CN109130550A - 一种电流体动力学喷印的人工智能控制系统及控制方法 - Google Patents
一种电流体动力学喷印的人工智能控制系统及控制方法 Download PDFInfo
- Publication number
- CN109130550A CN109130550A CN201810952745.6A CN201810952745A CN109130550A CN 109130550 A CN109130550 A CN 109130550A CN 201810952745 A CN201810952745 A CN 201810952745A CN 109130550 A CN109130550 A CN 109130550A
- Authority
- CN
- China
- Prior art keywords
- spray printing
- data
- module
- pattern
- electrohydrodynamics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
- B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
- B41J29/393—Devices for controlling or analysing the entire machine ; Controlling or analysing mechanical parameters involving printing of test patterns
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41M—PRINTING, DUPLICATING, MARKING, OR COPYING PROCESSES; COLOUR PRINTING
- B41M5/00—Duplicating or marking methods; Sheet materials for use therein
Landscapes
- Spray Control Apparatus (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本发明公开了一种电流体动力学喷印的人工智能控制系统及控制方法，将人工智能技术和电流体动力学喷印技术深度融合形成具有自主感知、自主学习、自主决策和自主执行的电流体动力学喷印的人工智能控制系统，利用自主学习所获得的智能参考模型，采用机器学习方法自主决策，得到指定喷印条件的最佳工艺参数，通过自主决策的最佳工艺参数进行电流体动力学图案喷印，实现了电流体动力学喷印设备的自主执行。对电流体动力学喷印的工艺进行智能优化，实现生产过程的健康运行和故障诊断进行智能监控，降低微纳结构器件的制造成本，提高器件的喷印效率和喷印质量。
Description
技术领域
本发明涉及电流体动力学喷印技术领域，具体涉及一种电流体动力学喷印的人工智能控制系统及控制方法。
背景技术
与传统喷印技术采用“推”方式不同，电流体动力学喷印技术采用电场驱动以“拉”方式从液锥顶端产生极细的射流，能够喷印高分辨率的平面或三维微纳结构的器件。适用于电流体动力学喷印的材料范围非常广泛，包括从绝缘聚合物到导电聚合物，从悬浊液到单壁碳纳米管溶液，从金属材料、无机功能材料到生物材料等，在电子工业、生物医学工程等方面具有广泛的应用前景和巨大的潜能。电流体动力学喷印的微纳结构形貌(如图案宽度、图案厚度、均匀性等)直接影响到器件的性能。由于不同材料的喷印溶液性能存在较大的差别，如粘度、表面张力、导电性等不同，针对每种材料喷印溶液的电流体动力学喷印过程很难采用一个较为成熟的理论方法加以借鉴和指导，每种材料的喷印溶液都需要经过大量的喷印实验，得到不同工况的实验结果，找到合适的工艺参数和控制规律，实现高质量的图案喷印，这些实验需要大量的时间，同时还要耗费大量的材料，需要耗费大量的人力物力和财力，因此存在成本高和效率低的问题，另外，也没有采取有效手段对电流体动力学喷印正常运行进行健康监控。这些问题阻碍了电流体动力学喷印技术在实际工业中的应用。
发明内容
针对上述问题，本发明提供一种电流体动力学喷印的人工智能控制系统及控制方法，将人工智能技术和电流体动力学喷印技术深度融合形成具有自主感知、自主学习、自主决策和自主执行的电流体动力学喷印的人工智能控制系统，对电流体动力学喷印设备的健康运行和故障诊断进行有效监控，降低微纳结构器件的制造成本，提高器件的喷印效率和喷印质量。
为实现上述目的，本发明提供一种电流体动力学喷印的人工智能控制系统，其包括：
电流体动力学喷印系统，用于图案喷印；
数据采集系统，获取电流体动力学喷印系统工作时的数据、喷印图案的数据以及工作环境的数据；
控制器，分别与电流体动力学喷印系统以及数据采集系统连接；
数据库系统，包括数据仓库和数据管理系统，所述数据仓库具有若干种图案喷印模式，所述数据管理系统根据数据仓库的不同图案喷印模式通过数据采集系统获取不同的数据及数据特征；
数据分析处理系统，包括数据特征提取模块、数据图形化模块、数据深度学习模块和数据自主决策模块，数据图形化模块根据数据特征提取模块获取的数据特征建立对应图案喷印模式的电流体动力学设备健康质量诊断的图形数据依据，所述数据深度学习模块根据数据采集系统获取的数据建立对应喷印模式的数据与环境以及工艺参数之间的映射模型，所述数据自主决策模块根据数据深度学习模块建立的映射模型获取喷印图案的最佳的工艺参数。
所述数据采集系统包括运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块及湿度采集模块。
数据仓库包括点阵喷印模式数据分仓库、图案喷印模式数据分仓库和薄膜喷印模式数据分仓库。
