用数据降噪算法进行降噪处理,并通过预设的材料行为仿真模型进行行为模拟处理,并获取硬件参数配置数据以构建3D打印机仿真模型;基于材料行为仿真模型和3D打印机仿真模型进行仿真模拟处理,并利用异常检测算法进行检测处理,得到3D打印仿真异常检测结果;根据3D打印仿真异常检测结果进行参数优化处理,并利用可视化技术将优化结果以可视化的形式展示到3D打印机。本发明能够模拟整个3D打印过程,并评估优化打印结果的性能。
Description
技术领域
本发明涉及3D打印仿真技术领域,尤其涉及一种基于3D打印机的仿真方法及系统。
背景技术
随着3D打印技术的快速发展,其在制造业和设计领域的应用越来越广泛。3D打印技术允许将数字设计模型直接转化为实体物体,为制造过程提供了高度灵活性和定制化能力。另外,随着3D打印技术的发展和应用领域的拓展,对于物理对象的制造过程和性能特征的仿真需求日益增加。然而,在3D打印过程中,材料的变形、熔融和凝固等因素可能会导致产品质量的下降,以至于无法准确模拟3D打印机的打印过程和实际物理对象的性能。
发明内容
基于此,本发明有必要提供一种基于3D打印机的仿真方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于3D打印机的仿真方法,包括以下步骤:
步骤S1:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,得到3D打印机历史处理数据;
步骤S2:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,得到3D打印机材料打印过程行为数据;
步骤S3:通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
步骤S4:基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,得到3D打印仿真异常检测结果;
步骤S5:根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
本发明通过使用传感器对3D打印机进行数据采集处理,可以实时监测和记录3D打印机的各项参数、状态和性能数据。这包括喷嘴温度、打印速度、材料消耗等信息。通过精确的数据采集,可以提供对打印过程的全面了解和数据支持,为后续的分析和优化奠定基础。同时,通过使用合适的历史回溯算法对3D打印机相关数据进行历史回溯处理,可以回溯和分析过去的打印数据。通过比较历史数据和当前数据,可以发现潜在的问题和改进机会。历史回溯还可以进行数据挖掘和趋势分析,以改善未来的打印过程和决策。其次,通过使用数据降噪算法对历史回溯得到的3D打印机历史处理数据进行降噪处理,可以去除其中的噪声和异常数据,从而提高数据质量和准确性。这样可以得到更加可靠和稳定的历史数据,为后续分析和模拟提供更好的输入。并且,通过使用预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,可以模拟材料在打印过程中的行为和变化。这包括材料的流动性、固化过程、热传导等因素。通过模拟材料的行为,可以预测打印结果和材料变形,为优化打印参数和质量提供指导。然后,通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,可以获得关于打印过程中硬件参数的详细信息。这包括打印头参数、加热系统参数以及控制参数等方面的数据。通过分析硬件参数,可以了解3D打印机的性能状况和潜在问题,为优化打印过程提供依据。根据分析得到的3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型,可以实现对3D打印机的虚拟模拟。这样可以在模拟环境中进行参数调整、故障排查等操作,减少实际打印过程中的试错成本和时间。另外,该3D打印机仿真模型能够模拟3D打印机的物理行为和工作模式,从而帮助优化3D打印机的设计和性能。接下来,通过使用构建的材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,可以预测打印结果、打印速度和材料消耗等因素。通过精确的模拟,可以提前发现可能出现的问题和改进空间,这有助于优化打印过程和提高打印质量。此外,还通过使用合适的异常检测算法对3D打印仿真结果进行检测处理,能够识别出异常情况,如层间黏连、失真等问题。通过提前发现和识别异常,可以及时提供预警和纠正策略,避免浪费材料和时间,提高打印效率和质量。最后,通过检测得到的3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理。通过调整仿真模型的参数和行为规则,可以改善打印过程中出现的异常情况,从而提高打印质量和稳定性。并重新对打印过程进行仿真模拟处理,可以评估优化措施的有效性和可行性,为实际打印过程中的参数调整和决策提供参考。通过使用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。通过可视化展示,操作员可以直观地观察改进后的打印过程和预测结果,方便制定决策和调整参数,从而能够准确模拟3D打印机的打印过程和提高实际打印物理对象的性能。
优选地,本发明还提供了一种基于3D打印机的仿真系统,用于执行如上所述的基于3D打印机的仿真方法,该基于3D打印机的仿真系统包括:
历史打印数据处理模块,用于通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,从而得到3D打印机历史处理数据;
材料打印行为仿真模块,用于利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,从而得到3D打印机材料打印过程行为数据;
仿真模型构建模块,用于通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
仿真模拟异常检测模块,用于基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,从而得到3D打印仿真异常检测结果;
仿真优化展示模块,用于根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
综上所述,本发明提供了一种基于3D打印机的仿真系统,该系统由历史打印数据处理模块、材料打印行为仿真模块、仿真模型构建模块、仿真模拟异常检测模块以及仿真优化展示模块组成,能够实现本发明所述任意一种基于3D打印机的仿真方法,用于联合各个模块上运行的计算机程序之间的操作实现一种基于3D打印机的仿真方法,系统内部结构互相协作,通过多种算法和技术分析3D打印机的材料行为数据和硬件参数配置数据,并根据材料行为数据和硬件参数配置数据构建材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟,以提供准确、实时和可靠的仿真打印过程,这样能够大大减少重复工作和人力投入,能够快速有效地提供更准确、更高效的仿真结果,从而简化了基于3D打印机的仿真系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于3D打印机的仿真方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图1中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种基于3D打印机的仿真方法,所述方法包括以下步骤:
步骤S1:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,得到3D打印机历史处理数据;
步骤S2:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,得到3D打印机材料打印过程行为数据;
步骤S3:通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
步骤S4:基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,得到3D打印仿真异常检测结果;
步骤S5:根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
本发明实施例中,请参考图1所示,为本发明基于3D打印机的仿真方法的步骤流程示意图,在本实例中,所述基于3D打印机的仿真方法的步骤包括:
步骤S1:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,得到3D打印机历史处理数据;
本发明实施例根据需要监测的参数和指标选择合适的传感器,并将其适当的布置在3D打印机中,用于采集3D打印机打印过程中的运行状态、打印过程参数、温度、速度等相关数据,以得到3D打印机相关数据。然后,通过构建一个合适的历史回溯算法对3D打印机相关数据进行历史回溯处理,并根据时间步长依次计算每个时间点的历史回溯数据,最终得到3D打印机历史处理数据。
步骤S2:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,得到3D打印机材料打印过程行为数据;
