【技术实现步骤摘要】
本专利技术涉及3d打印，具体涉及一种基于slm3d打印制品预测及优化方法及装置。
技术介绍
1、选区激光熔化(slm)是一种典型的金属3d打印技术，可以将金属粉末完全融化并逐层堆积成形，制造出具有复杂形状和高性能的金属零件。slm技术在汽车、医疗、航空航天、模具等领域有着广泛的应用前景。然而，slm3d打印由于材料种类、粉末质量、工艺参数等因素的影响，常常会形成各种缺陷。缺陷的存在会降低打印件的密度、强度、韧性、耐磨性等性能，甚至导致打印件的失效或断裂。
2、传统的解决slm3d打印缺陷的方法主要有以下几种：(1)有损检测。利用光学、电子显微镜等技术，对打印后的零件切割，进行缺陷观察，根据缺陷情况调整工艺。该方法可以直观地观察到缺陷信息。但是，该方法只能事后通过破坏打印件进行检测，造成浪费，而且检测效率低、费用高、分辨率有限、准确度无法保证等。(2)无损检测。利用x射线或超声波等技术，对打印后的零件进行缺陷检测，根据缺陷信息进行修复或报废。该方法可以直观地获取缺陷信息，从而提高检测效率和准确度。但是，该方法只能事后检测，打印失败会造成大量浪费，而且设备昂贵、费用高、检测分辨率有限、检测深度受限等。(3)数值模拟。利用有限元分析、分子动力学、蒙特卡罗模拟等数值模拟技术，对slm打印过程中的温度场、应力场、相变等物理现象进行模拟，从而预测缺陷的位置、形状和大小。该方法可以在打印前进行缺陷预测，从而优化打印参数和扫描策略，减少缺陷产生。但是，该方法只能针对特定条件进行仿真，每次条件变更都要重新模拟，而且建模复杂、计算量大、
3、综上所述，这些预测和解决slm3d打印缺陷的方法均存在明显不足，需要进一步改进和优化。
技术实现思路
1、针对上述问题，本专利技术的一个目的是提供一种基于slm3d打印制品预测及优化方法。
2、本专利技术的第二个目的是提供一种基于slm3d打印制品预测及优化装置。
3、本专利技术所采用的第一个技术方案是：s1、获取slm3d打印数据并构建slm3d打印数据集；s2、利用所述slm3d打印数据集对算法进行训练，得到深度关联模型；s3、更新所述slm3d打印数据集并对所述深度关联模型进行验证和优化；s4、接收任务信息并进行分析，得到分析结果；s5、通过所述分析结果，确认任务属性；s6、根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。
4、可选的，所述s2包括：s21、对所述数据集中的缺陷数据进行识别和标注；s22、对深度学习算法进行训练，得到slm3d打印材料数据和工艺数据与缺陷数据和制品性能数据之间的所述深度关联模型。
5、可选的，所述s5包括：s51、通过所述分析结果判断所述任务属性为a属性或b属性，其中，所述a属性为根据性能优化工艺，所述b属性为根据工艺优化性能，其中，所述根据工艺优化性能包括根据工艺预测性能。
6、可选的，所述s6包括：s61a、若判断所述任务属性为a属性；s62a、根据用户输入的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，生成筛选后工艺数据和筛选后性能数据；s63a、将所述材料数据、所述筛选后工艺数据、所述缺陷数据和所述筛选后性能数据输入所述深度关联模型，生成优化后工艺及优化后工艺条件下的制品性能；s64a、输出所述优化后工艺及优化后工艺条件下的制品性能。
7、可选的，所述s6还包括：s61b、若判断所述任务属性为b属性；s62b、根据所述任务信息中的所述材料数据、所述工艺数据预测制品缺陷和制品性能信息；s63b、将所述材料数据、所述工艺数据输入所述深度关联模型，生成对应的缺陷数据和图像，并给出对应的制品性能；s64b、弹出提示用户是否继续优化；s65b、接收响应信息；s66b、若所述响应信息为需要，则跳转执行s61a；s67b、若所述响应信息为不需要，则结束进程。
8、本专利技术所采用的第二个技术方案是：数据获取模块，获取slm3d打印数据并构建slm3d打印数据集；训练模块，利用所述slm3d打印数据集对算法进行训练，得到深度关联模型；更新模块，更新所述slm3d打印数据集并对所述深度关联模型进行验证和优化；分析模块，接收任务信息并进行分析，得到分析结果；任务属性确认模块，通过所述分析结果，确认任务属性；优化模块，根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。
