一种基于APSO-KNN的FDM零件光洁度预测方法技术

本发明专利技术公开了一种基于APSO

【技术实现步骤摘要】
一种基于APSO
‑
KNN的FDM零件光洁度预测方法


[0001]本专利技术涉及智能制造领域，特别是一种基于APSO
‑
KNN的FDM零件光洁度预测方法。

技术介绍

[0002]目前增材制造技术（AM）被越来越多使用在各领域，包括航空航天领域、医疗领域、工业制造领域、建筑领域、艺术领域、教育领域等。与传统制造技术相比，它提高生产效能、降低制造成本、实现个性化生产，进一步推动了工业4.0的进展。熔融沉积成型（FDM）由于其制造成本低、成型速度快、工艺简单而被广泛的应用。而由于其印刷件表面光洁度较差，限制了FDM技术在实际工程中的应用。准确预测其印刷件表面光洁度是FDM技术在工程应用中重要的任务之一。
[0003]近年来，研究发现FDM打印参数对印刷件表面光洁度有很大的影响。目前预测方法主要是建立零件打印参数与零件表面粗糙度的映射关系模型，打印参数作为输入，预测参数作为输出。研究不同的映射关系模型来提高预测精度是FDM印刷件表面光洁度预测中的重要途经。
[0004]然而，现有模型的不足：一是没有考虑数据的不平衡性，对于个体数量较少的类别，预测精度很低。二是预测印刷件表面光洁度模型的输入因素较少，各打印参数是相互影响的，它们对零件表面质量的影响是综合的。三是无法满足表面光洁度多因素多类别预测需求，类别扩展会降低预测精度，而且模型复杂不易调参且不易理解，不适用于实际工程应用。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提出一种基于APSO
>‑
KNN的FDM零件光洁度预测方法，能根据FDM打印机的打印参数，有效预测出待印刷件表面光洁度。
[0006]本专利技术采用以下方案实现：一种基于APSO
‑
KNN的FDM零件光洁度预测方法，包括以下步骤：步骤S1：获取输入数据，将FDM待印刷件的主要打印参数包括喷嘴直径、层厚、轮廓数、挤出量、打印速度、喷头温度和构建方向作为训练的输入数据；步骤S2：将输入数据输入预先训练好的APSO
‑
KNN表面光洁度预测模型；本专利技术采用K近邻算法预测，由于其简单易懂，鲁棒性和可解释性强，并且适用于数据多分类问题、非线性问题和不平衡数据问题。K近邻算法基本原理是取与目标距离最近的k个标签进行分类，距离计算是分类精度的主要影响因素。但每个输入变量的所占权重不同，会对距离计算产生不可避免的偏差进而导致分类错误。将自适应粒子群算法引入K近邻算法中的距离公式为每个输入变量因子生成随机权重，调整距离公式计算偏差提高分类精度。
[0007]步骤S3：输出FDM印刷件表面光洁度的预测数据。
[0008]进一步地，所述步骤S2具体包括以下步骤：
步骤S21：通过设计FDM打印机打印不同参数的试样，使用激光共聚焦显微镜测量试样表面光洁度值（Ra），建立原始数据集，并取80%的原始数据作为训练集，20%作为测试集；其中，训练集是学习样本数据集，训练一些参数来构造一个分类器。测试集是测试训练好的模型的泛化能力；步骤S22：数据标准化；数据集的标准化可以减少某些属性间的差异，降低数据集分类精度的误差；步骤S23：粒子群初始化；以KNN距离公式中每个特征值的权重值w为优化变量，随机初始化种群中各个粒子的位置和速度；步骤S24：用距离公式计算每个标签与预测标签向量的距离，并计算适应度值；步骤S25：评价每个粒子的适应度，将粒子的位置和适应值储存在粒子的个体极值p
best
中，将所有p
best
中最优适应值的个体位置和适应值保存到全局极值g
best
中；步骤S26：根据自适应粒子群优化算法（APSO）中的更新公式对每个粒子的速度、位置和惯性权重进行更新操作，并对每个粒子进行适应度评估；步骤S27：将每个粒子的适应值与粒子的最好位置比较，如果相近，则将当前值作为粒子最好的位置，比较所有的p
best
和g
best
，更新g
best
；步骤S27：当到达迭代次数，则停止搜索并输出结果；否则返回到步骤5继续搜索；进一步地，步骤S23中，所述距离公式采用以下公式：其中：假设所有标签为m维空间，任何集合x都可以表示为特征向量x=(x1,x2,x3,
···
,x
m
),则样x
i
到x
j
的距离定义为d(x
i
,x
j
)。
[0009]进一步地，步骤S24中，所述适应度计算公式为：。
