CN117601433A - 零件平整度预测模型训练方法及零件平整度预测方法 - Google Patents

零件平整度预测模型训练方法及零件平整度预测方法 Download PDF

Info

Publication number
CN117601433A
CN117601433A CN202311559335.2A CN202311559335A CN117601433A CN 117601433 A CN117601433 A CN 117601433A CN 202311559335 A CN202311559335 A CN 202311559335A CN 117601433 A CN117601433 A CN 117601433A
Authority
CN
China
Prior art keywords
data
prediction model
slice
trend
gray
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
CN202311559335.2A
Other languages
English (en)
Inventor
赵景洲
佐凯
鲍光
刘剑锋
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.)
Hunan Farsoon High Tech Co Ltd
Original Assignee
Hunan Farsoon High Tech 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 Hunan Farsoon High Tech Co Ltd filed Critical Hunan Farsoon High Tech Co Ltd
Priority to CN202311559335.2A priority Critical patent/CN117601433A/zh
Publication of CN117601433A publication Critical patent/CN117601433A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • B29C64/10—Processes of additive manufacturing
    • B29C64/141—Processes of additive manufacturing using only solid materials
    • B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
    • 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
    • B33Y10/00—Processes of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及增材制造技术领域，公开了零件平整度预测模型训练方法及零件平整度预测方法，包括：获取训练集数据，训练集数据包括零件切片的趋势灰度数据和幅面高度数据，趋势灰度数据为通过零件切片的切片数据计算得到的，幅面高度数据用于表示零件切片的幅面高低起伏信息；基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，目标零件平整度预测模型用于进行零件平整度预测，本发明通过利用对零件进行切片得到的趋势灰度数据和幅面高度数据，训练得到零件平整度预测模型，可以实现在增材制造过程开始前就完成对某一层的翘曲或凹陷预测，为优化打印策略提供了依据，潜在提高了零件制造的成功率。

Description

零件平整度预测模型训练方法及零件平整度预测方法
技术领域
本发明涉及增材制造技术领域，具体涉及零件平整度预测模型训练方法及零件平整度预测方法。
背景技术
在选择性激光熔融增材制造过程中，粉末被逐层铺设并被激光熔化，被熔化的金属逐层逐次形成最终零件。在这一过程中，由于材料的热学性质、激光扫描的功率、速度、以及零件自身的拓扑特征等因素的影响，在每次熔融后，粉末床平面中的零件或发生一定程度的翘曲或凹陷，其中过度翘曲会导致下一次铺粉中刮刀损坏，过度凹陷会导致铺粉激光无法烧透粉末。因此，对零件的翘曲或凹陷等平整度的预测对零件的制造显得至关重要。
相关技术中，缺乏对激光烧结增材的平整度的自动预测方法，无法在制造开始前完成对当前层的翘曲或凹陷的预测，零件在没有平整度预测的情况下，在打印制造过程中会出现翘曲或凹陷等平整度问题，导致零件制造失败，造成了大量的材料浪费及时间损耗。
发明内容
有鉴于此，本发明提供了一种零件平整度预测模型训练方法及零件平整度预测方法，以解决无法在制造开始前完成对当前层的翘曲或凹陷的预测的问题。
第一方面，本发明提供了一种零件平整度预测模型训练方法，方法包括：
