[发明专利]一种基于人工智能技术的3D打印工艺参数优化方法

权利要求书

1.一种基于人工智能技术的3D打印工艺参数优化方法，其特征在于：包括：

步骤S1、选取3D打印机系统的训练数据库中的m个打印记录的技术参数构成输入特征集合X，X＝{X⁽¹⁾,X⁽²⁾,X⁽³⁾,…,X⁽ⁱ⁾,…,X^(m)}，m为大于1的整数，i表示序号且为整数，i∈[1,m]，输入特征X⁽ⁱ⁾表示第i个打印记录，表示第i个打印记录的第n个技术参数类型的数值，n表示序号且正整数；

步骤S2、从所述训练数据库中选取m个打印记录的评估数值构成输出标签集合Y，Y＝{y⁽¹⁾,y⁽²⁾,y⁽³⁾,…,y⁽ⁱ⁾,…,y^(m)}，y⁽ⁱ⁾表示在所述第i个打印记录中与技术参数相对应的评估数值；

步骤S3、建立预测函数

其中θ_n表示第n个技术参数类型的权重参数，θ₀为常数；

步骤S4、对所述预测函数使用第一优化算法，求得所述θ_n的值。

步骤S5、通过求得的所述θ_n的值，建立目标函数f_θ(z₁,z₂,z₃,…,z_n)，f_θ(z₁,z₂,z₃,…,z_n)＝θ₀+θ₁z₁+θ₂z₂+θ₃z₃+…+θ_nz_n，z_n表示第n个技术参数类型的数值，并预设z_n的定义域；

步骤S6、对所述目标函数f_θ(z₁,z₂,z₃,…,z_n)使用第二优化算法求得最优解表示所述3D打印机的第n个技术参数类型的最优取值。

2.根据权利要求1所述的一种基于人工智能技术的3D打印工艺参数优化方法，其特征在于：所述步骤S4中的第一优化算法是梯度下降法，具体包括：

步骤S41、建立损失函数J(θ₁,θ₂,θ₃,…,θ_n)，

步骤S42、对所述损失函数J(θ₁,θ₂,θ₃,…,θ_n)进行关于θ_j的偏导，

其中j表示序号且为正整数，θ_j表示第j个所述权重参数；

步骤S43、再进行多元线性回归运算，

通过函数minmize(J(θ₁,θ₂,θ₃,…,θ_n))，

最后获得θ₁,θ₂,θ₃,…,θ_n的值。

3.根据权利要求1所述的一种基于人工智能技术的3D打印工艺参数优化方法，其特征在于：所述步骤S6中的第二优化算法是粒子群算法，具体包括：

步骤S61、将一次所述打印记录视为一个粒子，所述n个技术参数类型的数值视为所述粒子的位置Z^(k)(t)，所述n个技术参数类型的数值变化量视为所述粒子的速度V^(k)(t)，

其中k与t均表示序号且为正整数；表示第k个粒子在第t次迭代的第n维位置分量，所述第n维位置的取值即为第n个技术参数类型的数值；表示第k个粒子在第t次迭代的第n维速度分量，所述第n维速度分量的取值即为第n个技术参数类型的数值变化量；

设定所述粒子的总数量为K个，最大迭代次数为T次，K与T均为正整数，初始化K个所述粒子的位置Z^(k)(t)与速度V^(k)(t)；

步骤S62、计算K个所述粒子在第t次迭代的目标函数值从中选择目标函数值最高的粒子的位置作为全局最优粒子位置，每个粒子保存在迭代过程中自身目标函数值最高的位置作为单体历史位置；

表示第k个粒子的单体历史位置，表示其第n维位置分量；

G_best表示全局最优粒子位置，p_gn表示其第n维位置分量；

步骤S63、更新所述粒子的位置和速度，具体为：

其中c₁为个体学习因子，c₂为社会学习因子，r₁与r₂为随机值，r₁∈(0,1)，r₂∈(0,1)；

步骤S64、判断迭代次(t+1)是否大于最迭代次数T，如果“是”，则得到k个粒子的位置Z^(k)(T)，其中目标函数值最高的粒子位置即为最优位置如果“否”，则转到步骤S62。