数据管理系统包括数据输入模块、数据特征输入模块、数据特征查询模块和数据输出模块。
一种基于上述电流体动力学喷印的人工智能控制系统的控制方法：其包括以下步骤：
1)人工智能控制系统向控制器发生数据信息采集请求；
2)控制器接收到信号后，向电流体动力学喷印系统发送数据采集指令，数据采集模块向电流体动力学喷印系统采集对应的数据信息，并将采集的所有信息存储在控制器的专用数据存储地址中；
3)将控制器中存储的数据信息上传到人工智能控制系统中；
4)根据当前喷印模式，选择对应喷印模式的特征输入模块，通过数据输入模块将数据采集模块所采集的数据输入到对应喷印模式的数据仓库；
5)根据当前喷印模式，通过对应喷印模式的数据特征查询模块从对应喷印模式的数据仓库调取当前喷印模式的特征数据，以图形方式显示特征数据信息，并与当前电流体动力学喷印设备的喷印状态进行实时对比，对喷印设备健康运行进行监控和故障诊断；
6)根据当前喷印模式，通过数据输出模块从对应喷印模式的数据仓库，调取与当前喷印模式相关的数据信息，建立对应喷印模式的数据与环境以及工艺参数之间的映射模型；
7)根据当前喷印模式，以步骤6)建立的映射模型为参考模型，并对对应喷印模式的各项数据进行优化求解，获取喷印图案的最佳的工艺参数；
8)根据当前喷印模式，对应的喷印模式的数据自主决策模块按照最佳的工艺参数进行图案喷印。
步骤6)中，
若是点阵喷印模式，根据数据管理系统的数据输出模块连接到点阵喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以点阵喷印的直径和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度的数据为自变量，采用深度学习的方法，构建点阵喷印的直径和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立点阵喷印的直径和喷印厚度与工艺参数和环境参数之间的映射模型；
若是图案喷印模式，根据数据管理系统的数据输出模块连接到图案喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以图案喷印的图案宽度和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，构建图案喷印的图案宽度和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立图案喷印的图案宽度和喷印厚度与工艺参数和环境参数之间的映射模型；
若是薄膜喷印模式，根据数据管理系统的数据输出模块连接到薄膜喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以喷印薄膜的面积和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，构建薄膜喷印的面积和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立薄膜喷印的面积和喷印厚度与工艺参数和环境参数之间的映射模型。
步骤6)中，所述深度学习的方法采用卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架中的至少一种深度学习方法。
步骤7)中，
若是点阵喷印模式，以当前预期喷印的点阵喷印图案的直径和厚度为控制对象，以步骤6)构建的点阵喷印图案的直径和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的点阵喷印图案直径和厚度的最佳的工艺参数；
若是图案喷印模式，以当前预期喷印的图案的宽度和厚度为控制对象，以步骤6)构建的图案喷印图案的宽度和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的图案喷印图案直径和厚度的最佳的工艺参数；
若是薄膜喷印模式，以当前预期喷印的薄膜喷印面积和厚度为控制对象，以步骤6)构建的薄膜喷印面积和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的薄膜喷印面积和厚度的最佳的工艺参数。
所述机器学习方法采用决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法中至少一种机器学习方法。
本发明的有益效果：与现有技术相比，通过数据采集系统和传感器采集电流体动力学喷印过程的状态信息、工况信息和环境信息参数实现电流体动力学喷印设备的自主感知，采用人工智能技术，建立数据的图形化、数据智能分析和深度学习的自主学习智能系统，实现电流体动力学喷印设备的健康运行和故障自主诊断，根据电流体动力学喷印设备的工况参数、环境信息和状态信息，利用自主学习所获得的智能参考模型，采用机器学习方法自主决策，得到指定喷印条件的最佳工艺参数，通过自主决策的最佳工艺参数进行电流体动力学图案喷印，实现了电流体动力学喷印设备的自主执行。对电流体动力学喷印的工艺进行智能优化，实现生产过程的健康运行和故障诊断进行智能监控，降低微纳结构器件的制造成本，提高器件的喷印效率和喷印质量。
附图说明
图1本发明的系统原理图。
图2本发明人工智能控制系统的流程图。
具体实施方式
下面针对附图对本发明的实施例作进一步说明：
如图1所示，本发明提供了一种电流体动力学喷印的人工智能控制系统，包括电流体动力学喷印系统、数据采集系统、数据库系统、数据分析处理系统和控制器，控制器分别向下与电流体动力学喷印硬件系统连接，向上与数据采集系统连接，电流体动力学喷印系统包括电流体动力学喷印硬件系统和电流体动力学喷印软件系统，电流体动力学喷印硬件系统包括运动平台、高压电源、喷射系统、视觉采集系统、喷射高度测距仪、皮安电流表、流量传感器、温度传感器和湿度传感器，其中运动平台由X、Y、Z轴组成，每个轴由直线导轨、直线电机和光栅尺组成，图像采集系统包括工业相机、光源和图像处理器，光源用于调节图像采集位置的亮度，工业相机用于采集喷印图案的图像的信息，工业相机通过千兆网卡与图像处理器相连接，流量传感器与喷射系统串联连接。
