CN110873699A - 粘结片的在线质量控制方法、装置、系统和存储介质 - Google Patents
粘结片的在线质量控制方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN110873699A CN110873699A CN201811005533.3A CN201811005533A CN110873699A CN 110873699 A CN110873699 A CN 110873699A CN 201811005533 A CN201811005533 A CN 201811005533A CN 110873699 A CN110873699 A CN 110873699A
- Authority
- CN
- China
- Prior art keywords
- index
- bonding sheet
- process parameter
- spectrum
- relation model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000003908 quality control method Methods 0.000 title claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000001879 gelation Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000001276 controlling effect Effects 0.000 abstract 2
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 239000011347 resin Substances 0.000 description 6
- 229920005989 resin Polymers 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 239000003365 glass fiber Substances 0.000 description 4
- 239000003292 glue Substances 0.000 description 4
- 239000004744 fabric Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 238000012569 chemometric method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005250 beta ray Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011256 inorganic filler Substances 0.000 description 1
- 229910003475 inorganic filler Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种粘结片的在线质量控制方法、装置、系统和存储介质。所述粘结片的在线质量控制方法包括：在线获取粘结片的近红外光谱数据；根据所述光谱数据在预先建立的光谱‑指标关系模型中获得对应的粘结片的至少一项指标；判断所述指标是否达到要求；若否，根据预先建立的指标‑过程参数关系模型，获得设备的至少一个过程参数并调整。本发明通过在线采集粘结片的光谱，根据粘结片的指标与光谱、指标与设备参数之间的关系，推算出粘结片要达到某项指标要求时对应的生产设备的参数，从而在线控制设备调整参数，以获得期望的指标，实现了粘结片质量的在线、智能化控制，减少人工干预，调控及时，可提高生产效率和粘结片的整体质量。
Description
技术领域
本发明实施例涉及印制电路板及覆铜板的制造技术，尤其涉及一种粘结片的在线质量控制方法、装置、系统和存储介质。
背景技术
粘结片是多层印制板生产中的主要材料之一，主要由树脂和增强材料组成，增强材料又分为玻纤布、玻纤纸、木浆纸等几种类型，还可加入导电材料使其具备导电能力。
印制电路板用粘结片的生产工艺路线主要有以下几个步骤：玻纤布开卷-预浸树脂-主浸树脂-调节设备参数-烘干-粘结片检测-粘结片收卷。现有技术中，粘结片指标自动控制方法是：采用在线测试技术如λ射线测单重、β射线测单重、X射线测单重、近红外测试树脂含量等，反馈测试结果，然后进行人工调节设备参数，并且是单一指标的检测和设备调节。
λ射线测单重、β射线测单重、X射线测单重的基本原理是比尔吸收定律，但是这些测试方法由于影响因素比较多，如玻纤布成分的变化、无机填料成分的变化、树脂成分的变化、光源的衰减、粘结片的振动等，都会造成单重测试结果的偏差过大，不能满足粘结片单重品质控制高精度的要求。
