CN110077126A - 人工智能辅助印刷电子技术自引导优化提升方法 - Google Patents
人工智能辅助印刷电子技术自引导优化提升方法 Download PDFInfo
- Publication number
- CN110077126A CN110077126A CN201910470758.4A CN201910470758A CN110077126A CN 110077126 A CN110077126 A CN 110077126A CN 201910470758 A CN201910470758 A CN 201910470758A CN 110077126 A CN110077126 A CN 110077126A
- Authority
- CN
- China
- Prior art keywords
- printing
- parameter
- printer
- printing effect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 238000007639 printing Methods 0.000 claims abstract description 78
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 239000000758 substrate Substances 0.000 claims description 32
- 239000007921 spray Substances 0.000 claims description 28
- 238000013461 design Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000004377 microelectronic Methods 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 13
- 238000002790 cross-validation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000879 optical micrograph Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000007641 inkjet printing Methods 0.000 description 2
- 238000000399 optical microscopy Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/21—Ink jet for multi-colour printing
- B41J2/2132—Print quality control characterised by dot disposition, e.g. for reducing white stripes or banding
- B41J2/2135—Alignment of dots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1208—Improving or facilitating administration, e.g. print management resulting in improved quality of the output result, e.g. print layout, colours, workflows, print preview
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1293—Printer information exchange with computer
- G06F3/1294—Status or feedback related to information exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/10—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern
- H05K3/12—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern using thick film techniques, e.g. printing techniques to apply the conductive material or similar techniques for applying conductive paste or ink patterns
- H05K3/1241—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern using thick film techniques, e.g. printing techniques to apply the conductive material or similar techniques for applying conductive paste or ink patterns by ink-jet printing or drawing by dispensing
- H05K3/125—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern using thick film techniques, e.g. printing techniques to apply the conductive material or similar techniques for applying conductive paste or ink patterns by ink-jet printing or drawing by dispensing by ink-jet printing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Ink Jet (AREA)
- Accessory Devices And Overall Control Thereof (AREA)
Abstract
本发明公开了一种人工智能辅助印刷电子技术自引导优化提升方法，用于解决现有方法实用性差的技术问题。技术方案是将机器学习技术与印刷电子技术相结合。用户根据影响微电子打印机打印质量的变量，设置实验组别，根据实验组中参数使用微电子打印机打印样品，对打印效果进行表征，评判打印质量好坏。通过机器学习的方式对表征结果进行分析，得到最好的打印效果对应的打印参数，并将这些参数反馈给用户，用户根据反馈参数设置打印机，提高打印质量。本发明只需根据影响打印效果的几个因素设置简单的几组实验即可得到最优的打印参数，减少了打印机用户前期花费在测试打印效果的时间，实用性好。
Description
技术领域
本发明属于印刷电子和计算科学领域，特别涉及一种人工智能辅助印刷电子技术自引导优化提升方法。
背景技术
文献“压电波形对喷墨打印电极的调控规律，发光学报，2017，Vol.38，No.5，P617-P622”公开了一种通过改变压电波形来研究其对喷墨打印效果影响规律的方法。该方法在原有压电波形的基础上，改变压电波形的加压速率和脉冲持续时间，使用改变后的压电波形分别进行打印操作，表征打印效果，分析得到最好的打印效果对应的压电波形。文献所述方法只分析了压电波形对打印效果的影响，而忽略了其它多种因素对打印效果的影响，而且实验组数较少，只能得到实验组中的最好参数，无法得到实际情况下的最好打印参数。通过该方法对影响打印效果的众多因素一一进行分析会花费大量的时间，且难以得到最好的打印参数。
发明内容
为了克服现有方法实用性差的不足，本发明提供一种人工智能辅助印刷电子技术自引导优化提升方法。该方法将机器学习技术与印刷电子技术相结合。用户根据影响微电子打印机打印质量的变量，设置实验组别，根据实验组中参数使用微电子打印机打印样品，对打印效果进行表征，评判打印质量好坏。通过机器学习的方式对表征结果进行分析，得到最好的打印效果对应的打印参数，并将这些参数反馈给用户，用户根据反馈参数设置打印机，提高打印质量。随着微电子打印机用户的增多，计算机得到的样本数据也会越来越多，计算机机器学习的结果也会更加精确，反馈给用户的打印参数打印出的样品效果更好。本发明只需根据影响打印效果的几个因素设置简单的几组实验即可得到最优的打印参数，减少了打印机用户前期花费在测试打印效果的时间，实用性好。
本发明解决其技术问题所采用的技术方案：一种人工智能辅助印刷电子技术自引导优化提升方法，其特点是包括以下步骤：
步骤一、打印质量影响因素及实验组设置。
确认打印机、打印墨水和打印基底符合要求，将打印机喷头数量、重复打印次数、打印速度、打印基板温度、喷头基板间距和喷头喷墨力度六个变量分成六组，每组由四个均匀变化的参数组成，共有24种打印参数组合。
打印某组参数时，将其它五组参数条件设定为固定的打印参数。
步骤二、设计打印图案。
确定好打印参数后，设计打印图案，打印图案中直导线的线宽均为10μm，线距均为110μm，曲线的线宽均为80μm，线距均为160μm。
步骤三、根据24种参数组合分别打印出样品图案。
根据24组参数组合设置打印参数，将设计的打印图案打印出实物图。
步骤四、打印效果表征。
随着喷孔数量增多，打印的图案细节越来越差。喷孔基底间距大，导线的弯曲程度大。测量平均值越小且越接近设计值、标准差越小则打印效果越好。
步骤五、机器学习技术分析数据。
将表征得到的数据上传到计算机，通过机器学习技术分析数据，得到最好的打印效果对应的打印参数。
步骤六、打印参数回传用户电脑，引导用户优化打印质量。
计算机将步骤五得到的打印参数回传到打印机控制程序，控制程序自动修改打印机打印参数并进行打印，得到优化后的打印图案。将优化后的打印图案在光学显微镜下进行表征，并将线宽的平均值和标准差数据上传计算机，通过机器学习计算，优化打印效果。
本发明的有益效果是：该方法将机器学习技术与印刷电子技术相结合。用户根据影响微电子打印机打印质量的变量，设置实验组别，根据实验组中参数使用微电子打印机打印样品，对打印效果进行表征，评判打印质量好坏。通过机器学习的方式对表征结果进行分析，得到最好的打印效果对应的打印参数，并将这些参数反馈给用户，用户根据反馈参数设置打印机，提高打印质量。随着微电子打印机用户的增多，计算机得到的样本数据也会越来越多，计算机机器学习的结果也会更加精确，反馈给用户的打印参数打印出的样品效果更好。本发明只需根据影响打印效果的几个因素设置简单的几组实验即可得到最优的打印参数，减少了打印机用户前期花费在测试打印效果的时间，实用性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明方法实施例设计的电路图案。
图2是本发明方法实施例印刷电路的实物图。
图3是本发明方法实施例设计电路图案中的取样点示意图。
图4是本发明方法实施例通过光学显微镜在取样点获取的光学图像。
图5是本发明方法实施例通过光学显微镜在取样点上获取的24组光学图像。
图6是本发明方法实施例对采样点的数据作图分析的图像。
具体实施方式
参照图1-6。本发明人工智能辅助印刷电子技术自引导优化提升方法具体步骤如下：
通过用户控制打印参数对打印效果进行评估量化，将量化后的数据上传计算机，对数据进行机器学习，分析出具体哪种参数下的打印效果最好，将这一结果回传到用户使用的打印机控制软件界面，用户就可以根据这一数据进行打印操作。
1、打印质量影响因素及实验组设置。
本发明中使用的打印机是新型微电子打印机，首先在打印墨水和打印基底确认合适的情况下分析可能影响打印机打印质量的因素，发现打印机喷头数量，重复打印次数，打印速度，打印基板温度，喷头基板间距，喷头喷墨力度这6个变量是影响打印质量的主要因素。所以将这6个变量分成6组，每组都由4个均匀变化的参数组成。
| 一 | 二 | 三 | 四 | |
| 打印机喷头数量(个) | 1 | 2 | 4 | 6 |
| 重复打印次数(次) | 1 | 2 | 4 | 6 |
| 打印速度(mm/s) | 50 | 100 | 150 | 200 |
| 打印基板温度℃ | 21 | 30 | 40 | 50 |
| 喷头与基板间距mm | 0.1 | 0.6 | 1.1 | 2.1 |
| 喷头喷墨力度 | 65％ | 75％ | 85％ | 95％ |
根据这个表格知道一共有4x4x4x4x4x4＝4096种打印参数的组合，单一用户很难把所有参数的组合都打印出来，所以采取分组实验的方式，即在研究某组条件时，将其它五组条件设定为固定的打印参数，这一固定参数对实验组打印效果的影响很小。在研究喷头数量对打印质量的影响时，打印机喷头数量分别设定为1，2，4，6个并分别进行打印，其它五组条件设定为：重复打印次数1次，打印速度150mm/s，打印基板温度为室温，喷头与基板间距0.1mm，喷头喷墨力度100％；在研究重复打印次数对打印质量的影响时，重复打印次数分别设定为1，2，4，6次并分别进行打印，其它五组条件设定为：打印机喷头数量1个，打印速度150mm/s，打印基板温度为室温，喷头与基板间距0.1mm，喷头喷墨力度100％；在研究打印速度对打印质量的影响时，打印速度分别设定为50，100，150，200mm/s并分别进行打印，其它五组条件设定为：打印机喷头数量1个，重复打印次数1次，打印基板温度为室温，喷头与基板间距0.1mm，喷头喷墨力度100％；在研究打印基板温度对打印质量的影响时，打印基板温度分别设定为21，30，40，50℃并分别进行打印，其它五组条件设定为：打印机喷头数量1个，重复打印次数1次，打印速度150mm/s，喷头与基板间距0.1mm，喷头喷墨力度 100％；在研究喷头与基板间距对打印质量的影响时，喷头与基板间距分别设定为0.1， 0.6，1.1，2.1mm并分别进行打印，其它五组条件设定为：打印机喷头数量1个，重复打印次数1次，打印速度150mm/s，打印基板温度为室温，喷头喷墨力度100％；在研究喷头喷墨力度对打印质量的影响时，喷头喷墨力度分别设定为总电压的65％， 75％，85％，95％并分别进行打印，其它五组条件设定为：打印机喷头数量1个，重复打印次数1次，打印速度150mm/s，打印基板温度为室温，喷头与基板间距0.1mm。
2、设计打印图案。
确定好打印参数后，设计打印的图案，我们要分析打印参数对直线和曲线分别有什么影响，所以设计了直线和曲线结构，图1可见，直导线的线宽均为10μm，线距均为110μm，曲线线宽为80μm，线距为160μm。
3、将24种参数组合分别打印出样品图案。
根据24组参数组合设置打印参数，将设计的打印图案打印出实物图，图2可见，打印实物图与设计图外观一致，线条清晰可辨。
4、打印效果表征。
图3可见，在设计图上选定直线的3个不同位置和曲线的2个不同位置，通过光学显微镜分别对样品的直线和曲线位置进行表征，图4是一组打印参数下的5个位置的光学显微镜图像。图5是所有的24组参数组合下的打印样品的光学显微镜图像。可见喷孔数量、喷孔基底间距、喷墨力度这3各因素对打印效果影响较大。可明显观察到随着喷孔数量增多，打印的图案细节越来越差，导线连接在一起。喷孔基底间距较大，墨水从喷孔喷出到基底的路径变长，受到喷头水平移动的影响，墨滴做抛物线运动落到基底上，间距越大墨滴落在基底偏差越大，实物图可见间距越大，导线的弯曲程度越大。喷墨力度由喷墨的电压控制，电压越低喷出的墨量越少，甚至可能出现不喷墨的的情况，光学图像可见，部分导线出现断开的情况。这3个因素直接决定打印产品的好坏。打印次数的增多导致导线的颜色更深，反映到电性能上就是导线的阻抗更小，性能更好。
通过图5的光学显微镜图像测量线宽，每个位置处测量3条线的线宽，这样每个打印图案在直线部分会有9个测量值，在曲线部分有6个测量值，分别对直线部分的 9个测量值和曲线部分的6个测量值取平均值和标准差值，以平均值和标准差值作为评判打印效果好坏的标准，平均值越小且越接近设计值、标准差越小则打印效果越好。将这些平均值和标准差数据做成表格观察它们的变化趋势，图6展示了6个因素对打印效果的影响情况。随着打印次数的增加直线和曲线的线宽都逐渐增加，而且线宽的标准差也逐渐趋于稳定。打印速度即喷头移动的速度，对于最小的喷孔基底间距条件而言，打印速度对打印效果影响很小，线宽随着打印速度的增加变化很小。随着温度的升高线宽略有增加，但标准差值更加稳定。
5、机器学习技术分析数据。
将24组打印条件及对应条件下样品线宽的平均值和标准差上传到计算机，通过机器学习技术编写程序，为了实现有机导电墨水电路打印参数的优化，需要了解各种打印参数之间的模糊关系。因此，有必要通过研究已有的打印数据，选择一个最能揭示这种关系的ML模型，生成最优的打印条件，并获得较高的成功率。
模型选择：模型选择由三个基本部分组成:数据采集、数据预处理、模型评估。数据预处理包括随机过采样和标准化两个步骤。为了解决数据集中样本分布不平衡的问题，采用随机过采样的方法，通过反复随机选择数量较少的某一类被标记样本，然后将其放回数据集中，直到两个类的数据集具有相同的计数。然后标准化已经平衡的数据集，将特征数值进行缩放以加快建模训练的收敛。为了解决小数据集问题，采用了嵌套交叉验证方案。模型评价主要包括两个步骤:1)内交叉验证：为每个候选模型选择最优超参数；2)外部交叉验证：测试每个模型，以评估每个模型在新数据集上的性能。然后根据产生的测试结果选择最佳模型。四种常用的性能指标来评价模型:ROC曲线下面积(AUROC)、准确度、灵敏度和特异性。我们将采用GBDT方法进行机器学习得到最优打印参数。
增量自适应模型：首先列出已有的实验室打印的数据组合，然后对组合进行实验测试，生成数据样本作为初始训练集，确定每个类至少有10个样本，满足训练模型的最少样本准则。对这些样本采用GDBT训练方法，首先对初始训练集进行分层交叉验证，选择模型的最优超参数；然后利用训练后的模型预测剩余参数组合“效果好”的概率。然后对具有最高概率的参数组合进行实验测试，生成标签，并将其包含到下一个试验的训练集中。同样的步骤不断重复，此过程达到临界点时停止(此时所有剩余集中的组合都被预测为“效果不好”，即最高预测概率低于50.0％)，此时停止训练，因为模型对其余组合的信任度较低。
梯度下降树(GBDT)：梯度下降树(GBDT)是一种典型的梯度增强类型，它通过M个基决策器hm(m＝1,2,...,M)产生的一组值进行决策：
Fm(x)为决策函数，γm为学习参数。
已知N个训练数据和可微分的损失函数fL(y,F(x))，利用迭代的方式进行训练：Fm(x)＝Fm-1(x)+γmhm(x)，其中γm是通过最小化下一个模型对应的损失函数而确定的。在每一步中，残差rm是本轮模型Fm-1(x)对应的损失函数的负梯度。之后，利用训练hm(x)。xi为第i个数据，rmi为第i个数据的残差。
ROC曲线：ROC曲线是衡量二分类模型性能的曲线。为了绘制出模型的ROC曲线图，采用GBDT方法，此方法将调参和模型挑选结合起来，选择的模型在训练集和测试集上的误差很小。在外层交叉验证中，将数据集进行分层实现最优参数训练，并且给出需要预测样本的概率值；在内层交叉验证中，在训练集中实现交叉验证实现参数调整，然后将结果反馈到超参数调优机制中，对超参数调优，并使用更新后的超参数继续训练模型。
TPR与NPR:真阳性率(TPR)定义为正确预测阳性率除以真实阳性样本总数。真负率(NPR)表示正确预测值为负的个数除以真阴性样本总数。正类表示为“效果好”，负类表示为“效果不好”。预测结果来自于数据集生成的模型。尽量保证正类和负类样本数目的平衡，可以使得模型的ROC曲线更加平衡。
对各组打印条件下得到的平均值和标准差值数据通过上述方式进行机器学习。打印效果是随着打印参数近似线性变化的，即其它条件不变时，随着某一打印条件下4 个参数逐渐增加(减少)，打印效果也会逐渐变好或变坏，且近似呈线性变化，这样就可以通过机器学习技术分析出6个打印条件、4个打印参数变量下共4^6＝4096种打印参数组合下的打印样品线宽均值最小，标准差最小时的打印参数。
6、参数回传用户电脑，引导用户优化打印质量。
计算机将这一打印参数回传到打印机控制程序，控制程序自动修改微电子打印机打印参数并进行打印，即可得到优化后的打印图案。将新得到的打印图案在光学显微镜下进行表征，并将线宽的平均值和标准差数据上传计算机，随着后续用户增多，样本数据也会越来越多，逐步扩充数据库，机器学习计算的结果也会越来越精确，打印效果也更加满足要求。
Claims (1)
1.一种人工智能辅助印刷电子技术自引导优化提升方法，其特征在于包括以下步骤：
步骤一、打印质量影响因素及实验组设置；
确认打印机、打印墨水和打印基底符合要求，将打印机喷头数量、重复打印次数、打印速度、打印基板温度、喷头基板间距和喷头喷墨力度六个变量分成六组，每组由四个均匀变化的参数组成，共有24种打印参数组合；
打印某组参数时，将其它五组参数条件设定为固定的打印参数；
步骤二、设计打印图案；
确定好打印参数后，设计打印图案，打印图案中直导线的线宽均为10μm，线距均为110μm，曲线的线宽均为80μm，线距均为160μm；
步骤三、根据24种参数组合分别打印出样品图案；
根据24组参数组合设置打印参数，将设计的打印图案打印出实物图；
步骤四、打印效果表征；
随着喷孔数量增多，打印的图案细节越来越差；喷孔基底间距大，导线的弯曲程度大；测量平均值越小且越接近设计值、标准差越小则打印效果越好；
步骤五、机器学习技术分析数据；
将表征得到的数据上传到计算机，通过机器学习技术分析数据，得到最好的打印效果对应的打印参数；
步骤六、打印参数回传用户电脑，引导用户优化打印质量；
计算机将步骤五得到的打印参数回传到打印机控制程序，控制程序自动修改打印机打印参数并进行打印，得到优化后的打印图案；将优化后的打印图案在光学显微镜下进行表征，并将线宽的平均值和标准差数据上传计算机，通过机器学习计算，优化打印效果。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910470758.4A CN110077126B (zh) | 2019-05-31 | 2019-05-31 | 人工智能辅助印刷电子技术自引导优化提升方法 |
| PCT/CN2020/092253 WO2020238882A1 (zh) | 2019-05-31 | 2020-05-26 | 人工智能辅助印刷电子技术自引导优化提升方法 |
| US16/970,873 US11882664B2 (en) | 2019-05-31 | 2020-05-26 | Artificial intelligence-assisted printed electronics self-guided optimization method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910470758.4A CN110077126B (zh) | 2019-05-31 | 2019-05-31 | 人工智能辅助印刷电子技术自引导优化提升方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110077126A true CN110077126A (zh) | 2019-08-02 |
| CN110077126B CN110077126B (zh) | 2020-02-14 |
Family
ID=67422934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910470758.4A Active CN110077126B (zh) | 2019-05-31 | 2019-05-31 | 人工智能辅助印刷电子技术自引导优化提升方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11882664B2 (zh) |
| CN (1) | CN110077126B (zh) |
| WO (1) | WO2020238882A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114193938A (zh) * | 2021-11-29 | 2022-03-18 | 长城信息股份有限公司 | 一种基于激光单元自适应调整的激光打印机成像控制系统 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021062565A (ja) * | 2019-10-16 | 2021-04-22 | セイコーエプソン株式会社 | 情報処理装置、学習装置、情報処理装置の制御方法、及び、プログラム |
| EP3954540A1 (en) * | 2020-08-11 | 2022-02-16 | Schott AG | Method for printing an image on a substrate and corresponding system |
| CN115358159B (zh) * | 2022-10-24 | 2023-04-07 | 浙江大学计算机创新技术研究院 | 一种多目标3d打印工艺参数优化方法 |
| EP4378699A1 (en) * | 2022-11-29 | 2024-06-05 | SCREEN Holdings Co., Ltd. | Printing system, adjustment supporting method, and adjustment supporting program |
| CN116306875B (zh) * | 2023-05-18 | 2023-08-01 | 成都理工大学 | 基于空间预学习与拟合的排水管网样本增量学习方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1439519A (zh) * | 2002-02-19 | 2003-09-03 | 佳能株式会社 | 喷墨记录装置及其控制方法和程序 |
| CN1849814A (zh) * | 2003-09-10 | 2006-10-18 | 精工爱普生株式会社 | 输出图像数据生成装置和输出图像数据生成方法 |
| CN101037048A (zh) * | 2006-03-17 | 2007-09-19 | 索尼株式会社 | 热能头和打印装置 |
| CN101434146A (zh) * | 2007-11-16 | 2009-05-20 | 佳能株式会社 | 喷墨打印设备和喷墨打印方法 |
| CN101746128A (zh) * | 2008-12-19 | 2010-06-23 | 佳能株式会社 | 喷墨打印设备和打印方法 |
| US20110248243A1 (en) * | 2009-11-30 | 2011-10-13 | Omega Optics, Inc. | Carbon nanotube field effect transistor for printed flexible/rigid electronics |
| CN103241025A (zh) * | 2013-04-28 | 2013-08-14 | 京东方科技集团股份有限公司 | 一种有机薄膜的喷墨打印方法 |
| CN108172524A (zh) * | 2017-12-01 | 2018-06-15 | 华南理工大学 | 一种通过压电波形调控tft阵列源漏电极薄膜质量的方法 |
| CN108986086A (zh) * | 2018-07-05 | 2018-12-11 | 福州大学 | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001011426A1 (en) * | 1999-05-27 | 2001-02-15 | Patterning Technologies Limited | Method of forming a masking pattern on a surface |
| JP2018069684A (ja) | 2016-11-02 | 2018-05-10 | 株式会社リコー | 情報処理装置、情報処理システム、及び情報処理方法 |
| JP6737247B2 (ja) * | 2017-07-20 | 2020-08-05 | 京セラドキュメントソリューションズ株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
| CN109130550B (zh) * | 2018-08-21 | 2020-02-04 | 嘉兴学院 | 一种电流体动力学喷印的人工智能控制系统及控制方法 |
| CN110077126B (zh) * | 2019-05-31 | 2020-02-14 | 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 |
| EP4094947A3 (en) * | 2021-05-27 | 2023-03-08 | The Boeing Company | Printing system for generating nozzle firing patterns based on positional offsets |
-
2019
- 2019-05-31 CN CN201910470758.4A patent/CN110077126B/zh active Active
-
2020
- 2020-05-26 WO PCT/CN2020/092253 patent/WO2020238882A1/zh active Application Filing
- 2020-05-26 US US16/970,873 patent/US11882664B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1439519A (zh) * | 2002-02-19 | 2003-09-03 | 佳能株式会社 | 喷墨记录装置及其控制方法和程序 |
| CN1849814A (zh) * | 2003-09-10 | 2006-10-18 | 精工爱普生株式会社 | 输出图像数据生成装置和输出图像数据生成方法 |
| CN101037048A (zh) * | 2006-03-17 | 2007-09-19 | 索尼株式会社 | 热能头和打印装置 |
| CN101434146A (zh) * | 2007-11-16 | 2009-05-20 | 佳能株式会社 | 喷墨打印设备和喷墨打印方法 |
| CN101746128A (zh) * | 2008-12-19 | 2010-06-23 | 佳能株式会社 | 喷墨打印设备和打印方法 |
| US20110248243A1 (en) * | 2009-11-30 | 2011-10-13 | Omega Optics, Inc. | Carbon nanotube field effect transistor for printed flexible/rigid electronics |
| CN103241025A (zh) * | 2013-04-28 | 2013-08-14 | 京东方科技集团股份有限公司 | 一种有机薄膜的喷墨打印方法 |
| CN108172524A (zh) * | 2017-12-01 | 2018-06-15 | 华南理工大学 | 一种通过压电波形调控tft阵列源漏电极薄膜质量的方法 |
| CN108986086A (zh) * | 2018-07-05 | 2018-12-11 | 福州大学 | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 |
Non-Patent Citations (3)
| Title |
|---|
| 宁洪龙，朱镇南等: "压电波形对喷墨打印电极的调控规律", 《发光学报》 * |
| 宁洪龙，杨财桂等: "喷墨打印电极在薄膜晶体管中的应用", 《材料导报》 * |
| 张文菡，周奕华等: "印刷电子压电喷墨喷头的建模与改进", 《计算机仿真》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114193938A (zh) * | 2021-11-29 | 2022-03-18 | 长城信息股份有限公司 | 一种基于激光单元自适应调整的激光打印机成像控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11882664B2 (en) | 2024-01-23 |
| CN110077126B (zh) | 2020-02-14 |
| US20220194093A1 (en) | 2022-06-23 |
| WO2020238882A1 (zh) | 2020-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110077126A (zh) | 人工智能辅助印刷电子技术自引导优化提升方法 | |
| EP3429862B1 (en) | Systems and methods for precision inkjet printing | |
| CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
| CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
| JP2019166834A (ja) | 重み付けを伴う閾値計算 | |
| CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
| CN113012766B (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
| CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
| CN112172128A (zh) | 基于双指标正交试验结合支持向量机快速优化聚乳酸熔融沉积成型工艺的方法 | |
| CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
| Mantysalo et al. | Capability of inkjet technology in electronics manufacturing | |
| Wang et al. | Ejection state prediction for a pneumatic micro-droplet generator by BP neural networks | |
| Konuk et al. | An empirical study of the relation between network architecture and complexity | |
| CN115389607A (zh) | 一种墨水分类和溯源的方法 | |
| Obaidat et al. | Ultrasonic transducer characterization by neural networks | |
| US10983446B1 (en) | Control equipment and control method of stepper | |
| CN111797574A (zh) | 聚合物分子量分布的集成高斯过程回归模型方法 | |
| US20230095675A1 (en) | Controlling precision systems using free topology waveforms | |
| JP7368556B2 (ja) | インクジェット印刷方法及びインクジェット印刷装置 | |
| CN113807606B (zh) | 可解释集成学习的间歇过程质量在线预测方法 | |
| Bhattacharya et al. | 'Deep'Dive into $ b\to c $ Anomalies: Standardized and Future-proof Model Selection Using Self-normalizing Neural Networks | |
| KR20200070877A (ko) | 잉크젯 인쇄 방법 및 잉크젯 인쇄 장치 | |
| CN109145943A (zh) | 一种基于特征迁移的集成分类方法及系统 | |
| CN111292811B (zh) | 一种芳烃歧化生产环节的产物预测方法和系统 | |
| Lind et al. | Jet Printing Quality ImprovementThrough Anomaly Detection UsingMachine Learning |
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 |