(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110130044.6 (22)申请日 2021.01.2 9 (71)申请人 苏州奇流信息科技有限公司 地址 215513 江苏省苏州市 常熟市经济技 术开发区四海路9号 (72)发明人 大卫·西蒙·哈特曼　罗小帆　 赵则昂　 (74)专利代理 机构 上海巅石知识产权代理事务 所(普通合伙) 31309 专利代理师 王再朝 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01) G16C 60/00(2019.01)G16C 10/00(2019.01) G06F 111/06(2020.01) G06F 113/10(2020.01) G06F 119/10(2020.01) G06F 119/14(2020.01) (54)发明名称 机器学习模型的训练方法、 训练装置、 评价 系统 (57)摘要 本申请公开一种用于评估3D打印构件性能 的机器学习模 型的训练方法、 机器学习模型的训 练装置、 用于评估3D打印构件性能的评价系统、 计算机设备以及计算机可读存储介质， 其中， 所 述机器学习模型的训练方法通过预先确定对打 印构件的打印质量有影 响的变量， 对不同打印构 件模型设置不同打印参数进行实际打印和模拟 打印获得训练数据， 将训练数据集中的实际打印 环境中打印构 件性能测量值作为输出， 将等效松 弛时间数据和/或残余应力数据作为输入， 使得 在训练完成后， 所述机器学习模 型可基于打印构 件的等效松弛时间数据和/或残 余应力数据对打 印构件的性能进行评价， 即可实现针对不同类型 的打印构件将其打印参数与打印质量相关联。 权利要求书4页 说明书26页 附图2页 CN 114818401 A 2022.07.29 CN 114818401 A 1.一种用于评估3D打印构件性能的机器学习模型的训练方法， 其特征在于， 所述机器 学习模型的训练方法包括以下步骤： 获取所述3D打印构件的多组残余应力数据和/或多组等效松弛时间数据； 以及获取3D 打印构件在实际打印环境中至少一种性能评价 参数的多组测量 值； 以及 将所述多组残余应力数据和/或所述多组等效松弛时间数据作为输入数据以及将所述 多组测量 值作为输出 数据进行关联训练以获得 所述机器学习模型。 2.根据权利要求1所述的机器学习模型的训练方法， 其特征在于， 还包括基于预测数据 与所述输出数据进行误差评价以调整所述机器学习模型 的步骤； 其中， 所述预测数据为机 器学习模型基于 输入数据进行 预测的性能评价结果。 3.根据权利要求1所述的机器学习模型的训练方法， 其特征在于， 所述多组残余应力数 据或所述多组等效松弛时间数据是在不同有限元模拟环境中获得的； 其中， 所述不同有限 元模拟环境是通过对3D打印构件 模型设置以不同打印参数信息形成的。 4.根据权利要求3所述的机器学习模型的训练方法， 其特征在于， 所述打印参数信 息包 括打印头的打印路径、 层高度、 打印头的移动速度、 打印材料输出速度、 打印材料加热温度、 以及挤出温度中的一种或多种信息 。 5.根据权利要求3所述的机器学习模型的训练方法， 其特征在于， 所述打印参数信 息还 包括打印设备参数信息， 所述打印设备参数信息包括打印初始温度场信息、 打印设备构件 板加热温度、 打印腔室温度、 以及打印头形状中的一种或多种信息 。 6.根据权利要求5所述的机器学习模型的训练方法， 其特征在于， 所述初始打印温度场 信息获取的方式包括： 基于热成像仪或热电偶测量打印前的打印腔 体温度分布获取有限元 模拟环境的打印初始温度场信息 。 7.根据权利要求3所述的机器学习模型的训练方法， 其特征在于， 所述打印参数信 息还 包括打印构件的材料属性信息， 所述材料属性信息包括： 丝材类型、 丝材直径、 丝材截面形 状、 材料最高加热温度、 材料热参数、 材料动态力学参数、 以及材料初始残余应力中的一种 或多种信息 。 8.