通过基于学习的逆向设计方法，分离FDM装配元件中的几何相关尺寸误差

《Scientific Reports》：Decoupling geometry-dependent dimensional errors in FDM assembly elements via a learning-based inverse design approach

　　

摘要

3D打印技术越来越多地被用于制造功能性装配部件，但其尺寸精度仍然是一个瓶颈，因为误差源自多种相互叠加的因素。本研究旨在探讨是否能够将直径误差中的数字层面（由切片软件导致）与物理层面的因素分开，并仅通过标准切片设置来加以补偿。研究采用了全因子实验，改变了水平扩展程度、特征类型（销/孔）、首行打印策略、填充密度以及标称尺寸等参数，同时结合了自定义的G代码路径分析、多因素方差分析以及五种监督学习模型（人工神经网络、支持向量回归、随机森林、极端梯度提升和多项式回归）。G代码分析表明切片软件产生的偏移是完全可确定的，而实际测量则显示出与几何结构相关的不对称性。销的尺寸与理论模型非常接近，而孔则由于热收缩效应而出现系统性的负向偏移。先打印外部特征的做法可将孔的误差降低约11%，但会降低销的精度，因此有必要采用针对不同特征的自适应处理方法。二阶多项式回归得到了最低的误差值（均方根误差为0.0522毫米），在测试的8–12毫米范围内，标称尺寸并非必需的输入参数。由此产生的逆向设计工具可推荐针对不同特征的特定设置，从而在无需进行CAD级几何修改的情况下，实现符合装配要求的精度。该工具在两种结构不同的打印机（Creality Ender-6和Snapmaker J1s）上进行了验证，结果显示，对于这两种特征，其平均绝对直径误差均在0.02–0.04毫米之间，说明该工具对不同打印机的硬件差异具有较低的敏感性。