第２９卷第１期计算机集成制造系统Ｖｏｌ．２９Ｎｏ．１２０２３年１月ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓＪａｎ．２０２３ＤＯＩ：１０．１３１９６／ｊ．ｃｉｍｓ．２０２３．０１．０１７收稿日期：２０２０－１１－１６；修订日期：２０２１－０６－２４。Ｒｅｃｅｉｖｅｄ１６Ｎｏｖ．２０２０；ａｃｃｅｐｔｅｄ２４Ｊｕｎｅ２０２１．基金项目：国家自然科学基金资助项目（７１６７２１１７）；中央引导地方科技发展计划资助项目（２０２１ＪＨ６／１０５００１４９）。Ｆｏｕｎｄａｔｉｏｎｉｔｅｍｓ：ＰｒｏｊｅｃｔｓｕｐｐｏｒｔｅｄｂｙｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎ，Ｃｈｉｎａ（Ｎｏ．７１６７２１１７），ａｎｄｔｈｅＣｅｎｔｒａｌＧｏｖｅｒｎｍｅｎｔＧｕｉｄｅｓｔｈｅＬｏｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＤｅｖｅｌｏｐｍｅｎｔＰｌａｎ，Ｃｈｉｎａ（Ｎｏ．２０２１ＪＨ６／１０５００１４９）．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董海１，高秀秀２＋，魏铭琦２（１．沈阳大学应用技术学院，辽宁沈阳１１００４１；２．沈阳大学机械学院，辽宁沈阳１１００４１）摘要：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。关键词：熔融沉积成型零件；质量预测；１０—折交叉验证；稀疏深度信念网络；自适应布谷鸟搜索算法；增材制造中图分类号：ＴＨ１６４文献标识码：ＡＱｕａｌｉｔｙｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｆｕｌｌｙｆｉｌｌｅｄｆｕｓｅｄｄｅｐｏｓ...
