CN111898443A

CN111898443A - 一种fdm型3d打印机送丝机构流量监测方法

Info

Publication number: CN111898443A
Application number: CN202010608500.9A
Authority: CN
Inventors: 陈赟; 陈康; 刘晓伟; 张续才; 张思; 苏世杰; 张建
Original assignee: Jiangsu University of Science and Technology
Current assignee: Jiangsu University of Science and Technology
Priority date: 2020-06-30
Filing date: 2020-06-30
Publication date: 2020-11-06
Anticipated expiration: 2040-06-30
Also published as: CN111898443B

Abstract

本发明公开了一种FDM型3D打印机送丝机构流量比监测方法，包括：按照预设的时间步长采集打印过程中的待测信号；对待测信号进行归一化处理，得到预处理的待测信号；利用快速傅里叶变换法将预处理的待测信号转换为频域待测信号；对频域待测信号划分为多个频率区间，提取每个频率区间的最大幅值，得到表征频域待测信号的特征向量；根据预先构建的动态识别模型，对频域待测信号的特征向量进行聚类分析，得到识别结果。本申请的方法根据FDM型3D打印喷头送丝速度与打印速度之间关系量化识别当前打印机的工作状态，提高了打印机稳定性及打印质量。

Description

一种FDM型3D打印机送丝机构流量监测方法

技术领域

本发明涉及3D打印，具体涉及一种FDM型3D打印机送丝机构流量监测方法。

背景技术

熔融沉积成型(Fused Deposition Modeling，FDM)是一种增材制造(AdditiveManufacturing)工艺，其具有结构简单，易于操作和成本低等优点，目前已经在众多增材制造领域中成为最流行、应用最广泛的技术之一。

对于FDM型3D打印，喷头系统是FDM型3D打印机的关键部位，其运行状态直接关系着熔融沉积成型加工过程中的稳定性，进而影响产品质量。喷头的送丝速度和打印速度之间的关系对异常状态(喷头堵塞，拉丝等)的发生起到关键作用。现有技术中，对FDM零件打印过程中异常打印工况或典型产品缺陷进行识别和预防通常从装置结构的角度出发。公开号为“CN205326303U”的实用新型专利，公开了一种3D打印机送丝兼检测装置，主要通过对装置结构改进，解决工作过程中容易出现送丝不顺畅、堵丝、整体结构变形大等问题，以提高打印机的稳定性和打印精度，并不涉及对FDM的考虑。

发明内容

发明目的：本申请的目的在于提供一种FDM型3D打印机送丝机构流量监测方法，解决FDM型3D打印喷头送丝速度与打印速度之间关系难以量化识别导致的打印机稳定性不高的问题。