本发明实施例通过构建一个合适的数据降噪算法对3D打印机历史处理数据进行降噪处理,以消除3D打印机历史处理数据中噪声的影响,得到3D打印机历史处理降噪数据。然后,通过预先构建一个合适的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,以模拟和预测材料在打印过程中的行为和性能,最终得到3D打印机材料打印过程行为数据。
步骤S3:通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
本发明实施例通过使用相应的传感器或记录仪器从3D打印机材料打印过程行为数据中获取与3D打印机的打印头、加热系统以及打印控制相关的行为数据,根据这些行为数据分析打印头、加热系统以及打印控制等的参数配置,以得到3D打印机打印过程硬件参数配置数据。然后,根据需求和系统要求,选择合适的计算机辅助设计工具利用3D打印机打印过程硬件参数配置数据构建相应的3D打印机仿真模型。
步骤S4:基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,得到3D打印仿真异常检测结果;
本发明实施例通过结合材料行为仿真模型和3D打印机仿真模型的输出对3D打印过程进行仿真模拟处理,以模拟材料熔融、打印头移动、层层堆积等打印过程,以得到3D打印仿真结果。然后,通过构建一个合适的异常检测算法对3D打印仿真结果进行异常检测处理,以识别出与正常打印结果偏离较大的情况,最终得到3D打印仿真异常检测结果。
步骤S5:根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
本发明实施例通过对检测得到的3D打印仿真异常检测结果进行详细分析,以识别出出现异常的原因和具体问题,根据分析结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,使得材料行为仿真模型能够更加准确地模拟材料的打印行为,以便3D打印机仿真模型能够更好地模拟真实3D打印机的操作,并通过优化后的材料行为仿真模型和3D打印机仿真模型重新进行3D打印仿真模拟,以得到3D打印仿真优化结果。然后,通过使用可视化技术将3D打印仿真优化结果以打印过程动画、打印质量分析图表、结构变形可视化等形式展示到3D打印机中。
本发明通过使用传感器对3D打印机进行数据采集处理,可以实时监测和记录3D打印机的各项参数、状态和性能数据。这包括喷嘴温度、打印速度、材料消耗等信息。通过精确的数据采集,可以提供对打印过程的全面了解和数据支持,为后续的分析和优化奠定基础。同时,通过使用合适的历史回溯算法对3D打印机相关数据进行历史回溯处理,可以回溯和分析过去的打印数据。通过比较历史数据和当前数据,可以发现潜在的问题和改进机会。历史回溯还可以进行数据挖掘和趋势分析,以改善未来的打印过程和决策。其次,通过使用数据降噪算法对历史回溯得到的3D打印机历史处理数据进行降噪处理,可以去除其中的噪声和异常数据,从而提高数据质量和准确性。这样可以得到更加可靠和稳定的历史数据,为后续分析和模拟提供更好的输入。并且,通过使用预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,可以模拟材料在打印过程中的行为和变化。这包括材料的流动性、固化过程、热传导等因素。通过模拟材料的行为,可以预测打印结果和材料变形,为优化打印参数和质量提供指导。然后,通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,可以获得关于打印过程中硬件参数的详细信息。这包括打印头参数、加热系统参数以及控制参数等方面的数据。通过分析硬件参数,可以了解3D打印机的性能状况和潜在问题,为优化打印过程提供依据。根据分析得到的3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型,可以实现对3D打印机的虚拟模拟。这样可以在模拟环境中进行参数调整、故障排查等操作,减少实际打印过程中的试错成本和时间。另外,该3D打印机仿真模型能够模拟3D打印机的物理行为和工作模式,从而帮助优化3D打印机的设计和性能。接下来,通过使用构建的材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,可以预测打印结果、打印速度和材料消耗等因素。通过精确的模拟,可以提前发现可能出现的问题和改进空间,这有助于优化打印过程和提高打印质量。此外,还通过使用合适的异常检测算法对3D打印仿真结果进行检测处理,能够识别出异常情况,如层间黏连、失真等问题。通过提前发现和识别异常,可以及时提供预警和纠正策略,避免浪费材料和时间,提高打印效率和质量。最后,通过检测得到的3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理。通过调整仿真模型的参数和行为规则,可以改善打印过程中出现的异常情况,从而提高打印质量和稳定性。并重新对打印过程进行仿真模拟处理,可以评估优化措施的有效性和可行性,为实际打印过程中的参数调整和决策提供参考。通过使用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。通过可视化展示,操作员可以直观地观察改进后的打印过程和预测结果,方便制定决策和调整参数,从而能够准确模拟3D打印机的打印过程和提高实际打印物理对象的性能。
优选地,步骤S1包括以下步骤:
步骤S11:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;
步骤S12:对3D打印机相关数据进行数据预处理,得到3D打印机打印过程相关数据;
步骤S13:利用历史回溯算法对3D打印机打印过程相关数据进行历史回溯处理,得到3D打印机历史处理数据;
其中,历史回溯算法的函数公式如下所示:
;
式中,为3D打印机历史处理数据,/>为历史回溯时间,/>为3D打印机打印过程相关数据的属性参数,/>为历史回溯时间衰减率参数,/>为指数函数,/>为高斯核函数的数量,/>为第/>个高斯核函数的历史回溯时间权重参数,/>为第/>个高斯核函数的历史回溯时间均值,/>为第/>个高斯核函数的历史回溯时间标准差,/>为3D打印机历史处理数据的修正值。
作为本发明的一个实施例,参考图2所示,为图1中步骤S1的详细步骤流程示意图,在本实施例中步骤S1包括以下步骤:
步骤S11:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;
本发明实施例根据需要监测的参数和指标选择合适的传感器,并将其适当的布置在3D打印机中,用于采集3D打印机打印过程中的运行状态、打印过程参数、温度、速度等相关数据,最终得到3D打印机相关数据。
步骤S12:对3D打印机相关数据进行数据预处理,得到3D打印机打印过程相关数据;
本发明实施例通过对采集得到的3D打印机相关数据进行缺失值填充、去除重复数据、异常数据、错误数据、无效数据、数据平滑以及标准化等预处理操作后,最终得到3D打印机打印过程相关数据。
步骤S13:利用历史回溯算法对3D打印机打印过程相关数据进行历史回溯处理,得到3D打印机历史处理数据;
本发明实施例通过结合历史回溯时间、3D打印机打印过程相关数据的属性参数、历史回溯时间衰减率参数、高斯核函数、历史回溯时间权重参数、历史回溯时间均值、历史回溯时间标准差以及相关参数构建一个合适的历史回溯算法对3D打印机打印过程相关数据进行历史回溯处理,并根据时间步长依次计算每个时间点的历史回溯数据,最终得到3D打印机历史处理数据。
其中,历史回溯算法的函数公式如下所示:
;
式中,为3D打印机历史处理数据,/>为历史回溯时间,/>为3D打印机打印过程相关数据的属性参数,/>为历史回溯时间衰减率参数,/>为指数函数,/>为高斯核函数的数量,/>为第/>个高斯核函数的历史回溯时间权重参数,/>为第/>个高斯核函数的历史回溯时间均值,/>为第/>个高斯核函数的历史回溯时间标准差,/>为3D打印机历史处理数据的修正值。
本发明构建了一个历史回溯算法的函数公式,用于对3D打印机打印过程相关数据进行历史回溯处理,该历史回溯算法提供了对过去时间段内3D打印机处理数据的综合评估和回溯能力,能够考虑不同时间段内数据的权重,使得对3D打印机;历史处理数据的估计更加准确和全面。同时,通过使用针对3D打印机打印过程相关数据的属性参数的指数衰减项,可以帮助捕捉打印过程属性参数的演化趋势,有助于理解打印机状态的变化。另外,还通过使用高斯核函数使用多个钟形曲线对3D打印机打印过程相关数据进行建模,以捕捉到不同时间尺度上的打印机行为和变化模式,并通过使用修正值进一步优化历史处理数据的偏差,从而增强历史回溯算法的准确性和可调性。该算法函数公式充分考虑了3D打印机历史处理数据,历史回溯时间/>,3D打印机打印过程相关数据的属性参数/>,历史回溯时间衰减率参数/>,指数函数/>,高斯核函数的数量/>,第/>个高斯核函数的历史回溯时间权重参数,第/>个高斯核函数的历史回溯时间均值/>,第/>个高斯核函数的历史回溯时间标准差/>,3D打印机历史处理数据的修正值/>,其中通过历史回溯时间/>,3D打印机打印过程相关数据的属性参数/>,历史回溯时间衰减率参数/>以及指数函数/>构成了一种指数衰减项函数关系,还通过历史回溯时间/>,高斯核函数的数量/>,第/>个高斯核函数的历史回溯时间权重参数/>,第/>个高斯核函数的历史回溯时间均值/>,第/>个高斯核函数的历史回溯时间标准差/>以及指数函数/>构成了一种高斯核函数项函数关系,根据3D打印机历史处理数据/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对3D打印机打印过程相关数据的历史回溯处理过程,同时,通过3D打印机历史处理数据的修正值的引入可以根据实际情况进行调整,从而提高历史回溯算法的准确性和适用性。
