CN112231941B - Oled喷印液滴质量预估方法、装置、存储介质和终端 - Google Patents

Oled喷印液滴质量预估方法、装置、存储介质和终端 Download PDF

Info

Publication number
CN112231941B
CN112231941B CN202011433837.7A CN202011433837A CN112231941B CN 112231941 B CN112231941 B CN 112231941B CN 202011433837 A CN202011433837 A CN 202011433837A CN 112231941 B CN112231941 B CN 112231941B
Authority
CN
China
Prior art keywords
ink
nozzle
data set
ink path
path pressure
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.)
Active
Application number
CN202011433837.7A
Other languages
English (en)
Other versions
CN112231941A (zh
Inventor
吕赐兴
毛淇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011433837.7A priority Critical patent/CN112231941B/zh
Publication of CN112231941A publication Critical patent/CN112231941A/zh
Application granted granted Critical
Publication of CN112231941B publication Critical patent/CN112231941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Ink Jet (AREA)

Abstract

本发明公开了一种OLED喷印液滴质量预估方法、装置、存储介质和终端，通过构建印刷OLED喷射液滴优化领域知识图谱，并利用该领域知识图谱构建喷射结果评分预测矩阵对给定墨水性能和工艺参数下液滴质量进行预估，以此来指导工艺参数试验，减少人工经验依赖，提升试验效率；运用Deepwalk算法对喷射工艺试验中墨水、墨压、喷嘴参数之间关联进行充分挖掘与表征，不仅用于衡量不同喷嘴工艺参数相似度，也可用于衡量不同墨水/墨路压力工艺参数相似度，并结合喷嘴和墨水/墨路压力相似度，依据已有试验数据，对新喷嘴/墨水/墨路压力参数下的液滴质量效果进行预估；本方法有利于将新的试验数据不断加入到知识图谱中，提高预估准确性。

Description

OLED喷印液滴质量预估方法、装置、存储介质和终端
技术领域
本发明涉及新型显示装备技术领域，尤其涉及的是一种OLED喷印液滴质量预估方法、装置、存储介质和终端。
背景技术
1997年，Lee等人通过调整压力及驱动信号上升下降沿来优化墨滴的形成过程并动态改变喷射液滴直径；1999年，Microfab公司通过分析压电打印头驱动信号的幅值和脉宽对液滴速率及体积的影响，调整驱动信号的幅值及脉宽以改善打印质量；2002年，美国普渡大学Alvin等人发现通过合理的调节驱动电压波形可以有效的减小墨滴的直径；2008年，Li等人分析了压电喷头喷射频率对压电喷头喷射的影响；同年，Meixner等人从喷射液体的物性参数和喷射机械系统的参数对喷射过程的影响角度分析了聚合物喷射时遇到的问题；2010年，新加坡国立大学的J．SUN等人从喷头参数优化的角度，分析了压电喷头的参数对喷射质量的影响；2010年，Herran通过实验的方法直接测量出压电片的位移，进而通过模拟求解研究压电喷腔内部的流场变化，这种方法有助于深入理解微滴喷射行为，并优化液滴喷射参数。2013年，荷兰Delft大学的Amol. K等人提出了基于分析模型的打印喷头前馈控制方法，指出模型技术也可以用来控制喷头，提升打印质量。单从喷墨来说，这些研究可以提高打印质量，改善喷墨打印的质量。2019年，国内福州大学的雷霄霄、叶芸等人针对印刷OLED/QLED的墨滴体积精度问题，利用层流-水平集方法建立了喷嘴模型，分析了粘度对喷墨打印液滴体积的影响。
2006年，SU等人最早开始考虑将神经网络的技术用于对喷头状态优化调整，但其仅围绕打印液滴沉积位置进行了研究；Benjamin等人开始利用基于有限元技术的数字模型方法与遗传算法相结合的方式，优化打印喷头驱动参数和打印喷头结构参数，但分析模型的结构过于复杂，仿真时间漫长，不适于对喷头状态实时优化调整；直到2012年，Khalate等人提出可以利用生物启发式算法构建喷头分析模型以优化液滴喷射质量，以缩短喷头优化时间，以及对喷头状态调整优化。
上述模型和方法挖掘和分析了影响液滴质量的工艺因素，也试图从理论上建立工艺因素和液滴质量之间的关系模型，然而建立的理论模型往往只分析一个或几个方面工艺参数对喷射液滴质量的影响，或者建立简化的现实喷射模型，造成理论模型只能粗略地指导试验，而无法直接确定工艺参数。
发光层成形是OLED面板制造的核心，发光层薄膜厚度、均匀性直接影响OLED器件发光效率和寿命。发光层成形需要通过控制几千个喷嘴，精准地将几亿滴皮升级的R/G/B三种有机发光材料液滴，精确地喷射到子像素凹槽内。而通过多个工艺参量实现单个液滴状态的优化控制是高精度喷射的基础。液滴喷射工艺参量不仅包括墨水在不同温度下的粘度、表面张力、密度、挥发性、受热稳定性，也包括墨路中的外来压力、缓冲负压压力、正压供墨路压力力、正压压墨路压力力，还包括喷嘴的温度、喷射频率、驱动波形、幅值与脉宽。为了实现喷射液滴体积、速度以及喷射轨迹等状态参数的优化，目前多采用试验的方法，针对墨水性能基于人工经验选择工艺参数进行试验，并根据试验结果的优劣来选择确定几种可行的工艺参数，或者针对试验结果修改墨水性能；但该种方法严重依赖人工经验，试验效率低。
因此，现有的技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种OLED喷印液滴质量预估方法、装置、存储介质和终端，旨在解决现有工艺参数进行试验方法严重依赖人工经验，试验效率低的问题。
本发明的技术方案如下：一种OLED喷印液滴质量预估方法，其中，具体包括以下步骤：
计算喷嘴相关度和墨水/墨路压力相关度；
根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；
根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵；
根据喷射结果评分预测矩阵实现基于知识图谱的印刷OLED发光层喷印液滴的质量预估；
其中，所述计算喷嘴相关度和墨水/墨路压力相关度，包括以下步骤：
构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集；
根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱；
根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集；
根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集分别计算得到喷嘴相关度和墨水/墨路压力相关度。
所述的OLED喷印液滴质量预估方法，其中，所述构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集，具体包括以下步骤：
构建包括每种型号墨水在不同温度下的墨水编号、粘度、密度、表面张力、挥发性、受热稳定性的墨水数据集；
构建包括每种型号喷头下所有喷嘴的喷嘴编号、喷射频率、温度、波形、幅值的喷嘴数据集；
构建包含墨路压力编号、外来压力、缓冲负压压力、正压供墨压力、正压压墨压力的墨路数据集；
构建包含试验编号、墨水编号、墨路压力编号、喷射结果评分的喷射试验数据集。
所述的OLED喷印液滴质量预估方法，其中，所述根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱，具体包括以下步骤：
根据墨水数据集、喷嘴数据集和墨路数据集，构建实体集；
根据喷射试验数据集构建关系集；
根据实体集和关系集构建领域知识图谱。
所述的OLED喷印液滴质量预估方法，其中，所述根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集，具体包括以下步骤：
S31：将所述领域知识图谱映射到低维度空间，得到领域知识图谱中的每个节点；
S32：将节点随机排列，得到节点排列集合；
S33：对节点排列集合中的每一个节点，采用随机游走模型得到对应的节点序列；
S34：将节点序列截短成子序列，将子序列的实体集中墨水编号和墨路压力编号映射成低维度空间的特征向量，将子序列的实体集中喷嘴编号映射成低维度空间的特征向量；
S35：遍历每一个节点的所有路径，得到每一个节点的所有实体集中墨水编号和墨路压力编号映射成的低维度空间特征向量和所有实体集中喷嘴编号映射成的低维度空间特征向量；
S36：遍历所有节点，得到所有节点在领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集。
所述的OLED喷印液滴质量预估方法，其中，所述根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集分别计算得到喷嘴相关度和墨水/墨路压力相关度，具体包括以下过程：通过得到的领域知识图谱中的墨水编号和墨路压力的低维特征向量集运用皮尔逊相关系数法计算得到墨水/墨路压力相关度，通过得到的领域知识图谱中的喷嘴编号的低维特征向量集运用皮尔逊相关系数法计算得到喷嘴相关度。
所述的OLED喷印液滴质量预估方法，其中，所述根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵，具体包括以下步骤：
根据喷嘴相关度，取若干个与目标喷嘴编号相似度高的喷嘴编号作为目标喷嘴的近邻喷嘴；
根据墨水/墨路压力相关度，取若干个与目标墨水/墨路压力相似度高的墨水编号和墨路压力编号作为墨水/墨路压力的近邻；
对所有没有喷射结果评分值的喷嘴，通过目标喷嘴编号与所有近邻喷嘴的平均欧氏距离以及近邻喷嘴的喷射结果评分值计算得到包括所有喷嘴的喷射结果预测矩阵；
对所有没有喷射结果评分值的墨水/墨路压力，用目标墨水/墨路压力与所有近邻墨水/墨路压力的平均欧氏距离以及近邻墨水/墨路压力的喷射结果评分值计算得到包括所有墨水/墨路压力的喷射结果预测矩阵。
所述的OLED喷印液滴质量预估方法，其中，所述根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵，所述喷射结果评分预测矩阵的计算公式如下：
Figure 205896DEST_PATH_IMAGE001
，
其中，
Figure 440568DEST_PATH_IMAGE002
为墨水/墨路压力相关度，
Figure 454660DEST_PATH_IMAGE003
为喷嘴相关度，
Figure 661651DEST_PATH_IMAGE004
为喷嘴预测矩阵，
Figure 837417DEST_PATH_IMAGE005
为墨水/墨路压力预测矩阵，
Figure 60850DEST_PATH_IMAGE006
[0.2,0.8]。
一种OLED喷印液滴质量预估装置，其中，包括：
数据集构建模块，构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集；
领域知识图谱构建模块，根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱；
低维特征向量集计算模块，根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集；
相关度计算模块，根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集分别计算得到喷嘴相关度和墨水/墨路压力相关度；
预测矩阵计算模块，根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；
喷射结果评分预测矩阵计算模块，根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵。
一种存储介质，其中，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述任一项所述的方法。
一种终端设备，其中，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行上述任一项所述的方法。
本发明的有益效果：本发明通过提供一种OLED喷印液滴质量预估方法、装置、存储介质和终端，通过构建印刷OLED喷射液滴优化的领域知识图谱，并利用该领域知识图谱构建喷射结果评分预测矩阵，通过喷射结果评分预测矩阵对给定墨水性能和工艺参数下的液滴质量进行预估，以此来指导工艺参数试验，减少人工经验依赖，提升试验效率；运用Deepwalk算法来对喷射工艺试验中的墨水参数、墨压参数、喷嘴参数之间的关联进行充分的挖掘与表征，不仅应用于衡量不同喷嘴工艺参数的相似度，也可应用于衡量不同墨水/墨路压力工艺参数的相似度，并结合喷嘴和墨水/墨路压力的相似度，依据已有试验数据，对新的喷嘴/墨水/墨路压力参数下的液滴质量效果进行预估；本基于知识图谱的方法也有利于不断将新的试验数据加入到知识图谱中，提高预估的准确性。
附图说明
图1是本发明中OLED喷印液滴质量预估方法的步骤流程图。
图2是本发明中装置的示意图。
图3是本发明中终端的示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，一种OLED（OrganicLight-Emitting Diode）喷印液滴质量预估方法，具体包括以下步骤：
S1：构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集。
其中，所述S1具体包括以下步骤：
（1.1）构建包括每种型号墨水在不同温度下（[23oC,38oC]，取值间隔0.2oC）的墨水ID、粘度、密度、表面张力、挥发性、受热稳定性的墨水数据集；
（1.2）构建包括每种型号喷头下所有喷嘴的喷嘴ID、喷射频率、温度、波形、幅值的喷嘴数据集。其中，喷射频率取值范围为[0.5KHz,10KHz]，间隔0.1KHz；温度取值范围[23oC,38oC]，取值间隔0.2oC；波形取值为 [1,W],W为所供选择波形的数量；幅值取值为[0.1* Fmax,Fmax],取值间隔为0.1* Fmax（Fmax为最大幅值）；
（1.3）构建包含墨路压力ID、外来压力、缓冲负压压力、正压供墨压力、正压压墨压力的墨路数据集。其中外来压力取值范围[0.016MPa,0.024 MPa]，取值间隔0.001 MPa；缓冲负压压力取值范围[-10KPa,-15KPa]，取值间隔0.5KPa；正压供墨压力取值范围[0 KPa,8KPa]，取值间隔0.5 KPa；正压压墨压力取值范围[8 KPa,14KPa]，取值间隔0.5 KPa；
（1.4）构建包含试验ID、墨水ID、墨路压力ID、喷射结果评分的喷射试验数据集。
其中，喷射结果评分的获取过程如下：根据经验，从墨水数据集、喷嘴数据集、墨路数据集中分别选择一条记录进行喷射试验，用液滴观测仪观测喷嘴所喷射液滴的体积、喷射角度、有无散喷、有无卫星液滴等清单，并由人工对喷射结果评分进行打分，最高为5分，代表喷射结果评分很优秀，最低为0分，代表喷射结果评分不能接受。
S2：从所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集中抽取实体集VecID和关系集ReID，构建领域知识图谱G。
其中，所述S2具体包括以下步骤：
（2.1）遍历墨水数据集、喷嘴数据集和墨路数据集，抽取墨水ID、喷嘴ID、墨路压力ID，得到实体集VecID={(墨水ID，墨路压力ID)，喷嘴ID }。其中，墨水和墨路压力之间是组合关系，如果墨水ID有M种，墨路压力ID有N种，则有M*N种的(墨水ID，墨路压力ID)（(墨水ID，墨路压力ID)是墨水/墨路压力这对参数组合在知识图谱中的表示方法）组合，组合后的
Figure DEST_PATH_IMAGE008AAAA
作为一种实体。喷嘴ID作为另一种实体，喷嘴ID总共有K个。则实体VecID的总数量V为：V=M*N+K。
遍历喷射试验数据集，找到与实体集VecID中每个实体对应的试验ID并建立数据关系，得到关系集ReID={试验ID}。
（2.2）领域知识图谱G初始化为空，定义循环变量p（从1到p，p是某个VecID实体所连接的其它实体的数量）来遍历VecID和ReID，通过VecID中不同实体之间的组合关系、ReID中不同实体与对应的试验ID之间的关系搭建领域知识图谱G=(VecID,ReID)，得到印刷OLED发光层喷印液滴的领域知识图谱G。
S3：采用Deepwalk算法将所述领域知识图谱G映射到64维空间，得到领域知识图谱G中的每个节点，根据得到的节点获得领域知识图谱G中的(墨水ID，墨路压力ID)的低维特征向量集和领域知识图谱G中的喷嘴ID的低维特征向量集。
(3.1)采用Deepwalk算法将所述领域知识图谱G映射到64维空间，得到领域知识图谱G中的每个节点（与实体集VecID中的实体相对应，每个节点都包括抽取墨水ID、喷嘴ID、墨路压力ID的特征）；
(3.2)定义窗口尺寸w=2、输出维度d=64、每个节点总路径数量为H、每条路径的长度为t。其中w代表跳字模型（skip-gram）中的窗口大小，d代表输出的特征向量的维度,t代表游走路径的长度；随机初始化隐含信息矩阵
Figure DEST_PATH_IMAGE010AAAA
，
Figure DEST_PATH_IMAGE012AA
，R为|VecID|的维度；初始化节点路径数量h=0；
(3.3)将节点随机排列，得到节点排列集合
Figure DEST_PATH_IMAGE014A
；
(3.4)对每一个节点
Figure DEST_PATH_IMAGE016A
，执行
Figure DEST_PATH_IMAGE018A
、
Figure DEST_PATH_IMAGE020A
。
其中，执行
Figure DEST_PATH_IMAGE018AA
过程如下：运用随机游走模型从节点
Figure DEST_PATH_IMAGE022A
出发，在领域知识图谱G中随机游走t长度的路径得到的节点序列
Figure DEST_PATH_IMAGE024A
。
执行
Figure DEST_PATH_IMAGE020AA
过程如下：将生成的节点序列
Figure DEST_PATH_IMAGE024AA
截短为长度为
Figure DEST_PATH_IMAGE026AA
的子序列，其中w即跳字模型（skip-gram）中的窗口大小；将生成的子序列看作由单词组成的句子，将每一个节点VecID中(墨水ID，墨路压力ID)映射到d维特征向量，将每个节点VecID中喷嘴ID映射到d维特征向量；
(3.5)根据每个节点总路径数量H，循环执行3.4，每执行一次3.4，节点路径数量h加1,直到h=H，则结束；否则回到3.4；
(3.6)循环执行3.4至3.5，得到所有节点在领域知识图谱G中的(墨水ID，墨路压力ID)的低维特征向量集和领域知识图谱G中的喷嘴ID的低维特征向量集。
S4：根据得到的领域知识图谱G中的(墨水ID，墨路压力ID)的低维特征向量集和领域知识图谱G中的喷嘴ID的低维特征向量集计算喷嘴相关度
Figure DEST_PATH_IMAGE028AA
和墨水/墨路压力相关度
Figure DEST_PATH_IMAGE030A
。
其中，基于得到的领域知识图谱G中的(墨水ID，墨路压力ID)的低维特征向量集运用皮尔逊相关系数法计算得到墨水/墨路压力相关度
Figure DEST_PATH_IMAGE030AA
，基于得到的领域知识图谱G中的喷嘴ID的低维特征向量集运用皮尔逊相关系数法计算得到喷嘴相关度
Figure DEST_PATH_IMAGE028AAA
。
S5：计算得到喷嘴预测矩阵
Figure DEST_PATH_IMAGE032A
和墨水/墨路压力预测矩阵
Figure DEST_PATH_IMAGE034A
。
（5.1）根据得到的
Figure DEST_PATH_IMAGE028AAAA
，取前K个与目标喷嘴ID相似度高的喷嘴ID作为目标喷嘴的近邻喷嘴（根据喷嘴之间的欧式距离判断某一喷嘴是否为目标喷嘴的近邻喷嘴）；
（5.2）根据得到的
Figure DEST_PATH_IMAGE030AAA
，取前K个与目标（墨水、墨压）相似度高的（墨水ID、墨压ID）作为（墨水、墨压）的近邻（通过欧式距离定义，若欧式距离满足设定值，则定义为相似度高）；
（5.3）对所有没有喷射结果评分值（未进行实验）的喷嘴，用目标喷嘴ID与所有近邻喷嘴（已进行实验）的平均欧氏距离，以及近邻喷嘴的喷射结果评分值，经过加权计算，得到包括所有喷嘴的喷射结果预测矩阵
Figure DEST_PATH_IMAGE032AA
；对所有没有喷射结果评分值（未进行实验）的墨水/墨路压力，用目标（墨水、墨压）与所有近邻（墨水、墨压）（已进行实验）的平均欧氏距离，以及近邻（墨水、墨压）的喷射结果评分值，经过加权计算，得到包括所有墨水/墨路压力的喷射结果预测矩阵
Figure DEST_PATH_IMAGE034AA
。
S6：根据墨水/墨路压力相关度
Figure DEST_PATH_IMAGE030AAAA
、喷嘴相关度
Figure DEST_PATH_IMAGE028AAAAA
、喷嘴预测矩阵
Figure DEST_PATH_IMAGE032AAA
和墨水/墨路压力预测矩阵
Figure DEST_PATH_IMAGE034AAA
计算得到喷射结果评分预测矩阵
Figure DEST_PATH_IMAGE036A
。
其中，根据以下公式计算喷射结果评分预测矩阵
Figure DEST_PATH_IMAGE036AA
：
Figure 807528DEST_PATH_IMAGE001
其中，
Figure 931341DEST_PATH_IMAGE006
一般在[0.2,0.8]中取值。
Figure 278009DEST_PATH_IMAGE001
，
S7：根据喷射结果评分预测矩阵
Figure DEST_PATH_IMAGE036AAA
实现基于知识图谱的印刷OLED发光层喷印液滴的质量预估。
将墨水性能、墨路压力和喷嘴参数作为输入，利用已构建好的喷射结果评分预测矩阵
Figure DEST_PATH_IMAGE036AAAA
，得到特定的墨水性能、墨路压力和喷嘴参数下的喷射液滴评价质量。
如图2所示，一种OLED喷印液滴质量预估装置，包括：
数据集构建模块101，构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集；
领域知识图谱构建模块102，根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱；
低维特征向量集计算模块103，根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集；
相关度计算模块104，根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集分别计算得到喷嘴相关度和墨水/墨路压力相关度；
预测矩阵计算模块105，根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；
喷射结果评分预测矩阵计算模块106，根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵。
请参照图3，本发明实施例还提供一种终端。如示，终端300包括处理器301和存储器302。其中，处理器301与存储器302电性连接。处理器301是终端300的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行终端的各种功能和处理数据，从而对终端300进行整体监控。
在本实施例中，终端300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：计算喷嘴相关度和墨水/墨路压力相关度；根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵；根据喷射结果评分预测矩阵实现基于知识图谱的印刷OLED发光层喷印液滴的质量预估。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及数据处理。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：计算喷嘴相关度和墨水/墨路压力相关度；根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵；根据喷射结果评分预测矩阵实现基于知识图谱的印刷OLED发光层喷印液滴的质量预估。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static RandomAccess Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically ErasableProgrammable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（ErasableProgrammable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种OLED喷印液滴质量预估方法，其特征在于，具体包括以下步骤：
计算喷嘴相关度和墨水/墨路压力相关度；
根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；
根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵；
根据喷射结果评分预测矩阵实现基于知识图谱的印刷OLED发光层喷印液滴的质量预估；
其中，所述计算喷嘴相关度和墨水/墨路压力相关度，包括以下步骤：
构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集；
根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱；
根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集；
根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集计算得到墨水/墨路压力相关度，根据所述领域知识图谱中的喷嘴编号的低维特征向量集计算得到喷嘴相关度。
2.根据权利要求1所述的OLED喷印液滴质量预估方法，其特征在于，所述构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集，具体包括以下步骤：
构建包括每种型号墨水在不同温度下的墨水编号、粘度、密度、表面张力、挥发性、受热稳定性的墨水数据集；
构建包括每种型号喷头下所有喷嘴的喷嘴编号、喷射频率、温度、波形、幅值的喷嘴数据集；
构建包含墨路压力编号、外来压力、缓冲负压压力、正压供墨压力、正压压墨压力的墨路数据集；
构建包含试验编号、墨水编号、墨路压力编号、喷射结果评分的喷射试验数据集。
3.根据权利要求1所述的OLED喷印液滴质量预估方法，其特征在于，所述根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱，具体包括以下步骤：
根据墨水数据集、喷嘴数据集和墨路数据集，构建实体集；
根据喷射试验数据集构建关系集；
根据实体集和关系集构建领域知识图谱。
4.根据权利要求1所述的OLED喷印液滴质量预估方法，其特征在于，所述根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集，具体包括以下步骤：
S31：将所述领域知识图谱映射到低维度空间，得到领域知识图谱中的每个节点；
S32：将节点随机排列，得到节点排列集合；
S33：对节点排列集合中的每一个节点，采用随机游走模型得到对应的节点序列；
S34：将节点序列截短成子序列，将子序列的实体集中墨水编号和墨路压力编号映射成低维度空间的特征向量，将子序列的实体集中喷嘴编号映射成低维度空间的特征向量；
S35：遍历每一个节点的所有路径，得到每一个节点的所有实体集中墨水编号和墨路压力编号映射成的低维度空间特征向量和所有实体集中喷嘴编号映射成的低维度空间特征向量；
S36：遍历所有节点，得到所有节点在领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集。
5.根据权利要求1所述的OLED喷印液滴质量预估方法，其特征在于，所述根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集计算得到墨水/墨路压力相关度，根据所述领域知识图谱中的喷嘴编号的低维特征向量集计算得到喷嘴相关度，具体包括以下过程：通过得到的领域知识图谱中的墨水编号和墨路压力的低维特征向量集运用皮尔逊相关系数法计算得到墨水/墨路压力相关度，通过得到的领域知识图谱中的喷嘴编号的低维特征向量集运用皮尔逊相关系数法计算得到喷嘴相关度。
6.根据权利要求1所述的OLED喷印液滴质量预估方法，其特征在于，所述根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵，具体包括以下步骤：
根据喷嘴相关度，取若干个与目标喷嘴编号相似度高的喷嘴编号作为目标喷嘴的近邻喷嘴；
根据墨水/墨路压力相关度，取若干个与目标墨水/墨路压力相似度高的墨水编号和墨路压力编号作为墨水/墨路压力的近邻；
对所有没有喷射结果评分值的喷嘴，通过目标喷嘴编号与所有近邻喷嘴的平均欧氏距离以及近邻喷嘴的喷射结果评分值计算得到包括所有喷嘴的喷射结果预测矩阵；
对所有没有喷射结果评分值的墨水/墨路压力，用目标墨水/墨路压力与所有近邻墨水/墨路压力的平均欧氏距离以及近邻墨水/墨路压力的喷射结果评分值计算得到包括所有墨水/墨路压力的喷射结果预测矩阵。
7.根据权利要求1所述的OLED喷印液滴质量预估方法，其特征在于，所述根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵，所述喷射结果评分预测矩阵的计算公式如下：
Figure DEST_PATH_IMAGE002
，
其中，
Figure DEST_PATH_IMAGE004
为墨水/墨路压力相关度，
Figure DEST_PATH_IMAGE006
为喷嘴相关度，
Figure DEST_PATH_IMAGE008
为喷嘴预测矩阵，
Figure DEST_PATH_IMAGE010
为墨水/墨路压力预测矩阵，
Figure DEST_PATH_IMAGE012
。
8.一种OLED喷印液滴质量预估装置，其特征在于，包括：
数据集构建模块，构建墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集；
领域知识图谱构建模块，根据所述墨水数据集、喷嘴数据集、墨路数据集和喷射试验数据集构建领域知识图谱；
低维特征向量集计算模块，根据所述领域知识图谱获取领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集；
相关度计算模块，根据所述领域知识图谱中的墨水编号和墨路压力编号的低维特征向量集和领域知识图谱中的喷嘴编号的低维特征向量集分别计算得到喷嘴相关度和墨水/墨路压力相关度；
预测矩阵计算模块，根据所述喷嘴相关度计算得到喷嘴预测矩阵，根据墨水/墨路压力相关度计算得到墨水/墨路压力预测矩阵；
喷射结果评分预测矩阵计算模块，根据墨水/墨路压力相关度、喷嘴相关度、喷嘴预测矩阵和墨水/墨路压力预测矩阵计算得到喷射结果评分预测矩阵。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行权利要求1至7任一项所述的方法。
10.一种终端设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1至7任一项所述的方法。
CN202011433837.7A 2020-12-10 2020-12-10 Oled喷印液滴质量预估方法、装置、存储介质和终端 Active CN112231941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011433837.7A CN112231941B (zh) 2020-12-10 2020-12-10 Oled喷印液滴质量预估方法、装置、存储介质和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011433837.7A CN112231941B (zh) 2020-12-10 2020-12-10 Oled喷印液滴质量预估方法、装置、存储介质和终端

Publications (2)

Publication Number Publication Date
CN112231941A CN112231941A (zh) 2021-01-15
CN112231941B true CN112231941B (zh) 2021-03-23

Family

ID=74124085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011433837.7A Active CN112231941B (zh) 2020-12-10 2020-12-10 Oled喷印液滴质量预估方法、装置、存储介质和终端

Country Status (1)

Country Link
CN (1) CN112231941B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018123821A1 (ja) * 2016-12-28 2018-07-05 Dic株式会社 分散体及びそれを用いたインクジェット用インク組成物、光変換層、及び液晶表示素子
CN110619568A (zh) * 2019-09-17 2019-12-27 王文斌 风险评估报告的生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112231941A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Chang et al. Provable benefits of overparameterization in model compression: From double descent to pruning neural networks
CN109823051B (zh) 一种液滴喷射融合全过程体积控制方法、系统及打印机
Honghao et al. Community detection using ant colony optimization
CN112231941B (zh) Oled喷印液滴质量预估方法、装置、存储介质和终端
CN107685539A (zh) 喷墨打印喷头、喷墨量测量系统和方法及喷墨量控制方法
CN109840595B (zh) 一种基于群体学习行为特征的知识追踪方法
CN108920900A (zh) 基因表达谱数据的无监督极限学习机特征提取系统及方法
Paris et al. Reinforcement-learning-based actuator selection method for active flow control
CN117390541A (zh) 一种基于行为轨迹的无人机集群个体重要性评估方法及系统
CN116330845A (zh) 一种新型显示喷印制造液滴体积自适应智能调控方法
Gao et al. Sample importance in training deep neural networks
Hu et al. Continual learning for ctr prediction: A hybrid approach
CN116619907B (zh) 喷头驱动波形数据优化方法、装置、电子设备及存储介质
Yue et al. Intelligent control system for droplet volume in inkjet printing based on stochastic state transition soft actor–critic DRL algorithm
JP2021115729A (ja) 液体吐出方法、駆動パルス決定プログラム、および、液体吐出装置
JP2021115731A (ja) 液体吐出方法、駆動パルス決定プログラム、および、液体吐出装置
KR102170962B1 (ko) 잉크젯 인쇄 방법 및 잉크젯 인쇄 장치
JP2021115726A (ja) 液体吐出方法、駆動パルス決定プログラム、および、液体吐出装置
CN116383725A (zh) 一种喷墨打印用阵列化喷孔的智能筛选方法及装置
CN110717148A (zh) 一种融合经验的数据驱动回归预测算法
JP2021115724A (ja) 液体吐出方法、駆動パルス決定プログラム、および、液体吐出装置
JP2021115727A (ja) 液体吐出方法、駆動パルス決定プログラム、および、液体吐出装置
JP7434927B2 (ja) 液体吐出方法、駆動パルス決定プログラム、および、液体吐出装置
CN115782426A (zh) Oled喷墨打印膜厚均匀性补偿方法
CN114707427B (zh) 基于有效邻居取样最大化的图神经网络的个性化建模方法

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