[發(fā)明專利]機器學習模型的訓練方法、訓練裝置、預測系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011173854.1
• 申請日: 2020-10-28
• 公開（公告）號: CN114429058A
• 公開（公告）日: 2022-05-03
• 發(fā)明（設計）人: 大衛(wèi)·西蒙·哈特曼;趙則昂;羅小帆
• 申請（專利權(quán)）人: 蘇州奇流信息科技有限公司
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06N20/00;G06T17/20;B29C64/118;B29C64/386;B33Y50/00
• 代理公司: 上海巔石知識產(chǎn)權(quán)代理事務所(普通合伙) 31309
• 代理人: 王再朝

1.一種機器學習模型的訓練方法，其特征在于，所述機器學習模型用于預測3D打印中打印材料隨時間變化的溫度歷史或/及應力歷史數(shù)據(jù)，所述訓練方法包括以下步驟：

獲取多組物件三維模型的打印特征，以及獲取多組物件三維模型對應的打印中隨時間變化的溫度歷史或/及應力歷史數(shù)據(jù)；其中，所述打印特征包括模型幾何特征以及體素特征；其中，所述體素特征包括：物件三維模型中基本單元的類型、基本單元到自由表面的距離、基本單元打印速度、基本單元所處層打印時間、基本單元位置坐標、基本單元所處位置的密度中的一種或多種信息形成的特征量；

將所述多組物件三維模型的打印特征作為輸入數(shù)據(jù)以及將所述多組述物件三維模型的溫度歷史或/及應力歷史數(shù)據(jù)作為輸出數(shù)據(jù)，基于所述輸入數(shù)據(jù)及輸出數(shù)據(jù)有監(jiān)督學習以獲得所述機器學習模型。

2.根據(jù)權(quán)利要求1所述的機器學習模型的訓練方法，其特征在于，所述模型幾何特征包括所述物件三維模型的G-Code數(shù)據(jù)形成的特征量，所述G-Code數(shù)據(jù)包括打印路徑、打印頭移動速度、層高度、打印材料輸出速度、單層打印時間的一種或多種信息。

3.根據(jù)權(quán)利要求1所述的機器學習模型的訓練方法，其特征在于，所述打印特征還包括打印設備信息形成的特征量，其中，所述打印設備信息包括：打印材料加熱溫度、擠出溫度、打印設備的構(gòu)件板加熱溫度、打印初始溫度場信息、以及打印頭形狀中的一種或多種信息。

4.根據(jù)權(quán)利要求3所述的機器學習模型的訓練方法，其特征在于，獲取所述初始打印溫度場信息的方式包括：在打印實驗中基于熱成像儀或熱電偶測量打印前的打印腔體溫度分布信息。

5.根據(jù)權(quán)利要求1所述的機器學習模型的訓練方法，其特征在于，所述打印特征還包括物件三維模型的材料屬性信息形成的特征量，其中，所述材料屬性信息包括：絲材類型、絲材直徑、絲材截面形狀、材料最高加熱溫度、材料熱參數(shù)、以及材料初始殘余應力中的一種或多種信息。

6.根據(jù)權(quán)利要求5所述的機器學習模型的訓練方法，其特征在于，所述材料熱參數(shù)的確定方式包括以下至少一種：

基于熱輻射系數(shù)測試儀測量打印材料的熱輻射系數(shù)；

基于絲材打印實驗，記錄打印絲材被加熱后置于打印腔室中的溫度變化規(guī)律，由此計算等效對流換熱系數(shù)；

對形狀規(guī)則的幾何結(jié)構(gòu)模型進行打印實驗，記錄打印過程中打印材料隨時間變化的溫度場分布，以及，對所述幾何結(jié)構(gòu)模型設置以不同對流換熱系數(shù)進行有限元模擬，輸出模擬打印過程的模擬溫度場，將與打印實驗的溫度場重合的模擬溫度場對應的對流換熱系數(shù)作為等效的對流換熱系數(shù)。

7.根據(jù)權(quán)利要求5所述的機器學習模型的訓練方法，其特征在于，所述材料初始殘余應力的確定方式包括以下步驟：

對打印材料設置以不同的打印參數(shù)信息進行多組單絲打印實驗；

計算或測量多組單絲打印實驗獲得的單絲構(gòu)件的殘余應力；以及

獲得包括所述不同打印參數(shù)信息與多組打印實驗獲得的單絲構(gòu)件的殘余應力的殘余應變數(shù)據(jù)庫；其中，打印實驗獲得的單絲構(gòu)件的殘余應力與單絲構(gòu)件的打印參數(shù)信息具有對應關(guān)系。

8.根據(jù)權(quán)利要求7所述的機器學習模型的訓練方法，其特征在于，所述計算或測量多組單絲打印實驗獲得的單絲構(gòu)件的殘余應力的步驟中，對所述單絲結(jié)構(gòu)進行處理以釋放殘余應變，測量單絲形變以計算殘余應力；或，基于物理檢測方法確定所述單絲構(gòu)件的殘余應力。

9.根據(jù)權(quán)利要求1所述的機器學習模型的訓練方法，其特征在于，所述基本單元的類型包括：包含自由表面并處于模型表面的第一類基本單元，包含自由表面且處于模型內(nèi)部的第二類基本單元、不包含自由表面的第三類基本單元。

10.根據(jù)權(quán)利要求9所述的機器學習模型的訓練方法，其特征在于，所述基本單元的類型形成的特征量為將基本單元的類型進行類別變量編碼形成多維向量。