基于增材制造的工艺数据库构建方法及介质技术

本发明专利技术公开了一种基于增材制造的工艺数据库构建方法及介质，属于增材制造领域，方法包括：S1，实验获取不同工艺参数下增材制造得到的产品的工艺数据，以构建初始工艺数据库；S2，优化训练预置的神经网络模型；S3，当获取到用户的目标工艺数据，且当前的工艺数据库中不存在与其相匹配的案例时，执行S4

【技术实现步骤摘要】
基于增材制造的工艺数据库构建方法及介质


[0001]本专利技术属于领域，更具体地，涉及一种基于增材制造的工艺数据库构建方法及介质。

技术介绍

[0002]增材制造技术是指基于离散
‑
堆积原理，由零件三维数据驱动直接制造零件的技术。目前，增材制造行业处于起步阶段，针对特定成分的合金体系，各个行业大量重复进行基础实验进行工艺寻优，容易造成资源浪费。
[0003]随着信息化的高速发展，越来越多的企业重视信息化管理，实施了许多信息化软件，制造业也更多的使用自动化设备辅助生产，并产生了大量的数据，分别存储于不同的数据库中，共享性差。因此，整个增材制造行业亟需工艺数据库与专家知识库，来降低重复大量实验摸索导致的时间成本和资源成本。

