三維紋理模板的制作方法

專利名稱：三維紋理模板的制作方法
技術領域：
本發明涉及一種三維紋理模板的制作方法。
背景技術：
作為森林的組成部分—木材，是傳統的材料，一直為人類所利用。隨著自然資源和人類需求發生變化和科學技術的進步，木材的利用越來越廣泛。如，木質材料在建筑、家具、包裝、鐵路等領域發揮著巨大的作用。在不可再生資源日益枯竭、人類社會正在走向可持續發展的今天，木材及復合材料以其特有的固碳、可再生、可自然降解、美觀和調節室內環境等天然屬性，以及強度-重量比高和加工能耗小等加工利用特性，將為社會的可持續發展做出顯著貢獻。
如何更好地利用這些特性和最大限度地節約資源，以及從樹木的遺傳學角度認識和改良木材的基本特性是木材科學家和工程技術專家長期努力解決的主要問題。目前，國內外專家學者主要是從以下方面開展對木材的研究●用生物學理論研究樹木生長的技術問題，重點研究木材材質、材性與生物形成和加工利用的關系。重點研究分子遺傳標記、木素基因轉移、木素形成基因分離和克隆、木材主要性質的基因定位、木材纖維分子數量遺傳學等遺傳改良技術，提高木材基本性質的遺傳穩定性；研究樹木立地條件、初植密度、施肥、間伐、修枝等樹木生長改良條件對木材性質和質量的影響；研究木材生長應力的形成和釋放；以及研究開發立木染色和方形樹的培育技術。
●運用先進的科學理論和方法，深入研究木材的微觀結構、成分及其與性能的關系，為開發新的生物材料奠定科學基礎。重點研究領域有人工林木材的幼齡材與天然林木材的成熟材的比較生物學、比較解剖學、比較物理學、比較化學和比較力學；植物材料的基本特性與細胞壁超微結構的關系；●木結構工程學(wood engineering)深人研究木質材料的性質(property)和行為(performance)之間的關系。重點研究木結構的振動、疲勞、接合和老化性，如木棚破壞機理及木質結構材料的強度預測；木質材料的天然耐久性和蠕變性；木材的彈塑性變形與強度；木構件連接強度與應力應變關系；木材機械連接結構性能；木刺膠合構件的連結方法；鋼筋與膠合木梁連接性能；木構件結合部位的耐火性能；木結構耐久性因素在地震條件下的行為；鋁箔蜂窩夾芯膠合板作為輕體絕緣天花板的性能；大型木構件燃烷性能和承載性能。
●木基復合材料學，木材是天然材料，使用范圍受自身物理力學性質的限制。木板、木條、單板、刨花或纖維等木材組元與有機高分子、無機非金屬或金屬等增強體或功能體復合組成木基復合材料，包括木材/橡膠層積復合地板、木材單板/玻璃纖維/鋁三元復臺材料、石膏刨花板、水泥刨花板、木纖維/合成纖維復禽材料、注塑型木粉/塑料復合材料、木質導電材料和木材陶瓷等。這些木基復合材料具有原始木材所不具備的新的物理力學性能。當前的研究重點是木基復合材料的成分、結構、工藝、性質和行為之間的關系以及界面特性，按照產品最終用途要求的性能進行材料設計和制造。
●研究開發木塑復合材料，如合成高分子/木粉(木材纖維、木材刨花、木材單板)等復合材料的目標是降低成本、增加柔性和可循環利用性、加工性、靈活設計性和提高強度。研究領域有木材/高分子復合材料的阻尼特性以及相溶劑和偶聯劑對復合材料的二次力學性能的影響；利用超臨界流體處理技術和等離子體處理技術提高木材/塑料界面反應性能；應用反向氣相色譜，研究控制木材纖維/高分子復合材料界面結構和性質的基本物理化學參數，利用紫外光、鉆60輻照源、廬射線和y射線使高分子單體與木材發生交聯反應，研究木材與其他材料的復合制造理論和性能評價。
●木基復合材料研究的另一個前沿是木質材料的功能化，大致可分為填充、混雜、復合和表面覆蓋等方法，如將導電性填料填充到木材中，將導電性短纖維與木材纖維或木粉混雜和復合。還可將導電性纖維與木纖維混雜成功能紙，使紙張的全部、外表面或內部成為連續相乎面選擇性導電材料。增加木質板材產品的附加值，在室內裝修、辦公用家具、公共湯所等應用領域有廣闊的前景。
●木材陶瓷是用木質材料與熱固性樹脂制成的復合材料在高溫絕氧條件下燒結而成的多孔性碳素材料，具有新的功能。木材陶瓷的燒結溫度和溫升速度與其力學性質的關系。
●木質重組材，隨著大徑級木材的減少和木材使用性能要求的提高，原始木材的天然特性難以滿足需要。將木材加工成木板、木條、單板、刨花或纖維等組元，利用現代技術將木材組元重組為新型木質材料，如膠合木梁、單板層積材、定向成材、膠合板、重組裝飾薄木、單板層積中空圓柱材、定向刨花板、刨花板和纖維板等，這種木質重組材料具有原始木材所不具各的幾何性能、同一性、均勻性和曲面成形性。木質重組材料研究的重點是生產過程最優化，對定向刨花板的板坯鋪裝進行計算機模擬，建立性能預測數學模型，由性能/成本比來決定生產工藝和原材料的選用；木質重組材料正在取代大斷面實木部件，其主要工程性能(如強度和耐久性)除了與木材組元有關外，還與膠粘物質的自身性質和固化狀態有關，應用碳13CP/MAS/NMR，可有效地揭示木材/膠粘劑膠合界面的分子結構和已固化膠粘劑的動力學特性；建Nonte Carlo模型，深化對大片刨花板板坯內部結構和相關性能的了解；應用復合材料理論預測木質重組材料的強度和韌性；改善木質重組材料的耐火性、強度和尺寸穩定性。
