[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

说明书

本发明基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法，包括：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，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；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。本发明能够预测成形工件的精度，并根据预测值使影响成形精度。

技术领域

本发明属于3D打印工艺条件优化领域，具体涉及一种基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法。

背景技术

近年来，增材制造技术即3D打印在不同领域得到了越来越广泛的应用，其中面曝光技术以液态光敏树脂为原料，使用数字投影设备照射光敏树脂材料一次性可以固化一个面，具有成形精度高，成形速度快的特点而得到了广泛关注。为了更进一步提高打印精度，需要分析工艺参数对打印精度的影响，其中打印层厚、曝光时间间隔、曝光时间和光照强度四个工艺参数的影响最大。能否准确确定这些工艺参数的取值决定了最终打印成形工件能够具有较高的精度，因此需要对上述工艺参数的取值进行优化，找出成形精度最高的一组工艺参数。

工艺参数优化是所有3D打印技术都需要面对的问题。传统上，打印过程中工艺参数大多根据操作人员的经验进行选择，缺少科学依据，选择过程复杂，难以用数学方法建立精确模型，目前较多地用显式的统计分析方法来解决。但是统计分析模型缺乏自适应性，模型更新困难，参数确定不准确，同时尚未有一套对工艺参数设置的成熟体系，操作者需要不断对工艺参数进行调试，耗费了大量人力物力财力。所以需要应用更科学有效的试验参数优化方法来确定最佳工艺参数。

对于增材制造技术的工艺参数优化方法，已经存在一些通用的技术，例如[1]给出了一种使用粒子群优化算法进行工艺参数优化。然而，该方法对于面曝光技术来说，没有考虑到该技术独有的特点，得到的工艺参数没有针对性。而[2]针对面曝光技术给出了一种工艺参数优化方法，仅仅是通过正交试验设计方法，仅仅从一组工艺参数的离散取值空间中选择出了成形精度最高的一组工艺参数，而真正的最优工艺参数取值可能存在于试验设计中离散值之间，该方法对解空间的搜索并不完整。

参考文献

[1]一种基于粒子群优化的3D打印工艺参数优化方法

[2]用于面曝光快速成形系统的制作参数优化方法

发明内容

为解决上述现有问题，本发明目的在于提供一种基于遗传算法和BP神经网络的面曝光3D打印工艺优化方法。

本发明采用如下技术方案来实现的：

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，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。

本发明进一步的改进在于，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；