基于深度学习的完全填充型熔融沉积成型零件质量预测方法

抗拉强度、翘曲度和表面粗糙度是衡量熔融沉积成型(FDM)零件质量的重要指标,对其准确、稳定的预测有助于FDM工艺的发展。为此,提出一种基于优化深度信念网络的完全填充型FDM零件质量预测方法。首先根据FDM的生产工艺选取影响零件质量指标的主要变量,利用相关性分析方法确定对产品质量影响最大的工艺参数组合,以获取预测模型的输入变量;其次以10—折交叉验证的验证误差作为适应度值,基于网格搜索确定稀疏约束深度信念网络(SDBN)的最佳超参数组合,采用自适应布谷鸟搜索(ACS)算法对SDBN进行优化,构建完全填充型FDM零件质量预测模型;最后,将所提的ACS-SDBN与ACS-DBN、深度信念网络(DBN)和BP的预测结果进行对比,结果表明基于ACS-SDBN模型的完全填充型FDM零件质量预测方法具有更好的预测精度和稳定性。