一种FDM型3D打印非线性动力学分析方法技术

本发明专利技术公开了一种FDM型3D打印非线性动力学分析方法，包括如下步骤分别获取3D打印在正常打印、喷头堵塞、打印分层和零件拉丝四种情况下的振动信号；对所捕捉到的振动信号进行预处理，对预处理后的振动信号进行小波包分解，取分解后的第三层到第五层时间子序列；根据分解后的小波子序列嵌入维数M和时间延迟参数τ计算出相应的递归图；根据递归图提取六种特征值；构建分类模型，并对不同打印情况进行预测分类，将实际情况与分类模型预测情况进行混淆矩阵的构建，通过对混淆矩阵进行计算得出评价指标，来对分类模型进行评估验证。本发明专利技术具有高准确率能够识别不同打印情况模型，并且能够对未来的打印情况作出预判，从而提高了工件打印质量。印质量。印质量。

【技术实现步骤摘要】
一种FDM型3D打印非线性动力学分析方法


[0001]本专利技术涉及非线性动力学领域，尤其涉及一种FDM型3D打印非线性动力学分析方法。

技术介绍

[0002]熔融沉积成型(Fused Deposition Modeling，FDM)是一种增材制造(Additive Manufacturing)工艺，其具有结构简单，易于操作和成本低等优点，目前已经在众多增材制造领域中成为最流行、应用最广泛的技术之一。
[0003]但是熔融沉积成型加工过程中的稳定性，产品质量仍不能较好的满足工业应用的需求，进而限制了FDM增材制造产品应用场景的进一步拓展，需要研究相应的监测技术来实现对FDM零件打印过程中异常打印工况或典型产品缺陷的实行识别和预防。对现有的专利及文献进行检索后研究发现，目前国内对于FDM型3D打印在非线性动力学方向的研究较少，无法对打印过程中不同情况进行监测和预测。
[0004]因此，亟待解决上述问题。

