[發明專利]氣動式微滴噴射過程中被噴射液體流體特性變化的監測方法

在審

• 申請號: 202011357907.5
• 申請日: 2020-11-27
• 公開（公告）號: CN112733418A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王志海;包偉捷;王飛;王一瑋;楊寶俊
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.氣動式微滴噴射過程中被噴射液體流體特性變化的監測方法，其特征在于：建立對微滴噴射狀態參數S的預測模型，基于統計平均測量噴射事件的噴射狀態參數數據集{S_n}，計算平均值其中N為噴射事件的總數；將作為對未來未知噴射狀態參數的預測值S_p，預測值固定不變；

利用噴射狀態參數與噴射驅動氣壓P(t)之間關聯特性，測量儲液腔內的氣壓波形P(t)；采集氣壓波形數據集{P_n(t)}和噴射狀態參數{S_n}；采用機器學習方法，建立起驅動氣壓脈沖波形P(t)對噴射狀態參數S的BP神經網絡的預測模型，并得到預測值S_p，S_p依賴于氣壓波形；

建立BP神經網絡的預測模型后，噴射設置參數包括高速電磁閥前端氣壓P₀，高速電磁閥導通時間Δt不變，保持液體的流體特性穩定，采集噴射事件組成測試集；實際測量值S_m與預測值的差別即預測誤差e_m＝S_m-S_p也構成數據集{e_m}，其中m為測試集樣本編號；設定一個σ_θ使得θ×100％的e_m處于±σ_θ范圍內，稱為置信區間；噴射裝置在實際使用過程中，每次噴射微滴監測系統將實時采集氣壓信號P_l(t)和液滴噴射狀態參數的實際值S_l；通過BP神經網絡的預測模型計算預測值S_p，以及預測誤差e_l＝S_p-S_l；l是實際使用噴射裝置過程中噴射事件的編號；對預測誤差e_l進行某種平滑處理，得到當平滑后的誤差超出預測模型的置信區間±σ_θ，則判定BP神經網絡的預測模型失效，即判定流體特性發生改變，系統發出警示信號。

2.根據權利要求1所述的氣動式微滴噴射過程中被噴射液體流體特性變化的監測方法，其特征在于：基于BP神經網絡的預測模型的建立過程如下：

步驟1、采集常規條件下的噴射數據：

采集系統收集{P_n(t)}波形和液滴噴射狀態參數的測量值{S_n}的大數據；對氣壓振蕩信號P(t)進行采集，以f_s為采樣頻率，采樣間隔時間為的高速采集；實際采集過程中，會從同步信號的上升沿開始，對兩組信號進行同時采集，獲得i個離散時刻的氣壓信號P(t_i)；

對采集到的數據進行處理：讀取氣壓波形P(t_i)樣本，對波形進行濾波操作和截取，從而獲得波形樣本P(t_i)；

步驟2、對樣本進行歸一化：

(1)對獲得的波形樣本進行全局歸一化；

使用歸一化函數對波形樣本進行全局歸一化，歸一化后所得數據范圍在[-1，1]之間；歸一化函數為：

k和n是噴射樣本的編號，t_i表示第i個離散時刻的采樣時間；

(2)對獲得的液滴噴射狀態參數S數據集{S_k}進行歸一化；

使用歸一化函數對微滴狀態參數進行歸一化，歸一化后所得數據范圍在[-1，1]之間；歸一化函數為：

式中S表示微滴狀態參數，k和n為噴射樣本的編號；S選擇液滴噴射相對位置H_d；

步驟3、建立預測模型，并調整網絡相關參數；

搭建預測微滴噴射狀態的BP神經網絡預測模型，該BP神經網絡預測模型的輸入變量為腔體內氣壓波形P(t_i)，輸出變量為微滴噴射狀態參數S；

配置輸入層神經元數、輸出層神經元數、隱含層層數和各隱含層神經元個數參數；輸入層神經元數為氣壓波形P(t_i)離散數據點的個數，輸出層神經元數為1；

初始化神經網絡，選擇神經網絡中的神經元激發函數，對神經網絡開始訓練；

獲得訓練好的預測神經網絡；獲得P(t_i)預測S的模型；

步驟4、確定預測模型的預測誤差和置信區間；

(1)通過一組測試集測試上述的預測模型；采集噴射事件組成測試集；測試集的樣本編號為m；對于預測模型，將儲液腔內氣壓波形信號P_m(t_i)輸入至預測模型，得到微滴相對位置的預測值S_p；并與通過機器視覺和圖像處理得到的實際值S_m做差，獲得預測差值數據集{e_m}；對于統計學平均的預測模型，根據統計平均的預測值估計預測誤差即可；

(2)根據統計學原理并結合預測誤差分布，對于給定的θ，得到σ_θ，使得θ×100％的誤差處于±σ_θ范圍之內；預測模型、預測誤差以及置信區間的信息已經獲得；

步驟5、微滴監測系統進行實時采集，微滴監測系統自動判斷是否超出臨界閾值

噴射裝置在實際使用過程中，每次噴射，微滴監測系統將實時采集氣壓信號P_l(t_i)和液滴噴射狀態參數的實際值S_l；同時將氣壓信號P_l(t_i)輸入至訓練好的預測模型；微滴監測系統通過計算預測值S_p與實際值S_l差值，即預測誤差e_l＝S_p-S_l；l是實際使用噴射裝置過程中噴射事件的編號；對預測誤差e_l進行平滑處理，得到當平滑后的誤差超出預測模型的置信區間±σ_θ，則判定預測模型已經失效，即判定流體特性已經發生改變。