获取训练集数据，训练集数据包括零件切片的趋势灰度数据和幅面高度数据，趋势灰度数据为通过零件切片的切片数据计算得到的，幅面高度数据用于表示零件切片的幅面高低起伏信息；
基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，目标零件平整度预测模型用于进行零件平整度预测。
在本发明中，通过利用对零件进行切片得到的趋势灰度数据和幅面高度数据，训练得到零件平整度预测模型，可以实现在增材制造过程开始前就完成对某一层的翘曲或凹陷预测，预测得到翘曲凹陷的具体位置、形状、程度，对零件制造提供了数据支持，便于后续扫描策略优化、支撑添加、热学管理等措施，为优化打印策略提供了依据，潜在提高了零件制造的成功率。
在一种可选的实施方式中，通过以下步骤获得趋势灰度数据：
采集零件样本的切片数据；
基于切片数据，计算得到零件样本的当前层切片向下的各相邻两层切片之差的总和；
基于零件样本的当前层切片数据与零件样本的当前层切片向下各相邻两层切片之差的总和，计算零件样本的当前层切片的趋势灰度数据。
在该方式中，通过利用零件样本的切片数据，计算得到趋势灰度数据，便于后续利用趋势灰度数据进行模型训练，进而实现对零件可能产生的翘曲进行预测。
在一种可选的实施方式中，通过以下公式计算得到趋势灰度数据：
其中，n为零件样本的当前层的层数，k为从零件样本的当前层向下叠加的层数，S(n)为零件样本的切片数据，S(n-i+1)-S(n-i)为零件样本的相邻两层切片之差，STG(n)为零件样本的当前层切片的趋势灰度数据。
在该方式中，通过不同层的切片数据，计算得到零件样本每一层切片的趋势灰度数据，便于后续对模型进行训练。
在一种可选的实施方式中，基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，包括：
将趋势灰度数据输入初始零件平整度预测模型，得到预测幅面高度数据；
基于预测幅面高度数据和幅面高度数据，对初始零件平整度预测模型进行收敛验证，得到目标零件平整度预测模型。
在该方式中，通过将趋势灰度数据输入初始零件平整度预测模型得到预测幅面高度数据，将预测幅面高度数据与真实的幅面高度数据进行对比，对初始零件平整度预测模型进行收敛验证，直至零件平整度预测模型预测得到的幅面高度数据最大程度上接近真实的幅面高度数据，大幅提高了模型预测的准确度。
在一种可选的实施方式中，初始零件平整度预测模型包括生成器网络和判别器网络；
基于预测幅面高度数据和幅面高度数据，对初始零件平整度预测模型进行收敛验证，得到目标零件平整度预测模型，包括：
将预测幅面高度数据和幅面高度数据输入判别器网络，得到预测幅面高度数据与幅面高度数据之间的损失函数；
基于预测幅面高度数据与幅面高度数据之间的损失，对生成器网络进行训练，以使得生成器网络预测得到的预测幅面高度数据与幅面高度数据之间的损失函数降至预设的损失阈值，得到目标零件平整度预测模型。
在该方式中，通过利用判别器网络与生成器网络形成生成对抗网络，对零件平整度预测模型不断进行优化，使得零件平整度预测模型预测的幅面高度数据更为接近真实的幅面高度数据，提高了模型预测的准确度。
第二方面，本发明提供了一种零件平整度预测方法，方法包括：
获取待测零件的切片数据；
基于切片数据，计算得到待测零件的趋势灰度数据；
将待测零件的趋势灰度数据输入零件平整度预测模型，预测得到待测零件的切片的幅面高度数据，其中零件平整度预测模型是利用第一方面任意一项的零件平整度预测模型训练方法训练得到的。
在本发明中，通过计算得到待测零件的趋势灰度数据并输入训练好的零件平整度预测模型，可以在增材制造过程开始前就完成对零件某一层的翘曲或凹陷预测，并预测得到翘曲凹陷的具体位置、形状、程度，便于后续调整零件制造的过程，降低零件制造失败的风险，进而降低时间及材料的损耗。
第三方面，本发明提供了一种零件平整度预测模型训练装置，装置包括：
数据获取模块，用于获取训练集数据，训练集数据包括零件切片的趋势灰度数据和幅面高度数据，趋势灰度数据为通过零件切片的切片数据计算得到的，幅面高度数据用于表示零件切片的幅面高低起伏信息；
模型训练模块，用于基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，目标零件平整度预测模型用于进行零件平整度预测。
第四方面，本发明提供了一种零件平整度预测装置，装置包括：
切片数据获取模块，用于获取待测零件的切片数据；
趋势灰度数据计算模块，用于基于切片数据，计算得到待测零件的趋势灰度数据；
幅面高度预测模块，用于将待测零件的趋势灰度数据输入零件平整度预测模型，预测得到待测零件的切片的幅面高度数据，其中零件平整度预测模型是利用第三方面的零件平整度预测模型训练装置训练得到的。
第五方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的零件平整度预测模型训练方法或者执行第二方面中的零件平整度预测方法。
