一种面向柔性传感器喷墨打印过程的质量监控方法

本发明涉及喷墨打印技术领域，特别是涉及一种面向柔性传感器喷墨打印过程的质量监控方法。

背景技术：

目前，市场上的喷墨打印制备过程中出现的质量问题往往到最后质量检查步骤时才能发现，而在喷墨打印制备过程中很难发现，因此会影响后续步骤的进行，以及造成大量的材料、设备、能源浪费。

利用喷墨打印技术制备柔性传感器打印机的典型过程是：“传感器图案/结构设计——材料准备与预处理——喷墨打印制造——传感器原型后处理——制造质量检查——不合格返修/合格出厂”。现在大多数柔性传感器打印机制作采用的都是此方法，但该方法会造成大量的材料、设备、能源的浪费。

技术实现要素：

本发明的目的是提供一种面向柔性传感器喷墨打印过程的质量监控方法，提高了打印质量，同时减少了材料浪费。

为实现上述目的，本发明提供了如下方案：

一种面向柔性传感器喷墨打印过程的质量监控方法，所述方法包括：

采集柔性传感器喷墨打印过程中喷头的振动信号；

采集柔性传感器喷墨打印过程中墨滴可视化信息；

根据采集获得的所述振动信号和所述墨滴可视化信息获得打印质量及判断喷墨打印是否运行正常。

可选地，所述振动信号包括墨囊压力波、墨滴喷射波和墨滴撞击波。

可选地，所述墨滴可视化信息包括墨滴速度、墨滴纵列数和喷基间距；所述喷基间距为喷头到基底之间的间距；

可选地，根据采集获得的所述振动信号和所述墨滴可视化信息获得打印质量及判断喷墨打印是否运行正常，具体包括：

将所述振动信号输入第一故障分类器，判断是否发生第一故障；

将所述墨滴可视化信息输入第二故障分类器，判断是否发生第二故障；

若发生第一故障或者第二故障则判断喷墨打印不正常。

可选地，所述方法还包括：

采集正常打印时的振动信号和故障打印时的振动信号；

以所述正常打印时的振动信号和所述故障打印时的振动信号为第一训练样本，训练最小距离分类器，获得第一故障分类器。

可选地，所述方法还包括：

采集正常打印时的墨滴可视化信息和故障打印时的墨滴可视化信息；

以所述正常打印时的墨滴可视化信息和所述故障打印时的墨滴可视化信息为第一训练样本，训练最小距离分类器，获得第二故障分类器。

可选地，所述方法还包括：

将第一故障信号和第二故障信号进行耦合，获得多元耦合的特征曲线；所述第一故障信号为发生第一故障时获得的故障信号，所述第二故障信号为发生第二故障时获得的故障信号；

通过将所述多元耦合的特征曲线与对应预设的特性曲线进行对比获得打印质量。

可选地，所述采集柔性传感器喷墨打印过程中喷头的振动信号，具体包括：

通过将第一位移传感器吸附在所述柔性传感器的墨囊上获得所述墨囊压力波；

通过将第二位移传感器吸附在所述柔性传感器的压电陶瓷上获得所述墨滴喷射波；

通过将第三位移传感器吸附在所述柔性传感器的柔性基底上获得所述墨滴撞击波。

可选地，所述通过将第一位移传感器吸附在所述柔性传感器的墨囊上获得所述墨囊压力波；通过将第二位移传感器吸附在所述柔性传感器的压电陶瓷上获得所述墨滴喷射波；通过将第三位移传感器吸附在所述柔性传感器的柔性基底上获得所述墨滴撞击波，具体包括：

对所述第一位移传感器采集的振动信号、所述第二位移传感器采集的振动信号和所述第三位移传感器采集的振动信号进行融合冲突处理，所述第一位移传感器采集的振动信号记为墨囊的振动信号，所述第二位移传感器采集的振动信号记为压电陶瓷的振动信号，所述第三位移传感器采集的振动信号记为柔性基底的振动信号，所述进行融合冲突处理的信号优化模型表示为：

f1＝f1-a1f2-b1f3-c1f0

f2＝f2-a2f1-b2f3-c2f0；

f3＝f3-a3f1-b3f2-c3f0

其中，f1为所述墨囊的振动信号，f2为所述压电陶瓷的振动信号，f3为所述柔性基底的振动信号，f0为振动干扰信号；a1、a2、a3、b1、b2、b3、c1、c2和c3均为比例参数；f1为优化后的墨囊的振动信号，f2为优化后的压电陶瓷的振动信号，f3为优化后的柔性基底的振动信号；

对优化后的压电陶瓷的振动信号进行时域同步平均法处理，获得所述墨囊压力波；

对优化后的陶瓷晶片的振动信号进行时域同步平均法处理，获得所述墨滴喷射波；

对优化后的柔性基底的振动信号进行时域同步平均法处理，获得所述墨滴撞击波。

可选地，所述采集柔性传感器喷墨打印过程中墨滴可视化信息，具体包括：

通过ccd图像传感器获得墨滴运行的图像信息；

根据所述图像信息获得所述墨滴速度、所述墨滴纵列数和所述喷基间距。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种面向柔性传感器喷墨打印过程的质量监控方法，采集柔性传感器喷墨打印过程中喷头的振动信号；采集柔性传感器喷墨打印过程中墨滴可视化信息；根据采集获得的所述振动信号和所述墨滴可视化信息获得打印质量及判断喷墨打印是否运行正常，即本申请通过打印过程中对振动信号和墨滴可视化信息进行监控，降低了不正常运行打印的可能性，提高了打印质量，同时减少了材料浪费。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种面向柔性传感器喷墨打印过程的质量监控方法流程示意图；

图2为本发明一种基于面向柔性传感器喷墨打印过程的质量监控方法的系统结构示意图；

图3为本发明一种面向柔性传感器喷墨打印过程的质量监控方法详细流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种面向柔性传感器喷墨打印过程的质量监控方法，提高了打印质量，同时减少了材料浪费。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种面向柔性传感器喷墨打印过程的质量监控方法流程示意图，如图1所示，一种面向柔性传感器喷墨打印过程的质量监控方法包括：

步骤101：采集柔性传感器喷墨打印过程中喷头的振动信号。

所述采集柔性传感器喷墨打印过程中打印设备的振动波形，具体包括：

采集柔性传感器喷墨打印过程中墨囊压力波、墨滴喷射波和墨滴撞击波。

所述采集柔性传感器喷墨打印过程中墨囊压力波、墨滴喷射波和墨滴撞击波，具体包括：

通过将第一位移传感器吸附在所述柔性传感器的墨囊上获得所述墨囊压力波；

通过将第二位移传感器吸附在所述柔性传感器的压电陶瓷上获得所述墨滴喷射波；

通过将第三位移传感器吸附在所述柔性传感器的柔性基底上获得所述墨滴撞击波。

所述通过将第一位移传感器吸附在所述柔性传感器的墨囊上获得所述墨囊压力波；通过将第二位移传感器吸附在所述柔性传感器的压电陶瓷上获得所述墨滴喷射波；通过将第三位移传感器吸附在所述柔性传感器的柔性基底上获得所述墨滴撞击波，具体包括：

对所述第一位移传感器采集的振动信号、所述第二位移传感器采集的振动信号和所述第三位移传感器采集的振动信号进行融合冲突处理，所述第一位移传感器采集的振动信号记为墨囊的振动信号，所述第二位移传感器采集的振动信号记为压电陶瓷的振动信号，所述第三位移传感器采集的振动信号记为柔性基底的振动信号，所述进行融合冲突处理的信号优化模型表示为：

f1＝f1-a1f2-b1f3-c1f0

f2＝f2-a2f1-b2f3-c2f0；

f3＝f3-a3f1-b3f2-c3f0

其中，f1为所述墨囊的振动信号，f2为所述压电陶瓷的振动信号，f3为所述柔性基底的振动信号，f0为振动干扰信号；a1、a2、a3、b1、b2、b3、c1、c2和c3均为比例参数；f1为优化后的墨囊的振动信号，f2为优化后的压电陶瓷的振动信号，f3为优化后的柔性基底的振动信号。

