文摘

抗拉强度、翘曲度和表面粗糙度是重要的指标来评估质量的熔融沉积成型(FDM)部分,和他们的准确和稳定的预测有助于FDM技术的发展。因此,基于FDM部分的质量预测方法提出了一个优化的深层信念网络。确定的工艺参数组合对FDM的质量影响最大的部分,相关分析方法被用来屏幕FDM的关键质量因素影响质量的部分。然后,我们使用10倍交叉验证和网格搜索(GS)来确定最优稀疏约束的hyperparameter组合深度信念网(SDBN),提出一种自适应布谷鸟搜索(ACS)算法来优化SDBN的重量和偏见,并完成施工预测模型基于上述工作。结果表明,相比之下,DBN, LSTM时滞,大小和摘要,ACS-SDBN模型设计在本文中可以映射之间的复杂非线性关系FDM质量特性和过程参数更有效的一部分,和简历验证模型的精度可以达到95.92%以上。预测精度可以达到96.67%以上,该模型具有较高的精度和稳定性。

1。介绍

加法制造(我)是一个出生在1980年代,快速成型技术,实现了从三维数字模型转换到一个物理模型通过不断添加层材料。与传统减去制造(切割)相比,加法制造的特点是节能,绿色,和可回收的1- - - - - -3),这对快速产品开发满足市场需求和个性化定制。熔融沉积成型(FDM)已成为最广泛使用的添加剂的国内外制造技术因其成型设备简单,生产成本低,没有额外的工具和制造复杂的能力部分(4,5]。目前,熔融沉积成型消费产品,已广泛应用于汽车、航空航天、医疗和建筑领域取得了巨大的经济效益;然而,FDM技术仍然面临着挑战。的过程中迅速准备部分熔融沉积过程中,固相的材料经历了三个阶段,熔融状态,冷却和凝固。在这个过程中,原材料的机械性能,成形温度场的变化,以及成形过程参数都有影响零件的质量(6- - - - - -9]。FDM的主要质量问题部分包括可怜的抗拉强度、弯曲变形,表面精度不足。这些问题阻碍了熔融沉积过程在工业生产的发展,成为摆在我们面前亟待解决的一个关键问题,需要在加法制造行业的发展。

解决上述问题,大部分研究侧重于理解和优化FDM工艺参数提高产品的性能特征,扩大FDM技术的应用领域。王等人。10翘曲变形模拟印刷部分,认为FDM的物质属性和机器设置,如层厚度,印刷,挤压温度和速度。他们指出,翘曲变形可以有效减少通过提高温度和印刷的道路。Nancharaiah et al。11]研究了光栅角的影响,层厚度和宽度的表面粗糙度FDM部分利用田口方法和方差分析技术。实验结果表明,层厚度显著影响FDM部分的准确性。Sahu et al。12)等人分析了过程变量的影响和交互层厚度等印刷方向,光栅角,光栅宽度,表面气隙部分的准确性。穆罕默德et al。13)提出优化FDM工艺参数的最优标准,研究工艺参数之间的非线性关系和尺寸精度。Zaman et al。14和开发等。15基于田口实验设计的方法,研究了工艺参数对FDM的抗拉强度的影响的部分。发信息给鲍思高堂另et al。16)建立了一个可控的数学预测模型输入参数使用响应面方法探索FDM输入参数的影响在ABS材料的表面粗糙度。虽然传统的质量方法和数学建模可以验证的影响在一定性能的FDM工艺参数部分,很难准确地确定输入变量和输出变量之间的映射关系,因此,提高对产品质量的影响并不明显。