数据采集系统包括运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块、湿度采集模块，其中平台运动数据采集模块通过控制器与运动平台的每个轴的光栅尺电连接，采集每次喷印的运动平台的每个轴的位置和速度信息，电压采集模块通过控制器与高压电源相连接，采集每次喷印的高压电源的施加电压值，图案采集模块通过控制器与图像处理器相连接，采集每次喷印图案的宽度和厚度，喷射高度采集模块通过控制器与喷射高度测距仪电连接，采集每次喷印的喷射高度，电流采集模块通过控制器与皮安电流表电连接，实时采集每次喷印的喷印溶液的导通电流，流量采集模块通过控制器与喷射系统电连接，采集每次喷印的喷印溶液流量，温度采集模块通过控制器与温度传感器连接，采集图案喷印时工作台的环境温度，湿度采集模块通过控制器与湿度传感器连接，采集图案喷印时工作台的环境湿度。
数据库系统包括数据仓库和数据管理系统，数据仓库包括点阵喷印模式数据分仓库、图案喷印模式数据分仓库和薄膜喷印模式数据分仓库；数据管理系统包括数据输入模块、数据特征输入模块、数据特征查询模块和数据输出模块；数据特征输入模块包括点阵喷印模式特征输入分模块、图案喷印模式特征输入分模块和薄膜喷印模式特征输入分模块；数据特征查询模块包括点阵喷印模式特征查询分模块、图案喷印模式特征查询分模块和薄膜喷印模式特征查询分模块；数据输入模块与数据采集系统通过软件连接；在电流体动力学点阵喷印模式下，数据输入模块通过点阵喷印模式特征输入分模块，把运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块和湿度采集模块采集的数据信息传到点阵喷印模式数据分仓库；在电流体动力学图案喷印模式下，数据输入模块通过图案喷印模式特征输入分模块，把运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块和湿度采集模块采集的数据信息传到图案喷印模式数据分仓库；在电流体动力学薄膜喷印模式下，数据输入模块通过薄膜喷印模式特征输入分模块，把运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块和湿度采集模块采集的数据信息传到薄膜喷印模式数据分仓库。
数据分析处理系统包括数据特征提取模块、数据图形化模块、数据深度学习模块和数据自主决策模块。数据特征提取模块包括点阵喷印模式特征提取分模块、图案喷印模式特征提取分模块和薄膜喷印模式特征提取分模块；数据图形化模块包括点阵喷印模式数据图形化分模块、图案喷印模式数据图形化分模块和薄膜喷印模式数据图形化分模块；数据深度学习模块包括点阵喷印模式数据深度学习分模块、图案喷印模式数据深度学习分模块和薄膜喷印模式数据深度学习分模块；数据自主决策模块包括点阵喷印模式数据自主决策分模块、图案喷印模式数据自主决策分模块和薄膜喷印模式数据自主决策分模块；数据特征提取模块与所述数据管理系统的数据特征查询模块通过软件连接；在电流体动力学点阵喷印模式下，点阵喷印模式数据图形化分模块通过点阵喷印模式特征提取分模块连接到点阵喷印模式特征查询分模块调取点阵喷印模式数据分仓库中与当前电流体动力学点阵喷印相同条件的特征数据信息，以图形方式显示特征数据信息，作为当前点阵喷印模式的电流体动力学设备健康质量诊断的依据；在电流体动力学图案喷印模式下，图案喷印模式数据图形化分模块通过图案喷印模式特征提取分模块连接到图案喷印模式特征查询分模块调取图案喷印模式数据分仓库中与当前电流体动力学图案喷印相同条件的特征数据信息，以图形方式显示特征数据信息，作为当前图案喷印模式的电流体动力学设备健康质量诊断的依据；在电流体动力学薄膜喷印模式下，薄膜喷印模式数据图形化分模块通过薄膜喷印模式特征提取分模块连接到薄膜喷印模式特征查询分模块调取薄膜喷印模式数据分仓库中与当前电流体动力学薄膜喷印相同条件的特征数据信息，以图形方式显示特征数据信息，作为当前薄膜喷印模式的电流体动力学设备健康质量诊断的依据；点阵喷印模式数据深度学习分模块通过所述数据管理系统的数据输出模块连接到所述的点阵喷印模式数据分仓库调取数据采集系统同一种材料的喷印溶液在点阵喷印模式下所采集的数据信息，包括点阵喷印图案的直径和厚度、运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度，以点阵喷印图案的直径和喷印厚度为研究对象，采用深度学习方法，如卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架的至少一种深度学习方法，构建喷印点阵图案的直径和厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立点阵喷印图案的直径和厚度与工艺参数和环境参数之间的映射模型；图案喷印模式数据深度学习分模块通过所述数据管理系统的数据输出模块连接到所述的图案喷印模式数据分仓库调取数据采集系统同一种材料的喷印溶液在图案喷印模式下所采集的数据信息，包括喷印图案的宽度和厚度、运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度，以喷印图案的宽度和厚度为研究对象，采用深度学习方法，如卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架的至少一种深度学习方法，构建喷印图案的宽度和厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