第六方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的零件平整度预测模型训练方法或者执行第二方面中的零件平整度预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的零件平整度预测模型训练方法的流程示意图。
图2是根据本发明实施例的一种正锥形、长方体、倒锥形数字模型的示意图。
图3是根据本发明实施例的一种数字模型第n层的切片趋势灰度的示意图。
图4是根据本发明实施例的一种零件第n层的趋势灰度数据STG与第n层实际打印后的幅面高度数据Z的示意图。
图5是根据本发明实施例的另一零件平整度预测模型训练方法的流程示意图。
图6是根据本发明实施例的又一零件平整度预测模型训练方法的流程示意图。
图7是根据本发明实施例的零件平整度预测方法的流程示意图。
图8是根据本发明实施例的零件平整度预测模型训练装置的结构框图。
图9是根据本发明实施例的零件平整度预测装置的结构框图。
图10是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
在选择性激光熔融增材制造过程中，粉末被逐层铺设并被激光熔化，被熔化的金属逐层逐次形成最终零件。在这一过程中，由于材料的热学性质、激光扫描的功率、速度、以及零件自身的拓扑特征等因素的影响，在每次熔融后，粉末床平面中的零件或发生一定程度的翘曲或凹陷，其中过度翘曲会导致下一次铺粉中刮刀损坏，过度凹陷会导致铺粉激光无法烧透粉末。使用结构光轮廓测量技术可以量化打印结束后粉末床平面的翘曲和凹陷程度，在每次烧结结束后，采集数据并运算保存，即可得到每次激光熔融后的零件平整度信息，具体的可以是一张灰度图或者伪彩图片。这些信息数量巨大，能够帮助操作人员评估打印过程的翘曲缺陷，在下一次打印之前进一步对模型进行前处理，比如增加支撑、优化扫描路径、优化激光功率等措施。在逐层增材制造之前的模型处理步骤中，均有“切片”这一过程，“切片”程序会将模型按照层厚进行分解，每一个切片都代表模型在当前层的形状，并具体的保存成二值化图片的形式。
相关技术中，缺乏对激光烧结增材的平整度的自动预测方法，无法在制造开始前完成对当前层的翘曲或凹陷的预测，零件在没有平整度预测的情况下，在打印制造过程中会出现翘曲或凹陷等平整度问题，导致零件制造失败，造成了大量的材料浪费及时间损耗。
为解决上述问题，本发明实施例中提供一种零件平整度预测模型训练方法，用于计算机设备中，需要说明的是，其执行主体可以是零件平整度预测模型训练装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，其中，该计算机设备可以是终端或客户端或服务器，服务器可以是一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑等其他智能硬件设备。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
本实施例中的计算机设备，适用于在选择性激光熔融增材制造之前，对零件可能产生的翘曲和凹陷进行预测的使用场景。通过本发明提供零件平整度预测模型训练方法，通过利用对零件进行切片得到的趋势灰度数据和幅面高度数据，训练得到零件平整度预测模型，可以实现在增材制造过程开始前就完成对某一层的翘曲或凹陷预测，预测得到翘曲凹陷的具体位置、形状、程度，对零件制造提供了数据支持，便于后续扫描策略优化、支撑添加、热学管理等措施，为优化打印策略提供了依据，潜在提高了零件制造的成功率。
根据本发明实施例，提供了一种零件平整度预测模型训练方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种零件平整度预测模型训练方法，可用于上述的计算机设备，图1是根据本发明实施例的零件平整度预测模型训练方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取训练集数据。
在本发明实施例中，训练集数据包括零件切片的趋势灰度数据和幅面高度数据，趋势灰度数据为通过零件切片的切片数据计算得到的，幅面高度数据用于表示零件切片的幅面高低起伏信息。
在一示例中，训练集数据可以包括：利用二值切片数据计算得到的趋势灰度数据与零件当前层在激光烧结完毕之后的幅面高度数据。幅面高度数据是一个二维数组，其中包含了幅面的高低起伏信息，可以使用结构光相机、激光线扫相机、飞行时间测距装置等装置获得，幅面高度数据的获得方式在本发明中不进行限制。
步骤S102，基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型。
在本发明实施例中，目标零件平整度预测模型用于进行零件平整度预测。
在一示例中，可以利用生成对抗网络模型作为初始零件平整度预测模型，通过训练得到目标零件平整度预测模型。
