[发明专利]一种空间网络3D打印算法

说明书

技术领域

本发明属于3D打印技术领域，涉及一种空间网络3D打印算法。

背景技术

现有3D打印控制方法为开环控制，或者普通的PID控制方法，这些方法不具备对多种冲突的任务和矛盾的计算进行智能优化的能力，也就是3D打印机无法对自身状态进行感知从而使自身的最重要功能协调发挥、并且在多个线程发生冲突时自动脱离。当计算、通信、控制、人机交互等内容交织在一起时无法形成一个有机整体，更无法从3D打印控制的内核上支持多个打印机之间形成智能网络，实现3D打印机之间的分布式操作，而只能依靠人为的手动调整和分结构设计并分结构单独打印，当3D打印机出现线程冲突或任务矛盾时无法给出故障标记和解决办法。

发明内容

本发明的目的在于提供一种空间网络3D打印算法，解决了目前的3D打印控制方法无法从3D打印控制的内核上支持多个打印机之间形成智能网络，实现3D打印机之间的分布式操作的问题。

本发明所采用的技术方案如下:

一种空间网络3D打印算法，首先扩展自组织特征银蛇算法，自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，构成对输入数据有选择地给与反应的网络。基于自组织特征映射的学习算法构造SOM空间网络3D打印算法：

STEP1：用随机数作为尺度参数导入傅里叶热扩散方程，设定输入层和映射层之间的权值的初始值，以输入层作为变量X，用映射层作为变量Y，进行梯度空间演化，从而形成输入层空间和映射层空间。对m个输入神经元到输出神经元连接权值赋予梯度空间较小的权值。选取输出神经元j个空间内的“邻接神经元”的集合S_j。其中S_j(0)表示时刻t＝0的神经元j空间“邻接神经元”的集合，S_j(t)表示时刻t空间“邻接神经元”的集合。空间区域S_j(t)随着时间的增长而不断缩小；

STEP2：把多维输入向量X＝(x₁,x₂,x₃,…,x_m)^T作为数据给输入层空间；

STEP3：计算映射层空间的权值向量和输入向量空间的距离(欧氏距离)。在映射层空间，计算各神经元的权值向量空间和输入向量空间的欧氏距离。映射层的第j个神经元和输入向量的的距离如式1所示

式1

式中，w_ij为输入层的i神经元和映射层的j神经元之间的权值。通过计算，得到一个具有最小距离的神经元，记为j^*,即确定出某个单元k，使得对于任意的j，都有d_k＝min(dj)，并给出其邻接神经元集合；

STEP4：权值的学习.按下式2修正输出神经元j*及其“邻接神经元”权值；

Δw_ij＝w_ij(t+1)-w_ij(t)-η(t)(x_i(t)-w_ij(t)) (式2)

式2中，η为一个大于0小于1的常数，随着时间变化逐渐下降到0；

或(式3)

STEP5：计算输出O_k

O_k＝f(min||x-w_j||)

式中，f(*)一般为0～1函数或者其他非线性函数；

STEP6：判断是否达到预先设定的要求。如果达到要求则算法结束；

否则，返回步骤(2)，进行下一轮学习。

采用上述算法后，本发明的有益效果如下：

本发明专利根据现有技术和产品的不足公布了一种能够广泛运用在各种成型工艺的3D打印机中的SOM空间网络3D打印算法，它是一种对打印机自身状态和参数进行感知与协调的智能控制算法，对SLA、SLS、FDM、LOM、3DP等打印方法提供全面支持，可以使打印机对自身的计算、通信、控制、人机交互等多线程任务进行全面协调和优化决策，结合自身当前的控制特征和任务特征进行自身能力的最优分配，最大程度避免线程冲突和任务矛盾，并具有发现自身故障和给出故障解决建议的能力。

附图说明

图1所示的是本发明中的3D打印网络拓扑结构图；

图2所示的是本发明中的3D邻接神经元直接距离图；

图3所示的是本发明中3DSOM竞争胜利神经元分布图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

SOM空间网络3D打印算法的构建