[go: up one dir, main page]

CN111832610A - 一种3d打印组织预测的方法、系统、介质以及终端设备 - Google Patents

一种3d打印组织预测的方法、系统、介质以及终端设备 Download PDF

Info

Publication number
CN111832610A
CN111832610A CN202010485985.7A CN202010485985A CN111832610A CN 111832610 A CN111832610 A CN 111832610A CN 202010485985 A CN202010485985 A CN 202010485985A CN 111832610 A CN111832610 A CN 111832610A
Authority
CN
China
Prior art keywords
prediction
learning model
tissue
process parameters
deep learning
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
CN202010485985.7A
Other languages
English (en)
Inventor
隋少春
荣鹏
王大为
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group 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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202010485985.7A priority Critical patent/CN111832610A/zh
Publication of CN111832610A publication Critical patent/CN111832610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Materials Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于3D打印组织预测技术领域，具体公开了一种3D打印组织预测的方法、系统、介质以及终端设备，其方法具体为：具体包括以下步骤：获取工艺参数；构建深度学习模型；将工艺参数代入预先构建的深度学习模型中，得到预测结果。本发明的有益效果是：本发明能够有效地进行3D打印组织预测，预测精度高，不依赖与计算的计算精度。

Description

一种3D打印组织预测的方法、系统、介质以及终端设备
技术领域
本发明涉及3D打印技术领域，具体的说，是一种3D打印组织预测的方法、系统、介质以及终端设备。
背景技术
上世纪八十年代，3D打印技术诞生了，并不仅限于传统的“去除”加工方法，而且3D打印是一种自下而上的制造方式，也称为增材制造技术，其实现了数学模型的建立。3D打印技术自诞生之日起就受到人们的广泛关注，因此获得了快速发展。近几十年来，3D打印技术已成为人们关注的焦点。工业设计，建筑，汽车，航空航天，牙科，教育领域等都被应用，但是其应用和开发仍然受到因素的限制。除了仪器设备和印刷程序参数外，制件的外形检测也是影响3D打印产品质量的关键因素。
但目前，3D打印的组织及残余的模拟计算基于计算机的一次计算完成，具体方法是：
1、根据所使用的工艺换算热输入量；
2、单位离散化数据模型，基于STL数模划分计算单元；
3、设置个单位边界条件；
4、选择合适的计算模型，如高斯热模型、笛卡尔模型等；
5、进行模拟计算。
这种模拟方式的结果往往依赖于计算模型的精确度，但遗憾的是，目前尚无一个标准的计算模型可以完全解释3D打印完整的热过程，组织预测往也是进行了粗略估计。
发明内容
本发明的目的在于提供一种新的3D打印组织预测的方法、系统、介质以及终端设备，组织预测精度高。
本发明通过下述技术方案实现：
一种3D打印组织预测的方法，具体包括以下步骤：
获取工艺参数；
构建深度学习模型；
将工艺参数代入预先构建的深度学习模型中，得到预测结果。
进一步地，为了更好的实现本发明，所述构建深度学习模型具体包括：
获取训练参数样本集；所述训练参数为典型工艺参数下对应的组织模块的典型形貌；
根据腐蚀度进行特征提取，所述特征包括分布特征、纹理特征、形貌特征中的一种或多种；
将特征输入至机器学习模型，并对所述机器学习模型进行训练，得到深度学习模型。
进一步地，为了更好的实现本发明，所述将工艺参数代入预先构建的深度学习模型中，得到处理结果具体是指：
提取工艺参数中的特征，将所提取的特征向量化；
对于训练样本集中所有样本的特征向量进行加权求和，得到组织预测向量；
对组织预测向量进行聚类，让组织预测向量的距离或相似度上相近的组织预测向量聚集；
从织预测向量的聚类中心抽取图片，判断其组织，该组织该聚类所有图片的组织。
一种3D打印组织预测系统，包括：
训练数据获取模块：用于获取工艺参数；
预测处理模块：用于将提取的工艺参数进行特征，将特征输入至预先构建的深度学习模型，得到预测结果；
输出模块：用于预测结果的输出。
一种终端设备，包括存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现上述的方法。
一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用时，执行上述的方法。
本发明与现有技术相比，具有以下优点及有益效果：
本发明能够精确的预测3D打印组织。
附图说明
图1为本发明中实施例3的聚类中心的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
本发明通过下述技术方案实现，一种3D打印组织预测的方法，具体包括以下步骤：
获取工艺参数；
构建深度学习模型；
将工艺参数代入预先构建的深度学习模型中，得到预测结果。
实施例2：
本实施例在上述实施例的基础上做进一步优化，进一步地，为了更好的实现本发明，所述构建深度学习模型具体包括：