数据驱动的预测方法已广泛应用于近年来由于其适应性强(17]。机器学习作为一个典型的数据驱动的方法,构造一个基于实时的近似模型,历史,和关系数据接近真实情况,建立预测模型。作为机器学习的一个重要分支,神经网络被应用到产品性能预测由于其强大的数据和非线性处理能力(18- - - - - -21]。因此,一些文献建设质量预测模型实现FDM零件质量的预测。改善FDM零件的表面粗糙度,Vahabli和Rahmati22)建立了表面粗糙度分布模型,提出了产品表面粗糙度的预测方法基于径向基函数神经网络(时滞)大小。Zhang et al。23)提出了FDM部分质量预测模型基于多空项记忆网络(LSTM)预测部分的抗拉强度。阿里和Chowdary [24),Pazhamannil et al。25],Manoharan et al。26)所有使用人工神经网络(ANN)模型来预测FDM部分的抗拉强度。张、杨(27)利用遗传算法优化BP神经网络的权值和阈值(摘要),建立了精度预测模型基于FDM部分工艺参数。上述预测方法是肤浅的机器学习模型。虽然这些方法可以用来预测粗糙度,翘曲度,或抗拉强度FDM的部分,他们不能充分提取训练样本的有效特征,,很难准确地映射多个工艺参数之间的复杂非线性关系和多个质量指标和模型稳定性差。

深度信念网(DBN)是一个深层神经网络由几个限制玻耳兹曼机(元)。相比之下,一个单隐层的神经网络结构,功能的DBN有更好的能力学习和非线性拟合。目前,基于DBN各种深度学习模型被广泛用于解决许多具有挑战性的问题,如质量预测(21,28),故障诊断29日),流预测(30.,31日],风能预测[32),图像分类(33),预测混凝土的抗压强度(34),和空气质量评估(35]。特征信息提取的DBN取决于疟疾。灵感来自视觉皮层的稀疏表示,稀疏的概念引入疟疾行动促进神经元上提取最基本特征的刺激和学习更有效的特征信息。实验表明,稀疏的深度信念网(SDBN)由稀疏有限玻耳兹曼机制(SRBM)能更有效地提取特征信息,避免模型过度拟合的问题36]。此外,上述文献表明,网络参数设置的DBN模型的性能有重大的影响。有两种类型的DBN模型中的参数。第一种是之前设置的值开始学习过程的模型,如模型学习速率,隐藏层的数量,和隐藏元素的数量。这些参数被称为superparameters。第二类是通过学习获得的模型参数估计和更新,如重量和偏见。本研究是基于网格搜索方法确定最优稀疏的hyperparameter组合深度信念网络模型。很少有研究DBN hyperparameter优化和研究人员主要使用实证方法来解决这个问题的网络结构37],在这篇文章中,网格搜索(GS)方法用于搜索所有可能的组合的hyperparameters SDBN模型,以及模型的最佳组合hyperparameters是由以10倍交叉验证的验证错误价值为评价标准。权重和阈值,常用的启发式算法来优化(38]。此外,神经网络的预测性能优化权重和阈值明显优于单一神经网络没有优化(39]。在此基础上,本文提出了一种自适应布谷鸟搜索(ACS)算法来优化学习SDBN参数。ACS算法的显著优势是它涉及更少的代码和参数,有很强的全局搜索能力。

本研究的动机是使用一个新的预测模型,将FDM工艺参数作为模型的输入,实现准确的预测FDM的三个质量特性部分,即抗拉强度、翘曲度和表面粗糙度。本文中的GS-ACS-SDBN预测模型提出了基于深度学习,并使用GS和10倍交叉验证来确定模型hyperparameters和ACS算法优化模型重量和偏见。与预测DBN的结果相比,LSTM,时滞,大小和摘要模型,GS-ACS-SDBN模型有更充足的学习数据特性,可以实现精确的预测质量的FDM部分。实验结果是成功的,证明了该方法的有效性。

本研究的主要贡献和创新如下:首先,我们构造一个新的质量预测模型,可以预测粗糙度,弯曲,和抗拉强度的FDM部分在同一时间;其次,最佳的学习速率,隐藏层的数量,和隐藏SDBN模型的元素的数量取决于网格搜索和交叉验证,这种方法可以实现模型参数的自动选择;最后,一个自适应布谷鸟搜索算法通过引入cos递减策略,和算法模型的优化来提高模型的预测精度。此外,我们讨论GS-ACS-SDBN预测模型的性能。

