CN116619907A - 喷头驱动波形数据优化方法、装置、电子设备及存储介质 - Google Patents
喷头驱动波形数据优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116619907A CN116619907A CN202310910197.1A CN202310910197A CN116619907A CN 116619907 A CN116619907 A CN 116619907A CN 202310910197 A CN202310910197 A CN 202310910197A CN 116619907 A CN116619907 A CN 116619907A
- Authority
- CN
- China
- Prior art keywords
- inkjet
- driving waveform
- waveform data
- ink jet
- optimal
- 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 64
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000007641 inkjet printing Methods 0.000 claims abstract description 157
- 238000001303 quality assessment method Methods 0.000 claims abstract description 88
- 239000007921 spray Substances 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 109
- 238000005070 sampling Methods 0.000 claims description 78
- 238000013441 quality evaluation Methods 0.000 claims description 69
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000007639 printing Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect 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
- 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
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
- B41J2/04588—Control methods or devices therefor, e.g. driver circuits, control circuits using a specific waveform
-
- 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
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
-
- 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
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
- B41J2/04581—Control methods or devices therefor, e.g. driver circuits, control circuits controlling heads based on piezoelectric elements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Ink Jet (AREA)
Abstract
本申请属于控制喷头驱动波形数据的技术领域,公开了一种喷头驱动波形数据优化方法、装置、电子设备及存储介质,该方法包括:获取喷墨打印系统的喷墨打印参数,构建与喷墨打印参数对应的喷墨质量评估模型,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,提高了喷头驱动波形数据的优化效率。
Description
技术领域
本申请涉及控制喷头驱动波形数据的技术领域,具体而言,涉及一种喷头驱动波形数据优化方法、装置、电子设备及存储介质。
背景技术
压电喷墨打印技术是一种高精度、高速度的喷墨打印技术,在化学、生物及工业生产等领域有着广泛的应用。而喷墨质量(包括墨滴速度、体积等)的好坏,主要受喷头的驱动脉冲波形(喷头驱动波形数据)影响。
目前常用的喷头驱动波形数据控制方法是基于人工经验对波形进行设计和优化,或者通过实验测试所有可能的参数组合,从而得到最佳参数设置。然而,基于人工经验的喷头驱动波形数据控制方法需要大量的人工时间和经验,效率较低且数学解释不清晰,当数据量较大时调参难度增加。而通过实验测试所有参数组合的波形数据控制方法在面对多个参数的情况下不仅成本高、时间长,并且可能无法得到最优参数组合,最终导致喷墨质量差。
因此,为了解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的技术问题,亟需一种喷头驱动波形数据优化方法、装置、电子设备及存储介质。
发明内容
本申请的目的在于提供一种喷头驱动波形数据优化方法、装置、电子设备及存储介质,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
第一方面,本申请提供了一种喷头驱动波形数据优化方法,用于对喷墨质量进行优化,包括步骤:
获取喷墨打印系统的喷墨打印参数;
构建与所述喷墨打印参数对应的喷墨质量评估模型;
根据所述喷墨打印参数和所述喷墨质量评估模型,建立采集函数;
基于所述采集函数,对所述喷墨质量评估模型进行优化,得到最优喷墨质量评估模型;
从所述最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
本申请提供的喷头驱动波形数据优化方法可以实现对喷墨质量进行优化,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
可选地,所述喷墨打印参数包括喷头驱动波形数据和喷墨质量评估参数;所述喷头驱动波形数据包括延迟时间、上升时间、保持时间、下降时间及保持电压;所述喷墨质量评估参数包括墨滴速度和墨滴体积。
可选地,构建与所述喷墨打印参数对应的喷墨质量评估模型,包括:
提取所述喷墨打印参数中的所述喷头驱动波形数据和所述喷墨质量评估参数,建立样本数据集;
构建与所述样本数据集对应的所述喷墨质量评估模型。
本申请提供的喷头驱动波形数据优化方法可以实现对喷墨质量进行优化,通过基于喷墨打印参数中的喷头驱动波形数据和喷墨质量评估参数建立的样本数据集,构建喷墨质量评估模型,有利于提高喷头驱动波形数据的优化效率。
可选地,构建与所述样本数据集对应的所述喷墨质量评估模型,包括:
计算得到所述样本数据集中各采样点的向量平均值;
采用高斯核函数,计算得到所述样本数据集中各采样点的协方差矩阵;
根据所述向量平均值和所述协方差矩阵,构建所述喷墨质量评估模型。
可选地,根据所述采集函数,更新所述样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵;
基于所述更新后的样本数据集、所述更新后的向量平均值和所述更新后的协方差矩阵,优化所述喷墨质量评估模型,得到最优喷墨质量评估模型。
本申请提供的喷头驱动波形数据优化方法可以实现对喷墨质量进行优化,通过采集函数,优化喷墨质量评估模型,得到最优喷墨质量评估模型,从而提高模型的准确性和预测能力,有利于提高喷头驱动波形数据的优化效率。
可选地,根据所述采集函数,更新所述样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,包括:
根据所述采集函数,更新所述样本数据集,得到所述更新后的样本数据集;
基于所述更新后的样本数据集,更新所述向量平均值和所述协方差矩阵,得到所述更新后的向量平均值和所述更新后的协方差矩阵。
可选地,从所述最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据之后,还包括:
基于所述最优喷头驱动波形数据,进行喷墨打印,以验证所述最优喷头驱动波形数据的准确性。
第二方面,本申请提供了一种喷头驱动波形数据优化装置,用于对喷墨质量进行优化,包括:
获取模块,用于获取喷墨打印系统的喷墨打印参数;
构建模块,用于构建与所述喷墨打印参数对应的喷墨质量评估模型;
建立模块,用于根据所述喷墨打印参数和所述喷墨质量评估模型,建立采集函数;
优化模块,用于基于所述采集函数,对所述喷墨质量评估模型进行优化,得到最优喷墨质量评估模型;
提取模块,用于从所述最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
该喷头驱动波形数据优化装置,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
第三方面,本申请提供了一种电子设备,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如前文所述喷头驱动波形数据优化方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如前文所述喷头驱动波形数据优化方法中的步骤。
有益效果:本申请提供的喷头驱动波形数据优化方法、装置、电子设备及存储介质,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
附图说明
图1为本申请实施例提供的喷头驱动波形数据优化方法的流程图。
图2为本申请实施例提供的喷头驱动波形数据优化装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
图4为喷墨打印系统的结构示意图。
图5为喷墨打印系统的压电式喷墨打印头的结构示意图。
图6为驱动电压梯形波的示意图。
标号说明:1、获取模块;2、构建模块;3、建立模块;4、优化模块;5、提取模块;301、处理器;302、存储器;303、通信总线;11、压电式喷墨打印头;12、观墨系统;13、上位机;14、供墨系统;15、喷头驱动模块。
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。
请参照图1,图1是本申请一些实施例中的一种喷头驱动波形数据优化方法,用于对喷墨质量进行优化,包括步骤:
步骤S101,获取喷墨打印系统的喷墨打印参数;
步骤S102,构建与喷墨打印参数对应的喷墨质量评估模型;
步骤S103,根据喷墨打印参数和喷墨质量评估模型,建立采集函数;
步骤S104,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型;
步骤S105,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
该喷头驱动波形数据优化方法,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
具体地,在步骤S101中,获取喷墨打印系统的喷墨打印参数,即利用喷墨打印系统进行多次打印,在每次打印时获取对应的喷墨打印参数,每次打印获得的喷墨打印参数即为采样结果(即采样点),喷墨打印参数包括喷头驱动波形数据和喷墨质量评估参数;喷头驱动波形数据包括延迟时间、上升时间、保持时间、下降时间及保持电压;喷墨质量评估参数包括墨滴速度和墨滴体积。
由喷墨打印参数,确定参数空间,参数空间的表达式具体为:
;
其中,x为喷墨打印参数组成的参数向量,R为用于优化的参数空间。
