【技術實現步驟摘要】
本專利技術涉及3d打印，具體涉及一種ai驅動的光固化3d打印故障預測方法。
技術介紹
1、光固化3d打印技術，也稱為立體光刻（sla）或數字光處理（dlp）技術，是一種基于光敏樹脂固化的增材制造技術。其基本原理是利用光源（如激光或投影儀）照射光敏樹脂，通過光固化反應使樹脂逐層固化，從而逐步構建出三維物體。這種技術因其高精度和表面光滑度被廣泛應用于工業制造、醫療、珠寶、建筑等領域。
2、而在光固化3d打印中經常會出現層間粘接不良、尺寸偏差或表面缺陷等問題，導致打印質量不穩定。目前主要是通過調整打印參數（如光源強度、打印速度、層厚度等）來改善打印質量。然而，這需要依賴于用戶的經驗和反復試驗，且難以應對動態變化的打印條件。而當前的光固化3d打印方法側重于打印后的修復或參數調整，對實時監測和故障預測的研究較少。由于光固化3d打印過程中的多變量和復雜性，現有技術難以實現全面、準確的故障預測和即時調整。
3、因此，亟需開發一種能夠實時監測和預測故障的光固化3d打印故障預測方法，以提高光固化3d打印的穩定性和可靠性。
技術實現思路
1、有鑒于此，本專利技術提出了一種ai驅動的光固化3d打印故障預測方法，通過實時監測和分析打印過程中的關鍵參數，預測潛在故障并在出現異常時進行自動調整，并通過構建和應用故障預測模型，對光固化3d打印過程中的溫度、光強、材料流動等關鍵參數進行實時分析。系統能夠在打印開始前預測潛在的故障，并在打印過程中監測關鍵指標。對于檢測到的異常情況，系統會自動
2、本專利技術采用以下技術方案實現：
3、第一方面，本專利技術提供了一種ai驅動的光固化3d打印故障預測方法，該方法包括以下步驟：
4、基于光固化3d打印設備上安裝的傳感器實時采集打印參數，并通過數據處理模塊對采集的打印參數進行數據預處理，消除噪聲和異常值；
5、從預處理后的數據中提取光固化3d打印的多維特征，并進行時序特征和空間特征分析，得到光固化3d打印的高維特征向量；
6、根據收集的歷史打印數據標注為正常數據樣本和故障數據樣本，結合高維特征向量對構建的故障預測模型訓練和優化；
7、基于訓練的故障預測模型對實時采集的打印參數進行檢測，將得到的預測結果與預設的預警閾值比較，若超出閾值，則根據故障分級結果發出預警。
8、作為本專利技術的進一步方案，所述光固化3d打印設備上安裝有樹脂槽溫度傳感器、光源強度傳感器、振動傳感器、位置傳感器以及電流傳感器，分別用于采集光固化3d打印時的打印參數：樹脂溫度、紫外光強度、振動頻率、振動幅度、z軸高度。
9、作為本專利技術的進一步方案，對采集的打印參數進行數據預處理時，將采集的打印參數進行移動平均處理，確定移動平均的窗口大小；根據數據的采樣頻率和設置的平滑程度對每個時間點的打印參數進行計算該時間前及前后移動窗口的平均值；得到平滑時間序列數據，平滑樹脂溫度、紫外光強度、平均設定段時間內的振動數據和z軸高度的位置信號。
10、作為本專利技術的進一步方案，對采集的打印參數進行數據預處理時，還包括對平滑時間序列數據通過中值濾波消除尖峰噪聲，通過確定中值濾波的窗口大小，對每個時間點及前后移動窗口的數據取中值，去除樹脂溫度中突發的異常值、濾除異常振動峰值以及去除偶發的電流尖峰。
11、作為本專利技術的進一步方案，對采集的打印參數進行數據預處理時，還包括識別和處理中值濾波后數據中的異常值，通過計算每個傳感器對應數據的均值和標準差，將樹脂溫度、紫外光強度、振動頻率與振動幅度、z軸高度進行z-score標準化處理，得到預處理后的數據。
12、作為本專利技術的進一步方案，提取光固化3d打印的多維特征時，將預處理后的數據中的平滑時間序列數據按照時間序列分段，計算每個時間段內各傳感器數據的時序特征，提取的時序特征包括平均值、標準差、捕捉的每個時間段內極值變化的最大值和最小值，以及獲取數據形態分布的偏度和峰度；將時間序列數據轉換到頻域，提取空間特征，空間特征包括通過傅里葉變換提取數據的頻域特征以及在同頻率上的功率譜密度。
13、作為本專利技術的進一步方案，所述ai驅動的光固化3d打印故障預測方法還包括基于圖神經網絡進行空間特征提取，包括以下步驟：
14、采集光固化3d打印的傳感器數據和光固化3d打印設備的物理結構數據；
15、將光固化3d打印機的物理結構建模為圖，節點代表傳感器，邊代表數據流；
16、將傳感器數據映射到所屬圖節點上，形成節點特征向量，其中，每個節點的特征向量包含該節點所采集的多維數據；
17、基于圖卷積網絡作為圖神經網絡架構，構建圖神經網絡模型，其中，定義的輸入層接收節點特征，隱藏層進行特征聚合、變換，輸出層生成最終特征表示；
18、將預處理后的圖數據劃分為訓練集、驗證集和測試集，使用訓練集對圖神經網絡模型進行訓練，應用訓練好的圖神經網絡模型對測試集圖數據進行驗證，提取各節點的高維特征向量；
19、將提取的空間特征與時序特征和頻域特征進行融合，形成綜合特征向量，使用融合后的綜合特征向量訓練故障預測模型。
20、作為本專利技術的進一步方案，進行時序特征和空間特征分析，得到光固化3d打印的高維特征向量，包括以下步驟：將不同傳感器的數據按時間戳對齊，將提取的時序特征和空間特征進行特征拼接成一個高維特征向量。
21、作為本專利技術的進一步方案，構建的故障預測模型訓練和優化時，包括以下步驟：
22、收集光固化3d打印過程中產生的歷史打印數據，包括溫度、紫外光強度、振動頻率、振動幅度和z軸高度；
23、按照時間段內數據是否異常或故障將歷史打印數據劃分為正常數據樣本和故障數據樣本，并按比例隨機劃分為訓練集和測試集
24、使用訓練集中的高維特征向量和對應的正常或故障的標簽對選定的模型進行訓練，并調整模型的超參數，通過測試集進行交叉驗證，得到訓練和優化后的故障預測模型。
25、第二方面，本專利技術還包括一種計算機設備，包括：至少一個處理器，以及與所述至少一個處理器通信連接的存儲器，其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器執行所述的ai驅動的光固化3d打印故障預測方法。
26、第三方面，本專利技術還包括一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使所述計算機執行所述的ai驅動的光固化3d打印故障預測方法。
27、與現有技術相比，本專利技術提供的ai驅動的光固化3d打印故障預測方法，通過實時數據采集、全面的特征提取和先進的機器學習模型，實現對3d打印過程中的故障預測和預警，具有以下有益效果：
28、1.提高了打印質量和成功率，實現了實時監控和動態調整。
29、本專利技術的光固化3d打印故障預測本文檔來自技高網...