发明内容
本发明提供一种粘结片的在线质量控制方法、装置、系统和存储介质，以实现在粘结片生产过程中实时调控生产设备，使粘结片的质量达到要求。
第一方面，本发明实施例提供了一种粘结片的在线质量控制方法，包括：
在线获取粘结片的近红外光谱数据；
根据所述光谱数据在预先建立的光谱-指标关系模型中获得对应的粘结片的至少一项指标；
判断所述指标是否达到要求；
若否，根据预先建立的指标-过程参数关系模型，获得设备的至少一个过程参数并调整。
进一步的，在线获取粘结片的光谱数据之前，还包括：
建立光谱-指标关系模型，具体包括：
分别采集多个粘结片样品的光谱数据和至少一项指标；
将所述多个粘结片样品分为第一校正集样品和第一验证集样品；
利用所述第一校正集样品，通过化学计量学方法，将所述第一校正集样品的光谱数据分别与每一项指标进行关联，建立至少一个光谱-指标关系模型。
进一步的，建立光谱-指标关系模型，还包括：
将第一验证集样品的光谱数据代入所述光谱-指标关系模型，获得所述第一验证集样品的指标的预测值；
将所述预测值与采集到的所述第一验证集样品的指标进行对比，确认所述光谱-指标关系模型是否有效。
进一步的，在线获取粘结片的光谱数据之前，还包括：
建立指标-过程参数关系模型，具体包括：
分别采集多个粘结片样品的至少一项指标和对应设备的至少一项过程参数；
将所述多个粘结片样品分为第二校正集样品和第二验证集样品；
通过人工智能算法，将所述第二校正集样品的至少一项指标与对应的设备的至少一个过程参数进行关联，建立指标-过程参数关系模型；
其中，所述指标-过程参数关系模型包括单指标-多过程参数关系模型和多指标-多过程参数关系模型。
进一步的，建立指标-过程参数关系模型，还包括：
根据所述第二验证样品的至少一项指标、对应的设备的至少一个过程参数，通过平均绝对误差和/或平均平方误差，确定所述指标-过程参数关系模型的效果。
第二方面，本发明提供一种粘结片的在线质量控制装置，包括：
光谱采集模块，用于在线获取粘结片的近红外光谱数据；
指标计算模块，用于根据所述光谱数据在预先建立的光谱-指标关系模型中获得对应的粘结片的至少一项指标；
指标确认模块，用于判断所述指标是否达到要求；
过程参数调整模块，用于若所述指标未达到要求，根据预先建立的指标-过程参数关系模型，获得设备的至少一个过程参数并调整。
进一步的，所述在线质量控制装置还包括：模型建立模块，用于建立光谱-指标关系模型，具体包括：
采样子模块，用于分别采集多个粘结片样品的光谱数据和至少一项指标，并将所述多个粘结片样品分为第一校正集样品和第一验证集样品；
统计分析子模块，用于利用所述第一校正集样品，通过化学计量学方法，将所述第一校正集样品的光谱数据分别与每一项指标进行关联，建立至少一个光谱-指标关系模型。
进一步的，模型建立模块还包括：
模型验证子模块，用于将验证集样品的光谱数据代入至少一个所述光谱-指标关系模型，获得所述验证集样品的指标的预测值；
将所述预测值与采集到的所述验证集样品的指标进行对比，确认所述光谱-指标关系模型是否有效。
进一步的，所述模型建立模块还用于：建立指标-过程参数关系模型，具体包括：
采样子模块，还用于分别采集多个粘结片样品的至少一项指标和对应设备的至少一项过程参数，并将所述多个粘结片样品分为第二校正集样品和第二验证集样品；
人工智能子模块，用于通过人工智能算法，将所述第二校正集样品的至少一项指标与对应的设备的至少一个过程参数进行关联，建立指标-过程参数关系模型；
其中，所述指标-过程参数关系模型包括单指标-多过程参数关系模型和多指标-多过程参数关系模型。
进一步的，模型验证子模块还用于根据所述第二验证集样品的至少一项指标、对应的设备的至少一个过程参数，通过平均绝对误差和/或平均平方误差，确定所述指标-过程参数关系模型的效果。
第三方面，本发明实施例还提供了一种粘结片的在线质量控制系统，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
近红外光谱仪，包括光谱采集模块，用于在线获取粘结片的光谱数据；
采样设备，用于分别采集多个粘结片样品的至少一项指标，包括电子天平、粘结片凝胶化时间测试仪、压机和烘箱；
至少一个设备PLC，用于获取至少一台设备的至少一个过程参数；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的粘结片的在线质量控制方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的粘结片的在线质量控制方法。
本发明通过在线采集粘结片的近红外光谱，根据粘结片的指标与光谱、指标与设备参数之间的关系，推算出粘结片要达到某项指标要求时对应的生产设备的参数，从而在线控制设备调整参数，以获得期望的指标，实现了粘结片质量的在线、智能化控制，减少人工干预，调控及时，可提高生产效率和粘结片的整体质量。
附图说明
图1为本发明实施例一中粘结片的在线质量控制方法的流程图；
