CN108717505A - 一种基于k-rvfl的固化热过程时空建模方法 - Google Patents
一种基于k-rvfl的固化热过程时空建模方法 Download PDFInfo
- Publication number
- CN108717505A CN108717505A CN201810531023.3A CN201810531023A CN108717505A CN 108717505 A CN108717505 A CN 108717505A CN 201810531023 A CN201810531023 A CN 201810531023A CN 108717505 A CN108717505 A CN 108717505A
- Authority
- CN
- China
- Prior art keywords
- space
- time
- function
- rvfl
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于K‑RVFL的固化热过程时空建模方法,步骤一,搭建芯片固化炉温度控制平台,步骤二,得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据,步骤三,通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数,步骤四,使用基于核函数的随机向量函数连接网络(即K‑RVFL网络)逼近常微分方程模型。从而,温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。与神经网络系统和最小二乘支持向量机(LS‑SVM)比较起来,本模型有更高的模型预测精度和更快的建模速度。
Description
技术领域
本发明涉及固化热过程建模领域,尤其涉及一种基于K-RVFL的固化热过程时空建模方法。
背景技术
在芯片封装过程中,固化过程是其中最重要的一个过程之一。芯片固化质量的好坏,直接影响最终成品的质量以及使用寿命。而固化过程所使用的设备即为芯片固化炉。固化炉的内部有一个拱形的加热模块,它的作用是使得炉腔内的温度场保持一致。炉腔下端有一个冷却装置,它的作用是使得炉腔内的温度在上下方向上形成一个温度梯度,这样可以满足芯片在不同固化阶段所需的不同温度的要求。由于固化过程的边界条件非常复杂以及内部未知扰动的影响,固化过程的精确偏微分方程描述很难获得。固化炉属于分布参数系统(DPS),虽然根据热传递规律,可以大致获得固化炉的偏微分方程结构,但是仍有许多模型参数无法获得。由于芯片固化质量对温度的分布要求非常高,因此基于数据的时空分布模型对于固化过程的温度管理具有非常重要的意义。
发明内容
本发明的目的在于提出一种基于K-RVFL的固化热过程时空建模方法,建立芯片固化热过程模型,实现芯片固化炉在线温度监测和温度分布的在线估计,并且建模精度高。
为达此目的,本发明采用以下技术方案:
一种基于K-RVFL的固化热过程时空建模方法:
步骤一,搭建芯片固化炉温度控制平台,在芯片固化炉的炉腔底部安装引线框架,在引线框架的上表面均匀布置多个热电偶传感器,并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据,还在引线框架的上方均匀布置多个加热器,每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉进行固化工作;
步骤二,dSPACE实时仿真平台统计所有热电偶传感器的温度数据,得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据,并将所述时空数据定义为:
{T(Z,t)|Z=(x1,x2,x3),t=1,...,L},
其中,Z=(x1,x2,x3)为空间指标,L为时间长度,从而T(Z,t)为在位置Z=(x1,x2,x3)和时间t的温度;
步骤三,dSPACE实时仿真平台通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数从而将步骤二采集到的时空数据T(Z,t)解耦为:
其中,ai(t)为时空数据T(Z,t)的常微分方程模型,n为常微分方程模型的阶数;
步骤四,dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络(即K-RVFL网络)逼近常微分方程模型ai(t);
步骤五,dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ai(t),时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。
优选地,所述步骤三中,dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为:
首先,定义时空数据T(Z,t)的统计平均值为定义h1(x)和h2(x)在空间域Ω的内积为(h1(x),h2(x))=∫Ωh1(x)h2(x)dx;
接着,将时空数据T(Z,t)和空间基函数的内积最大化:
subject to(φi(·),φi(·))=1,φi(·)∈L2(Ω),i=1,...,n;
构造拉格朗日函数:
J[φ(Z)]=<(φ(Z),T(Z,t))2>-λ((φ(Z),φ(Z))-1),
其中,Z为坐标(x1,x2,x3),极值的必要条件是函数导数对于所有变化η∈R为零:
并利用任意函数ψ(Z)将条件简化为:
其中,R(Z,ξ)=<T(Z,t)T(ξ,t)>是对称和正定的空间两点相关函数,从而将条件转化为以下特征值问题:
Cδi=λiδi,
其中,Ctk是时间两点矩阵:
δi=[δ1i,δ2i,...,δLi]T是第i个特征向量;
然后,通过求解Cδi=λiδi产生特征向量δ1,δ2,...,δL及其相应的特征值λ1,λ2,...,λL,和通过获得空间基函数;
最后,把特征值按照从大到小的顺序排列:λ1>λ2>…>λL,其中前n个最大特征值和的占比为:
选取ratio≥0.99对应的值n作为空间基函数的阶数。
优选地,所述步骤四中,构造基于核函数的随机向量函数连接的网络具体为:
首先,定义具有K个隐藏节点的RVFL网络的输出函数为:
[zi(t-1)|G(Wh·zi(t-1)+bh)]·β=ο(t),t=2,...,L
其中,Wh和bh是第h个隐藏节点的权重矩阵和偏差,将在随后的运行中随机生成并修复;
zi(t)=[ai(t)T,u(t)T],i=1,2,...,n;
β是需要运行的输出权重矩阵,ο(t)是在时间点t的网络输出值,G(·)是一个非线性激活函数;并令zi(t)=z(t),ai(t)=a(t);
误差方式为表示Frobenius范数;
接着,寻找使得[z(t-1)|G(Wh·z(t-1)+bh)]·β=a(t),t=2,...,L的Wh,bh和β;
然后,定义矩阵H为[z(t-1)|G(Wh·z(t-1)+bh)],即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵,从而输出函数转换为:
H·β=Y,其中Y=[a(2),...,a(L)]T;
基于最小范数最小二乘理论,输出权重矩阵用下式计算:
其中代表穆尔-彭罗斯(M-P)矩阵H的广义逆;
使用正交投影法计算矩阵H的广义逆
当HTH是非奇异,则
当HHT是非奇异,则
优选地,所述步骤四中,K-RVFL网络)逼近常微分方程模型ai(t)具体为:
首先,由于步骤三确定了空间基函数从而无需输入增强节点的数目及其相应的激活函数;
为避免奇点出现,将正数1/C添加进对角矩阵HTH,从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为
或者,将正数1/C添加进对角矩阵HHT中,从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为
定义,h1=z(t),h2=h2(z(t))=[G(W1·z(t)+b1) … G(WK·z(t)+bK)],H=[H1|H2],其中:H1=[z(1),...,z(L-1)]T (L-1)×5,
从而输出结果转换为:
核矩阵为:Ωt,τ=<z(t),z(τ)>=K(z(t),z(τ));
K是线性核函数,为高斯核函数.从而K-RVFL的输出结果用以下公式计算:
第i个常微分方程模型ai(t)为:
其中,
优选地,所述步骤五的温度时空分布模型为:
优选地,还包括:
步骤六,使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界,
若满足损失函数||βi||≤pi,那么对于任意的δ∈(0,1),都存在至少1-δ的概率使得所有的都满足:
其中:表示使用损失函数l的预期风险,
表示使用损失函数l的经验风险,
若||βi||≤pi,则温度时空分布模型的Rademacher复杂度的边界条件H为:
所述基于K-RVFL的固化热过程时空建模方法,在时间与空间被分割的条件下,空间的基础函数会首先被PCA方式构建,而且降阶时态模型也可以用K-REVL方式估算出来。从而,温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。与神经网络系统和最小二乘支持向量机(LS-SVM)比较起来,本模型有更高的模型预测精度和更快的建模速度。
附图说明
附图对本发明做进一步说明,但附图中的内容不构成对本发明的任何限制。
图1是本发明其中一个实施例的芯片固化炉结构示意图;
图2是本发明其中一个实施例的热电偶传感器分布图;
图3是本发明其中一个实施例的K-RVFL网络的线性流程图;
图4是本发明其中一个实施例的K-RVFL时空建模流程图;
图5是本发明其中一个实施例的PCA算法分解前三个空间基函数图;
图6是本发明其中一个实施例的16000秒内测得的温度分布图;
图7是本发明其中一个实施例的16000秒内测得的绝对相对误差分布图;
图8是本发明其中一个实施例的热电偶传感器s2及其模型测量结果图;
图9是本发明其中一个实施例的热电偶传感器s7及其模型测量结果图;
图10是本发明其中一个实施例的时间归一化绝对误差比较图;
图11是本发明其中一个实施例的绝对相对误差比较图。
其中:芯片固化炉1;引线框架2;热电偶传感器3、s1、s2、s3、s4、s5、s6、s7、s8、s9、s10、s11、s12、s13、s14、s15、s16;加热器4、h1、h2、h3、h4。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
本实施例的基于K-RVFL的固化热过程时空建模方法:
步骤一,搭建芯片固化炉温度控制平台,如图1、图2所示,在芯片固化炉1的炉腔底部安装引线框架2,在引线框架2的上表面均匀布置多个热电偶传感器3,并由dSPACE实时仿真平台采集所有热电偶传感器3的温度数据,还在引线框架2的上方均匀布置多个加热器4,每个加热器4由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉1进行固化工作;
步骤二,dSPACE实时仿真平台统计所有热电偶传感器3的温度数据,得到芯片固化炉1在固化工作状态下的温度分布随时间变化的时空数据,并将所述时空数据定义为:
{T(Z,t)|Z=(x1,x2,x3),t=1,...,L},
其中,Z=(x1,x2,x3)为空间指标,L为时间长度,从而T(Z,t)为在位置Z=(x1,x2,x3)和时间t的温度;
步骤三,如图4所示,dSPACE实时仿真平台通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数从而将步骤二采集到的时空数据T(Z,t)解耦为:
其中,ai(t)为时空数据T(Z,t)的常微分方程模型,n为常微分方程模型的阶数,用来预测与空间基函数对应的特征值的能量比;
步骤四,dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络(即K-RVFL网络)逼近常微分方程模型ai(t),模型参数由测量的温度数据获得;
步骤五,dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ai(t),时空合成获得芯片固化炉1在固化工作状态下的温度时空分布模型。
根据芯片固化炉1的传热规律,芯片固化炉1的热过程一般表达式可以描述为:
其中Z=(x,y,z)是空间坐标,T(Z,t)表示在时间t和位置Z=(x,y,z)处的温度(单位℃),(x,y,z)、x∈[0,x0]、y∈[0,y0]和z∈[0,z0]为空间坐标,c为比热系数(单位J/kg℃),fc(T)和fr(T)分别为未知的对流和辐射非线性效应。Q=Q(x,y,z,t)是热源,ρ和k分别是密度(单位kg/m3)和热导率(单位W/m℃)。
热导率k和密度ρ的取决于温度,并且可以表示为:
其中,k0和ρ0是工作点周围的标称值,和是T(S,tk)的函数。
因此,可以转为以下形式:
其中,是拉普拉斯算子,k1=k0/ρoc是常数;
是关于T的未知非线性函数。很明显,有两个非线性函数F(·)和Q(·),其中Q(·)是关于u(t)的非线性函数。芯片固化炉1的热过程描述的偏微分方程具有无线维的特征,所以不能够直接用于在线预测和控制。因此为了实际应用,建立一个有限维的常微分方程描述的模型非常重要。
PCA算法(即主成分分析算法),在求空间基函数的时候经常被使用。随着获得空间基函数,原来的DPS可以转化为集中参数系统(LPS)。一些现有的模型算法和控制算法也可以用来计算DPS模型,这些算法之前已经成功的应用在LPS(线性规划系统)模型中。在建模方面,非常多的传统的基于数据建模的技术也可以应用在DPS模型上,比如支持向量机(SVM),神经网络(NN),模糊模型。然而,这些算法总是需要很长的学习过程。
为了解决以上的问题,随机向量泛函链网络(RVFL)被Paoetal开发了出来。在这个网络中,输入权重和隐藏节点的数目都是随机选择的。因此,只需要计算输出权重。RVEL的结构非常接近三层神经网络。唯一的区别就是RVEL允许输入层与输出层直连。RVEL已经被Igelnik和Pao证实是一种通用逼近器。它具有学习速度快、结构简单、泛用性能好等优点,对工业应用具有重要意义。为了避免选择数量众多的隐节点数和隐映射函数,Kernelbased RVFL(K-RVFL),即基于核函数的随机向量泛函链网络被开发了出来,这被视为RVFL的核心,RVFL是用来快速学习和高效地建立DPS模型。由于复杂的嵌入式内核,K-RVFL应该有更多的能力来处理复杂的过程。
为了分析现存动态模型的泛化能力,拉德马赫复杂度就被提出来寻找泛化误差界。Rademacher复杂度即拉德马赫复杂度,被广泛应用于估计分类模型和回归模型的复杂度。与Vapnik-Chervonenkis(VC)维度不同,拉德马赫复杂度不仅仅适用于二元函数,也可用于真值函数,而且事实也证明,他比VC维度效率更高。拉德马赫被成功的应用于分析基于核心的计算方法。但是,这种方法还没有用于DPS的建模。
本实施例的建模方法中,K-RVFL被第一次应用到DPS的建模里。在时间与空间被分割的条件下,空间的基础函数会首先被PCA方式构建,而且降阶时态模型也可以用K-REVL方式估算出来。从而,温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。本模型对于实时工业应用来说是非常有效而且简单的。为了将本动态模型泛应用化,拉德马赫复杂度就被用来证明泛应用界限。与神经网络系统和最小二乘支持向量机(LS-SVM)比较起来,本模型有更加亮眼的表现和更快的学习速度。
优选地,所述步骤三中,dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为:
首先,定义时空数据T(Z,t)的统计平均值为定义h1(x)和h2(x)在空间域Ω的内积为(h1(x),h2(x))=∫Ωh1(x)h2(x)dx;
接着,将时空数据T(Z,t)和空间基函数的内积最大化:
subject to(φi(·),φi(·))=1,φi(·)∈L2(Ω),i=1,...,n;
PCA方法是从一组时空数据当中学习到空间基函数其中约束(φi(·),φi(·))=1是为了保证空间基函数的唯一性;构造拉格朗日函数:
J[φ(Z)]=<(φ(Z),T(Z,t))2>-λ((φ(Z),φ(Z))-1),
其中,Z为坐标(x1,x2,x3),极值的必要条件是函数导数对于所有变化η∈R为零,R表示实数域:
并利用任意函数ψ(Z)将条件简化为:
其中,R(Z,ξ)=<T(Z,t)T(ξ,t)>是对称和正定的空间两点相关函数,从而将条件转化为以下特征值问题:
Cδi=λiδi,
其中,Ctk是时间两点矩阵:
δi=[δ1i,δ2i,...,δLi]T是第i个特征向量;