本发明通过使用传感器对3D打印机进行数据采集处理,采集得到的数据可以提供准确和丰富的信息,包括3D打印机的运行状态、打印过程参数、温度、速度等,这些数据能够实时监测和掌握3D打印机的历史打印过程数据,并为后续的数据处理和分析提供实验数据基础。然后,通过对采集得到的3D打印机相关数据进行数据预处理,可以对原始数据进行清洗、校正和规范化等处理,以提高数据的质量和可用性。通过数据预处理可以消除不必要的信息和冗余信息,降低数据的复杂性,使得数据更具代表性,从而为后续的处理和分析提供更加可靠的数据基础。最后,通过使用合适的历史回溯算法对3D打印机打印过程相关数据进行历史回溯处理,通过历史回溯可以充分解析历史数据,以了解3D打印机的过去打印性能和行为,为后续的模型构建过程提供基础数据保障。同时,通过分析历史数据可以发现模式和趋势,能够对3D打印机的性能进行评估和优化。该历史回溯算法中的指数衰减项和高斯核函数可以对历史数据进行加权处理,以更加关注近期的数据和重要的时间点,提取出对当前影响最大的因素。基于历史回溯处理得到的3D打印机历史处理数据,可以用来建立材料行为仿真模型和3D打印机仿真模型,从而为未来的打印过程提供数据支持和指导。
优选地,步骤S2包括以下步骤:
步骤S21:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;
步骤S22:利用材料分析技术对3D打印机历史处理降噪数据进行材料采集处理,得到3D打印机使用材料数据;
步骤S23:通过预设的材料行为仿真模型对3D打印机使用材料数据进行行为模拟处理,得到3D打印机材料打印过程行为数据。
作为本发明的一个实施例,参考图3所示,为图1中步骤S2的详细步骤流程示意图,在本实施例中步骤S2包括以下步骤:
步骤S21:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;
本发明实施例通过结合3D打印机历史处理数据中的含噪数据、3D打印机历史处理数据对应的噪声频率、噪声均值、噪声标准差、含噪数据积分调和平滑参数、积分平滑时间变量以及相关参数构建一个合适的数据降噪算法对3D打印机历史处理数据进行降噪处理,以减少3D打印机历史处理数据中噪声的影响,最终得到3D打印机历史处理降噪数据。
步骤S22:利用材料分析技术对3D打印机历史处理降噪数据进行材料采集处理,得到3D打印机使用材料数据;
本发明实施例通过由材料性质分析技术、材料熔点分析技术和材料凝固特性分析技术组成的材料分析技术,从3D打印机历史处理降噪数据中采集相应的使用材料性质、熔点、凝固特性等数据,最终得到3D打印机使用材料数据。
步骤S23:通过预设的材料行为仿真模型对3D打印机使用材料数据进行行为模拟处理,得到3D打印机材料打印过程行为数据。
本发明实施例通过预先构建一个合适的材料行为仿真模型,然后将3D打印机使用材料数据输入至构建的材料行为仿真模型中进行打印过程行为模拟处理,以模拟和预测材料在打印过程中的行为和性能,最终得到3D打印机材料打印过程行为数据。
本发明通过使用数据降噪算法对提取得到的3D打印机历史处理数据进行降噪处理,可以去除3D打印机历史处理数据中的噪声和不必要的干扰数据,以减少3D打印机历史处理数据中的误差和异常值,使得降噪后的数据更加干净和准确,能够更好地反映3D打印机的真实打印行为和性能。另外,通过降噪处理还有助于提高数据的一致性和稳定性,使得后续的分析和处理更加可靠和有效。然后,通过使用合适的材料分析技术对降噪后的3D打印机历史处理降噪数据进行材料采集处理,可以准确获取3D打印机历史打印过程所使用的材料相关数据,包括材料性质、熔点、凝固特性等材料信息,以便描述使用材料在3D打印过程中的行为。通过获取准确和可靠的材料数据,可以为后续的打印过程材料行为仿真提供基础数据支持。最后,通过使用预设的材料行为仿真模型对3D打印机使用材料数据进行行为模拟处理,可以模拟和预测材料在打印过程中的行为和性能。这样的模拟处理可以帮助确定材料的熔化特性、流动行为、凝固过程等关键因素,以及确定在不同打印参数下的最佳材料使用方案。通过模拟处理得到的材料打印过程行为数据,可以用于优化打印参数、改善打印质量、预测打印结果,从而提高打印效率和质量控制的准确性。
优选地,步骤S21包括以下步骤:
步骤S211:利用数据降噪算法对3D打印机历史处理数据进行噪声值计算,得到历史打印数据噪声值;
本发明实施例通过结合3D打印机历史处理数据中的含噪数据、3D打印机历史处理数据对应的噪声频率、噪声均值、噪声标准差、含噪数据积分调和平滑参数、积分平滑时间变量以及相关参数构建一个合适的数据降噪算法对3D打印机历史处理数据进行噪声值计算,通过对3D打印机历史处理数据的噪声频率进行误差拟合并进行平滑处理,最终得到历史打印数据噪声值。
其中,数据降噪算法的函数公式如下所示:
;
式中,为历史打印数据噪声值,/>为3D打印机历史处理数据中的含噪数据,/>为3D打印机历史处理数据的数量,/>为第/>个3D打印机历史处理数据对应的噪声频率,/>为第/>个3D打印机历史处理数据的噪声均值,/>为第/>个3D打印机历史处理数据的噪声标准差,/>为含噪数据积分调和平滑参数,/>为积分平滑时间范围,/>为积分平滑时间变量,/>为历史打印数据噪声值的修正值;
本发明构建了一个数据降噪算法的函数公式,用于对3D打印机历史处理数据进行噪声值计算,为了消除3D打印机历史处理数据中由于传感器误差、打印环境干扰或数据采集过程中引入的噪声源对后续的材料行为仿真模型构建过程的影响,需要对3D打印机历史处理数据进行降噪处理,以得到更加干净、准确的3D打印机历史处理降噪数据,通过该数据降噪算法能够有效地去除3D打印机历史处理数据中的噪声源数据和干扰数据,从而提高3D打印机历史处理数据的准确性和可靠性。该算法函数公式充分考虑了历史打印数据噪声值,3D打印机历史处理数据中的含噪数据/>,3D打印机历史处理数据的数量/>,第/>个3D打印机历史处理数据对应的噪声频率/>,第/>个3D打印机历史处理数据的噪声均值/>,第/>个3D打印机历史处理数据的噪声标准差/>,含噪数据积分调和平滑参数/>,积分平滑时间范围/>,积分平滑时间变量/>,历史打印数据噪声值的修正值/>,其中通过3D打印机历史处理数据的数量/>,第/>个3D打印机历史处理数据对应的噪声频率/>,第/>个3D打印机历史处理数据的噪声均值/>以及第/>个3D打印机历史处理数据的噪声标准差/>构成了一种噪声误差拟合函数关系/>,能够用来拟合3D打印机历史处理数据的噪声分布,还通过3D打印机历史处理数据中的含噪数据/>,含噪数据积分调和平滑参数/>,积分平滑时间范围/>以及积分平滑时间变量/>构成了一种含噪数据的积分时间平滑函数关系/>,能够用来增加含噪数据的平滑度,并通过最小化来平衡计算得到的数据,根据历史打印数据噪声值/>与以上参数之间的相互关系构成了一种函数关系/>,该算法函数公式能够实现对3D打印机历史处理数据的噪声值计算过程,同时,通过历史打印数据噪声值的修正值/>的引入可以根据实际情况进行调整,从而提高数据降噪算法的准确性和适用性。
步骤S212:根据预设的历史打印数据噪声阈值对历史打印数据噪声值进行判断,当历史打印数据噪声值大于或等于预设的历史打印数据噪声阈值时,则剔除该历史打印数据噪声值对应的3D打印机历史处理数据,得到3D打印机历史处理降噪数据;
本发明实施例根据预设的历史打印数据噪声阈值,判断计算得到的历史打印数据噪声值是否超过预设的历史打印数据噪声阈值,当历史打印数据噪声值大于或等于预设的历史打印数据噪声阈值时,说明该历史打印数据噪声值对应的3D打印机历史处理数据中的噪声值的干扰影响较大,则剔除该历史打印数据噪声值对应的3D打印机历史处理数据,最终得到3D打印机历史处理降噪数据。
步骤S213:根据预设的历史打印数据噪声阈值对历史打印数据噪声值进行判断,当历史打印数据噪声值小于预设的历史打印数据噪声阈值时,则直接将该历史打印数据噪声值对应的3D打印机历史处理数据定义为3D打印机历史处理降噪数据。
本发明实施例根据预设的历史打印数据噪声阈值,判断计算得到的历史打印数据噪声值是否超过预设的历史打印数据噪声阈值,当历史打印数据噪声值小于预设的历史打印数据噪声阈值时,说明该历史打印数据噪声值对应的3D打印机历史处理数据中的噪声值的干扰影响较小,则直接将该历史打印数据噪声值对应的3D打印机历史处理数据定义为3D打印机历史处理降噪数据。