立喷印图案的宽度和厚度与工艺参数和环境参数之间的映射模型；薄膜喷印模式数据深度学习分模块通过所述数据管理系统的数据输出模块连接到所述的薄膜喷印模式数据分仓库调取数据采集系统同一种材料的喷印溶液在薄膜喷印模式下所采集的数据信息，包括喷印薄膜的面积和喷印厚度、运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度，以薄膜喷印的面积和喷印厚度为研究对象，采用深度学习方法，如卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架的至少一种深度学习方法，构建薄膜喷印的面积和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立薄膜喷印的面积和喷印厚度与工艺参数和环境参数之间的映射模型；点阵喷印模式数据自主决策分模块以点阵喷印模式数据深度学习分模块建立的点阵喷印图案的直径和厚度与工艺参数和环境参数之间的映射模型为参考模型，以点阵喷印图案的直径和厚度为控制对象，采用机器学习方法，如决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法等方法中至少一种机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，在特定的环境参数下，得到指定的点阵喷印图案直径和厚度的最佳的工艺参数；图案喷印模式数据自主决策分模块以图案喷印模式数据深度学习分模块建立的喷印图案的宽度和厚度与工艺参数和环境参数之间的映射模型为参考模型，以喷印图案的宽度和厚度为控制对象，采用机器学习方法，如决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法等方法中至少一种机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，在特定的环境参数下，得到指定的图案喷印图案宽度和厚度的最佳的工艺参数；薄膜喷印模式数据自主决策分模块以薄膜喷印模式数据深度学习分模块建立的喷印薄膜的面积和喷印厚度与工艺参数和环境参数之间的映射模型为参考模型，以喷印薄膜的面积和喷印厚度为控制对象，采用机器学习方法，如决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法等方法中至少一种机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，在特定的环境参数下，得到指定的喷印薄膜的面积和喷印厚度的最佳的工艺参数。
在点阵喷印模式下，电流体动力学喷印系统采用点阵喷印模式数据自主决策分模块自主决策的最佳工艺参数进行电流体动力学点阵喷印；在图案喷印模式下，电流体动力学喷印系统采用图案喷印模式数据自主决策分模块自主决策的最佳工艺参数进行电流体动力学图案喷印；在薄膜喷印模式下，电流体动力学喷印系统采用薄膜喷印模式数据自主决策分模块自主决策的最佳工艺参数进行电流体动力学薄膜喷印。
如图2所示，本发明的另外一个目的提供一种电流体动力学喷印的人工智能控制方法，其方法实现过程如下：
(1)电流体动力学喷印人工智能控制系统向控制器发生数据信息采集请求；
(2)控制器接收到信号后，向电流体动力学喷印软件系统发送数据采集指令，数据采集模块向电流体动力学喷印硬件系统采集相关的数据信息，运动数据采集模块采集运动平台的位置和速度，电压采集模块采集高压电源的施加电压，图案采集模块采集喷印图案的形状和厚度，喷射高度采集模块采集喷射系统的喷射高度，电流采集模块喷印溶液的导通电流，流量采集模块采集注射泵的流量，温度采集模块采集设备平台的温度，湿度采集模块采集设备平台的湿度，并将采集的所有信息存储在控制器的专用数据存储地址中；
(3)通过网络或PCI总线形式将控制器中存储的数据信息上传到电流体动力学喷印人工智能控制系统中；
(4)根据当前喷印模式，如果是点阵喷印模式，数据特征输入模块选择点阵喷印模式特征输入分模块，通过数据输入模块将数据采集模块所采集的数据输入到点阵喷印模式数据分仓库；如果是图案喷印模式，数据特征输入模块选择图案喷印模式特征输入子模块，通过数据输入模块将数据采集模块所采集的数据输入到图案喷印模式数据分仓库；如果是薄膜喷印模式，数据特征输入模块选择薄膜喷印模式特征输入子模块，通过数据输入模块将数据采集模块所采集的数据输入到薄膜喷印模式数据分仓库；
(5)根据当前喷印模式，如果是点阵喷印模式，数据特征查询模块选择点阵喷印模式特征查询分模块，从点阵喷印模式数据分仓库调取当前喷印相同条件的特征数据，如果是图案喷印模式，数据特征查询模块选择图案喷印模式特征查询分模块，从图案喷印模式数据分仓库调取当前喷印相同条件的特征数据，如果是薄膜喷印模式，数据特征查询模块选择薄膜喷印模式特征查询分模块，从薄膜喷印模式数据分仓库调取当前喷印相同条件的特征数据，采用类似“心电图”的图形方式显示特征数据信息，特征图形数据并与当前电流体动力学喷印设备的喷印状态进行实时对比，对喷印设备健康运行进行监控和故障诊断，发现异常，及时提示和报警，并给出解决方案和措施；