然后,通过求解Cδi=λiδi产生特征向量δ1,δ2,...,δL及其相应的特征值λ1,λ2,...,λL,和通过获得空间基函数;
最后,把特征值按照从大到小的顺序排列:λ1>λ2>…>λL,其中前n个最大特征值和的占比为:
选取ratio≥0.99对应的值n作为空间基函数的阶数。
PCA算法(即主成分分析算法)对实际系统的机理过程无需知道,只需要实验数据便可以得到原系统的数学模型。因此这种方法广泛的应用在DPS建模应用当中。这种方法的建模思想主要是先对实验采集到的时空数据进行降维处理,通过求特征值特征向量问题来得到有限个数的空间基函数。
优选地,所述步骤四中,构造基于核函数的随机向量函数连接的网络具体为:首先,定义具有K个隐藏节点的RVFL网络的输出函数为:
[zi(t-1)|G(Wh·zi(t-1)+bh)]·β=ο(t),t=2,...,L
其中,Wh和bh是第h个隐藏节点的权重矩阵和偏差,将在随后的运行中随机生成并修复;
zi(t)=[ai(t)T,u(t)T],i=1,2,...,n;
β是需要运行的输出权重矩阵,ο(t)是在时间点t的网络输出值,G(·)是一个非线性激活函数;并令zi(t)=z(t),ai(t)=a(t);任何连续的目标函数f(x)都可以用RVFL来近似表示,
误差方式为表示Frobenius范数;
接着,寻找使得[z(t-1)|G(Wh·z(t-1)+bh)]·β=a(t),t=2,...,L的Wh,bh和β;
然后,定义矩阵H为[z(t-1)|G(Wh·z(t-1)+bh)],即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵,从而输出函数转换为:
H·β=Y,其中Y=[a(2),...,a(L)]T;
基于最小范数最小二乘理论,输出权重矩阵用下式计算:
其中代表穆尔-彭罗斯(M-P)矩阵H的广义逆;
使用正交投影法计算矩阵H的广义逆
当HTH是非奇异,则
当HHT是非奇异,则
在K-RVFL中,如果给定相应的核函数,则不需要知道增强节点的数目及其相应的激活函数。图3显示的是K-RVFL网络的线性流程,同时箭头方向也说明了所有层都相互连通。
优选地,所述步骤四中,K-RVFL网络)逼近常微分方程模型ai(t)具体为:
首先,由于步骤三确定了空间基函数从而无需输入增强节点的数目及其相应的激活函数;
为避免奇点出现,将正数1/C添加进对角矩阵HTH,从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为
或者,将正数1/C添加进对角矩阵HHT中,从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为
定义,h1=z(t),h2=h2(z(t))=[G(W1·z(t)+b1) … G(WK·z(t)+bK)],H=[H1|H2],其中:H1=[z(1),...,z(L-1)]T (L-1)×5,
从而输出结果转换为:
核矩阵为:Ωt,τ=<z(t),z(τ)>=K(z(t),z(τ));
K是线性核函数,为高斯核函数.从而K-RVFL的输出结果用以下公式计算:
第i个常微分方程模型ai(t)为:
其中,
优选地,所述步骤五的温度时空分布模型为:
优选地,还包括:步骤六,使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界,
若满足损失函数||βi||≤pi,那么对于任意的δ∈(0,1),都存在至少1-δ的概率使得所有的都满足:
其中:表示使用损失函数l的预期风险,
表示使用损失函数l的经验风险,
若||βi||≤pi,则温度时空分布模型的Rademacher复杂度的边界条件H为:
拉德马赫复杂度可以用来衡量一类函数的丰富度,同时也可以减少基于样本误差所产生的估计错误。与Vapnik-Chervonenkis维度只能用于二元函数不同,拉德马赫复杂度也可以用于其他的学习算法,比如基于核的算法。
步骤七的具体过程为:通过使用Rademacher复杂度的概念,可以证明:
假设平方损耗函数是一个具有常数的Lipschitz函数D=2(A+||T||∞)。然后拉德马赫复杂度的损耗函数集可以表达为:
增加引理1:对于任意的δ∈(0,1),在长度为m的测试样本上具有至少1-δ的概率,对于所有的属于H内的都满足:
从而得出下式,其右边的最后两项相加为一个常数:
假设σ1,...,σm是相互独立的且均匀的取自拉德马赫复杂度随机变量取值范围-{1,1}内的值。与之相对应样本的拉德马赫复杂度经验边界条件H定义如下:
当则
λi和是相对应积分算子Dh=∫K(x,y)h(y)dy的特征值,h(y)和相应特征空间的任意函数。
实施例二
本实施例通过进行实时实验来验证所提出的建模方法。首先,搭建芯片固化炉温度控制平台,如图1所示,在芯片固化炉1的炉腔底部安装引线框架2,在引线框架2的上表面均匀布置16个相同规格的热电偶传感器3,热电偶传感器3的详细布置位置如图2所示。在引线框架2的上方均匀布置四个相同规格的加热器4,每个加热器4的功率为700w,热电偶传感器3均匀的布置在加热器4下方5mm的同一水平面上。每个加热器4由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉1进行固化工作。由dSPACE实时仿真平台采集所有热电偶传感器3的温度数据。采样间隔为Δt=10s,每个热电偶传感器3都采集了1600组温度数据。其中(热电偶传感器s1至s6和s8至s16)的前1000个数据用于估计模型,后600个数据用于测试模型。为了评估未测试区域的模型性能,使用来自热电偶传感器s7的数据进行对比。dSPACE实时仿真平台是以内容管理发布为设计目标,遵循BSD协议的开放源代码数字存储系统,可以收集、存储、索引、保存和重新发布任何数字格式、层次结构的永久标识符研究数据。