本发明通过使用合适的数据降噪算法对处理后的3D打印机历史处理数据进行噪声值计算,由于3D打印机历史处理数据中可能存在噪声源干扰或异常噪声源等情况,会对后续的材料行为仿真模型构建过程的准确性和可靠性造成不良影响,所以需要设置一个适当的数据降噪算法对3D打印机历史处理数据进行降噪处理,该数据降噪算法能够识别和测量出3D打印机历史处理数据中存在的噪声源数据和干扰数据,并从源头上去除噪声源信号,从而提高3D打印机历史处理数据的准确性和可靠性。另外,该数据降噪算法通过结合3D打印机历史处理数据中的含噪数据、3D打印机历史处理数据对应的噪声频率、噪声均值、噪声标准差、含噪数据积分调和平滑参数、积分平滑时间变量以及相关参数对3D打印机历史处理数据进行降噪处理,并通过修正值对降噪处理过程进行调整和优化,以获取最佳的降噪效果和计算结果,从而较为精确地计算出历史打印数据噪声值。然后,根据具体的数据降噪处理需求和质量标准,通过设定合适的历史打印数据噪声阈值对计算得到的历史打印数据噪声值进行判断,判断哪些3D打印机历史处理数据需要进行剔除,哪些3D打印机历史处理数据可以被保留,能够有效地剔除历史打印数据噪声值较大的3D打印机历史处理数据,避免这些历史打印数据噪声值较大的3D打印机历史处理数据对整体数据的影响,有助于进一步提高3D打印机历史处理数据的质量,以减少不必要的干扰和误差,从而保证了3D打印机历史处理数据的准确性和可靠性。最后,通过使用设定的历史打印数据噪声阈值对计算得到的历史打印数据噪声值进行判断,将历史打印数据噪声值较小的3D打印机历史处理数据定义为3D打印机历史处理降噪数据,可以得到更加准确和可靠的3D打印机历史处理数据,这些数据较少受到噪声的干扰,可以为后续的材料行为仿真模型构建过程提供更加稳定的数据基础,从而提高3D打印机历史处理降噪数据的可用性和有效性。
优选地,步骤S22包括以下步骤:
步骤S221:通过计算机技术构建材料分析技术,其中材料分析技术包括材料性质分析技术、材料熔点分析技术和材料凝固特性分析技术;
本发明实施例通过使用计算机技术构建由材料性质分析技术、材料熔点分析技术和材料凝固特性分析技术组成的材料分析技术框架,其中材料性质分析技术用于获取使用材料性质信息,材料熔点分析技术用于获取使用材料熔点信息,而材料凝固特性分析技术用于获取使用材料凝固特性信息。
步骤S222:利用材料性质分析技术对3D打印机历史处理降噪数据进行打印材料性质采集处理,得到3D打印机使用材料性质信息;
本发明实施例通过使用构建的材料性质分析技术对3D打印机历史处理降噪数据进行分析和处理,提取与打印使用材料性质相关的信息,例如密度、强度、导热性、稳定性等信息,最终得到3D打印机使用材料性质信息。
步骤S223:利用材料熔点分析技术对3D打印机历史处理降噪数据进行打印材料熔点采集处理,得到3D打印机使用材料熔点信息;
本发明实施例通过使用构建的材料熔点分析技术对3D打印机历史处理降噪数据进行分析和处理,从中提取与打印使用材料熔点相关的信息,并确定合适的打印温度范围,避免使用材料过热或不充分熔化,最终得到3D打印机使用材料熔点信息。
步骤S224:利用材料凝固特性分析技术对3D打印机历史处理降噪数据进行打印材料凝固特性采集处理,得到3D打印机使用材料凝固特性信息;
本发明实施例通过使用构建的材料凝固特性分析技术对3D打印机历史处理降噪数据进行分析和处理,从中提取与打印材料凝固特性相关的信息,例如凝固速度、热收缩、晶粒尺寸、晶体结构等信息,最终得到3D打印机使用材料凝固特性信息。
步骤S225:对3D打印机使用材料性质信息、3D打印机使用材料熔点信息和3D打印机使用材料凝固特性信息进行集成融合处理,得到3D打印机使用材料数据。
本发明实施例通过对采集得到的3D打印机使用材料性质信息、3D打印机使用材料熔点信息和3D打印机使用材料凝固特性信息进行信息集成融合处理,以提取其中的关键信息,并将相关的关键信息转换为数据形式,最终得到3D打印机使用材料数据。
本发明通过使用计算机技术构建了由材料性质分析技术、材料熔点分析技术和材料凝固特性分析技术组成的材料分析技术,其中通过材料性质分析技术可以对3D打印机历史处理降噪数据进行分析,以获取3D打印机使用材料的性质信息,这包括使用材料的物理性质(如密度、强度、导热性等)和化学性质(如成分、稳定性等)。通过获取准确的材料性质信息有助于选择适合的材料,优化打印参数,并预测材料的行为及打印结果。这样可以提高打印产品的质量、性能和可靠性,同时降低材料选择错误的风险。通过材料熔点分析技术可以对3D打印机历史处理降噪数据中使用材料的熔点进行分析,以获取3D打印机使用材料的熔点信息,而熔点是使用材料从固态到液态的转变温度,对于3D打印过程中的熔化和固化过程至关重要。通过准确了解使用材料的熔点,可以确定合适的打印温度范围,避免使用材料过热或不充分熔化的问题,从而提高打印质量和工艺的稳定性。另外,还有助于确定合适的打印温度范围,以指导打印过程中的温度控制,避免因温度异常引起的打印缺陷或质量问题。通过材料凝固特性分析技术可以对3D打印机历史处理降噪数据中使用材料的凝固特性进行分析,以获取3D打印机使用材料的凝固特性信息,而使用材料的凝固特性涉及到打印过程中材料从液态到固态的过渡行为,如凝固速率、晶粒尺寸、晶体结构等。这样通过了解使用材料的凝固特性有助于优化打印工艺参数,控制打印速度和固化时间,避免出现缺陷和失真等问题,从而提高打印质量和制造精度。最后,通过对分析获得的使用材料性质信息、使用材料熔点信息和使用材料凝固特性信息进行集成融合处理,可以更加全面地了解和描述使用材料在3D打印过程中的行为和性能,有助于优化打印参数、改善打印质量,从而为后续的材料行为预测提供数据来源。
优选地,步骤S23包括以下步骤:
步骤S231:按照预设的划分规则将3D打印机使用材料数据划分为训练数据集、验证数据集和测试数据集;
本发明实施例通过将3D打印机使用材料数据按照一定的划分比例划分为训练数据集、验证数据集和测试数据集,根据预设的划分比例7:2:1将3D打印机使用材料数据划分为70%的训练数据集、20%的验证数据集和10%的测试数据集。
步骤S232:构建基于神经网络算法的材料行为仿真模型,其中材料行为仿真模型包括模型训练、模型验证和模型测试;
本发明实施例通过使用合适的神经网络算法,例如卷积神经网络、循环神经网络等神经网络算法,构建一个合适的材料行为仿真模型,该材料行为仿真模型包括模型训练、模型验证和模型测试,其中通过使用训练数据集对材料行为仿真模型进行模型训练,使用验证数据集对材料行为仿真模型进行模型验证,同时利用测试数据集对材料行为仿真模型进行模型测试,以用来提高材料行为仿真模型的泛化性能和鲁棒性。
步骤S233:将训练数据集输入至基于神经网络算法的材料行为仿真模型进行模型训练,并通过行为模拟损失函数对模型参数进行调优处理,以生成验证模型;并将验证数据集输入至验证模型中进行模型验证,以生成测试模型;
本发明实施例通过将划分后的训练数据集输入至构建的基于神经网络算法的材料行为仿真模型中进行模型训练,并在训练过程中通过结合材料行为仿真模型参数向量、训练数据集中训练样本的特征值、时间平滑积分项的权重系数、时间上限、时间变量、材料行为模拟函数、材料行为仿真模型参数惩罚项的权重系数以及相关参数构建一个适当的行为模拟损失函数对材料行为仿真模型参数进行调优处理,以生成验证模型。然后,将划分后的验证数据集输入至经过参数优化后的验证模型中进行模型验证,以确定最优的材料行为仿真模型参数组合,最终生成测试模型。
其中,行为模拟损失函数的公式如下所示:
;
式中,为行为模拟损失函数,/>为材料行为仿真模型参数向量,/>为训练数据集中的训练样本数量,/>为训练数据集中的特征数量,/>为训练数据集中第/>个特征的材料行为仿真模型参数,/>为训练数据集中第/>个训练样本的第/>个特征值,/>为时间平滑积分项的权重系数,/>为时间平滑积分项的时间上限,/>为时间平滑积分项的时间变量,/>为材料行为模拟函数,/>为训练数据集中第/>个训练样本的特征值,/>为材料行为仿真模型参数惩罚项的权重系数,/>为材料行为仿真模型参数向量的维度,/>为材料行为仿真模型参数向量中第/>维材料行为仿真模型参数,/>为材料行为仿真模型参数向量的均值,/>为行为模拟损失函数的修正值;
本发明构建了一个行为模拟损失函数的公式,用于对材料行为仿真模型参数进行调优处理,在通过运用材料行为仿真模型对训练数据集进行模型训练时,为了帮助材料行为仿真模型尽可能地拟合数据,需要使用一个合适的行为模拟损失函数作为模型参数优化的指标,该行为模拟损失函数的主要功能是对材料行为仿真模型的训练输出结果进行监测,然后根据监测结果对模型参数进行调整,以提高材料行为仿真模型的模拟精度和稳定性。首先,通过使用模型训练样本的特征值和模型参数的加权求和来衡量模型预测结果与实际观测值之间的差异,这样模型可以更好地拟合材料行为的真实情况,使得预测结果与实际观测值近可能接近。然后,通过使用时间平滑积分项来衡量模型输出在时间上的平滑性,通过对模型输出关于时间的偏导数求平方并对时间进行积分,可以推动模型输出在时间上的平滑性,从而避免剧烈波动和不连续的行为。接下来,通过使用模型参数惩罚项来衡量模型参数向量的偏离程度,该项通过对模型参数向量与其均值之间的平方和进行惩罚,可以促进模型参数向量趋近于均值附近,防止过拟合和不稳定的情况。最后,通过使用修正值进一步调整损失函数的结果,以使损失函数的结果符合预期的范围或标准。