(6)根据当前喷印模式，如果是点阵喷印模式，根据数据管理系统的数据输出模块连接到点阵喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以点阵喷印的直径和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，如卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架的至少一种深度学习方法，构建点阵喷印的直径和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立点阵喷印的直径和喷印厚度与工艺参数和环境参数之间的映射模型；如果是图案喷印模式，根据数据管理系统的数据输出模块连接到图案喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以图案喷印的图案宽度和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，如卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架的至少一种深度学习方法，构建图案喷印的图案宽度和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立图案喷印的图案宽度和喷印厚度与工艺参数和环境参数之间的映射模型；如果是薄膜喷印模式，根据数据管理系统的数据输出模块连接到薄膜喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以喷印薄膜的面积和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，如卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架的至少一种深度学习方法，构建薄膜喷印的面积和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立薄膜喷印的面积和喷印厚度与工艺参数和环境参数之间的映射模型；
(7)根据当前喷印模式，如果是点阵喷印模式，以当前预期喷印的点阵喷印图案的直径和厚度为控制对象，以步骤(6)构建的点阵喷印图案的直径和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法，如决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法等方法中至少一种机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的点阵喷印图案直径和厚度的最佳的工艺参数；如果是图案喷印模式，以当前预期喷印的图案的宽度和厚度为控制对象，以步骤(6)构建的图案喷印图案的宽度和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法，如决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法等方法中至少一种机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的图案喷印图案直径和厚度的最佳的工艺参数；如果是薄膜喷印模式，以当前预期喷印的薄膜喷印面积和厚度为控制对象，以步骤(6)构建的薄膜喷印面积和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法，如决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法等方法中至少一种机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的薄膜喷印面积和厚度的最佳的工艺参数；
(8)根据当前喷印模式，如果是点阵喷印模式，电流体动力学喷印系统采用点阵喷印模式数据自主决策分模块自主决策的最佳工艺参数进行电流体动力学点阵喷印；如果图案喷印模式，电流体动力学喷印系统采用图案喷印模式数据自主决策分模块自主决策的最佳工艺参数进行电流体动力学图案喷印；如果薄膜喷印模式，电流体动力学喷印系统采用薄膜喷印模式数据自主决策分模块自主决策的最佳工艺参数进行电流体动力学薄膜喷印。
实施例不应视为对本发明的限制，但任何基于本发明的精神所作的改进，都应在本发明的保护范围之内。
Claims (9)
1.一种电流体动力学喷印的人工智能控制系统，其特征在于：其包括：
电流体动力学喷印系统，用于图案喷印；
数据采集系统，获取电流体动力学喷印系统工作时的数据、喷印图案的数据以及工作环境的数据；
控制器，分别与电流体动力学喷印系统以及数据采集系统连接；
数据库系统，包括数据仓库和数据管理系统，所述数据仓库具有若干种图案喷印模式，所述数据管理系统根据数据仓库的不同图案喷印模式通过数据采集系统获取不同的数据及数据特征；
数据分析处理系统，包括数据特征提取模块、数据图形化模块、数据深度学习模块和数据自主决策模块，数据图形化模块根据数据特征提取模块获取的数据特征建立对应图案喷印模式的电流体动力学设备健康质量诊断的图形数据依据，所述数据深度学习模块根据数据采集系统获取的数据建立对应喷印模式的数据与环境以及工艺参数之间的映射模型，所述数据自主决策模块根据数据深度学习模块建立的映射模型获取喷印图案的最佳的工艺参数。
2.根据权利要求1所述的一种电流体动力学喷印的人工智能控制系统，其特征在于：所述数据采集系统包括运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块及湿度采集模块。
3.根据权利要求1所述的一种电流体动力学喷印的人工智能控制系统，其特征在于：数据仓库包括点阵喷印模式数据分仓库、图案喷印模式数据分仓库和薄膜喷印模式数据分仓库。
4.根据权利要求1所述的一种电流体动力学喷印的人工智能控制系统，其特征在于：数据管理系统包括数据输入模块、数据特征输入模块、数据特征查询模块和数据输出模块。
5.一种基于上述任意一条权利要求所述的电流体动力学喷印的人工智能控制系统的控制方法：其特征在于：其包括以下步骤：
1)人工智能控制系统向控制器发生数据信息采集请求；