对优化后的压电陶瓷的振动信号进行时域同步平均法处理，获得所述墨囊压力波。

对优化后的陶瓷晶片的振动信号进行时域同步平均法处理，获得所述墨滴喷射波。

对优化后的柔性基底的振动信号进行时域同步平均法处理，获得所述墨滴撞击波。

所述第一位移传感器、所述第二位移传感器和所述第三位移传感器均为激光位移传感器。

步骤102：采集柔性传感器喷墨打印过程中墨滴可视化信息。

所述墨滴可视化信息包括墨滴速度、墨滴纵列数和喷基间距。所述喷基间距所述喷基间距为喷头到基底之间的间距。

所述采集柔性传感器喷墨打印过程中墨滴速度、墨滴纵列数和喷基间距，具体包括：

通过ccd图像传感器获得墨滴运行的图像信息；

根据所述图像信息获得所述墨滴速度、所述墨滴纵列数和所述喷基间距。

所述根据所述图像信息获得所述墨滴速度、所述墨滴纵列数和所述喷基间距，具体包括：根据图像排序计算模型获得所述墨滴速度、所述墨滴纵列数和所述喷基间距，所述图像排序计算模型表示为：

di＝di+t

t＝t1+t2+t3

m＝kt

其中，t1为采集墨滴速度对应的时刻，t2为采集墨滴纵列数对应的时刻，t3为采集喷基高度对应的时刻，t为采集周期，m为采集的总时间；di为t1时刻对应的墨滴距离，i表示时间，k为整数，v为墨滴速度数，n为墨滴纵列数；h为喷基间距。

所述ccd图像传感器为mvc13000f-m00ccd图像传感器。

步骤103：根据采集获得的所述振动信号和所述墨滴可视化信息获得打印质量及判断喷墨打印是否运行正常。具体为：根据采集获得的所述振动信号和所述墨滴可视化信息获得打印质量，根据采集获得的所述振动信号和所述墨滴可视化信息判断喷墨打印是否运行正常。

作为具体实施例，根据采集获得的所述振动信号和所述墨滴可视化信息判断喷墨打印是否运行正常，具体包括：

将所述振动信号输入第一故障分类器，判断是否发生第一故障。

将所述墨滴可视化信息输入第二故障分类器，判断是否发生第二故障。

若发生第一故障或者第二故障则判断喷墨打印不正常。喷墨打印不正常即为喷墨打印故障。

第一故障分类器和第二故障分类器输出是否故障和故障类型。

所述方法还包括：

采集正常打印时的振动信号和故障打印时的振动信号；

以所述正常打印时的振动信号和所述故障打印时的振动信号为第一训练样本，训练最小距离分类器，获得第一故障分类器。

第一故障分类器输出的故障类型包括

所述方法还包括：

采集正常打印时的墨滴可视化信息和故障打印时的墨滴可视化信息；

以所述正常打印时的墨滴可视化信息和所述故障打印时的墨滴可视化信息为第一训练样本，训练最小距离分类器，获得第二故障分类器。

第二故障分类器输出的故障类型包括墨滴速度故障、墨滴纵列数故障和喷基间距故障。

所述方法还包括：根据采集获得的所述振动信号和所述墨滴可视化信息获得打印质量，具体包括：

将第一故障信号和第二故障信号进行耦合，获得多元耦合的特征曲线；所述第一故障信号为发生第一故障时获得的故障信号，所述第二故障信号为发生第二故障时获得的故障信号；

通过将所述多元耦合的特征曲线与对应预设的特性曲线进行对比获得打印质量。

作为具体实施例，所述根据采集获得的所述振动信号和所述墨滴可视化信息判断喷墨打印是否运行正常，具体包括：

根据柔性传感器型号获得预设的振动波形，所述预设的振动波形为所述柔性传感器正常运行时的振动波形；

判断预设的振动波形与采集的振动波形的差距是否在预设波形范围内；

若否，则喷墨打印运行不正常；

根据柔性传感器型号获得预设的墨滴速度，预设的墨滴纵列数和预设的喷基间距；

判断预设的墨滴速度与采集的墨滴速度的差距是否在预设速度范围内；

若否，则喷墨打印运行不正常；

判断预设的墨滴纵列数与采集的墨滴纵列数的差距是否在预设数目范围内；

若否，则喷墨打印运行不正常；

判断预设的喷基间距与采集的喷基间距的差距是否在预设间距范围内；

若否，则喷墨打印运行不正常；

若预设的振动波形与采集的振动波形的差距在预设波形范围内，预设的墨滴速度与采集的墨滴速度的差距在预设速度范围内，预设的墨滴纵列数与采集的墨滴纵列数的差距在预设数目范围内，预设的喷基间距与采集的喷基间距的差距在预设间距范围内，则喷墨打印运行正常。