在一实施场景中，1、使用切片器对150个批次的零件进行切片，获得每个模型的二值切片数据S，并求出每个零件每层的趋势灰度数据STG，一共获得300000份趋势灰度数据STG。
2、使用选择性激光烧结打印机打印不同零件150批次，其机器中有结构光相机，在层烧结完毕后获取300000份幅面高度数据Z。
3、将趋势灰度数据STG(n)与幅面高度数据Z(n)之间建立联系，使用生成对抗网络，训练集为趋势灰度数据STG(n)与幅面高度数据Z(n)，预期输出预测幅面高度数据Zp(n)。构建生成器网络G，其核心为深度卷积生成网络，该网络接受输入趋势灰度数据STG(n)，并尝试生成输出预测幅面高度数据Zp(n)。构建判别器网络D，该网络接受真实的幅面高度数据Z(n)和生成器网络G生成的预测幅面高度数据Zp(n)，并尝试区分它们。通过交替训练生成器网络G和判别器网络D来优化网络参数。生成器网络G的目标是生成与真实幅面高度数据Z(n)相似的数据，而判别器网络D的目标是准确区分真实数据和生成的数据，生成器网络G经过训练并收敛到稳定状态。
4、图2是根据本发明实施例的一种正锥形、长方体、倒锥形数字模型的示意图，如图2所示，将一个全新的模型，经过切片后得到趋势灰度数据STG，图3是根据本发明实施例的一种数字模型第n层的切片趋势灰度的示意图，如图3所示，上方的二值图像为二值切片数据，下方的灰度图为趋势灰度数据STG。将趋势灰度数据STG输入到生成器网络G中，输出预测幅面高度数据Zp(50)，预测幅面高度数据能够提前判断出零件在打印至第50层时的翘曲和凹陷程度。图4是根据本发明实施例的一种零件第n层的趋势灰度数据STG与第n层实际打印后的幅面高度数据Z的示意图。
在另一实施场景中，1、使用切片器对500个批次的零件进行切片，获得每个模型的二值切片数据S，并求出每个零件每层的趋势灰度数据STG，一共获得5000000份趋势灰度数据STG。
2、使用选择性激光烧结打印机打印不同零件500批次，其机器中配置有线扫相机，在层烧结完毕后获取5000000份幅面高度数据Z。
3、将趋势灰度数据STG(n)与幅面高度数据Z(n)之间建立联系，使用生成对抗网络，训练集为趋势灰度数据STG(n)与幅面高度数据Z(n)，预期的输出数据为预测幅面高度数据Zp(n)。构建生成器网络G，其核心为卷积神经网络，该网络接受输入趋势灰度数据STG(n)，并尝试生成输出预测幅面高度数据Zp(n)。构建判别器网络D，其核心为全连接神经网络，该网络接受真实的幅面高度数据Z(n)和生成器网络G生成的预测幅面高度数据Zp(n)，并尝试区分它们。通过交替训练生成器网络G和判别器网络D来优化网络参数。生成器网络G的目标是生成与真实幅面高度数据Z(n)相似的数据，而判别器网络D的目标是准确区分真实数据和生成的数据。生成器网络G经过训练并收敛到稳定状态。
4、将一个全新的模型经过切片后得到趋势灰度数据STG，输入到生成器网络G中，输出预测幅面高度数据Zp，对于倒锥形的模型来说，Zp(20)到Zp(150)可显示大量翘曲，对于锥形的模型来说，Zp(20)到Zp(150)预测为平坦。
在又一实施场景中，1、使用切片器对500个批次的零件进行切片，获得每个模型的二值切片数据S，并求出每个零件每层的趋势灰度数据STG，一共获得5000000份趋势灰度数据STG。
2、使用选择性激光烧结打印机打印不同零件500批次，其机器中配置有线扫相机，在层烧结完毕后获取5000000份幅面高度数据Z。
3、将趋势灰度数据STG(n)与幅面高度数据Z(n)之间建立联系，使用生成对抗网络，训练集为趋势灰度数据STG(n)与幅面高度数据Z(n)，预期输出预测幅面高度数据Zp(n)。构建生成器网络G，其核心为注意力机制该网络接受输入趋势灰度数据STG(n)并尝试生成输出预测幅面高度数据Zp(n)。构建判别器网络D，其核心为深度对比网络该网络接受真实输出的幅面高度数据Z(n)和生成器网络G生成的预测幅面高度数据Zp(n)，并尝试区分它们。通过交替训练生成器网络G和判别器网络D来优化网络参数。生成器网络G的目标是生成与真实幅面高度数据Z(n)相似的数据，而判别器网络D的目标是准确区分真实数据和生成的数据。生成器网络G经过训练并收敛到稳定状态。
4、将一个全新的模型，经过切片后得到的趋势灰度数据STG，输入到生成器网络G中，输出预测幅面高度数据Zp，对于倒锥形的模型来说，Zp(20)到Zp(150)可显示大量翘曲，对于锥形的模型来说，Zp(20)到Zp(150)预测为平坦。
本实施例提供的零件平整度预测模型训练方法，通过利用对零件进行切片得到的趋势灰度数据和幅面高度数据，训练得到零件平整度预测模型，可以实现在增材制造过程开始前就完成对某一层的翘曲或凹陷预测，预测得到翘曲凹陷的具体位置、形状、程度，对零件制造提供了数据支持，便于后续扫描策略优化、支撑添加、热学管理等措施，为优化打印策略提供了依据，潜在提高了零件制造的成功率。