【技術保護點】
1.一種AI驅動的光固化3D打印故障預測方法，其特征在于，該方法包括以下步驟：
2.如權利要求1所述的AI驅動的光固化3D打印故障預測方法，其特征在于，所述光固化3D打印設備上安裝有樹脂槽溫度傳感器、光源強度傳感器、振動傳感器、位置傳感器以及電流傳感器，分別用于采集光固化3D打印時的打印參數：樹脂溫度、紫外光強度、振動頻率、振動幅度、Z軸高度。
3.如權利要求2所述的AI驅動的光固化3D打印故障預測方法，其特征在于，對采集的打印參數進行數據預處理時，還包括對平滑時間序列數據通過中值濾波消除尖峰噪聲，通過確定中值濾波的窗口大小，對每個時間點及前后移動窗口的數據取中值，去除樹脂溫度中突發的異常值、濾除異常振動峰值以及去除偶發的電流尖峰。
4.如權利要求3所述的AI驅動的光固化3D打印故障預測方法，其特征在于，對采集的打印參數進行數據預處理時，還包括識別和處理中值濾波后數據中的異常值，通過計算每個傳感器對應數據的均值和標準差，將樹脂溫度、紫外光強度、振動頻率與振動幅度、Z軸高度進行Z-score標準化處理，得到預處理后的數據。
5.如權利
6.如權利要求5所述的AI驅動的光固化3D打印故障預測方法，其特征在于，所述AI驅動的光固化3D打印故障預測方法還包括基于圖神經網絡進行空間特征提取，包括以下步驟：
7.如權利要求6所述的AI驅動的光固化3D打印故障預測方法，其特征在于，進行時序特征和空間特征分析，得到光固化3D打印的高維特征向量，包括以下步驟：將不同傳感器的數據按時間戳對齊，將提取的時序特征和空間特征進行特征拼接成一個高維特征向量。
8.如權利要求7所述的AI驅動的光固化3D打印故障預測方法，其特征在于，構建的故障預測模型訓練和優化時，包括以下步驟：
9.一種計算機設備，其特征在于，包括：至少一個處理器，以及與所述至少一個處理器通信連接的存儲器，其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器執行權利要求1-8中任意一項所述的AI驅動的光固化3D打印故障預測方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使所述計算機執行權利要求1-8中任意一項所述的AI驅動的光固化3D打印故障預測方法。
...【技術特征摘要】
1.一種ai驅動的光固化3d打印故障預測方法，其特征在于，該方法包括以下步驟：
2.如權利要求1所述的ai驅動的光固化3d打印故障預測方法，其特征在于，所述光固化3d打印設備上安裝有樹脂槽溫度傳感器、光源強度傳感器、振動傳感器、位置傳感器以及電流傳感器，分別用于采集光固化3d打印時的打印參數：樹脂溫度、紫外光強度、振動頻率、振動幅度、z軸高度。
3.如權利要求2所述的ai驅動的光固化3d打印故障預測方法，其特征在于，對采集的打印參數進行數據預處理時，還包括對平滑時間序列數據通過中值濾波消除尖峰噪聲，通過確定中值濾波的窗口大小，對每個時間點及前后移動窗口的數據取中值，去除樹脂溫度中突發的異常值、濾除異常振動峰值以及去除偶發的電流尖峰。
4.如權利要求3所述的ai驅動的光固化3d打印故障預測方法，其特征在于，對采集的打印參數進行數據預處理時，還包括識別和處理中值濾波后數據中的異常值，通過計算每個傳感器對應數據的均值和標準差，將樹脂溫度、紫外光強度、振動頻率與振動幅度、z軸高度進行z-score標準化處理，得到預處理后的數據。
5.如權利要求4所述的ai驅動的光固化3d打印故障預測方法，其特征在于，提取光固化3d打印的多維特征時，將預處理后的數據中的平滑時間序列數據按照時間序列分段，計算每個時間段內各傳感器數據的時序特征，提取的時序特征包括平均值、標準差、捕捉的每個時間...
【專利技術屬性】
技術研發人員：張勝哲，洪英盛，曾梅煥，
申請(專利權)人：深圳市智能派科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。