[发明专利]3D打印材料的收卷速度和收卷张力的控制方法

说明书

本申请涉及智能制造领域下的智能操作控制，其公开了一种3D打印材料的收卷速度和收卷张力的控制方法，其包括：获取软性材料挤出成型的历史速度数据和用于收卷线盘对应线缆的历史张力数据；将所述历史速度数据和历史张力数据转化为历史速度向量和历史张力向量；将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；计算所述历史速度特征向量的第一相关系数；计算所述历史张力特征向量的第二相关系数；以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；以及，将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。

技术领域

本发明涉及涉及智能制造领域下的智能操作控制，且更为具体地，涉及一种3D打印材料的收卷速度和收卷张力的控制方法、3D打印材料的收卷速度和收卷张力的控制系统和电子设备。

背景技术

3D打印是一种快速成型技术，其以数字模型文件为基础，运用粉末状金属或塑料等可粘合材料，通过逐层打印的方式来构造物体。目前，3D打印的材料包含TPU、TPE等软性材料，这些软性材料在挤出成型后，需要电机带动线盘进行收卷，收卷时需要保持一定的张力和速度，如果张力过大则容易使线材受到拉伸变形，导致线材的尺寸变小，而速度过大容易导致线材的断裂，速度过小又容易导致收卷效率下降。

在3D打印材料的收卷过程中，收卷的速度和张力之间要保持一定的适配关系，并且也需要与软性材料在挤出成型时的速度保持一定的适配关系，才能达到更好的收卷效果。

因此，期待一种用于3D打印材料的收卷速度和收卷张力的控制的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为3D打印材料的收卷速度和收卷张力的控制提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种3D打印材料的收卷速度和收卷张力的控制方法、3D打印材料的收卷速度和收卷张力的控制系统和电子设备，其基于深度神经网络提取软性材料挤出成型的历史速度数据和用于收卷软性材料的收卷线盘对应线缆的历史张力数据在特征空间中的关联，并通过对所述关联进行解码以获得收卷速度和收卷张力的控制参数，通过这样的方式，提高控制收卷速度和张力的精确性。

根据本申请的一个方面，提供了一种3D打印材料的收卷速度和收卷张力的控制方法，其包括：

获取软性材料挤出成型的历史速度数据，用于收卷软性材料的收卷线盘对应线缆的历史张力数据；

将所述历史速度数据和所述历史张力数据分别构造为历史速度向量和历史张力向量；

将所述历史速度向量和所述历史张力向量分别通过深度神经网络以获得历史速度特征向量和历史张力特征向量；

计算所述历史速度特征向量相对于所述历史张力特征向量的第一相关系数，所述第一相关系数表示所述历史速度特征向量中各元素的特征值与所述历史张力特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；

计算所述历史张力特征向量相对于所述历史速度特征向量的第二相关系数，所述第二相关系数表示所述历史张力特征向量中各元素的特征值与所述历史速度特征向量中所有元素的特征值的平均值之差除以该元素的特征值之商；

以所述第一相关系数和所述第二相关系数计算所述历史速度特征向量和所述历史张力特征向量的加权和，以获得待编码特征向量；

将所述待编码特征向量通过编码器以输出当前时刻的速度和张力控制值。