[发明专利]基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法

权利要求书

1.基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法，其特征在于，该方法首先建立以打印层厚、曝光时间间隔、曝光时间和光照强度作为输入量的神经网络预测模型，模型输出量是打印精度，然后利用正交试验获取相关试验数据，利用该试验数据对预测模型进行训练，得到稳定的神经网络预测模型；对训练好的神经网络预测模型在设定范围内随机给定多组输入量，利用神经网络预测模型预测出相应的输出量即打印精度，通过个体适应度函数，计算个体适应度值，再利用遗传算子调整输入向量，产生具有更好适应性的新的种群即输入向量，重复以上优化过程，直到个体适应度函数值收敛，与该值对应的输入向量即为一组最优工艺参数；该方法具体包括以下步骤：

1)为获取数据，同时减少试验次数，以标准模型作为测试件，以打印层厚、曝光时间间隔、曝光时间和光照强度为输入量X，结合打印机的参数支持范围，设计正交试验表，进行试验，将成形工件实际尺寸与理想尺寸的偏差值作为输出量Y，确立一个输入量X与输出量Y具有映射对应关系的试验数据组，将这些试验数据组作为试验样本，存入试验样本数据库中；

2)根据步骤1)所述试验样本中输入量X与输出量Y的映射对应关系，建立具有输入层、隐藏层和输出层的神经网络；神经网络的输入层神经元为4个，输出层神经元为1个；神经网络中第j层单元的输出表示为y_ji＝∑_iW_jix_ji，其中x_ji为j层单元的输入，W_ji为其对应的权重，输入层和隐藏层的激活函数为Relu函数，函数定义为max(0，x)，其中x为激活函数的输入即神经单元的输出；

3)初始化神经网络的权重参数，从试验样本数据库中取出具有映射对应关系的输入量X与输出量Y，将输入量X输入到神经网络模型中得到模型预测输出量此模型预测输出量与实际输出量Y之间存在误差，构建最小均方差损失函数，利用梯度下降算法对最小均方差损失函数进行迭代运算，每次迭代优化神经网络的权重参数使得最小平方差损失函数减小，直到模型收敛便完成了神经网络模型的训练；

4)采用遗传算法对神经网络模型寻优，将训练好的神经网络模型输出倒数作为适应度函数即

5)根据步骤1)的试验样本数据库产生初始种群，计算初始种群对应的适应度值；

6)依据轮盘赌的选择方法，选出步骤5)中个体适应度值相对较大的多个工艺控制参数输入量个体X，进行交叉、变异操作，产生的新工艺控制参数输入量数X¹作为下一代的初始种群个体；

7)将经步骤6)产生的新工艺控制参数输入量X′初始种群替换步骤5)所述的工艺控制参数输入量X初始种群，代入步骤3)所述的训练好的神经网络预测模型中，得出的新一组的预测结果计算新种群个体对应下的新一组的工艺控制参数输入量X¹种群个体的适应度函数值；

8)重复步骤5)至步骤7)中更新下一代种群个体，计算对应新种群下的新的预测值和计算新的个体适应度函数值的过程；在该重复过程中个体适应度函数值将逐步增大；直至个体适应度函数值基本稳定不再明显变化或达到预设的进化代数时，终止遗传算法的优化过程；此时稳定的个体适应度函数值对应的工艺控制参数输入量就是对应最高精度所要输入的打印层厚、曝光时间间隔、曝光时间和光照强度。

2.根据权利要求1所述的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法，其特征在于，步骤3)中，最小均方差损失函数为

3.根据权利要求1所述的基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法，其特征在于，步骤3)中，个体适应度函数的值越大，表明误差越小精度越高，个体适应能力越强。