CN111045407A - 腐蚀箔生产控制方法及装置 - Google Patents

腐蚀箔生产控制方法及装置 Download PDF

Info

Publication number
CN111045407A
CN111045407A CN201911336314.8A CN201911336314A CN111045407A CN 111045407 A CN111045407 A CN 111045407A CN 201911336314 A CN201911336314 A CN 201911336314A CN 111045407 A CN111045407 A CN 111045407A
Authority
CN
China
Prior art keywords
corrosion
foil
machine
corrosion foil
hidden layer
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.)
Granted
Application number
CN201911336314.8A
Other languages
English (en)
Other versions
CN111045407B (zh
Inventor
向云刚
肖远龙
罗向军
何凤荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan HEC Tech R&D Co Ltd
Dongguan Dongyang Guangke Research and Development Co Ltd
Ruyuan Yao Autonomous County Dongyangguang Formed Foil Co Ltd
Original Assignee
Dongguan HEC Tech R&D Co Ltd
Ruyuan Yao Autonomous County Dongyangguang Formed Foil Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan HEC Tech R&D Co Ltd, Ruyuan Yao Autonomous County Dongyangguang Formed Foil Co Ltd filed Critical Dongguan HEC Tech R&D Co Ltd
Priority to CN201911336314.8A priority Critical patent/CN111045407B/zh
Publication of CN111045407A publication Critical patent/CN111045407A/zh
Application granted granted Critical
Publication of CN111045407B publication Critical patent/CN111045407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Metal Rolling (AREA)

Abstract

本申请提出一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法及装置，其中，该方法包括：在控制机台生产腐蚀箔的过程中，获取为机台设置的当前腐蚀工艺参数；将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值，并在确定预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。由此，结合腐蚀箔生产工艺预测模型来预测相应腐蚀工艺参数对机台所生产的腐蚀箔性能的影响，从而实现对机台对生产腐蚀箔的准确控制，对生产高性能腐蚀箔产生重要意义。

Description

腐蚀箔生产控制方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法及装置。
背景技术
铝电解电容器以单位体积电容量大、体积小、重量轻、自愈性能好和价廉等优点而著称，在各种电子电路中铝电解电容器被广泛用于低频滤波、音频耦合、隔直流、储能等方面，属于大量使用的、不可取代的电子元件之一。近年来，随着国际信息产业的飞速发展，铝电解电容器的应用领域也伴随显示器、电源供应市场、主板更新以及汽车电子的发展而得以拓宽。
然而，由于电子整机的组装密度和集成化程度增加以及迅速发展，这对铝电解电容器提出了更高标准的要求，如：小型化、高容量化、长寿命化、环保化和高频低阻抗等。如今，这些高性能高标准却受制于腐蚀箔的比容大小。研究表明，提高比容最有效的方法是增加腐蚀箔的比表面积，而提高腐蚀箔的比表面积主要是将含有立方织构的铝箔放入高温的酸溶液体系中进行电化学腐蚀。