通过PCA算法分解,前三个空间基函数用于时间与空间分离,如图5(a)至5(c)所示。
在时间与空间分离的情况下,K-RVFL用来对三个常微分方程模型进行近似模拟。在空间内的动态方面,16000秒内测得的温度分布和绝对相对误差示分布显示于图6和图7中。热电偶传感器s2及其模型的测量结果如图8所示。由此可知,本模型模拟度高,而且,如图9所示,该模型在未经训练的位置(即热电偶传感器s7)也表现得非常好。
为了能够测试出反映拉德马赫复杂性定理的方法的泛化界限,用95%的置信度(δ=0.05)计算。计算结果为5.0269,同时预期的风险为3.1733.仿真的结果与本实施例以拉德马赫复杂度为基础的方案是相符的。
为了与现有的神经网络(NN)建模方法和LS-SVM建模方法比较,以下标准用于评估模型性能:
时间归一化绝对误差:其中
绝对相对误差:
均方根误差:
R平方关系:其中
三种方式的模拟时间和均方根误差如表1所示,时间归一化绝对误差如图10所示,与未经训练的热电偶传感器s7的绝对相对误差比较如图11所示,其R平方关系比较如表2所示。由此可知,在固化过程中本实施例提出的建模方法比另外两种现有建模方法具有明显的优越性,仿真速度快,模型预测精度高。
模型 | 仿真时间 | 训练RMSE值 | 测试RMSE值 |
K-RVFL | 0.044829 | 1.5877 | 3.1733 |
NN | 17.052431 | 1.3454 | 3.5344 |
LS-SVM | 0.229235 | 2.5417 | 3.4700 |
表1
K-RVFL | NN | LS-SVM | |
s7 | 0.7921 | 0.7439 | 0.7547 |
表2
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (6)
1.一种基于K-RVFL的固化热过程时空建模方法,其特征在于:
步骤一,搭建芯片固化炉温度控制平台,在芯片固化炉的炉腔底部安装引线框架,在引线框架的上表面均匀布置多个热电偶传感器,并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据,还在引线框架的上方均匀布置多个加热器,每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉进行固化工作;
步骤二,dSPACE实时仿真平台统计所有热电偶传感器的温度数据,得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据,并将所述时空数据定义为:
{T(Z,t)|Z=(x1,x2,x3),t=1,...,L},
其中,Z=(x1,x2,x3)为空间指标,L为时间长度,从而T(Z,t)为在位置Z=(x1,x2,x3)和时间t的温度;
步骤三,dSPACE实时仿真平台通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数从而将步骤二采集到的时空数据T(Z,t)解耦为:
其中,ai(t)为时空数据T(Z,t)的常微分方程模型,n为常微分方程模型的阶数;
步骤四,dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络(即K-RVFL网络)逼近常微分方程模型ai(t);
步骤五,dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ai(t),时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。
2.根据权利要求1所述的基于K-RVFL的固化热过程时空建模方法,其特征在于,所述步骤三中,dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为:
首先,定义时空数据T(Z,t)的统计平均值为定义h1(x)和h2(x)在空间域Ω的内积为(h1(x),h2(x))=∫Ωh1(x)h2(x)dx;
接着,将时空数据T(Z,t)和空间基函数的内积最大化:
subject to(φi(·),φi(·))=1,φi(·)∈L2(Ω),i=1,...,n;
构造拉格朗日函数:
J[φ(Z)]=<(φ(Z),T(Z,t))2>-λ((φ(Z),φ(Z))-1),
其中,Z为坐标(x1,x2,x3),极值的必要条件是函数导数对于所有变化η∈R为零:
并利用任意函数ψ(Z)将条件简化为:
其中,R(Z,ξ)=<T(Z,t)T(ξ,t)>是对称和正定的空间两点相关函数,从而将条件转化为以下特征值问题:
Cδi=λiδi,
其中,Ctk是时间两点矩阵:
δi=[δ1i,δ2i,...,δLi]T是第i个特征向量;
然后,通过求解Cδi=λiδi产生特征向量δ1,δ2,...,δL及其相应的特征值λ1,λ2,...,λL,和通过获得空间基函数;
最后,把特征值按照从大到小的顺序排列:λ1>λ2>…>λL,其中前n个最大特征值和的占比为:
选取ratio≥0.99对应的值n作为空间基函数的阶数。
3.根据权利要求2所述的基于K-RVFL的固化热过程时空建模方法,其特征在于,所述步骤四中,构造基于核函数的随机向量函数连接的网络具体为:
首先,定义具有K个隐藏节点的RVFL网络的输出函数为:
[zi(t-1)|G(Wh·zi(t-1)+bh)]·β=ο(t),t=2,...,L
其中,Wh和bh是第h个隐藏节点的权重矩阵和偏差,将在随后的运行中随机生成并修复;
zi(t)=[ai(t)T,u(t)T],i=1,2,...,n;
β是需要运行的输出权重矩阵,ο(t)是在时间点t的网络输出值,G(·)是一个非线性激活函数;并令zi(t)=z(t),ai(t)=a(t);
误差方式为表示Frobenius范数;
接着,寻找使得[z(t-1)|G(Wh·z(t-1)+bh)]·β=a(t),t=2,...,L的Wh,bh和β;
然后,定义矩阵H为[z(t-1)|G(Wh·z(t-1)+bh)],即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵,从而输出函数转换为:
H·β=Y,其中Y=[a(2),...,a(L)]T;
基于最小范数最小二乘理论,输出权重矩阵用下式计算:
其中代表穆尔-彭罗斯(M-P)矩阵H的广义逆;
使用正交投影法计算矩阵H的广义逆
当HTH是非奇异,则
当HHT是非奇异,则
4.根据权利要求3所述的基于K-RVFL的固化热过程时空建模方法,其特征在于,所述步骤四中,K-RVFL网络)逼近常微分方程模型ai(t)具体为:
首先,由于步骤三确定了空间基函数从而无需输入增强节点的数目及其相应的激活函数;
为避免奇点出现,将正数1/C添加进对角矩阵HTH,从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为
或者,将正数1/C添加进对角矩阵HHT中,从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为
Y=[a(2),...,a(L)]T;
定义,h1=z(t),h2=h2(z(t))=[G(W1·z(t)+b1) … G(WK·z(t)+bK)],H=[H1|H2],其中:H1=[z(1),...,z(L-1)]T (L-1)×5,
从而输出结果转换为:
核矩阵为:Ωt,τ=<z(t),z(τ)>=K(z(t),z(τ));
K是线性核函数,为高斯核函数.从而K-RVFL的输出结果用以下公式计算:
第i个常微分方程模型ai(t)为:
其中,
5.根据权利要求4所述的基于K-RVFL的固化热过程时空建模方法,其特征在于,所述步骤五的温度时空分布模型为:
6.根据权利要求5所述的基于K-RVFL的固化热过程时空建模方法,其特征在于,还包括:
步骤六,使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界,
若满足损失函数||βi||≤pi,那么对于任意的δ∈(0,1),都存在至少1-δ的概率使得所有的都满足:
其中:表示使用损失函数l的预期风险,
表示使用损失函数l的经验风险,
若||βi||≤pi,则温度时空分布模型的Rademacher复杂度的边界条件H为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531023.3A CN108717505A (zh) | 2018-05-29 | 2018-05-29 | 一种基于k-rvfl的固化热过程时空建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531023.3A CN108717505A (zh) | 2018-05-29 | 2018-05-29 | 一种基于k-rvfl的固化热过程时空建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108717505A true CN108717505A (zh) | 2018-10-30 |
Family
ID=63912617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810531023.3A Pending CN108717505A (zh) | 2018-05-29 | 2018-05-29 | 一种基于k-rvfl的固化热过程时空建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717505A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045606A (zh) * | 2019-03-25 | 2019-07-23 | 中南大学 | 一种用于分布式参数系统在线建模的增量时空学习方法 |
CN111625995A (zh) * | 2020-05-25 | 2020-09-04 | 广东工业大学 | 一种集成遗忘机制和双超限学习机的在线时空建模方法 |
CN113568309A (zh) * | 2021-07-27 | 2021-10-29 | 中南大学 | 用于温度场的在线时空控制方法 |
CN117216489A (zh) * | 2023-11-07 | 2023-12-12 | 山东正为新材料科技有限公司 | 一种基于互联网的防水涂料质检分析方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050380A (zh) * | 2014-06-26 | 2014-09-17 | 东北大学 | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 |
US20150317344A1 (en) * | 2009-06-25 | 2015-11-05 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties using similarity based information retrieval and modeling |
CN105242571A (zh) * | 2015-10-21 | 2016-01-13 | 华中科技大学 | 一种宽域氧传感器控制器仿真系统 |
CN105528516A (zh) * | 2015-12-01 | 2016-04-27 | 三门县人民医院 | 基于主元分析与超限学习机相结合的临床病理数据分类方法 |
CN105740866A (zh) * | 2016-01-22 | 2016-07-06 | 合肥工业大学 | 一种具有仿反馈调节机制的回转窑烧成状态识别方法 |
CN105740619A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN105760344A (zh) * | 2016-01-29 | 2016-07-13 | 杭州电子科技大学 | 一种化学放热反应的分布式主元分析神经网络建模方法 |
CN105843177A (zh) * | 2015-11-19 | 2016-08-10 | 上海交通大学 | 铣削加工主轴转速正弦调制参数优化方法 |
CN106706109A (zh) * | 2016-12-15 | 2017-05-24 | 北方工业大学 | 一种基于时域二维特性的振动源识别方法及系统 |
CN106980262A (zh) * | 2017-03-21 | 2017-07-25 | 西安交通大学 | 基于核递归最小二乘算法的自适应飞行器鲁棒控制方法 |
-
2018
- 2018-05-29 CN CN201810531023.3A patent/CN108717505A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150317344A1 (en) * | 2009-06-25 | 2015-11-05 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties using similarity based information retrieval and modeling |
CN104050380A (zh) * | 2014-06-26 | 2014-09-17 | 东北大学 | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 |
CN105242571A (zh) * | 2015-10-21 | 2016-01-13 | 华中科技大学 | 一种宽域氧传感器控制器仿真系统 |
CN105843177A (zh) * | 2015-11-19 | 2016-08-10 | 上海交通大学 | 铣削加工主轴转速正弦调制参数优化方法 |
CN105528516A (zh) * | 2015-12-01 | 2016-04-27 | 三门县人民医院 | 基于主元分析与超限学习机相结合的临床病理数据分类方法 |
CN105740866A (zh) * | 2016-01-22 | 2016-07-06 | 合肥工业大学 | 一种具有仿反馈调节机制的回转窑烧成状态识别方法 |
CN105740619A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN105760344A (zh) * | 2016-01-29 | 2016-07-13 | 杭州电子科技大学 | 一种化学放热反应的分布式主元分析神经网络建模方法 |
CN106706109A (zh) * | 2016-12-15 | 2017-05-24 | 北方工业大学 | 一种基于时域二维特性的振动源识别方法及系统 |
CN106980262A (zh) * | 2017-03-21 | 2017-07-25 | 西安交通大学 | 基于核递归最小二乘算法的自适应飞行器鲁棒控制方法 |
Non-Patent Citations (2)
Title |
---|
KANG-KANG XU 等: "Kernel-Based Random Vector Functional-Link Network for Fast Learning of Spatiotemporal Dynamic Processes", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
刘朋飞: "管式催化反应分布参数过程建模与控制仿真研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045606A (zh) * | 2019-03-25 | 2019-07-23 | 中南大学 | 一种用于分布式参数系统在线建模的增量时空学习方法 |
CN111625995A (zh) * | 2020-05-25 | 2020-09-04 | 广东工业大学 | 一种集成遗忘机制和双超限学习机的在线时空建模方法 |
CN111625995B (zh) * | 2020-05-25 | 2022-06-24 | 广东工业大学 | 一种集成遗忘机制和双超限学习机的在线时空建模方法 |
CN113568309A (zh) * | 2021-07-27 | 2021-10-29 | 中南大学 | 用于温度场的在线时空控制方法 |
