[0001] 本发明涉及3D打印技术领域，具体涉及一种AI驱动的光固化3D打印故障预测方法。

[0002] 光固化3D打印技术，也称为立体光刻（SLA）或数字光处理（DLP）技术，是一种基于光敏树脂固化的增材制造技术。其基本原理是利用光源（如激光或投影仪）照射光敏树脂，通过光固化反应使树脂逐层固化，从而逐步构建出三维物体。这种技术因其高精度和表面光滑度被广泛应用于工业制造、医疗、珠宝、建筑等领域。

[0003] 而在光固化3D打印中经常会出现层间粘接不良、尺寸偏差或表面缺陷等问题，导致打印质量不稳定。目前主要是通过调整打印参数（如光源强度、打印速度、层厚度等）来改善打印质量。然而，这需要依赖于用户的经验和反复试验，且难以应对动态变化的打印条件。而当前的光固化3D打印方法侧重于打印后的修复或参数调整，对实时监测和故障预测的研究较少。由于光固化3D打印过程中的多变量和复杂性，现有技术难以实现全面、准确的故障预测和即时调整。

[0004] 因此，亟需开发一种能够实时监测和预测故障的光固化3D打印故障预测方法，以提高光固化3D打印的稳定性和可靠性。

[0028] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0029] 在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

[0030] 下面将结合本发明示例性实施例中的附图，对本发明示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0031] 下面结合具体实施例对本发明的技术方案作进一步的说明：参阅图1所示，图1为本发明提供的一种AI驱动的光固化3D打印故障预测方法的流程图。本发明一个实施例中提供的一种AI驱动的光固化3D打印故障预测方法，包括以下步骤：
步骤S10、基于光固化3D打印设备上安装的传感器实时采集打印参数，并通过数据处理模块对采集的打印参数进行数据预处理，消除噪声和异常值。

[0032] 该步骤中，光固化3D打印设备上安装有树脂槽温度传感器、光源强度传感器、振动传感器、位置传感器以及电流传感器，分别用于采集光固化3D打印时的打印参数：树脂温度、紫外光强度、振动频率、振动幅度、Z轴高度。

[0033] 在本实施例中，对采集的打印参数进行数据预处理时，将采集的打印参数进行移动平均处理，确定移动平均的窗口大小；根据数据的采样频率和设置的平滑程度对每个时间点的打印参数进行计算该时间前及前后移动窗口的平均值；得到平滑时间序列数据，平滑树脂温度、紫外光强度、平均设定段时间内的振动数据和Z轴高度的位置信号。

[0034] 其中，对采集的打印参数进行数据预处理时，还包括对平滑时间序列数据通过中值滤波消除尖峰噪声，通过确定中值滤波的窗口大小，对每个时间点及前后移动窗口的数据取中值，去除树脂温度中突发的异常值、滤除异常振动峰值以及去除偶发的电流尖峰。

[0035] 其中，对采集的打印参数进行数据预处理时，还包括识别和处理中值滤波后数据中的异常值，通过计算每个传感器对应数据的均值和标准差，将树脂温度、紫外光强度、振动频率与振动幅度、Z轴高度进行Z‑score标准化处理，得到预处理后的数据。

[0036] 在上述步骤中，AI驱动的光固化3D打印故障预测方法通过多种传感器采集数据，利用数据预处理技术消除噪声和异常值，确保获取的打印参数数据高精度，为后续故障预测提供可靠的数据基础。

[0037] 其中，在进行移动平均处理时，所采用的移动平均处理公式为：

[0038] 式中， 为在时间点t的移动平均值； 为确定的移动平均的窗口大小； 则为第 个时间点的采集数据。

[0039] 而中值滤波消除尖峰噪声时，在时间点t的中值滤波值的计算公式为：

[0040] 其中， 为在时间点t的中值滤波值；为确定的中值滤波的窗口大小； 为在第 个时间点的采集数据。

[0041] 示例性的，假设在某次光固化3D打印过程中，传感器采集到以下数据（单位时间内，部分数据）如下：树脂温度（℃）：30, 31, 32, 35, 30, 29, 28, 27, 30, 29；
紫外光强度（mW/cm²）：10, 11, 10, 12, 11, 10, 9, 8, 10, 11；
振动频率（Hz）：50, 51, 50, 52, 53, 54, 55, 56, 55, 54；
振动幅度（mm）：0.5, 0.6, 0.7, 0.8, 0.7, 0.6, 0.5, 0.4, 0.5, 0.6；
Z轴高度（mm）：10, 10.1, 10.2, 10.3, 10.2, 10.1, 10, 9.9, 10, 10.1；
然后进行数据预处理，首先进行移动平均处理，其中：
假设窗口大小 =3，则第5个时间点的树脂温度的移动平均值为：

