CN116330845A - 一种新型显示喷印制造液滴体积自适应智能调控方法 - Google Patents
一种新型显示喷印制造液滴体积自适应智能调控方法 Download PDFInfo
- Publication number
- CN116330845A CN116330845A CN202310313246.3A CN202310313246A CN116330845A CN 116330845 A CN116330845 A CN 116330845A CN 202310313246 A CN202310313246 A CN 202310313246A CN 116330845 A CN116330845 A CN 116330845A
- Authority
- CN
- China
- Prior art keywords
- driving voltage
- model
- volume
- data
- printing
- 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.)
- Pending
Links
- 239000007921 spray Substances 0.000 title claims abstract description 42
- 238000007639 printing Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000007788 liquid Substances 0.000 claims abstract description 32
- 238000007641 inkjet printing Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 48
- 230000003213 activating effect Effects 0.000 claims description 10
- 238000005507 spraying Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 5
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
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
- 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
- B41J2/07—Ink jet characterised by jet control
- B41J2/11—Ink jet characterised by jet control for ink spray
-
- 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
Landscapes
- Ink Jet (AREA)
Abstract
本发明属于喷墨印刷工艺制备OLED领域，并公开了一种新型显示喷印制造液滴体积自适应智能调控方法。本发明通过设备运行的大数据来记忆学习生产过程中出现的各种情况、各种喷射溶液下喷头驱动电压参数与液滴状态的数据模型，并在数据的迭代中增加模型的精确度；进一步通过在线检测选取适合的模型，并预测优化得到合适的喷头驱动电压参数。随着数据量的逐渐增大，所有的模型在迭代学习中越来越精确，对于新的喷射溶液和打印环境可以快速的新增喷射模型并记忆学习，再次出现时将拥有良好的控制效果。如此，能够在运行数据的不断叠加中显著提升各种打印溶液喷射液滴体积的调控效率和自适应能力。
Description
技术领域
本发明属于喷墨打印OLED相关技术领域，更具体地，涉及一种新型显示喷印制造液滴体积自适应智能调控方法。
背景技术
随着OLED技术的发展，因其低能耗、色彩丰富、柔韧性强、对比度高、视场角度大等优点而广泛应用于显示领域，越来越多的OLED显示产品走进了人们的日常生活。而喷墨印刷技术是一种无需掩模的高精度直写技术，具有工艺简单、成本低、适用于大面积制备的优点，因此，近年来，基于喷墨打印技术的量产OLED得到了广泛的研究和应用。在喷墨打印中作为制造的最小单元液滴，需要调控它的体积形态等参数才能更好的打印出合格的产品，但是喷印制备OLED的过程中需要用到多种性质的溶液，每种溶液的喷射液滴体积调控规则不尽相同，在制造过程中需要不停的根据不同的环境条件和溶液性质去调整喷头驱动电压参数以便得到需求的液滴状态。
然而，现有技术中在调控喷射液滴状态时，多依靠人工观测液滴状态然后重复调整喷头驱动电压参数，或者使用喷头驱动电压参数和喷射液滴状态参数的数据关系模型推荐适合的喷头驱动电压参数。但是在这些技术中没有考虑不同的溶液对喷头驱动电压参数调控液滴体积规律的影响，而且使用的数据量也较小难以刻画数据关系的偏移变化，往往在更换溶液后需要重新进行数据关系学习和喷头驱动电压参数调控，才能找到适合液滴体积的喷头驱动电压参数。所以，本领域亟需对此作出进一步的完善和改进，以满足目前日益提高的工艺要求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种新型显示喷印制造液滴体积自适应智能调控方法，旨在解决现有液滴体积调控方法只能适用于同一种喷射溶液和相同的打印环境，难以同时适用于生产过程中出现的各种情况、各种喷射溶液以及不同的打印环境的技术问题。
