本發(fā)明涉及增材制造，特別涉及一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，熔融沉積成型(fdm)工藝參數(shù)監(jiān)控系統(tǒng)通常面臨著環(huán)境適應(yīng)性不足的問題，這導(dǎo)致在變化的生產(chǎn)條件下，監(jiān)控系統(tǒng)難以保持精度和一致性。具體來說，傳統(tǒng)的監(jiān)控系統(tǒng)往往依賴于固定的參數(shù)設(shè)置和環(huán)境條件，當(dāng)面對不同的生產(chǎn)環(huán)境或材料變化時，這些系統(tǒng)無法有效適應(yīng)，從而影響產(chǎn)品質(zhì)量。此外，傳統(tǒng)系統(tǒng)在處理實(shí)時數(shù)據(jù)時往往缺乏靈活性和智能化，限制了其在復(fù)雜生產(chǎn)環(huán)境中的應(yīng)用。

2、背景技術(shù)部分中公開的上述信息僅僅用于增強(qiáng)對本發(fā)明背景的理解，因此可能包含不構(gòu)成本領(lǐng)域普通技術(shù)人員公知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法，通過域?qū)咕W(wǎng)絡(luò)(domain?adversarial?network,dan)來增強(qiáng)fdm工藝參數(shù)的監(jiān)控。利用多頭深度卷積神經(jīng)網(wǎng)絡(luò)對實(shí)時捕獲的圖像數(shù)據(jù)進(jìn)行特征提取，并通過域?qū)咕W(wǎng)絡(luò)優(yōu)化這些特征，從而減少源域與目標(biāo)域間的特征分布差異。不僅提高了監(jiān)控系統(tǒng)在不同生產(chǎn)環(huán)境下的泛化能力，而且增強(qiáng)了其對實(shí)時數(shù)據(jù)處理的靈活性和智能化，使得監(jiān)控系統(tǒng)能夠更精準(zhǔn)地適應(yīng)各種生產(chǎn)條件變化，保證了產(chǎn)品質(zhì)量的穩(wěn)定性和一致性。

2、本發(fā)明是通過以下技術(shù)方案予以實(shí)現(xiàn)：

3、一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法包括：

4、s100：配置攝像頭于用于熔融沉積成型的打印系統(tǒng)上以實(shí)時捕獲熔融沉積成型打印過程中的圖像，其中，采集的打印系統(tǒng)在參數(shù)未知情況下的圖像作為無標(biāo)簽的目標(biāo)域數(shù)據(jù)；采集打印系統(tǒng)在參數(shù)已知的不同參數(shù)下的圖像作為有標(biāo)簽的源域數(shù)據(jù)；

5、s200：構(gòu)建域自適應(yīng)卷積網(wǎng)絡(luò)，以源域數(shù)據(jù)和部分目標(biāo)域數(shù)據(jù)作為輸入的原始圖像數(shù)據(jù)對域自適應(yīng)卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，域自適應(yīng)卷積網(wǎng)絡(luò)對提取的特征進(jìn)行處理，通過對抗性學(xué)習(xí)優(yōu)化特征的域不變性以適應(yīng)于多樣化的生產(chǎn)環(huán)境，其中，所述域自適應(yīng)卷積網(wǎng)絡(luò)包括，

6、特征提取器f，其包括用于初始特征學(xué)習(xí)的由resnet結(jié)構(gòu)、卷積層、批量歸一化和relu激活函數(shù)組成的卷積層，后接減少特征維度的最大池化層和轉(zhuǎn)換形成一致的特征映射的線性層，

7、標(biāo)簽分類器c，其由全連接層構(gòu)成以解讀特征提取器f產(chǎn)生的特征映射，并將這些特征映射到相應(yīng)的標(biāo)簽類別，標(biāo)簽分類器c通過監(jiān)督學(xué)習(xí)在源域數(shù)據(jù)中訓(xùn)練以便對已知標(biāo)簽類型進(jìn)行分類，

