基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的3D增材印花工藝參數(shù)優(yōu)化

王曉暉， 劉月剛， 孟 婥， 孫以澤

(東華大學(xué) 機(jī)械工程學(xué)院， 上海 201620)

3D增材印花工藝是在絲網(wǎng)印花的基礎(chǔ)上對(duì)印花精度和分辨率提出更高要求的一種新的印花工藝。傳統(tǒng)的絲網(wǎng)印花和圓網(wǎng)印花的單次印花厚度在0.1～0.3 μm之間，成品印花厚度在0.1 mm以下，疊印的次數(shù)維持在20以下，而3D印花鞋面要求的印刷厚度在0.8 mm以上，需要至少30～60次、最高的甚至上百次的疊印、套印，無(wú)論從黏結(jié)強(qiáng)度還是印花精度，一般的絲網(wǎng)印花和圓網(wǎng)印花都很難達(dá)到要求[1]。3D增材印花鞋面創(chuàng)新的印花工藝，改善了在傳統(tǒng)的皮革縫制運(yùn)動(dòng)鞋面生產(chǎn)過(guò)程中，勞動(dòng)強(qiáng)度高、環(huán)境污染的問(wèn)題，大大提升了產(chǎn)品的美觀程度。

國(guó)外對(duì)于精細(xì)絲網(wǎng)印刷技術(shù)的研究基本形成了以實(shí)驗(yàn)為基礎(chǔ)的評(píng)價(jià)標(biāo)準(zhǔn)[2]。在絲網(wǎng)印花工藝方面，國(guó)內(nèi)學(xué)者也做了大量研究。李婧偉等[3]圍繞影響精細(xì)絲網(wǎng)印刷印品質(zhì)量的工藝參數(shù)進(jìn)行理論分析與研究，主要包括絲網(wǎng)目數(shù)和絲網(wǎng)線徑的確定以及油墨的轉(zhuǎn)移附著對(duì)精細(xì)絲網(wǎng)印刷精度的影響。付堯建等[4]對(duì)柔性版印刷壓力進(jìn)行了測(cè)量，建立了柔性版印刷壓力計(jì)算模型，獲得了最佳印刷質(zhì)量所需的最大印刷壓力。徐洋等[5]提出了一種基于機(jī)器視覺(jué)的鞋面特征點(diǎn)的自動(dòng)識(shí)別方法，使鞋面印花工藝準(zhǔn)確性進(jìn)一步提升，但仍未解決多影響因素下的產(chǎn)品質(zhì)量和工藝參數(shù)之間的關(guān)系，也并未給出最優(yōu)的參數(shù)組合。

3D增材印花工藝參數(shù)的選取對(duì)于產(chǎn)品印花質(zhì)量有著極為重要的影響，為獲得最優(yōu)的工藝參數(shù)組合，本文構(gòu)建了3D增材印花工藝模型，利用神經(jīng)網(wǎng)絡(luò)擬合工藝參數(shù)和生產(chǎn)質(zhì)量之間的非線性關(guān)系，并進(jìn)行極值尋優(yōu)，獲得最優(yōu)參數(shù)組合，該模型可以實(shí)現(xiàn)3D增材印花鞋面機(jī)印質(zhì)量的數(shù)字化調(diào)控，縮短產(chǎn)品研發(fā)周期，降低研發(fā)成本。