本文的其余部分组织如下:在部分2我们介绍了ACS算法和SDBN。节3,我们提出一个FDM部分质量预测方法基于GS-ACS-DBN模型和比较GS-ACS-SDBN与其他预测模型的预测结果来验证我们的方法的优越性。讨论的结论部分4。

2。稀疏的深层信念网络和自适应布谷鸟搜索

2.1。稀疏的深层信念网络模型建设

DBN概率图模型由若干元。DBN培训采用贪婪一层一层地,战略和遏制的每一层的输出作为下一层的输入。其结构如图1。

疟疾是由多个隐层神经元和多个层神经元可见。前一层神经元用于训练数据,而后者层神经元用于特征提取。激活的神经元的概率明显层( )和隐层(h)是0或1,它们是连接在一个双向平等的体重模式;重量是 ,和同一层的神经元是相互独立的。一个_我和b_j代表了偏执可见层和隐层的阈值,分别。

遏制疟疾的概率分布可以实现能量函数,这是定义在给定的状态 作为

可视化和正规化后上面的方程,得到遏制的联合概率分布,见以下方程: 在哪里z(θ)是一个归一化因子,表示为 在哪里 是网络参数。当视觉层向量,隐藏层神经元的概率j将被激活

视觉神经元层向量的概率我被激活 在哪里R代表ReLU激活函数,用于激活神经元。它有一个功能的学习能力比双曲正切激活函数和乙状结肠激活函数。参数的更新规则所示以下方程: 在哪里ε是学习速率;< >_数据代表输入数据;和< >_矩形表示重建数据。

特征信息提取的DBN取决于疟疾。灵感来自于视觉皮层的稀疏表示,稀疏的概念引入疟疾行动促进上层神经元中提取最基本特征的刺激和学习更有效的特征信息。洛伦兹函数稀疏约束已经应用在许多领域,如检测和图像歧视,和相关的实验表明,该方法可以有效地提取特征信息和抑制环境噪声(40]。

我们使用洛伦兹稀疏和代表年代代表激活概率稀疏的控制因素。得到稀疏表示模型的学习过程,重量和阈值需要调整,以便遏制疟疾可以最大化似然函数,并获得训练集的稀疏分布。SRBM模型的目标函数如下:

在上面的方程中,第二项是可能性项和第三项是正则化项。l_年代代表了洛伦兹稀疏度规,年代代表了控制系数稀疏的激活概率,k代表了kth层,k K,λ是正则化参数。SRBM培训使用对比散度算法获得的近似梯度项和解决常规项可能性。正则项的梯度计算过程见以下方程:

2.2。基于吉布斯抽样数据

吉布斯抽样的抽样方法是基于蒙特Carlo-Markov链,及其基本原理类似于大都市的算法。假设现有样本的维数N,样品的数学表达式 ,假设样本的总体布局P(x)是未知的,但以外的其他变量x_我习的条件概率分布是已知的样本可以获得的,也就是说, (x_我−意味着变量x_我从示例作为一个整体)。此外,对于任何的状态x设置为 ,剩下的变量是基于条件概率分布采样公式,和抽样数量的增加迭代的数量。后t抽样,样本的分布状态 将收敛到全球分布的几何速度t。

具体抽样过程如下:

鉴于遏制疟疾视觉层神经元的状态,隐层神经元的状态可以重建:

鉴于遏制疟疾隐层神经元的状态,可以重建视觉层神经元的状态:

2.3。模型Pretraining

无监督学习用于pretrain DBN,提供一个更好的参数依据进一步参数微调。pretraining混合的过程中,为了确保预测模型的完整性,临时输出层应堆放在疟疾行动训练。

在无人监督的培训,需要寻求重建数据模型接近原始数据米,即

我们选择米训练样本,定义f_我预测价值和F_我真正价值,重建误差函数计算C:

一层一层地混合pretraining之后,BP算法用于调整全局参数。BP神经网络具有良好的信息正向传播和误差反向传播的特点。通过重复周期达到预期的错误,最后训练后得到所需的模型。

遏制疟疾的训练步骤给出如下:

2.4。Aaptive布谷鸟搜索

CS算法是一种新的智能优化算法提出的Deb和杨在2009年。这个算法的重要点是采用征收飞行机制进行搜索。Levy飞行是一种随机搜索方法,结合短波频率长途飞行和高频短途飞行实现随机跳转搜索在不同的地区,这有效地平衡算法的局部搜索和全局搜索功能(41]。利维的飞行路径图所示2。

基于布谷鸟搜索的一般原则,布谷鸟的优化能力取决于两个方面:(1)步长控制的因素α,其值决定了收缩范围征收的飞行,和(2)丢弃概率p_一个的价值,p_一个确定新巢留存的数量,即人口的多样性。在标准的布谷鸟搜索算法中,α和p_一个是固定值,不能调整步长由利维的飞行,确保人口的多样性。出于这个原因,我们采用余弦下降策略(42实现动态和自适应步长变化。

自适应丢弃概率的表达式如下:

自适应步长控制因子的表达式如下: 在哪里R是迭代的比率,R=t / t_马克斯;和一个和b是常数, 。

鸟巢的位置更新方法的基础上,进一步定义为动态调整策略

ACS算法的优化过程如下所示:

3所示。基于GS-ACS-DBN FDM部分预测方法

FDM零件质量预测的主要过程包括关键质量因素筛选,GS-ACS-SDBN预测模型构建和FDM零件质量的预测。FDM部件的质量预测过程基于GS-ACS-SDBN模型图所示3。

3.1。关键质量因素筛选

FDM图像文件通常是存储为STL文件。计算机处理图像文件层,并确定材料沉积一层一层地的道路。送丝装置提要喷嘴的钢丝,钢丝加热和熔化熔融状态。的线流出喷嘴和沿着预定的打印路径存款熔融材料。挤塑材料然后冷却并形成一个单层。一旦完成了第一层,支持平台降低了预定的距离允许更高的层的沉积,这一直持续到产品印刷。FDM零件的成形过程如图4。

在这篇文章中,我的字体与长度,宽度,高度150毫米,30毫米和5毫米,分别用作印刷模式,如图5。实验设备Irva z - 603如是说。他是极光,和实验耗材ABS材料和聚乳酸材料。打印模式以原点为起点水平印刷、填充密度是100%。工艺参数包括切片厚度、挤压速度、喷嘴温度和成型室温。参数设定范围如表所示1;ABS和请材料的性能参数信息表所示2。基于正交印刷方法,获得的2500个有效样本,其中80%的样本作为训练集,剩下的20%作为测试集。

数据相关性测试有助于确定影响产品质量的主要因素和提高预测结果。出于这个原因,本文采用组合相关测试方法(房车_国防部),提出Smilde et al。43),计算每个FDM工艺参数之间的关联度和质量特征。房车_国防部是相关分析的泛化等多重回归分析、主成分分析和典型相关分析。计算公式如下: 在哪里X表示矩阵的影响因素,包括过程参数表1和2;和Y产品质量特性,包括表面粗糙度、翘曲度和抗拉强度。根据方程(20.)。我们确定了模型输入变量。结果如表所示3。

有不同的数值单位和大小不同的变量。因此,下面的公式是用于规范化模型的输入变量和输出变量区间[0,1],以提高数据处理的灵活性: 在哪里x是需要规范化的数据,X是处理过的数据,x_最小值和x_马克斯在数据集的最小值和最大值,分别。

3.2。GS-ACS-SDBN预测模型建设

深层神经网络可以实现更好的提取特征信息,但其multihidden结构导致其学习速度慢。在本文中,ACS算法用于优化网络权值和偏差,提高SDBN的收敛速度和预测精度。日军的健身价值,重量和偏见当训练误差最小的作为最终的模型的参数。

SDBN模型训练之前,需要设置模型结构参数,即隐藏层的数量,神经元的数量,和学习速率。上述参数的选择决定了网络的学习能力与样品的特性和具有重要影响模型的预测精度。因此,本文中使用网格搜索方法来确定最优组合的superparameters SDBN模型。此外,为了避免过度拟合的发生,10倍交叉验证(CV)方法被用来抑制过度拟合行为的神经网络。10倍的交叉验证,训练集随机分为十个部分,其中9部分被用作训练样本,和1部分是用作验证样本。然后,执行10倍的训练,并测量SDBN模型的训练误差和验证误差与平均绝对百分比误差(日军)。

10倍交叉验证的原理图所示6。

网格搜索的过程中,不同隐层数和学习相结合,然后,10倍交叉验证。最后,10倍交叉验证的结果比较不同组合下,和superparameter值对应于最小误差作为最后的选择模型。的准确性和参数的组合最终选择网格搜索表面粗糙度,弯曲,拉伸强度的FDM部分如图7。

从图可以看出7,隐藏层的数量的增加,模型的预测精度先增加然后减少。当隐藏层的数量小于4,无法实现有效学习的特征信息,和模型是under-fitting状态;当隐藏层的数量大于4,学会了太多关于数据模型特性,和模型拟合状态;当隐藏层的数量设置为4,模型的预测精度是最高的。

在图7(一)表面粗糙度,hyperparameters的最优组合k= 4,ε= 0.9确定,训练误差是2.07%,验证误差是3.14%。在图7 (b)翘曲度,确定参数组合k= 4,ε= 0.6,训练误差2.15%,验证误差是3.97%。在图7 (c)抗拉强度,确定参数组合k= 4,ε= 0.7,训练误差是1.85%,验证误差是3.53%。在这一点上,对应于每个隐层神经元的数目在桌子上4。

此外,我们确认上述参数设置的合理性的基础上重建错误,结果如图所示8。错误的结果表明,抗拉强度、弯曲和粗糙度都可以实现稳定在100代没有明显的过度拟合的行为。

的hyperparameters SDBN模型被确定后,我们将训练样本和验证样本;80%的训练集作为训练样本重用SDBN模型与网络结构的确定,以及ACS算法优化网络学习参数获得最佳的FDM质量预测模型。的具体过程SDBN质量预测模型优化的基于ACS算法如图9。

4所示。结果和分析

为了测试模型的性能在这篇文章中,提出DBN,时滞,大小LSTM,安,和摘要是用来预测FDM部分在同一数据集的质量。10倍交叉验证和GS是用来确定hyperparameters上面的模型。我们保留了模型对应hyperparameter预测精度最高,然后导入完整的训练集训练模型,以确定最终的预测模型和实现的三个质量特性的预测FDM部分。训练误差和验证错误的10倍交叉验证不同的模型如图10。表5显示所有的预测模型的误差统计结果。

可以使用交叉验证不仅对参数的调整,而且对评估模型。在图10,我们比较不同模型的训练误差和验证错误10倍交叉验证的10倍。图中的结果表明,10倍交叉验证训练误差结果GS-ACS-SDBN, DBN,时滞,大小LSTM和摘要模型能保持相对稳定的结果。其中,GA-ACS-SDBN模型10倍交叉验证培训结果是最优的。验证组,而稳定的结果GS-ACS-SDBN和DBN模型,时滞,大小的10倍交叉验证错误LSTM和摘要模型表现出显著差异。此外,根据统计结果在表10倍交叉验证错误5平均值的10倍交叉验证训练错误GS-ACS-SDBN模型的抗拉强度,弯曲,和表面粗糙度的FDM部分2.02%,分别为2.10%和1.95%。10倍交叉验证错误的平均值分别为3.43%,4.08%,和3.03%,分别。与DBN相比,时滞,大小LSTM,摘要,该模型的准确性明显提高,和模型的稳定性强。