为实现上述目的，第一方面，本发明提供了一种新型显示喷印制造液滴体积自适应智能调控方法，包括以下步骤：
S1，选取k组喷头驱动电压参数进行试打印，并利用k组实测喷射液滴数据对当前激活模型的预测精度进行检测；若预测精度大于第一精度阈值，则执行S4，否则搜索预测精度最高的模型并执行S2；
其中，初始激活模型通过以下方式确定：任选一种溶液进行喷射，获取多组喷头驱动电压参数和对应的喷射液滴数据，作为样本集；基于所述样本集进行训练学习，得到初始激活模型；
S2，若当前最高预测精度大于第二精度阈值，则激活当前预测精度最高的模型，否则利用当前预测精度最高的模型的网络参数初始化新的模型并激活；其中，所述第二精度阈值小于第一精度阈值；
S3，利用当前试打印的喷头驱动电压参数和实测喷射液滴数据对当前激活模型最后一层的网络参数进行更新；
S4，寻找当前激活模型下的目标喷射液滴数据对应的最优驱动电压参数；
S5，利用所述最优驱动电压参数进行试打印，若实际喷射液滴数据与目标喷射液滴数据的偏差满足要求，则输出所述最优驱动电压参数，否则跳转至S3。
进一步地，所述步骤S1中，喷头驱动电压参数为梯形波的特征峰值电压up和持续时间td，喷射液滴数据包括喷射液滴的卫星滴数目N和总体积V；
将峰值电压up和持续时间td的取值范围进行等步长划分得到多组峰值电压和持续时间的参数组合，使每组喷头驱动电压参数作用于喷头并观测其喷射液滴的状态；
其中，喷射液滴的卫星滴数目N和总体积V计算如下：
式中，H为采集图像分割后液滴团的数量，vh为观测系统识别的图像中每个液滴团的体积。
进一步地，所述步骤S1中，模型的预测精度计算如下：
其中，Ep为预测精度，Npm和Nrm分别为第m组喷头驱动电压参数对应的预测卫星滴数目和实测卫星滴数目，Vpm和Vrm分别为第m组喷头驱动电压参数对应的预测液滴体积和实测液滴体积。
进一步地，所述步骤S1中，基于所述样本集进行训练学习，得到初始激活模型，包括：采用多层感知机对所述样本集进行训练学习，得到初始激活模型；所述初始激活模型为单隐层神经网络模型。
进一步地，所述步骤S3中，隐藏层到输出层权重系数的增量更新采用如下公式进行：
其中，
和/>
分别为第j次和j+1次增量学习后的隐藏层到输出层的权重系数；
为Hj+1的转置，(.)+表示伪逆矩阵，Hj+1＝σ(wiXj+1+bi)，σ、wi和bi分别为输入层到隐藏层的激活函数、权重和偏置；Xj+1和Yj+1分别为第j+1次的输入的喷头驱动电压参数和输出的喷射液滴数据。
进一步地，所述步骤S4包括：
S41，计算当前迭代更新的驱动电压参数在当前激活模型下的预测喷射液滴数据的偏差Ec：
其中，Vp、Np分别为预测的液滴体积和卫星滴数目，Vt为目标体积，δ为正常数，用于避免发散；
S42，由预测喷射液滴数据的偏差Ec确定喷头驱动电压参数的优化步长，并获取在该优化步长下预测喷射液滴数据的偏差Ec最小时对应的喷头驱动电压参数；若最小的偏差Ec满足要求，则执行S5，否则跳转至S41。
进一步地，所述步骤S42中，由预测喷射液滴数据的偏差Ec确定喷头驱动电压参数的优化步长s，包括：
其中，sbig、smid、ssmall分别为根据偏差Ec设置的优化步长，sbig>smid>ssmall；Ec1、Ec2分别为预测喷射液滴数据的偏差的划分阈值，为经验值；
所述步骤S42中，最小的偏差Ec满足要求指的是Ec≤Vt(1-Cp)，其中Cp为控制精度，由当前激活模型的预测精度Ep确定，且满足：
其中，Ep1、Ep2分别为预测精度的划分阈值，为经验值。
第二方面，本发明提供了一种新型显示喷印制造液滴体积自适应智能调控系统，包括以下模块：
离线学习模块，用于任选一种溶液进行喷射，获取多组喷头驱动电压参数和对应的喷射液滴数据，作为样本集；基于所述样本集进行训练学习，得到初始激活模型；
第一在线检测模块，用于选取k组喷头驱动电压参数进行试打印，并利用k组实测喷射液滴数据对当前激活模型的预测精度进行检测；若预测精度大于第一精度阈值，则执行在线控制模块的操作，否则搜索预测精度最高的模型并执行第二在线检测模块的操作；
所述第二在线检测模块，用于判断当前最高预测精度是否大于第二精度阈值，若是则激活当前预测精度最高的模型，若否则利用当前预测精度最高的模型的网络参数初始化新的模型并激活；其中，所述第二精度阈值小于第一精度阈值；
在线学习模块，用于利用当前试打印的喷头驱动电压参数和实测喷射液滴数据对当前激活模型最后一层的网络参数进行更新；
所述在线控制模块，用于寻找当前激活模型下的目标喷射液滴数据对应的最优驱动电压参数；并利用所述最优驱动电压参数进行试打印，若实际喷射液滴数据与目标喷射液滴数据的偏差满足要求，则输出所述最优驱动电压参数，否则跳转至执行所述在线学习模块的操作。
第三方面，本发明提供了一种用于印刷显示的打印方法，采用如第一方面所述的一种新型显示喷印制造液滴体积自适应智能调控方法确定最优驱动电压参数之后，利用所述最优驱动电压参数进行在线打印。
