(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 202211396308.3 (22)申请日 2022.11.09 (71)申请人 北京大学 地址 100871 北京市海淀区颐和园路5号 (72)发明人 王新明　吴建国　 (74)专利代理 机构 北京万象新悦知识产权代理 有限公司 1 1360 专利代理师 黄凤茹 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/11(2006.01) G06F 17/16(2006.01) G06F 17/18(2006.01) G06F 113/10(2020.01) G06F 119/08(2020.01) (54)发明名称 一种基于高斯过程模型的3D打印质量预测 方法及系统 (57)摘要 本发明公布了一种基于高斯过程模型的3D 打印质量预测方法及系统， 可应用于氧化铝陶瓷 光固化、 金属粉末激光选区烧结等多种3D打印工 艺。 系统包括： 3D打印实验设计模块、 实验数据收 集模块、 历史数据 收集及参数空间调整模块、 3D 打印质量预测模型构建和训练模块、 3D打印质量 预测模块； 设计3D打印产品质量指标及工艺参 数， 并设置3D打印实验设计表； 收集实验数据； 收 集历史数据和进行参数空间调整； 构建3D打印质 量预测模型并训练； 进行预测。 本发明可实现少 量实验次数下对3D打印质量的预测， 提高预测准 确度， 提升寻找最优工艺参数的速度， 进而缩短 开发3D打印新材料所需的实验周期， 大大降低3D 打印制造的时间成本与经济成本 。 权利要求书3页 说明书9页 附图2页 CN 115510766 A 2022.12.23 CN 115510766 A 1.一种基于高斯过程模型的3D打印质量预测方法， 包括以下步骤： S1、 设计3D打印产品质量指标及工艺 参数， 并设置 3D打印实验设计表； S2、 收集实验数据： 根据3D打印实验设计表进行3D打印制造， 采集所得产品的质量指 标， 与对应的工艺参数组成3D打印实验数据集， 记为 ； ； 其中， 和 分别代表3D打印实验数据的工艺参数集合和质量指标集合， 代表3D打印实验 次数， 为序号； S3、 收集历史数据： 搜集同种材料产品在其他3D打印工艺下的 组历史数据， 组成历史 数据集， 记为 ， 表示为： ， 其中， 、 分别代表历史数据 中的工艺参数集合和质量指标集合； 为 中数据个数； 为历史数据集序号； 为 中数据 的序号； S4、 对历史数据进行参数空间调整： 若每一个历史数据集包含的工艺参数种类与3D打 印实验数据集 不同， 则对其进行参数空间调整； 包括： S401、 对 中的 和 中的 分别进行如下划分： 其中 与 包含两个数据集中共有 的工艺参数， 与 分别包含其他工艺历史数 据的独有工艺 参数和当前3D打印实验数据的独有工艺 参数； S402、 去除其他工艺历史数据 中的独有工艺参数 ， 得到投影数据 进行非参数回归， 获得边际回归方程： ； S403、 根据边际回归方程均匀采样得到 个伪数据： ， 其中 为伪数据序 号； S404、 向步骤S40 3中得到的每 个伪数据， 添加3D打印独有的工艺 参数 ， 得到调整 后的历史数据集 ， 并重新记为 ， 其中 分 别表示调整后数据集中的工艺参数集合与产品质量指标集合， 为数据集中的数 据个数， 为 中的数据编号； S5、 模型构建： 构建具有 维输出的多输出高斯过程的3D打印质量预测模型； 多输出高斯过程模型中， 个调整后历史数据集中的产品质量指标 ， 和3D打印实验 数据集的产品质量指标 ， 服从多输出高斯过程， 形式如下：权　利　要　求　书 1/3 页 2 CN 115510766 A 2其中， 为高斯分布， 为全体数据 的协方差矩阵； 表示 所有数据集的工艺 参数集合； 协方差矩阵 的形式如下： 其中， 协方差矩阵 包括四类矩阵块， 分别为： 第一类矩阵块是调整后历史数据集 自身的协方差矩阵块 ； 协方差矩阵块 的第 行第 列元素为 ， 其中 为第一类协方差函数， 分别为数据集 中工艺参数集合 的第 和第 个工艺参数点， ； 第二类矩阵块是3D打 印实验数据集 自身的协方差矩阵块 ， 其第 行第 列元 素为 ， 其中 为第二类协方差函数， 分别为3D打印实验数据集 中工艺参 数集合 中的第 和第 个数据点， ； 第三类矩阵块是调整后历史数据集 与3D打印实验数据集 的协方差矩阵块 ， 其第 行第 列元素为 ， 其中 为第三类协方差函数， 分别 为调整后历史数据集 中工艺参数集合 中的第 个数据点， 为3D打印实验数据集 中工 艺参数集合 中的第 个数据点； 第 四 类 矩 阵 块 是 调 整 后 历 史 数 据 集 与 之 间 的 协 方 差 矩 阵 块 ， 可设置为 零矩阵； S6、 模型训练： 基于历史数据集 和3D打印实验数据集 ， 利用最优化算法对S5中 的高斯过程模型进行训练； S7、 利用训练好的模型进行预测： 基于S6中训练好的高斯过程模型， 输入3D打印的任意 工艺参数 ， 输出预测的3D打印产品质量指标值 ， 表示为： 其中， 表示高斯分布， 为预测均值， 为预测方差， 为所有数据集的质 量指标向量 集合， 为 与 的协方差， 为 与 的协方差； 可进一步得到精细的质量 ‑参数响应曲面；权　利　要　求　书 2/3 页 3 CN 115510766 A 3