本申请提出一种基于深度学习的3D打印构件表面粗糙度预测方法和装置，其中，表面粗糙度预测方法包括：获取3D打印机在打印3D打印构件过程中的多维工作参数；对多维工作参数进行预处理，以生成多维工作参数的目标特征信息；根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3D打印构件的表面粗糙度。由此，能够提高3D打印构件表面粗糙度的预测准确度和预测效率。测准确度和预测效率。测准确度和预测效率。
【技术实现步骤摘要】
基于深度学习的3D打印构件表面粗糙度预测方法和装置
[0001]本申请涉及3D打印
，尤其涉及一种基于深度学习的3D打印构件表面粗糙度预测方法和装置。
技术介绍
[0002]3D打印(3DP)即快速成型技术的一种，它是一种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，是一种自下而上的打印方式。
[0003]3D打印通常是采用数字技术材料打印机来实现的。与传统减法制造相比，3D打印可以实现资源高效利用。其中，3D打印构件质量指标主要可以分为外形实现程度：如转角实现，曲面实现等；打印成型精度：如构件总尺寸精度、打印层尺寸精度等；表面纹理质量：如纹理均匀度，表面粗糙度等；力学性能：如材料拉伸强度，层间粘合度等。
[0004]针对表面粗糙度，相关技术中主要采取改变打印的机器参数、改变打印方向、通过STL(Stereo Lithography，立体光刻)文件几何数据等对物件表面粗糙度进行预测。
技术实现思路
[0005]本申请第一方面实施例提出一种基于深度学习的3D打印构件表面粗糙度预测方法，能够提高3D打印构件表面粗糙度的预测准确度和预测效率。
[0006]本申请第二方面实施例提出一种基于深度学习的3D打印构件表面粗糙度预测装置。
[0007]本申请第三方面实施例提出一种电子设备。
[0008]本申请第四方面实施例提出一种计算机可读存储介质。
[0009]本申请第一方面实施例提出了一种基于深度学习的3D打印构件表面粗糙度预测方法，包括：获取3D打印机在打印3D打印构件过程中的多维工作参数；对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息；根据表面粗糙度预测模型对所述目标特征信息进行表面粗糙度预测，以生成所述3D打印构件的表面粗糙度。
[0010]根据本申请实施例的基于深度学习的3D打印构件表面粗糙度预测方法，首先获取3D打印机在打印3D打印构件过程中的多维工作参数，并对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3D打印构件的表面粗糙度。由此，能够提高3D打印构件表面粗糙度的预测准确度和预测效率。
[0011]另外，根据本申请上述实施例的基于深度学习的3D打印构件表面粗糙度预测方法还可以具有如下附加的技术特征：
[0012]在本申请的一个实施例中，所述多维工作参数包括挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度。
[0013]在本申请的一个实施例中，所述获取3D打印机在打印3D打印构件过程中的多维工
作参数，包括：通过设置在所述3D打印机上的多个传感器，获取所述多维工作参数，其中，所述多个传感器包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。
[0014]在本申请的一个实施例中，所述对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息，包括：获取所述3D打印构件的打印开始时间，以及获取所述3D打印构件的打印结束时间；根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数；对所述目标多维工作参数进行转换，以生成待处理目标多维工作参数；基于随机森林算法对所述待处理目标多维工作参数进行特征提取，以生成所述目标特征信息。
[0015]在本申请的一个实施例中，所述根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数，包括：获取所述多维工作参数的获取时间；根据所述打印开始时间、所述打印结束时间和所述获取时间，从所述多维工作参数中确定所述目标多维工作参数。
[0016]在本申请的一个实施例中，所述表面粗糙度预测模型通过以下方式生成：获取样本数据，其中，所述样本数据中包含标定的表面粗糙度；将所述样本数据输入所述表面粗糙度预测模型，以生成预测的表面粗糙度；根据所述预测的表面粗糙度和所述标定的表面粗糙度生成损失值，并根据所述损失值对所述表面粗糙度预测模型进行训练。
[0017]在本申请的一个实施例中，所述表面粗糙度预测模型包括编码器、注意力机制模块和解码器。
[0018]本申请第二方面实施例提出了一种基于深度学习的3D打印构件表面粗糙度预测装置，包括：获取模块，用于获取3D打印机在打印3D打印构件过程中的多维工作参数；预处理模块，用于对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息；预测模块，用于根据表面粗糙度预测模型对所述目标特征信息进行表面粗糙度预测，以生成所述3D打印构件的表面粗糙度。