CN113568309B (zh) * | 2021-07-27 | 2024-06-04 | 中南大学 | 用于温度场的在线时空控制方法 |
CN117216489A (zh) * | 2023-11-07 | 2023-12-12 | 山东正为新材料科技有限公司 | 一种基于互联网的防水涂料质检分析方法及系统 |
CN117216489B (zh) * | 2023-11-07 | 2024-01-26 | 山东正为新材料科技有限公司 | 一种基于互联网的防水涂料质检分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717505A (zh) | 一种基于k-rvfl的固化热过程时空建模方法 | |
CN106055888B (zh) | 基于误差预测修正的变压器顶层油温预测方法和装置 | |
CN109755683A (zh) | 一种基于压缩感知理论的电池包内部温度实时监测方法 | |
Shahane et al. | Optimization of solidification in die casting using numerical simulations and machine learning | |
CN109145346A (zh) | 基于双重最小二乘支持向量机的固化热过程时空建模方法 | |
CN115186488A (zh) | 一种锂电池温度场时空建模方法及系统 | |
CN107169157A (zh) | 一种结构传热分析有限元建模方法 | |
CN108090613A (zh) | 一种进近管制扇区管制员工作负荷预测方法 | |
Khodapanah et al. | Estimating power factor of induction motors at any loading conditions using support vector regression (SVR) | |
CN115758841A (zh) | 一种面向数字孪生应用的变压器温度场有限元降阶建模方法 | |
CN116306248A (zh) | 基于时空非线性误差补偿模型的锂电池温度场预测方法 | |
Yang et al. | A new method for transformer hot-spot temperature prediction based on dynamic mode decomposition | |
CN108763759A (zh) | 一种基于isomap的固化热过程时空建模方法 | |
Wan et al. | Estimation of distributed thermal boundary based on fuzzy clustering of temperature observable points | |
CN113283784B (zh) | 基于区间优化算法的可靠性逆问题模型及其求解方法 | |
Codecasa et al. | Multipoint moment matching reduction from port responses of dynamic thermal networks | |
Wang et al. | Research on digital twin modeling method of transformer temperature field based on POD | |
Wang et al. | Estimation of interfacial heat transfer coefficient in inverse heat conduction problems based on artificial fish swarm algorithm | |
CN116050261A (zh) | 油浸式变压器热点温度预测方法、系统、设备和存储介质 | |
Wang et al. | Inversion of Thermal Conductivity in Two‐Dimensional Unsteady‐State Heat Transfer System Based on Boundary Element Method and Decentralized Fuzzy Inference | |
Schlanger | A one-dimensional numerical model of heat transfer in the process of tire vulcanization | |
Xu et al. | Dual extreme learning machine based online spatiotemporal modeling with adaptive forgetting factor | |
CN113239542A (zh) | 基于分数阶热路模型的干式变压器温度计算方法及系统 | |
Frank et al. | Computation-efficient simulation of nonlinear thermal boundary conditions for large-scale models | |
CN116341399A (zh) | 一种基于物理约束神经网络的热工水力换热系数预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181030 |
|
RJ01 | Rejection of invention patent application after publication |