2)控制器接收到信号后，向电流体动力学喷印系统发送数据采集指令，数据采集模块向电流体动力学喷印系统采集对应的数据信息，并将采集的所有信息存储在控制器的专用数据存储地址中；
3)将控制器中存储的数据信息上传到人工智能控制系统中；
4)根据当前喷印模式，选择对应喷印模式的特征输入模块，通过数据输入模块将数据采集模块所采集的数据输入到对应喷印模式的数据仓库；
5)根据当前喷印模式，通过对应喷印模式的数据特征查询模块从对应喷印模式的数据仓库调取当前喷印模式的特征数据，以图形方式显示特征数据信息，并与当前电流体动力学喷印设备的喷印状态进行实时对比，对喷印设备健康运行进行监控和故障诊断；
6)根据当前喷印模式，通过数据输出模块从对应喷印模式的数据仓库，调取与当前喷印模式相关的数据信息，建立对应喷印模式的数据与环境以及工艺参数之间的映射模型；
7)根据当前喷印模式，以步骤6)建立的映射模型为参考模型，并对对应喷印模式的各项数据进行优化求解，获取喷印图案的最佳的工艺参数；
8)根据当前喷印模式，对应的喷印模式的数据自主决策模块按照最佳的工艺参数进行图案喷印。
6.根据权利要求5所述的控制方法，其特征在于：步骤6)中，
若是点阵喷印模式，根据数据管理系统的数据输出模块连接到点阵喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以点阵喷印的直径和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度的数据为自变量，采用深度学习的方法，构建点阵喷印的直径和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立点阵喷印的直径和喷印厚度与工艺参数和环境参数之间的映射模型；
若是图案喷印模式，根据数据管理系统的数据输出模块连接到图案喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以图案喷印的图案宽度和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，构建图案喷印的图案宽度和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立图案喷印的图案宽度和喷印厚度与工艺参数和环境参数之间的映射模型；
若是薄膜喷印模式，根据数据管理系统的数据输出模块连接到薄膜喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以喷印薄膜的面积和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，构建薄膜喷印的面积和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立薄膜喷印的面积和喷印厚度与工艺参数和环境参数之间的映射模型。
7.根据权利要求6所述的控制方法，其特征在于：步骤6)中，所述深度学习的方法采用卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架中的至少一种深度学习方法。
8.根据权利要求5所述的控制方法，其特征在于：步骤7)中，
若是点阵喷印模式，以当前预期喷印的点阵喷印图案的直径和厚度为控制对象，以步骤6)构建的点阵喷印图案的直径和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的点阵喷印图案直径和厚度的最佳的工艺参数；
若是图案喷印模式，以当前预期喷印的图案的宽度和厚度为控制对象，以步骤6)构建的图案喷印图案的宽度和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的图案喷印图案直径和厚度的最佳的工艺参数；
若是薄膜喷印模式，以当前预期喷印的薄膜喷印面积和厚度为控制对象，以步骤6)构建的薄膜喷印面积和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的薄膜喷印面积和厚度的最佳的工艺参数。
9.根据权利要求8所述的控制方法，其特征在于：所述机器学习方法采用决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法中至少一种机器学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952745.6A CN109130550B (zh) | 2018-08-21 | 2018-08-21 | 一种电流体动力学喷印的人工智能控制系统及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952745.6A CN109130550B (zh) | 2018-08-21 | 2018-08-21 | 一种电流体动力学喷印的人工智能控制系统及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109130550A true CN109130550A (zh) | 2019-01-04 |
| CN109130550B CN109130550B (zh) | 2020-02-04 |
Family
ID=64790424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810952745.6A Active CN109130550B (zh) | 2018-08-21 | 2018-08-21 | 一种电流体动力学喷印的人工智能控制系统及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109130550B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108357229A (zh) * | 2018-03-21 | 2018-08-03 | 嘉兴学院 | 一种近场电流体动力喷印的工作电压补偿方法 |