我们保留了网络参数错误最少的10倍交叉验证,然后输入整个训练,训练集进入调试模式和评估模型在测试集上。表5比较抗拉强度的训练误差和测试误差,弯曲,表面粗糙度模型在不同FDM部分。从实验结果,培训方面的错误,训练误差GS-ACS-SDBN模型的三个质量特性是1.82%,1.95%和2.14,分别。与DBN模型相比,GS-ACS-SDBN提高了0.95%,0.78%,0.67%。与LSTM模型相比,它增加了1.00%,1.36%,1.52%。与时滞模型大小相比,结果是提高了1.86%,2.01%,2.38%。与摘要模型相比,它提高了1.80%,2.58%和2.63%。上述结果表明,GS-ACS-SDBN模型可以更全面地学习样本的特性,获得更好的培训错误。的测试误差,GS-ACS-SDBN模型仍然保持其优越的预测能力。预测错误的抗拉强度、弯曲和FDM零件的表面粗糙度在这种模式下是2.35%,3.33%,和2.64%,分别。它是1.27%,1.28%和1.88%高于DBN模型; 2.19%, 2.70%, and 3.03% higher than the LSTM model; 3.70%, 3.84%, and 3.58% higher than the RBFNN model; and 4.09%, 4.14%, and 3.86% higher than the BPNN model. The above results further indicate that the GS-ACS-SDBN model designed in this article has stronger feature learning ability and mapping ability and can achieve accurate prediction between FDM process parameters and part quality characteristics, showing better prediction performance.

此外,由于自适应布谷鸟搜索算法的引入,GS-ACS-SDBN模型可以优化网络参数在一个相对短的时间内,完成模型的训练在35.37 s,和输出预测结果在2.44 s。实际值和预测值的对比曲线500组测试样品在不同模型如图11。从图可以看出11LSTM DBN相比,时滞和摘要,大小的变化趋势的预测价值GS-ACS-SDBN模型几乎是一样的真正的价值,和曲线重叠是最高的。实验结果充分证明的有效性和优越性ACS-SDBN模型在预测抗拉强度、翘曲度、表面粗糙度的FDM部分。

5。结论

之间存在复杂的非线性关系质量的FDM零部件和各种工艺参数,并通过传统的方法很难准确预测。为了解决这个问题,基于DBN,本文建立了一个混合质量预测模型(GS-ACS-SDBN)基于深度学习。数字预测抗拉强度、弯曲、表面粗糙度和其他质量特征的FDM部分的影响下多个工艺参数实现。研究结论如下:(1)相关分析方法(房车_国防部)是用来确定关键质量影响表面粗糙度的因素,包括切片厚度、喷嘴温度、挤压速度、抗拉强度、密度和材料。部分厚度、喷嘴温度、熔化温度和弯曲模量是影响翘曲度的关键因素;截面厚度、喷嘴温度、挤压速度、成型室温是关键品质影响抗拉强度。(2)基于10倍交叉验证和GS方法,确定最优网络的隐层4,和粗糙度的最佳验证错误,弯曲,和抗拉强度的FDM部分是3.14%,3.97%,和3.53%,分别。重建的错误在100次迭代训练样本达到一个稳定状态。(3)该模型应用于FDM的质量预测部分。实验结果表明,预测的准确性,稳定性,GS-ACS-SDBN模型的收敛速度和抗拉强度、弯曲程度,和FDM零件的表面粗糙度比DBN, LTSM时滞,大小和BP模型。履历验证本文模型的误差在4.08%以内,并预测误差在3.33%以内。

本文的研究内容可以为应用程序提供有效的研究想法GS-ACS-SDBN预测模型在其他领域。对于不同的应用领域,不同的样本数据用于训练和构建SDBN模型。GS和ACS算法用于优化网络参数,获得最佳的预测模型。

数据可用性

本文中使用的数据不能提供以下原因:(1)本文中的参数来源于产品研究和开发,以及加工过程是保密的;(2)接下来,这个过程需要申请发明专利;和(3)实验数据将在进一步的研究起着重要的作用。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金(71672117)和中央政府指导当地的科技发展规划(2021号jh6/10500149)。