9、可选的，所述训练模块还包括：检测模块，对所述数据集中的缺陷数据进行识别和标注；训练子模块，对深度学习算法进行训练，得到所述slm3d打印材料数据、所述工艺数据、所述缺陷数据、所述制品性能数据之间的所述深度关联模型。
10、可选的，所述任务属性确认模块还包括：判断模块，通过所述分析结果判断所述任务属性为a属性或b属性，其中，所述a属性为根据性能优化工艺，所述b属性为根据工艺优化性能，其中，所述根据工艺优化性能包括根据工艺预测性能。
11、可选的，所述优化模块还包括：a属性确认模块，若判断所述任务属性为a属性；筛选模块，根据用户输入的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，生成筛选后工艺数据和筛选后性能数据；优化子模块，将所述任务信息中的材料数据、所述筛选后工艺数据、所述缺陷数据和所述筛选后性能数据筛选后性能数据输入所述深度关联模型，模型生成优化后工艺及优化后工艺条件下的制品性能；输出模块，输出所述优化后工艺及优化后工艺条件下的制品性能。
12、可选的，所述优化模块还包括：b属性确认模块，若判断所述任务属性为b属性；预测模块，根据所述任务信息中的所述材料数据、所述工艺数据预测制品缺陷和制品性能信息；缺陷生成模块，将所述材料数据、所述工艺数据输入所述深度关联模型，生成对应的缺陷数据和图像，并给出对应的制品性能；弹窗模块，弹出提示用户是否继续优化；响应模块，接收响应信息；跳转模块，若所述响应信息为需要，则跳转执行a属性确认模块；结束模块，若所述响应信息为不需要，则结束进程。
13、上述技术方案的有益效果：
14、(1)应用效果好，使用深度学习扩充数据库计算，提高准确率，一次应用的缺陷检测准确率和性能优化率就可以达到95％以上，满足高端金属3d打印需求。
15、(2)应用效率高，缺陷检测和性能优化每次所需时间短。
16、(3)材料有效使用率高，经过算法优化，本专利技术的材料有效使用率95-100％。
17、(4)兼容度高，能够灵活适应不同的材料、设计、设备和工艺参数等变化不需要重新评估。
18、(5)对打印进行预测和打印前工艺优化，避免了打印质量的不合格、打印工艺的反复调试及由此造成的巨大浪费，大大提高了效率，降低了成本。
本文档来自技高网...【技术保护点】
1.一种基于SLM3D打印制品预测及优化方法，其特征在于，包括：
2.根据权利要求1所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述S2包括：
3.根据权利要求1所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述S5包括：
4.根据权利要求1所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述S6包括：
5.根据权利要求4所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述S6还包括：
6.一种基于SLM3D打印制品预测及优化装置，其特征在于，包括：
7.根据权利要求6所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述训练模块包括：
8.根据权利要求6所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述任务属性确认模块包括：
9.根据权利要求6所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述优化模块包括：
10.根据权利要求9所述的基于SLM3D打印制品预测及优化方法，其特征在于，所述优化模块还包括：>...
【技术特征摘要】
1.一种基于slm3d打印制品预测及优化方法，其特征在于，包括：
2.根据权利要求1所述的基于slm3d打印制品预测及优化方法，其特征在于，所述s2包括：
3.根据权利要求1所述的基于slm3d打印制品预测及优化方法，其特征在于，所述s5包括：
4.根据权利要求1所述的基于slm3d打印制品预测及优化方法，其特征在于，所述s6包括：
5.根据权利要求4所述的基于slm3d打印制品预测及优化方法，其特征在于，所述s6还包括：
6.一...
【专利技术属性】
技术研发人员：张效迅，
申请(专利权)人：苏州真神器智能科技有限公司，
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。