技术方案：本发明提供了一种FDM型3D打印机送丝机构流量监测方法，包括：

(1)按照预设的时间步长采集打印过程中的喷头振动待测信号；

(2)对待测信号进行归一化处理，得到预处理的待测信号；

(3)利用快速傅里叶变换法将预处理的待测信号转换为频域待测信号；

(4)对频域待测信号划分为多个频率区间，提取每个频率区间的最大幅值，得到表征频域待测信号的特征向量；

(5)根据预先构建的动态识别模型，对频域待测信号的特征向量进行聚类分析，得到识别结果。

进一步地，预先构建的动态识别模型通过以下步骤建立：

(21)从打印机的历史打印数据中按照预先设定的流量比区间选取多组历史数据作为样本数据；

(22)分别对多组历史数据进行归一化处理，得到预处理的样本数据；

(23)利用快速傅里叶变换法分别将多组预处理的样本数据转换为对应的频域样本信号；

(24)根据频域样本信号的频域特征，将其划分为多个频率区间，提取每个频率区间的最大幅值，得到表征频域样本信号的特征向量；

(25)利用KNN分类算法构建分类器分别对多组频域样本信号的特征向量进行分类，构建不同流量比下的识别模型。

进一步地，步骤(22)中，采用z-score算法分别对多组历史数据进行归一化处理，归一化处理具体表示为：

其中，Y＝[y₁,y₂,...,y_n]为样本数据，μ₁为样本数据Y的均值，σ1为样本数据Y的标准差，Y*为归一化处理后的结果。

进一步地，步骤(23)包括：

将归一化后的样本数据Y*进行离散傅里叶变换：

其中e是自然对数的底数，j是虚数单位，N为时域信号Y*的长度；

再对其进行快速傅里叶变换，具体为：

其中，F_odd(k)和F_even(k)是两个分别关于序列

奇数号和偶数号序列N/2点变换，W_N为N次单位根表示的

进一步地，步骤(25)包括：

(251)将多组样本信号对应的特征向量按照预先设定的比例划分为训练集和测试集；

(252)将训练集对应的每组数据都记上与之对应的类别标签；

(253)针对测试集中特定样本，计算其与训练集中每一个样本之间的距离；

(254)根据预先设定的K值，选取K个离特定样本最近的点；

(255)将出现次数最多的类别作为特定样本所属的类别。

进一步地，可采用闵式距离、马氏距离或余弦距离计算每个样本点与其余样本点之间的距离。

进一步地，步骤(254)中采用k折交叉验证算法对分类器进行验证，防止分类器构建过程中的过拟合与欠拟合，并得到预先设定的K值。

有益效果：与现有技术相比，本申请的方法根据历史打印数据构建动态识别模型，根据FDM型3D打印喷头送丝速度与打印速度之间关系量化识别当前打印机的工作状态，提高了打印机稳定性及打印质量。

附图说明

图1为本申请FDM型3D打印机送丝机构流量监测方法的流程图；

图2为本申请实施例中11组不同流量比的时域图与幅频图；

图3为本申请实施例中k折交叉验证图；

图4为本申请实施例中的KNN算法分类图；

图5为本申请实施例中k折交叉验证算法对KNN算法不同K值验证的准确率；

图6为本申请实施例中混淆矩阵10次10折平均计算结果的训练结果图；

图7为本申请实施例中混淆矩阵10次10折平均计算结果的测试结果图。

具体实施方式

下面结合附图和实施例对本发明做进一步描述：

本发明提供了一种FDM型3D打印机送丝机构流量监测方法，(流量比即送丝速度与打印速度之间比值)如图1所示，包括：

S101按照预设的时间步长采集打印过程中的喷头振动待测信号。在本实施例中，采集打印过程中的一组数据S＝[s₁,s₂,...,s_n]待测信号，采样频率为1000HZ，采样时间5s，采样间隔1s。

S102对待测信号S＝[s₁,s₂,...,s_n]进行归一化处理，得到预处理的待测信号。

S103利用快速傅里叶变换法将预处理的待测信号转换为频域待测信号。

S104对频域待测信号划分为多个频率区间，提取每个频率区间的最大幅值，得到表征频域待测信号的特征向量。具体地，将所得频域数据中超过200HZ部分数据划分成8个区间，并提取每个区间中最大幅值，得到能够表征该信号的特征向量X＝{x₁,x₂,...,x₈}。

S105根据预先构建的动态识别模型，对提取的频域待测特征信号向量进行聚类分析，得到识别结果。

预先构建的动态识别模型通过以下步骤建立：

(21)从打印机的历史打印数据中按照预先设定的流量比区间选取多组历史数据作为样本数据。具体地，在本实施例中，从历史打印数据记录中选取流量比为50％～150％的11组喷嘴振动信号数据，每组类型做100组实验，其中时域区间窗口为5s，滑动间隔为1s，即时域信号区间分别为[0s,5s]，[1s,6s]，[2s,7s]依次类推。

