[发明专利]一种利用微波诱导的4D打印机及其应用

权利要求书

1.一种利用微波诱导的4D打印机的应用，其特征在于，所述的4D打印机包括打印笛卡尔坐标驱动单元、物料挤出单元、微波场输出单元、微波场防泄漏单元、控制单元(13)；其中，物料挤出单元包括料筒、料筒微波屏蔽套筒(7)、微波屏蔽打印喷头(6)；微波场输出单元包括微波固态源(1)、旋转天线涂布棒(3)；微波场防泄漏单元包括固定微波屏蔽罩(4)、X轴移动微波屏蔽罩(8)、Z轴移动微波屏蔽罩(5)；控制单元(13)包括微波输出功率控制器、测温装置和温度控制器；

利用所述的4D打印机对食品物料进行4D打印，具体包括：

(1)根据待打印物料的流变特性及种类选择适合的打印参数及微波屏蔽打印喷头(6)的直径；

(2)设定微波场输出单元的微波输出功率、诱导自发变化处理时间；

(3)根据打印模型对待打印的物料进行4D打印。

2.根据权利要求1所述的一种利用微波诱导的4D打印机的应用，其特征在于，所述的物料挤出单元中，料筒微波屏蔽套筒(7)为304不锈钢中空结构，可将料筒置于其中并屏蔽微波场；微波屏蔽打印喷头(6)为304不锈钢结构，可与料筒通过螺口连接，其喷嘴直径可选，分别为Φ0.8、1.2、1.5mm。

3.根据权利要求1所述的一种利用微波诱导的4D打印机的应用，其特征在于，所述的微波场输出单元设置于4D打印机外部；其中，微波固态源(1)电源功率为500VA、220V/50Hz，输出频率为2450MHz，可实现功率20-200W连续线性可调；旋转天线涂布棒(3)为微波输出装置，位于固定微波屏蔽罩(4)侧面，确保为打印物件所在的微波屏蔽仓内提供稳定、均匀的微波场，微波固态源(1)产生的微波能通过同轴电缆(16)传输至旋转天线涂布棒(3)。

4.根据权利要求1所述的一种利用微波诱导的4D打印机的应用，其特征在于，所述的微波场防泄漏单元均为304不锈钢材质，其中，固定微波屏蔽罩(4)被固定在4D打印机底座上；Z轴移动微波屏蔽罩(5)固定于4D打印机X轴移动滑杆(11)上，可随X轴移动滑杆(11)移动；X轴移动微波屏蔽罩(8)固定于物料挤出单元滑块(10)上，并与物料挤出单元同时可延X轴移动；不同屏蔽罩之间采用抗流防微波泄漏结构，1mw/cm²，避免微波泄露对其它单元的影响和对操作人员造成伤害。

5.根据权利要求1所述的一种利用微波诱导的4D打印机的应用，其特征在于，所述的控制单元(13)中的微波输出功率控制器可实现微波输出功率20-200W连续、线性、精确可调；测温装置(17)采用红外在线测温传感器，可实时显示打印工件的温度，测温范围为0-500℃；控制单元(13)与测温装置(17)和微波固态源(1)连接，可实现在控制范围温度内调控微波固态源的微波输出。

6.一种利用微波诱导的4D打印机的应用，其特征在于，对食品物料进行4D打印的过程中，建立微波诱导的自发形变、色变、香变的预测模型，具体如下：

(1)微波场中打印物件的温度模型：根据电磁波动方程和热传导方程计算微波场中每层打印物件的温度，根据下述公式计算温度T的值：

其中，P为微波场中打印物件所接收到的功率；ε₀为电磁波在真空中的相对介电常数；ε″为打印物料的介电损耗因子；E为电场强度；ω为角频率；ρ为打印材料密度，c_p为打印材料的比热容；T为打印物件的温度；t为时间；k为打印材料的热导率；f为微波源产生的微波频率；

(2)形变模型：采用Matlab工具，并调用BP神经网络模块建立三层BP神经网络模型；算法参数设置：隐藏层数10，训练方法为Levenberg-Marquardt；设定输入层为(1)求导出的物件温度和微波加热时间；输出层为形变弯折角度；将选取的训练样本输入到BP神经网络中，对BP神经网络进行训练，将BP神经网络的输出值与实测值进行对比，直到BP神经网络训练的均方误差达到要求，确定BP神经网络各层的权值和阈值；

(3)色变模型：采用Matlab工具，并调用BP神经网络模块建立三层BP神经网络模型；算法参数设置：隐藏层数10，训练方法为Levenberg-Marquardt；设定输入层为(1)求导出的物件温度和微波加热时间；输出层为相较于原始颜色的Lab色差值；将选取的训练样本输入到BP神经网络中，对BP神经网络进行训练，将BP神经网络的输出值与实测值进行对比，直到BP神经网络训练的均方误差达到要求，确定BP神经网络各层的权值和阈值；

(4)香变模型：采用Matlab语言编程，并调用BP神经网络模块建立三层BP神经网络模型；算法参数设置：隐藏层数10，训练方法为Levenberg-Marquardt；设定输入层为(1)求导出的物件温度和微波加热时间；输出层为GC-MS测定的目标风味物质的信号值；将选取的训练样本输入到BP神经网络中，对BP神经网络进行训练，将BP神经网络的输出值与实测值进行对比，直到BP神经网络训练的均方误差达到要求，确定BP神经网络各层的权值和阈值。