[0042] 然后进行中值滤波处理，其中：假设窗口大小 =3，则第5个时间点的紫外光强度的中值滤波值为：

[0043] 最后进行Z‑score标准化处理，其中：假设树脂温度均值μ=30℃，标准差σ=2℃，则第5个时间点的树脂温度的Z‑score标准化值为：

[0044] 在本实施例中，通过传感器数据采集、移动平均处理、中值滤波和Z‑score标准化等步骤，可以有效地消除噪声和异常值，提高数据质量。预处理后的数据为AI系统提供可靠的输入基础，从而提高光固化3D打印故障预测的准确性和及时性，最终提升打印质量和设备的运行稳定性。

[0045] 步骤S20、从预处理后的数据中提取光固化3D打印的多维特征，并进行时序特征和空间特征分析，得到光固化3D打印的高维特征向量。

[0046] 在该步骤中，提取光固化3D打印的多维特征时，将预处理后的数据中的平滑时间序列数据按照时间序列分段，计算每个时间段内各传感器数据的时序特征，提取的时序特征包括平均值、标准差、捕捉的每个时间段内极值变化的最大值和最小值，以及获取数据形态分布的偏度和峰度；将时间序列数据转换到频域，提取空间特征，空间特征包括通过傅里叶变换提取数据的频域特征以及在同频率上的功率谱密度。

[0047] 在本实施例中，进行时序特征和空间特征分析，得到光固化3D打印的高维特征向量，包括以下步骤：将不同传感器的数据按时间戳对齐，将提取的时序特征和空间特征进行特征拼接成一个高维特征向量。

[0048] 其中，参见图2所示，所述AI驱动的光固化3D打印故障预测方法还包括基于图神经网络进行空间特征提取，包括以下步骤：步骤S201、采集光固化3D打印的传感器数据和光固化3D打印设备的物理结构数据；
步骤S202、将光固化3D打印机的物理结构建模为图，节点代表传感器，边代表数据流；
步骤S203、将传感器数据映射到所属图节点上，形成节点特征向量，其中，每个节点的特征向量包含该节点所采集的多维数据；
步骤S204、基于图卷积网络作为图神经网络架构，构建图神经网络模型，其中，定义的输入层接收节点特征，隐藏层进行特征聚合、变换，输出层生成最终特征表示；
步骤S205、将预处理后的图数据划分为训练集、验证集和测试集，使用训练集对图神经网络模型进行训练，应用训练好的图神经网络模型对测试集图数据进行验证，提取各节点的高维特征向量；
步骤S206、将提取的空间特征与时序特征和频域特征进行融合，形成综合特征向量，使用融合后的综合特征向量训练故障预测模型。

[0049] 在本实施例中，AI驱动的光固化3D打印故障预测方法通过提取预处理后的数据中的时序特征和空间特征，进一步构建高维特征向量，并基于图神经网络（Graph Neural Network, GNN）提取空间特征，最终将时序特征、空间特征和频域特征融合，形成综合特征向量，用于故障预测模型的训练和验证。

[0050] 示例性的，在获得光固化3D打印的高维特征向量时，假设在光固化3D打印过程中采集了以下部分传感器数据：树脂温度：30℃,31℃,32℃,33℃,31℃,30℃；
振动频率：50Hz，51Hz，50Hz，52Hz，51Hz，50Hz。

[0051] 那么，在进行时序特征提取时，计算出树脂温度的平均值和标准差，其中：树脂温度的平均值Mean=(30+31+32+33+31+30)÷6≈31℃；
树脂温度的标准差Std= 。

[0052] 然后将时序特征、频域特征和基于图神经网络的特征向量拼接，形成用于故障预测的综合特征向量。

[0053] 通过结合时序特征、频域特征和空间特征，特别是引入图神经网络的空间结构建模，该AI驱动的光固化3D打印故障预测方法能够精确捕捉设备运行过程中的多维特征，提高对潜在故障的预测能力。通过这些复杂的特征提取和融合，最终生成的高维综合特征向量为故障预测模型提供了更丰富的信息，提高了预测模型的准确性、鲁棒性和及时性，确保了打印过程的稳定性和可靠性。