| CN110370804A (zh) * | 2019-07-24 | 2019-10-25 | 嘉兴学院 | 图案喷印宽度驱动的电流体动力学喷印控制方法 |
| CN110385912A (zh) * | 2019-08-05 | 2019-10-29 | 嘉兴学院 | 均匀间距的点阵结构图案的电流体动力学喷印控制方法 |
| CN111504366A (zh) * | 2020-03-23 | 2020-08-07 | 李方 | 基于人工智能的流体输送系统精确计量方法及计量装置 |
| WO2020238882A1 (zh) * | 2019-05-31 | 2020-12-03 | 西北工业大学 | 人工智能辅助印刷电子技术自引导优化提升方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0911723A3 (en) * | 1997-10-27 | 2000-04-12 | Canon Kabushiki Kaisha | Printing control apparatus, printing control method, printing control system, and storage medium in which printing control program is stored |
| CN1888879A (zh) * | 2005-06-29 | 2007-01-03 | 颜彦 | 基于图像智能识别的印刷品质量检测与控制系统 |
| JP4371128B2 (ja) * | 2006-07-24 | 2009-11-25 | コニカミノルタビジネステクノロジーズ株式会社 | 画像形成装置、画像形成方法及びプログラム |
| CN106079882A (zh) * | 2016-06-06 | 2016-11-09 | 南京理工大学 | 一种金属薄板印涂智能供墨控制系统及其方法 |
| CN106079892A (zh) * | 2016-07-12 | 2016-11-09 | 重庆大学 | 一种pcb锡膏印刷过程质量智能监控系统及方法 |
| CN106626827A (zh) * | 2016-12-29 | 2017-05-10 | 北京赛腾标识系统股份公司 | 一种喷码机控制系统 |
| CN108162595A (zh) * | 2018-01-05 | 2018-06-15 | 嘉兴学院 | 一种柔性介质基板的电流体动力喷印设备及控制方法 |
| CN108305167A (zh) * | 2018-01-12 | 2018-07-20 | 华南理工大学 | 一种基于深度增强学习算法的外汇交易方法及系统 |
-
2018
- 2018-08-21 CN CN201810952745.6A patent/CN109130550B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0911723A3 (en) * | 1997-10-27 | 2000-04-12 | Canon Kabushiki Kaisha | Printing control apparatus, printing control method, printing control system, and storage medium in which printing control program is stored |
| CN1888879A (zh) * | 2005-06-29 | 2007-01-03 | 颜彦 | 基于图像智能识别的印刷品质量检测与控制系统 |
| JP4371128B2 (ja) * | 2006-07-24 | 2009-11-25 | コニカミノルタビジネステクノロジーズ株式会社 | 画像形成装置、画像形成方法及びプログラム |
| CN106079882A (zh) * | 2016-06-06 | 2016-11-09 | 南京理工大学 | 一种金属薄板印涂智能供墨控制系统及其方法 |
| CN106079892A (zh) * | 2016-07-12 | 2016-11-09 | 重庆大学 | 一种pcb锡膏印刷过程质量智能监控系统及方法 |
| CN106626827A (zh) * | 2016-12-29 | 2017-05-10 | 北京赛腾标识系统股份公司 | 一种喷码机控制系统 |
| CN108162595A (zh) * | 2018-01-05 | 2018-06-15 | 嘉兴学院 | 一种柔性介质基板的电流体动力喷印设备及控制方法 |
| CN108305167A (zh) * | 2018-01-12 | 2018-07-20 | 华南理工大学 | 一种基于深度增强学习算法的外汇交易方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108357229A (zh) * | 2018-03-21 | 2018-08-03 | 嘉兴学院 | 一种近场电流体动力喷印的工作电压补偿方法 |
| WO2020238882A1 (zh) * | 2019-05-31 | 2020-12-03 | 西北工业大学 | 人工智能辅助印刷电子技术自引导优化提升方法 |