所述方法还包括：

若喷墨打印不正常，则进行报警。

本发明对柔性传感器的喷墨打印制备过程进行自动化精准化的监控，能够及时发现喷墨打印的不正常运行，减低材料浪费的同时提高打印质量。

图2为本发明一种基于面向柔性传感器喷墨打印过程的质量监控方法的系统结构示意图，如图2所示，一种基于面向柔性传感器喷墨打印过程的质量监控方法的系统包括：知识库模块、多纹声波学模块、可视化监测模块、无序储备池分析模块、显示警报模块。

所述知识库模块，用于储存柔性传感器的型号，以及正常喷墨打印过程中对应的六种参数：墨囊压力波、墨滴喷射波、墨滴基底撞击波(墨滴撞击波)、墨滴速度、墨滴纵列数和喷基间距。

所述多纹声波学模块，用于检测喷墨打印关键工艺点的振动，采集喷墨打印过程中的三种振动波形：墨囊压力波、墨滴喷射波、墨滴基底撞击波，通过数据处理形成特征向量，再经故障预分类模块(第一故障分类器)预先判断是否有装置发生故障。

所述可视化监控模块，用于检测喷墨打印过程中墨滴速度、墨滴纵列数和喷基间距，通过图像处理进行融合和冲突处理，再经故障预分类模块(第二故障分类器)判断是否有装置发生故障。

所述无序储备池分析模块，用于对多纹声波学模块和可视化监测模块计算的数据进行分析，通过两端(多纹声波学模块和可视化监测模块)输入，中间无序计算单元，多源耦合计算出打印阈值，以评估喷墨打印过程中的打印质量。

所述显示警报模块，用于将检测到的六个信号对应的装置状态进行显示，并判断相应的故障装置能否自动调控。

图3为本发明一种面向柔性传感器喷墨打印过程的质量监控方法详细流程示意图，如图3所示，包括柔性传感器型号选取、六种参数设定、位移传感器采集振动信号、融合冲突处理、数据处理、ccd图像传感器采集光学信号、融合冲突处理、图像处理、无序耦合分析、数据库对比、过程调控、异常信号显示与报警等步骤。

首先，通过知识库模块进行柔性传感器型号选取，并确定打印过程中相对应的六种参数作为对比的对象，六种参数包括墨囊压力波、墨滴喷射波、墨滴撞击波、墨滴速度、墨滴纵列数和喷基间距。

通过多纹声波学模块，检测喷墨打印关键工艺点的振动，并将采集并处理所得到的特征信号α，传输至无序储备池分析模块。

将激光位移传感器分别吸附在柔性传感器的墨囊、压电陶瓷、柔性基底上，用于初步收集这三个位置的振动信号。

再通过数据处理器进行振动信号的融合冲突处理，为了防止非采集信号(非关键工艺过程中的震动，环境噪声震动)干扰以及所采集信号之间的杂合干扰或冲突，特提出一种信号优化模型：

f1＝f1-a1f2-b1f3-c1f0

f2＝f2-a2f1-b2f3-c2f0；

f3＝f3-a3f1-b3f2-c3f0

其中f1为来自墨囊的振动信号，f2为来自压电陶瓷的振动信号，f3为来自柔性基底的振动信号，f0为采集到的干扰振动信号；a1、a2、a3、b1、b2、b3、c1、c2和c3均为干扰信号的比例参数；f1为优化的墨囊的振动信号，f2为优化的压电陶瓷的振动信号，f3为优化的柔性基底的振动信号。

进一步的，通过fft(快速傅里叶变换)计算出16384个频率分量，通过smofs-30-multiexpanded(公共频率分量的选取)处理16384个频率分量计算出1-30个共同特征向量。通过smofs-30-multiexpanded提取特征向量步骤如下：

1)使用振动声波信号的频谱形成向量。良好的墨囊的频谱定义为以下矢量a＝[a1，a2，...，a16384]。故障的墨囊的频谱定义为矢量b＝[b1，b2，...，b16384]。良好的压电陶瓷频谱定义为矢量c＝[c1，c2，...，c16384]。故障的压电陶瓷的频谱定义为矢量d＝[d1，d2，...，d16384]。良好的柔性基底的频谱定义为矢量e＝[e1，e2，...，e16384]；故障的柔性基底频谱定义为矢量f＝[f1，f2，...，f16384]；

2)计算先前形成的向量之差的绝对值：|a-b|，|a-c|，|a-d|，|a-e|，|a-f|，|b-c|，|b-d|，|b-e|，|b-f|，|c-d|，|c-e|，|c-f|，|d-e|，|d-f|，|e-f|。a＝a，b＝b，c＝c，d＝d，e＝e，f＝f。

3)使用公式(1)选择频率分量。选择大于阈值thrselx的频率分量。

||fsa|-|fsb||＞thrselx(1)

其中thrselx是第x次迭代的频率分量选择的阈值；||fsa|-|fsb||是状态a和b的声信号频谱之间的差异，fsa表示状态a的频谱(16384频率分量)，fsb表示状态b的频谱(16384频率分量)。x取值范围为1-16384。

4)为第x次迭代计算变量(频率分量选择的阈值)thrselx。变量thrselx是由等式(2)表示：

nofcx≤30(3)

其中，变量nofcx是第x次迭代的选定频率分量的数量(如果窗口长度等于32768，则计算的频谱由16384个频率分量组成，对于第一次迭代，nofc0＝16384，则迭代减少下一个nofc0)。如果变量nofcx大于30，则smofs-30multiexpanded计算如公式(2)所示。

如果变量nofcx不大于30，则计算将中断。smofs-30-multiexpanded选择了1-30个频率分量。迭代次数x和变量nofcx的值取决于声波信号。分析示例1，具有状态a、b和c的三个声信号。由smofs-30-multiexpanded计算状态a和b的声信号的频率分量(|a-b|)，|a-b|为200hz、300hz、240hz、260hz、280hz、300hz、320hz和340hz。由smofs-30-multiexpanded计算状态a和c的声信号的频率分量(|a-c|)，|a-c|为210hz、230hz、250hz、270hz、290hz、310hz、330hz和350hz。由smofs-30-multiexpanded计算状态b和c的声信号的频率分量(|b-c|)，|b-c|为215hz、300hz、305hz、230hz、235hz、240hz、245hz和250hz。

状态a、b和c的声信号没有公共的频率分量。找到2次频率分量300hz、230hz、240hz和250hz。使用发现的频率分量是一个好方法，但是，为了解决更多的被考虑声波信号的问题，引入了称为tcfc-multi(公共频率分量的阈值multiexpanded扩展名)的参数，以分析被考虑的更多数量的声波信号。

5)设置参数tcfc-multi。它表示为：tcfc-multi＝(考虑的训练集所需的公共频率分量的数量)/(计算出的差值的数量)。参数tcfc-multi对于选择最终公共频率分量至关重要。