[0019]本申请实施例的基于深度学习的3D打印构件表面粗糙度预测装置，首先通过获取模块获取3D打印机在打印3D打印构件过程中的多维工作参数，并通过预处理模块对多维工作参数进行预处理，以生成多维工作参数的目标特征信息，以及通过预测模块根据表面粗糙度预测模型对目标特征信息进行表面粗糙度预测，以生成3D打印构件的表面粗糙度。由此，能够提高3D打印构件表面粗糙度的预测准确度和预测效率。
[0020]另外，根据本申请上述实施例的基于深度学习的3D打印构件表面粗糙度预测装置还可以具有如下附加的技术特征：
[0021]在本申请的一个实施例中，所述多维工作参数包括挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度。
[0022]在本申请的一个实施例中，所述获取模块，具体用于：通过设置在所述3D打印机上的多个传感器，获取所述多维工作参数，其中，所述多个传感器包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。
[0023]在本申请的一个实施例中，所述预处理模块，包括：获取单元，用于获取所述3D打印构件的打印开始时间，以及获取所述3D打印构件的打印结束时间；确定单元，用于根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数；转
换单元，用于对所述目标多维工作参数进行转换，以生成待处理目标多维工作参数；特征提取单元，用于基于随机森林算法对所述待处理目标多维工作参数进行特征提取，以生成所述目标特征信息。
[0024]在本申请的一个实施例中，所述确定单元，具体用于：获取所述多维工作参数的获取时间；根据所述打印开始时间、所述打印结束时间和所述获取时间，从所述多维工作参数中确定所述目标多维工作参数。
[0025]在本申请的一个实施例中，所述表面粗糙度预测模型包括编码器、注意力机制模块和解码器。
[0026]在本申请的一个实施例中，上述基于深度学习的3D打印构件表面粗糙度预测装置还包括：模型训练模块，用于获取样本数据，其中，所述样本数据中包含标定的表面粗糙度；将所述样本数据输入所述表面粗糙度预测模型，以生成预测的表面粗糙度；根据所述预测的表面粗糙度和所述标定的表面粗糙度生成损失值，并本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的3D打印构件表面粗糙度预测方法，其特征在于，包括：获取3D打印机在打印3D打印构件过程中的多维工作参数；对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息；根据表面粗糙度预测模型对所述目标特征信息进行表面粗糙度预测，以生成所述3D打印构件的表面粗糙度。2.根据权利要求1所述的方法，其特征在于，其中，所述多维工作参数包括挤出沉积材料的温度、构建板温度、喷头温度、构建板的震动数据、挤出机的震动数据、工作环境气压和工作环境湿度。3.根据权利要求1所述的方法，其特征在于，所述获取3D打印机在打印3D打印构件过程中的多维工作参数，包括：通过设置在所述3D打印机上的多个传感器，获取所述多维工作参数，其中，所述多个传感器包括红外温度传感器，加速度传感器，压力传感器、湿度传感器和热电偶温度传感器。4.根据权利要求2所述的方法，其特征在于，所述对所述多维工作参数进行预处理，以生成所述多维工作参数的目标特征信息，包括：获取所述3D打印构件的打印开始时间，以及获取所述3D打印构件的打印结束时间；根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数；对所述目标多维工作参数进行转换，以生成待处理目标多维工作参数；基于随机森林算法对所述待处理目标多维工作参数进行特征提取，以生成所述目标特征信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述打印开始时间和所述打印结束时间，从所述多维工作参数中确定目标多维工作参数，包括：获取所述多维工作参数的获取时间；根据所述打印开始时间、所述打印结束时间和所述获取时间，从所述多维工作参数中确定所述目标多维工作参数。6.根据权利要求1所述的方法，其特征在于，其中，所述表面粗糙度预测模型通过以下方式生成：获取样本数据，其中，所述样本数据中包含标定的表面粗糙度；将所述样本数据输入所述表面粗糙度预测模型，以生成预测的表面粗糙度；根据所述预测的表面粗糙度和所述标定的表面粗糙度生成损失值，并根据所述损失值对所述表面粗糙度预测模型进行训练。7.根据权利要求1所述的方法，其特征在于，其中，所述表面粗糙度预测模型包括编码器、注意力机制模块和解码器。8.一种基于深度学习的3D打印构件表面粗糙度预测装置，其特征在于，包括：获取模块，用于获取3D打印机在打印3D打印构件过程中的多维工作参数；预处理模块，用于对所述多维工作参数进行预处理，以生成...
【专利技术属性】
技术研发人员：张潇，张梦娜，吴川，李虓宇，周明霞，
申请(专利权)人：徐州医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。