CN114462551B - 一种喷墨液滴状态预测方法及其应用 - Google Patents
一种喷墨液滴状态预测方法及其应用 Download PDFInfo
- Publication number
- CN114462551B CN114462551B CN202210187430.3A CN202210187430A CN114462551B CN 114462551 B CN114462551 B CN 114462551B CN 202210187430 A CN202210187430 A CN 202210187430A CN 114462551 B CN114462551 B CN 114462551B
- Authority
- CN
- China
- Prior art keywords
- sample
- machine learning
- model
- training
- driving waveform
- 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
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007639 printing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007641 inkjet printing Methods 0.000 abstract description 7
- 239000000976 ink Substances 0.000 description 22
- 239000000463 material Substances 0.000 description 6
- 238000005507 spraying Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于工业喷墨打印领域,具体涉及一种喷墨液滴状态预测方法及其应用,包括:采用边界约束条件内的波形参数生成无标签数据集;从无标签数据集中随机抽取一批样本,以液滴是否正常喷射为标准进行标注,建立初始有标签数据集;使用主动学习法与机器学习分类模型,利用有标签数据集中的样本训练模型并迭代更新样本库;对最终的有标签数据集中正例样本,测量液滴体积和飞行速度,并训练机器学习回归模型;使用训练好的分类模型与回归模型预测任意的波形参数组合。本发明构建了将机器学习模型应用到液滴喷射状态预测的框架,应用主动学习方法,以较小的数据标注代价获得性能较好的预测模型,能够更为准确和快速地获得合适的压电喷头驱动波形。
Description
技术领域
本发明属于工业喷墨打印领域,更具体地,涉及一种喷墨液滴状态预测方法及其应用。
背景技术
压电喷墨技术是一种主流的喷墨印刷技术,如图2所示,该技术将电压加载到压电材料上,利用压电材料的逆压电效应,引发压电振动板形变,挤压墨水喷出喷嘴形成液滴。驱动波形即为以脉冲形式加载到压电材料上的电压信号,最常见的驱动波形是梯形波,可由一些参数来定义,更复杂的驱动波形需要更多的参数定义,如图2所示的一阶波形可由电压幅值V,第一脉冲时间t1,降压时间t2共同定义,如图3所示的二阶波形可由电压幅值V,第一脉冲时间t1,降压时间t2,间隔时间t3,第二脉冲时间t4共同定义,以上参数统称为驱动波形参数。
然而,驱动波形的具体参数值需要依据不同构造的压电喷头、不同粘度的墨水以及不同的使用环境(温度、水氧含量不同)而改变,否则喷射液滴的状态会发生变化,可能由正常喷射变为非正常喷射,或者喷射液滴的速度和体积发生变化,并且无法准确得到控制。因此,驱动波形具有调节液滴喷射状态的效果,针对不同的工况,需要进行特别的调整。
为了解决获取最优波形的问题,目前工业应用中主要使用的是“试错法”,即人工操作改变某个驱动波形参数,然后观察该组驱动波形参数下液滴是否能正常喷射,该方法简单易操作,可以方便地探究各个驱动波形参数对于液滴喷射的影响规律。然而,使用类似于穷举的试错法找到最优喷射波形费时费力,尤其在参数数量较多,参数可选范围较大时,该方法的工作量极大,同时,还无法解释参数之间的耦合和非线性关系。
