基于神经网络的压电喷墨驱动电压优化.pdf

基于神经网络的压电喷墨驱动电压优化

摘要

在压电喷墨打印的过程中，有些情况要求喷射出墨滴的体积和速度最大，而不同的

墨水物理参数和驱动电压参数会对墨水成型产生各样的影响，很难在较短时间内针对不

同墨水得到可以使墨滴体积和速度最大的驱动电压参数；其次残余振荡对打印频率的提

升具有很大阻碍，在较高喷射频率下，后一次驱动电压产生的流体速度会与前一次残留

在腔室内的残余振荡相耦合，进而影响墨滴喷射的稳定性。神经网络是人工智能方向的

重要工具，具有很强的学习能力，能够体现数据之间隐含的映射关系，为解决上述两个

压电喷墨过程中存在的问题提供了可能。本文基于以上思路，针对压电喷墨的墨滴喷射

体积速度最大和残余振荡抑制这两个问题，使用神经网络实现对驱动电压参数的优化。

首先，本文对压电喷墨的应用和前景进行了介绍，分析了当前压电喷墨过程中存在

的问题，简要陈述了压电喷墨与神经网络的发展历程和研究现状以及理论背景。

其次，本文设计了一种压电喷墨打印头多模型联合建模方法并进行串扰分析。对比

不同的模型搭建方法，根据所需的大规模多次运行的情况，选择搭建压电喷墨打印头腔

室的集总元件模型，并与压电驱动器的有限元模型和两相流模型相结合，为神经网络训

练数据的采集和之后的仿真验证做准备；并且在该模型的基础上增加了公共供墨通道部

分，考虑和分析串扰对流体速度的影响。

随后，本文设计了三个神经网络数据交互实现压电喷墨驱动电压优化的方法。在对

驱动电压优化逻辑和神经网络数据采集方式进行解释后，使用三种经常用于回归问题的

BPRBF

神经网络，介绍神经网络、神经网络和广义回归神经网络的基础知识和相关原

理，并对三种类型的网络的超参进行调优，对比它们的训练效果，得出了在驱动电压优

化问题上RBF神经网络更胜一筹的结论。最后使用仿真模型得到流体速度波形和多种

溶液的墨滴体积速度，验证了RBF神经网络得出的驱动电压参数的优化效果。

最后，本文使用常见的优化算法对RBF神经网络进行优化。分别介绍了遗传算法

和粒子群算法这两个优化算法的相关理论知识，并对超参进行了调优，实现对RBF神

经网络的扩展常数和中心点个数的优化，并通过对比优化前后的RBF神经网络的测试

集误差判断遗传算法的优化效果更好。最后使用仿真模型得到的多种溶液的墨滴参数验

证了遗传算法的优化效果。

关键词：压电喷墨；驱动电压优化；多模型联合建模；神经网络算法；优化算法

基于神经网络的压电喷墨驱动电压优化

ABSTRACT

Intheprocessofpiezoelectricinkjetprinting,somesituationsrequirethemaximum

volumeandspeedofinkdropletstobesprayed,anddifferentinkphysicalparametersand

drivingvoltageparameterscanhavevariouseffectsoninkforming.Itisdifficulttoobtainthe

drivingvoltageparametersthatcanmaximizethevolumeandspeedofinkdropletsfor

differentinksinashortperiodoftime;Secondly,residualoscillationposesasignificant

obstacletotheimprovementofprintingfrequency.Athigherinjectionfrequencies,thefluid

velocitygeneratedbythesubsequentdrivingvoltagewillbecoupledwiththeresidual

oscillationremaininginthechamber,therebyaffectingthestabilityofinkdropletinjection.