获取训练参数样本集；所述训练参数为典型工艺参数下对应的组织模块的典型形貌；
根据腐蚀度进行特征提取，所述特征包括分布特征、纹理特征、形貌特征中的一种或多种；
将特征输入至机器学习模型，并对所述机器学习模型进行训练，得到深度学习模型。
需要说明的是，通过上述改进，训练学习的要素为各典型工艺参数下对应的组织模块的典型形貌，如魏氏体、马氏体、奥氏体等典型形貌，计算机可以将这些图像根据腐蚀灰度进行特征提取，特征的提取也可以包括颜色分布特征、纹理特征、形貌特征等，或其任意组合。
将以上提取的特征向量化，得到各个特征的向量，例如，可以相对应地得到颜色分布特征向量、纹理特征向量、形貌特征向量等。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例3：
本实施例在上述实施例的基础上做进一步优化，进一步地，为了更好的实现本发明，所述将工艺参数代入预先构建的深度学习模型中，得到处理结果具体是指：
提取工艺参数中的特征，将所提取的特征向量化；
对于训练样本集中所有样本的特征向量进行加权求和，得到组织预测向量；
对组织预测向量进行聚类，让组织预测向量的距离或相似度上相近的组织预测向量聚集；
从织预测向量的聚类中心抽取图片，判断其组织，该组织该聚类所有图片的组织。
需要说明的是，通过上述改进，
下面以纹理特征向量和形貌特征向量为例，说明向量获取后如何实现基于组织图片实现组织判定：
A)给定一个相似度阈值，对训练样本集中所有样本的纹理特征向量a和形貌特征向量b进行加权求和，获得样本的组织预测向量c。例如，c=k1*a+k2*b；其中K为可调系数。
B)对组织预测向量进行聚类，让在距离上相近的组织预测向量聚集在一起，其中，这一步骤的输入是样本集中所有组织预测向量集合，输出是组织预测向量的聚类；
C)从组织预测向量的聚类的聚类中心中抽出“代表性”图片，对这个句子进行判定，判定其组织，并用此组织代表这个聚类所有图片的组织。
图1所示，为一些计算后得到的聚类中心；在一些方案中，聚类的中心也可以由人为进行设置，及人为设置聚类中心，避免聚类中心没有意义。
根据特征向量距离各个聚类中心的远近判断组织的类型，例如，马氏体的聚类中心为（0,0），奥氏体聚类中心为（100,100），魏氏体聚类中心为（100,0），图M在向量空间中的位置为（50,50），则其与马氏体的聚类中心，奥氏体聚类中心，魏氏体聚类中心的距离均为72，此时系统会基于此距离判定各组织均含有33%。
又例如，某一向量在向量空间中的位置为（99,1），其与马氏体的聚类中心，奥氏体聚类中心，魏氏体聚类中心的距离分别为99.3,99.3,1.4；
对距离进行归一化表示，s1=s2=0.4965，s3=1.4/（99.3+99.3+1.4）=0.007；
其分别具有的质量分数为：
马氏体含量w1=log0.1S1/(log0.1S1+log0.1S2+log0.1S3)=11%；
奥氏体含量w2=log0.1S2/(log0.1S1+log0.1S2+log0.1S3)=11%；
魏氏体含量w3=log0.1S3/(log0.1S1+log0.1S2+log0.1S3)=78%；
从以上质量分数，则可得组织所属的典型形貌。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例4：
本实施例在上述实施例的基础上做进一步优化，一种3D打印组织预测系统，包括：
训练数据获取模块：用于获取工艺参数；
预测处理模块：用于将提取的工艺参数进行特征，将特征输入至预先构建的深度学习模型，得到预测结果；
输出模块：用于预测结果的输出。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例5：
本实施例在上述实施例的基础上做进一步优化，一种终端设备，包括存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令实施例1、实施例2、实施例3的方法。
需要说明的是，通过上述改进，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，ReadOnlyMemory）。易失性存储器可以是随机存取存储器（RAM，RandomAccessMemory）。
本申请实施例描述的存储器旨在包括任意适合类型的存储器。
存储器能够存储数据以支持操作。这些数据的示例包括：用于任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
可执行指令可以但不一定对应于文件系统中的文件，可以被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，HyperTextMarkupLanguage）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
处理器可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（DSP，DigitalSignalProcessor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
本实施例的其他部分与上述实施例相同，故不再赘述。
实施例6：
本实施例在上述实施例的基础上做进一步优化，一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用时，执行实施例1、实施例2、实施例3的方法。
需要说明的是，通过上述改进，存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
计算机可读存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质具有执行上述方法中的任何方法步骤的程序代码的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码可以例如以适当形式进行压缩。
本实施例的其他部分与上述实施例相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (6)