为了解决手动实验方法的问题,有学者提出了建立动力学或计算流体力学仿真模型以进行液滴喷射状态的方案,该类方法使用计算机仿真模型输出指定波形下液滴的喷射状态,能够减少人工操作喷墨设备带来的工作量。然而,该类建模过程需要明确喷射系统的结构和用于喷射的墨水性质,在没有内部尺寸、制造公差和用于制造该装置的材料的详细信息的情况下,一个喷射系统的模型参数的精确值是不容易确定的。再加上随着时间的推移,压电材料会产生一定的退化过程,使模型参数发生改变。因此使得想要精确建立压电射流随时间变化的模型是极其困难的。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种喷墨液滴状态预测方法及其应用,其目的在于提高喷墨液滴状态预测的精度和效率,进而提高驱动波形设计的效率。
为实现上述目的,按照本发明的一个方面,提供了一种用于喷墨液滴状态预测的机器学习模型构建方法,包括:
从无标签数据集θ中随机抽取样本,以能否使得液滴正常喷射为标准进行标注,建立包括正例样本和负例样本的有标签数据集D;其中,所述无标签数据集θ中每个样本为驱动波形参数集合;
采用所述有标签数据集D训练机器学习分类模型,并采用主动学习法迭代更新有标签数据集D,以基于新的有标签数据集迭代更新训练分类模型,直至达到迭代终止条件,得到用于基于驱动波形参数集合预测液滴能否正常喷射的机器学习分类模型;
从所需的分类准确率所对应的有标签数据集中抽取正例样本并对其进行液滴状态标注,得到回归数据样本集Dp以训练得到机器学习回归模型;
训练得到的分类模型和回归模型构成用于喷墨液滴状态预测的机器学习模型,完成构建。
进一步,所述无标签数据集θ的构建方式为:
在各个驱动波形参数的边界约束条件下,随机生成并组合各个驱动波形参数,得到N组作为网络模型输入参数的二阶驱动波形参数集合,形成样本数据集,其中,每个二阶驱动波形参数集合表示为(V,t1,t2,t3,t4),V表示电压幅值,t1表示第一脉冲时间,t2表示降压时间,t3表示间隔时间,t4表示第二脉冲时间;
将所述样本数据集中N的预设百分比数量的二阶波形样本转换为一阶波形样本,其它样本保持不变,得到无标签数据集θ,其中,转换方式为:将t3和t4的取值设置为0,所述预设百分比取值为10%-30%。
进一步,所述有标签数据集D中一阶波形样本和二阶波形样本的数量相等。
进一步,所述机器学习分类模型为随机森林分类模型,其训练方式为:
S1、将所述有标签数据集D随机划分为总训练集Dl和测试集Dt;并确定待训练随机森林分类模型中基学习器的数量m以及用于训练每个基学习器的子训练集的容量c;
S2、在所述总训练集Dl中抽样,采样分别得到相等数量的正例样本和负例样本,且样本中的特征参数仅保留预设的部分种类特征参数,直至获得样本的总数达到c;重复该过程m次,得到m个子训练集[Dl1,Dl2,...,Dlm];
S3、以每个样本中的特征参数集合为输入参数,以样本的分类标签y为输出参数,使用子训练集Dli训练第i个基学习器hi;
S4、使用每个基学习器预测测试集Dt,并获得正确率评价[A1,A2,...,Am];
S5、结合各基学习器的预测输出以及正确率评价,获得集成学习器对每个测试样本的预测输出,以计算得到集成学习器的分类准确率;
S6、在所述无标签数据集θ中,采用主动学习的查询策略,选择新的无标签数据样本并对其标注,得到新的有标签数据样本并加入到所述有标签数据集D中,重复执行S1-S5,直至达到迭代终止条件,完成随机森林分类模型的训练。
进一步,所述部分种类特征参数为三种。
进一步,所述集成学习器对测试样本x的预测输出表示为:
其中,H(x)为集成学习器在样本x上的预测输出,Cj为类别标记,为基学习器hi在类别Cj上的预测输出。
进一步,所述机器学习回归模型为随机森林回归模型,其训练方式为:
从所述分类准确率最高对应的有标签数据集D中抽取正例样本以建立待标记回归样本库;
基于待标记回归样本库中每个样本的驱动波形参数集合,得到喷墨液滴体积和速度并以标记该样本,建立回归数据样本集Dp;
采用所述回归数据样本集Dp训练得到随机森林回归模型;
其中,随机森林回归模型中的集成学习器对测试样本x的预测输出表示为:
其中,H(x)为集成学习器在测试样本x上的预测输出,hi(x)为基学习器hi的预测输出,mp为随机森林回归模型中的基学习器的数量,Ei为基学习器hi的回归精度指标值。