目前，对于腐蚀工序，影响腐蚀箔性能的因素多达几十个，各个因素之间往往还存在交互作用，而在目前的机台生产中，通过人为地调整工艺参数来改善腐蚀箔性能具有很大的主观性和盲目性，容易造成机台所生产出的腐蚀箔的比容大小不满足要求。因此，如何准确控制机台生产腐蚀箔，对生产高性能腐蚀箔产生重要意义。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
本申请的第二个目的在于提出一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法，所述方法包括：获取为机台设置的当前腐蚀工艺参数；将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值；判断预测出的腐蚀箔的比容值是否超过预设阈值；如果预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。
本申请实施例提供的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法，在控制机台生产腐蚀箔的过程中，获取为机台设置的当前腐蚀工艺参数；将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值，并在确定预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。由此，结合腐蚀箔生产工艺预测模型来预测相应腐蚀工艺参数对机台所生产的腐蚀箔性能的影响，从而实现对机台对生产腐蚀箔的准确控制，对生产高性能腐蚀箔产生重要意义。
进一步地，还包括：获取训练数据，所述训练数据包括第一腐蚀工艺样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值；根据所述第一腐蚀工艺样本参数和所述第一比容实际值，对建立的极限学习模型进行训练，得到所述腐蚀箔生产工艺预测模型。
进一步地，所述方法还包括：获取测试数据，其中，所述测试数据包括第二腐蚀工艺测试样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第二比容实际值；将所述第二腐蚀工艺测试样本参数输入到所述腐蚀箔生产工艺预测模型中，以获取所述腐蚀箔生产工艺预测模型输出的比容预测值；根据所述比容预测值与所述第二比容实际值之间的差异度是否小于预设的差异度阈值；如果两者之间的差异度小于预设的差异度阈值，则确定所述腐蚀箔生产工艺预测模型符合要求。
进一步地，在所述根据所述第一腐蚀工艺样本参数和所述第一比容实际值，对建立的极限学习模型进行训练，得到所述腐蚀箔生产工艺预测模型之前，还包括：获取为极限学习机选择的多个候选激活函数；获取为所述极限学习机设置的隐含层节点数搜索范围以及搜索步长；根据所述隐含层节点数搜索范围、所述搜索步长和所述候选激活函数进行组合，并根据组合结果，建立网格搜索空间，其中，所述网格搜索空间包括多个网格节点，一个所述网格节点与一个候选激活函数和一个隐含层节点数的组合对应的，所述网络节点所对应的隐含层节点数位于所述隐含层节点数搜索范围之中，且由所述搜索步长的非负正整数倍和所述隐含节点数搜索范围的上下限值所确定的；根据各个网格节点对应的候选激活函数和隐含层节点数点，分别建立各个极限学习机；采用十折交叉验证算法，利用所述第一腐蚀工艺样本参数和所述第一比容实际值，确定每个网络节点所建立的极限学习机的预测准确度；采用网格搜索算法，从所述多个网格节点中，选择出预测准确度最大的极限学习机所对应的网格节点为目标网格节点；将所述目标网格节点所对应的候选激活函数作为最佳激活函数，并将所述目标网格节点所对应的隐含层节点数作为最佳隐含层节点数；根据所述最佳激活函数和所述最佳隐含层节点数，建立所述极限学习模型。
进一步地，所述方法还包括：如果所述预测出的腐蚀箔的比容值未超过预设阈值，则对所述机台进行预警提示，并提示对所述机台的当前腐蚀工艺参数进行调整，以使调整腐蚀工艺参数的所述机台所生成的腐蚀箔的比容值超过预设阈值。
为达上述目的，本申请第二方面实施例提出了一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置，所述装置包括：第一获取模块，用于获取为机台设置的当前腐蚀工艺参数；预测模块，用于将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值；判断模块，用于判断预测出的腐蚀箔的比容值是否超过预设阈值；控制模块，用于如果预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。
进一步地，还包括：第二获取模块，用于获取训练数据，所述训练数据包括第一腐蚀工艺样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值；模型训练模块，用于根据所述第一腐蚀工艺样本参数和所述第一比容实际值，对建立的极限学习模型进行训练，得到所述腐蚀箔生产工艺预测模型。
