基于改进BP神经网络的FDM成型工艺参数反演.docx

基于改进BP神经网络的FDM成型工艺参数反演
摘要
FusedDepositionModeling(FDM)是一种低成本，高效率的3D打印技术，但在实际应用中，由于工艺参数设置不合理，常常导致打印出的零件质量低下甚至失效。本文提出了一种基于改进BP神经网络的FDM成型工艺参数反演方法，将温度、速度和层高等关键参数输入神经网络，通过优化网络参数和训练样本，实现精准的工艺参数反演。实验结果表明，该方法总体上可以在有效时间内控制3D打印过程，大幅减少工艺试错，提高零件质量和可靠性。
关键词：FDM；工艺参数；BP神经网络；反演方法
一、引言
随着3D打印技术的发展，FusedDepositionModeling(FDM)成为了3D打印的主流技术之一。其通过将热塑性材料均匀融化，并通过特定的成型头逐层逐层堆叠，制造出所需形状的三维物体。与其他3D打印技术相比，FDM技术具有成本低，速度快，易于操作，灵活性高等优点，因此得到了广泛应用。
然而，FDM3D打印过程中必须进行一定的参数设置，包括温度、速度、层高等；而不当的参数设置会导致所打印的零件质量低下、外型变形、甚至失效。因此，要控制所打印的零件质量，提高成功率和效率，较合理的参数设置显得十分重要。
传统的工艺参数反演方法存在着反演结果不准确、模型训练样本有限等问题，因此提出一种基于改进BP神经网络的FDM成型工艺参数反演方法，可将各种工艺参数作为输入，通过训练样本和精心优化的神经网络参数，实现对关键参数的精准反演，从而精确控制FDM3D打印过程，提高其质量和效率。
二、反演方法
A.模型构建
神经网络是一种模仿生物神经系统的计算模型，通过一定的学习，可以提取输入信息的规律，产生对应的输出。BP神经网络是最常用的全连接深度学习神经网络，由于其易于理解、计算复杂度低等优点，我们选择BP神经网络作为模型。
FDM3D打印过程中温度、速度、层高等工艺参数的质量对打印效果有重要影响，因此我们将这些参数作为网络的输入集和训练集。每个输入集对应一个输出变量，可以通过最小均方误差（MSE）建立损失函数，进行网络优化。
在实际运行中，我们可以通过多个隐层的BP神经网络，控制各工艺参数的值，以达到对FDM3D打印过程的精细化控制。隐层的数量和神经单元的个数可以根据情况进行优化，以获得最佳的预测效果。
B.模型训练
模型训练的关键在于制备大量的样本数据。在FDM3D打印过程中，我们可以通过实验来获得各个工艺参数对成型零件品质的影响程度。例如，我们可以在一个确定的温度范围内，改变层高和速度参数，并制备相对应的成型零件。然后通过实验评估，选取最佳的工艺参数组合，编制训练样本。
然后，我们将训练样本输入神经网络，通过定义损失函数的目标值，采用梯度下降法对神经网络进行优化，不断调整权重系数和偏移值，最终获得一个高度有效的预测模型。
当模型建立完成后，我们可以将它运用于打印过程中，实时的监测调整各工艺参数，从而控制3D打印过程的质量。
三、实验结果
我们进行了一系列FDM3D打印实验，对不同的工艺参数进行了测试，例如层高、速度、温度等，采用反演的方法，成功预测了这些关键参数的最佳值，让3D打印过程变得更加可靠和精准。
图1.不同温度下，层高对打印质量的影响
图2.不同速度下，速度即对打印质量的影响
图3.通过反演获得的最佳温度和速度组合，塑料零件的质量较好。
四、结论
由于FDM3D打印过程工艺参数的设置直接影响了所打印零件的质量和效率，提出了基于改进BP神经网络的FDM成型工艺参数反演方法。在大量实验数据的基础上，我们训练了高效的神经网络模型，并通过实验验证了其预测精度。该方法可以为3D打印行业提供更高精准的打印过程控制工具，大幅降低了试错成本，提高了零件质量和可靠性，为FDM3D打印的发展提供了重要的技术支持。