本发明还提供一种喷墨液滴状态预测方法,包括:
获取驱动波形参数集合,采用如上所述的一种用于喷墨液滴状态预测的机器学习模型构建方法构建得到的随机森林分类模型,预测该驱动波形参数集合是否能够使得液滴正常喷射;若是,则采用如上所述的一种用于喷墨液滴状态预测的机器学习模型构建方法构建得到的随机森林回归模型,预测该驱动波形参数集合对应的液滴喷射状态,完成喷墨液滴状态的预测。
本发明还提供一种压电喷印设备驱动波形优选方法,包括:
采用启发式算法,基于期望喷墨液滴喷射状态,搜索得到最优驱动波形;这其中,采用如上所述的一种用于喷墨液滴状态预测的机器学习模型构建方法所构建得到的机器学习模型,生成搜索过程中得到的驱动波形所对应的喷墨液滴喷射状态。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种用于喷墨液滴状态预测的机器学习模型构建方法、如上所述的一种喷墨液滴状态预测方法和/或如上所述的一种压电喷印设备驱动波形优选方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明构建了将机器学习模型应用到液滴喷射状态预测的框架,克服了传统实验“试错法”的不足,能够充分利用实验数据,避免了进行费时费力的实验或者技术要求较高的仿真模拟,能够更为准确和快速地获得合适的压电喷头驱动波形。
(2)本发明使用主动学习的样本查询策略,相比于不对样本进行选择的学习方法,可以只对较少的数据进行标注,更快地提高预测模型的性能,从而显著地降低样本的标注代价,节约人力和资源。
(3)除了上述预测问题之外,在本发明所建立的预测模型基础之上,还可以解决驱动波形的优选问题,即指定希望输出的墨滴喷射状态值,通过算法结合模型进行快速搜索,从而获取满足要求的驱动波形参数值,这也就是压电喷印设备波形调节的目标。
附图说明
图1为本发明实施例提供的一种基于主动学习的液滴状态预测方法的流程示意图;
图2为本发明背景技术中所述的压电式喷墨技术示意图;
图3为本发明背景技术中所述的二阶驱动波形的示意图;
图4为本发明实施例提供的基于主动学习的液滴状态预测模型建立与预测的整体框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
使用压电喷印设备进行生产制造时,输入的参数化驱动波形与输出的墨滴喷射状态之间的定性和定量关系不明确,依照喷头构造、墨水性质和使用环境而改变。工程实践中一般采用手动试错方法选取合适的驱动波形,效率低、工作量大,还无法解释参数之间的耦合和非线性关系。因此希望使用相对较少的数据建立具有一定精度的近似模型,来预测压电喷印设备输入和输出之间的定性和定量关系。基于这种思路以下提出一种不依赖于特定设备、墨水和环境,仅需要数据驱动的一种建模方法。
实施例一
一种用于喷墨液滴状态预测的机器学习模型构建方法,如图1所示,包括:
从无标签数据集θ中随机抽取样本,以能否使得液滴正常喷射为标准进行标注,建立包括正例样本和负例样本的有标签数据集D;其中,所述无标签数据集θ中每个样本为驱动波形参数集合;
采用有标签数据集D训练机器学习分类模型,并采用主动学习法迭代更新有标签数据集D,以基于新的有标签数据集迭代更新训练分类模型,直至达到迭代终止条件,得到用于基于驱动波形参数集合预测液滴能否正常喷射的机器学习分类模型;
从所需的分类准确率所对应的有标签数据集中抽取正例样本并对其进行液滴状态标注,得到回归数据样本集Dp以训练得到机器学习回归模型;
训练得到的分类模型和回归模型构成用于喷墨液滴状态预测的机器学习模型,完成构建。
优选的,上述无标签数据集θ的构建方式为:
确定波形参数[V,t1,t2,t3,t4]的边界约束条件;
波形参数指定义参数化的驱动波形所需的变量,包括电压幅值V,第一脉冲时间t1,降压时间t2,间隔时间t3,第二脉冲时间t4。波形参数的边界约束条件即每个参数对应的取值范围,由喷墨设备硬件限制和专家经验得到。
在各个驱动波形参数的边界约束条件下,随机生成并组合各个驱动波形参数,得到N组作为网络模型输入参数的二阶驱动波形参数集合,形成样本数据集,其中,每个二阶驱动波形参数集合表示为(V,t1,t2,t3,t4),V表示电压幅值,t1表示第一脉冲时间,t2表示降压时间,t3表示间隔时间,t4表示第二脉冲时间;
将所述样本数据集中N的预设百分比数量的二阶波形样本转换为一阶波形样本,其它样本保持不变,得到无标签数据集θ,其中,转换方式为:将t3和t4的取值设置为0,所述预设百分比取值为10%-30%。
例如,设定无标签数据集的容量N=10000;在所述边界约束条件下,随机生成并组合各个波形参数,以形成样本数据集;所构建的数据集为:
θ=[θ1,θ2,...,θN]=[(V1,t11,t21,t31,t41),(V2,t12,t22,t32,t42),...,
(VN,t1N,t2N,t3N,t4N)],其中(V,t1,t2,t3,t4)指每一组样本的波形参数集合。
修改样本集,选取指定数量n=2000的样本强制转换为一阶波形参数,即将某些样本的t3和t4特征置为0,以保证样本集中具有足够数量的一阶波形样本。最终所构建的无标签数据集为:
θ=[θ1,θ2,...,θn,...,θN]=[(V1,t11,t21,0,0),(V2,t12,t22,0,0),...,(Vn,t1n,t2n,0,0),(Vn+1,t1n+1,t2n+1,t3n+1,t4n+1),(Vn+2,t1n+2,t2n+2,t3n+2,t4n+2),…,(VN,t1N,t2N,t3N,t4N)]
其中(V,t1,t2,t3,t4)在t3=t4=0时为一阶波形样本,否则为二阶波形样本。
优选的,有标签数据集D中一阶波形样本和二阶波形样本的数量相等。
从无标签数据集θ中随机抽取数量为X=200的样本,以液滴是否正常喷射为标准进行标注,建立初始的有标签数据集D。具体建立方式,例如:
设定初始有标签数据集的容量X;
从所述无标签数据集θ中随机抽取数量为X/2的一阶波形样本,再随机抽取数量为X/2的二阶波形样本,建立待标记数据集:
将待标记数据集θd中样本包含的波形参数输入到喷墨设备中,人工通过相机等观测设备观察对应波形参数下液滴的喷射状态,当液滴发生拖尾、卫星滴、射流、不喷现象且最终无法形成一个完好的液滴时,则判定为非正常喷射,否则为正常喷射。标记所有样本,得到有标签数据集:
D=[(θ1,y1),(θ2,y2),...,(θX,yX)];
其中,y为样本标签,取值为1或0,当y=1时,表示该样本的波形参数可以让液滴正常喷射,该样本属于正例样本;当y=0时,表示该样本的波形参数无法让液滴正常喷射,该样本属于负例样本。
优选的,使用随机森林分类模型与主动学习方法,利用有标签数据集D中的样本训练模型并迭代更新有标签数据集,方法包括:
S1、将所述有标签数据集D随机划分为总训练集Dl和测试集Dt,其中测试集占整个数据集的20%,并设置子训练集的容量c=100,基学习器(决策树)的数量m=50,基学习器被表示为[h1,h2,...,hm]。
S2、从特征集合[V,t1,t2,t3,t4]中随机抽取3个特征[a1,a2,a3]作为特征子集,在训练集有放回地抽样,采样分别得到相等数量的正例样本与负例样本,且样本仅保留特征子集的3个特征,直至获得样本的总数达到c。重复以上过程m次,得到m个子训练集[Dl1,Dl2,...,Dlm]。
S3、使用子训练集Dli训练基学习器hi,节点划分指标为基尼系数,最大决策树深度设为100,,使用每个基学习器预测测试集Dt,并获得正确率评价[A1,A2,…,Am]。
S4、结合所有基学习器的输出,获得集成学习器的预测结果,其集成输出可表示为:
其中H(x)为集成学习器在样本x上的预测输出,Cj为类别标记,为基学习器hi在类别Cj上的预测输出。
S5、使用测试集Dt来检验集成学习器的预测性能,并记录分类准确率。
S6、在无标签数据集θ中,按照主动学习的查询策略寻找最有价值的样本,将该样本的波形参数输入到喷墨设备中,使用相机观测液滴喷射状态,人工判断墨滴是否正常喷射,将正常喷射的样本标记为1,非正常喷射的样本标记为0,于是将该样本加入到有标签数据集D,同时移动到训练集;
所述S6中的查询策略为不确定性采样中的边缘采样策略,该策略选择的样本为:
其中表示使用S5中已训练好的模型将预测样本θi预测为类别的概率。和分别表示对于无标签样本θi而言,模型预测概率较大的类别和较小的类别,该策略优先考虑那些容易被判定成两类,即处在类别边界附近的样本数据。
S7、重复步骤S1~S6,直至达到分类准确率要求。
压电喷印设备的输入和输出之间的关系不明确,而且对于输出的判断(墨滴喷射状态)往往还需要人工手动测量。想要利用输入和输出数据建立近似模型时,每一个样本都需要人工测量以进行标记,因此该问题的关键就是使用尽可能少的样本建立具有足够精度的模型。主动学习是机器学习中弱监督学习领域的一个分支,主要目的是降低样本标注代价,以相对更少的数据去训练一个效果好的模型。在无标签的样本容易获得的前提下,本发明应用主动学习方法的查询策略,从无标签样本中提取“最具有价值”的样本而进行人工标注,相比随机抽样的方法,可以明显降低建模所需样本数量和有效提高模型精度。
优选的,对最终的有标签数据集中的正例样本,测量液滴体积V和飞行速度v以获得用于回归的数据集Dp,并训练随机森林回归模型,随机森林回归模型的训练方式为:
从有标签数据集D中抽取所有正例样本以建立待标记回归样本库,该类样本表示可以正常喷射的波形参数组合;
对于待标记回归样本库,将每个样本的波形参数分别输入到设备中,使用相机观测液滴喷射状态并测量液滴体积V和飞行速度v并标记样本,建立回归数据集Dp;
将数据集Dp随机划分为总训练集Dpl和测试集Dpt,测试集占整个数据集的20%,并设置子训练集的容量cp=200,基学习器(决策树)的数量mp=50,基学习器被表示为[hp1,hp2,...,hpm];
从特征集合[V,t1,t2,t3,t4]中随机抽取3个特征[a1,a2,a3]作为特征子集,在训练集不放回地抽样,样本仅保留特征子集的3个特征,直至获得样本的总数达到cp,重复以上过程mp次,得到mp个子训练集
以特征子集[a1i,a2i,a3i]为输入参数,标签[V,v]为输出参数,使用子训练集Dpli训练基学习器hpi,节点划分指标为均方误差,最大决策树深度设为100,使用每个基学习器预测测试集Dpt,并获得均方根误差集合
结合所有基学习器的输出,获得集成学习器的预测结果,其集成输出可表示为:
其中H(x)为集成学习器在样本x上的预测输出,hi(x)为基学习器hi的预测输出。
本实施例提供了一种基于主动学习的液滴状态预测方法,包括:确定波形参数的边界约束条件;将所述波形参数作为输入参数,生成无标签数据集;从所述无标签数据集中随机抽取一批样本,以液滴是否正常喷射为标准进行标注,建立初始有标签数据集;使用主动学习方法与随机森林分类模型,利用有标签数据集中的样本训练模型并迭代更新样本库;对最终的有标签数据集中的正例样本,测量液滴体积和飞行速度,并训练随机森林回归模型;使用训练好的分类模型与回归模型,预测任意的波形参数组合。本发明构建了将机器学习模型应用到液滴喷射状态预测的框架,应用主动学习方法,以较小的数据标注代价获得性能较好的预测模型,能够更为准确和快速地获得合适的压电喷头驱动波形。
需要说明的是,本发明提出了一种采用主动学习方法和机器学习模型的液滴喷射状态预测方法。除采用随机森林模型外,还可以采用其他机器学习算法,如决策树、支持向量机、梯度提升树等。对于液滴状态的预测也不仅局限于特定的喷墨系统、墨水材料或波形参数类型,只需基于喷墨系统特性改变调整输入参数和输出参数,本发明所提出的液滴预测模型建立和液滴喷射状态预测方法和思路无需改变。
实施例二
一种喷墨液滴状态预测方法,包括:
对于任意具体的、符合边界约束条件的波形参数,使用训练好的分类模型预测该波形参数下液滴是否能正常喷射:
y=f(V,t1,t2,t3,t4);
对于上述y=1,即被预测为正常喷射的波形参数,使用训练好的回归模型预测该波形参数下液滴的液滴体积V和飞行速度v:
[V,v]=f(V,t1,t2,t3,t4)
根据工业生产过程所要求的液滴的体积和飞行速度要求,从可正常喷射的波形中甄选合适的波形参数。
实施例三
一种压电喷印设备驱动波形优选方法,包括:
采用启发式算法,基于期望喷墨液滴喷射状态,搜索得到最优驱动波形;这其中,采用如实施例一所述的一种用于喷墨液滴状态预测的机器学习模型构建方法所构建得到的机器学习模型,生成搜索过程中得到的驱动波形所对应的喷墨液滴喷射状态。
除了实施例一和实施例二提及的预测问题之外,本实施例在所建立的预测模型基础之上,还可以解决驱动波形的优选问题,即指定希望输出的墨滴喷射状态值,通过算法结合模型进行快速搜索,从而获取满足要求的驱动波形参数值,这也就是压电喷印设备波形调节的目标。
机器学习预测模型作为代理模型,是使用小样本构建能够近似表达原仿真模型或实验结果的数学模型,在前述基于主动学习方法的前提下建立机器学习代理模型,然后使用启发式的智能算法结合预测模型进行寻优工作,相比传统的手动试错或数值模拟方法,可以显著提高获得合适的驱动波形参数的效率,同时不依赖于特定设备、墨水和环境,仅需要数据驱动。
实施例四
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种用于喷墨液滴状态预测的机器学习模型构建方法和/或如上所述的一种喷墨液滴状态预测方法。
相关技术方案同实施例一和实施例二,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于喷墨液滴状态预测的机器学习模型构建方法,其特征在于,包括:
从无标签数据集θ中随机抽取样本,以能否使得液滴正常喷射为标准进行标注,建立包括正例样本和负例样本的有标签数据集D;其中,所述无标签数据集θ中每个样本为驱动波形参数集合;
采用所述有标签数据集D训练机器学习分类模型,并采用主动学习法迭代更新有标签数据集D,以基于新的有标签数据集迭代更新训练分类模型,直至达到迭代终止条件,得到用于基于驱动波形参数集合预测液滴能否正常喷射的机器学习分类模型;
从所需的分类准确率所对应的有标签数据集中抽取正例样本并对其进行液滴状态标注,得到回归数据样本集Dp以训练得到机器学习回归模型;
训练得到的分类模型和回归模型构成用于喷墨液滴状态预测的机器学习模型,完成构建。
2.根据权利要求1所述的机器学习模型构建方法,其特征在于,所述无标签数据集θ的构建方式为:
在各个驱动波形参数的边界约束条件下,随机生成并组合各个驱动波形参数,得到N组作为网络模型输入参数的二阶驱动波形参数集合,形成样本数据集,其中,每个二阶驱动波形参数集合表示为(V,t1,t2,t3,t4),V表示电压幅值,t1表示第一脉冲时间,t2表示降压时间,t3表示间隔时间,t4表示第二脉冲时间;
将所述样本数据集中N的预设百分比数量的二阶波形样本转换为一阶波形样本,其它样本保持不变,得到无标签数据集θ,其中,转换方式为:将t3和t4的取值设置为0,所述预设百分比取值为10%-30%。
3.根据权利要求2所述的机器学习模型构建方法,其特征在于,所述有标签数据集D中一阶波形样本和二阶波形样本的数量相等。
4.根据权利要求2所述的机器学习模型构建方法,其特征在于,所述机器学习分类模型为随机森林分类模型,其训练方式为:
S1、将所述有标签数据集D随机划分为总训练集Dl和测试集Dt;并确定待训练随机森林分类模型中基学习器的数量m以及用于训练每个基学习器的子训练集的容量c;
S2、在所述总训练集Dl中抽样,采样分别得到相等数量的正例样本和负例样本,且样本中的特征参数仅保留预设的部分种类特征参数,直至获得样本的总数达到c;重复该过程m次,得到m个子训练集[Dl1,Dl2,…,Dlm];
S3、以每个样本中的特征参数集合为输入参数,以样本的分类标签y为输出参数,使用子训练集Dli训练第i个基学习器hi;
S4、使用每个基学习器预测测试集Dt,并获得正确率评价[A1,A2,…,Am];
S5、结合各基学习器的预测输出以及正确率评价,获得集成学习器对每个测试样本的预测输出,以计算得到集成学习器的分类准确率;
S6、在所述无标签数据集θ中,采用主动学习的查询策略,选择新的无标签数据样本并对其标注,得到新的有标签数据样本并加入到所述有标签数据集D中,重复执行S1-S5,直至达到迭代终止条件,完成随机森林分类模型的训练。
5.根据权利要求4所述的机器学习模型构建方法,其特征在于,所述部分种类特征参数为三种。
6.根据权利要求4所述的机器学习模型构建方法,其特征在于,所述集成学习器对测试样本x的预测输出表示为:
其中,H(x)为集成学习器在样本x上的预测输出,Cj为类别标记,为基学习器hi在类别Cj上的预测输出。
7.根据权利要求1所述的机器学习模型构建方法,其特征在于,所述机器学习回归模型为随机森林回归模型,其训练方式为:
从所述分类准确率最高对应的有标签数据集D中抽取正例样本以建立待标记回归样本库;
基于待标记回归样本库中每个样本的驱动波形参数集合,得到喷墨液滴体积和速度并以标记该样本,建立回归数据样本集Dp;
采用所述回归数据样本集Dp训练得到随机森林回归模型;
其中,随机森林回归模型中的集成学习器对测试样本x的预测输出表示为:
其中,H(x)为集成学习器在测试样本x上的预测输出,hi(x)为基学习器hi的预测输出,mp为随机森林回归模型中的基学习器的数量,Ei为基学习器hi的回归精度指标值。
8.一种喷墨液滴状态预测方法,其特征在于,包括:
获取驱动波形参数集合,采用如权利要求1至7任一项所述的一种用于喷墨液滴状态预测的机器学习模型构建方法构建得到的随机森林分类模型,预测该驱动波形参数集合是否能够使得液滴正常喷射;若是,则采用如权利要求1至7任一项所述的一种用于喷墨液滴状态预测的机器学习模型构建方法构建得到的随机森林回归模型,预测该驱动波形参数集合对应的液滴喷射状态,完成喷墨液滴状态的预测。
9.一种压电喷印设备驱动波形优选方法,其特征在于,包括:
采用启发式算法,基于期望喷墨液滴喷射状态,搜索得到最优驱动波形;这其中,采用如权利要求1至7任一项所述的一种用于喷墨液滴状态预测的机器学习模型构建方法所构建得到的机器学习模型,生成搜索过程中得到的驱动波形所对应的喷墨液滴喷射状态。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至7任一项所述的一种用于喷墨液滴状态预测的机器学习模型构建方法、如权利要求8所述的一种喷墨液滴状态预测方法和/或如权利要求9所述的一种压电喷印设备驱动波形优选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210187430.3A CN114462551B (zh) | 2022-02-28 | 2022-02-28 | 一种喷墨液滴状态预测方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210187430.3A CN114462551B (zh) | 2022-02-28 | 2022-02-28 | 一种喷墨液滴状态预测方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462551A CN114462551A (zh) | 2022-05-10 |
CN114462551B true CN114462551B (zh) | 2024-09-03 |
Family
ID=81415092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210187430.3A Active CN114462551B (zh) | 2022-02-28 | 2022-02-28 | 一种喷墨液滴状态预测方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462551B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101362396A (zh) * | 2007-08-09 | 2009-02-11 | 精工爱普生株式会社 | 液状体的喷出控制方法、液滴喷出装置 |
CN111415368A (zh) * | 2020-03-09 | 2020-07-14 | 武汉大学 | 一种基于深度学习的移动设备液滴滴速的快速测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4984854B2 (ja) * | 2006-11-28 | 2012-07-25 | 富士ゼロックス株式会社 | 液滴吐出装置 |
CN112633733A (zh) * | 2020-12-30 | 2021-04-09 | 武汉轻工大学 | 基于可信度的随机森林土壤重金属风险评价方法及系统 |
-
2022
- 2022-02-28 CN CN202210187430.3A patent/CN114462551B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101362396A (zh) * | 2007-08-09 | 2009-02-11 | 精工爱普生株式会社 | 液状体的喷出控制方法、液滴喷出装置 |
CN111415368A (zh) * | 2020-03-09 | 2020-07-14 | 武汉大学 | 一种基于深度学习的移动设备液滴滴速的快速测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114462551A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
Xiong et al. | JITL based MWGPR soft sensor for multi-mode process with dual-updating strategy | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
TWI756645B (zh) | 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法、電腦系統、電腦程式、及系統 | |
CN112659498B (zh) | 一种注塑机深度神经网络实时最优控制方法 | |
CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN114462551B (zh) | 一种喷墨液滴状态预测方法及其应用 | |
CN111898867A (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
Inyang-Udoh et al. | A learning-based approach to modeling and control of inkjet 3D printing | |
CN109523136A (zh) | 一种面向智能制造的调度知识管理系统 | |
Yu et al. | Hfp: Hardware-aware filter pruning for deep convolutional neural networks acceleration | |
CN111008661B (zh) | 航空发动机备发需求量的Croston-XGBoost预测方法 | |
CN111563297A (zh) | 一种基于bp网络的超声速飞行器热环境计算方法 | |
CN103439964B (zh) | 一种ocsvm监控模型的在线更新系统及方法 | |
Echevarrieta et al. | Speeding-up Evolutionary Algorithms to Solve Black-Box Optimization Problems | |
Srinivas et al. | Hardware aware neural network architectures using FbNet | |
CN116894379A (zh) | 一种注塑件质量优化方法 | |
CN116339373A (zh) | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 | |
Santander et al. | Deep learning economic model predictive control for refinery operation: A fluid catalytic cracker-fractionator case study | |
CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 | |
CN116653456A (zh) | 一种基于数据驱动的喷墨打印墨滴体积控制方法和系统 | |
CN116383725A (zh) | 一种喷墨打印用阵列化喷孔的智能筛选方法及装置 | |
CN115965911A (zh) | 一种喷墨打印液滴体积智能检测方法 | |
CN117910347A (zh) | 一种基于域对抗网络的双模态冲压燃烧模态智能识别方法 | |
Hulhoven et al. | Monitoring and control of a bioprocess for malaria vaccine production |
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 |