8、域鑒別器d，其包含一系列卷積網(wǎng)絡(luò)層以分析和區(qū)分源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)間的特征分布差異，域鑒別器d在對抗性訓(xùn)練過程中與特征提取器f進(jìn)行互動以創(chuàng)建能夠欺騙標(biāo)簽分類器c的特征表示，促使特征提取器f產(chǎn)生能夠抵抗域差異的特征表示；

9、s300：將另一部分目標(biāo)域數(shù)據(jù)輸入訓(xùn)練好的域自適應(yīng)卷積網(wǎng)絡(luò)，獲得目標(biāo)域數(shù)據(jù)的預(yù)測標(biāo)簽，根據(jù)域自適應(yīng)卷積網(wǎng)絡(luò)輸出的特征調(diào)整熔融沉積成型工藝參數(shù)。

10、所述的一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法中，采集的圖像通過隨機(jī)旋轉(zhuǎn)、縮放和隨機(jī)裁剪進(jìn)行處理。

11、所述的一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法中，從輸入數(shù)據(jù)中提取特征的特征提取器f包括殘差神經(jīng)網(wǎng)絡(luò)、卷積層、歸一化層和最大池化層以依次對輸入數(shù)據(jù)進(jìn)行特征提取,學(xué)習(xí)數(shù)據(jù)的局部和全局特征表示，最后通過線性層將提取的特征映射到特定維度,形成最終的特征表示，所述特征提取器的表達(dá)式為：：f＝maxpool(relu(bn(conv(resnet(x)))))，其中，

12、x是輸入的原始圖像數(shù)據(jù)；

13、resnet(x)表示將輸入數(shù)據(jù)x通過殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行初步的特征提取和表示學(xué)習(xí)，殘差神經(jīng)網(wǎng)絡(luò)通過引入恒等映射和跨層連接以提取特征，

14、conv(resnet(x))表示在殘差神經(jīng)網(wǎng)絡(luò)的輸出特征上應(yīng)用卷積操作,進(jìn)一步提取局部特征，卷積層通過滑動卷積核對輸入特征進(jìn)行卷積計(jì)算,提取不同尺度和方向上的特征模式，

15、bn(conv(resnet(x)))表示對卷積層的輸出應(yīng)用批量歸一化操作，批量歸一化通過對每個批次的數(shù)據(jù)進(jìn)行歸一化處理,

16、relu(bn(conv(resnet(x))))表示在批量歸一化的輸出上應(yīng)用relu激活函數(shù)，relu函數(shù)對輸入進(jìn)行非線性變換,

17、maxpool(relu(bn(conv(resnet(x)))))表示在relu激活后的特征圖上應(yīng)用最大池化操作，最大池化通過在局部區(qū)域內(nèi)選取最大值,對特征圖進(jìn)行下采樣,減小特征圖的尺寸，

18、最終,特征提取器f的輸出是一個提取了多層次、多尺度特征的緊湊特征表示。

19、所述的一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法中，標(biāo)簽分類器c接收特征提取器輸出的特征以通過全連接層對特征進(jìn)行分類，以根據(jù)學(xué)習(xí)到的特征對數(shù)據(jù)的標(biāo)簽進(jìn)行預(yù)測，標(biāo)簽分類器的損失函數(shù)lc用于衡量分類預(yù)測的準(zhǔn)確性，所述標(biāo)簽分類器c的表達(dá)式為：c(f(x))＝softmax(wc·f(x)+bc)其中：

20、f(x)表示特征提取器從原始輸入獲得的特征；wc和bc分別表示分類器的權(quán)重矩陣和偏置向量,softmax函數(shù)用于將分類器的輸出轉(zhuǎn)化為概率分布形式，標(biāo)簽分類器的損失函數(shù)lc采用交叉熵?fù)p失,公式為:

21、

22、其中,n表示源域數(shù)據(jù)的樣本數(shù),yi表示樣本xi的真實(shí)標(biāo)簽,c(f(xi))表示分類器對樣本xi的預(yù)測概率分布。

23、所述的一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法中，域鑒別器d用于區(qū)分源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的特征分布差異，其接收特征提取器的輸出特征,通過多層全連接層對特征進(jìn)行域判別，域鑒別器的目的是盡可能準(zhǔn)確地判斷特征來自源域還是目標(biāo)域，其損失函數(shù)ld用于衡量域判別的效果，

24、所述域鑒別器d的表達(dá)式為：d(f(x))＝sigmoid(wd·f(x)+bd)，其中，wd和bd分別表示域鑒別器d的權(quán)重矩陣和偏置向量；sigmoid函數(shù)用于將域鑒別器的輸出轉(zhuǎn)化為概率值,表示特征來自源域或目標(biāo)域的概率，

25、域鑒別器的目標(biāo)是最大化源域和目標(biāo)域特征的區(qū)分能力,使得它能夠盡可能準(zhǔn)確地判斷特征來自哪個域，為了達(dá)到這個目標(biāo),域鑒別器的損失函數(shù)ld采用二元交叉熵?fù)p失,公式為:

26、

27、其中:

28、ns表示源域樣本的數(shù)目，nt表示目標(biāo)域樣本的總數(shù)，表示源域樣本,表示目標(biāo)域樣本，

29、表示域鑒別器d對源域樣本特征的預(yù)測概率,即特征來自源域的概率，表示域鑒別器d對目標(biāo)域樣本特征的預(yù)測概率，

30、通過最小化損失函數(shù)，ld域鑒別器d學(xué)習(xí)到區(qū)分源域和目標(biāo)域特征的最優(yōu)參數(shù),使得它能夠準(zhǔn)確地判斷特征的域?qū)傩浴?/p>

31、所述的一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法中，對所述域自適應(yīng)卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括以下步驟：

32、s201：從標(biāo)準(zhǔn)運(yùn)行的打印系統(tǒng)中收集源域數(shù)據(jù)，其中每條數(shù)據(jù)均由對應(yīng)的操作參數(shù)和已知的打印結(jié)果標(biāo)簽構(gòu)成，從實(shí)際生產(chǎn)環(huán)境中收集不帶有明確的標(biāo)簽信息的目標(biāo)域數(shù)據(jù)，使用特征提取器f對數(shù)據(jù)進(jìn)行特征提取，獲得源域特征和目標(biāo)域特征

33、s202:使用特征提取器f對輸入數(shù)據(jù)x進(jìn)行處理，以提取特征，特征提取器f通過以下公式表示：

34、f＝maxpool(relu(bn(conv(resnet(x)))))，

35、s203:將所述源域特征輸入標(biāo)簽分類器c中，獲得源域數(shù)據(jù)標(biāo)簽類別的預(yù)測值，標(biāo)簽分類器c首先接收特征提取器f輸出的特征向量其中表示源域數(shù)據(jù)樣本，i是樣本的索引；對每個特征向量應(yīng)用一組學(xué)習(xí)到的權(quán)重wc和偏置bc；應(yīng)用softmax函數(shù)進(jìn)行激活和歸一化，將權(quán)重應(yīng)用后的線性輸出轉(zhuǎn)換為概率分布，公式如下：

36、

37、使用交叉熵?fù)p失函數(shù)lc來評估標(biāo)簽分類器c在源域標(biāo)簽上的預(yù)測表現(xiàn)，損失函數(shù)計(jì)算如下：

38、

39、其中，是源域數(shù)據(jù)樣本的真實(shí)標(biāo)簽的獨(dú)熱編碼，

40、s204:域鑒別器d使用損失函數(shù)ld來衡量其性能，損失函數(shù)ld表達(dá)如下：

41、

42、這里，ns表示源域樣本的數(shù)目，nt表示目標(biāo)域樣本的總數(shù)，d(f(x))是域鑒別器d對于特征提取器f的輸出的域分類預(yù)測，在對抗性訓(xùn)練階段，通過最大化域損失函數(shù)ld來實(shí)現(xiàn)，