1.一种3D打印组织预测的方法，其特征在于：具体包括以下步骤：
获取工艺参数；
构建深度学习模型；
将工艺参数代入预先构建的深度学习模型中，得到预测结果。
2.根据权利要求1所述的一种3D打印组织预测的方法，其特征在于：所述构建深度学习模型具体包括：
获取训练参数样本集；所述训练参数为典型工艺参数下对应的组织模块的典型形貌；
根据腐蚀度进行特征提取，所述特征包括分布特征、纹理特征、形貌特征中的一种或多种；
将特征输入至机器学习模型，并对所述机器学习模型进行训练，得到深度学习模型。
3.根据权利要求2所述的一种3D打印组织预测的方法，其特征在于：所述将工艺参数代入预先构建的深度学习模型中，得到处理结果具体是指：
提取工艺参数中的特征，将所提取的特征向量化；
对于训练样本集中所有样本的特征向量进行加权求和，得到组织预测向量；
对组织预测向量进行聚类，让组织预测向量的距离或相似度上相近的组织预测向量聚集；
从织预测向量的聚类中心抽取图片，判断其组织，该组织该聚类所有图片的组织。
4.一种3D打印组织预测系统，其特征在于：包括
训练数据获取模块：用于获取工艺参数；
预测处理模块：用于将提取的工艺参数进行特征，将特征输入至预先构建的深度学习模型，得到预测结果；
输出模块：用于预测结果的输出。
5.一种终端设备，其特征在于：包括存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至3任一项所述的方法。
6.一种计算机可读取存储介质，其特征在于：所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至3任一项所述的方法。
CN202010485985.7A 2020-06-01 2020-06-01 一种3d打印组织预测的方法、系统、介质以及终端设备 Pending CN111832610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010485985.7A CN111832610A (zh) 2020-06-01 2020-06-01 一种3d打印组织预测的方法、系统、介质以及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010485985.7A CN111832610A (zh) 2020-06-01 2020-06-01 一种3d打印组织预测的方法、系统、介质以及终端设备

Publications (1)

Publication Number Publication Date
CN111832610A true CN111832610A (zh) 2020-10-27

Family

ID=72897529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010485985.7A Pending CN111832610A (zh) 2020-06-01 2020-06-01 一种3d打印组织预测的方法、系统、介质以及终端设备

Country Status (1)