第四方面，本发明提供了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第一方面所述的一种新型显示喷印制造液滴体积自适应智能调控方法，和/或如第三方面所述的一种用于印刷显示的打印方法。
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)本发明通过设备运行的大数据来记忆学习生产过程中出现的各种情况、各种喷射溶液下喷头驱动电压参数与液滴状态的数据模型，并在数据的迭代中增加模型的精确度；进一步通过在线检测选取适合的模型，并预测优化得到合适的喷头驱动电压参数。从而在运行数据的不断叠加中显著提升各种溶液喷射液滴体积的调控效率和自适应能力。
(2)本发明利用喷射液滴数据对当前激活模型进行检测和学习时，不仅考虑了喷射液滴的体积，还考虑了喷射液滴的卫星滴数目，从而可以避免异常喷射对模型优化的影响。
附图说明
图1为一种新型显示喷印制造液滴体积自适应智能调控方法的流程示意图；
图2为针对一种溶液的喷头驱动电压参数和喷射液滴数据采集流程图；
图3为初始激活模型的神经网络结构图；
图4为在线检测过程及模型选择流程图；
图5为液滴体积的在线预测控制流程图。
具体实施方式
为了使本发明的目的、系统组成、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用以解释本发明，并不用于限制本发明。此外，下面所述的本发明的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结合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
图1为本发明提供的用于印刷显示的图案化规划方法的流程示意图，方法包括操作S1-操作S5。
S1，选取k组喷头驱动电压参数进行试打印，并利用k组实测喷射液滴数据对当前激活模型的预测精度进行检测；若预测精度大于第一精度阈值，则执行S4，否则搜索预测精度最高的模型并执行S2；
其中，初始激活模型通过以下方式确定：任选一种溶液进行喷射，获取多组喷头驱动电压参数和对应的喷射液滴数据，作为样本集；基于所述样本集进行训练学习，得到初始激活模型；
S2，若当前最高预测精度大于第二精度阈值，则激活当前预测精度最高的模型，否则利用当前预测精度最高的模型的网络参数初始化新的模型并激活；其中，所述第二精度阈值小于第一精度阈值；
S3，利用当前试打印的喷头驱动电压参数和实测喷射液滴数据对当前激活模型最后一层的网络参数进行更新；
S4，寻找当前激活模型下的目标喷射液滴数据对应的最优驱动电压参数；
S5，利用所述最优驱动电压参数进行试打印，若实际喷射液滴数据与目标喷射液滴数据的偏差满足要求，则输出所述最优驱动电压参数，否则跳转至S3。
需要说明的是，初始激活模型只需训练一次，而不需要针对不同打印环境或喷射溶液重新训练。换言之，本发明能够根据后续打印环境或喷射溶液的改变自适应得到新的激活模型，实现喷头驱动电压参数的智能调控。
同时，得到初始激活模型后，需要将初始激活模型的网络参数保存在记忆模块中。可以理解的是，在步骤S1中，搜索预测精度最高的模型也是从记忆模块中搜索；在步骤S2中，利用当前预测精度最高的模型的网络参数初始化新的模型并激活时，也需要将新的模型保存在记忆模块中。随着数据量的逐渐增大，记忆模块中的模型越来越多，所有的模型在迭代学习中也越来越精确，对于新的喷射溶液和打印环境可以快速的新增喷射模型并记忆学习，再次出现时将拥有良好的控制效果。
图2是针对一种溶液的喷头驱动电压参数和喷射液滴数据采集流程图。如图2所示，喷头驱动电压参数为梯形波的特征峰值电压up和持续时间td，喷射液滴数据使用从视觉采集图像中提取的特征：喷射液滴的卫星滴数目N和总体积V。
将峰值电压up和持续时间td的取值范围进行等步长划分得到多组电压和持续时间的参数组合，使每组电压、时间作用于喷头并观测其喷射液滴的状态，观测时采用双目视觉系统从两个角度采集喷孔下方0.5mm范围内的喷射液滴图片。喷射液滴的卫星滴数目N和总体积V计算如下：
式中，H为采集图像分割后液滴团的数量，vh为观测系统识别的图像中每个液滴团的体积。
可以理解的是，正常情况下，是希望采集图像分割后液滴团的数量为1。
图3是初始激活模型的神经网络结构图。本实施例中，采用多层感知机对样本集进行训练学习，得到初始激活模型；所述初始激活模型为单隐层神经网络模型。如图3所示，单隐层神经网络模型结构为m-L-n，其中m＝n＝2，采用sigmoid函数作为激活函数，隐藏层神经元数量采用k折交叉验证法确定：
记录模型参数时，将输入层到隐藏层的权重wi、偏置bi和激活函数σ固定，不变的迁移至在线网络中。将不同模型的隐藏层到输出层权重系数wo作为变量存储，不同的模型之间只有隐藏层到输出层的网络参数不同。
在线增量更新时，隐藏层到输出层权重系数的增量更新采用如下公式进行：
其中，
和/>
分别为第j次和j+1次增量学习后的隐藏层到输出层的权重系数；
为Hj+1的转置，(.)+表示伪逆矩阵，Hj+1＝σ(wiXj+1+bi)，σ、wi和bi分别为输入层到隐藏层的激活函数、权重和偏置；Xj+1和Yj+1分别为第j+1次的输入的喷头驱动电压参数和输出的喷射液滴数据。
图4是模型的在线检测过程及模型选择流程图。如图4所示，对模型进行在线预测精度检测，选取k组喷头驱动电压参数进行喷射液滴数据预测，预测精度计算如下：
其中，Ep为预测精度，Npm和Nrm分别为第m组喷头驱动电压参数对应的预测卫星滴数目和实测卫星滴数目，Vpm和Vrm分别为第m组喷头驱动电压参数对应的预测液滴体积和实测液滴体积。
步骤S1中第一精度阈值设置为K1，步骤S2中第二精度阈值设置为K2＝0.8K1，搜索未激活模型的过程为将记忆模块中的所有未激活模型的预测值与激活模型预测值作比较，找到预测精度最大的模型，模型参数满足
图5是液滴体积的在线预测控制流程图。如图5所示，液滴体积控制过程利用当前激活模型进行预测控制，具体过程如下：
S41，由当前激活模型的预测精度Ep确定控制精度Cp，由当前激活模型预测喷射液滴数据的偏差Ec确定喷头驱动电压参数的控制步长[su,st]，从初始波形参数出发进行控制迭代，所有参数可以增加、减少控制步长或者不变；
S42，每一轮迭代通过优化目标函数确定本轮的参数变化量，并更新预测喷射液滴数据的偏差Ec，重新确定控制步长[su,st]；
S43，重复S41和S42，直到预测喷射液滴数据的偏差Ec满足控制精度Cp要求，从而得到该模型下的波形控制参数推荐值。
更具体的，所述步骤S41中的预测喷射液滴数据的偏差Ec计算如下：
优选地，为保证公式可以趋近于0，Ec还可以通过下式计算：
其中，Vp、Np分别为预测的液滴体积和卫星滴数目，Vt为目标体积，δ为一较小的正常数，用于避免发散。
所述控制精度Cp和控制步长[su,st]确定如下：
其中Ep1＝0.9、Ep2＝0.8分别为预测精度的划分阈值，Ec1、Ec2分别为预测喷射液滴数据的偏差的划分阈值，由经验确定。
更具体的，所述步骤S42中得到每一轮迭代控制增量的优化目标函数为：
J(Δup,Δtd)＝Ec(wo·σ(wi(up+Δup,td+Δtd)+bi))
其中up、td为上一轮优化所得到的波形参数，Δup∈{-su,0,su}，Δtd∈{-st,0,st}为本轮优化的参数控制增量。
更具体的，所述步骤S43中预测喷射液滴数据的偏差Ec需要满足关系Ec≤Vt(1-Cp)，最后得到该模型下的波形控制参数推荐值为：
其中up0、td0分别为初始的波形参数值，n为迭代优化的次数。
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)
1.一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，包括以下步骤：
S1，选取k组喷头驱动电压参数进行试打印，并利用k组实测喷射液滴数据对当前激活模型的预测精度进行检测；若预测精度大于第一精度阈值，则执行S4，否则搜索预测精度最高的模型并执行S2；
其中，初始激活模型通过以下方式确定：任选一种溶液进行喷射，获取多组喷头驱动电压参数和对应的喷射液滴数据，作为样本集；基于所述样本集进行训练学习，得到初始激活模型；
S2，若当前最高预测精度大于第二精度阈值，则激活当前预测精度最高的模型，否则利用当前预测精度最高的模型的网络参数初始化新的模型并激活；其中，所述第二精度阈值小于第一精度阈值；
S3，利用当前试打印的喷头驱动电压参数和实测喷射液滴数据对当前激活模型最后一层的网络参数进行更新；
S4，寻找当前激活模型下的目标喷射液滴数据对应的最优驱动电压参数；
S5，利用所述最优驱动电压参数进行试打印，若实际喷射液滴数据与目标喷射液滴数据的偏差满足要求，则输出所述最优驱动电压参数，否则跳转至S3。
2.如权利要求1所述的一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，所述步骤S1中，喷头驱动电压参数为梯形波的特征峰值电压up和持续时间td，喷射液滴数据包括喷射液滴的卫星滴数目N和总体积V；
将峰值电压up和持续时间td的取值范围进行等步长划分得到多组峰值电压和持续时间的参数组合，使每组喷头驱动电压参数作用于喷头并观测其喷射液滴的状态；
其中，喷射液滴的卫星滴数目N和总体积V计算如下：
式中，H为采集图像分割后液滴团的数量，vh为观测系统识别的图像中每个液滴团的体积。
3.如权利要求2所述的一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，所述步骤S1中，模型的预测精度计算如下：
其中，Ep为预测精度，Npm和Nrm分别为第m组喷头驱动电压参数对应的预测卫星滴数目和实测卫星滴数目，Vpm和Vrm分别为第m组喷头驱动电压参数对应的预测液滴体积和实测液滴体积。
4.如权利要求1所述的一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，所述步骤S1中，基于所述样本集进行训练学习，得到初始激活模型，包括：采用多层感知机对所述样本集进行训练学习，得到初始激活模型；所述初始激活模型为单隐层神经网络模型。
5.如权利要求4所述的一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，所述步骤S3中，隐藏层到输出层权重系数的增量更新采用如下公式进行：
其中，
和/>
分别为第j次和j+1次增量学习后的隐藏层到输出层的权重系数；
为Hj+1的转置，(.)+表示伪逆矩阵，Hj+1＝σ(wiXj+1+bi)，σ、wi和bi分别为输入层到隐藏层的激活函数、权重和偏置；Xj+1和Yj+1分别为第j+1次的输入的喷头驱动电压参数和输出的喷射液滴数据。
6.如权利要求1所述的一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，所述步骤S4包括：
S41，计算当前迭代更新的驱动电压参数在当前激活模型下的预测喷射液滴数据的偏差Ec：
其中，Vp、Np分别为预测的液滴体积和卫星滴数目，Vt为目标体积，δ为正常数，用于避免发散；
S42，由预测喷射液滴数据的偏差Ec确定喷头驱动电压参数的优化步长，并获取在该优化步长下预测喷射液滴数据的偏差Ec最小时对应的喷头驱动电压参数；若最小的偏差Ec满足要求，则执行S5，否则跳转至S41。
7.如权利要求6所述的一种新型显示喷印制造液滴体积自适应智能调控方法，其特征在于，所述步骤S42中，由预测喷射液滴数据的偏差Ec确定喷头驱动电压参数的优化步长s，包括：
其中，sbig、smid、ssmall分别为根据偏差Ec设置的优化步长，sbig>smid>ssmall；Ec1、Ec2分别为预测喷射液滴数据的偏差的划分阈值，为经验值；
所述步骤S42中，最小的偏差Ec满足要求指的是Ec≤Vt(1-Cp)，其中Cp为控制精度，由当前激活模型的预测精度Ep确定，且满足：
其中，Ep1、Ep2分别为预测精度的划分阈值，为经验值。
8.一种新型显示喷印制造液滴体积自适应智能调控系统，其特征在于，包括以下模块：
离线学习模块，用于任选一种溶液进行喷射，获取多组喷头驱动电压参数和对应的喷射液滴数据，作为样本集；基于所述样本集进行训练学习，得到初始激活模型；
第一在线检测模块，用于选取k组喷头驱动电压参数进行试打印，并利用k组实测喷射液滴数据对当前激活模型的预测精度进行检测；若预测精度大于第一精度阈值，则执行在线控制模块的操作，否则搜索预测精度最高的模型并执行第二在线检测模块的操作；
所述第二在线检测模块，用于判断当前最高预测精度是否大于第二精度阈值，若是则激活当前预测精度最高的模型，若否则利用当前预测精度最高的模型的网络参数初始化新的模型并激活；其中，所述第二精度阈值小于第一精度阈值；
在线学习模块，用于利用当前试打印的喷头驱动电压参数和实测喷射液滴数据对当前激活模型最后一层的网络参数进行更新；
所述在线控制模块，用于寻找当前激活模型下的目标喷射液滴数据对应的最优驱动电压参数；并利用所述最优驱动电压参数进行试打印，若实际喷射液滴数据与目标喷射液滴数据的偏差满足要求，则输出所述最优驱动电压参数，否则跳转至执行所述在线学习模块的操作。
9.一种用于印刷显示的打印方法，其特征在于，采用如权利要求1至7任一项所述的一种新型显示喷印制造液滴体积自适应智能调控方法确定最优驱动电压参数之后，利用所述最优驱动电压参数进行在线打印。
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任一项所述的一种新型显示喷印制造液滴体积自适应智能调控方法，和/或如权利要求9所述的一种用于印刷显示的打印方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310313246.3A CN116330845A (zh) | 2023-03-28 | 2023-03-28 | 一种新型显示喷印制造液滴体积自适应智能调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310313246.3A CN116330845A (zh) | 2023-03-28 | 2023-03-28 | 一种新型显示喷印制造液滴体积自适应智能调控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116330845A true CN116330845A (zh) | 2023-06-27 |
Family
ID=86883566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310313246.3A Pending CN116330845A (zh) | 2023-03-28 | 2023-03-28 | 一种新型显示喷印制造液滴体积自适应智能调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116330845A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116619907A (zh) * | 2023-07-24 | 2023-08-22 | 季华实验室 | 喷头驱动波形数据优化方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-28 CN CN202310313246.3A patent/CN116330845A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116619907A (zh) * | 2023-07-24 | 2023-08-22 | 季华实验室 | 喷头驱动波形数据优化方法、装置、电子设备及存储介质 |
| CN116619907B (zh) * | 2023-07-24 | 2023-10-20 | 季华实验室 | 喷头驱动波形数据优化方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | A comparison of neural network backpropagation algorithms for electricity load forecasting | |
| CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
| 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 | |
| CN101391524B (zh) | 喷墨装置以及校正方法 | |
| CN109739090A (zh) | 一种自主式水下机器人神经网络强化学习控制方法 | |
| Luque et al. | Cerebellar input configuration toward object model abstraction in manipulation tasks | |
| CN110514206A (zh) | 一种基于深度学习的无人机飞行路径预测方法 | |
| CN107092987B (zh) | 一种中小型无人机自主着舰风速预测方法 | |
| Wang et al. | Methods for predicting the remaining useful life of equipment in consideration of the random failure threshold | |
| Kamalasadan et al. | A neural network parallel adaptive controller for fighter aircraft pitch-rate tracking | |
| Emami et al. | Multimodel ELM-based identification of an aircraft dynamics in the entire flight envelope | |
| Inyang-Udoh et al. | A learning-based approach to modeling and control of inkjet 3D printing | |
| CN109165439B (zh) | 一种电流体动力学均匀性喷印图案的工艺参数优化方法 | |
| CN106033189B (zh) | 飞行机器人位姿神经网络预测控制器 | |
| Yue et al. | Intelligent control system for droplet volume in inkjet printing based on stochastic state transition soft actor–critic DRL algorithm | |
| CN115782426A (zh) | Oled喷墨打印膜厚均匀性补偿方法 | |
| CN117010263A (zh) | 一种基于卷积神经网络和长短期记忆网络的剩余寿命预测方法 | |
| CN111008661A (zh) | 航空发动机备发需求量的Croston-XGBoost预测方法 | |
| CN114492187A (zh) | 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统 | |
| Zhang et al. | Multi-dimensional local weighted regression ship motion identification modeling based on particle swarm optimization | |
| 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 | |
| Yue et al. | Multinozzle Droplet Volume Distribution Control in Inkjet Printing Based on Multiagent Soft Actor–Critic Network | |
| CN115965911A (zh) | 一种喷墨打印液滴体积智能检测方法 | |
| US11981138B2 (en) | Information processing system, learning device, and information processing method | |
| CN116383725A (zh) | 一种喷墨打印用阵列化喷孔的智能筛选方法及装置 |
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 |