CN112301435B - 一种多射流电纺直写深度学习控制系统和控制方法 - Google Patents

Abstract

本发明涉及电纺直写的技术领域，公开了一种多射流电纺直写深度学习控制系统，包括储液槽、供液器、多个纺丝喷头、安装支架、供液器、高压电源、收集板、电流检测器、环境传感器、数据采集器和控制计算机，数据采集器的信号输入端与环境传感器、电流检测器的信号输出端连接；数据采集器的信号输出端连接控制计算机的信号出入端，控制计算机的信号输出端与高压电源的信号输入端、供液器的信号输入端连接，控制计算机设有参数输入端口和深度学习控制系统，高压电源电压调整幅值控制规则，供液器供液流量流速调整规则由深度学习控制系统根据不同生产条件的自动调整，实现对不同纺丝溶液多射流电纺直写过程的控制。

Description

一种多射流电纺直写深度学习控制系统和控制方法

技术领域

本发明涉及电纺直写的技术领域，特别是一种多射流电纺直写深度学习控制系统和控制方法。

背景技术

电纺直写技术是利用静电场力拉伸黏弹性流体变形，使其产生射流进行喷印，喷印射流来自Taylor锥尖，射流直径对喷头内径依赖性小，可有效地减小喷印微纳米结构的特征尺寸。电纺丝直写技术通过减小喷头至收集板距离(0.1～5mm)，克服了传统纺丝过程中射流的分叉、螺旋不稳定运动行为和多射流喷印，利用单射流进行微纳米结构的沉积控制。

然而多射流电纺直写的整个过程行为非常复杂，受到空间电场、电荷密度、电荷迁移等多方面因素的影响，喷印过程存在较大的随机性，是多场耦合作用下的结果，力学模型复杂。加上电液耦合过程数学物理模型复杂，没有明确的数学控制模型，不宜于采用PID等传统控制方法。目前，电纺直写技术暂没有建立合适的控制方法，主要依据经验进行电纺直写过程参数的调节，缺乏合适的控制策略，针对多射流电纺直写装置的控制方法更是少有涉及，限制了电纺直写微纳结构均匀性、直写微纳米结构尺寸可控性、微纳材料生产效率的进一步提高，导致电纺直写难以应用在工业生产，已成为电纺直写技术推广应用的瓶颈。

发明内容

为此，需要提供一种多射流电纺直写深度学习控制系统和控制方法，解决现有技术中电纺直写喷印过程复杂，缺乏合适控制策略的问题，提高纺丝喷头射流喷射的稳定性和纳米纤维直径均匀性，提升微纳结构喷射效率的同时对产物纳米纤维形貌的进行调节。

为实现上述目的，本发明提供了一种多射流电纺直写深度学习控制系统，包括：

储液槽，为电纺直写过程提供溶液；

多个纺丝喷头，作为溶液的喷射通道，形成多射流；

供液器，供液器将储液槽中的溶液输送至纺丝喷头；

高压电源，正极连接纺丝喷头，负极接地；

收集板，设于纺丝喷头的下方，纺丝喷头喷射的溶液在收集板和纺丝喷头之间形成纳米纤维，收集板用于收集纳米纤维；

电流检测器，电流检测器的电流输入端与收集板连接，电流检测器的电流输出端接地，电流检测器用于检测纺丝电流；

环境传感器，用于检测收集板和纺丝喷头之间的环境参数；

数据采集器，数据采集器的信号输入端与环境传感器、电流检测器的信号输出端连接；

控制计算机，数据采集器的信号输出端连接控制计算机的信号输入端，控制计算机的信号输出端与高压电源的信号输入端、供液器的信号输入端连接，所述控制计算机根据其信号输入端的输入信号得到当前电纺直写工作状态，并基于深度学习模型预测电纺直写未来工作状态，选取最优控制参数调整高压电源所提供的电压和供液器的供液速度。高压电源电压调整幅值控制规则，供液器供液流量流速调整规则由控制计算机根据预测的电纺直写工作状态自动调整，实现对不同纺丝溶液多射流电纺直写过程的控制。