在本实施例中提供了一种零件平整度预测模型训练方法，可用于上述的计算机设备，图5是根据本发明实施例的零件平整度预测模型训练方法的流程图，如图5所示，该流程包括如下步骤：
步骤S501，获取训练集数据。
具体地，上述步骤S501包括：
步骤S5011，采集零件样本的切片数据。
步骤S5012，基于切片数据，计算得到零件样本的当前层切片向下的各相邻两层切片之差的总和。
步骤S5013，基于零件样本的当前层切片数据与零件样本的当前层切片向下各相邻两层切片之差的总和，计算零件样本的当前层切片的趋势灰度数据。
在一些可选的实施方式中，上述步骤S5013包括：
步骤a1，通过以下公式计算得到趋势灰度数据：
其中，n为零件样本的当前层的层数，k为从零件样本的当前层向下叠加的层数，S(n)为零件样本的切片数据，S(n-i+1)-S(n-i)为零件样本的相邻两层切片之差，STG(n)为零件样本的当前层切片的趋势灰度数据。
在该方式中，通过利用零件样本的切片数据，计算得到趋势灰度数据，便于后续利用趋势灰度数据进行模型训练，进而实现对零件可能产生的翘曲进行预测。
步骤S502，基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型。详细请参见图1所示实施例的步骤S102，在此不再赘述。
本实施例提供的零件平整度预测模型训练方法，通过利用零件样本的切片数据，计算得到趋势灰度数据，便于后续利用趋势灰度数据进行模型训练，进而实现对零件可能产生的翘曲进行预测。通过不同层的切片数据，计算得到零件样本每一层切片的趋势灰度数据，便于后续对模型进行训练。
在本实施例中提供了一种零件平整度预测模型训练方法，可用于上述的计算机设备，图6是根据本发明实施例的零件平整度预测模型训练方法的流程图，如图6所示，该流程包括如下步骤：
步骤S601，获取训练集数据。详细请参见图5所示实施例的步骤S502，在此不再赘述。
步骤S602，基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型。
具体地，上述步骤S602包括：
步骤S6021，将趋势灰度数据输入初始零件平整度预测模型，得到预测幅面高度数据。
步骤S6022，基于预测幅面高度数据和幅面高度数据，对初始零件平整度预测模型进行收敛验证，得到目标零件平整度预测模型。
在一些可选的实施方式中，初始零件平整度预测模型包括生成器网络和判别器网络。上述步骤S6022包括：
步骤a1，将预测幅面高度数据和幅面高度数据输入判别器网络，得到预测幅面高度数据与幅面高度数据之间的损失函数。
步骤a2，基于预测幅面高度数据与幅面高度数据之间的损失，对生成器网络进行训练，以使得生成器网络预测得到的预测幅面高度数据与幅面高度数据之间的损失函数降至预设的损失阈值，得到目标零件平整度预测模型。
在一示例中，在获得大量数据后，针对趋势灰度数据STG(n)与幅面高度数据Z(n)之间建立联系，使用生成对抗网络，训练集为趋势灰度数据STG(n)与幅面高度数据Z(n)，预期输出预测幅面高度数据Zp(n)。构建生成器网络G，该网络接受输入趋势灰度数据STG(n)并尝试生成输出预测幅面高度数据Zp(n)。构建判别器网络D，该网络接受真实的幅面高度数据Z(n)和生成器网络G生成的预测幅面高度数据Zp(n)，并尝试区分它们。通过交替训练生成器网络G和判别器网络D来优化网络参数。生成器网络G的目标是生成与真实的幅面高度数据Z(n)相似的数据，而判别器网络D的目标是准确区分真实数据和生成的数据。使用适当的损失函数来定义生成器网络G和判别器网络D的优化目标。损失函数包括对抗损失、重建损失和正则化项等。生成器网络G经过训练并收敛。
本实施例提供的零件平整度预测模型训练方法，通过将趋势灰度数据输入初始零件平整度预测模型得到预测幅面高度数据，将预测幅面高度数据与真实的幅面高度数据进行对比，对初始零件平整度预测模型进行收敛验证，直至零件平整度预测模型预测得到的幅面高度数据最大程度上接近真实的幅面高度数据，大幅提高了模型预测的准确度。通过利用判别器网络与生成器网络形成生成对抗网络，对零件平整度预测模型不断进行优化，使得零件平整度预测模型预测的幅面高度数据更为接近真实的幅面高度数据，提高了模型预测的准确度。
在本实施例中提供了一种零件平整度预测方法，可用于上述的计算机设备，图7是根据本发明实施例的零件平整度预测方法的流程图，如图7所示，该流程包括如下步骤：
步骤S701，获取待测零件的切片数据。
步骤S702，基于切片数据，计算得到待测零件的趋势灰度数据。
步骤S703，将待测零件的趋势灰度数据输入零件平整度预测模型，预测得到待测零件的切片的幅面高度数据。
在本发明实施例中，零件平整度预测模型是利用上述的零件平整度预测模型训练方法训练得到的。
在一示例中，将趋势灰度数据STG(n)输入到生成器网络G中，得到对应的输出的预测幅面高度数据Zp(n)。在有大量数据的情况下，训练出的生成对抗网络可以在没有开始打印的情况下预测得到某一层的翘曲情况。
在本发明中，通过计算得到待测零件的趋势灰度数据并输入训练好的零件平整度预测模型，可以在增材制造过程开始前就完成对零件某一层的翘曲或凹陷预测，并预测得到翘曲凹陷的具体位置、形状、程度，便于后续调整零件制造的过程，降低零件制造失败的风险，进而降低时间及材料的损耗。
在本实施例中还提供了一种零件平整度预测模型训练装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种零件平整度预测模型训练装置，如图8所示，包括：
数据获取模块801，用于获取训练集数据，训练集数据包括零件切片的趋势灰度数据和幅面高度数据，趋势灰度数据为通过零件切片的切片数据计算得到的，幅面高度数据用于表示零件切片的幅面高低起伏信息。详细请参见图1所示实施例的步骤S101，在此不再赘述。
模型训练模块802，用于基于趋势灰度数据和幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，目标零件平整度预测模型用于进行零件平整度预测。详细请参见图1所示实施例的步骤S102，在此不再赘述。
在一些可选的实施方式中，数据获取模块801包括：
切片数据采集单元，用于采集零件样本的切片数据。
切片之差计算单元，用于基于切片数据，计算得到零件样本的当前层切片向下的各相邻两层切片之差的总和。
趋势灰度数据计算单元，用于基于零件样本的当前层切片数据与零件样本的当前层切片向下各相邻两层切片之差的总和，计算零件样本的当前层切片的趋势灰度数据。
在一些可选的实施方式中，趋势灰度数据计算单元包括：
趋势灰度数据计算子单元，用于通过以下公式计算得到趋势灰度数据：
其中，n为零件样本的当前层的层数，k为从零件样本的当前层向下叠加的层数，S(n)为零件样本的切片数据，S(n-i+1)-S(n-i)为零件样本的相邻两层切片之差，STG(n)为零件样本的当前层切片的趋势灰度数据。
在一些可选的实施方式中，模型训练模块802包括：
幅面高度预测单元，用于将趋势灰度数据输入初始零件平整度预测模型，得到预测幅面高度数据。
模型训练单元，用于基于预测幅面高度数据和幅面高度数据，对初始零件平整度预测模型进行收敛验证，得到目标零件平整度预测模型。
在一些可选的实施方式中，初始零件平整度预测模型包括生成器网络和判别器网络。
模型训练单元包括：
模型预测子单元，用于将预测幅面高度数据和幅面高度数据输入判别器网络，得到预测幅面高度数据与幅面高度数据之间的损失函数。
模型训练子单元，用于基于预测幅面高度数据与幅面高度数据之间的损失，对生成器网络进行训练，以使得生成器网络预测得到的预测幅面高度数据与幅面高度数据之间的损失函数降至预设的损失阈值，得到目标零件平整度预测模型。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的零件平整度预测模型训练装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本实施例提供一种零件平整度预测装置，如图9所示，包括：
切片数据获取模块901，用于获取待测零件的切片数据。详细请参见图1所示实施例的步骤S701，在此不再赘述。
趋势灰度数据计算模块902，用于基于切片数据，计算得到待测零件的趋势灰度数据。详细请参见图1所示实施例的步骤S702，在此不再赘述。
幅面高度预测模块903，用于将待测零件的趋势灰度数据输入零件平整度预测模型，预测得到待测零件的切片的幅面高度数据。详细请参见图1所示实施例的步骤S703，在此不再赘述。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的零件平整度预测装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图8所示的零件平整度预测模型训练装置或图9所示的零件平整度预测装置。
请参阅图10，图10是本发明可选实施例提供的一种计算机设备的结构示意图，如图10所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以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、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20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，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种零件平整度预测模型训练方法，其特征在于，所述方法包括：
获取训练集数据，所述训练集数据包括零件切片的趋势灰度数据和幅面高度数据，所述趋势灰度数据为通过所述零件切片的切片数据计算得到的，所述幅面高度数据用于表示所述零件切片的幅面高低起伏信息；