图2是本发明实施例二中粘结片的在线质量控制装置的结构示意图；
图3是本发明实施例三中粘结片的在线质量控制系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本实施例提供了一种粘结片的在线质量控制方法，用于实时监测粘结片的各项指标，并针对不合格的指标调整生产设备的过程参数，以实现粘结片质量的实时调控。
图1为本实施例中粘结片的在线质量控制方法的流程图。如图1所示，粘结片的在线质量控制方法包括如下步骤：
S11，在线获取粘结片的近红外光谱数据。
在粘结片烘干之后，收卷之前，通过近红外光谱仪采集粘结片的光谱数据，光谱测定范围为10000～4000cm-1。
S12，根据所述光谱数据在预先建立的光谱-指标关系模型中获得对应的粘结片的至少一项指标。
在步骤S12之前，还包括：建立光谱-指标关系模型，具体包括：
分别采集多个粘结片样品的光谱数据和至少一项指标，指标包括但不限于粘结片的单重、凝胶化时间(gel time，GT)、树脂流动度和挥发物含量。
将所述多个粘结片样品分为第一校正集样品和第一验证集样品。
利用所述第一校正集样品通过化学计量学方法，将所述校正集样品的光谱数据分别与每一项指标进行关联，建立至少一个光谱-指标关系模型。化学计量方法包括最小二乘法、线性回归等常用的统计分析方法，参考国家标准《分子光谱多元校正定量分析通则》，将测定的光谱数据和指标数据进行预处理后，选择合适的化学计量学方法将校正集样品的光谱数据和每一项指标分别进行关联，通过矩阵运算，把光谱矩阵和单项指标矩阵联系起来，建立校正模型。
相应的，还需要通过所述第一验证集样品验证所述光谱-指标关系模型，包括：
将第一验证集样品的光谱数据代入所述光谱-指标关系模型，获得所述验证集样品的指标的预测值；将所述预测值与采集到的所述验证集样品的指标的实际值进行对比，确认所述光谱-指标关系模型是否有效。
若所述光谱-指标关系模型有效，可将实时采集到的光谱数据代入光谱-指标关系模型中，获得对应的粘结片的至少一项指标，用于后续步骤；否则，通过其他样品的光谱数据和指标对所述光谱-指标关系模型进行进一步的校正。
进一步的，在步骤S14之前还包括：建立指标-过程参数关系模型，具体包括：
分别采集多个粘结片样品的至少一项指标和对应设备的至少一项过程参数；设备包括计量辊、烘箱、开卷机、收卷机、浸胶槽等，设备的过程参数包括但不限于计量辊间隙、烘箱温度、计量辊线速度和胶水粘度。
将所述多个粘结片样品分为第二校正集样品和第二验证集样品。
通过人工智能算法，将所述第二校正集样品的至少一项指标与对应的设备的至少一个过程参数进行关联，建立指标-过程参数关系模型。人工智能算法包括深度神经网络(DNN)、渐进梯度决策树(GBDT)、随机深林(RF)算法、XGBoost(eXtreme GradientBoosting)等任意一种或多种，通过对大量样品的机器学习进行建模。
与单个指标相关的过程参数可能有多个，一个过程参数也可能影响多项指标，所以所述指标-过程参数关系模型包括单指标-多过程参数关系模型和多指标-多过程参数关系模型。
相应的，还需要通过所述第二验证集样品验证所述指标-过程参数关系模型，包括：
根据所述第二验证集样品的至少一项指标、对应的设备的至少一个过程参数，通过平均绝对误差和/或平均平方误差，确定所述指标-过程参数关系模型的效果，将确定有效的关系模型应用于设备过程参数的预测和调整。
S13，判断所述指标是否达到要求,若是，返回执行步骤S11，若否，执行步骤S14。
判断步骤S12中获得的指标是否达到要求，若是，继续每隔一段时间采集粘结片的光谱判断其指标是否合格，若否，则需要调节生产设备的过程参数，执行步骤S14。
S14，根据预先建立的指标-过程参数关系模型，获得设备的至少一个过程参数并调整。
设备过程参数的调节包括两种方式：一是根据步骤S12中获得的指标与生产要求的指标进行对比，将差值代入指标-过程参数关系模型，计算得到过程参数需要调整的量。二是，将生产要求的指标代入指标-过程参数关系模型中，获得过程参数的理论值，对各项过程参数进行调整。
需要注意的是，过程参数可能有多个，关系模型建模时，应分析出各个过程参数的权重，在调整时根据权重选择一个或多个过程参数调整。
例如，7628型号的粘结片，单重规格为370±5g/m2,采用计算机网络系统实时采集设备过程参数，把单重和过程参数传输给人工智能算法平台进行工艺建模，当近红外光谱仪测试到粘结片单重为374.5g/m2，该单重接近规格线，需要实时调整计量辊的间隙和胶水粘度，这时人工智能算法平台输出计量辊间隙的参数0.251mm(比原来的间隙减少0.10mm)和胶水粘度的参数60s(比原来的粘度降低5s),设备进行自动调节，调节后,近红外光谱仪测试到粘结片单重为370.5g/m2，该单重接近规格中心值，调节有效，实现粘结片单重的智能控制。
