本發明涉及數據處理,尤其涉及一種基于多噴嘴數據的流量數據預測方法及系統。
背景技術:
1、fdm?3d打印技術光固化3d打印技術的實現,與噴嘴流量的精確控制息息相關,如何有效控制和監測噴嘴流量是其中重要的技術問題。現有技術在對噴嘴的流量進行監測時大部分僅通過單一噴嘴的傳感數據來對噴嘴進行流量的監測,沒有考慮到結合多個噴嘴的傳感數據來實現噴嘴流量的預測和異常判斷,因此其監測精度較低,效果較差。可見,現有技術存在缺陷,亟待解決。
技術實現思路
1、本發明所要解決的技術問題在于,提供一種基于多噴嘴數據的流量數據預測方法及系統,能夠更加精準和高效地預測出噴嘴的流量,提高3d打印流量的監測效果和效率,提高3d打印的穩定性。
2、為了解決上述技術問題,本發明第一方面公開了一種基于多噴嘴數據的流量數據預測方法,所述方法包括:
3、獲取目標3d打印設備的同一打印區域的多個相同口徑的噴嘴的傳感數據;
4、根據所有所述噴嘴的所述傳感數據,基于神經網絡算法,預測目標噴嘴對應的流量數據;
5、根據當前打印時間以及所述目標3d打印設備對應的打印計劃,確定所述目標噴嘴對應的參考流量區間;
6、根據所述流量數據和所述參考流量區間,判斷所述目標3d打印設備是否存在打印異常。
7、作為一個可選的實施方式,在本發明第一方面中,所述傳感數據包括圖像傳感數據、聲音傳感數據、流量計傳感數據和溫度傳感數據中的至少一種。
8、作為一個可選的實施方式,在本發明第一方面中,所述根據所有所述噴嘴的所述傳感數據,基于神經網絡算法,預測目標噴嘴對應的流量數據,包括:
9、將每一所述噴嘴的所述傳感數據,輸入至每一所述噴嘴對應的流量預測神經網絡中,以得到每一所述噴嘴對應的預測流量;
10、根據預設的噴嘴間的數據關聯關系,以及每一所述噴嘴對應的預測流量,確定目標噴嘴對應的流量數據。
11、作為一個可選的實施方式,在本發明第一方面中,所述流量預測神經網絡為cnn網絡,通過包括有多個對應的所述噴嘴的訓練傳感數據和對應的流量標注的訓練數據集訓練得到。
12、作為一個可選的實施方式,在本發明第一方面中,所述根據預設的噴嘴間的數據關聯關系,以及每一所述噴嘴對應的預測流量,確定目標噴嘴對應的流量數據,包括:
13、對于每一所述噴嘴,確定該噴嘴和目標噴嘴之間的數學對應關系模型;所述數學對應關系模型通過對該噴嘴和所述目標噴嘴的歷史流量數據進行擬合分析得到;
14、將該噴嘴對應的所述預測流量輸入至所述數學對應關系模型中,以得到該噴嘴對應的候選流量;
15、計算所有所述噴嘴對應的所述候選流量的加權求和平均值,得到所述目標噴嘴對應的流量數據;其中,每一所述噴嘴對應的所述候選流量對應的加權計算權重與所述噴嘴對應的位置距離成反比;所述位置距離為所述噴嘴與所述目標噴嘴之間的位置距離。
16、作為一個可選的實施方式,在本發明第一方面中,所述根據當前打印時間以及所述目標3d打印設備對應的打印計劃,確定所述目標噴嘴對應的參考流量區間,包括:
17、獲取所述目標3d打印設備對應的打印計劃;
18、根據當前打印時間和所述打印計劃,確定當前打印階段;
19、根據所述目標噴嘴對應的打印階段流量模型,以及所述當前打印階段,確定所述目標噴對應的參考流量區間;所述打印階段流量模型通過對所述目標噴嘴在歷史時間段的不同打印階段的流量數據進行分析得到的。
20、作為一個可選的實施方式,在本發明第一方面中,所述目標噴嘴為所述打印區域中的非所述噴嘴的噴嘴,其口徑與所述噴嘴的口徑相同。
21、作為一個可選的實施方式,在本發明第一方面中,所述根據所述流量數據和所述參考流量區間,判斷所述目標3d打印設備是否存在打印異常,包括:
22、判斷所述流量數據是否在所述參考流量區間內,得到判斷結果;
23、在所述判斷結果為是時,確定所述目標3d打印設備不存在打印異常;
24、在所述判斷結果為否時,確定所述目標3d打印設備存在打印異常。
25、本發明實施例第二方面公開了一種基于多噴嘴數據的流量數據預測系統,所述系統包括:
26、獲取模塊,用于獲取目標3d打印設備的同一打印區域的多個相同口徑的噴嘴的傳感數據;