●木制品先進制造技術在傳統的木材機械加工學基礎上，不斷吸收機械、電子、信息及現代化管理技術等領域的成果，學科延伸擴大到木制品產品設計、制造、生產、檢測、管理和服務等全過程，廣泛采用機器人、計算機輔助設計、計算機輔助制造、計算機數控加工中心、敏捷制造技術、柔性生產技術等先進制造技術。以計算機支持的仿真技術為前提，對木制品的設計、加工、裝配等全過程進行統一建模。在產品設計階段，實時、并行地模擬出產品未來的制造全過程及其對產品設計的影響，預測產品的性能、產品生產技術、產品的可制造性，從而更有效、更經濟、柔性靈活地組織生產，使工廠和車間的設計與布局更合理、更有效，以達到產品的開發周期和成本的最小化、產品設計質量的最優化和生產效率最高化。對滿足未來市場多樣化和個性化消費對小批量多品種產品的需要具有重要意義。
綜上所述，對木材及復合材料的研究取得了令人滿意的研究及成果。但遺憾的是一些高技術或高附加值的研究成果大多數都在實驗室階段或沒有應用到市場上去。單就人造板產品市場情況看，目前此種產品花色有木紋或其它圖案貼面、熱轉印及稍有凸凹感的紋理表面組成。這種產品看上去不免有些呆板而無生氣。與此同時，我國的建筑裝飾裝修業、家具制造業一直是促進我國國民經濟和社會發展的重要產業之一。木質裝飾板材作為裝飾裝修和家具生產的主要材料，市場需求十分巨大，對產品的數量、品種和質量也不斷提出新的要求。木基復合裝飾材料是一種新型木質裝飾材料，是天然珍貴樹種木材的替代產品，未來木質裝飾材料的發展方向。同時，全球森林資源的銳減，帶來了生態環境的惡化。為此，保護天然林資源，大力發展人工林資源，開辟人工林木材高效利用的途徑，勢在必行。

發明內容
本發明克服了現有技術中的不足，提供一種三維紋理模板的制作方法。
本發明解決其技術問題所采取的技術方案是包括以下步驟1)翻模利用模板硅膠將目標樣本拓成與目標樣本反向的模型，經過4～8個小時定型后，將模型取下并進行整理、修改待用；2)消除內應力反向硅膠樣本模型浸泡在溫度為15～30℃的包含丙酮的溶液中20～30分鐘，其混合比丙酮∶水為1∶2.5～1∶3.5；3)表面凈化將硅膠樣本模型放入溫度為50～55℃的有機混合溶液中30～40分鐘后，取出后再用清水漂洗、烘干；4)表面電導在硅膠樣本模型表面形成一層有催化活性的金屬層，為下一步電沉積過程做準備；5)電沉積以上述硅膠樣本模型作為陰極，并將其置于電沉積槽中進行金屬電沉積，使硅膠樣本模型的外表沉積金屬外殼，形成模板。
所述表面電導過程可以包括a)表面吸附，將硅膠樣本模型浸入到15～25℃的還原劑溶液中3～5分鐘，并在溶液中不斷抖動，使其表面吸附均勻；b)附著導電金屬層把經過表面吸附處理的硅膠樣本模型浸入到15～25℃含氧化劑的溶液中10～20分鐘，使硅膠樣本模型表面形成一層有催化活性的金屬層；c)解膠將上述硅膠模板在15～25℃的化學還原溶液中浸泡20s～30s，將殘留在硅膠樣本模型表面的電導液通過還原去除。
所述電沉積過程可以包括以下步驟I.初步電沉積將上述硅膠樣本模型經過36～48小時的電沉積后取出，使硅膠樣本模型外表沉積了厚度為1.5～2mm的外殼，形成模板，所采用的每1L電沉積液中，包括氨基磺酸鎳Ni(NH2SO3)2.4H2O 200～400g；氨基磺錳Mn(NH2SO3)2.2H2O20～60g、氯化鎳NiCl2.6H2O 15～25g；硼酸H3BO3 30～40g，并在電沉積過程中采用機械或空氣攪拌；
II.脫模除去原有的硅膠樣本模型，并對模板進行打磨、平整等整形處理，再經過除油以及水洗后，將原有鍍層面正面使用不導電材料覆蓋密封，待用。
III.二次電沉積將上述模板再次浸入電沉積槽中進行電沉積，采用與步驟I初步電沉積相同的方法來進行，用電沉積的溶液采用150～300g/L硫酸銅，時間為6～8小時，其背面沉積一層銅，使模板厚度達3～5mm之間，并在電沉積過程中采用機械或空氣攪拌。
所述每次電沉積可采用同一方法，且每一個電沉積過程包括以下步驟A.模塊，用于輸入金屬電沉積過程中沉積槽內溶液的各項參數，包括濃度、溫度、pH值、攪拌速度、電流密度；B.口引擎模塊，用于傳遞上述參數數據和做運算前的準備；C.后臺運算模塊，通過神經元網絡模型的非線性逼進法計算出各項參數調整值；D.輸出模塊，輸出運算后的結果，并控制設備控制將運算結果轉變為量化的控制。
所述后臺運算模塊可采用Matlab作為后臺運算引擎，所述后臺運算模塊還包括以下過程i.準化處理過程；ii.通過神經元網絡法進行運算過程；所述接口引擎模塊還包括一個開辟數據緩沖區模塊、一個數據格式轉換模塊和一個運算文件的調用模塊，上述三個模塊次序不分先后；所述參數輸入模塊還包括一個參數校驗和控制模塊，所述參數校驗包括參數定義域控制模塊、參數步長控制模塊、數據格式控制模塊，且上述三模塊順序不分先后；所述模塊輸入模塊中包括控制信息和數據信息，并負責對輸入的各項參數進行校對；所述參數輸入模塊還包括一個輸入方式的詢問過程，通過不同的輸入方式，進入不同的輸入模塊，所述輸入方式中包括至少三個輸入模型。
所述步驟3)表面凈化過程中，所述有機溶液可包括以下成份，在每1L溶液中包括氫氧化鈉20～30g；碳酸鈉30～40g；磷酸鈉20～30g，OP乳化劑1～30mL。
所述步驟a)表面吸附過程中，在每1L所述還原劑中，可包括氯化亞錫10～30g；37％的鹽酸40～50mL，所述步驟c)解膠過程中次亞磷酸鈉溶液的濃度為10～30g/L。
所述步驟b)附著導電金屬層步驟，每1L所述氧化劑中可包括硝酸銀1.5～2.0g，27％氨水的1～30mL。
所述電沉積過程中的步驟III二次電沉積中，電沉積溫度可為20～50℃，電流密度可為2～20/A.dm2。
本發明通過翻模、消除內應力、表面凈化、表面電導、電沉積過程，能夠根據目標樣本的外形、紋路等制成相應的金屬模板，采種這種方法制成的模板，立體感強、強度高，能夠將天然木材或其他目標樣本的三維結構生成標準模板，并能夠廣泛應用于塑料制品、橡膠制品的制造領域，通過各種復合材料或合成材料，如將木基復合板材通過使用本發明中所制成的模板，仿制成類似實木型態的產品，大大了降低了對木材資源的消耗，也有效地保護了生態環境。或其他型態此外，所述電沉積過程，采用基于神經元網絡進行實時控制的方法，通過將金屬沉積槽中的各項參數實時的采集到系統中，再通過后臺運算模塊計算出當前沉積槽內需要調節的各項參數的量，再通過輸出模塊對各項參數進行調節。因此，本發明全面地把握了金屬沉積槽中溶液的濃度、溫度、pH值、攪拌速度、電流密度與其金屬沉積的品質和補充各種溶質的復雜非線性關系，得到品質穩定、均勻的金屬模板。


圖1為本發明中電沉積過程的的控制原理示意2為本發明中電沉積過程的的控制流程3為本發明中電沉積過程的參數輸入模塊的示意4為本發明中電沉積過程的接口引擎模塊的流程5為本發明中電沉積過程的標準化處理過程的示意6為本發明中電沉積過程的標準化處理過程中運算過程的示意7為本發明中電沉積過程的神經元網絡運算過程的示意8為本發明中電沉積過程的運算結果性能評估的線性回歸圖
具體實施例方式
本發明提供一種三維紋理模板的制作方法，是經過如下步驟來實現的1、翻模利用模板硅膠將目標樣本拓成與原目標樣本反向的硅膠樣本模型，經過6個小時的定型后，將硅膠樣本模型取下，對其紋路和形狀進行整理、修改待用。
2、消除內應力將整理后的反向硅膠樣本模型浸泡在溫度為20℃的包含丙酮的溶液中25分鐘，其混合比丙酮∶水為1∶3。
3、表面凈化將目標樣本放入溫度為50℃的含氫氧化鈉、碳酸鈉、磷酸鈉、OP乳化劑的有機混合溶液中30分鐘后，取出清水漂洗、烘干，其中在1L的混合溶液中含有氫氧化鈉20g，碳酸鈉30g，磷酸鈉20g，OP乳化劑30mL。
4、表面吸附將經過上述三道工藝處理后的目標硅膠樣本模型放入25℃的含氯化亞錫和鹽酸的混合溶液中5分鐘，其中在1L的混合溶液中含有氯化亞錫SnCl2.2H2O 30g，37％鹽酸50mL，這一過程要求硅膠樣本模型在溶液中不斷抖動，使其表面均勻。其目的是使硅膠樣本模型的表面吸附一層還原劑，當硅膠樣本模型從溶液中取出時，吸附的Sn2+離子水解形成Sn(OH)Cl凝膠膜而附著在硅膠樣本模型的表面，其反應方程式為。
5、表面電導將經過表面吸附的硅膠樣本模型放入含硝酸銀和氨水的混合溶液中，其溫度為25℃，時間為20分鐘，其中在1L的混合溶液中硝酸銀含有1.5～2.0g，27％氨水30mL。其目的是把表面帶有還原劑的硅膠樣本模型浸入到含氧化劑的溶液中，使硅膠樣本模型表面形成一層有催化活性的金屬層。其反映過程為(1)氧化反應；(2)還原反映；(3)總反映。
6、解膠將經過表面電導處理的硅膠樣本模型經水洗后還需放入含有30g/L次亞磷酸鈉的化學還原溶液中浸泡，浸泡過程中溶液溫度為25℃，浸泡時間為30s，目的是將殘留在硅膠樣本模型表面的表面電導液通過還原去除。然后用蒸餾水沖洗干凈，再烘干待用。
7、金屬電沉積將經過解膠處理后的模板放入金屬沉積槽內作為陰極，槽內放入氨基磺酸鎳Ni(NH2SO3)2.4H2O 400g；氨基磺錳Mn(NH2SO3)2.2H2O 60g、氯化鎳NiCl2.6H2O 25g；硼酸H3BO340g，在整個金屬電沉積過程中，采用了一種基于神經元網絡進行實時控制的方法，保持溶液的溫度、濃度、PH值、過濾程度、流速、電流密度等參數的恒定，且能夠自動補充電沉積所需的各種溶液，并在電沉積過程中采用機械或空氣攪拌，經過48小時后，將模板取出，這時，硅膠樣本模型的外表沉積了厚度為2mm的外殼，即模板，采用這種電沉積液制成的錳鎳合金模板，硬度高、性能穩定。
所述基于神經元網絡進行實時控制的方法，運用Matlab作為后臺運算引擎，以神經元網絡模型計算出當前需要調整的各參數的量值，通過輸出模塊將這一運算的結果輸出，首先將采集到的上述金屬電沉積槽中溶液的各項參數，包括濃度、溫度、pH值、攪拌速度、電流密度等數據信息經過輸入方式的詢問后，激活相應的參數輸入模塊，將參數輸入后，經過對輸入參數的校驗，再通過接口引擎模塊對數據的相應處理后，經后臺運算模塊，即運用Matlab作為后臺運算引擎，以神經元網絡模型計算出當前需要調整的各參數的量值，最后通過輸出模塊將這一運算的結果輸出，再由相應的控制設備將得到的運算結果轉化為對電沉積槽中各項參數的量化控制，從而完成對整個金屬電沉積過程的實時監測和控制。例如，當溶液溫度降低時，通過溫度采集器采集到當前的溫度值，經過上述計算過程得出需要調整的溫度值后，由溫度控制器對溶液進行加溫，當溶液中某種溶質的配比降低時，通過濃度采集器采集到當前該種溶質的濃度，經上述計算過程得出需要補充的該溶質的量值，最后由液體補充控制器完成對該種溶液的補充。由于這種檢測和控制的過程是實時進行的，從而保證了電沉積溶液中各項參數的持續穩定，也就保證了金屬電沉積的質量，使制作出的三維紋理模板具有優良的品質與特性。其具體步驟如下1)參數輸入模塊，用于輸入金屬電沉積過程中沉積槽內溶液的各項參數，包括濃度、溫度、pH值、攪拌速度、電流密度；2)接口引擎模塊，用于傳遞上述參數數據和做運算前的準備；3)后臺運算模塊，通過神經元網絡模型的非線性逼進法計算出各項參數調整值；4)輸出模塊，輸出運算后的結果，并控制設備控制將運算結果轉變為量化的控制。
所述輸入方式的詢問模塊，如圖1、2所示，通過對輸入類型參數i的詢問和判定，判斷出不同的輸入方式，再進入三種不同模型的輸入模塊，即模型I輸入模塊、模型II輸入模塊和模型III輸入模塊，經這一詢問模塊后并激活相應輸入模塊后，則進入參數輸入模塊。
所述參數輸入模塊，如圖3所示，是將數據采集終端采集得到的控制信息、數據信息，包括沉積槽內的濃度、溫度、電流密度、pH值等傳感器的采集數據，通過該模塊與接口交互數據信息和與數據相關的控制信息，即進行參數定義域控制、參數步長控制、數據格式控制。其中參數定義域控制主要用于校正參數輸入，出錯處理，各定義域的初始設置由目標樣本數據確定，發生裝置工作前可專門定制其所需要的參數區間；參數步長控制用于更改參數微調按鈕的步長，便于使用；數據格式控制是在輸入數據時選擇幾位有效數字和何種科學計數方法。控制信息和數據信息在輸入模塊內部的通信是透明的，可以自由選擇和分別輸入控制信息和數據信息，二者永遠保持同步。
所述接口引擎模塊，如圖4所示，由于本實施例中采用的是專門的數學運算軟件Matlab作為其后臺運算和分析的工具，因此首先要設置一個用于前端和后臺Matlab通信的模塊，即Matlab接口引擎。具體說來，就是將輸入的參數信息通過Matlab與界面開發程序的接口送入到Matlab工作空間，參與計算，運算結束后能把運算結果以合適的數據格式返回，同時，提供一系列網絡性能和訓練結果分析的圖表。接口引擎模塊包括一個開辟數據緩沖區模塊、一個數據格式轉換模塊和一個運算文件的調用模塊，上述三個模塊次序不分先后。Matlab接口引擎的主要流程包括開啟Matlab引擎、參數數據格式轉換、參數由用戶界面到后臺Matlab的傳送以及適宜大小的緩沖區的開辟。
所述后臺運算模塊還包括標準化處理模塊和神經元網絡運算模塊，即在進入真正的運算網絡之前，輸入樣本數據要進行運算先和運算后的標準化處理，處理方式如圖5所示，對于輸入樣本數據的值域區間進行標準化處理，通過標準化處理后將輸入向量和目標輸出向量量化為零均值和偏差為1的標準向量。下面是通過零均值和偏差型函數的實現過程。
＝prestd(p，t)參數意義 p網絡輸入向量t目標輸出向量pn 量化后的輸入向量meanp輸入向量的均值stdp 輸入向量的偏差tn 量化后的目標輸出向量meant目標輸出的均值stdt 目標輸出的偏差具體的標準化過程如圖6所示。下面給出標準化處理器的運算環節
mean(P′)=mean(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ)]]>=[Σi=1i=QpliQΣi=1i=Qp2iQΛΣi=1i=QpRiQ]1×R]]>std(P′)=std(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ)]]>=[(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]1×R]]>Pn=(P-meanp×oneQ)·/(stdp×oneQ)]]>
std(P′)=std(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ-Σi=1i=Qp1iQΣi=1i=Qp2iQΣi=1i=QpRiQR×1×[11Λ1]1×Q))·/((1Q-1Σi=1Q(p1i-1QΣi=1Qpli)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12R×1×[11Λ1]1×Q)]]>-p11-Σi=1i=Qp1iQp12-Σi=1i=Qp1iQΛp1Q-Σi=1i=Qp1iQp21-Σi=1i=Qp2iQp22-Σi=1i=Qp2iQΛp2Q-Σi=1i=Qp2iQMMMpR1-Σi=1i=QpRiQpR2-Σi=1i=QpRiQΛpRi-Σi=1i=QpRiQ·/(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12Λ(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12MMM(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)3)12(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)14Λ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]]>
=p11-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12p12-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12Λp12-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12p21-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12p22-Σi=1i=Qp21Q(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λp2Q-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12MMMpR1-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12pR2-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12ΛpRQ-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-Σi=1QpRi)2)12]]>mean(T′)=mean(t11t21ΛtS1t12t22ΛtS2MMMt1Qt2QΛtSQ)]]>=[Σi=1i=QtliQΣi=1i=Qt2iQΛΣi=1i=QtSiQ]1×S]]>
std(T′)=std(t11t21ΛtS1t12t22ΛtS2MMMt1Qt2QΛtSQ)]]>=[(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]1×S]]>Tn=(T-meant×oneQ)·/(stdt×oneQ)]]>(t11t21Λt1Qt12t22Λt2QMMMtS1tS2ΛtSQ-Σi=1i=Qt1iQΣi=1i=Qt2iQΣi=1i=QtSiQR×1×[11Λ1]1×Q))·/((1Q-1Σi=1Q(t1i-1QΣi=1Qtli)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12S×1×[11Λ1]1×Q)]]>-t11-Σi=1i=Qt1iQt12-Σi=1i=Qt1iQΛt1Q-Σi=1i=Qt1iQt21-Σi=1i=Qt2iQt22-Σi=1i=Qt2iQΛt2Q-Σi=1i=Qt2iQMMMtR1-Σi=1i=QtRiQtS2-Σi=1i=QtSiQΛtSi-Σi=1i=QtSiQ·/(1Q-1Σi=1Q(t12-1QΣi=1Qt12)2)12(1Q-1Σi=1Q(t12-1QΣi=1Qt12)2)12Λ(1Q-1Σi=1Q(t12-1QΣi=1Qt12)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12MMM(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)3)12(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)14Λ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]]>
=t11-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12t12-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12Λt12-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12t21-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12t22-Σi=1i=Qt21Q(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λt2Q-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12MMMtS1-Σi=1i=QtSiQ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12tS2-Σi=1i=QtSiQ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12ΛtSQ-Σi=1i=QtSiQ(1Q-1Σi=1Q(tSi-Σi=1QtSi)2)12]]>經過標準化處理器后，進入正式的神經網絡運算模塊，如圖7所示參照圖7神經網絡運算模塊該神經元網絡模塊中有Q個節點，R維輸入，S維輸出。神經元網絡輸入向量為P，神經元網絡隱含層的權值設為P’，該層每個神經元節點的帶權輸入是輸入向量和權向量之間的距離，即歐幾里德距離‖dist‖。‖dist‖是歐幾里德距離權函數，權函數把權重加到輸入矩陣上以得到帶權輸入矩陣。
對于dist(W，P)，W為S×R權矩陣，P為Q維輸入列向量矩陣，dist(W，P)返回S×Q維向量距離矩陣。
在該模型中將權矩陣W定義為P′，則dist(P′Q×R,PR×Q)]]>=dist(p11p12Kp1Rp21p22Kp2RMMMpQ1pQ2KpQR,p11p21KpQ1p12p22KpQ2MMMp1Rp2RKpQR)]]>=0d12d13Λd1Qd210d23Λd2Qd31d320Λd3QMMMMdQ1dQ2dQ3Λ0Q×Q]]>式中dij表示矩陣P′第i個行向量與矩陣P第j個列向量間的距離，因此對角線上的元素均為0。
進而將dist(P′，P)與b1作點乘，即dist=(P,P′)·*b10d12d13Λd1Qd210d23Λd2Qd31d320Λd3QMMMMdQ1dQ2dQ3Λ0·*b11b12Λb1Qb21b22Λb2QMMMbQ1bQ2ΛbQQ]]>
=0b12*d12b13*d13Λb1Q*d1Qb21*d210b23*d23Λb2Q*d2Qb31*d31b32*d320Λb3Q*d3QMMMMbQ1*dQ1bQ2*dQ2bQ3*dQ3Λ0Q×Q]]>在網絡隱含層每個神經元網絡輸入是其帶權輸入與其偏值之積，如上式所示，而每個神經元的輸出是網絡輸入的徑向基函數。
利用高斯核函數(Gaussian kernel function)作為基函數的形式，如下式所示uj=exp[-(X-Cj)T(X-Cj)2δj2]j=1,2,K,Nh]]>其中，uj是第j個隱層節點的輸出，X＝(x1，x2，K，xn)T是輸入樣本，Cj是高斯函數的中心值，δj是標準化常數，Nh是隱層節點數。其隱含層節點中的作用函數(核函數)對輸入信號將在局部產生響應，也就是說，當輸入信號靠近核函數的中央范圍時，隱層節點將產生較大的輸出，由此，這種神經元網絡具有局部逼近能力，所以徑向基函數網絡也成為局部感知場網絡。由上式可知，節點的輸出范圍在0和1之間，如果一個神經元的權向量與其輸入向量相等(轉置)，其帶權輸入將為0，當其網絡輸入為0，則輸出為1，且輸入樣本愈靠近節點的中心，輸出值愈大。
采用高斯基函數，具備如下優點1、表示形式簡單，即使對于多參數輸入也不增加太多的復雜性；2、徑向對稱；3、光滑性好，任意階導數存在；4、由于該基函數表示簡單且解析性好，因而便于進行理論分析經過基函數發生器，神經元節點輸出為a1，開始進入網絡線性層。在網絡線性層中首先要經過一個正規化處理器，然后再進入普通的線性神經元。在正規化處理器中，采用normprod函數來計算網絡的輸出向量n2。normprod是一個權函數，權函數將權重加到輸入矩陣上得到帶權矩陣。對于normprod(W，P)，W為S×R權矩陣，P為Q維輸入列向量矩陣，normprod(W，P)返回S×Q維正規化點積。
在該網絡中，將網絡線性層的權矩陣設為網絡的目標輸出TS×Q，即normprod(T,a1)]]>=normprod(t11t12Λt1Qt21t22Λt2QMMMtS1tS2ΛtSQ,a11aa21Λa1Qa21a22Λa2QMMMaQ1aQ2ΛaQQ)]]>
=Σj=1j=Qt1j*aj1Σj=1j=Qaj1Σj=1j=Qt1j*aj2Σj=1j=Qaj2ΛΣj=1j=Qt1j*ajQΣj=1j=QajQΣj=1j=Qt2j*aj1Σj=1j=Qaj1Σj=1j=Qt2j*aj2Σj=1j=Qaj2ΛΣj=1j=Qt2j*ajQΣj=1j=QajQMMMΣj=1j=QtSj*aj1Σj=1j=Qaj1Σj=1j=QtSj*aj2Σj=1j=Qaj2ΛΣj=1j=QtSj*ajQΣj=1j=QajQ]]>本發明所采用的神經元網絡運算是一個逼近器，只要隱單元足夠多，它就可以逼近任意M元連續函數且對任一未知的非線性函數，總存在一組權值使網絡對該函數的逼近效果最好。網絡第二層也有與網絡輸入和目標向量相同的神經元節點數，這里將第二層的權值矩陣設為目標向量矩陣T。
所述網絡輸出模塊，如圖1中的輸出模塊當網絡訓練結束之后，用sim函數來仿真神經元網絡的輸出，從而與目標輸出進行比較，來檢驗神經元網絡的性能。函數postreg利用了線形回歸的方法分析了神經元網絡輸出和目標輸出的關系，即神經元網絡輸出變化相對于目標輸出變化的變化率，從而評估了神經元網絡的訓練結果。
a＝sim(net，p)[m，b，r]＝postreg(a，t)
函數postreg返回了3個值，m和b分別表示最優回歸直線的斜率和y軸截距，當m等于1，b等于0的時候，神經元網絡輸出和目標輸出完全相同，此時的神經元網絡具有最優的性能。r表示網絡輸出與目標輸出的相關系數，它越接近于1，表示網絡輸出與目標輸出越接近，神經元網絡性能越好。函數postreg顯示的圖形中，橫坐標為目標輸出，縱坐標為網絡輸出，“o”表示數據，理想回歸直線(神經元網絡輸出等于目標輸出時的直線)由實線表示，最優回歸直線由虛線表示。
在神經元網絡輸出模塊中，分別給出各個輸出材性指標的用來衡量神經元網絡性能線性回歸圖形，輸出圖形如圖8所示，從仿真圖中可以看出其精度達到了98.999％。
最后將各項運算的結果再通過相應的控制設備，如溫度控制器、補充液體控制器等，對電沉積槽中的溶液進行相應的控制和調節，從而使金屬沉積槽中的溶液的各項參數保持穩定，保證金屬電沉積的質量。
8、將上述模板脫模，除去原有的硅膠樣本模型，并對模板進行打磨、平整等整形處理，整形后，模板已初具規模，再經過除油以及水洗后待用，所述除油和水洗可以采用上述步驟3中的方法來進行。
9、由于錳鎳合金造價較高，因此僅在第7步驟中沉積了1.5～2mm的鍍層，為了得到具有一定厚度、強度更高的金屬模板，將上述模板沉積有鍍層的正面用硅膠或石蠟密封，再浸入另一金屬沉積槽中，重復第7步驟的電沉積過程，其溶液中含有硫酸銅150～300g/L，溶液溫度為20～50℃，電流密度為2～20/A.dm2，時間為6～8小時，通過這一過程，將原模板背面沉積一層銅，使模板厚度達3.2～3.5mm之間，然后經過機械加工后得到完整的約3mm厚的三維紋理模板。
權利要求
1.一種三維紋理模板的制作方法，其特征在于包括以下步驟1)翻模利用模板硅膠將目標樣本拓成與目標樣本反向的模型，經過4～8個小時定型后，將模型取下并進行整理、修改待用；2)消除內應力將上述反向硅膠樣本模型浸泡在溫度為15～30℃的包含丙酮的溶液中20～30分鐘，其混合比丙酮∶水為1∶2.5～1∶3.5；3)表面凈化將硅膠樣本模型放入溫度為50～55℃的有機混合溶液中30～40分鐘后，取出后再用清水漂洗、烘干；4)表面電導在硅膠樣本模型表面形成一層有催化活性的金屬層，為下一步電沉積過程做準備；5)電沉積以上述硅膠樣本模型作為陰極，并將其置于電沉積槽中進行金屬電沉積，使硅膠樣本模型的外表沉積金屬外殼，形成模板。