[0054] 步骤S30、根据收集的历史打印数据标注为正常数据样本和故障数据样本，结合高维特征向量对构建的故障预测模型训练和优化。

[0055] 在该步骤中，参见图3所示，构建的故障预测模型训练和优化时，包括以下步骤：步骤S301、收集光固化3D打印过程中产生的历史打印数据，包括温度、紫外光强度、振动频率、振动幅度和Z轴高度；
步骤S302、按照时间段内数据是否异常或故障将历史打印数据划分为正常数据样本和故障数据样本，并按比例随机划分为训练集和测试集；
步骤S303、使用训练集中的高维特征向量和对应的正常或故障的标签对选定的模型进行训练，并调整模型的超参数，通过测试集进行交叉验证，得到训练和优化后的故障预测模型。

[0056] 该步骤中，收集光固化3D打印过程中各传感器产生的历史数据，涵盖以下主要数据：温度：树脂或设备内部的温度数据。

[0057] 紫外光强度：紫外光照射的强度，用于固化过程。

[0058] 振动频率和振动幅度：检测设备运行中的振动数据。

[0059] Z轴高度：设备的Z轴移动情况。

[0060] 数据标注时，根据历史数据中打印过程的异常情况，将数据标注为正常样本和故障样本。故障的标准可以包括设备出现停机、打印失败，或者参数超出安全范围。将数据按比例（80%用于训练，20%用于测试）随机划分为训练集和测试集，模型训练时，采用支持向量机（SVM）分类器优化目标，采用随机森林调整模型的超参数，通过准确率作为评估指标。

[0061] 假设光固化3D打印机的历史打印数据如下：温度：[30℃,32℃,33℃,34℃,32℃]
紫外光强度：[100W/m2,105W/m2,108W/m2,102W/m2,110W/m2]
振动频率：[50Hz,51Hz,52Hz,50Hz,53Hz]
上述这些历史打印数据根据是否发生故障被标注为正常数据或故障数据。

[0062] 然后，结合时序特征（温度的均值和标准差）、频域特征（振动频率的功率谱密度）以及空间特征，形成综合的高维特征向量：特征向量1：[31.5,2.5,105,50.5,...]；
特征向量2：[32,1.8,108,51,...]；
这些高维特征向量与对应的标签（正常或故障）一起用于模型的训练，通过交叉验证进行优化。在光固化3D打印故障预测中，数据的预处理与高维特征提取为模型提供了丰富的信息。通过使用如SVM、随机森林、GBDT等分类模型，结合适当的超参数调整和交叉验证，模型能够有效识别潜在的故障，提高打印设备的可靠性和稳定性。

[0063] 步骤S40、基于训练的故障预测模型对实时采集的打印参数进行检测，将得到的预测结果与预设的预警阈值比较，若超出阈值，则根据故障分级结果发出预警。

[0064] 在该步骤中，将实时采集的数据输入训练好的故障预测模型，通过学习到的特征和模式，生成一个可以表示设备处于正常或故障状态的预测值，作为某种故障的发生概率，设定预警阈值作为临界点进行“正常”或“故障”判断，例如，预测故障概率值P(fault∣X)超过某一设定阈值T，表明设备有故障的风险，如果模型输出的故障概率超过该阈值，则触发预警机制，例如预测值超过轻微故障阈值但低于严重故障阈值时，可以判定为中度故障，发出相应级别的预警。

[0065] 例如，根据预测值的大小，可以设定多级预警，其中，定义不同的故障分级阈值：、 、 。

[0066] 轻微故障： ；中度故障： ；
严重故障： 。

[0067] 示例性的，假设在光固化3D打印过程中，系统采集到以下实时数据：温度：40℃；
紫外光强度：120W/m²；
振动频率：55Hz；
Z轴高度：0.4mm。

[0068] 该数据输入到一个训练好的随机森林故障预测模型，模型输出故障预测概率为 0.8；
若系统设定的预警阈值为T=0.75，该预测值超过了预设的阈值，系统判断为中度故障，并发出预警提示操作员检查设备。

[0069] 若故障预测值为0.90，超过了严重故障的阈值 =0.85，系统则立即停机并发出警报，要求检查设备并修复。

[0070] 本发明的AI驱动的光固化3D打印故障预测方法，通过结合历史数据与实时采集的数据，利用训练好的模型对设备运行状态进行实时监控。通过与预警阈值的比较，系统能够在故障发生之前发出预警，从而减少打印失败的风险。故障分级和自动响应机制使系统更加智能化，并能够针对不同故障级别提供有效的解决方案，极大提高了设备的可靠性和生产效率。

[0071] 应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

[0072] 在一个实施例中，在本发明的实施例中还提供了一种计算机设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的AI驱动的光固化3D打印故障预测方法的步骤。

[0073] 在一个实施例中，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述的AI驱动的光固化3D打印故障预测方法的步骤。

[0074] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机指令表征的计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。

[0075] 非易失性存储器可包括只读存储器、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。

[0076] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。