进一步，所述环境传感器包括温度传感器和湿度传感器，温度传感器用于实时检测纺丝喷头和收集板之间的温度，湿度传感器用于实时检测纺丝喷头和收集板之间的湿度。

进一步，控制计算机设有人机交互界面，人机交互界面用于纳米纤维直径、溶液种类、溶液导电率、溶液粘度、溶液浓度参数的设定。

进一步，所述纺丝喷头为针头或螺杆电线电极无针喷头，纺丝喷头数量为m，m为大于或等于1的任一自然数。

进一步，所述供液器同时为多个纺丝喷头供液使得多个纺丝喷头同时喷射溶液，增加电纺直写的纳米纤维产量成倍增加。

本发明还提供一种多射流电纺直写深度学习控制系统的控制方法，包括以下步骤：

(1)环境传感器获取外界环境参数，外界环境参数包括温度和湿度；

(2)控制计算机的人机交互界面设定预期纳米纤维直径和系统参数，系统参数包括纺丝喷头个数、内径、纺丝喷头与收集板间距；

(3)控制计算机的人机交互界面设定溶液参数，溶液参数包括溶液种类、溶液导电率、溶液粘度和溶液浓度；

(4)控制计算机根据输入的外界环境参数、预期纳米纤维直径、系统参数和溶液参数进行参数的初始化设定，得到初始控制参数，初始控制参数包括初始电压和初始供液速度；

(5)控制计算机控制供液器开启，按初始供液流速对纺丝喷头输送溶液；

(6)控制计算机控制高压电源开启，按初始电压对纺丝喷头提供电压；

(7)控制计算机控制预测电纺直写的工作状态；

(8)选取优化函数，以产物形貌作为性能指标，基于深度学习模型和系统条件、输入参数、反馈参数，预测未来电纺直写的输出序列下的系统响应，选取最优序列并输出下一时刻的过程控制参数，过程控制参数包括过程电压和过程供液速度；

(9)电流检测器读取最新的纺丝电流并反馈给控制计算机；

(10)判断是否停止工作，若是，关闭供液器和高压电源；若否，将步骤(8)中的过程电压和过程供液速度的值提供给纺丝喷头并返回步骤(7)。滚动优化，基于纺丝电流的反馈值不断调整高压电源和供液器的调整控制参数，实现对多纺丝喷头电纺直写过程的稳定控制，滚动优化策略弥补外部因素引起的不确定性，装置具有较好的动态性能。

进一步，所述控制计算机预测电纺直写工作状态包括如下步骤：

(1)纺丝电流、外界环境参数、预期纳米纤维直径、系统参数和溶液参数形成一数据集；

(2)使用堆栈稀疏降噪自编码网络提取数据集中的高水平特征；

(3)使用SVR支持向量模型对高水平特征进行回归计算实现对电纺直写工作状态参数的预测；

(4)输出预测的电纺直写工作状态参数。

深度学习控制系统不需要深入的了解电纺直写过程的工作机理，克服电纺直写过程物理模型复杂的问题，深度学习控制系统使用时，获取不同实验条件下，纳米纤维形貌和与之对应的纺丝电流、温度、湿度等参数，通过数据预处理和数据可视化等操作实现数据净化。之后通过堆栈稀疏降噪自编码网络获得参数的高水平特征，最后通过估算模型的支持向量回归(SVR)模型实现下对多射流电纺直写工作状态参数的预测。

进一步，所述数据集包括n个参数，所述堆栈稀疏降噪自编码网络包括输入层、n+1个隐藏层和输出层，n+1个隐藏层之间通过堆栈自编码的堆叠机制依次堆砌，所述数据集的参数输入至输入层，经过n+1层隐藏层后由输出层输出高水平特征。使用堆栈稀疏降噪自编码网络的网络结构，有效降低网络对输入信号的敏感性，通过堆栈自编码的堆叠机制，将多个降噪自编码网络堆砌起来，获得神经网络学习数据中更加深入的特征，克服人工提取特征的盲目性以及维数过高导致的模型过于复杂。该网络经过训练后，在保证分类准确率和模型泛化能力的同时，能够克服人工提取特征的盲目性以及维数灾和模型复杂度过高等问题。

