1.一种电流体动力学喷印的人工智能控制系统，其特征在于：其包括：

电流体动力学喷印系统，用于图案喷印；

数据采集系统，获取电流体动力学喷印系统工作时的数据、喷印图案的数据以及工作环境的数据；

控制器，分别与电流体动力学喷印系统以及数据采集系统连接；

数据库系统，包括数据仓库和数据管理系统，所述数据仓库具有若干种图案喷印模式，所述数据管理系统根据数据仓库的不同图案喷印模式通过数据采集系统获取不同的数据及数据特征；

数据分析处理系统，包括数据特征提取模块、数据图形化模块、数据深度学习模块和数据自主决策模块，数据图形化模块根据数据特征提取模块获取的数据特征建立对应图案喷印模式的电流体动力学设备健康质量诊断的图形数据依据，所述数据深度学习模块根据数据采集系统获取的数据建立对应喷印模式的数据与环境以及工艺参数之间的映射模型，所述数据自主决策模块根据数据深度学习模块建立的映射模型获取喷印图案的最佳的工艺参数。

2.根据权利要求1所述的一种电流体动力学喷印的人工智能控制系统，其特征在于：所述数据采集系统包括运动数据采集模块、电压采集模块、图案采集模块、喷射高度采集模块、电流采集模块、流量采集模块、温度采集模块及湿度采集模块。

3.根据权利要求1所述的一种电流体动力学喷印的人工智能控制系统，其特征在于：数据仓库包括点阵喷印模式数据分仓库、图案喷印模式数据分仓库和薄膜喷印模式数据分仓库。

4.根据权利要求1所述的一种电流体动力学喷印的人工智能控制系统，其特征在于：数据管理系统包括数据输入模块、数据特征输入模块、数据特征查询模块和数据输出模块。

5.一种基于上述任意一条权利要求所述的电流体动力学喷印的人工智能控制系统的控制方法：其特征在于：其包括以下步骤：

1)人工智能控制系统向控制器发生数据信息采集请求；

2)控制器接收到信号后，向电流体动力学喷印系统发送数据采集指令，数据采集模块向电流体动力学喷印系统采集对应的数据信息，并将采集的所有信息存储在控制器的专用数据存储地址中；

3)将控制器中存储的数据信息上传到人工智能控制系统中；

4)根据当前喷印模式，选择对应喷印模式的特征输入模块，通过数据输入模块将数据采集模块所采集的数据输入到对应喷印模式的数据仓库；

5)根据当前喷印模式，通过对应喷印模式的数据特征查询模块从对应喷印模式的数据仓库调取当前喷印模式的特征数据，以图形方式显示特征数据信息，并与当前电流体动力学喷印设备的喷印状态进行实时对比，对喷印设备健康运行进行监控和故障诊断；

6)根据当前喷印模式，通过数据输出模块从对应喷印模式的数据仓库，调取与当前喷印模式相关的数据信息，建立对应喷印模式的数据与环境以及工艺参数之间的映射模型；

7)根据当前喷印模式，以步骤6)建立的映射模型为参考模型，并对对应喷印模式的各项数据进行优化求解，获取喷印图案的最佳的工艺参数；

8)根据当前喷印模式，对应的喷印模式的数据自主决策模块按照最佳的工艺参数进行图案喷印。

6.根据权利要求5所述的控制方法，其特征在于：步骤6)中，

若是点阵喷印模式，根据数据管理系统的数据输出模块连接到点阵喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以点阵喷印的直径和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度的数据为自变量，采用深度学习的方法，构建点阵喷印的直径和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立点阵喷印的直径和喷印厚度与工艺参数和环境参数之间的映射模型；

若是图案喷印模式，根据数据管理系统的数据输出模块连接到图案喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以图案喷印的图案宽度和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，构建图案喷印的图案宽度和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立图案喷印的图案宽度和喷印厚度与工艺参数和环境参数之间的映射模型；

若是薄膜喷印模式，根据数据管理系统的数据输出模块连接到薄膜喷印模式数据分仓库，调取与当前喷印模式同一种材料喷印溶液的数据信息，以喷印薄膜的面积和喷印厚度为因变量，以运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度等数据为自变量，采用深度学习的方法，构建薄膜喷印的面积和喷印厚度与运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度之间的映射关系，建立薄膜喷印的面积和喷印厚度与工艺参数和环境参数之间的映射模型。

7.根据权利要求6所述的控制方法，其特征在于：步骤6)中，所述深度学习的方法采用卷积神经网络、循环神经网络、递归神经网络或无监督预训练网络的四个基本网络框架中的至少一种深度学习方法。

8.根据权利要求5所述的控制方法，其特征在于：步骤7)中，

若是点阵喷印模式，以当前预期喷印的点阵喷印图案的直径和厚度为控制对象，以步骤6)构建的点阵喷印图案的直径和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的点阵喷印图案直径和厚度的最佳的工艺参数；

若是图案喷印模式，以当前预期喷印的图案的宽度和厚度为控制对象，以步骤6)构建的图案喷印图案的宽度和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的图案喷印图案直径和厚度的最佳的工艺参数；

若是薄膜喷印模式，以当前预期喷印的薄膜喷印面积和厚度为控制对象，以步骤6)构建的薄膜喷印面积和厚度与工艺参数和环境参数之间的映射模型为参考模型，采用机器学习方法对运动平台的速度、施加电压、喷射高度、导通电流、喷印溶液流量、环境温度和环境湿度优化求解，得到指定条件的薄膜喷印面积和厚度的最佳的工艺参数。

9.根据权利要求8所述的控制方法，其特征在于：所述机器学习方法采用决策树算法、回归算法、神经网络、支持向量机、贝叶斯分析方法、集成学习方法、聚类方法中至少一种机器学习方法。