27、預測模塊,用于根據所有所述噴嘴的所述傳感數據,基于神經網絡算法,預測目標噴嘴對應的流量數據;
28、確定模塊,用于根據當前打印時間以及所述目標3d打印設備對應的打印計劃,確定所述目標噴嘴對應的參考流量區間;
29、判斷模塊,用于根據所述流量數據和所述參考流量區間,判斷所述目標3d打印設備是否存在打印異常。
30、作為一個可選的實施方式,在本發明第二方面中,所述傳感數據包括圖像傳感數據、聲音傳感數據、流量計傳感數據和溫度傳感數據中的至少一種。
31、作為一個可選的實施方式,在本發明第二方面中,所述預測模塊根據所有所述噴嘴的所述傳感數據,基于神經網絡算法,預測目標噴嘴對應的流量數據的具體方式,包括:
32、將每一所述噴嘴的所述傳感數據,輸入至每一所述噴嘴對應的流量預測神經網絡中,以得到每一所述噴嘴對應的預測流量;
33、根據預設的噴嘴間的數據關聯關系,以及每一所述噴嘴對應的預測流量,確定目標噴嘴對應的流量數據。
34、作為一個可選的實施方式,在本發明第二方面中,所述流量預測神經網絡為cnn網絡,通過包括有多個對應的所述噴嘴的訓練傳感數據和對應的流量標注的訓練數據集訓練得到。
35、作為一個可選的實施方式,在本發明第二方面中,所述預測模塊根據預設的噴嘴間的數據關聯關系,以及每一所述噴嘴對應的預測流量,確定目標噴嘴對應的流量數據的具體方式,包括:
36、對于每一所述噴嘴,確定該噴嘴和目標噴嘴之間的數學對應關系模型;所述數學對應關系模型通過對該噴嘴和所述目標噴嘴的歷史流量數據進行擬合分析得到;
37、將該噴嘴對應的所述預測流量輸入至所述數學對應關系模型中,以得到該噴嘴對應的候選流量;
38、計算所有所述噴嘴對應的所述候選流量的加權求和平均值,得到所述目標噴嘴對應的流量數據;其中,每一所述噴嘴對應的所述候選流量對應的加權計算權重與所述噴嘴對應的位置距離成反比;所述位置距離為所述噴嘴與所述目標噴嘴之間的位置距離。
39、作為一個可選的實施方式,在本發明第二方面中,所述確定模塊根據當前打印時間以及所述目標3d打印設備對應的打印計劃,確定所述目標噴嘴對應的參考流量區間的具體方式,包括:
40、獲取所述目標3d打印設備對應的打印計劃;
41、根據當前打印時間和所述打印計劃,確定當前打印階段;
42、根據所述目標噴嘴對應的打印階段流量模型,以及所述當前打印階段,確定所述目標噴對應的參考流量區間;所述打印階段流量模型通過對所述目標噴嘴在歷史時間段的不同打印階段的流量數據進行分析得到的。
43、作為一個可選的實施方式,在本發明第二方面中,所述目標噴嘴為所述打印區域中的非所述噴嘴的噴嘴,其口徑與所述噴嘴的口徑相同。
44、作為一個可選的實施方式,在本發明第二方面中,所述判斷模塊根據所述流量數據和所述參考流量區間,判斷所述目標3d打印設備是否存在打印異常的具體方式,包括:
45、判斷所述流量數據是否在所述參考流量區間內,得到判斷結果;
46、在所述判斷結果為是時,確定所述目標3d打印設備不存在打印異常;
47、在所述判斷結果為否時,確定所述目標3d打印設備存在打印異常。
48、本發明第三方面公開了另一種基于多噴嘴數據的流量數據預測系統,所述系統包括:
49、存儲有可執行程序代碼的存儲器;
50、與所述存儲器耦合的處理器;
51、所述處理器調用所述存儲器中存儲的所述可執行程序代碼,執行本發明第一方面公開的基于多噴嘴數據的流量數據預測方法中的部分或全部步驟。
52、本發明第四方面公開了一種計算機存儲介質,所述計算機存儲介質存儲有計算機指令,所述計算機指令被調用時,用于執行本發明第一方面公開的基于多噴嘴數據的流量數據預測方法中的部分或全部步驟。
53、與現有技術相比,本發明實施例具有以下有益效果:
54、本發明能夠基于目標3d打印設備的同一打印區域的多個相同口徑的噴嘴的傳感數據預測目標噴嘴的流量數據,再基于當前打印時間以及打印計劃確定目標噴嘴對應的參考流量區間,以此綜合判斷目標3d打印設備是否存在打印異常,從而能夠更加精準和高效地預測出噴嘴的流量,提高3d打印流量的監測效果和效率,提高3d打印的穩定性。