本实施例通过在线采集粘结片的近红外光谱，根据粘结片的指标与光谱、指标与设备参数之间的关系，推算出粘结片要达到某项指标要求时对应的生产设备的参数，从而实时控制设备调整参数，以获得期望的指标。本实施例实现了粘结片质量的在线、智能化控制，减少人工干预，调控及时，可提高生产效率和粘结片的整体质量。
实施例二
本实施例提供了一种粘结片的在线质量控制装置，用于执行上述实施例的在线质量控制方法，该装置由软件和/或硬件组成。
图2是本实施例中粘结片的在线质量控制装置的结构示意图。如图2所示，该装置包括：
光谱采集模块21，用于在线获取粘结片的近红外光谱数据；
指标计算模块22，用于根据所述光谱数据在预先建立的光谱-指标关系模型中获得对应的粘结片的至少一项指标；
指标确认模块23，用于判断所述指标是否达到要求；
过程参数调整模块24，用于若所述指标未达到要求，根据预先建立的指标-过程参数关系模型，获得设备的至少一个过程参数并调整。
进一步的，所述在线质量控制装置还包括：模型建立模块25，用于建立光谱-指标关系模型，具体包括：
采样子模块251，用于分别采集多个粘结片样品的光谱数据和至少一项指标，并将所述多个粘结片样品分为第一校正集样品和第一验证集样品；
统计分析子模块252，用于利用所述第一校正集样品，通过化学计量学方法，将所述第一校正集样品的光谱数据分别与每一项指标进行关联，建立至少一个光谱-指标关系模型。
进一步的，模型建立模块25还包括：
模型验证子模块254，用于将验证集样品的光谱数据代入至少一个所述光谱-指标关系模型，获得所述验证集样品的指标的预测值；将所述预测值与采集到的所述验证集样品的指标进行对比，确认所述光谱-指标关系模型是否有效。
进一步的，所述模型建立模块25还用于：建立指标-过程参数关系模型，具体包括：
采样子模块251，还用于分别采集多个粘结片样品的至少一项指标和对应设备的至少一项过程参数，并将所述多个粘结片样品分为第二校正集样品和第二验证集样品；
人工智能子模块253，用于通过人工智能算法，将所述第二校正集样品的至少一项指标与对应的设备的至少一个过程参数进行关联，建立指标-过程参数关系模型；
其中，所述指标-过程参数关系模型包括单指标-多过程参数关系模型和多指标-多过程参数关系模型。
进一步的，模型验证子模块254还用于根据所述第二验证集样品的至少一项指标、对应的设备的至少一个过程参数，通过平均绝对误差和/或平均平方误差，确定所述指标-过程参数关系模型的效果。
本实施例所提供的粘结片的在线质量控制装置可执行本发明任意实施例所提供的粘结片的在线质量控制方法，具备执行方法相应的功能模块和有益效果。
实施例三
本实施例提供了一种粘结片的在线质量控制系统，图3是本实施例中粘结片的在线质量控制系统的结构示意图，如图3所示，该系统包括：
一个或多个处理器33；处理器33包括上述实施例中的指标计算模块、指标确认模块、过程参数调整模块和模型建立模块。
存储器32，用于存储一个或多个程序。
近红外光谱仪31，包括光谱采集模块，用于在线获取粘结片的光谱数据。
采样设备35，用于分别采集多个粘结片样品的至少一项指标，包括电子天平、粘结片凝胶化时间测试仪、压机和烘箱；电子天平用于测量样品的单重，凝胶化时间测试仪用于测试样品的凝胶化时间，压机用于测量样品的树脂流动度，烘箱用于测量样品的挥发物含量。
至少一个设备PLC 34，用于获取至少一台设备的至少一个过程参数，并根据过程参数调整模块的指令调整相应的过程参数；
当所述一个或多个程序被所述一个或多个处理器33执行，使得所述一个或多个处理器33实现如上实施例所述的粘结片的在线质量控制方法。
所述存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的在线质量控制方法对应的程序指令/模块。处理器33通过运行存储在存储器32中的软件程序、指令以及模块，从而执行该系统的各种功能应用以及数据处理，即实现上述的粘结片在线质量控制方法。
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例四
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上实施例所述的粘结片的在线质量控制方法。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种粘结片的在线质量控制方法，其特征在于，包括：
在线获取粘结片的近红外光谱数据；
根据所述光谱数据在预先建立的光谱-指标关系模型中获得对应的粘结片的至少一项指标；
判断所述指标是否达到要求；
若否，根据预先建立的指标-过程参数关系模型，获得设备的至少一个过程参数并调整。
2.根据权利要求1所述的在线质量控制方法，其特征在于，在线获取粘结片的光谱数据之前，还包括：
建立光谱-指标关系模型，具体包括：
分别采集多个粘结片样品的光谱数据和至少一项指标；
将所述多个粘结片样品分为第一校正集样品和第一验证集样品；
利用所述第一校正集样品，通过化学计量学方法，将所述第一校正集样品的光谱数据分别与每一项指标进行关联，建立至少一个光谱-指标关系模型。
3.根据权利要求2所述的在线质量控制方法，其特征在于，建立光谱-指标关系模型，还包括：
将第一验证集样品的光谱数据代入所述光谱-指标关系模型，获得所述第一验证集样品的指标的预测值；
将所述预测值与采集到的所述第一验证集样品的指标进行对比，确认所述光谱-指标关系模型是否有效。
4.根据权利要求1所述的在线质量控制方法，其特征在于，在线获取粘结片的光谱数据之前，还包括：
建立指标-过程参数关系模型，具体包括：
分别采集多个粘结片样品的至少一项指标和对应设备的至少一项过程参数；
将所述多个粘结片样品分为第二校正集样品和第二验证集样品；
通过人工智能算法，将所述第二校正集样品的至少一项指标与对应的设备的至少一个过程参数进行关联，建立指标-过程参数关系模型；
其中，所述指标-过程参数关系模型包括单指标-多过程参数关系模型和多指标-多过程参数关系模型。
5.根据权利要求4所述的在线质量控制方法，其特征在于，建立指标-过程参数关系模型，还包括：
根据所述第二验证样品的至少一项指标、对应的设备的至少一个过程参数，通过平均绝对误差和/或平均平方误差，确定所述指标-过程参数关系模型的效果。
6.一种粘结片的在线质量控制装置，其特征在于，包括：
光谱采集模块，用于在线获取粘结片的近红外光谱数据；
指标计算模块，用于根据所述光谱数据在预先建立的光谱-指标关系模型中获得对应的粘结片的至少一项指标；
指标确认模块，用于判断所述指标是否达到要求；
过程参数调整模块，用于若所述指标未达到要求，根据预先建立的指标-过程参数关系模型，获得设备的至少一个过程参数并调整。
7.根据权利要求6所述的在线质量控制装置，其特征在于，还包括：模型建立模块，用于建立光谱-指标关系模型，具体包括：
采样子模块，用于分别采集多个粘结片样品的光谱数据和至少一项指标，并将所述多个粘结片样品分为第一校正集样品和第一验证集样品；
统计分析子模块，用于利用所述第一校正集样品，通过化学计量学方法，将所述第一校正集样品的光谱数据分别与每一项指标进行关联，建立至少一个光谱-指标关系模型。
8.根据权利要求7所述的在线质量控制装置，其特征在于，模型建立模块还包括：
模型验证子模块，用于将验证集样品的光谱数据代入至少一个所述光谱-指标关系模型，获得所述验证集样品的指标的预测值；
将所述预测值与采集到的所述验证集样品的指标进行对比，确认所述光谱-指标关系模型是否有效。
9.根据权利要求8所述的在线质量控制装置，其特征在于，所述模型建立模块还用于：建立指标-过程参数关系模型，具体包括：
采样子模块，还用于分别采集多个粘结片样品的至少一项指标和对应设备的至少一项过程参数，并将所述多个粘结片样品分为第二校正集样品和第二验证集样品；
人工智能子模块，用于通过人工智能算法，将所述第二校正集样品的至少一项指标与对应的设备的至少一个过程参数进行关联，建立指标-过程参数关系模型；
其中，所述指标-过程参数关系模型包括单指标-多过程参数关系模型和多指标-多过程参数关系模型。
10.根据权利要求9所述的在线质量控制装置，其特征在于，所述模型验证子模块还用于：
根据所述第二验证集样品的至少一项指标、对应的设备的至少一个过程参数，通过平均绝对误差和/或平均平方误差，确定所述指标-过程参数关系模型的效果。
11.一种粘结片的在线质量控制系统，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
近红外光谱仪，包括光谱采集模块，用于在线获取粘结片的光谱数据；
采样设备，用于分别采集多个粘结片样品的至少一项指标，包括电子天平、粘结片凝胶化时间测试仪、压机和烘箱；
至少一个设备PLC，用于获取至少一台设备的至少一个过程参数；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的粘结片的在线质量控制方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一所述的粘结片的在线质量控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811005533.3A CN110873699A (zh) | 2018-08-30 | 2018-08-30 | 粘结片的在线质量控制方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811005533.3A CN110873699A (zh) | 2018-08-30 | 2018-08-30 | 粘结片的在线质量控制方法、装置、系统和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110873699A true CN110873699A (zh) | 2020-03-10 |
Family