1 3D增材印花工藝參數(shù)優(yōu)化描述

對(duì)于3D增材印花這一新工藝，國(guó)內(nèi)外研究基本停留在單一因素影響下的質(zhì)量分析，在實(shí)際生產(chǎn)中，網(wǎng)版參數(shù)、刮刀參數(shù)和底漿黏度等都會(huì)對(duì)油墨從網(wǎng)版到運(yùn)動(dòng)鞋面的附著造成影響，進(jìn)而直接影響鞋面印花質(zhì)量，但現(xiàn)有的手工印花，多依靠工人的經(jīng)驗(yàn)，無(wú)法實(shí)現(xiàn)對(duì)多參數(shù)交互作用下印花質(zhì)量的定量控制；因此，本文以油墨轉(zhuǎn)移率作為評(píng)價(jià)指標(biāo)，利用BP神經(jīng)網(wǎng)絡(luò)建立印花壓力、刮印速度、油墨黏度、刮印角度與油墨轉(zhuǎn)移率關(guān)系模型[6]，并利用遺傳算法在給定的工藝參數(shù)范圍內(nèi)進(jìn)行全局尋優(yōu)，找到最佳參數(shù)組合，從而獲得最好的鞋面印花質(zhì)量。

實(shí)際生產(chǎn)中，增材印花過(guò)程即油墨透過(guò)網(wǎng)版空隙附著在織物表面的過(guò)程，油墨附著量的多少直接決定產(chǎn)品質(zhì)量，一般油墨附著量多產(chǎn)品質(zhì)量高，油墨附著量少產(chǎn)品質(zhì)量低，因此，把油墨轉(zhuǎn)移率作為評(píng)價(jià)標(biāo)準(zhǔn)反映工藝參數(shù)對(duì)印花質(zhì)量的影響[7]。當(dāng)該工藝過(guò)程的輸入?yún)?shù)確定，則可以得到相應(yīng)的輸出目標(biāo)，為使輸出目標(biāo)最優(yōu)，則需要從輸入?yún)?shù)的眾多組合中尋找最合理的參數(shù)組合，從而實(shí)現(xiàn)對(duì)該工藝的參數(shù)優(yōu)化，為后續(xù)生產(chǎn)提供依據(jù)。本文要解決的主要問(wèn)題為：將通過(guò)實(shí)驗(yàn)獲得的工藝參數(shù)作為已知輸入?yún)?shù)，將對(duì)應(yīng)的油墨轉(zhuǎn)移率作為輸出目標(biāo)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)算法模型，并針對(duì)該模型的預(yù)測(cè)結(jié)果進(jìn)行尋優(yōu)，獲得輸出目標(biāo)最優(yōu)時(shí)的輸入工藝參數(shù)組合，為鞋面印花工藝參數(shù)調(diào)節(jié)和質(zhì)量控制提供依據(jù)。

2 數(shù)學(xué)模型

在實(shí)際生產(chǎn)應(yīng)用過(guò)程中，對(duì)應(yīng)不同工藝參數(shù)下的油墨轉(zhuǎn)移率發(fā)生變化，通過(guò)相應(yīng)實(shí)驗(yàn)獲得輸入?yún)?shù)和輸出目標(biāo)后，并不能得到明確的函數(shù)關(guān)系，對(duì)于未知的非線性函數(shù)，可以通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)曲線的擬合，并利用遺傳算法的非線性尋優(yōu)能力尋找極值。3D增材印花工藝參數(shù)優(yōu)化，可歸結(jié)為數(shù)學(xué)中非線性函數(shù)的極值尋優(yōu)問(wèn)題[8]。

將印花工藝參數(shù)尋優(yōu)問(wèn)題抽象為數(shù)學(xué)模型：1)設(shè)Pk=(x1，x2，…，xn)，是影響增材印花工藝的n(n≥1)個(gè)參數(shù)的集合，作為神經(jīng)網(wǎng)絡(luò)的輸入向量；2)設(shè)Tk=(y1，y2，…，ym)，是對(duì)應(yīng)的工藝參數(shù)影響下的評(píng)價(jià)標(biāo)準(zhǔn)，作為神經(jīng)網(wǎng)絡(luò)的輸出向量；3)設(shè)通過(guò)實(shí)驗(yàn)獲得的p組對(duì)應(yīng)的輸入輸出向量，取其中q(1

圖1 BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元模型拓?fù)浣Y(jié)構(gòu)圖Fig.1 Topology diagram of BP neural network