| US11882664B2 (en) | 2019-05-31 | 2024-01-23 | Northwestern Polytechnical University | Artificial intelligence-assisted printed electronics self-guided optimization method |
| CN110370804A (zh) * | 2019-07-24 | 2019-10-25 | 嘉兴学院 | 图案喷印宽度驱动的电流体动力学喷印控制方法 |
| CN110385912A (zh) * | 2019-08-05 | 2019-10-29 | 嘉兴学院 | 均匀间距的点阵结构图案的电流体动力学喷印控制方法 |
| CN111504366A (zh) * | 2020-03-23 | 2020-08-07 | 李方 | 基于人工智能的流体输送系统精确计量方法及计量装置 |
| CN111504366B (zh) * | 2020-03-23 | 2022-01-25 | 李方 | 基于人工智能的流体输送系统精确计量方法及计量装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109130550B (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109130550A (zh) | 一种电流体动力学喷印的人工智能控制系统及控制方法 | |
| CN112101767B (zh) | 一种设备运行状态边云融合诊断方法及系统 | |
| CN107728680A (zh) | 一种基于LoRa的远距离猪舍环境多参数测控系统及其方法 | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN108875906B (zh) | 一种多尺度逐步累加的卷积神经网络学习方法 | |
| CN108597057A (zh) | 一种基于噪音深度学习的无人机故障预测诊断系统及方法 | |
| Wang et al. | Vision-based adaptive variable rate spraying approach for unmanned aerial vehicles | |
| CN106371317B (zh) | 电流体动力学直写过程的全闭环实时自适应控制方法 | |
| CN110541266A (zh) | 一种布料染色在线控制设备及其布料染色在线控制方法 | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| Musa et al. | An intelligent plant dissease detection system for smart hydroponic using convolutional neural network | |
| CN109064493A (zh) | 一种基于元学习的目标跟踪方法及装置 | |
| Roggiolani et al. | Hierarchical approach for joint semantic, plant instance, and leaf instance segmentation in the agricultural domain | |
| Xenakis et al. | Applying a convolutional neural network in an IoT robotic system for plant disease diagnosis | |
| CN109304710A (zh) | 基于径向基神经网络的机械臂精度标定方法 | |
| Li et al. | Integrated multi-dimensional technology of data sensing method in smart agriculture | |
| CN109188903A (zh) | 基于记忆增强优化的cnn加热炉操作变量的软测量方法 | |
| Choi et al. | Deep-learning-based microfluidic droplet classification for multijet monitoring | |
| Segura et al. | Sketch-based tensor decomposition for non-parametric monitoring of electrospinning processes | |
| CN113609672A (zh) | 一种基于增量模型的数字孪生系统协同进化方法 | |
| CN116755335A (zh) | 液压关键元件智能监测平台 | |
| Zhang et al. | An automatic control system for ratbot navigation | |
| Huang et al. | Tool remaining useful life prediction based on edge data processing and lstm recurrent neural network | |
| Martínez et al. | Automatic analysis and characterization of the hummingbird wings motion using dense optical flow features | |
| Puri | IoT and AI-based Plant Monitoring System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |