Publikace detail

IMC Strategy Using Neural Networks for 3D Printer Bed Temperature Control

Autoři: Štursa Dominik | Havlíček Libor | Kupka Libor | Doležel Petr

Rok: 2020

Druh publikace: článek ve sborníku

Název zdroje: Software engineering perspectives in intelligent systems : proceedings of 4th computational methods in systems and software 2020, Vol.1

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 979-989

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	IMC metoda řízení teploty pro tiskovou podložku	V tomto příspěvku je sledována regulace teploty na vyhřívané podložce 3D tiskárny. Jelikož je síla výměny tepla přísně omezena a časové konstanty tepelného procesu jsou přirozeně kolem desítek a stovek sekund, jsou tyto procesy v podstatě pomalé. Měření nových dat je časově náročné, což může způsobit ztrátu zisku v případě experimentů ve výrobě. Nalezení lepší metody kontroly může navíc vést k významným peněžním úsporám. Jedním z oborů tohoto článku je zjistit, zda je možné vybudovat systém řadičů založených na neuronových sítích společně se strategií řízení interních modelů poskytující lepší výkon s daty získanými ve výrobě, kde byl použit jednoduše vyladěný řadič PSD. Vhodné pořadí topného systému je sledováno spolu s velikostí vzorkovací periody a topologií neuronové sítě. Kontrolovatelnost pomocí nejvýkonnějších neuronových sítí je ověřena na ohřívací posteli 3D tiskárny.	Řízení s vnitřním modelem; 3D tisk
eng	IMC Strategy Using Neural Networks for 3D Printer Bed Temperature Control	In this contribution, the temperature control of the 3D printer heatbed is observed. As the heat exchange power is strictly limited and the thermal process time constants are naturally around tens and hundreds of seconds, these processes are basically slow. The measuring of new data is time consuming, which can cause the profit loss in case of experiments in the production. Moreover, the finding of better control method can lead to significant monetary savings. One of the scopes of this article is to find out if it’s possible to built-up the neural network-based controller system together with the internal model control strategy providing better performance with data obtained in the production, where simply tuned PSD controller was used. The suitable order of the heating system is observed together with the size of the sampling period and neural network topology. The controllability with best performing neural networks is verified on the 3D printer heating bed.	Internal model control; 3D printer

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte