【技术实现步骤摘要】
本专利技术属于喷墨打印制造领域，更具体地，涉及一种喷墨打印巨量喷嘴的液滴体积均值调控方法。
技术介绍
1、喷墨打印技术具有工艺简单、成本低、适合大面积制造等优点，成为大面积电子器件量产生产的增材制造技术。在打印大面积电子器件时，往往需要多个喷头并联进行工作，其中，每个喷头都拥有数百上千的喷嘴，所以在喷印过程中有大量的喷嘴参与喷射，将油墨材料喷射到基板固定位置中。
2、每个喷头的每个喷嘴可以独立开关，但是同一喷头的所有喷嘴只能共享一个喷射驱动电压波形。然而，由于制造误差、供墨分布、表面润湿性等问题，在相同的驱动波形下，多个喷嘴喷射的液滴体积会有所不同。因此，为了保证巨量喷嘴喷墨打印制造的精确性，需要调控所有喷头的驱动波形参数，使参与喷射的大量喷嘴液滴体积分布在目标体积的附近。但是，现有技术只能对单喷嘴的喷射液滴进行调控，没有考虑相同驱动波形下多喷嘴液滴体积的差异，仅仅依靠调控某一喷嘴液滴体积达到要求，不能满足所有喷嘴液滴体积都达到目标体积的附近。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。
技术实现思路
1、针对现有技术的缺陷和改进需求，本专利技术提供了一种喷墨打印巨量喷嘴的液滴体积均值调控方法，其目的在于解决现有多喷头巨量喷嘴参与打印时的液滴体积均值不满足目标体积精度要求的技术问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种喷墨打印巨量喷嘴的液滴体积均值调控方法，包括：
3、随机设置参与喷印的n个喷头
4、计算各喷嘴的相对目标均值体积的液滴体积偏差，以判断所有喷嘴的液滴体积偏差的平均值是否小于预设精度阈值，若是，则完成调控并结束流程，若否，则将每个喷头的各喷嘴液滴体积偏差和该喷头的当前波形参数向量输入该喷头的预先所构建的波形参数反馈控制模型中，得到各波形参数的控制增量，将各波形参数的控制增量与当前波形参数向量中各相应参数取值相加，得到新的波形参数向量，重新执行驱动打印。
5、进一步，所述波形参数反馈控制模型采用以下方式构建得到：
6、构建驱动电压波形参数向量集合，采用集合中的每个波形参数向量驱动各喷头，以采集每个波形参数向量下各喷头中各喷嘴液滴体积，构建每个喷头的包括波形参数向量及其对应的各喷嘴液滴体积两个维度的状态集合，用以训练得到该喷头的用于预测其各喷嘴液滴体积的喷射数据模型；
7、初始化每个喷头的一个策略网络以及与该喷头的m个喷嘴一一对应的m个评价网络和m个目标网络；所述策略网络的输入为该喷头的当前波形参数向量和m个喷嘴相对目标均值体积的当前液滴体积偏差，输出为各波形参数的控制增量，该输出用于与当前波形参数向量中各相应参数相加作为新的波形参数向量，以反馈给该喷头的喷射数据模型，预测下一状态各喷嘴液滴体积；在m个评价网络和m个目标网络的辅助下，采用该喷头的策略网络和对应的喷射数据模型进行交互学习，以训练策略网络，作为该喷头的波形参数反馈控制模型。
8、进一步，所述交互学习的实现方式为：
9、s1、开始一个epoch，在可调体积范围内随机设置目标均值体积vt，并为各喷头随机设置相同的初始波形参数向量；
10、s2、基于每个喷头的喷射数据模型和当前波形参数向量，得到该喷头中各喷嘴的液滴体积，计算在当前波形参数向量驱动下各喷嘴的相对所述目标均值体积的液滴体积偏差，构建该喷头的包括当前波形参数向量以及各喷嘴当前的液滴体积偏差的当前状态；
11、s3、将每个喷头的当前状态输入该喷头的策略网络，得到用于驱动该喷头的各波形参数的控制增量，将当前波形参数向量中各波形参数与各对应的控制增量相加，得到该喷头的新的波形参数向量，重复一次s2，以得到该喷头的下一状态；计算对下一状态各喷嘴的奖励值，以及用以表征下一状态中所有喷嘴液滴体积相对目标均值体积的平均偏差是否达到精度阈值的标识d；将各喷头的所述当前状态、所述控制增量和所述下一状态以及下一状态下所有喷嘴奖励值和标识d进行拼接，构成一个样本；
12、s4、将每个喷头的所述下一状态作为该喷头的新的当前状态，并判断当前的样本量是否达到阈值，若是，基于当前的样本，对该喷头的策略网络、m个评价网络和m个目标网络进行一次迭代训练，并执行s5；若否，直接执行s5；
13、s5、判断标识d在当前epoch内是否满足要求，若是，若判断epoch数量达到阈值，则结束，若判断epoch数量未达到阈值，则重新执行s1；若否，重新执行s3。
14、进一步，所述标识d表示为：
15、
16、式中，δμ表示每个喷头的所有喷嘴液滴体积相对目标均值体积的平均偏差，ξ表示所述精度阈值。
17、进一步，在每次迭代训练中，以每个喷嘴的液滴体积偏差与该喷头中所有喷嘴液滴体积偏差总和的比值作为该喷嘴的评价网络输出的权重，对m个评价网络的输出进行加权求和，构建策略网络的损失，以更新策略网络的参数；用每个喷嘴的目标网络来构建该喷嘴的评价网络的目标输出，将该目标输出与评价网络的实际输出做差来构建评价网络的损失，以同步更新每个喷嘴的评价网络的参数；每个喷嘴的目标网络的参数在经过预设迭代次数后采用该喷嘴的评价网络的当前参数进行软更新。
18、进一步，每个喷头的策略网络的损失具体为：
19、
20、式中，φi为喷头i的策略网络π的参数，nb为一次迭代训练所需要的样本量，vt为当前epoch对应的目标均值体积，v′ijk为喷头i的第j个喷嘴在下一状态中的液滴体积；q(sik,aik|θij)表示喷头i的第j个喷嘴的评价网络输出，θij表示喷头i的第j个喷嘴的评价网络参数，sik和aik为喷头i的第j个喷嘴的评价网络的输入，sik表示喷头i在第k个样本中的当前状态，aik表示喷头i在第k个样本中的各波形参数控制增量。
21、进一步，每个喷嘴的评价网络的损失具体为：
22、
23、式中，nb表示一次迭代训练所需要的样本量；γ为折扣系数，在0到1之间取值；为喷头i的第j个喷嘴的目标网络参数，s′ik为喷头i的第k个样本中的所述下一状态，a′ik为由策略网络基于下一状态所计算的各波形参数的控制增量；θij为喷头i的第j个喷嘴的评价网络参数；sik为喷头i的第k个样本中的所述当前状态，aik为喷头i的第k个样本中的所述控制增量；
24、rij表示对下一状态喷头i的第j个喷嘴的奖励值，其取值方式为：以喷头所有喷嘴平均体积相对目标均值体积的偏差乘以奖励系数，作为喷头奖励，以每个喷嘴相对目标均值体积的液滴体积偏差与所有喷嘴的液滴体积偏差总和的比值，作为该喷嘴对所述喷头奖励的分配系数，对所述喷头奖励进行分配，得到该喷嘴的奖励值。
25、进一步，喷头i的第j个喷嘴奖励值rij计算方式为：
26、
27、式中，η为奖励系数；μi′为喷头i本文档来自技高网...
【技术保护点】
1.一种喷墨打印巨量喷嘴的液滴体积均值调控方法，其特征在于，包括：
2.根据权利要求1所述的液滴体积均值调控方法，其特征在于，所述波形参数反馈控制模型采用以下方式构建得到：
3.根据权利要求2所述的液滴体积均值调控方法，其特征在于，所述交互学习的实现方式为：
4.根据权利要求3所述的液滴体积均值调控方法，其特征在于，所述标识d表示为：
5.根据权利要求2或3所述的液滴体积均值调控方法，其特征在于，在每次迭代训练中，以每个喷嘴的液滴体积偏差与该喷头中所有喷嘴液滴体积偏差总和的比值作为该喷嘴的评价网络输出的权重，对m个评价网络的输出进行加权求和，构建策略网络的损失，以更新策略网络的参数；用每个喷嘴的目标网络来构建该喷嘴的评价网络的目标输出，将该目标输出与评价网络的实际输出做差来构建评价网络的损失，以同步更新每个喷嘴的评价网络的参数；每个喷嘴的目标网络的参数在经过预设迭代次数后采用该喷嘴的评价网络的当前参数进行软更新。
6.根据权利要求5所述的液滴体积均值调控方法，其特征在于，每个喷头的策略网络的损失具体为：
7.
8.根据权利要求7所述的液滴体积均值调控方法，其特征在于，喷头i的第j个喷嘴奖励值rij计算方式为：
9.根据权利要求8所述的液滴体积均值调控方法，其特征在于，所述奖励系数η取值范围为[1,100]。
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9任一项所述的一种喷墨打印巨量喷嘴的液滴体积均值调控方法。
...【技术特征摘要】
1.一种喷墨打印巨量喷嘴的液滴体积均值调控方法，其特征在于，包括：
2.根据权利要求1所述的液滴体积均值调控方法，其特征在于，所述波形参数反馈控制模型采用以下方式构建得到：
3.根据权利要求2所述的液滴体积均值调控方法，其特征在于，所述交互学习的实现方式为：
4.根据权利要求3所述的液滴体积均值调控方法，其特征在于，所述标识d表示为：
5.根据权利要求2或3所述的液滴体积均值调控方法，其特征在于，在每次迭代训练中，以每个喷嘴的液滴体积偏差与该喷头中所有喷嘴液滴体积偏差总和的比值作为该喷嘴的评价网络输出的权重，对m个评价网络的输出进行加权求和，构建策略网络的损失，以更新策略网络的参数；用每个喷嘴的目标网络来构建该喷嘴的评价网络的目标输出，将该目标输出与评价网络的实际输出做差来构建评价网络的损失，以同步更新每个喷嘴的评...
【专利技术属性】
技术研发人员：陈建魁，岳晓，尹周平，杨华，唐斯昂，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。