进一步，所述堆栈稀疏降噪自编码网络还包括叠加噪声层，所述叠加噪声层用于对输入层的参数叠加噪声，输入层的数据经由叠加噪声层叠加噪声后传给隐藏层，叠加噪声层用于堆栈稀疏降噪自编码网络去除噪声的训练。对输入数据叠加噪声，自编码神经网络通过训练去除这种噪声，估计出原始输入，有效降低网络对输入信号的敏感性。深度学习系统设计堆栈稀疏降噪自编码，通过有监督和无监督学习相结合的方式训练网络，利用参数对照实验和网格搜索法确定网络结构并寻找最优参数，实现高水平特征的提取。通过支持向量回归(SVR)算法实现对电纺直写参数的预测。

进一步，每个隐藏层均进行稀疏项限制，用于抑制隐藏层较小神经元的输出。对各网络层进行稀疏项限制，抑制隐藏层较小神经元的输出，降低隐藏层的维数，给出的是堆栈稀疏降噪自编码网络的网络结构，是在自编码神经网络的基础上建立。将生成各种直径纳米纤维的条件都在控制计算机的内部程序中进行训练。

上述技术方案具有以下有益效果：

本发明使用深度学习算法搭建深度学习控制系统，对多射流电纺直写过程进行控制，依据测量纺丝电流变化调节施加电压与供液流量，实现多纺丝喷头长时间稳定喷射，提高电纺直写的效率和纳米纤维均匀性。

深度学习控制系统的控制具有控制效果好、鲁棒性强等优点，可有效地克服电纺直写过程的不确定性和非线性，并能方便处理过程被控变量和操纵变量中的各种约束。深度学习控制系统获得纳米纤维直径和纺丝电流实时状态数据，通过数据预处理和数据可视化等实现数据的净化与相关性研究并为预测模型提供纯净的高维特征数据集。

附图说明

图1为具体实施方式所述电纺直写深度学习控制系统结构图。

图2为具体实施方式所述控制方法的步骤流程图。

图3为本发明实施例的控制系统信号流图。

图4为堆栈稀疏降噪自编码网络的网络结构。

图5为基于深度学习的预测模型实现流程图。

附图标记说明：

1、供液器；2、储液槽；3、纺丝喷头；4、收集板；5、电流检测器；6、温度传感器；7、湿度传感器；8、数据采集器；9、控制计算机；10、高压电源；11、安装支架。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

请参阅图1-5，本实施例提供一种电纺直写深度学习控制系统，包括储液槽2、供液器1、多个纺丝喷头3、安装支架11、高压电源10、收集板4、电流检测器5、环境传感器、数据采集器8和控制计算机9，储液槽2提供有溶液，储液槽2通过导管与纺丝喷头3连接，供液器1用于将储液槽2中的溶液输送至纺丝喷头3，本实施例中，供液器1为注射泵，注射泵推动的过程中不断的将储液槽2中的溶液推向纺丝喷头3，多个纺丝喷头3并排设置在安装支架11，用于调整纺丝喷头3和收集板4之间的距离，每个纺丝喷头3对应一个注射泵，多个纺丝喷头3同时喷射溶液；高压电源10的正极连接纺丝喷头3负极接地。本实施例中高压电源10为直流高压电源，收集板4通过电流检测器接地，由此在收集板4和纺丝喷头3之间形成加速电场，纺丝喷头3喷射出的溶液在加速电场的作用下喷向收集板4，在这一过程中，溶液中的溶剂蒸发形成纳米纤维被收集板4收集，电流检测器5连接于收集板4与地极之间并测量射流沉积的纺丝电流，环境传感器包括温度传感器6和湿度传感器7，环境温度和湿度影响了射流中溶液剂的挥发速度及纺丝射流的流变行为，因此控制系统中设有温度传感器6和湿度传感器7以监测环境因素的变化，温度传感器6用于实时检测纺丝喷头3和收集板4之间的温度，湿度传感器7用于实时检测纺丝喷头3和收集板4之间的湿度。数据采集器8输入端经数据线与电流检测器5、温度传感器6、湿度传感器7的信号输出端连接，接收各检测传感部件所获得的数据，数据采集器8的信号输出端接控制计算机9的信号输入端口，将各检测传感部件所获得的数据变换后传送给控制计算机9，本实施例中，数据采集器8为一数据采集卡，各检测传感部件所获得的数据经由数据采集卡的A/D转换、滤波等信号处理过程后将转换过的数字信号传给控制计算机9。