圖1中：x1，x2，…，xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值；y1，y2，…，ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值；ωij和ωjk為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值。從圖1不難看出，BP神經(jīng)網(wǎng)絡(luò)可以看成一個(gè)非線性函數(shù)f(x1，x2，…，xn)，網(wǎng)絡(luò)的輸入值和預(yù)測(cè)值分別為該函數(shù)的自變量和因變量，即任意給定一組x1，x2，…，xn，可通過(guò)函數(shù)映射到y(tǒng)1，y2，…，ym。其余p～q組作為測(cè)試數(shù)據(jù)，通過(guò)函數(shù)f(x1，x2，…，xn)預(yù)測(cè)輸出b，并與實(shí)驗(yàn)數(shù)據(jù)即期望輸出y進(jìn)行比較獲得網(wǎng)絡(luò)預(yù)測(cè)誤差e。

4)將遺傳算法中的個(gè)體進(jìn)行編碼，則染色體A=，神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)個(gè)數(shù)n，即為編碼長(zhǎng)度。該系統(tǒng)中染色體的適應(yīng)過(guò)程即為優(yōu)化過(guò)程，將函數(shù)f(a1，a2，…，an)的預(yù)測(cè)值O的倒數(shù)作為遺傳算法適應(yīng)度值F，適應(yīng)度值F越小，個(gè)體越優(yōu)，相應(yīng)的編碼參數(shù)即為優(yōu)化后的工藝參數(shù)。

3 3D增材印花工藝參數(shù)優(yōu)化算法

3.1 優(yōu)化算法總體設(shè)計(jì)

3D增材印花工藝參數(shù)優(yōu)化問(wèn)題實(shí)質(zhì)上是函數(shù)極值尋優(yōu)問(wèn)題，利用神經(jīng)網(wǎng)絡(luò)的非線性擬合能力和遺傳算法的非線性尋優(yōu)能力尋找函數(shù)極值，得到參數(shù)的最優(yōu)組合。其主要過(guò)程分為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合和遺傳算法極值尋優(yōu)2步。首先根據(jù)實(shí)驗(yàn)條件數(shù)和實(shí)驗(yàn)結(jié)果數(shù)確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，完成BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建[9]；然后將刮印角度、印花壓力、刮印速度、油墨黏度等實(shí)驗(yàn)條件作為輸入數(shù)據(jù)，將油墨轉(zhuǎn)移率作為輸出數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練好后的網(wǎng)絡(luò)可以作為3D增材印花工藝預(yù)測(cè)模型對(duì)不同工藝控制下的油墨轉(zhuǎn)移率進(jìn)行預(yù)測(cè)；最后將實(shí)驗(yàn)條件刮印角度、印花壓力、刮印速度、油墨黏度作為遺傳算法中的種群個(gè)體，把由神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)的結(jié)果作為個(gè)體適應(yīng)度值，通過(guò)遺傳算法推導(dǎo)最優(yōu)實(shí)驗(yàn)結(jié)果及其對(duì)應(yīng)實(shí)驗(yàn)條件。3D增材印花工藝參數(shù)優(yōu)化算法流程如圖2所示。

圖2 3D增材印花工藝參數(shù)優(yōu)化算法流程圖Fig.2 Flow chart of an algorithm for optimizing process parameters of 3D additive printing

3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的神經(jīng)網(wǎng)絡(luò)，具有多層結(jié)構(gòu)和信號(hào)前向傳遞，誤差反向傳播的特點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層3層結(jié)構(gòu)，上下層結(jié)構(gòu)之間實(shí)現(xiàn)全部連接而每層神經(jīng)元之間無(wú)連接[10]。

