气动微滴喷射是一种液体微量加样技术。其工作过程是通过短暂导通（时间为Δt）电磁阀,使得电磁阀前端气压为P₀的高压气体,以脉冲的形式冲入储液腔,引发腔内的气压振荡。该气压振荡波形P（t）迫使储液腔内的液体,通过微小的喷嘴喷出,形成微滴。该技术被广泛应用于制造领域中,特别是在生物打印领域,其喷射的细胞的存活率近乎100%,具有极大的应用潜力。本文设计并搭建了一套气动微滴喷射装置。装置可以设定P₀和Δt,以电磁阀驱动信号上升沿为参考时刻,延时一定时间拍摄微滴喷射状态。同时利用高速气压传感器采集每次喷射时,储液腔内的P（t）。通过建立系统的声电等效模型,阐明了在理想条件下,装置控制变量P₀和Δt与储液腔内的P（t）之间的关系。实验同时得出,在实际情况下,由于气路中的冲击效应和电磁阀动作不一致性,控制变量P₀和Δt中含有较大干扰,体现为P（t）一致性较差。由于P（t）直接支配微滴喷射状态,这也使得微滴喷射状态的一致性受到较大影响。该干扰在现有条件下无法被消除,而P（t）可以被实时测量,所以建立一个基于P（t）的喷射状态预测模型是有益的尝试。本文以喷射一段延时后微滴与喷嘴间的距离H_d作为评估微滴喷射状态的物理量。在实验中,使用两种方法预测微滴的下落距离H_d。一种是传统的统计学方法,该方法在相同工作条件下,通过收集大量的H_d数据,并将这组数据的平均值?H??_d?作为微滴下落距离的预测值。该方法预测误差的标准差约为350μm,而普通微滴的直径约为500μm。另一种方法使用实际测量的储液腔内P（t）作为输入,基于BP神经网络建立H_d的预测模型。其预测误差的标准差仅为70μm,相比统计学预测方法,精度提高了约5倍。同时该方法的输入,既可以是时域中的离散采样点P（t_i）也可以是频域中的频率分量P（f_i）。另一项实验表明,BP神经网络模型还可以有效预测微滴产生的数量N_d,其准确率高达99.9%。气动微滴喷射主要应用于生物材料等非标准墨水的打印。墨水流体特性通常会随时间发生变化,导致打印品质下降。在保持控制变量P₀和Δt不变的情况下,微滴喷射状态的改变是流体特性发生变化的重要标志。但流体特性变化对微滴喷射状态的细微改变会被淹没在装置自身干扰所产生的影响之下,难以被现有技术实时检测出来。由于BP神经网络预测模型在训练时,作为输入的P（t）已经包含了装置自身干扰的影响,所以相比于基于统计学的预测模型,该模型在结合微滴图像检测后,可以在较大的装置自身干扰下,更加灵敏且准确地发现生物墨水中流体特性的变化。这种创新的方法使得气动微滴喷射装置在工作中,实时监控生物墨水中流体特性的变化成为可能。