[0010]进一步地，步骤S26中，所述APSO在更新每个粒子的速度、位置和惯性权重时采用以下公式：粒子的速度和位置的更新规则：自适应机制动态调整惯性权重规则：其中，vi,j(t+1)为下一时刻的微粒速度，vi,j(t)为当前时刻的微粒速度，xi,j(t+1)为下一时刻的微粒位置，xi,j(t)为当前时刻的微粒位置，c1为自身加速学习因子，c2为
全局加速学习因子，r1、r2表示的是概率参数，pi,j表示的是个体最优位置，pg,j表示的是群体最优位置,wmax为上限惯性权重值，wmin为下限惯性权重值，f为粒子实时的目标函数值，favg和fmin为当前所有粒子的平均和最小目标值。
[0011]进一步地，步骤S27中，所述输出结果为模型每个输入变量因子最优权重。
[0012]与现有技术相比，本专利技术有以下有益效果：本专利技术能根据FDM打印机的打印参数，有效预测出待印刷件表面光洁度。同时，本专利技术将机器学习和智能算法融合到FDM印刷件表面光洁度预测中，具有准确性高、运行效率高并且具有较好的鲁棒性等优点。
附图说明
[0013]图1为本专利技术实施原理框架示意图。
具体实施方式
[0014]下面结合附图及实施例对本专利技术做进一步说明。
[0015]如图1所示，本实施例提供一种基于APSO
‑
KNN的FDM零件光洁度预测方法，包括以下步骤：步骤S1：获取输入数据，将FDM待印刷件的主要打印参数包括喷嘴直径、层厚、轮廓数、挤出量、打印速度、喷头温度和构建方向作为训练的输入数据；步骤S2：将输入数据输入预先训练好的APSO
‑
KNN表面光洁度预测模型；本实施例采用K近邻算法预测，由于其简单易懂，鲁棒性和可解释性强，并且适用于数据多分类问题、非线性问题和不平衡数据问题。K近邻算法基本原理是取与目标距离最近的k个标签进行分类，距离计算是分类精度的主要影响因素。但每个输入变量的所占权重不同，会对距离计算产生不可避免的偏差进而导致分类错误。将自适应粒子群算法引入K近邻算法中的距离公式为每个输入变量因子生成随机权重，调整距离公式计算偏差提高分类精度；步骤S3：输出FDM印刷件表面光洁度的预测数据。
[0016]在本实施例中，所述步骤S2具体包括以下步骤：步骤S21：通过设计FDM打印机打印不同参数的试样，使用激光共聚焦显微镜测量试样表面光洁度值（R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于APSO
‑
KNN的FDM零件光洁度预测方法，其特征在于，包括以下步骤：步骤S1：获取输入数据，将FDM待印刷件的主要打印参数包括喷嘴直径、层厚、轮廓数、挤出量、打印速度、喷头温度和构建方向作为训练的输入数据；步骤S2：将输入数据输入预先训练好的APSO
‑
KNN表面光洁度预测模型；步骤S3：输出FDM印刷件表面光洁度的预测数据。2.根据权利要求1所述的一种基于APSO
‑
KNN的FDM零件光洁度预测方法，其特征在于，所述步骤S2具体包括以下步骤：步骤S21：通过设计FDM打印机打印不同参数的试样，使用激光共聚焦显微镜测量试样表面光洁度值（Ra），建立原始数据集，并取80%的原始数据作为训练集，20%作为测试集；步骤S22：数据标准化；数据集的标准化可以减少某些属性间的差异，降低数据集分类精度的误差；步骤S23：粒子群初始化；以KNN距离公式中每个特征值的权重值w为优化变量，随机初始化种群中各个粒子的位置和速度；步骤S24：用距离公式计算每个标签与预测标签向量的距离，并计算适应度值；步骤S25：评价每个粒子的适应度，将粒子的位置和适应值储存在粒子的个体极值p
best
中，将所有p
best
中最优适应值的个体位置和适应值保存到全局极值g
best
中；步骤S26：根据自适应粒子群优化算法（APSO）中的更新公式对每个粒子的速度、位置和惯性权重进行更新操作，并对每个粒子进行适应度评估；步骤S27：将每个粒子的适应值与粒子的最好位置比较，如果相近，则将当前值作为粒子最好的位置，比较所有的p
best
和g
best
，更新g
best
；步骤S27：当到达迭代次数，则停止搜索并输出结果；否则返回到步骤5继续搜索。3.根据权利要求3所述的一种基于APSO
‑

【专利技术属性】
技术研发人员：黄美发，靳尚坤，时忠坤，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：