考虑示例2，有4个训练集，每个训练集都有6个声波信号，4个训练集的声波信号为(fa1，fb1，fc1，fd1，fe1，ff1)、(fa2，fb2，fc2，fd2，fe2，ff2)、(fa3，fb3，fc3，fd3，fe3，ff3)和(fa4，fb4，fc4，fd4，fe4，ff4)。smofs-30-multiexpanded为一个训练集中的每个差异选择频率分量：(|fa1-fb1|)，(|fa1-fc1|)，(|fa1-fd1|)，(|fa1-fe1|)，(|fa1-ff1|)，(|fb1-fc1|)，(|fb1-fd1|)，(|fb1-fe1|)，(|fb1-ff1|)，(|fc1-fd1|)，(|fc1-fe1|)，(|fc1-ff1|)，(|fd1-fe1|)，(|fd1-ff1|)，(|fe1-ff1|)，(|fa2-fb2|)，...，(|fe2-ff2|)，(|fa3-fb3|)，...，(|fe3-fe3|)，(|fa4-fb4|)，...，(|fe4-ff4|)。声学信号(振动信号)fa1、fb1、fc1、fd1、fe1...fa4、fb4、fc4和fd4，fe4的频谱之间的差异–6种声波状态(a，b，c，d，e)。如果参数tcfc-multi＝10/50＝0.20，则smofs-30-multiexpanded选择频率分量，该分量在10个差异中发现(最大数量为50次)。例如，发现频率分量100hz为10次，发现频率分量150hz的次数为20，发现频率分量200hz的次数为25，smofs-30-multiexpanded选择100hz、150hz和200hz(tcfcmulti＝10/40＝0.25)。如果参数tcfc-multi＝18/50＝0.36，则smofs-30-multiexpanded选择频率分量150hz和200hz。如果参数tcfc-multi＝30/50＝0.60，则smofs-30-multiexpanded选择0(应再次设置tcfc-multi)。

6)找到1–30个公共频率分量。

7)形成最终的特征向量(找到的1–30个频率分量)。

进一步的，通过最小距离分类器判断是否故障以及故障类型。最小距离分类器训练特征向量，随后将其用于预测阶段。最小距离分类器搜索最相似的训练向量和测试向量。接下来，它将测试向量分配给最近的类。分类器遍历整个测试集，计算出测试特征向量与每个训练特征向量之间的d(相似距离)。最后，将测试向量分配给具有最接近训练向量的类别。

使用最小距离分类器对六种声波信号所形成的特征向量进行训练，创建模型，再将其应用于所检测的三种声波信号进行识别，并预先判断是否有装置发生故障，若有，则将对应故障的信号形成一个特征信号，传输至无序储备池分析模块进一步分析。

与此同时，可视化监控模块，包括图像信号的融合冲突处理和图像分析、故障预分类，用于判别墨滴形态是否均匀一致、是否有“卫星液滴”的形成，并将数据传输至故障预分类，预先判断是否有装置发生故障。

具体的，将ccd图像传感器安装对应位置，ccd图像传感器为mvc13000f-m00ccd图像传感器，通过在初始位置的工作台上设置固定标尺作为标准件，进行ccd的尺寸标定，进行相机像素当量d的校准。首先由ccd摄像头将工作台上墨滴，喷头与基底间距的光信号转化为模拟电流信号；再由图像采集卡将模拟电流信号转化为数字图像信号，并传输到图像处理器。

进一步的，为了防止所采集的图像信号融合冲突，增强对应关系，特提出一种图像排序计算模型：

di＝di+t

t＝t1+t2+t3

m＝kt

其中，t1、t2和t3分别为采集墨滴速度，墨滴纵列数，喷基高度的所对应的时刻，以这三个时刻为一个周期t进行循环采集图像，为后续计算提供有序性；m为所采集的总时间；di为t1时刻对应的墨滴距离，v为1/3m所采集时间段的平均墨滴速度；k为整数；n为1/3m所采集时间段的平均墨滴纵列数；h为1/3m所采集时间段的平均喷基高度。

进一步的，将周期t分为100段，形成六种对应的特征数组，即正常电压时的墨滴速度数组定义为o＝[o1，o2，...，o100]；不正常电压时的墨滴速度数组定义为p＝[p1，p2，...，p100]；喷孔无堵塞的墨滴纵列数数组定义为q＝[q1，q2，...，q100]；喷孔堵塞的墨滴纵列数数组定义为r＝[r1，r2，...，r100]；正常高度的喷头-基底间距数组定义为s＝[s1，s2，...，s100]；不正常高度的喷头-基底间距数组定义为z＝[z1，z2，...，z100]；创建4个训练集，每个训练集都有六种数组(o1，p1，q1，r1，s1，z1)，(o2，p2，q2，r2，s2，z2)，(o3，p3，q3，r3，s3，z3)，(o4，p4，q4，r4，s4，z4)。

将训练集传输到最小距离分类器进行训练创建模型，随后将其用于预测阶段。接下来，它将测试数组分配给最近的类。分类器遍历整个测试集，计算出测试特征数组与每个训练特征数组之间的d(相似距离)。最后，将测试数组分配给具有最接近的训练数组的类别。