如图4所示,图4为喷墨打印系统的结构示意图,其中,喷墨打印系统包括压电式喷墨打印头11,观墨系统12,上位机13,供墨系统14,喷头驱动模块15。压电式喷墨打印技术的压电喷头(压电式喷墨打印头11)以压电陶瓷作为驱动单元,在压电喷头上施加驱动电压波形,压电陶瓷在逆压电效应作用下产生形变,挤压工作腔进行墨水的喷射,压电式喷墨打印头11的内部结构示意图如图5所示,其中,a为供墨通道,b为墨水腔室,c为压电部件,d为喷嘴。压电式喷墨打印技术的喷墨效果主要受压电喷头的驱动电压波形(喷头驱动波形数据)影响,驱动电压波形指一个短暂的电压变化,波形通常是梯形形状。常用驱动电压梯形波如图6所示,其中,td是延迟时间、tr是上升时间,th是保持时间,tf是下降时间,Vh是保持电压。在喷墨打印过程中,上述任一参数的变化,都会直接影响喷墨打印效果。因此,在压电喷头结构和墨水特性确定之后,如果要获得最好的喷墨效果,必须对喷头驱动波形数据进行精准的控制。
具体地,在步骤S102中,构建与喷墨打印参数对应的喷墨质量评估模型,包括:
提取喷墨打印参数中的喷头驱动波形数据和喷墨质量评估参数,建立样本数据集;
构建与样本数据集对应的喷墨质量评估模型。
在步骤S102中,提取得到喷墨打印参数中的喷头驱动波形数据和喷墨质量评估参数,将喷头驱动波形数据和喷墨质量评估参数设置为初始数据,以喷头驱动波形数据作为样本特征,以喷墨质量评估参数作为数据标签,建立样本数据集,初始数据作为样本数据集中的初始数据,该样本数据集即为初始样本数据集。
具体地,在步骤S102中,构建与样本数据集对应的喷墨质量评估模型,包括:
计算得到样本数据集中各采样点的向量平均值;
采用高斯核函数,计算得到样本数据集中各采样点的协方差矩阵;
根据向量平均值和协方差矩阵,构建喷墨质量评估模型。
在步骤S102中,计算得到样本数据集中各采样点的向量平均值,采用高斯核函数,计算得到样本数据集中各采样点的协方差矩阵,协方差矩阵具体为:
;
其中,为样本数据集中各采样点构建的协方差矩阵,/>为对样本数据集中采样点组合/>构建的高斯核函数,/>为任意两个采样点的组合,/>表示第t个采样点(即第t次打印时获得的喷墨打印参数),t为第t次打印。
高斯核函数的计算公式具体为:
;
其中,为对样本数据集中采样点组合/>构建的高斯核函数,/>和为高斯核函数的参数,可根据实际需要进行设置,/>为二范数,/>代表任意两个采样点/>、/>的组合,/>表示第i个采样点(即第i次打印时获得的喷墨打印参数),/>表示第j个采样点(即第j次打印时获得的喷墨打印参数),1≤i≤t,1≤j≤t。
根据向量平均值和协方差矩阵,构建喷墨质量评估模型,喷墨质量评估模型具体为:
;
该喷墨质量评估模型表示喷墨质量函数为对向量平均值/>和协方差矩阵/>构建的高斯函数,该喷墨质量评估模型即为:
;
其中,为连续域上的喷墨质量函数,/> 为样本数据集中各采样点的向量平均值,/>为高斯函数,/>为第1个采样点至第t个采样点,/>表示以自然常数e为底的指数函数,/>表示e的/>次方。
需要说明的是,由于高斯核函数具有平滑性,可以平滑地去掉初始数据中的噪声和不规则性,从而更好地反映数据的整体趋势和模式。此外高斯核函数的参数可以根据实际需要进行调整,从而更好地适应采集的初始数据。
基于样本数据集构建的高斯函数可以提高算法效率和稳定性,避免随机初始值(初始数据)对优化结果的影响。同时高斯函数能够提供对喷墨质量函数的梯度信息,可以帮助算法更快地收敛到最优解。
具体地,在步骤S103中,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,采集函数的计算公式具体为:
;
其中,为采集函数,x为喷墨打印参数组成的参数向量,/>为样本数据集中已搜索的采样点的集合,/>为样本数据集中已搜索的采样点的喷墨质量函数的极大值,/>为样本数据集中已搜索的采样点的喷墨质量函数的平均值,/>为样本数据集中已搜索的采样点的喷墨质量函数的方差,/>为标准正态分布概率密度函数。
利用采集函数,可对样本数据集中最后一个采样点之后的下一个采样点进行最大化指导(即对下一个采样点进行预测),最大化指导计算公式具体为:
;
其中,为通过采集函数指导的下一个采样点的喷墨打印参数组成的参数向量,即预测的第t+1次打印时的喷墨打印参数。
具体地,在步骤S104中,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,包括:
根据采集函数,更新样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵;
基于更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,优化喷墨质量评估模型,得到最优喷墨质量评估模型。
在步骤S104中,根据采集函数,更新样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,包括:
根据采集函数,更新样本数据集,得到更新后的样本数据集;
基于更新后的样本数据集,更新向量平均值和协方差矩阵,得到更新后的向量平均值和更新后的协方差矩阵。
在步骤S104中,根据采集函数进行最大化指导的下一个采样点,采集新采样点(下一个采样点)的喷墨打印参数(喷头驱动波形数据和喷墨质量评估参数),并更新至样本数据集,再计算新采样点和初始样本数据集中各采样点的向量平均值和协方差矩阵。
设,其中,k为新采样点与初始样本数据集中各采样点构建的协方差向量,/>为对新采样点组合/>构建的高斯核函数,协方差矩阵的更新过程具体为:
;
其中,为更新后的协方差矩阵,/>为样本数据集各采样点构建的协方差矩阵,k为新采样点与初始样本数据集中各采样点构建的协方差向量,/>为k的转置,/>为对新采样点组合/>构建的高斯核函数。
在步骤S104中,基于更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,得到最优喷墨质量评估模型,喷墨质量评估模型的优化过程具体为:
;
该喷墨质量评估模型的优化过程表示优化后的喷墨质量函数为对更新后的向量平均值/>和更新后的协方差矩阵/>构建的高斯函数,该喷墨质量评估模型的优化过程即为:
;
其中,为优化后的喷墨质量函数,/>为新采样点和初始样本数据集中各采样点的向量平均值(即更新后的向量平均值),/> 为更新后的协方差矩阵,/>为第1个采样点至第t+1个采样点。
基于高斯函数构建的喷墨质量评估模型,结合更新后的样本数据集(将根据采集函数获取的下一个采样点的喷头驱动波形数据和喷墨质量评估参数更新至样本数据集)不断地进行模型优化,可以更好地适应新的数据和问题,从而提高模型的准确性和预测能力;同时可以减少模型对初始样本数据集的依赖性,从而增强模型的鲁棒性和泛化能力。优化模型还可以避免重新训练整个模型,从而提高模型的效率和计算性能。
基于采集函数,更新样本数据集,基于更新后的样本数据集,得到更新后的向量平均值和更新后的协方差矩阵,结合上述喷墨质量评估模型的优化过程,对喷墨质量评估模型进行迭代并更新,得到最优喷墨质量评估模型,当迭代次数到达预设次数阈值时,采集函数的最大值所对应的最优喷墨质量函数,即为最优喷墨质量评估模型。
具体地,在步骤S105中,计算得到最优喷墨质量评估模型后,从最优喷墨质量评估模型对应的喷墨打印参数中提取喷头驱动波形数据,该喷头驱动波形数据即为最优喷头驱动波形数据。
具体地,在步骤S105中,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据之后,还包括:
基于最优喷头驱动波形数据,进行喷墨打印,以验证最优喷头驱动波形数据的准确性。
基于最优喷头驱动波形数据,进行喷墨打印,根据最优喷头驱动波形数据对应的喷墨打印效果,以验证最优喷头驱动波形数据的准确性,例如,设置最优喷头驱动波形数据,根据该喷头驱动波形数据进行喷墨打印,根据喷墨打印时的喷墨质量评估参数,即墨滴速度和墨滴体积,确定喷墨打印效果,当墨滴速度和墨滴体积接近或等于喷墨打印系统的最优墨滴速度和最优墨滴体积时,确认最优喷头驱动波形数据准确无误;或根据喷墨打印质量,确定喷墨打印效果,当喷墨打印质量表现较好时,确认喷墨打印效果良好,确定最优喷头驱动波形数据准确无误。通过根据最优喷头驱动波形数据进行喷墨打印,验证了最优喷头驱动波形数据的准确性。
由上可知,该喷头驱动波形数据优化方法,通过获取喷墨打印系统的喷墨打印参数,构建与喷墨打印参数对应的喷墨质量评估模型,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据;从而,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
参考图2,本申请提供了一种喷头驱动波形数据优化装置,用于对喷墨质量进行优化,包括:
获取模块1,用于获取喷墨打印系统的喷墨打印参数;
构建模块2,用于构建与喷墨打印参数对应的喷墨质量评估模型;
建立模块3,用于根据喷墨打印参数和喷墨质量评估模型,建立采集函数;
优化模块4,用于基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型;
提取模块5,用于从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
该喷头驱动波形数据优化装置,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
具体地,获取模块1在执行时,获取喷墨打印系统的喷墨打印参数,即利用喷墨打印系统进行多次打印,在每次打印时获取对应的喷墨打印参数,每次打印获得的喷墨打印参数即为采样结果(即采样点),喷墨打印参数包括喷头驱动波形数据和喷墨质量评估参数;喷头驱动波形数据包括延迟时间、上升时间、保持时间、下降时间及保持电压;喷墨质量评估参数包括墨滴速度和墨滴体积。
由喷墨打印参数,确定参数空间,参数空间的表达式具体为:
;
其中,x为喷墨打印参数组成的参数向量,R为用于优化的参数空间。
如图4所示,图4为喷墨打印系统的结构示意图,其中,喷墨打印系统包括压电式喷墨打印头11,观墨系统12,上位机13,供墨系统14,喷头驱动模块15。压电式喷墨打印技术的压电喷头(压电式喷墨打印头11)以压电陶瓷作为驱动单元,在压电喷头上施加驱动电压波形,压电陶瓷在逆压电效应作用下产生形变,挤压工作腔进行墨水的喷射,压电式喷墨打印头11的内部结构示意图如图5所示,其中,a为供墨通道,b为墨水腔室,c为压电部件,d为喷嘴。压电式喷墨打印技术的喷墨效果主要受压电喷头的驱动电压波形(喷头驱动波形数据)影响,驱动电压波形指一个短暂的电压变化,波形通常是梯形形状。常用驱动电压梯形波如图6所示,其中,td是延迟时间、tr是上升时间,th是保持时间,tf是下降时间,Vh是保持电压。在喷墨打印过程中,上述任一参数的变化,都会直接影响喷墨打印效果。因此,在压电喷头结构和墨水特性确定之后,如果要获得最好的喷墨效果,必须对喷头驱动波形数据进行精准的控制。
具体地,构建模块2在构建与喷墨打印参数对应的喷墨质量评估模型的时候,执行:
提取喷墨打印参数中的喷头驱动波形数据和喷墨质量评估参数,建立样本数据集;
构建与样本数据集对应的喷墨质量评估模型。
构建模块2在执行时,提取得到喷墨打印参数中的喷头驱动波形数据和喷墨质量评估参数,将喷头驱动波形数据和喷墨质量评估参数设置为初始数据,以喷头驱动波形数据作为样本特征,以喷墨质量评估参数作为数据标签,建立样本数据集,初始数据作为样本数据集中的初始数据,该样本数据集即为初始样本数据集。
具体地,构建模块2在构建与样本数据集对应的喷墨质量评估模型的时候,执行:
计算得到样本数据集中各采样点的向量平均值;
采用高斯核函数,计算得到样本数据集中各采样点的协方差矩阵;
根据向量平均值和协方差矩阵,构建喷墨质量评估模型。
构建模块2在执行时,计算得到样本数据集中各采样点的向量平均值,采用高斯核函数,计算得到样本数据集中各采样点的协方差矩阵,协方差矩阵具体为:
;
其中,为样本数据集中各采样点构建的协方差矩阵,/>为对样本数据集中采样点组合/>构建的高斯核函数,/>为任意两个采样点的组合,/>表示第t个采样点(即第t次打印时获得的喷墨打印参数),t为第t次打印。
高斯核函数的计算公式具体为:
;
其中,为对样本数据集中采样点组合/>构建的高斯核函数,/>和为高斯核函数的参数,可根据实际需要进行设置,/>为二范数,/>代表任意两个采样点/>、/>的组合,/>表示第i个采样点(即第i次打印时获得的喷墨打印参数),/>表示第j个采样点(即第j次打印时获得的喷墨打印参数),1≤i≤t,1≤j≤t。