该函数公式充分考虑了行为模拟损失函数,材料行为仿真模型参数向量/>,训练数据集中的训练样本数量/>,训练数据集中的特征数量/>,训练数据集中第/>个特征的材料行为仿真模型参数,训练数据集中第/>个训练样本的第/>个特征值/>,时间平滑积分项的权重系数/>,时间平滑积分项的时间上限/>,时间平滑积分项的时间变量/>,材料行为模拟函数/>,训练数据集中第/>个训练样本的特征值/>,材料行为仿真模型参数惩罚项的权重系数/>,材料行为仿真模型参数向量的维度/>,材料行为仿真模型参数向量中第/>维材料行为仿真模型参数,材料行为仿真模型参数向量的均值/>,行为模拟损失函数的修正值/>,其中通过训练数据集中的特征数量/>,训练数据集中第/>个特征的材料行为仿真模型参数/>以及训练数据集中第/>个训练样本的第/>个特征值/>构成了一种拟合材料行为函数关系/>,通过时间平滑积分项的权重系数/>,时间平滑积分项的时间上限/>,时间平滑积分项的时间变量,材料行为模拟函数/>以及训练数据集中第/>个训练样本的特征值/>构成了一种时间平滑积分函数关系/>,还通过材料行为仿真模型参数惩罚项的权重系数/>,材料行为仿真模型参数向量的维度/>,材料行为仿真模型参数向量中第/>维材料行为仿真模型参数/>以及材料行为仿真模型参数向量的均值/>构成了一种参数惩罚项函数关系,根据行为模拟损失函数/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该函数公式能够实现对材料行为仿真模型参数的调优处理过程,同时,通过行为模拟损失函数的修正值的引入,可以针对在模型训练时出现的特殊情况进行调整,进一步提高行为模拟损失函数的适应性和稳定性,从而提高材料行为仿真模型的泛化能力和鲁棒性。
步骤S234:将测试数据集输入至测试模型中进行模型测试,以得到优化的材料行为仿真模型;并通过将3D打印机使用材料数据重新输入至优化的材料行为仿真模型中进行行为模拟处理,得到3D打印机材料打印过程行为数据。
本发明实施例通过将划分后的测试数据集输入至材料行为仿真模型中进行模型测试,通过计算材料行为仿真模型的准确率、召回率、F1值等指标,对材料行为仿真模型参数进一步检查和优化处理,以获得更高效、更准确的优化的材料行为仿真模型,同时,将3D打印机使用材料数据重新输入至优化的材料行为仿真模型中进行行为模拟处理,最终得到3D打印机材料打印过程行为数据。
本发明通过预设的划分规则将3D打印机使用材料数据划分为训练数据集、验证数据集和测试数据集,使得在构建材料行为仿真模型时能够充分利用数据,并对模型进行有效的验证和评估。通过划分数据集,可以将3D打印机使用材料数据进行组织和准备,以便用于模型的训练、验证和测试,这有助于更好地管理和利用数据,确保模型构建和评估的准确性和可靠性。通过将3D打印机使用材料数据划分为训练数据集、验证数据集和测试数据集,能够对模型进行全面的评估,训练数据集用于训练模型的参数,验证数据集用于验证模型参数,测试数据集用于对最终模型的性能进行评估。通过合理的数据划分,可以得到对模型性能的准确评估。然后,通过使用神经网络算法构建一个能够模拟打印过程材料行为的模型,神经网络具有学习和适应复杂模式的能力,可以从训练数据中学习到材料行为的规律和模式。通过模型训练和验证,可以对材料行为仿真模型进行参数调优,以获得更好的预测性能。而模型测试有助于提高仿真的准确性和可靠性,使其能够更好地模拟材料在3D打印过程中的行为。其中通过将训练数据集输入至材料行为仿真模型进行训练,并通过使用合适的行为模拟损失函数对模型参数进行调优,可以提高模型的准确性和预测性能,这有助于使模型能够更好地模拟和预测材料在打印过程中的行为。并且,通过将验证数据集输入至验证模型进行模型验证,可以评估模型的性能和准确性。模型验证有助于判断模型是否具有较好的泛化能力,并选择最佳的模型用于后续的测试和应用。此外,通过将测试数据集输入至测试模型中,可以评估测试模型在新数据上的性能和准确性,这有助于确认模型的可靠性和适用性。最后,通过将3D打印机使用材料数据重新输入至优化的材料行为仿真模型中进行行为模拟处理,可以获得3D打印机材料打印过程的行为数据。这些数据可以用于分析和优化打印过程、改善打印质量,并为进一步的研究和改进提供参考。
优选地,步骤S3包括以下步骤:
步骤S31:通过对3D打印机材料打印过程行为数据进行打印头参数分析处理,得到3D打印机打印头参数配置数据;
本发明实施例通过使用相应的传感器或记录仪器从3D打印机材料打印过程行为数据中获取与3D打印机的打印头相关的行为数据,包括打印速度、打印轨迹、挤出速率等行为数据,根据这些行为数据分析打印头的喷嘴直径、喷嘴温度、喷嘴速度等参数配置,最终得到3D打印机打印头参数配置数据。
步骤S32:通过对3D打印机材料打印过程行为数据进行加热系统参数分析处理,得到3D打印机加热系统参数配置数据;
本发明实施例通过使用相应的传感器或记录仪器从3D打印机材料打印过程行为数据中获取与3D打印机的加热系统相关的行为数据,包括加热温度、加热时间等行为数据,根据这些行为数据分析加热系统的加热功率、加热区域、温度控制等参数配置,最终得到3D打印机加热系统参数配置数据。
步骤S33:通过对3D打印机材料打印过程行为数据进行打印控制参数分析处理,得到3D打印机打印控制参数配置数据;
本发明实施例通过使用相应的传感器或记录仪器从3D打印机材料打印过程行为数据中获取与3D打印机的打印控制相关的行为数据,包括打印速度、层高、打印方向等行为数据,根据这些行为数据分析打印过程中的控制策略、运动规律等参数配置,最终得到3D打印机打印控制参数配置数据。
步骤S34:对3D打印机打印头参数配置数据、3D打印机加热系统参数配置数据和3D打印机打印控制参数配置数据进行融合分析处理,得到3D打印机打印过程硬件参数配置数据;
本发明实施例通过对3D打印机打印头参数配置数据、3D打印机加热系统参数配置数据和3D打印机打印控制参数配置数据进行融合,并根据融合后的参数数据进行参数优化,以评估不同参数配置对打印过程的影响,找到最佳的硬件参数配置组合,最终得到3D打印机打印过程硬件参数配置数据。
步骤S35:根据3D打印机打印过程硬件参数配置数据利用计算机辅助设计工具构建3D打印机仿真模型。
本发明实施例根据需求和系统要求,选择合适的计算机辅助设计工具,例如CAD软件、建模软件等,利用选择的工具根据3D打印机打印过程硬件参数配置数据构建相应的3D打印机仿真模型。
本发明首先通过对3D打印机材料打印过程行为数据进行打印头参数分析处理,可以通过分析打印头的工作过程,并从3D打印机材料打印过程行为数据中提取相关参数,分析打印头的性能表现和3D打印机材料打印过程行为数据的关联,以确定打印头的参数配置,例如喷嘴直径、喷嘴温度、喷嘴速度等。这些参数配置会对打印过程的质量和效率产生影响,从而能够优化打印头的工作性能。同时,通过对3D打印机材料打印过程行为数据进行加热系统参数分析处理,由于在3D打印过程中,加热系统能够对材料进行加热以达到打印温度,所以通过对3D打印机材料打印过程行为数据进行加热系统参数分析,可以确定加热系统的参数配置,包括加热功率、加热时间、温度控制等。这些参数的优化可以提高打印过程中材料的熔融性和流动性,从而提高打印质量和稳定性。其次,在3D打印过程中,控制参数对打印质量、速度和精度等起着重要作用,所以通过对3D打印机材料打印过程行为数据进行打印控制参数分析,可以确定打印控制参数的最佳配置,例如层高、打印速度、填充密度等。这些参数的优化可以使打印过程更加精确、高效和可控。然后,通过对分析得到的3D打印机打印头参数配置数据、3D打印机加热系统参数配置数据和3D打印机打印控制参数配置数据进行融合分析,可以建立3D打印机的硬件参数配置,以提供全面的硬件参数配置信息,从而为3D打印机的设置和优化提供参考。最后,通过利用计算机辅助设计工具根据得到的3D打印机硬件参数配置数据构建3D打印机的仿真模型。这个仿真模型可以模拟打印过程中硬件的运行和相互作用,从而帮助预测和优化打印过程的性能和质量。通过仿真模型,可以进行虚拟试验和参数调整,以优化3D打印机的设计和工作效果。
优选地,步骤S4包括以下步骤:
步骤S41:基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;
本发明实施例通过结合材料行为仿真模型和3D打印机仿真模型的输出对3D打印过程进行仿真模拟处理,以模拟材料熔融、打印头移动、层层堆积等打印过程,并通过仿真预测其形态、变形、结构和质量等方面的信息,最终得到3D打印仿真结果。
步骤S42:利用性能评估技术对3D打印仿真结果进行评估处理,得到3D打印仿真性能评估结果;
本发明实施例首先根据具体需求和应用场景,选择与3D打印过程相关的性能评估指标,例如制品质量、尺寸精度、层均匀性等性能指标,并从3D打印仿真结果中提取出与所选评估指标相关的数据,根据选择的评估指标和数据进行性能评估处理,以确定3D打印仿真结果性能是否符合要求,最终得到3D打印仿真性能评估结果。
步骤S43:利用异常检测算法对3D打印仿真性能评估结果进行检测处理,得到3D打印仿真异常检测结果;
本发明实例通过结合3D打印仿真性能评估结果的输入数据、均值、异常度量矩阵、异常度量值、异常关联权重系数、积分关联调节的超参数以及相关参数构建一个合适的异常检测算法进行异常检测处理,以识别出与正常打印结果偏离较大的情况,最终得到3D打印仿真异常检测结果。
其中,异常检测算法的函数公式如下所示:
;
式中,为异常检测算法函数,/>为3D打印仿真性能评估结果的输入数据集合,为3D打印仿真性能评估结果输入数据的数量,/>为3D打印仿真性能评估结果的第/>个输入数据,/>为3D打印仿真性能评估结果的第/>个输入数据的均值,/>为3D打印仿真性能评估结果的第/>个输入数据的异常度量矩阵,/>为异常度量值,/>为积分关联调节的超参数,/>为3D打印仿真性能评估结果的第/>个输入数据的异常关联权重系数,/>为异常检测算法函数的修正值。