使用最小距离分类器对六种状态所形成的特征数组进行训练，创建模型，再将其应用于所检测的三种数组进行识别，并预先判断是否有装置发生故障，若有，则将对应故障的数组形成一个特征信号，传输至无序储备池分析模块进一步分析。

进一步的，通过无序储备池分析模块，首先对多纹声波学模块的特征信号的α和可视化监测模块的特征信号β进行耦合分析，形成多元耦合的特征曲线数据，然后再与数据库中的特征曲线进行对比分析，当二者平均差值或者单位周期内的差值超过设定的阈值，则激活显示警报模块，减少对比分析计算的工作量，提高打印质量判定效率，减少功耗。

具体的，无序储备池分析模块由三组不同的神经元组成，即输入层，储备层和输出层。该储备层可对输入信号进行非线性时间扩展映射。输入信号表示g＝{α，β}，储备层中储能器状态表示为r＝{r1，r2,,...,rh}，其中r中r1、r2等表示状态参数，输出分别表示为v＝{v1，v2，...，vo}，其中，v1、v2表示特征曲线v中的分量数据。以下公式用于控制网络的状态更新：

r＝n(w1g+w2r),

v＝w3[r；g],

其中w1∈r^h×s,w2∈r^h×h和w3∈r^o×(h+s)分别代表输入层权重，储备层权重和输出层权重，p代表激活函数的输入数据集，向量[r；g]将储备层和输入状态串联起来，始终指的是扩展状态向量。在方程式中选择了一个s型函数作为激活函数n(.)。

在无序储备池分析模块中，分别确定和优化w1，w2和w3。为了确保原理的有效性，必须确定储层权重w2，使其具有两个属性：回波状态和可分离性。回波状态属性意味着储层将渐近地从初始条件中清除所有信息。w2的光谱半径，即其最大特征值的绝对值，通常用于确保此属性。根据经验，如果光谱半径小于1，则可以授予回波状态属性。可分离性属性要求从不同的输入生成不同的输入状态。通常，要保证此属性，请从标准正态分布的样本中为w2初始化一个稀疏矩阵，并且该容器需要包含足够数量的神经元。对于输入的权重向量w1，也用w2的相同分布对其进行初始化。它们之间的区别在于，需要在w1中实现密集连接，而在w2中则不需要。通过确定w1和w2的值获得稳定的储层后，可以通过解决以下优化问题来优化权重向量w3：

w3＝argminmse(v^expect,v),

其中v^expect表示所需的故障标签序列，v表示预测的一个训练数据集，n表示样本总数，mse()表示均方误差计算。

进一步的，通过显示警报模块，将故障预分类的结果，无序储备池分析模块的结果进行显示，针对异常信号，判断相应的故障装置能否自动调控，若能，则通过过程调控模块进行调控；若不能，则发出警告并对异常信号红色显示，以便工作人员及时对相应的装置进行调整，减少材料，时间的损失。

综上所述，本发明提供一种针对柔性传感器喷墨打印的过程质量监控方法，通过知识库模块，进行传感器型号选择与参数确定；通过多纹声波学模块，用于检测喷墨打印关键工艺点的震动，将采集喷墨打印过程中的三种振动波形：墨囊压力波、墨滴喷射波、墨滴基底撞击波传输处理后至无序储备池分析模块；以及通过可视化监测模块，用于检测喷墨打印过程中墨滴的速度，墨滴纵列数，喷基间距，通过采集图像进行处理后，将其传输至无序储备池分析模块；通过无序储备池分析模块，对多纹声波学模块的特征信号的α和可视化监测模块的特征信号β进行耦合分析，形成多元耦合的特征曲线数据，然后再与数据库中的特征曲线进行对比分析，并将分析的结果传输到显示警报模块，减少对比分析计算的工作量，提高打印质量判定效率，减少功耗；在显示警报模块上将六种检测结果信号进行显示，针对异常信号，判断对应的故障装置能否自动调控，若能，则通过过程调控模块进行调控；若不能，则发出警告并对异常信号红色显示，以便工作人员及时对相应的装置进行调整，减少材料，时间的损失。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。