根据权利要求7所述的机器学习模型的训练方法， 其特征在于， 所述材料热参数的确 定方式包括以下至少一种： 基于热辐射系数测试仪测量打印材 料的热辐射系数； 基于丝材打印实验， 记录打印丝材被加热后置于打印腔室中的温度变化规律， 由此计 算等效对流换 热系数； 或者 对形状规则的几何结构模型进行打印实验， 记录打印过程中打印材料随时间变化的温 度场分布， 以及， 对 所述几何结构模型设置以不同对流换热系数进 行有限元模拟， 输出模拟 打印过程的模拟温度场， 将与打印实验的温度场重合的模拟温度场对应的对流换热系数作 为等效的对流换 热系数。 9.根据权利要求7所述的机器学习模型的训练方法， 其特征在于， 所述材料动态力学参 数的确定方式包括： 测量打印构件或试样在不同温度下被施加交变应变、 恒定应变、 或 固定 载荷后的响应， 获得材料 的储能模量和损耗模量 随温度的变化 曲线， 拟合 曲线以获得有限 元模拟中输入的材 料动态力学参数信息 。 10.根据权利要求9所述的机器学习模型的训练方法， 其特征在于， 所述交变应变、 恒定权　利　要　求　书 1/4 页 2 CN 114818401 A 2应变或固定载荷依不同加载方向使打印构件发生不同形变， 所述形变的类型包括拉伸、 压 缩、 弯曲、 3点弯曲、 剪切中的至少一 者。 11.根据权利要求9所述的机器学习模型的训练方法， 其特征在于， 所述交变应变为简 谐应力或简谐载荷。 12.根据权利要求7所述的机器学习模型的训练方法， 其特征在于， 所述材料初始残余 应力的确定方式包括以下步骤： 对打印材 料设置以不同的打印参数信息进行多组单丝打印实验； 计算或测量多组单丝打印实验获得的单丝构件的残余应力； 以及 获得包括所述不同打印参数信息与多组打印实验获得的单丝构件的残余应力的残余 应变数据库； 其中， 打印实验获得的单丝构件的残余应力与单丝构件的打印参数信息具有 对应关系。 13.根据权利要求12所述的机器学习 模型的训练方法， 其特征在于， 所述计算或测量多 组单丝打印实验获得的单丝构件的残余应力的步骤中， 对所述单丝结构进 行处理以释放残 余应变， 测量单丝形变以计算残余应力； 或， 基于物理检测方法确定所述单丝构件的残余应 力。 14.根据权利要求3所述的机器学习模型的训练方法， 其特征在于， 在所述有限元模拟 环境中对 所述3D打印构件进 行耦合模拟 计算以获得所述多组残余应力数据和/或多组等效 松弛时间数据， 所述耦合模拟计算为在预设有边界条件下 的耦合模拟计算， 所述边界条件 包括热对流 边界条件和/或热辐射 边界条件。 15.根据权利要求3所述的机器学习模型的训练方法， 其特征在于， 在所述有限元模拟 环境中对 所述3D打印构件进 行耦合模拟 计算以获得所述多组残余应力数据和/或多组等效 松弛时间数据， 所述耦合模拟计算的模型包括描述所述打印材料的力学变形的线性粘弹性 模型， 或/和用以描述所述打印材料 的热传导行为的横观各向同性热传导模型或正交各向 异性热传导模型。 16.根据权利要求3所述的机器学习模型的训练方法， 其特征在于， 所述3D打印构件模 型在有限元模拟环境中的模拟域依预设尺寸或预设分区数量划分为多个子区域， 所述多组 残余应力数据和/或多组等效松弛时间数据为模拟域中各子区域内的残余应力平均值或/ 及等效松弛时间平均值。 17.根据权利要求15或16所述的机器学习 模型的训练方法， 其特征在于， 所述各子区域 内的残余应力平均值或/及等效松弛时间平均值是由三维数据变换处 理获得的二维数据。 18.根据权利要求1所述的机器学习模型的训练方法， 其特征在于， 所述性能评价参数 包括构件 可打印性、 形状畸变、 结构刚度、 层间粘接强度、 几何精度、 最小打印间隙、 分辨率、 桥接表现、 悬垂 表现、 表面波纹度、 最小打印层厚、 垂直度中的至少一 者。 19.根据权利要求18所述的机器学习 模型的训练方法， 其特征在于， 确定所述形状畸变 的测量值的方式包括： 比较实际打印环境中的3D打印构件的表面网格与3D打印构件模型表 面网格间的曲率 误差， 以计算获得构件表面的局部区域或/及构件整体的形状畸变。 20.根据权利要求19所述的机器学习 模型的训练方法， 其特征在于， 所述实际打印环境 中的3D打印构件的表面网格是由三维光学扫描仪扫描3D打印构件获得的。 21.根据权利要求18所述的机器学习 模型的训练方法， 其特征在于， 所述构件可打印性权　利　要　求　书 2/4 页 3 CN 114818401 A 3