本发明构建了一个异常检测算法的函数公式,用于对3D打印仿真性能评估结果进行检测处理,该异常检测算法通过对3D打印仿真性能评估结果的输入数据集合进行异常检测,首先,通过计算每个输入数据与其均值之间的偏离程度来判断输入数据是否异常,可以帮助识别出在3D打印仿真性能评估结果中不符合预期或异常的数据,以便进一步分析和处理。然后,通过使用异常度量矩阵和异常度量值根据具体需求对不同的输入数据赋予不同的权重,以强调特定数据点的重要性。并且,通过使用异常关联权重调整每个输入数据与其他输入数据之间的关联程度,从而更好地捕捉潜在异常模式。以获得更加准确和可靠的异常检测结果。该算法函数公式充分考虑了异常检测算法函数,3D打印仿真性能评估结果的输入数据集合/>,3D打印仿真性能评估结果输入数据的数量/>,3D打印仿真性能评估结果的第/>个输入数据/>,3D打印仿真性能评估结果的第/>个输入数据的均值/>,3D打印仿真性能评估结果的第/>个输入数据的异常度量矩阵/>,异常度量值/>,积分关联调节的超参数/>,3D打印仿真性能评估结果的第/>个输入数据的异常关联权重系数/>,异常检测算法函数的修正值/>,其中通过3D打印仿真性能评估结果输入数据的数量/>,3D打印仿真性能评估结果的第/>个输入数据/>,3D打印仿真性能评估结果的第/>个输入数据的均值/>,3D打印仿真性能评估结果的第/>个输入数据的异常度量矩阵/>以及异常度量值/>构成了一种距离异常度量函数关系/>,还通过3D打印仿真性能评估结果的输入数据集合/>,3D打印仿真性能评估结果输入数据的数量/>,3D打印仿真性能评估结果的第/>个输入数据/>,积分关联调节的超参数/>以及3D打印仿真性能评估结果的第/>个输入数据的异常关联权重系数/>构成了一种异常关联函数关系/>,根据异常检测算法函数/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对3D打印仿真性能评估结果的检测处理过程,同时,通过异常检测算法函数的修正值的引入可以根据实际情况进行调整,从而提高异常检测算法的准确性和适用性。
本发明通过使用材料行为仿真模型和3D打印机仿真模型对实际的3D打印过程进行仿真模拟,将模型与真实条件相结合,可以预测3D打印过程中材料流动、熔融、凝固等关键参数的变化和演化情况。这些仿真结果可以提供对3D打印过程各个阶段的详细了解,包括温度分布、应力和应变分布、材料沉积等方面,从而帮助预测打印质量和性能。然后,通过使用性能评估技术对3D打印仿真结果进行性能评估,可以通过比较仿真结果与预期要求或标准的差异,对打印质量、结构完整性、尺寸精度等性能进行评估,这样能够帮助确定模型和参数的合理性,并发现可能存在的问题,为后续异常检测处理过程提供依据。最后,通过使用合适的异常检测算法对3D打印仿真性能评估结果进行分析和检测,该异常检测算法基于对评估结果的统计分析和异常度量,可以识别出与正常打印结果偏离较大的模式,通过异常检测能够帮助发现打印过程中潜在的问题,例如材料不均匀性、结构变形、打印缺陷等情况。通过检测到的异常结果,可以及时采取相应的纠正措施,提高打印过程的质量和稳定性。另外,通过性能评估和异常检测,可以及早发现潜在的打印问题和缺陷,有助于及时采取纠正措施,从而提高打印过程的稳定性和一致性。
优选地,步骤S5包括以下步骤:
步骤S51:通过对3D打印仿真异常检测结果进行分析处理,得到3D打印仿真改进措施;
本发明实施例通过对检测得到的3D打印仿真异常检测结果进行详细分析,以识别出出现异常的原因和具体问题,根据分析结果制定相应的调整打印参数、优化模型参数设置、改变材料选择等3D打印仿真改进措施。
步骤S52:根据3D打印仿真改进措施对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;
本发明实施例通过使用制定的3D打印仿真改进措施对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,使得材料行为仿真模型更准确地模拟材料的行为,以便3D打印机仿真模型能够更好地模拟真实3D打印机的操作,并通过优化后的材料行为仿真模型和3D打印机仿真模型重新进行3D打印仿真模拟,最终得到3D打印仿真优化结果。
步骤S53:利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
本发明实施例通过使用可视化技术将3D打印仿真优化结果以打印过程动画、打印质量分析图表、结构变形可视化等形式展示到3D打印机中。
本发明首先通过对异常检测得到的3D打印仿真异常检测结果进行分析处理,由于在3D打印仿真过程中,可能会出现一些异常情况,例如打印质量不良、结构变形等异常情况。通过对这些异常检测结果进行分析,可以确定造成异常的原因,并提出相应的改进措施。而这些改进措施可以涉及材料选择、打印参数调整、支撑结构优化等方面,旨在优化打印过程,从而提高打印质量和成功率。然后,根据提出的3D打印仿真改进措施对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,可以评估改进措施对打印质量和性能的影响。通过优化材料行为仿真模型和3D打印机仿真模型的参数,可以更准确地模拟3D打印过程中的真实行为,这有助于提高仿真结果的准确性和可靠性。同时,通过重新进行仿真模拟,可以预测在不同参数设置下的打印结果,这有助于评估不同参数对打印质量的影响,并找到最佳的参数组合,以获得更好的打印结果。通过仿真优化结果,可以发现并解决潜在的问题和瓶颈,改进3D打印工艺流程,这有助于提高生产效率、降低成本,并优化整个3D打印流程。最后,通过使用可视化技术将3D打印仿真优化结果以直观的形式展示到3D打印机给操作人员或设计师分析。可视化展示可以包括打印过程动画、打印质量分析图表、结构变形可视化等。这样有助于操作人员或设计师更好地理解和分析打印结果,检查和验证改进效果,并根据需要进行进一步的优化和调整。
优选地,本发明还提供了一种基于3D打印机的仿真系统,用于执行如上所述的基于3D打印机的仿真方法,该基于3D打印机的仿真系统包括:
历史打印数据处理模块,用于通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,从而得到3D打印机历史处理数据;
材料打印行为仿真模块,用于利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,从而得到3D打印机材料打印过程行为数据;
仿真模型构建模块,用于通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
仿真模拟异常检测模块,用于基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,从而得到3D打印仿真异常检测结果;
仿真优化展示模块,用于根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
综上所述,本发明提供了一种基于3D打印机的仿真系统,该系统由历史打印数据处理模块、材料打印行为仿真模块、仿真模型构建模块、仿真模拟异常检测模块以及仿真优化展示模块组成,能够实现本发明所述任意一种基于3D打印机的仿真方法,用于联合各个模块上运行的计算机程序之间的操作实现一种基于3D打印机的仿真方法,系统内部结构互相协作,通过多种算法和技术分析3D打印机的材料行为数据和硬件参数配置数据,并根据材料行为数据和硬件参数配置数据构建材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟,以提供准确、实时和可靠的仿真打印过程,这样能够大大减少重复工作和人力投入,能够快速有效地提供更准确、更高效的仿真结果,从而简化了基于3D打印机的仿真系统的操作流程。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于3D打印机的仿真方法,其特征在于,包括以下步骤:
步骤S1:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,得到3D打印机历史处理数据;
步骤S2:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,得到3D打印机材料打印过程行为数据;
步骤S3:通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
步骤S4:基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,得到3D打印仿真异常检测结果;
步骤S5:根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
2.根据权利要求1所述的基于3D打印机的仿真方法,其特征在于,步骤S1包括以下步骤:
步骤S11:通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;