技术实现思路

[0004]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于增材制造的工艺数据库构建方法及介质，其目的在于通过实验得到的数据，构建统计分析数学模型，搭建神经网络模型，得到工艺参数与性能值之间的相互关系，从而实现通过工艺参数预测对应材料的性能值。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种基于增材制造的工艺数据库构建方法，包括：S1，实验获取不同工艺参数下增材制造得到的产品的工艺数据，以实验过程中的工艺参数和工艺数据为案例，构建初始工艺数据库；S2，以实验过程中的工艺参数为输入、工艺数据中的性能数据为标签，优化训练预置的神经网络模型；S3，当获取到用户的目标工艺数据时，确定目标工艺数据中各特征的权重后进行案例匹配，并在当前的工艺数据库中不存在工艺数据与所述目标工艺数据相匹配的案例时，执行S4
‑
S5；S4，利用粒子群算法生成目标工艺参数并输入所述神经网络模型，以得到相应的性能数据估计值，并根据所述性能数据估计值调整粒子群算法中的粒子位置；S5，重复执行所述S4，直至得到的性能数据估计值大于目标工艺数据中的目标性能数据，或者直到重复次数达到设定值，使得用户根据最后一次生成的目标工艺参数进行增材制造。
[0006]更进一步地，所述S5之后还包括：获取用户根据最后一次生成的目标工艺参数进行增材制造得到的产品的实际工艺数据，并在所述实际工艺数据满足用户需求的指标时，将最后一次生成的目标工艺参数和所述实际工艺数据作为案例添加至当前的工艺数据库中。
[0007]更进一步地，工艺数据由多个特征组成，方法还包括：S3
′
，分别计算所述目标工艺数据与各案例的工艺数据之间的第一总相似度，若存在大于相似度阈值的第一总相似度，所述目标工艺数据与最大第一总相似度对应的工艺数据相匹配，否则，执行S3
″
；S3
″
，分别计算所述目标工艺数据中部分特征与各案例的工艺数据中部分特征之间的第二总相似度，
所述部分特征的权重均大于权重阈值，若存在大于所述相似度阈值的第二总相似度，所述目标工艺数据与最大第二总相似度对应的工艺数据相匹配，否则，当前的工艺数据库中不存在工艺数据与所述目标工艺数据相匹配的案例。
[0008]更进一步地，所述第一总相似度和所述第二总相似度分别为：
[0009][0010][0011]其中，s'为所述第一总相似度，s”为所述第二总相似度，σ为设定常数，α
i
、α
j
分别为第i、j个特征的权重，A
i
为目标工艺数据中第i个特征，B
i
为案例的工艺数据中第i个特征，d(A
i
,B
i
)为A
i
、B
i
之间的绝对距离，A
j
为目标工艺数据中第j个特征，B
j
为案例的工艺数据中第j个特征，且A
j
、B
j
的权重大于权重阈值，d(A
j
,B
j
)为A
j
、B
j
之间的绝对距离，n为特征的种类数，m为权重大于权重阈值的特征的种类数，i
max
、i
min
分别为第i个特征最大值、最小值，j
max
、j
min
分别为第j个特征最大值、最小值。
[0012]更进一步地，还包括：为工艺数据库中每个案例设置相同的初始使用次数，并在任一案例的工艺数据与所述目标工艺数据相匹配时，为所述案例的使用次数加一；当工艺数据库中案例的数量超过容量阈值时，剔除使用次数最少的案例直至剩余案例的数量不超过容量阈值。
[0013]更进一步地，所述S4之前还包括：以工艺参数为寻优参数、性能数据为优化目标，采用加权求和法构建多目标优化模型；所述S4中利用粒子群算法生成目标工艺参数包括：以得到所述目标性能数据为目标，利用所述多目标优化模型生成所述目标工艺参数。
[0014]更进一步地，所述性能数据包括致密度、抗拉强度、屈服强度和延伸度四种特征；所述神经网络模型包括四个子神经网络，分别一一对应输出所述性能数据中的各特征。
[0015]更进一步地，所述方法还包括：当获取到新的包含工艺参数和性能数据的实验数据时，利用所述实验数据再次训练当前的神经网络模型；若再次训练后的神经网络模型的拟合优度大于当前的神经网络模型，更新当前的神经网络模型，否则，当前的神经网络模型保持不变。
[0016]更进一步地，所述S1中的实验包括：通过正交实验或一般全因子实验，在全局工艺窗口中初步确定最优工艺窗口；通过响应曲面法实验，在所述最优工艺窗口中确定最优的工艺参数及对应的工艺数据。
[0017]按照本专利技术的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的基于增材制造的工艺数据库构建方法。
[0018]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0019](1)可以通过少量的实验设计产生的工艺参数与工艺数据，构建初始的工艺数据库，构建的工艺数据库可以随时扩充，达到实时优化工艺参数和工艺数据模型的目的；
[0020](2)具体地，通过粒子群算法生成目标性能数据对应的目标工艺参数，通过实验数据训练后的神经网络模型评价粒子群算法生成的工艺参数以调整粒子群算法，从而生成满足用户要求的工艺参数，来对工艺数据库进行扩充，使得模型具有更高的性能预测和工艺
参数推荐能力；
[0021](3)先在全局工艺窗口中初步确定最优工艺窗口，并进行定制化实验设计以确定最优的工艺参数及对应的工艺数据，使得神经网络模型具备更好的拟合能力，从而提高构建的数据库的准确性及实用性。
附图说明
[0022]图1为本专利技术实施例提供的基于增材制造的工艺数据库构建方法的流程图；
[0023]图2为本专利技术实施例提供的基于增材制造的工艺数据库构建方法的实现过程图；
[0024]图3为本专利技术实施例提供的案例特征层次模型的示意图。
具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增材制造的工艺数据库构建方法，其特征在于，包括：S1，实验获取不同工艺参数下增材制造得到的产品的工艺数据，以实验过程中的工艺参数和工艺数据为案例，构建初始工艺数据库；S2，以实验过程中的工艺参数为输入、工艺数据中的性能数据为标签，优化训练预置的神经网络模型；S3，当获取到用户的目标工艺数据时，确定目标工艺数据中各特征的权重后进行案例匹配，并在当前的工艺数据库中不存在工艺数据与所述目标工艺数据相匹配的案例时，执行S4
‑
S5；S4，利用粒子群算法生成目标工艺参数并输入所述神经网络模型，以得到相应的性能数据估计值，并根据所述性能数据估计值调整粒子群算法中的粒子位置；S5，重复执行所述S4，直至得到的性能数据估计值大于目标工艺数据中的目标性能数据，或者直到重复次数达到设定值，使得用户根据最后一次生成的目标工艺参数进行增材制造。2.如权利要求1所述的基于增材制造的工艺数据库构建方法，其特征在于，所述S5之后还包括：获取用户根据最后一次生成的目标工艺参数进行增材制造得到的产品的实际工艺数据，并在所述实际工艺数据满足用户需求的指标时，将最后一次生成的目标工艺参数和所述实际工艺数据作为案例添加至当前的工艺数据库中。3.如权利要求1所述的基于增材制造的工艺数据库构建方法，其特征在于，工艺数据由多个特征组成，方法还包括：S3
′
，分别计算所述目标工艺数据与各案例的工艺数据之间的第一总相似度，若存在大于相似度阈值的第一总相似度，所述目标工艺数据与最大第一总相似度对应的工艺数据相匹配，否则，执行S3
″
；S3
″
，分别计算所述目标工艺数据中部分特征与各案例的工艺数据中部分特征之间的第二总相似度，所述部分特征的权重均大于权重阈值，若存在大于所述相似度阈值的第二总相似度，所述目标工艺数据与最大第二总相似度对应的工艺数据相匹配，否则，当前的工艺数据库中不存在工艺数据与所述目标工艺数据相匹配的案例。4.如权利要求3所述的基于增材制造的工艺数据库构建方法，其特征在于，所述第一总相似度和所述第二总相似度分别为：相似度和所述第二总相似度分别为：其中，s'为所述第一总相似度，s”为所述第二总相似度，σ为设定常数，α
i
、α
j
分别为第i、j个特征的权重，A
i
为目标工艺数据中第i个特征，B
i
为案例的工艺数据中第i个特征，d(A
i
,B
i
)为A
i

【专利技术属性】
技术研发人员：计效园，涂先猛，周文豪，伍缘杰，杨欢庆，陈嘉龙，彭东剑，王云，周建新，
申请(专利权)人：西安航天发动机有限公司，
类型：发明
国别省市：