(22)分别对多组历史数据进行归一化处理，得到预处理的样本数据。具体地，采用z-score算法分别对多组历史数据进行归一化处理，归一化处理具体表示为：

(23)利用快速傅里叶变换法分别将多组预处理的样本数据转换为对应的频域样本信号。具体地，将归一化后的样本数据Y*进行离散傅里叶变换：

再对其进行快速傅里叶变换，具体为：

其中，F_odd(k)和F_even(k)是两个分别关于序列

奇数号和偶数号序列N/2点变换，W_N为N次单位根表示的

(24)根据频域样本信号的频域特征，将其划分为多个频率区间，提取每个频率区间的最大幅值，得到表征频域样本信号的特征向量。在本实施例中，如图2所示，将频域样本信号中超过200HZ部分数据划分成8个区间，并提取每个区间中最大幅值，得到能够表征该信号的特征向量Q＝[q₁,q₂,...,q₈]。

(25)利用KNN分类算法分别对提取的多组频域样本特征信号向量进行分类，构建不同流量比下的识别模型。具体地，包括：

(251)将提取的多组样本特征信号向量按照预先设定的规则划分为训练集、和测试集；

(252)将训练集对应的每组数据都记上与之对应的类别标签；

(253)针对测试集中特定样本，计算其与训练集中每一个样本之间的距离；；可采用闵式距离、马氏距离或余弦距离计算每个样本点与其余样本点之间的距离。

分别为：

①闵式距离

r取值不同时，对应的度量函数也不相同，当r取值为1时，则上式计算方式变为曼哈顿距离：

当r取值为2时，计算方式为欧氏距离：

当r→∞时，计算方式为切比雪夫距离：

②马氏距离

式中∑为协方差矩阵。

③余弦距离

(254)根据预先设定的K值，选取K个离待测样本最近的点；具体地，采用k折交叉验证算法对分类器进行验证，防止分类器构建过程中的过拟合与欠拟合，并得到预先设定的K值。

(255)将出现次数最多的类别作为待测数据所属的类别。

具体地，利用K折交叉验证算法来消除KNN算法分类过程中的过拟合与欠拟合问题，寻找最优的K值。具体如图3所示，包括：

将提取的多组样本特征信号向量数据集m(m＝88)分成两部分：测试集L和训练集m-L，再将训练集划分为k(k＝10)份，其中k-1份作为训练集，另外的一份作为验证集。上述数据集的划分独立于KNN算法步骤(251)中的数据集划分。

训练集用来训练分类器，验证集用来验证模型，每次训练并验证一次。每次都选择不同的k-1作为训练集。完成所有的k折后，计算的平均值作为评价该分类器的指标。如图5所示，经过10次10折交叉验证可以看出当KNN算法中的K值为3时，模型评估准确率最高。

具体如图4所示，选取邻近值K＝3，将待测特征信号向量输入KNN分类器中，自动计算待测数据在与每种模型类别数据中每个数据间的距离，并选取距离待测数据最近的3个模型类别数据，根据频率出现最高规则，判定为相应的类别。三种类别分别对应流量比为0.5≤V≤0.7，0.8≤V≤1.2，1.3≤V≤1.5。

如图6所示，图中横轴为预测值，纵轴为真实值，每格内的数据表示预测在该位置上的个数与该类别总个数的比值。从图中可以看出，对角线上方框数据占比最大，模型训练效果好。其中从左到右三个黑色虚线框分别代表流量比为0.5≤V≤0.7，0.8≤V≤1.2，1.3≤V≤1.5的识别准确率，并将0.5≤V≤0.7，1.3≤V≤1.5归为异常工况，0.8≤V≤1.2归为正常工况。

将测试数据代入到模型中，得到预测结果并与实际值作比较，如图7如示为测试数据分类结果，其中，测试数据每类有20个样本，对角线上数据值为每类样本预测正确的个数，其对三种流量比的识别准确率达到了92.73％。

由此可见，本申请提供的方法根据FDM型3D打印喷头送丝速度与打印速度之间关系量化识别当前打印机的工作状态，且识别准确率较高，提高了打印机稳定性及打印质量。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。