對(duì)于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合和逼近，因此，1個(gè)3層BP神經(jīng)網(wǎng)絡(luò)就可以完成任意的n維到m維的映射，從而設(shè)計(jì)該BP神經(jīng)網(wǎng)絡(luò)為3層。其結(jié)構(gòu)示意圖如圖3所示，其中：n為輸入層節(jié)點(diǎn)個(gè)數(shù)；m為輸出層神經(jīng)元個(gè)數(shù)；l為隱含層神經(jīng)元個(gè)數(shù)；隱含層和輸出層傳遞函數(shù)均選取log-sigmoid型函數(shù)；s1為隱含層輸入；s2為輸出層輸入；W1為輸入層-隱含層神經(jīng)元權(quán)值矩陣；W2為隱含層-輸出層神經(jīng)元權(quán)值矩陣，θ1為輸入層-隱含層神經(jīng)元閾值矩陣；θ2為隱含層-輸出層神經(jīng)元閾值矩陣；b1為隱含層輸出；b2為輸出層輸出；I為系統(tǒng)隨機(jī)參數(shù)矩陣。

圖3 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of 3-layer BP neural network

完成BP神經(jīng)網(wǎng)絡(luò)的搭建后，通過(guò)訓(xùn)練實(shí)現(xiàn)該神經(jīng)網(wǎng)絡(luò)的聯(lián)想和記憶功能，即可完成神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)[11]。

根據(jù)系統(tǒng)輸入輸出序列(x，y)確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n，輸出層節(jié)點(diǎn)數(shù)m。初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值ωij，ωjk，初始化隱含層閾值θj，輸出層閾值θk，并給定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)。輸入?yún)?shù)Pk=(x1，x2，…，xn)、連接權(quán)值ωij和隱含層閾值θj計(jì)算隱含層輸入sj，利用sj通過(guò)傳遞函數(shù)計(jì)算隱含層各單元的輸出bj和輸出層各單元的輸出bk。根據(jù)網(wǎng)路預(yù)測(cè)輸出b和期望輸出y，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差e。通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)連接的權(quán)值ωij，ωjk和閾值θj，θk。隨機(jī)選擇下一個(gè)學(xué)習(xí)樣本向量提供給網(wǎng)絡(luò)，直到網(wǎng)絡(luò)全局誤差E小于預(yù)先設(shè)定的一個(gè)極小值，即網(wǎng)絡(luò)收斂，則該神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束。但BP算法因?yàn)椴捎昧颂荻认陆捣梢允箼?quán)值收斂到某一個(gè)值，但并不能保證其為誤差平面的最小值，而由于實(shí)驗(yàn)成本的限制，實(shí)驗(yàn)數(shù)據(jù)有限，采用附加動(dòng)量法來(lái)改善算法可以最大限度地提升神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，解決因數(shù)據(jù)產(chǎn)生的預(yù)測(cè)精度問(wèn)題。在梯度下降算法的基礎(chǔ)上引入動(dòng)量因子β(0<β<1)。

x(k+1)=x(k+1)=x(k)+βx(k)+

采用變學(xué)習(xí)速率法，使算法沿著誤差性能曲面進(jìn)行修正。解決因?qū)嶒?yàn)數(shù)據(jù)帶來(lái)的計(jì)算誤差，當(dāng)誤差不斷趨近于目標(biāo)值且誤差值不斷縮小，說(shuō)明該修正方向正確，學(xué)習(xí)的速率不斷提升；當(dāng)學(xué)習(xí)速率超過(guò)預(yù)先設(shè)定的值，步長(zhǎng)減小，學(xué)習(xí)速率放緩。

3.3 遺傳算法尋優(yōu)

遺傳算法利用自然界中“優(yōu)勝劣汰，適者生存”的規(guī)律，將需要優(yōu)化的參數(shù)進(jìn)行染色體編碼，被編碼的染色體經(jīng)過(guò)遺傳過(guò)程中的選擇、交叉、變異后，通過(guò)適應(yīng)度函數(shù)計(jì)算的適應(yīng)度值作為評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行個(gè)體篩選，適應(yīng)度值好的個(gè)體將會(huì)被保留，適應(yīng)度差的個(gè)體將被淘汰，完成染色體的代代遺傳。利用遺傳算法進(jìn)行非線性函數(shù)極值尋優(yōu)，是將BP神經(jīng)網(wǎng)絡(luò)擬合的非線性函數(shù)作為適應(yīng)度函數(shù)，將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值作為適應(yīng)度值，尋找函數(shù)的全局最優(yōu)值及對(duì)應(yīng)的輸入值，從而找到最優(yōu)的工藝參數(shù)。遺傳算法全局尋優(yōu)主要包括種群初始化、適應(yīng)度值計(jì)算、選擇算子設(shè)計(jì)、交叉算子設(shè)計(jì)和變異算子設(shè)計(jì)5個(gè)過(guò)程[12]。