2.根據權利要求1所述的三維紋理模板的制作方法，其特征在于所述步驟4)表面電導過程包括a)表面吸附，將硅膠樣本模型浸入到15～25℃的還原劑溶液中3～5分鐘，并在溶液中不斷抖動，使其表面吸附均勻；b)附著導電金屬層把經過表面吸附處理的硅膠樣本模型浸入到15～25℃含氧化劑的溶液中10～20分鐘，使硅膠樣本模型表面形成一層有催化活性的金屬層；c)解膠將上述硅膠模板在15～25℃的化學還原溶液中浸泡20s～30s，將殘留在硅膠樣本模型表面的電導液通過還原去除。
3.根據權利要求1或2所述的三維紋理模板的制作方法，其特征在于所述步驟5)電沉積過程包括以下步驟I.初步電沉積將上述硅膠樣本模型經過36～48小時的電沉積后取出，使硅膠樣本模型外表沉積了厚度為1.5～2mm的外殼，形成模板，所采用的每1L電沉積液中，包括氨基磺酸鎳Ni(NH2SO3)2.4H2O 200～400g；氨基磺錳Mn(NH2SO3)2.2H2O20～60g、氯化鎳NiCl2.6H2O 15～25g；硼酸H3BO3 30～40g，并在電沉積過程中采用機械或空氣攪拌；II.脫模除去原有的硅膠樣本模型，并對模板進行打磨、平整等整形處理，再經過除油以及水洗后，將原有鍍層面正面使用不導電材料覆蓋密封，待用。III.二次電沉積將上述模板再次浸入電沉積槽中進行電沉積，采用與步驟I初步電沉積相同的方法來進行，用電沉積的溶液采用150～300g/L硫酸銅，時間為6～8小時，其背面沉積一層銅，使模板厚度達3～5mm之間，并在電沉積過程中采用機械或空氣攪拌。
4.根據權利要求3所述的三維紋理模板的制作方法，其特征在于所述每次電沉積都采用同一方法，且每一個電沉積過程包括以下步驟A.參數輸入模塊，用于輸入金屬電沉積過程中沉積槽內溶液的各項參數，包括濃度、溫度、pH值、攪拌速度、電流密度；B.接口引擎模塊，用于傳遞上述參數數據和做運算前的準備；C.后臺運算模塊，通過神經元網絡模型的非線性逼進法計算出各項參數調整值；D.輸出模塊，輸出運算后的結果，并控制設備控制將運算結果轉變為量化的控制。
5.根據權利要求4所述的三維紋理模板的制作方法，其特征在于所述后臺運算模塊采用Matlab作為后臺運算引擎，所述后臺運算模塊還包括以下過程i.標準化處理過程；ii.通過神經元網絡法進行運算過程；所述接口引擎模塊還包括一個開辟數據緩沖區模塊、一個數據格式轉換模塊和一個運算文件的調用模塊，上述三個模塊次序不分先后；所述參數輸入模塊還包括一個參數校驗和控制模塊，所述參數校驗包括參數定義域控制模塊、參數步長控制模塊、數據格式控制模塊，且上述三模塊順序不分先后；所述模塊輸入模塊中包括控制信息和數據信息，并負責對輸入的各項參數進行校對；所述參數輸入模塊還包括一個輸入方式的詢問過程，通過不同的輸入方式，進入不同的輸入模塊，所述輸入方式中包括至少三個輸入模型。
6.根據權利要求1或2所述的三維紋理模板的制作方法，其特征在于所述步驟3)表面凈化過程中，所述有機溶液包括以下成份，在每1L溶液中包括氫氧化鈉20～30g；碳酸鈉30～40g；磷酸鈉20～30g，OP乳化劑1～30mL。
7.根據權利要求2所述的三維紋理模板的制作方法，其特征在于所述步驟a)表面吸附過程中，在每1L所述還原劑中，包括氯化亞錫10～30g；37％的鹽酸40～50mL，所述步驟c)解膠過程中次亞磷酸鈉溶液的濃度為10～30g/L。
8.根據權利要求2所述的三維紋理模板的制作方法，其特征在于所述步驟b)附著導電金屬層步驟，每1L所述氧化劑中包括硝酸銀1.5～2.0g，27％氨水的1～30mL。
9.根據權利要求3所述的三維紋理模板的制作方法，其特征在于所述電沉積過程中的步驟III二次電沉積中，電沉積溫度為20～50℃，電流密度為2～20/A.dm2。
全文摘要
本發明涉及一種三維紋理模板的制作方法。本發明通過翻模、消除內應力、表面凈化、表面電導、電沉積過程，能夠根據目標樣本的外形、紋路等制成相應的金屬模板，采種這種方法制成的模板，立體感強、強度高，能夠將天然木材或其他目標樣本的三維結構生成標準模板，并能夠廣泛應用于塑料制品、橡膠制品的制造領域，通過各種復合材料或合成材料，如將木基復合板材通過使用本發明中所制成的模板，仿制成類似實木型態的產品，大大了降低了對木材資源的消耗，也有效地保護了生態環境。
文檔編號B28B7/40GK1669758SQ20051006649
公開日2005年9月21日 申請日期2005年4月25日 優先權日2005年4月25日
發明者周玉成, 程放, 安源, 李春生, 王金林 申請人:周玉成