Country Link
CN (1) CN111832610A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022161000A1 (zh) * 2021-01-29 2022-08-04 苏州奇流信息科技有限公司 机器学习模型的训练方法、训练装置、评价系统
CN115223267A (zh) * 2022-07-18 2022-10-21 徐州医科大学 基于深度学习的3d打印构件表面粗糙度预测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005114338A1 (en) * 2004-05-20 2005-12-01 Mcmaster University Method for controlling the appearance of products and process performance by image analysis
US20130236085A1 (en) * 2012-03-12 2013-09-12 Kla-Tencor Corporation Systems and Methods of Advanced Site-Based Nanotopography for Wafer Surface Metrology
US20180322234A1 (en) * 2017-05-08 2018-11-08 Globalfoundries Inc. Prediction of process-sensitive geometries with machine learning
CN108897972A (zh) * 2018-07-20 2018-11-27 辽宁石油化工大学 一种电渣重熔铸锭凝固微观组织的预测方法
CN113240096A (zh) * 2021-06-07 2021-08-10 北京理工大学 基于粗糙集和神经网络的铸造气缸盖微组织预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005114338A1 (en) * 2004-05-20 2005-12-01 Mcmaster University Method for controlling the appearance of products and process performance by image analysis
US20130236085A1 (en) * 2012-03-12 2013-09-12 Kla-Tencor Corporation Systems and Methods of Advanced Site-Based Nanotopography for Wafer Surface Metrology
US20180322234A1 (en) * 2017-05-08 2018-11-08 Globalfoundries Inc. Prediction of process-sensitive geometries with machine learning
CN108897972A (zh) * 2018-07-20 2018-11-27 辽宁石油化工大学 一种电渣重熔铸锭凝固微观组织的预测方法
CN113240096A (zh) * 2021-06-07 2021-08-10 北京理工大学 基于粗糙集和神经网络的铸造气缸盖微组织预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金泉林: "热锻过程宏观变形与微观组织预测的理论与技术", 《2004年中国材料研讨会论文摘要集》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022161000A1 (zh) * 2021-01-29 2022-08-04 苏州奇流信息科技有限公司 机器学习模型的训练方法、训练装置、评价系统
CN115223267A (zh) * 2022-07-18 2022-10-21 徐州医科大学 基于深度学习的3d打印构件表面粗糙度预测方法和装置
CN115223267B (zh) * 2022-07-18 2024-11-26 徐州医科大学 基于深度学习的3d打印构件表面粗糙度预测方法和装置

Similar Documents

Publication Publication Date Title
CN113177630B (zh) 一种针对深度学习模型的数据记忆消除方法和装置
CN111428448B (zh) 文本生成方法、装置、计算机设备及可读存储介质
CN110362814B (zh) 一种基于改进损失函数的命名实体识别方法及装置
CN114064974B (zh) 信息处理方法、装置、电子设备、存储介质及程序产品
CN112529888A (zh) 基于深度学习的人脸图像评估方法、装置、设备及介质
CN118409966B (zh) 基于代码语义一致性的深度学习框架差分测试方法和系统
CN114155244A (zh) 缺陷检测方法、装置、设备及存储介质
CN117573841B (zh) 基于大语言模型的知识引导问答方法和装置
CN117541683A (zh) 图像生成方法、装置、设备及计算机可读存储介质
CN116841893A (zh) 基于改进的GPT2的Robot Framework框架测试用例自动生成方法及系统
CN115238805B (zh) 异常数据识别模型的训练方法及相关设备
CN118644683A (zh) 数据处理方法、装置、设备及可读存储介质
CN118536119B (zh) 智能合约的漏洞检测方法、装置、设备及介质
CN111832610A (zh) 一种3d打印组织预测的方法、系统、介质以及终端设备
JP7507172B2 (ja) 情報処理方法、情報処理システム及び情報処理装置
CN116227573B (zh) 分割模型训练方法、图像分割方法、装置及相关介质
CN110490056A (zh) 对包含算式的图像进行处理的方法和装置
CN117611821A (zh) 一种实例分割方法、装置、系统及存储介质
CN109710224A (zh) 页面处理方法、装置、设备及存储介质
CN116362301A (zh) 一种模型的量化方法以及相关设备
CN110852102B (zh) 一种中文的词性标注方法、装置、存储介质及电子设备
CN118520925B (zh) 基于去偏域抽象的预训练模型微调方法、装置和设备
CN120541371A (zh) 一种基于时序结构保持的工业负荷预测方法、设备及介质
CN120198642A (zh) 基于lcs和低秩cp重构注意力的sim卡识别方法
CN114969330B (zh) 基于长文本的聚类方法与系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201027

RJ01 Rejection of invention patent application after publication