步骤S12:对3D打印机相关数据进行数据预处理,得到3D打印机打印过程相关数据;
步骤S13:利用历史回溯算法对3D打印机打印过程相关数据进行历史回溯处理,得到3D打印机历史处理数据;
其中,历史回溯算法的函数公式如下所示:
;
式中,为3D打印机历史处理数据,/>为历史回溯时间,/>为3D打印机打印过程相关数据的属性参数,/>为历史回溯时间衰减率参数,/>为指数函数,/>为高斯核函数的数量,/>为第/>个高斯核函数的历史回溯时间权重参数,/>为第/>个高斯核函数的历史回溯时间均值,/>为第/>个高斯核函数的历史回溯时间标准差,/>为3D打印机历史处理数据的修正值。
3.根据权利要求1所述的基于3D打印机的仿真方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;
步骤S22:利用材料分析技术对3D打印机历史处理降噪数据进行材料采集处理,得到3D打印机使用材料数据;
步骤S23:通过预设的材料行为仿真模型对3D打印机使用材料数据进行行为模拟处理,得到3D打印机材料打印过程行为数据。
4.根据权利要求3所述的基于3D打印机的仿真方法,其特征在于,步骤S21包括以下步骤:
步骤S211:利用数据降噪算法对3D打印机历史处理数据进行噪声值计算,得到历史打印数据噪声值;
其中,数据降噪算法的函数公式如下所示:
;
式中,为历史打印数据噪声值,/>为3D打印机历史处理数据中的含噪数据,/>为3D打印机历史处理数据的数量,/>为第/>个3D打印机历史处理数据对应的噪声频率,/>为第/>个3D打印机历史处理数据的噪声均值,/>为第/>个3D打印机历史处理数据的噪声标准差,/>为含噪数据积分调和平滑参数,/>为积分平滑时间范围,/>为积分平滑时间变量,/>为历史打印数据噪声值的修正值;
步骤S212:根据预设的历史打印数据噪声阈值对历史打印数据噪声值进行判断,当历史打印数据噪声值大于或等于预设的历史打印数据噪声阈值时,则剔除该历史打印数据噪声值对应的3D打印机历史处理数据,得到3D打印机历史处理降噪数据;
步骤S213:根据预设的历史打印数据噪声阈值对历史打印数据噪声值进行判断,当历史打印数据噪声值小于预设的历史打印数据噪声阈值时,则直接将该历史打印数据噪声值对应的3D打印机历史处理数据定义为3D打印机历史处理降噪数据。
5.根据权利要求3所述的基于3D打印机的仿真方法,其特征在于,步骤S22包括以下步骤:
步骤S221:通过计算机技术构建材料分析技术,其中材料分析技术包括材料性质分析技术、材料熔点分析技术和材料凝固特性分析技术;
步骤S222:利用材料性质分析技术对3D打印机历史处理降噪数据进行打印材料性质采集处理,得到3D打印机使用材料性质信息;
步骤S223:利用材料熔点分析技术对3D打印机历史处理降噪数据进行打印材料熔点采集处理,得到3D打印机使用材料熔点信息;
步骤S224:利用材料凝固特性分析技术对3D打印机历史处理降噪数据进行打印材料凝固特性采集处理,得到3D打印机使用材料凝固特性信息;
步骤S225:对3D打印机使用材料性质信息、3D打印机使用材料熔点信息和3D打印机使用材料凝固特性信息进行集成融合处理,得到3D打印机使用材料数据。
6.根据权利要求3所述的基于3D打印机的仿真方法,其特征在于,步骤S23包括以下步骤:
步骤S231:按照预设的划分规则将3D打印机使用材料数据划分为训练数据集、验证数据集和测试数据集;
步骤S232:构建基于神经网络算法的材料行为仿真模型,其中材料行为仿真模型包括模型训练、模型验证和模型测试;
步骤S233:将训练数据集输入至基于神经网络算法的材料行为仿真模型进行模型训练,并通过行为模拟损失函数对模型参数进行调优处理,以生成验证模型;并将验证数据集输入至验证模型中进行模型验证,以生成测试模型;
其中,行为模拟损失函数的公式如下所示:
;
式中,为行为模拟损失函数,/>为材料行为仿真模型参数向量,/>为训练数据集中的训练样本数量,/>为训练数据集中的特征数量,/>为训练数据集中第/>个特征的材料行为仿真模型参数,/>为训练数据集中第/>个训练样本的第/>个特征值,/>为时间平滑积分项的权重系数,/>为时间平滑积分项的时间上限,/>为时间平滑积分项的时间变量,/>为材料行为模拟函数,/>为训练数据集中第/>个训练样本的特征值,/>为材料行为仿真模型参数惩罚项的权重系数,/>为材料行为仿真模型参数向量的维度,/>为材料行为仿真模型参数向量中第/>维材料行为仿真模型参数,/>为材料行为仿真模型参数向量的均值,/>为行为模拟损失函数的修正值;
步骤S234:将测试数据集输入至测试模型中进行模型测试,以得到优化的材料行为仿真模型;并通过将3D打印机使用材料数据重新输入至优化的材料行为仿真模型中进行行为模拟处理,得到3D打印机材料打印过程行为数据。
7.根据权利要求1所述的基于3D打印机的仿真方法,其特征在于,步骤S3包括以下步骤:
步骤S31:通过对3D打印机材料打印过程行为数据进行打印头参数分析处理,得到3D打印机打印头参数配置数据;
步骤S32:通过对3D打印机材料打印过程行为数据进行加热系统参数分析处理,得到3D打印机加热系统参数配置数据;
步骤S33:通过对3D打印机材料打印过程行为数据进行打印控制参数分析处理,得到3D打印机打印控制参数配置数据;
步骤S34:对3D打印机打印头参数配置数据、3D打印机加热系统参数配置数据和3D打印机打印控制参数配置数据进行融合分析处理,得到3D打印机打印过程硬件参数配置数据;
步骤S35:根据3D打印机打印过程硬件参数配置数据利用计算机辅助设计工具构建3D打印机仿真模型。
8.根据权利要求1所述的基于3D打印机的仿真方法,其特征在于,步骤S4包括以下步骤:
步骤S41:基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;
步骤S42:利用性能评估技术对3D打印仿真结果进行评估处理,得到3D打印仿真性能评估结果;
步骤S43:利用异常检测算法对3D打印仿真性能评估结果进行检测处理,得到3D打印仿真异常检测结果;
其中,异常检测算法的函数公式如下所示:
;
式中,为异常检测算法函数,/>为3D打印仿真性能评估结果的输入数据集合,/>为3D打印仿真性能评估结果输入数据的数量,/>为3D打印仿真性能评估结果的第/>个输入数据,为3D打印仿真性能评估结果的第/>个输入数据的均值,/>为3D打印仿真性能评估结果的第/>个输入数据的异常度量矩阵,/>为异常度量值,/>为积分关联调节的超参数,/>为3D打印仿真性能评估结果的第/>个输入数据的异常关联权重系数,/>为异常检测算法函数的修正值。
9.根据权利要求1所述的基于3D打印机的仿真方法,其特征在于,步骤S5包括以下步骤:
步骤S51:通过对3D打印仿真异常检测结果进行分析处理,得到3D打印仿真改进措施;
步骤S52:根据3D打印仿真改进措施对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;
步骤S53:利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
10.一种基于3D打印机的仿真系统,其特征在于,用于执行如权利要求1所述的基于3D打印机的仿真方法,该基于3D打印机的仿真系统包括:
历史打印数据处理模块,用于通过传感器对3D打印机进行数据采集处理,得到3D打印机相关数据;并利用历史回溯算法对3D打印机相关数据进行历史回溯处理,从而得到3D打印机历史处理数据;
材料打印行为仿真模块,用于利用数据降噪算法对3D打印机历史处理数据进行降噪处理,得到3D打印机历史处理降噪数据;并通过预设的材料行为仿真模型对3D打印机历史处理降噪数据进行行为模拟处理,从而得到3D打印机材料打印过程行为数据;
仿真模型构建模块,用于通过对3D打印机材料打印过程行为数据进行硬件参数分析处理,得到3D打印机打印过程硬件参数配置数据;根据3D打印机打印过程硬件参数配置数据构建3D打印机仿真模型;
仿真模拟异常检测模块,用于基于材料行为仿真模型和3D打印机仿真模型对打印过程进行仿真模拟处理,得到3D打印仿真结果;利用异常检测算法对3D打印仿真结果进行检测处理,从而得到3D打印仿真异常检测结果;
仿真优化展示模块,用于根据3D打印仿真异常检测结果对材料行为仿真模型和3D打印机仿真模型进行参数优化处理,并重新对打印过程进行仿真模拟处理,得到3D打印仿真优化结果;利用可视化技术将3D打印仿真优化结果以可视化的形式展示到3D打印机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993330.4A CN116728783B (zh) | 2023-08-09 | 2023-08-09 | 一种基于3d打印机的仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993330.4A CN116728783B (zh) | 2023-08-09 | 2023-08-09 | 一种基于3d打印机的仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116728783A true CN116728783A (zh) | 2023-09-12 |
CN116728783B CN116728783B (zh) | 2023-10-27 |