控制计算机9的信号输出端与高压电源10的信号输入端、供液器1的信号输入端连接，控制计算机9设有人机交互界面和深度学习控制程序，人机交互界面用于预值纳米纤维直径、溶液种类、溶液导电率、溶液粘度、溶液浓度参数的设定，控制计算机通过深度学习控制程序预测电纺直写工作状态并调整高压电源10所提供的电压和供液器1的供液速度。高压电源10电压调整幅值控制规则，供液器1供液流量流速调整规则均由控制计算机的深度学习控制程序根据不同生产条件进行自动调整，实现对不同纺丝溶液多射流电纺直写过程的控制。纺丝喷头3可以为针头或螺杆电线电极无针喷头，纺丝喷头数量为m，m为大于或等于1的任一自然数。

上述多射流电纺直写深度学习控制系统的控制方法，包括以下步骤：

(1)环境传感器获取外界环境参数，外界环境参数包括温度T和湿度RH；

(2)控制计算机的人机交互界面设定预期纳米纤维直径d和系统参数，系统参数包括纺丝喷头个数m、内径D、纺丝喷头与收集板间距l；

(3)控制计算机的人机交互界面设定溶液参数，溶液参数包括溶液种类、溶液导电率、溶液粘度和溶液浓度；

(4)深度学习控制程序根据输入的外界环境参数、预期纳米纤维直径、系统参数和溶液参数进行参数的初始化设定，得到初始控制参数，初始控制参数包括初始电压U和初始供液速度Q；

(5)控制计算机控制供液器开启，按初始供液流速Q对纺丝喷头输送溶液；

(6)控制计算机控制高压电源开启，按初始电压U对纺丝喷头提供电压，电流检测器检测到初始纺丝电流I；

(7)深度学习控制程序预测电纺直写的输出序列，具体包括如下步骤；

(7-1)初始纺丝电流I、初始电压U和初始供液速度Q、外界环境参数、系统参数和溶液参数形成一数据集，数据集包括n个参数；

(7-2)使用堆栈稀疏降噪自编码网络提取数据集中的高水平特征，如图4所示；稀疏降噪自编码网络包括输入层、叠加噪声层、n+1个隐藏层和输出层，n+1个隐藏层之间通过堆栈自编码的堆叠机制依次堆砌，每个隐藏层具有n个神经元，数据集的参数输入至输入层，经过n+1层隐藏层后由输出层输出高水平特征，堆栈稀疏降噪自编码通过有监督和无监督学习相结合的方式训练网络，利用参数对照实验和网格搜索法确定网络结构并寻找最优参数，实现高水平特征的提取；

(7-3)使用SVR支持向量模型对高水平特征进行回归计算实现对电纺直写工作状态参数的模型预测控制；

(7-4)输出预测的电纺直写工作状态参数，工作状态参数包括；

(8)选取优化函数，以产物形貌作为性能指标，基于深度学习模型和系统条件、输入参数、反馈参数，预测未来电纺直写的输出序列下的系统响应，选取最优序列并输出下一时刻的过程控制参数，过程控制参数包括过程电压U(t)和过程供液速度Q(t)；

(9)电流检测器读取最新的纺丝电流并反馈给控制计算机；

(10)判断是否停止工作，若是，关闭供液器和高压电源；若否，步骤(8)中的将过程电压U(t)和过程供液速度Q(t)的值提供给纺丝喷头并返回步骤(7)。滚动优化，基于纺丝电流的反馈值不断调整高压电源和供液器的调整控制参数，实现对多纺丝喷头电纺直写过程的稳定控制，滚动优化策略弥补外部因素引起的不确定性，装置具有较好的动态性能。

步骤(7)中，运用搭建好的深度学习模型进行电纺直写系统参数辨识。在每一个采样时刻，基于电纺直写系统的工作参数(纺丝喷头数、内径、极间距等)、过去输入{U(k-j),Q(k-j)|j≥1}和未来输入{U(k+j-1),Q(k+j-1)|j＝1,2,...,m}(输入电压U、供液速度Q)、反馈参数{I(k-j)|j≥1}(纺丝电流I)，预测系统工作状态，求解产物形貌特征参数。以产物纳米纤维的形貌特征参数作为性能指标，找到下一时刻最优的控制参数U、Q。不断通过实际测到的输出信息对基于深度学习模型的预测输出进行修正，利用反馈信息，构成闭环动态优化。