基于所述趋势灰度数据和所述幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，所述目标零件平整度预测模型用于进行零件平整度预测。
2.根据权利要求1所述的方法，其特征在于，通过以下步骤获得所述趋势灰度数据：
采集零件样本的切片数据；
基于所述切片数据，计算得到所述零件样本的当前层切片向下的各相邻两层切片之差的总和；
基于所述零件样本的当前层切片数据与所述零件样本的当前层切片向下各相邻两层切片之差的总和，计算所述零件样本的当前层切片的趋势灰度数据。
3.根据权利要求2所述的方法，其特征在于，通过以下公式计算得到所述趋势灰度数据：
其中，n为所述零件样本的当前层的层数，k为从所述零件样本的当前层向下叠加的层数，S(n)为所述零件样本的切片数据，S(n-i+1)-S(n-i)为所述零件样本的相邻两层切片之差，STG(n)为所述零件样本的当前层切片的趋势灰度数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述趋势灰度数据和所述幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，包括：
将所述趋势灰度数据输入所述初始零件平整度预测模型，得到预测幅面高度数据；
基于所述预测幅面高度数据和所述幅面高度数据，对初始零件平整度预测模型进行收敛验证，得到目标零件平整度预测模型。
5.根据权利要求4所述的方法，其特征在于，所述初始零件平整度预测模型包括生成器网络和判别器网络；
所述基于所述预测幅面高度数据和所述幅面高度数据，对初始零件平整度预测模型进行收敛验证，得到目标零件平整度预测模型，包括：
将所述预测幅面高度数据和所述幅面高度数据输入所述判别器网络，得到所述预测幅面高度数据与所述幅面高度数据之间的损失函数；
基于所述预测幅面高度数据与所述幅面高度数据之间的损失，对所述生成器网络进行训练，以使得所述生成器网络预测得到的所述预测幅面高度数据与所述幅面高度数据之间的损失函数降至预设的损失阈值，得到所述目标零件平整度预测模型。
6.一种零件平整度预测方法，其特征在于，所述方法包括：
获取待测零件的切片数据；
基于所述切片数据，计算得到所述待测零件的趋势灰度数据；
将所述待测零件的趋势灰度数据输入零件平整度预测模型，预测得到所述待测零件的切片的幅面高度数据，其中所述零件平整度预测模型是利用权利要求1-5任意一项所述的零件平整度预测模型训练方法训练得到的。
7.一种零件平整度预测模型训练装置，其特征在于，所述装置包括：
数据获取模块，用于获取训练集数据，所述训练集数据包括零件切片的趋势灰度数据和幅面高度数据，所述趋势灰度数据为通过所述零件切片的切片数据计算得到的，所述幅面高度数据用于表示所述零件切片的幅面高低起伏信息；
模型训练模块，用于基于所述趋势灰度数据和所述幅面高度数据，对初始零件平整度预测模型进行训练，得到目标零件平整度预测模型，所述目标零件平整度预测模型用于进行零件平整度预测。
8.一种零件平整度预测装置，其特征在于，所述装置包括：
切片数据获取模块，用于获取待测零件的切片数据；
趋势灰度数据计算模块，用于基于所述切片数据，计算得到所述待测零件的趋势灰度数据；幅面高度预测模块，用于将所述待测零件的趋势灰度数据输入零件平整度预测模型，预测得到所述待测零件的切片的幅面高度数据，其中所述零件平整度预测模型是利用权利要求7所述的零件平整度预测模型训练装置训练得到的。
9.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至5中任一项所述的零件平整度预测模型训练方法或者执行权利要求6中所述的零件平整度预测方法。
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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至5中任一项所述的零件平整度预测模型训练方法或者执行权利要求6中所述的零件平整度预测方法。
CN202311559335.2A 2023-11-21 2023-11-21 零件平整度预测模型训练方法及零件平整度预测方法 Pending CN117601433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311559335.2A CN117601433A (zh) 2023-11-21 2023-11-21 零件平整度预测模型训练方法及零件平整度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311559335.2A CN117601433A (zh) 2023-11-21 2023-11-21 零件平整度预测模型训练方法及零件平整度预测方法

Publications (1)

Publication Number Publication Date
