基于BOHB-BP的增材制造成型件质量预测方法

TH164; 表面粗糙度和拉伸强度是衡量熔融沉积制造(FDM)成型件质量的重要指标,但由于FDM工艺参数众多,且与FDM成型件质量之间呈现非线性关系,因此传统方法难以准确预测这两项指标.为此,提出一种贝叶斯超频道优化算法(BOHB)与BP神经网络相结合的FDM 3D打印成型件质量预测方法以提高预测精度与稳定性.将层厚、扫描次数和填充间隔这三个工艺参数作为模型的输入;利用BOHB算法对BP神经网络的超参数进行优化得到BOHB-BP模型;使用中心复合实验获取表面粗糙度和拉伸强度的实验数据,在以上两种数据集上根据留一法验证模型的精度与稳定性;将模型BOHB-BP与模型GA-BP和BP的预测情况进行对...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 29; no. 8; pp. 2733 - 2742
Main Authors 徐旺莉, 史廷春, 陈鸿宇, 岳秀艳
Format Journal Article
LanguageChinese
Published 杭州电子科技大学 自动化学院,浙江 杭州 310018%杭州电子科技大学 计算机学院,浙江 杭州 310018%杭州电子科技大学 图书馆,浙江 杭州 310018 2023
Subjects
back propagation neural network
熔融沉积制造
BP神经网络
leave-one-out method
quality prediction
fused deposition modeling
Bayesian optimization and hyperband algorithm
留一法
质量预测
贝叶斯超频道优化算法
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.08.019

Cover

More Information
Summary:TH164; 表面粗糙度和拉伸强度是衡量熔融沉积制造(FDM)成型件质量的重要指标,但由于FDM工艺参数众多,且与FDM成型件质量之间呈现非线性关系,因此传统方法难以准确预测这两项指标.为此,提出一种贝叶斯超频道优化算法(BOHB)与BP神经网络相结合的FDM 3D打印成型件质量预测方法以提高预测精度与稳定性.将层厚、扫描次数和填充间隔这三个工艺参数作为模型的输入;利用BOHB算法对BP神经网络的超参数进行优化得到BOHB-BP模型;使用中心复合实验获取表面粗糙度和拉伸强度的实验数据,在以上两种数据集上根据留一法验证模型的精度与稳定性;将模型BOHB-BP与模型GA-BP和BP的预测情况进行对比实验,证明了所提方法在不同数据集上均有更好的预测精度与稳定性.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.08.019