根据向量平均值和协方差矩阵,构建喷墨质量评估模型,喷墨质量评估模型具体为:
;
该喷墨质量评估模型表示喷墨质量函数为对向量平均值/>和协方差矩阵/>构建的高斯函数,该喷墨质量评估模型即为:
;
其中,为连续域上的喷墨质量函数,/> 为样本数据集中各采样点的向量平均值,/>为高斯函数,/>为第1个采样点至第t个采样点,/>表示以自然常数e为底的指数函数,/>表示e的/>次方。
需要说明的是,由于高斯核函数具有平滑性,可以平滑地去掉初始数据中的噪声和不规则性,从而更好地反映数据的整体趋势和模式。此外高斯核函数的参数可以根据实际需要进行调整,从而更好地适应采集的初始数据。
基于样本数据集构建的高斯函数可以提高算法效率和稳定性,避免随机初始值(初始数据)对优化结果的影响。同时高斯函数能够提供对喷墨质量函数的梯度信息,可以帮助算法更快地收敛到最优解。
具体地,建立模块3在执行时,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,采集函数的计算公式具体为:
;
其中,为采集函数,x为喷墨打印参数组成的参数向量,/>为样本数据集中已搜索的采样点的集合,/>为样本数据集中已搜索的采样点的喷墨质量函数的极大值,/>为样本数据集中已搜索的采样点的喷墨质量函数的平均值,/>为样本数据集中已搜索的采样点的喷墨质量函数的方差,/>为标准正态分布概率密度函数。
利用采集函数,可对样本数据集中最后一个采样点之后的下一个采样点进行最大化指导(即对下一个采样点进行预测),最大化指导计算公式具体为:
;
其中,为通过采集函数指导的下一个采样点的喷墨打印参数组成的参数向量,即预测的第t+1次打印时的喷墨打印参数。
具体地,优化模块4在基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型的时候,执行:
根据采集函数,更新样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵;
基于更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,优化喷墨质量评估模型,得到最优喷墨质量评估模型。
优化模块4根据采集函数,更新样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵的时候,执行:
根据采集函数,更新样本数据集,得到更新后的样本数据集;
基于更新后的样本数据集,更新向量平均值和所述协方差矩阵,得到更新后的向量平均值和更新后的协方差矩阵。
优化模块4在执行时,根据采集函数进行最大化指导的下一个采样点,采集新采样点(下一个采样点)的喷墨打印参数(喷头驱动波形数据和喷墨质量评估参数),并更新至样本数据集,再计算新采样点和初始样本数据集中各采样点的向量平均值和协方差矩阵。
设,其中,k为新采样点与初始样本数据集中各采样点构建的协方差向量,/>为对新采样点组合/>构建的高斯核函数,协方差矩阵的更新过程具体为:
;
其中,为更新后的协方差矩阵,/>为样本数据集各采样点构建的协方差矩阵,k为新采样点与初始样本数据集中各采样点构建的协方差向量,/>为k的转置,/>为对新采样点组合/>构建的高斯核函数。
优化模块4在执行时,基于更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,优化喷墨质量评估模型,得到最优喷墨质量评估模型,喷墨质量评估模型的优化过程具体为:
;
该喷墨质量评估模型的优化过程表示优化后的喷墨质量函数为对更新后的向量平均值/>和更新后的协方差矩阵/>构建的高斯函数,该喷墨质量评估模型的优化过程即为:
;
其中,为优化后的喷墨质量函数,/>为新采样点和初始样本数据集中各采样点的向量平均值(即更新后的向量平均值),/> 为更新后的协方差矩阵,/>为第1个采样点至第t+1个采样点。
基于高斯函数构建的喷墨质量评估模型,结合更新后的样本数据集(将根据采集函数获取的下一个采样点的喷头驱动波形数据和喷墨质量评估参数更新至样本数据集)不断地进行模型优化,可以更好地适应新的数据和问题,从而提高模型的准确性和预测能力;同时可以减少模型对初始样本数据集的依赖性,从而增强模型的鲁棒性和泛化能力。优化模型还可以避免重新训练整个模型,从而提高模型的效率和计算性能。
基于采集函数,更新样本数据集,基于更新后的样本数据集,得到更新后的向量平均值和更新后的协方差矩阵,结合上述喷墨质量评估模型的优化过程,对喷墨质量评估模型进行迭代并更新,得到最优喷墨质量评估模型,当迭代次数到达预设次数阈值时,采集函数的最大值所对应的最优喷墨质量函数,即为最优喷墨质量评估模型。
具体地,提取模块5在执行时,计算得到最优喷墨质量评估模型后,从最优喷墨质量评估模型对应的喷墨打印参数中提取喷头驱动波形数据,该喷头驱动波形数据即为最优喷头驱动波形数据。
具体地,提取模块5在从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据之后,执行:
基于最优喷头驱动波形数据,进行喷墨打印,以验证最优喷头驱动波形数据的准确性。
基于最优喷头驱动波形数据,进行喷墨打印,根据最优喷头驱动波形数据对应的喷墨打印效果,以验证最优喷头驱动波形数据的准确性,例如,设置最优喷头驱动波形数据,根据该喷头驱动波形数据进行喷墨打印,根据喷墨打印时的喷墨质量评估参数,即墨滴速度和墨滴体积,确定喷墨打印效果,当墨滴速度和墨滴体积接近或等于喷墨打印系统的最优墨滴速度和最优墨滴体积时,确认最优喷头驱动波形数据准确无误;或根据喷墨打印质量,确定喷墨打印效果,当喷墨打印质量表现较好时,确认喷墨打印效果良好,确定最优喷头驱动波形数据准确无误。通过根据最优喷头驱动波形数据进行喷墨打印,验证了最优喷头驱动波形数据的准确性。
由上可知,该喷头驱动波形数据优化装置,通过获取喷墨打印系统的喷墨打印参数,构建与喷墨打印参数对应的喷墨质量评估模型,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据;从而,通过构建最优喷墨质量评估模型,对喷头驱动波形数据进行优化,解决现有喷头驱动波形数据控制方法存在的成本高、耗时长、效率低及喷墨打印质量差的问题,具有耗时短、效率高和准确性高的优点,不需要依赖人工经验,提高了喷头驱动波形数据的优化效率。
请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当电子设备运行时,处理器301执行该计算机程序,以执行上述实施例的任一可选的实现方式中的喷头驱动波形数据优化方法,以实现以下功能:获取喷墨打印系统的喷墨打印参数,构建与喷墨打印参数对应的喷墨质量评估模型,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,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喷头驱动波形数据优化方法,以实现以下功能:获取喷墨打印系统的喷墨打印参数,构建与喷墨打印参数对应的喷墨质量评估模型,根据喷墨打印参数和喷墨质量评估模型,建立采集函数,基于采集函数,对喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,从最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。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(StaticRandom Access Memory, 简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable 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,既可以位于一个地方,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)
1.一种喷头驱动波形数据优化方法,用于对喷墨质量进行优化,其特征在于,包括步骤:
获取喷墨打印系统的喷墨打印参数;
构建与所述喷墨打印参数对应的喷墨质量评估模型;
根据所述喷墨打印参数和所述喷墨质量评估模型,建立采集函数;
基于所述采集函数,对所述喷墨质量评估模型进行优化,得到最优喷墨质量评估模型;
从所述最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
2.根据权利要求1所述的喷头驱动波形数据优化方法,其特征在于,所述喷墨打印参数包括喷头驱动波形数据和喷墨质量评估参数;所述喷头驱动波形数据包括延迟时间、上升时间、保持时间、下降时间及保持电压;所述喷墨质量评估参数包括墨滴速度和墨滴体积。
3.根据权利要求2所述的喷头驱动波形数据优化方法,其特征在于,构建与所述喷墨打印参数对应的喷墨质量评估模型,包括:
提取所述喷墨打印参数中的喷头驱动波形数据和喷墨质量评估参数,建立样本数据集;
构建与所述样本数据集对应的所述喷墨质量评估模型。
4.根据权利要求3所述的喷头驱动波形数据优化方法,其特征在于,构建与所述样本数据集对应的所述喷墨质量评估模型,包括:
计算得到所述样本数据集中各采样点的向量平均值;
采用高斯核函数,计算得到所述样本数据集中各采样点的协方差矩阵;
根据所述向量平均值和所述协方差矩阵,构建所述喷墨质量评估模型。
5.根据权利要求4所述的喷头驱动波形数据优化方法,其特征在于,基于所述采集函数,对所述喷墨质量评估模型进行优化,得到最优喷墨质量评估模型,包括:
根据所述采集函数,更新所述样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵;
基于所述更新后的样本数据集、所述更新后的向量平均值和所述更新后的协方差矩阵,优化所述喷墨质量评估模型,得到最优喷墨质量评估模型。
6.根据权利要求5所述的喷头驱动波形数据优化方法,其特征在于,根据所述采集函数,更新所述样本数据集,得到更新后的样本数据集、更新后的向量平均值和更新后的协方差矩阵,包括:
根据所述采集函数,更新所述样本数据集,得到所述更新后的样本数据集;
基于所述更新后的样本数据集,更新所述向量平均值和所述协方差矩阵,得到所述更新后的向量平均值和所述更新后的协方差矩阵。
7.根据权利要求1所述的喷头驱动波形数据优化方法,其特征在于,从所述最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据之后,还包括:
基于所述最优喷头驱动波形数据,进行喷墨打印,以验证所述最优喷头驱动波形数据的准确性。
8.一种喷头驱动波形数据优化装置,用于对喷墨质量进行优化,其特征在于,包括:
获取模块,用于获取喷墨打印系统的喷墨打印参数;
构建模块,用于构建与所述喷墨打印参数对应的喷墨质量评估模型;
建立模块,用于根据所述喷墨打印参数和所述喷墨质量评估模型,建立采集函数;
优化模块,用于基于所述采集函数,对所述喷墨质量评估模型进行优化,得到最优喷墨质量评估模型;
提取模块,用于从所述最优喷墨质量评估模型对应的最优喷墨打印参数中提取得到最优喷头驱动波形数据。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如权利要求1-7任一项所述喷头驱动波形数据优化方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-7任一项所述喷头驱动波形数据优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910197.1A CN116619907B (zh) | 2023-07-24 | 2023-07-24 | 喷头驱动波形数据优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910197.1A CN116619907B (zh) | 2023-07-24 | 2023-07-24 | 喷头驱动波形数据优化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116619907A true CN116619907A (zh) | 2023-08-22 |
CN116619907B CN116619907B (zh) | 2023-10-20 |
Family
ID=87613816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310910197.1A Active CN116619907B (zh) | 2023-07-24 | 2023-07-24 | 喷头驱动波形数据优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116619907B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1273175A (zh) * | 1999-05-06 | 2000-11-15 | 日本电气株式会社 | 用于控制释放墨滴量的驱动喷墨记录头的方法和装置 |
CN1280915A (zh) * | 1999-07-14 | 2001-01-24 | 日本电气株式会社 | 用于驱动喷墨打印头的装置及方法 |
US20060012624A1 (en) * | 2004-07-16 | 2006-01-19 | Rudi Vanhooydonck | Method and apparatus to create a waveform for driving a printhead |
CN101797838A (zh) * | 2005-12-22 | 2010-08-11 | 精工爱普生株式会社 | 喷墨打印机的喷头驱动装置和驱动控制方法、喷墨打印机 |
CN205871499U (zh) * | 2015-12-01 | 2017-01-11 | 天津斯沃姆科技发展有限公司 | 一种用于压电式打印喷头的墨滴喷射状态调整系统 |
CN108698403A (zh) * | 2016-02-24 | 2018-10-23 | 柯尼卡美能达株式会社 | 喷墨记录装置以及喷墨头的驱动方法 |
CN109961093A (zh) * | 2019-03-07 | 2019-07-02 | 北京工业大学 | 一种基于众智集成学习的图像分类方法 |
CN112455093A (zh) * | 2020-10-19 | 2021-03-09 | 福州大学 | 实现多喷嘴喷墨打印均匀喷射的控制方法 |
CN113128781A (zh) * | 2021-04-30 | 2021-07-16 | 大连理工大学 | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 |
CN113211979A (zh) * | 2021-04-21 | 2021-08-06 | 华南理工大学 | 一种可提高印刷精度的墨水压电控制系统及优化方法 |
CN113407132A (zh) * | 2021-07-30 | 2021-09-17 | 森彩数字印刷技术(深圳)有限公司 | 基于打印图像调节不同温度下驱动波形的方法及打印设备 |
CN114055942A (zh) * | 2020-07-30 | 2022-02-18 | 精工爱普生株式会社 | 驱动波形决定方法、记录介质、液体喷出装置以及驱动波形决定系统 |
CN114603996A (zh) * | 2022-02-11 | 2022-06-10 | 大连理工大学 | 一种压电喷墨打印头的驱动电压波形确定方法 |
CN114861429A (zh) * | 2022-04-24 | 2022-08-05 | 西安电子科技大学 | 压电喷头驱动波形自动设计方法 |
CN115221930A (zh) * | 2022-09-20 | 2022-10-21 | 苏州鸿哲智能科技有限公司 | 一种滚动轴承的故障诊断方法 |
CN115476588A (zh) * | 2021-05-31 | 2022-12-16 | 森大(深圳)技术有限公司 | 喷头驱动波形的优化方法、装置、设备及存储介质 |
KR20230040493A (ko) * | 2021-09-16 | 2023-03-23 | 포항공과대학교 산학협력단 | 강화학습을 통한 잉크젯 프린팅 액적 토출 최적 및 적응형 제어 장치 및 방법 |
CN116330845A (zh) * | 2023-03-28 | 2023-06-27 | 华中科技大学 | 一种新型显示喷印制造液滴体积自适应智能调控方法 |
-
2023
- 2023-07-24 CN CN202310910197.1A patent/CN116619907B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1273175A (zh) * | 1999-05-06 | 2000-11-15 | 日本电气株式会社 | 用于控制释放墨滴量的驱动喷墨记录头的方法和装置 |
CN1280915A (zh) * | 1999-07-14 | 2001-01-24 | 日本电气株式会社 | 用于驱动喷墨打印头的装置及方法 |
US20060012624A1 (en) * | 2004-07-16 | 2006-01-19 | Rudi Vanhooydonck | Method and apparatus to create a waveform for driving a printhead |
CN101797838A (zh) * | 2005-12-22 | 2010-08-11 | 精工爱普生株式会社 | 喷墨打印机的喷头驱动装置和驱动控制方法、喷墨打印机 |
CN205871499U (zh) * | 2015-12-01 | 2017-01-11 | 天津斯沃姆科技发展有限公司 | 一种用于压电式打印喷头的墨滴喷射状态调整系统 |
CN108698403A (zh) * | 2016-02-24 | 2018-10-23 | 柯尼卡美能达株式会社 | 喷墨记录装置以及喷墨头的驱动方法 |
CN109961093A (zh) * | 2019-03-07 | 2019-07-02 | 北京工业大学 | 一种基于众智集成学习的图像分类方法 |
CN114055942A (zh) * | 2020-07-30 | 2022-02-18 | 精工爱普生株式会社 | 驱动波形决定方法、记录介质、液体喷出装置以及驱动波形决定系统 |
CN112455093A (zh) * | 2020-10-19 | 2021-03-09 | 福州大学 | 实现多喷嘴喷墨打印均匀喷射的控制方法 |
CN113211979A (zh) * | 2021-04-21 | 2021-08-06 | 华南理工大学 | 一种可提高印刷精度的墨水压电控制系统及优化方法 |
CN113128781A (zh) * | 2021-04-30 | 2021-07-16 | 大连理工大学 | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 |
CN115476588A (zh) * | 2021-05-31 | 2022-12-16 | 森大(深圳)技术有限公司 | 喷头驱动波形的优化方法、装置、设备及存储介质 |
CN113407132A (zh) * | 2021-07-30 | 2021-09-17 | 森彩数字印刷技术(深圳)有限公司 | 基于打印图像调节不同温度下驱动波形的方法及打印设备 |
KR20230040493A (ko) * | 2021-09-16 | 2023-03-23 | 포항공과대학교 산학협력단 | 강화학습을 통한 잉크젯 프린팅 액적 토출 최적 및 적응형 제어 장치 및 방법 |
CN114603996A (zh) * | 2022-02-11 | 2022-06-10 | 大连理工大学 | 一种压电喷墨打印头的驱动电压波形确定方法 |
CN114861429A (zh) * | 2022-04-24 | 2022-08-05 | 西安电子科技大学 | 压电喷头驱动波形自动设计方法 |
CN115221930A (zh) * | 2022-09-20 | 2022-10-21 | 苏州鸿哲智能科技有限公司 | 一种滚动轴承的故障诊断方法 |
CN116330845A (zh) * | 2023-03-28 | 2023-06-27 | 华中科技大学 | 一种新型显示喷印制造液滴体积自适应智能调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116619907B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Black et al. | Training diffusion models with reinforcement learning | |
CN109409252A (zh) | 一种基于改进型ssd网络的车辆行人多目标检测方法 | |
Cappé | Online expectation maximisation | |
CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
DE60220537T2 (de) | Zeichenidentifikation | |
CN107590497A (zh) | 基于深度卷积神经网络的脱机手写汉字识别方法 | |
CN110222329B (zh) | 一种基于深度学习的中文分词方法和装置 | |
CN111428768A (zh) | 基于Hellinger距离-高斯混合模型的聚类方法 | |
WO2008109714A1 (en) | Radical-based hmm modeling for handwriten east asian characters | |
CN104156433A (zh) | 一种基于语义映射空间构建的图像检索方法 | |
WO2023019456A1 (en) | Method and apparatus for evaluation of adversarial robustness | |
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 | |
CN117153260B (zh) | 基于对比学习的空间转录组数据聚类方法、装置及介质 | |
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 | |
CN116330845B (zh) | 一种新型显示喷印制造液滴体积自适应智能调控方法 | |
CN114692809A (zh) | 基于神经集群的数据处理方法及装置、存储介质、处理器 | |
CN116524234A (zh) | 一种不同区域岩性识别模型的无监督自适应方法 | |
CN114595681B (zh) | 文本切分方法及装置 | |
CN103439964B (zh) | 一种ocsvm监控模型的在线更新系统及方法 | |
CN107886126B (zh) | 基于动态集成算法的航空发动机气路参数预测方法及系统 | |
Cirera et al. | Hidden Markov model topology optimization for handwriting recognition | |
CN114613433A (zh) | 单细胞转录组数据伪时间轨迹的分析方法及计算机系统 | |
CN114463569A (zh) | 一种基于优化自适应度量学习的图像匹配方法及系统 | |
Liu et al. | Combined with the residual and multi-scale method for Chinese thermal power system record text recognition | |
Geelen et al. | Learning latent representations in high-dimensional state spaces using polynomial manifold constructions |
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 |