如图4中，使用X代表输入层的数据集的参数，即当前多射流电纺直写装置的工作特征值，包括纺丝电流参数、溶液参数、预期纳米纤维参数、外界参数、系统参数。

代表叠加噪声后的数据集，h代表隐藏层数据。

本发明中，在堆栈稀疏降噪自编码网络的隐藏层引入稀疏项限制，用于抑制隐藏层较小神经元的输出。具体的，引入ρ称为稀疏性参数，用于衡量ρ与

之间的差别，两者明显不同时，就会进行惩罚，从而来对隐藏层神经元进行抑制。隐藏层的平均激活的数据表示为：

表示在输入数据为x的情况下，隐藏神经元j的激活度。为了使得平均激活度为一个比较小的值，引入了相对熵(KL divergence)，KL表达式为：

无稀疏约束的损失函数表达式为：

在隐藏层加上稀疏约束后，损失函数为：

本实施例中，使用堆栈稀疏降噪自编码网络的网络结构，有效降低网络对输入信号的敏感性，通过堆栈自编码的堆叠机制，将多个降噪自编码网络堆砌起来，获得神经网络学习数据中更加深入的特征，克服人工提取特征的盲目性以及维数过高导致的模型过于复杂。该网络经过训练后，在保证分类准确率和模型泛化能力的同时，能够克服人工提取特征的盲目性以及维数灾和模型复杂度过高等问题。对各网络层进行稀疏项限制，抑制隐藏层较小神经元的输出，降低隐藏层的维数，给出的是堆栈稀疏降噪自编码网络的网络结构，是在自编码神经网络的基础上建立。

在堆栈稀疏降噪自编码网络获得高水平特征后，通过估算模型的支持向量回归(SVR)模型实现下对多射流电纺直写工作状态参数的预测时，具体的：

SVR非线性回归函数表示为：

其中κ(x_i,x_j)为核函数，且

本实施例中采用粒子算法(PSO)寻找SVR最优解，通过数百次迭代，对高水平数据进行回归计算，提高SVR模型的精度，预测多射流电纺直写装置工作状态参数。

本实施例中为使结构风险最小，根据最大间隔理论，构建最优化问题，选用的最优化函数为

深度学习控制系统不克服了电纺直写过程物理模型复杂的问题，深度学习控制系统使用时，获取不同实验条件下，纳米纤维形貌和与之对应的纺丝电流、温度、湿度等参数，通过数据预处理和数据可视化等操作实现数据净化。之后通过堆栈稀疏降噪自编码网络获得参数的高水平特征，最后通过估算模型的支持向量回归(SVR)模型实现下对多射流电纺直写工作状态参数的预测。

控制计算机输出命令对直流高压电源的输出电压和供液器进给量进行调整，克服各种干扰因素的影响，实现长时间稳定喷射以获得直径可控的纳米纤维。控制计算机中设有基于深度学习的预测控制系统，使用搭建好的深度学习模型进行电纺直写系统参数辨识，基于电纺直写系统的工作参数(纺丝喷头数、内径、极间距等)、过去输入和未来输入(输入电压U、供液速度Q)、反馈参数(纺丝电流I)，预测系统工作状态，求解产物形貌特征参数。以产物的形貌特征参数作为性能指标，计算出电纺直写系统未来一段时间的最优控制参数，得到供液流速和施加电压的调节量，；通过控制信号线将深度学习系统的计算输出到供液器和直流高压电源，以调其供液流速和施加电压，以保持纺丝射流的长时间稳定喷射，提高直写纳米纤维的均匀性。

需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (9)

1.一种多射流电纺直写深度学习控制系统，其特征在于，包括：

储液槽，为电纺直写过程提供溶液；

多个纺丝喷头，作为溶液的喷射通道，形成多射流；

供液器，供液器将储液槽中的溶液输送至纺丝喷头；

高压电源，正极连接纺丝喷头，负极接地；

收集板，设于纺丝喷头的下方，纺丝喷头喷射的溶液在收集板和纺丝喷头之间形成纳米纤维，用于收集纳米纤维；

电流检测器，电流检测器的电流输入端与收集板连接，电流输出端接地，用于检测纺丝电流；

环境传感器，用于检测收集板和纺丝喷头之间的环境参数；

数据采集器，数据采集器的信号输入端与环境传感器、电流检测器的信号输出端连接；

控制计算机，数据采集器的信号输出端连接控制计算机的信号输入端，控制计算机的信号输出端与高压电源的信号输入端、供液器的信号输入端连接，所述控制计算机根据其信号输入端的输入信号得到当前电纺直写工作状态，并基于深度学习模型预测电纺直写未来工作状态，选取最优控制参数调整高压电源所提供的电压和供液器的供液速度；