进一步地，所述装置还包括：第三获取模块，用于获取测试数据，其中，所述测试数据包括第二腐蚀工艺测试样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第二比容实际值；第四获取模块，用于将所述第二腐蚀工艺测试样本参数输入到所述腐蚀箔生产工艺预测模型中，以获取所述腐蚀箔生产工艺预测模型输出的比容预测值；比较模块，用于根据所述比容预测值与所述第二比容实际值之间的差异度是否小于预设的差异度阈值；第一确定模块，用于如果两者之间的差异度小于预设的差异度阈值，则确定所述腐蚀箔生产工艺预测模型符合要求。
进一步地，还包括：第五获取模块，用于获取为极限学习机选择的多个候选激活函数；第六获取模块，用于获取为所述极限学习机设置的隐含层节点数搜索范围以及搜索步长；第一建立模块，用于根据所述隐含层节点数搜索范围、所述搜索步长和所述候选激活函数进行组合，并根据组合结果，建立网格搜索空间，其中，所述网格搜索空间包括多个网格节点，一个所述网格节点与一个候选激活函数和一个隐含层节点数的组合对应的，所述网络节点所对应的隐含层节点数位于所述隐含层节点数搜索范围之中，且由所述搜索步长的非负正整数倍和所述隐含节点数搜索范围的上下限值所确定的；第二建立模块，用于根据各个网格节点对应的候选激活函数和隐含层节点数点，分别建立各个极限学习机；第二确定模块，用于采用十折交叉验证算法，利用所述第一腐蚀工艺样本参数和所述第一比容实际值，确定每个网络节点所建立的极限学习机的预测准确度；选择模块，用于采用网格搜索算法，从所述多个网格节点中，选择出预测准确度最大的极限学习机所对应的网格节点为目标网格节点；第三确定模块，用于将所述目标网格节点所对应的候选激活函数作为最佳激活函数，并将所述目标网格节点所对应的隐含层节点数作为最佳隐含层节点数；模型建立模块，用于根据所述最佳激活函数和所述最佳隐含层节点数，建立所述极限学习模型。
进一步地，所述装置还包括：提示模块，用于如果所述预测出的腐蚀箔的比容值未超过预设阈值，则对所述机台进行预警提示，并提示对所述机台的当前腐蚀工艺参数进行调整，以使调整腐蚀工艺参数的所述机台所生成的腐蚀箔的比容值超过预设阈值。
本申请实施例提供的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置，在控制机台生产腐蚀箔的过程中，获取为机台设置的当前腐蚀工艺参数；将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值，并在确定预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。由此，结合腐蚀箔生产工艺预测模型来预测相应腐蚀工艺参数对机台所生产的腐蚀箔性能的影响，从而实现对机台对生产腐蚀箔的准确控制，对生产高性能腐蚀箔产生重要意义。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
为了实现上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，当所述存储介质中的指令被处理器执行时，实现如上所述的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法的流程示意图；
图2为训练腐蚀箔生产工艺预测模型的细化流程图；
图3为验证腐蚀箔生产工艺预测模型的细化流程图；
图4为比容预测值和比容实际值的相对误差的结果示意图；
图5为本申请实施例提供的一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置的结构示意图；
图6为本申请实施例提供的另一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置的结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法及装置。
图1为本申请实施例提供的一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法的流程示意图。
其中，需要说明的是，本实施例的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法的执行主体为基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置，该装置可以配置在用于对机台进行控制的电子设备中，电子设备可以包括但不限于计算机、平台电脑、服务器等，该实施例对此不作限定。
如图1所示，该基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法可以包括：
步骤101，获取为机台设置的当前腐蚀工艺参数。
其中，当前腐蚀工艺参数可以包括但不限于盐酸浓度、电流大小等对腐蚀箔性能有影响的腐蚀工艺参数。
步骤102，将当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出机台在当前腐蚀工艺参数下所生产的腐蚀箔的比容值。
其中，腐蚀箔生产工艺预测模型，已学习得到当前腐蚀工艺参数与腐蚀箔的比容值之间的映射关系。
可以理解的是，为了使得腐蚀箔生产工艺预测模型可以准确预测出相应的腐蚀箔的比容值，在本实施例中，还可以结合训练数据对腐蚀箔生产工艺预测模型进行预先训练，以得到训练好的腐蚀箔生产工艺预测模型。
其中，在不同应用场景中，结合训练数据对腐蚀箔生产工艺预测模型进行预先训练的方式不同，举例说明如下：
作为一种示例性的实施方式，获取训练数据，训练数据包括第一腐蚀工艺样本参数，以及机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值，然后，将第一腐蚀工艺样本参数作为腐蚀箔生产工艺预测模型的输入特征，并将第一比容实际值作为腐蚀箔生产工艺预测模型的输出特征，对蚀箔生产工艺预测模型进行训练，以得到腐蚀箔生产工艺预测模型。
作为另一种示例性的实施方式，可获取训练数据，训练数据包括第一腐蚀工艺样本参数，以及机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值，然后，根据第一腐蚀工艺样本参数和第一比容实际值，对建立的极限学习模型进行训练，得到腐蚀箔生产工艺预测模型。
其中，关于根据第一腐蚀工艺样本参数和第一比容实际值，对建立的极限学习模型进行训练，得到腐蚀箔生产工艺预测模型的具体实现方式将在后续实施例中描述。
步骤103，判断预测出的腐蚀箔的比容值是否超过预设阈值。
步骤104，如果预测出的腐蚀箔的比容值超过预设阈值，则控制机台基于当前腐蚀工艺参数生产腐蚀箔。
其中，预设阈值是电子设备中默认设置的比容值，也可以是用户预先根据生产需要在电子设备中预先设置的比容值，以满足实际生产需求。
本申请实施例的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法，在控制机台生产腐蚀箔的过程中，获取为机台设置的当前腐蚀工艺参数，并将当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出机台在当前腐蚀工艺参数下所生产的腐蚀箔的比容值，并在确定预测出的腐蚀箔的比容值超过预设阈值，则控制机台基于当前腐蚀工艺参数生产腐蚀箔。由此，结合腐蚀箔生产工艺预测模型来预测相应腐蚀工艺参数对机台所生产的腐蚀箔性能的影响，从而实现对机台对生产腐蚀箔的准确控制，对生产高性能腐蚀箔产生重要意义。
基于上述实施例的基础上，为了对不满足要求的机台进行预警提示，以方便对相应机台进行的腐蚀工艺参数进行相应调整，在本申请的一个实施例中，如果预测出的腐蚀箔的比容值未超过预设阈值，则对机台进行预警提示，并提示对机台的当前腐蚀工艺参数进行调整，以使调整腐蚀工艺参数的机台所生成的腐蚀箔的比容值超过预设阈值。
在本申请的一个实施例中，为了避免人工手动调整腐蚀工艺参数的麻烦，在向用户提示对机台的当前腐蚀工艺参数进行调整，如果接收到确认调整指令，可通过电子设备对机台的当前腐蚀工艺参数进行自动调整，以使调整腐蚀工艺参数的机台所生成的腐蚀箔的比容值超过预设阈值。
图2是训练腐蚀箔生产工艺预测模型的细化流程图。
如图2所示，可以包括：
步骤201，获取训练数据，训练数据包括第一腐蚀工艺样本参数，以及机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值。
步骤202，获取为极限学习机选择的多个候选激活函数。
其中，本实施例中的候选激活函数可以包括但不限于：
sigmoid函数：y＝1/(1+exp(-x))；
tanh函数：y＝2/(1+exp(-2*x))-1；
softplus函数：y＝ln(1+exp(x))；
swish函数：y＝x*sigmoid(x)；
sin函数：y＝sin(x)；
sinerelu函数：y＝0.05*sin(x)*(x<0)+x*(x>＝0)；
xtanh函数：y＝x*tanh(x)；
其中，exp为自然指数函数，ln为自然对数函数，sin为正弦函数。
步骤203，获取为极限学习机设置的隐含层节点数搜索范围以及搜索步长。
在本实施例中，可根据实际需求设置隐含层节点数搜索范围以及搜索步长。例如，隐含层节点数搜索范围可以为[100，1000]，步长为10。
步骤204，根据隐含层节点数搜索范围、搜索步长和候选激活函数进行组合，并根据组合结果，建立网格搜索空间。
其中，网格搜索空间包括多个网格节点，一个网格节点与一个候选激活函数和一个隐含层节点数的组合对应的，网络节点所对应的隐含层节点数位于隐含层节点数搜索范围之中，且由搜索步长的非负正整数倍和隐含节点数搜索范围的上下限值所确定的。
步骤205，根据各个网格节点对应的候选激活函数和隐含层节点数点，分别建立各个极限学习机。
步骤206，采用十折交叉验证算法，利用第一腐蚀工艺样本参数和第一比容实际值，确定每个网络节点所建立的极限学习机的预测准确度。
步骤207，采用网格搜索算法，从多个网格节点中，选择出预测准确度最大的极限学习机所对应的网格节点为目标网格节点。
步骤208，将目标网格节点所对应的候选激活函数作为最佳激活函数，并将目标网格节点所对应的隐含层节点数作为最佳隐含层节点数。
步骤209，根据最佳激活函数和最佳隐含层节点数，建立极限学习模型。
例如，所选择的候选激活函数为sigmoid、tanh、softplus、swish、sin、sinerelu、xtanh共计7种，设置隐含层节点数搜索范围为[100，1000]，步长为10，确定超参数搜索空间，用激活函数和隐含层节点数搜索范围以及步长划分网格，确定出激活函数和隐含层节点数的组合方式数和搜索空间；搜索最优超参数，根据4中划出的网格搜索空间，固定随机种子为2019，采用网格搜索算法并结合10折交叉验证进行超参数的搜索，经过网格搜索后，得到最佳激活函数为xtanh，最佳隐含层节点数为500，此时，可基于最佳激活函数和最佳隐含层节点数建立极限学习机模型，并通过训练数据对极限学习机模型，得到最优的腐蚀工艺预测模型。
步骤210，根据第一腐蚀工艺样本参数和第一比容实际值，对建立的极限学习模型进行训练，得到腐蚀箔生产工艺预测模型。
本实施例中，结合网格搜索算法以及十折交叉验证算法，确定出最佳激活函数和最佳隐含层节点数，并根据最佳激活函数和最佳隐含层节点数，建立极限学习机模型，并通过训练数据，对建立的极限学习机模型进行训练，准确得到了腐蚀箔生产工艺预测模型。
在本申请的一个实施例中，在训练得到腐蚀箔生产工艺预测模型后，为了验证训练得到的腐蚀箔生产工艺预测模型是否满足要求，在步骤210之后，如图3所示，还可以包括：
步骤211，获取测试数据，其中，测试数据包括第二腐蚀工艺测试样本参数，以及机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第二比容实际值。
作为一种示例，本实施例中的训练数据和测试数据可以是对样本数据按照预设比例随机地划分为训练数据和测试数据两个部分。
其中，预设比例是预先设置的，例如，预设比例可以为4:1。
在本实施例中，可获取机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值，可将所获取的数据作为样本数据，并对样本数据进行归一化处理。
例如，可采用Min-Max归一化法，归一化到[0.1，0.9]，即
xx＝0.1+(x-xmin)/(xmax-xmin)*(0.9-0.1)
其中，xmin为样本数据的最小值，xmax为样本数据的最大值，x为原始值，xx为归一化值。
步骤212，将第二腐蚀工艺测试样本参数输入到腐蚀箔生产工艺预测模型中，以获取腐蚀箔生产工艺预测模型输出的比容预测值。
步骤213，根据比容预测值与第二比容实际值之间的差异度是否小于预设的差异度阈值。
步骤214，如果两者之间的差异度小于预设的差异度阈值，则确定腐蚀箔生产工艺预测模型符合要求。
其中，差异度阈值是电子设备中默认设置的差异度，或者，用户预先在电子设备预先设置的差异度，例如，差异度可以为1％。
作为一种示例，比容预测值和比容实际值计算相对误差的结果的示例，如图4所示，通过图4可知，比容预测值和比容实际值的相对误差总体上维持在1％以下，这说明基于网格搜索算法的极限学习机(Extreme Learning Machine，ELM)建立的腐蚀箔生产工艺预测模型具有很强的泛化性能，能对不同工况的腐蚀工艺做出精准的预测，能为机台生产中腐蚀工艺参数的调整提供很大的指导，将会对生产高性能腐蚀箔产生重要意义。
图5为本申请实施例提供的一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置的结构示意图。其中，需要说明的是，本实施例的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置应用于电子设备中。
如图5所示，该基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置包括第一获取模块110、预测模块120、判断模块130和控制模块140，其中：
第一获取模块110，用于获取为机台设置的当前腐蚀工艺参数。
预测模块120，用于将当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出机台在当前腐蚀工艺参数下所生产的腐蚀箔的比容值。
判断模块130，用于判断预测出的腐蚀箔的比容值是否超过预设阈值。
控制模块140，用于如果预测出的腐蚀箔的比容值超过预设阈值，则控制机台基于当前腐蚀工艺参数生产腐蚀箔。
在本申请的一个实施例中，在图5所示的基础上，如图6所示，该装置还可以包括：
第二获取模块150，用于获取训练数据，训练数据包括第一腐蚀工艺样本参数，以及机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值。
模型训练模块160，用于根据第一腐蚀工艺样本参数和第一比容实际值，对建立的极限学习模型进行训练，得到腐蚀箔生产工艺预测模型。
在本申请一个实施例中，如图6所示，该装置还可以包括：
第三获取模块170，用于获取测试数据，其中，测试数据包括第二腐蚀工艺测试样本参数，以及机台在腐蚀工艺样本参数下实际生产腐蚀箔所得到的第二比容实际值。
第四获取模块180，用于将第二腐蚀工艺测试样本参数输入到腐蚀箔生产工艺预测模型中，以获取腐蚀箔生产工艺预测模型输出的比容预测值。
比较模块190，用于根据比容预测值与第二比容实际值之间的差异度是否小于预设的差异度阈值。
第一确定模块200，用于如果两者之间的差异度小于预设的差异度阈值，则确定腐蚀箔生产工艺预测模型符合要求。
在本申请的一个实施例中，该装置还可以包括：
第五获取模块，用于获取为极限学习机选择的多个候选激活函数。
第六获取模块，用于获取为极限学习机设置的隐含层节点数搜索范围以及搜索步长。
第一建立模块，用于根据隐含层节点数搜索范围、搜索步长和候选激活函数进行组合，并根据组合结果，建立网格搜索空间，其中，网格搜索空间包括多个网格节点，一个网格节点与一个候选激活函数和一个隐含层节点数的组合对应的，网络节点所对应的隐含层节点数位于隐含层节点数搜索范围之中，且由搜索步长的非负正整数倍和隐含节点数搜索范围的上下限值所确定的。
第二建立模块，用于根据各个网格节点对应的候选激活函数和隐含层节点数点，分别建立各个极限学习机。
第二确定模块，用于采用十折交叉验证算法，利用第一腐蚀工艺样本参数和第一比容实际值，确定每个网络节点所建立的极限学习机的预测准确度。
选择模块，用于采用网格搜索算法，从多个网格节点中，选择出预测准确度最大的极限学习机所对应的网格节点为目标网格节点。
第三确定模块，用于将目标网格节点所对应的候选激活函数作为最佳激活函数，并将目标网格节点所对应的隐含层节点数作为最佳隐含层节点数。
模型建立模块，用于根据最佳激活函数和最佳隐含层节点数，建立极限学习模型。
进一步地，装置还包括：
提示模块，用于如果预测出的腐蚀箔的比容值未超过预设阈值，则对机台进行预警提示，并提示对机台的当前腐蚀工艺参数进行调整，以使调整腐蚀工艺参数的机台所生成的腐蚀箔的比容值超过预设阈值。
其中，需要说明的是，前述对基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法实施例的解释说明也适用于该实施例的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置，此处不再赘述。
本申请实施例提供的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置，在控制机台生产腐蚀箔的过程中，获取为机台设置的当前腐蚀工艺参数；将当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出机台在当前腐蚀工艺参数下所生产的腐蚀箔的比容值，并在确定预测出的腐蚀箔的比容值超过预设阈值，则控制机台基于当前腐蚀工艺参数生产腐蚀箔。由此，结合腐蚀箔生产工艺预测模型来预测相应腐蚀工艺参数对机台所生产的腐蚀箔性能的影响，从而实现对机台对生产腐蚀箔的准确控制，对生产高性能腐蚀箔产生重要意义。
图7为本申请实施例提供的另一种电子设备的结构示意图。该电子设备可以包括：
存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。
处理器1002执行程序时实现上述实施例中提供的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
进一步地，电子设备还包括：
通信接口1003，用于存储器1001和处理器1002之间的通信。
存储器1001，用于存放可在处理器1002上运行的计算机程序。
存储器1001可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器1002，用于执行程序时实现上述实施例的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
如果存储器1001、处理器1002和通信接口1003独立实现，则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1001、处理器1002及通信接口1003，集成在一块芯片上实现，则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
处理器1002可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供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上的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法，其特征在于，所述方法包括：
获取为机台设置的当前腐蚀工艺参数；
将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值；
判断预测出的腐蚀箔的比容值是否超过预设阈值；
如果预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。
2.如权利要求1所述的方法，其特征在于，还包括：
获取训练数据，所述训练数据包括第一腐蚀工艺样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值；
根据所述第一腐蚀工艺样本参数和所述第一比容实际值，对建立的极限学习模型进行训练，得到所述腐蚀箔生产工艺预测模型。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
获取测试数据，其中，所述测试数据包括第二腐蚀工艺测试样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第二比容实际值；
将所述第二腐蚀工艺测试样本参数输入到所述腐蚀箔生产工艺预测模型中，以获取所述腐蚀箔生产工艺预测模型输出的比容预测值；
根据所述比容预测值与所述第二比容实际值之间的差异度是否小于预设的差异度阈值；
如果两者之间的差异度小于预设的差异度阈值，则确定所述腐蚀箔生产工艺预测模型符合要求。
4.如权利要求2所述的方法，其特征在于，在所述根据所述第一腐蚀工艺样本参数和所述第一比容实际值，对建立的极限学习模型进行训练，得到所述腐蚀箔生产工艺预测模型之前，还包括：
获取为极限学习机选择的多个候选激活函数；
获取为所述极限学习机设置的隐含层节点数搜索范围以及搜索步长；
根据所述隐含层节点数搜索范围、所述搜索步长和所述候选激活函数进行组合，并根据组合结果，建立网格搜索空间，其中，所述网格搜索空间包括多个网格节点，一个所述网格节点与一个候选激活函数和一个隐含层节点数的组合对应的，所述网络节点所对应的隐含层节点数位于所述隐含层节点数搜索范围之中，且由所述搜索步长的非负正整数倍和所述隐含节点数搜索范围的上下限值所确定的；
根据各个网格节点对应的候选激活函数和隐含层节点数点，分别建立各个极限学习机；
采用十折交叉验证算法，利用所述第一腐蚀工艺样本参数和所述第一比容实际值，确定每个网络节点所建立的极限学习机的预测准确度；
采用网格搜索算法，从所述多个网格节点中，选择出预测准确度最大的极限学习机所对应的网格节点为目标网格节点；
将所述目标网格节点所对应的候选激活函数作为最佳激活函数，并将所述目标网格节点所对应的隐含层节点数作为最佳隐含层节点数；
根据所述最佳激活函数和所述最佳隐含层节点数，建立所述极限学习模型。
5.如权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
如果所述预测出的腐蚀箔的比容值未超过预设阈值，则对所述机台进行预警提示，并提示对所述机台的当前腐蚀工艺参数进行调整，以使调整腐蚀工艺参数的所述机台所生成的腐蚀箔的比容值超过预设阈值。
6.一种基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制装置，其特征在于，所述装置包括：
第一获取模块，用于获取为机台设置的当前腐蚀工艺参数；
预测模块，用于将所述当前腐蚀工艺参数输入到预先训练好的腐蚀箔生产工艺预测模型中，以预测出所述机台在所述当前腐蚀工艺参数下所生产的腐蚀箔的比容值；
判断模块，用于判断预测出的腐蚀箔的比容值是否超过预设阈值；
控制模块，用于如果预测出的腐蚀箔的比容值超过预设阈值，则控制所述机台基于所述当前腐蚀工艺参数生产腐蚀箔。
7.如权利要求6所述的装置，其特征在于，还包括：
第二获取模块，用于获取训练数据，所述训练数据包括第一腐蚀工艺样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第一比容实际值；
模型训练模块，用于根据所述第一腐蚀工艺样本参数和所述第一比容实际值，对建立的极限学习模型进行训练，得到所述腐蚀箔生产工艺预测模型。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取测试数据，其中，所述测试数据包括第二腐蚀工艺测试样本参数，以及所述机台在所述腐蚀工艺样本参数下实际生产腐蚀箔所得到的第二比容实际值；
第四获取模块，用于将所述第二腐蚀工艺测试样本参数输入到所述腐蚀箔生产工艺预测模型中，以获取所述腐蚀箔生产工艺预测模型输出的比容预测值；
比较模块，用于根据所述比容预测值与所述第二比容实际值之间的差异度是否小于预设的差异度阈值；
第一确定模块，用于如果两者之间的差异度小于预设的差异度阈值，则确定所述腐蚀箔生产工艺预测模型符合要求。
9.如权利要求7所述的装置，其特征在于，还包括：
第五获取模块，用于获取为极限学习机选择的多个候选激活函数；
第六获取模块，用于获取为所述极限学习机设置的隐含层节点数搜索范围以及搜索步长；