1)種群初始化。在遺傳算法中個(gè)體采用實(shí)數(shù)編碼，其長(zhǎng)度為所需優(yōu)化的工藝參數(shù)個(gè)數(shù)，由于神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)為7個(gè)，所以個(gè)體長(zhǎng)度為7。在選擇種群規(guī)模時(shí)，根據(jù)染色體長(zhǎng)度的2～3倍作為種群規(guī)模。

2)適應(yīng)度值計(jì)算。將神經(jīng)網(wǎng)絡(luò)擬合的非線性函數(shù)作為適應(yīng)度函數(shù)，輸入?yún)?shù)矩陣對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出預(yù)測(cè)值的倒數(shù)作為算法的適應(yīng)度值。

3)選擇算子設(shè)計(jì)。為生成優(yōu)良的下一代種群，需對(duì)上一代種群進(jìn)行個(gè)體選擇，本文采用輪盤賭選擇法。輪盤賭選擇法根據(jù)個(gè)體適應(yīng)度值，計(jì)算個(gè)體在種群中的出現(xiàn)概率Pi，計(jì)算公式為：

式中：Fi為個(gè)體i的適應(yīng)度值；k為系數(shù)；N為種群個(gè)體的數(shù)量。由于適應(yīng)度值越大的個(gè)體出現(xiàn)的概率越大，因此，越優(yōu)質(zhì)的個(gè)體被選擇的概率越大。

4)交叉算子設(shè)計(jì)。本文的染色體個(gè)體采用了實(shí)數(shù)編碼方式進(jìn)行了編碼，因此采用實(shí)數(shù)交叉策略設(shè)計(jì)染色體個(gè)體間的交叉算子，交叉算子設(shè)計(jì)如下式所示：

式中：ak、al分別為第k個(gè)染色體和第l個(gè)染色體的第j位基因；b為[0，1]之間的隨機(jī)浮點(diǎn)數(shù)。

5)變異算子設(shè)計(jì)。變異是指隨機(jī)選擇種群中的某幾個(gè)染色體，隨機(jī)改變?nèi)旧w上的某個(gè)基因，從而產(chǎn)生新的染色體個(gè)體，本文設(shè)計(jì)的變異算子如下所示：

式中：aij為第i個(gè)染色體的第j個(gè)基因；amax為aij的上界；amin為aij的下界；f(g)=r2(1-g/Gmax)2;r2為隨機(jī)數(shù);g為當(dāng)前迭代次數(shù);Gmax為最大進(jìn)化次數(shù)；r為[0，1]之間的隨機(jī)數(shù)。

4 實(shí)驗(yàn)驗(yàn)證

以福建某企業(yè)研發(fā)的3D增材印花機(jī)進(jìn)行實(shí)驗(yàn)，改變刮印角度、印花壓力、刮印速度、油墨黏度，得到對(duì)應(yīng)條件下的油墨轉(zhuǎn)移率，獲得300組實(shí)驗(yàn)數(shù)據(jù)，選取其中108組進(jìn)行列舉，如表1所示。

根據(jù)實(shí)驗(yàn)數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建刮印角度、印花壓力、刮印速度、油墨黏度4個(gè)工藝參數(shù)與油墨轉(zhuǎn)移率之間的關(guān)系模型，基于工藝參數(shù)與油墨轉(zhuǎn)移關(guān)系模型，采用遺傳算法進(jìn)行工藝參數(shù)尋優(yōu)，BP神經(jīng)網(wǎng)絡(luò)及遺傳算法均采用MatLab實(shí)現(xiàn)。