ID=69715173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811005533.3A Pending CN110873699A (zh) | 2018-08-30 | 2018-08-30 | 粘结片的在线质量控制方法、装置、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110873699A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1245570A (zh) * | 1996-12-31 | 2000-02-23 | 埃克森化学专利公司 | 化学加工车间的在线控制 |
| DE19902795A1 (de) * | 1999-01-15 | 2000-08-03 | Fraunhofer Ges Forschung | Qualitätsüberwachung bei einer Fertigung mit breitem Produktspektrum |
| WO2002014967A2 (de) * | 2000-08-17 | 2002-02-21 | Teccon S.R.L. | Verfahren zur durchführung eines automatisierten produktionsprozesses |
| CN1386218A (zh) * | 2000-08-07 | 2002-12-18 | 三井化学株式会社 | 制造控制方法 |
| CN1403822A (zh) * | 2002-09-26 | 2003-03-19 | 浙江大学 | 中药生产工艺中产品质量指标在线检测 |
| CN101832921A (zh) * | 2009-03-10 | 2010-09-15 | 承德颈复康药业集团有限公司 | 近红外在线检测控制中药药粉二维混合的均匀度的方法 |
| CN102567812A (zh) * | 2012-01-09 | 2012-07-11 | 红云红河烟草(集团)有限责任公司 | 一种烟草加工工序中用加工参数预测控制指标的方法 |
| CN103018181A (zh) * | 2012-12-14 | 2013-04-03 | 江苏大学 | 基于相关性分析和elm神经网络的软测量方法 |
| CN202915890U (zh) * | 2012-11-09 | 2013-05-01 | 广东生益科技股份有限公司 | 粘结片单重在线检测系统 |
| TW201818169A (zh) * | 2016-11-15 | 2018-05-16 | 國立中興大學 | 建構加工專家系統的方法及使用此方法的電子裝置 |
-
2018
- 2018-08-30 CN CN201811005533.3A patent/CN110873699A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1245570A (zh) * | 1996-12-31 | 2000-02-23 | 埃克森化学专利公司 | 化学加工车间的在线控制 |
| DE19902795A1 (de) * | 1999-01-15 | 2000-08-03 | Fraunhofer Ges Forschung | Qualitätsüberwachung bei einer Fertigung mit breitem Produktspektrum |
| CN1386218A (zh) * | 2000-08-07 | 2002-12-18 | 三井化学株式会社 | 制造控制方法 |
| WO2002014967A2 (de) * | 2000-08-17 | 2002-02-21 | Teccon S.R.L. | Verfahren zur durchführung eines automatisierten produktionsprozesses |
| CN1403822A (zh) * | 2002-09-26 | 2003-03-19 | 浙江大学 | 中药生产工艺中产品质量指标在线检测 |
| CN101832921A (zh) * | 2009-03-10 | 2010-09-15 | 承德颈复康药业集团有限公司 | 近红外在线检测控制中药药粉二维混合的均匀度的方法 |
| CN102567812A (zh) * | 2012-01-09 | 2012-07-11 | 红云红河烟草(集团)有限责任公司 | 一种烟草加工工序中用加工参数预测控制指标的方法 |
| CN202915890U (zh) * | 2012-11-09 | 2013-05-01 | 广东生益科技股份有限公司 | 粘结片单重在线检测系统 |
| CN103018181A (zh) * | 2012-12-14 | 2013-04-03 | 江苏大学 | 基于相关性分析和elm神经网络的软测量方法 |
