CN115049127B 基于bohb算法及神经网络的3d打印质量预测方法 （杭州电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115049127B(45)授权公告日2025.07.04

(21)申请号202210677875.X

(22)申请日2022.06.15

(65)同一申请的已公布的文献号申请公布号CN115049127A

(43)申请公布日2022.09.13

(73)专利权人杭州电子科技大学

地址310018浙江省杭州市杭州经济技术

开发区白杨街道2号大街1158号

(72)发明人史廷春徐旺莉

(74)专利代理机构浙江千克知识产权代理有限公司33246

专利代理师黎双华

(51)Int.CI.

GO6Q10/0639(2023.01)

GO6Q10/04(2023.01)

GO6Q50/04(2012.01)

GO6N3/0499(2023.01)

GO6N3/084(2023.01)

GO6N3/0985(2023.01)

(56)对比文件

CN113569352A,2021.10.29

CN112172128A,2021.01.05

CN112659548A,2021.04.16

Ling,YS,等.Improvingtheestimationaccuracyofmulti-nuclidesourceterm

estimationmethodforseverenuclear

accidentsusingtemporalconvolutionalnetworkoptimizedbyBayesian

optimizationandhyperband.Journalof

environmentalradioactivity.2022,(第242期),1-17.

审查员宋晓晖

权利要求书1页说明书5页附图2页

(54)发明名称

基于BOHB算法及神经网络的3D打印质量预

测方法

(57)摘要

CN115049127B本发明涉及3D打印技术领域，具体涉及一种基于BOHB算法及神经网络的3D打印质量预测方法，包括：步骤一、确定工艺参数；步骤二、构建标准样条模型并调整工艺参数；步骤三、打印测试样条模型并测试；步骤四、对实验数据集进行处理；步骤五、构建BP神经网络预测模型；步骤六、训练BP神经网络预测模型；步骤七、优化工艺参数。本发明的有益技术效果为：在选择打印参数时为用户提供参考，减少试错成本，使用BOHB算法与神经网络结合的方式，能够更加精准的对成型件质量进行预测；避免了BP神经网络预测模型在选取变量值时的随机盲目性的特点，能极大程

CN115049127B

确定工艺参数

确定工艺参数

构建标准样条模型并调整工艺参数

打印测试样条模型并测试

对实验数据集进行处理

构建BP神经网络预测模型

训练BP神经网络预测模型

优化工艺参数

CN115049127B权利要求书1/1页

2

1.基于BOHB算法及神经网络的3D打印质量预测方法，其特征在于，

包括：

步骤一、确定工艺参数：确定熔融沉积成型的工艺参数；

步骤二、构建标准样条模型并调整工艺参数：建立标准拉伸测试样条模型，构建力学性能测试样条模型，将测试样条模型分层，分层后按照标准调整工艺参数；

步骤三、打印测试样条模型并测试：将测试样条模型导入3D打印机打印，按照预设标准进行力学性能和粗糙度测试，记录试验结果，得到实验数据集；

步骤四、对实验数据集进行处理：将实验数据集归一化处理，划分训练集和测试集；

步骤五、构建BP神经网络预测模型：构建BP神经网络预测模型，所述BP神经网络预测模型的输入为工艺参数，输出为拉伸强度和表面粗糙度；

步骤六、训练BP神经网络预测模型：使用训练集训练所述BP神经网络预测模型，构建BOHB算法对训练中的BP神经网络预测模型的变量进行搜索寻优，使用测试集测试所述BP神经网络预测模型，不断训练BP神经网络预测模型直到达到预设准确度；

步骤七、优化工艺参数：建立优化算法，目标函数为使所述BP神经网络预测模型的输出达到最优，获得最优工艺参数；

步骤六中，将激活函数、隐含层节点数、权值和偏置值中的一个或多个设置为BP神经网络预测模型的变量，变量作为BOHB算法