3D增材印花工藝參數(shù)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果如圖4所示，預(yù)測(cè)輸出和期望輸出基本吻合差距不大。圖5示出神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差和誤差百分比?？梢钥闯?，本文訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差基本穩(wěn)定在0.01范圍之內(nèi)，該模型可以很好地進(jìn)行3D增材印花工藝質(zhì)量的預(yù)測(cè)和評(píng)價(jià)。

2)基于神經(jīng)網(wǎng)絡(luò)得到的工藝參數(shù)與油墨轉(zhuǎn)移率關(guān)系模型，采用遺傳算法進(jìn)行工藝參數(shù)尋優(yōu)，設(shè)置遺傳算法參數(shù)為：種群規(guī)模20，交叉率0.8，變異率0.3，迭代次數(shù)400。遺傳算法迭代進(jìn)化過(guò)程如圖6所示。算法迭代開(kāi)始時(shí)，適應(yīng)度值較大，然后迅速下降，染色體的擇優(yōu)速度很快，在150代左右獲得了穩(wěn)定解，且后續(xù)各代種群均被有效地控制在較優(yōu)水平，算法得到的最優(yōu)的工藝參數(shù)為：印花壓力4 800 N，刮印角度18°，刮印速度400 mm/s，油墨黏度170.5 Pa·s。

表1 3D增材印花機(jī)印花質(zhì)量數(shù)據(jù)Tab.1 Printing quality data of 3D additive printing machine

圖4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.4 Results of neural network prediction

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差和誤差百分比Fig.5 Errors (a) and errors percentage (b) of neural network prediction

圖6 遺傳算法尋優(yōu)適應(yīng)度變化曲線Fig.6 Fitness curve of genetic algorithm optimization

3)采用優(yōu)化后得到的工藝參數(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果與未優(yōu)化之前進(jìn)行對(duì)比，效果如圖7所示。未優(yōu)化之前增材印花過(guò)程易出現(xiàn)氣孔砂眼和印花不均勻等現(xiàn)象，產(chǎn)品質(zhì)量明顯較低。進(jìn)行參數(shù)優(yōu)化后，該現(xiàn)象顯著改善，印花效果平整均勻，在其他條件相同的情況下印花平整度和均勻度大大提高。

圖7 進(jìn)行參數(shù)優(yōu)化后與未優(yōu)化之前實(shí)驗(yàn)結(jié)果對(duì)比Fig.7 Comparison of experimental results before (a) and after (b) parameter optimization

5 結(jié)束語(yǔ)

3D增材印花工藝屬于原創(chuàng)性工藝，套印疊印次數(shù)多，印花精度要求高，因此對(duì)于該工藝參數(shù)的研究成為控制印花質(zhì)量的關(guān)鍵。針對(duì)3D增材印花過(guò)程中印花壓力、刮印速度、刮印角度和油墨黏度對(duì)印花質(zhì)量影響較大，且各因素之間相互作用，使得印花參數(shù)難以調(diào)控等問(wèn)題，本文利用神經(jīng)網(wǎng)絡(luò)通過(guò)大量數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建增材印花工藝模型，并將模型作為適應(yīng)度函數(shù)進(jìn)行遺傳算法尋優(yōu)，確定多參數(shù)影響下的最優(yōu)印花質(zhì)量，從而得到最優(yōu)的參數(shù)組合，最后通過(guò)實(shí)驗(yàn)驗(yàn)證了該參數(shù)下的實(shí)驗(yàn)結(jié)果大大優(yōu)于未優(yōu)化之前，說(shuō)明該參數(shù)組合的有效性和實(shí)用性。該模型有效提升產(chǎn)品生產(chǎn)質(zhì)量，縮短產(chǎn)品開(kāi)發(fā)過(guò)程，有助于實(shí)現(xiàn)生產(chǎn)過(guò)程的數(shù)字化調(diào)控。

FZXB