技术实现思路

[0005]专利技术目的：本专利技术的目的提供一种FDM型3D打印非线性动力学分析方法，该方法能够识别不同的打印情况，并对可能发生的情况进行一定程度的预测，从而保证产品打印质量。
[0006]技术方案：为实现以上目的，本专利技术公开了一种FDM型3D打印非线性动力学分析方法，包括如下步骤：
[0007](1)分别获取3D打印在正常打印、喷头堵塞、打印分层和零件拉丝四种情况下的振动信号；
[0008](2)对所捕捉到的振动信号进行预处理，
[0009](3)对预处理后的振动信号进行小波包分解，取分解后的第三层到第五层时间子序列；
[0010](4)根据步骤(3)中分解后的小波子序列嵌入维数M和时间延迟参数τ计算出相应的递归图；
[0011](5)根据递归图提取小波子序列中的六种特征值；
[0012](6)构建分类模型，并对不同打印情况进行预测分类，将实际情况与分类模型预测情况进行混淆矩阵的构建，通过对混淆矩阵进行计算得出敏感度、特异度和正确率三个评价指标，来对分类模型进行评估验证。
[0013]其中，步骤(1)具体步骤包括：搭建3D打印振动信号监测平台，使用3个加速度传感器分别置于打印机的送丝电机、X导轨轴和成型底板处，分别获取正常打印、喷头堵塞、打印分层和零件拉丝四种情况下的振动信号；其中3D打印振动监测平台包括DAQ系统、FDM型3D打印机、传感器和PC端。
[0014]优选的，步骤(2)中进行预处理的具体步骤包括：进行平滑处理和修正，即对原数据作比例系数和加或减偏置值。
[0015]再者，步骤(3)的具体步骤包括：小波包分解将较长的时间序列分解为相对较短的时间子序列，设{h
n
}为低通滤波器，{g
n
}为高通滤波器，其中g
n
＝(
‑
1)
n
h1‑
n
，φ(t)为尺度函数，Ψ(t)为小波函数所以满足以下两尺度方程和小波方程：
[0016][0017]令
[0018][0019]所以小波包的定义可以利用
[0020][0021]其中k为时间序列的某一点，Z为整数集，t为时间，μ0(t)为第0个尺度函数，μ1(t)为第1个小波函数，μ
2n
(t)为第偶数个尺度函数，μ
2n+1
(t)为第奇数个小波函数。
[0022]进一步，步骤(4)中的递归图计算步骤如下：对于时间序列X＝{x1,x2,
…
,x
N
}
T
，求递归图首先是利用嵌入维数M和时间延迟参数τ进行相空间重构，从而得到可以描述相空间状态的状态矢量：
[0023]x(i)＝(x
i
,x
i+τ
,
…
,x
i+τ(M
‑
1)
),i＝1,
…
,N
‑
τ(M
‑
1)
[0024]其中N为时间序列长度；
[0025]求状态空间中每个状态x(i)到所有其他状态的距离例如：
[0026]URP
i,j
：＝‖x(i)
‑
x(j)‖
[0027]其中‖
·
‖为欧几里得范数，URP
i,j
为无阈值下的二维递归矩阵；
[0028]选取合适的阈值ε，求两时刻的递归状态值：
[0029]RP
i,j
：＝Θ(ε
‑
‖x(i)
‑
x(j)‖)
[0030]其中Θ(x)为Heavside函数，RP
i,j
为有阈值下的二维递归矩阵，即
[0031][0032]优选的，步骤(5)中的六种特征值为递归率、确定性、最大对角线长度、熵、层流性和捕获时间，共提取个特征。
[0033]再者，步骤(5)中递归率表示了递归图中递归点的密度，计算公式如下：
[0034][0035]其中N表示递归图的大小；
[0036]确定性是指构成对角线的递归点的百分比，计算公式如下：
[0037][0038]其中l为对角线长度，p(l)为长度为l的对角线的频率分布。
[0039]进一步，步骤(5)中最大对角线长度表示递归图中平行于主对角线的所有线段中最长的那条的长度，计算公式如下：
[0040][0041]熵表示Shannon信息熵为概率分布对角线长度p(l)，计算公式如下：
[0042][0043]其中表示对角线的总数。
[0044]优选的，步骤(5)中层流性表示构成垂直线的递归点的百分比，计算公式如下：
[0045][0046]捕获时间表示垂直结构的平均长度，计算公式如下：
[0047][0048]其中v表示垂直线段的长度，p(v)表示垂直线段的概率分布。
[0049]再者，步骤(6)中分类模型采用基于人工神经网络算法的ANN分类模型进行分类，并通过K折交叉验证方法对ANN分类模型进行验证；
[0050]ANN分类模型包括输入层、隐藏层和输出层组成，输入层选取为步骤(5)中336个特征值，每个隐藏层使用sigmoid函数和tanh函数作为激活函数，经过若干个隐藏层后，输出层为经过选取后的特征值；每种打印情况输出的特征值在数值区间上不同；
[0051]其中sigmoid函数表达式为：
[0052]其中x为输入的特征值，f(x)为下一层的输入，e为自然对数，
[0053]tanh函数表达式为：
[0054]其中x为输入的特征值，h(x)为下一层的输入，e为自然对数；
[0055]K折交叉验证方法将步骤(1)中数据划分为2到10份，其中1到9份作为训练集，剩余的1份数据作为验证集，每训练并验证一次，计算得到九个性能统计量，即总体正确率确率；打本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种FDM型3D打印非线性动力学分析方法，其特征在于，包括如下步骤：(1)分别获取3D打印在正常打印、喷头堵塞、打印分层和零件拉丝四种情况下的振动信号；(2)对所捕捉到的振动信号进行预处理，(3)对预处理后的振动信号进行小波包分解，取分解后的第三层到第五层时间子序列；(4)根据步骤(3)中分解后的小波子序列嵌入维数M和时间延迟参数τ计算出相应的递归图；(5)根据递归图提取小波子序列中的六种特征值；(6)构建分类模型，并对不同打印情况进行预测分类，将实际情况与分类模型预测情况进行混淆矩阵的构建，通过对混淆矩阵进行计算得出敏感度、特异度和正确率三个评价指标，来对分类模型进行评估验证。2.根据权利要求1所述的一种FDM型3D打印非线性动力学分析方法，其特征在于，所述步骤(1)具体步骤包括：搭建3D打印振动信号监测平台，使用3个加速度传感器分别置于打印机的送丝电机、X导轨轴和成型底板处，分别获取正常打印、喷头堵塞、打印分层和零件拉丝四种情况下的振动信号；其中3D打印振动监测平台包括DAQ系统、FDM型3D打印机、传感器和PC端。3.根据权利要求2所述的一种FDM型3D打印非线性动力学分析方法，其特征在于，所述步骤(2)中进行预处理的具体步骤包括：进行平滑处理和修正，即对原数据作比例系数和加或减偏置值。4.根据权利要求3所述的一种FDM型3D打印非线性动力学分析方法，其特征在于，所述步骤(3)的具体步骤包括：小波包分解将较长的时间序列分解为相对较短的时间子序列，设{h
n
}为低通滤波器，{g
n
}为高通滤波器，其中g
n
＝(
‑
1)
n
h1‑
n
，φ(t)为尺度函数，Ψ(t)为小波函数所以满足以下两尺度方程和小波方程：令所以小波包的定义可以利用其中k为时间序列的某一点，Z为整数集，t为时间，μ0(t)为第0个尺度函数，μ1(t)为第1个小波函数，μ
2n
(t)为第偶数个尺度函数，μ
2n+1
(t)为第奇数个小波函数。5.根据权利要求4所述的一种FDM型3D打印非线性动力学分析方法，其特征在于，所述
步骤(4)中的递归图计算步骤如下：对于时间序列X＝{x1,x2,
…
,x
N
}
T
，求递归图首先是利用嵌入维数M和时间延迟参数τ进行相空间重构，从而得到可以描述相空间状态的状态矢量：x(i)＝(x
i
,x
i+τ
,
…
,x
i+τ(M
‑
1)
),i＝1,
…
,N
‑
τ(M
‑
1)其中N为时间序列长...

【专利技术属性】
技术研发人员：张思，毕俊，黄伟铭，陈赟，白永健，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：