CN117601433A true CN117601433A (zh) 2024-02-27

Family

ID=89945636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311559335.2A Pending CN117601433A (zh) 2023-11-21 2023-11-21 零件平整度预测模型训练方法及零件平整度预测方法

Country Status (1)

Country Link
CN (1) CN117601433A (zh)

Similar Documents

Publication Publication Date Title
EP3955158B1 (en) Object detection method and apparatus, electronic device, and storage medium
US20200293021A1 (en) Method of optimizing machining simulation condition, machining simulation device, machining simulation system and program
DE102018208191B4 (de) Maschinenlernvorrichtung, Robotersteuersystem und Maschinenlernverfahren
CN109203479B (zh) 用于先进增材制造的系统和方法
CN107848209B (zh) 使用热成像确保增材制造中的一致性的系统和方法
US11150633B2 (en) System and method for automated geometric shape deviation modeling for additive manufacturing
EP3308945A1 (en) Method and system for topographical based inspection and process control for additive manufactured parts
WO2018127827A1 (en) Systems and methods for automatic three-dimensional object printing
US7925109B2 (en) System and method for simplifying a point cloud
CN112446909B (zh) 一种深度图像补全方法及装置、计算机可读存储介质
US11454956B2 (en) Manufacturing support system and method
KR102317464B1 (ko) 인쇄 회로 기판에 실장된 부품을 검사하는 장치, 그 동작 방법 및 컴퓨터 판독 가능한 기록 매체
CN101369313A (zh) 点云噪声点过滤系统及方法
CN108475427B (zh) 对象扫描能力的实时检测
CN116618764B (zh) 一种镜面放电加工机的生产优化方法及系统
US11040493B1 (en) Intuitive creation system for additive manufacturing
Jyeniskhan et al. Integrating machine learning model and digital twin system for additive manufacturing
JP7059889B2 (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
CN117152009A (zh) 隧洞激光点云空洞修补方法、装置、设备及存储介质
CN115720658A (zh) 用于物理零件的3d打印的热量感知工具路径重新排序
CN117601433A (zh) 零件平整度预测模型训练方法及零件平整度预测方法
CN113434932A (zh) Bim模型的碰撞检测方法、装置及电子设备
CN114021744A (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
CN109334009B (zh) 一种铺粉控制方法、设备以及可读存储介质
Terry et al. Active monitoring of powder bed fusion process by training an artificial neural net classifier on layer-by-layer surface laser profilometry data

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