| TW201818169A (zh) * | 2016-11-15 | 2018-05-16 | 國立中興大學 | 建構加工專家系統的方法及使用此方法的電子裝置 |
Non-Patent Citations (6)
| Title |
|---|
| BO JIANG ET AL.: "Near Infrared Spectroscopy for On-line Monitoring of Alkali- Free Cloth /Phenolic Resin Prepreg During Manufacture", 《INTERNATIONAL JOURNAL OF MOLECULAR SCIENCES》 * |
| MISUK KIM ET AL.: "Virtual Metrology for Copper-Clad Laminate Manufacturing", 《COMPUTERS & INDUSTRIAL ENGINEERING》 * |
| WEI LI ET AL.: "NIR Spectroscopy: A Useful Tool for Quality Control of Glass/Phenolic Prepreg Manufacture", 《POLYMERS & POLYMER COMPOSITES》 * |
| WEI LI ET AL.: "The application of near infrared spectroscopy in the quality control analysis of glass/phenolic resin prepreg", 《JOURNAL OF MATERIAL SCIENCE》 * |
| 姜波 等: "预浸料生产中智能控制系统的应用", 《材料科学与工艺》 * |
| 徐燕 等: "预浸料的质量控制", 《材料导报A：综述篇》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| CN112034095B (zh) | 在线烘后烟丝结构分析系统及方法 | |
| CN110987862A (zh) | 一种柴油在线调和方法 | |
| CN109831881B (zh) | 粘结片单重的在线控制方法和装置 | |
| CN112021626B (zh) | 烟用制丝环节智能化控制系统及方法 | |
| CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
| CN113017132A (zh) | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 | |
| CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
| CN109144986A (zh) | 一种工业设备数据的重要性评估方法 | |
| CN112021641B (zh) | 烟用制丝环节在线水分仪校验系统 | |
| CN112273696A (zh) | 切丝后水分控制方法、装置以及设备 | |
| CN105795497A (zh) | 一种提高烘丝机故障分析的数据采集方法 | |
| CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
| CN109508895A (zh) | 烟草制丝设备的控制性能评估装置、方法以及存储介质 | |
| CN109765192B (zh) | 基于高光谱技术的绝缘子表面含水量的检测方法 | |
| CN105996106A (zh) | 一种基于气流干燥的烟丝质量控制方法及系统 | |
| CN113758890A (zh) | 一种气体浓度计算方法、装置、设备及存储介质 | |
| CN115860280B (zh) | 一种页岩气产量预测方法、装置、设备及存储介质 | |
| CN112132316A (zh) | 制丝环节在线设备异常监控系统及方法 | |
| CN110873698B (zh) | 胶液混制质量的在线控制方法、装置、系统和存储介质 | |
| CN110873699A (zh) | 粘结片的在线质量控制方法、装置、系统和存储介质 | |
| US20200086546A1 (en) | Method for controlling film production | |
| CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
| CN117148006A (zh) | 一种基于载波通信的plc柜监测方法及装置 | |
| CN117193178A (zh) | 一种玻璃纤维复合板的生产工艺优化控制方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200310 |