基于机器学习的操作状态识别和压缩性能预测在化丝制造中的压缩性能
Yongxiang Li1, Guoning Xu1, Wei Zhao2
1Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China.
3D printing and additive manufacturing
|December 20, 2023
概括
这项研究表明,3D打印中的光纤料状态如何影响零件质量. 一个机器学习模型准确地预测了压缩特性,使3D打印组件的线性质量控制成为可能.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 人工智能的人工智能
背景情况:
- 3D打印或合丝制造 (FFF) 对于太空探索和医疗植入物等应用至关重要.
- 确保3D打印零件的质量对于高价值应用至关重要.
- 灯光料器的运行状态是一个关键的,但尚未研究的,影响FFF零件质量的因素.
研究的目的:
- 为了研究导线料工作状态对3D打印零件的压缩性能的影响.
- 开发和验证一种机器学习模型,用于监测料料状态和预测零件性能.
- 在FFF过程中实现实时质量评估.
主要方法:
- 使用振动和电流传感器用于现场监测灯光料器.
- 从传感器数据中提取时间和频率域特征.
- 开发了一种基因算法优化的反向传播神经网络 (GA-BPNN),用于状态识别和财产预测,具有k-fold交叉验证.
主要成果:
- 发现光纤料器的运行状态显著影响3D打印样品的压缩性能.
- 该GA-BPNN模型在识别灯光料供应器工作状态方面实现了96.3%的准确性.
- 通过GA-BPNN模型成功预测了3D打印部件的压缩性能.
结论:
- 这项研究确立了光纤料器运行和3D打印组件的机械完整性之间的强烈相关性.
- 拟议的GA-BPNN方法为现场监测和FFF质量预测提供了一种可靠的方法.
- 这项技术有可能简化工业3D打印应用中的质量控制,减少对加工后检查的需求.