深度学习模型包括堆栈稀疏降噪自编码网络和SVR支持向量模型，堆栈稀疏降噪自编码网络针用于提取数据集中的高水平特征，数据集包括初始纺丝电流、初始电压和初始供液速度、外界环境参数、系统参数和溶液参数，系统参数包括纺丝喷头个数、内径、纺丝喷头与收集板间距，溶液参数包括溶液种类、溶液导电率、溶液粘度和溶液浓度。

2.如权利要求1所述的多射流电纺直写深度学习控制系统，其特征在于，所述环境传感器包括温度传感器和湿度传感器。

3.如权利要求1所述的多射流电纺直写深度学习控制系统，其特征在于，控制计算机设有人机交互界面，人机交互界面用于纳米纤维直径、溶液种类、溶液导电率、溶液粘度、溶液浓度参数的设定。

4.如权利要求1所述的多射流电纺直写深度学习控制系统，其特征在于，所述纺丝喷头为针头或螺杆电线电极无针喷头，纺丝喷头数量为m，m为大于或等于1的任一自然数。

5.如权利要求1所述的多射流电纺直写深度学习控制系统，其特征在于，所述供液器同时为多个纺丝喷头供液使得多个纺丝喷头同时喷射溶液。

6.一种如权利要求1-5任一所述的多射流电纺直写深度学习控制系统的控制方法，其特征在于，包括以下步骤：

（1）环境传感器获取外界环境参数，外界环境参数包括温度和湿度；

（2）控制计算机的人机交互界面设定预期纳米纤维直径和系统参数，系统参数包括纺丝喷头个数、内径、纺丝喷头与收集板间距；

（3）控制计算机的人机交互界面设定溶液参数，溶液参数包括溶液种类、溶液导电率、溶液粘度和溶液浓度；

（4）控制计算机根据输入的外界环境参数、预期纳米纤维直径、系统参数和溶液参数进行参数的初始化设定，得到初始控制参数，初始控制参数包括初始电压和初始供液速度；

（5）控制计算机控制供液器开启，按初始供液流速对纺丝喷头输送溶液；

（6）控制计算机控制高压电源开启，按初始电压对纺丝喷头提供电压；

（7）控制计算机控制预测电纺直写的工作状态；

（8）选取优化函数，以产物形貌作为性能指标，基于深度学习模型和系统条件、输入参数、反馈参数，预测未来电纺直写的输出序列下的系统响应，选取最优序列并输出下一时刻的过程控制参数，过程控制参数包括过程电压和过程供液速度；

（9）电流检测器读取最新的纺丝电流并反馈给控制计算机；

（10）判断是否停止工作，若是，关闭供液器和高压电源；若否，将步骤（8）中的过程电压和过程供液速度的值提供给纺丝喷头并返回步骤（7）；

所述控制计算机预测电纺直写工作状态包括如下步骤：

（1）初始纺丝电流、初始电压和初始供液速度、外界环境参数、系统参数和溶液参数形成一数据集；

（2）使用堆栈稀疏降噪自编码网络提取数据集中的高水平特征；

（3）使用SVR支持向量模型对高水平特征进行回归计算实现对电纺直写工作状态参数的预测；

（4）输出预测的电纺直写工作状态参数。

7.如权利要求6所述的控制方法，其特征在于，所述数据集包括n个参数，所述堆栈稀疏降噪自编码网络包括输入层、n+1个隐藏层和输出层，n+1个隐藏层之间通过堆栈自编码的堆叠机制依次堆砌，所述数据集的参数输入至输入层，经过n+1层隐藏层后由输出层输出高水平特征。

8.如权利要求7所述的控制方法，其特征在于，所述堆栈稀疏降噪自编码网络还包括叠加噪声层，所述叠加噪声层用于对输入层的参数叠加噪声，输入层的数据经由叠加噪声层叠加噪声后传给隐藏层。

9.如权利要求8所述的控制方法，其特征在于，每个隐藏层均进行稀疏项限制，用于抑制隐藏层较小神经元的输出。

Images