43、s205:在對抗性訓(xùn)練中，特征提取器f和域鑒別器d同時優(yōu)化，以鼓勵f產(chǎn)生難以區(qū)分域的特征，其優(yōu)化通過最小化總損失函數(shù)ltotal來實(shí)現(xiàn)：

44、ltotal＝lc+λld

45、其中，λ是一個權(quán)衡兩種損失重要性的超參數(shù)，

46、s206:參數(shù)更新采用梯度下降法則，其中學(xué)習(xí)率η決定了每次更新時參數(shù)改變的步長，更新公式表述為：

47、

48、此處，θ代表模型參數(shù)，其包括θf，θc，θd；是總損失函數(shù)相對于參數(shù)的梯度，

49、對于特征提取器f，參數(shù)更新公式為：

50、

51、對于標(biāo)簽分類器c，參數(shù)更新公式為：

52、

53、對于域鑒別器d，參數(shù)更新公式為：

54、

55、其中，表示微分算子，η表示學(xué)習(xí)率，θf，θc，θd分別表示特征提取器、故障分類器和域鑒別器的可學(xué)習(xí)參數(shù)，θ'f，θ'c，θ'd分別表示經(jīng)過學(xué)習(xí)更新后的參數(shù)，ltotal、lc和ld分別表示總體目標(biāo)函數(shù)、故障分類損失和域分類損失，s207：利用測試樣本對訓(xùn)練后的域自適應(yīng)卷積網(wǎng)絡(luò)進(jìn)行測試。

56、所述的一種基于域?qū)咕W(wǎng)絡(luò)的熔融沉積成型工藝參數(shù)監(jiān)控方法中，標(biāo)簽對應(yīng)的參數(shù)包括噴嘴z軸高度、噴嘴溫度、噴嘴移動速度和噴嘴材料擠出率。

57、和現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

58、本發(fā)明利用域適應(yīng)網(wǎng)絡(luò)的先進(jìn)機(jī)制，通過減少監(jiān)控模型在訓(xùn)練環(huán)境與實(shí)際生產(chǎn)環(huán)境之間的分布差異，有效提高了模型在多種生產(chǎn)條件下的適應(yīng)能力和魯棒性；借助域適應(yīng)網(wǎng)絡(luò)對復(fù)雜數(shù)據(jù)的深層特征理解，本方法確保了即使在生產(chǎn)條件發(fā)生變化時，也能實(shí)現(xiàn)精準(zhǔn)的工藝參數(shù)調(diào)控，保持打印質(zhì)量的一致性；通過域適應(yīng)網(wǎng)絡(luò)的應(yīng)用，本方法顯著降低了因環(huán)境變化導(dǎo)致的打印錯誤，從而減少廢品產(chǎn)生，提升了材料和資源的使用效率，降低了維護(hù)和調(diào)整成本，能夠?yàn)橛脩魩砀叩慕?jīng)濟(jì)效益。本發(fā)明通過結(jié)合域?qū)咕W(wǎng)絡(luò)和多頭神經(jīng)網(wǎng)絡(luò)，對fdm打印過程中收集到的圖像數(shù)據(jù)進(jìn)行深入分析，實(shí)時監(jiān)控并優(yōu)化工藝參數(shù)，使得打印產(chǎn)品質(zhì)量得到可靠保證。本方法提高監(jiān)控系統(tǒng)的適應(yīng)性和靈活性，顯著提升了fdm打印過程的質(zhì)量控制和效率。不僅增強(qiáng)了監(jiān)控系統(tǒng)的性能，還為fdm技術(shù)的廣泛應(yīng)用提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。