Family
ID=87911709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310993330.4A Active CN116728783B (zh) | 2023-08-09 | 2023-08-09 | 一种基于3d打印机的仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116728783B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453216A (zh) * | 2023-11-03 | 2024-01-26 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
CN117472300A (zh) * | 2023-11-03 | 2024-01-30 | 深圳市金石三维打印科技有限公司 | 一种分布式3d打印制造平台的订单派单方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019055538A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS OF ADDITIVE MANUFACTURING |
CN111546636A (zh) * | 2020-04-27 | 2020-08-18 | 中国水利水电科学研究院 | 大结构体3d打印的仿真监测方法 |
CN111605199A (zh) * | 2020-05-21 | 2020-09-01 | 哈尔滨理工大学 | 一种fdm3d打印机有限元分析及成型精度方法 |
WO2021185030A1 (zh) * | 2020-03-18 | 2021-09-23 | 苏州奇流信息科技有限公司 | 有限元模拟方法及系统、计算机设备及存储介质 |
US20210405613A1 (en) * | 2020-06-30 | 2021-12-30 | Atos Spain Sociedad Anonima | Predicting system in additive manufacturing process by machine learning algorithms |
WO2022089218A1 (zh) * | 2020-10-28 | 2022-05-05 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、预测系统 |
CN114818401A (zh) * | 2021-01-29 | 2022-07-29 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、评价系统 |
WO2022233206A1 (zh) * | 2021-05-07 | 2022-11-10 | 苏州奇流信息科技有限公司 | 样本数据库系统、训练及检验打印参数的方法、计算机 |
CN115510766A (zh) * | 2022-11-09 | 2022-12-23 | 北京大学 | 一种基于高斯过程模型的3d打印质量预测方法及系统 |
-
2023
- 2023-08-09 CN CN202310993330.4A patent/CN116728783B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019055538A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS OF ADDITIVE MANUFACTURING |
WO2021185030A1 (zh) * | 2020-03-18 | 2021-09-23 | 苏州奇流信息科技有限公司 | 有限元模拟方法及系统、计算机设备及存储介质 |
CN111546636A (zh) * | 2020-04-27 | 2020-08-18 | 中国水利水电科学研究院 | 大结构体3d打印的仿真监测方法 |
CN111605199A (zh) * | 2020-05-21 | 2020-09-01 | 哈尔滨理工大学 | 一种fdm3d打印机有限元分析及成型精度方法 |
US20210405613A1 (en) * | 2020-06-30 | 2021-12-30 | Atos Spain Sociedad Anonima | Predicting system in additive manufacturing process by machine learning algorithms |
WO2022089218A1 (zh) * | 2020-10-28 | 2022-05-05 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、预测系统 |
CN114818401A (zh) * | 2021-01-29 | 2022-07-29 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、评价系统 |
WO2022233206A1 (zh) * | 2021-05-07 | 2022-11-10 | 苏州奇流信息科技有限公司 | 样本数据库系统、训练及检验打印参数的方法、计算机 |
CN115510766A (zh) * | 2022-11-09 | 2022-12-23 | 北京大学 | 一种基于高斯过程模型的3d打印质量预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453216A (zh) * | 2023-11-03 | 2024-01-26 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
CN117472300A (zh) * | 2023-11-03 | 2024-01-30 | 深圳市金石三维打印科技有限公司 | 一种分布式3d打印制造平台的订单派单方法和系统 |
CN117472300B (zh) * | 2023-11-03 | 2024-06-14 | 深圳市金石三维打印科技有限公司 | 一种分布式3d打印制造平台的订单派单方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116728783B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116728783B (zh) | 一种基于3d打印机的仿真方法及系统 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN109271319B (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
CN107944708A (zh) | 借贷风险控制的模型筛选方法、装置和存储介质 | |
CN111881574B (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN107992410A (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN112347705B (zh) | 一种建立变电站厂界噪声模型的方法和系统 | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
CN117348439A (zh) | 抽水蓄能机组工况的动态模拟仿真测试方法及系统 | |
CN115795999B (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
CN117962256B (zh) | 基于大数据信息进行的分析的注塑件翘曲模拟控制系统 | |
CN117952323B (zh) | 一种基于数字孪生的产品创建系统、方法、设备及介质 | |
CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 | |
CN116757098B (zh) | 一种基于swat模型多目标优化的自动化校验方法 | |
CN115965445A (zh) | 一种参数估计方法 | |
CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
CN113392921B (zh) | 一种数据驱动的风控策略规则生成方法及系统 | |
CN117453216B (zh) | 基于3d打印设备的控制软件开发编辑方法及系统 | |
CN112070415B (zh) | 基于软件定量管理过程构建的场景化基线与模型实现方法 | |
WO2021111936A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
CN118037113A (zh) | 一种汽车感知质量评估方法及装置 |
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 |