第一建立模块，用于根据所述隐含层节点数搜索范围、所述搜索步长和所述候选激活函数进行组合，并根据组合结果，建立网格搜索空间，其中，所述网格搜索空间包括多个网格节点，一个所述网格节点与一个候选激活函数和一个隐含层节点数的组合对应的，所述网络节点所对应的隐含层节点数位于所述隐含层节点数搜索范围之中，且由所述搜索步长的非负正整数倍和所述隐含节点数搜索范围的上下限值所确定的；
第二建立模块，用于根据各个网格节点对应的候选激活函数和隐含层节点数点，分别建立各个极限学习机；
第二确定模块，用于采用十折交叉验证算法，利用所述第一腐蚀工艺样本参数和所述第一比容实际值，确定每个网络节点所建立的极限学习机的预测准确度；
选择模块，用于采用网格搜索算法，从所述多个网格节点中，选择出预测准确度最大的极限学习机所对应的网格节点为目标网格节点；
第三确定模块，用于将所述目标网格节点所对应的候选激活函数作为最佳激活函数，并将所述目标网格节点所对应的隐含层节点数作为最佳隐含层节点数；
模型建立模块，用于根据所述最佳激活函数和所述最佳隐含层节点数，建立所述极限学习模型。
10.如权利要求6-9任一项所述的装置，其特征在于，所述装置还包括：
提示模块，用于如果所述预测出的腐蚀箔的比容值未超过预设阈值，则对所述机台进行预警提示，并提示对所述机台的当前腐蚀工艺参数进行调整，以使调整腐蚀工艺参数的所述机台所生成的腐蚀箔的比容值超过预设阈值。
11.一种电子设备，其特征在于，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
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1-5中任一所述的基于腐蚀箔生产工艺预测模型的腐蚀箔生产控制方法。
CN201911336314.8A 2019-12-23 2019-12-23 腐蚀箔生产控制方法及装置 Active CN111045407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911336314.8A CN111045407B (zh) 2019-12-23 2019-12-23 腐蚀箔生产控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911336314.8A CN111045407B (zh) 2019-12-23 2019-12-23 腐蚀箔生产控制方法及装置

Publications (2)

Publication Number Publication Date
CN111045407A true CN111045407A (zh) 2020-04-21
CN111045407B CN111045407B (zh) 2021-11-12

Family

ID=70238457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911336314.8A Active CN111045407B (zh) 2019-12-23 2019-12-23 腐蚀箔生产控制方法及装置

Country Status (1)

Country Link
CN (1) CN111045407B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115255604A (zh) * 2022-08-05 2022-11-01 西北工业大学 基于差速回填式搅拌摩擦点焊控制系统的预测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761423A (zh) * 2013-12-31 2014-04-30 中南大学 一种基于pso-elm的热轧板材组织-性能预测方法
CN107122861A (zh) * 2017-04-28 2017-09-01 辽宁工程技术大学 一种基于pca‑pso‑elm的瓦斯涌出量预测方法
CN108960493A (zh) * 2018-06-22 2018-12-07 中材科技股份有限公司 玻璃材料性能的预测模型建立及预测方法、装置
WO2019035770A1 (en) * 2017-08-18 2019-02-21 Nanyang Technological University ADAPTIVE COMPUTER SYSTEM, AND METHODS AND APPARATUS FOR LEARNING THE ADAPTIVE COMPUTER SYSTEM

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761423A (zh) * 2013-12-31 2014-04-30 中南大学 一种基于pso-elm的热轧板材组织-性能预测方法
CN107122861A (zh) * 2017-04-28 2017-09-01 辽宁工程技术大学 一种基于pca‑pso‑elm的瓦斯涌出量预测方法
WO2019035770A1 (en) * 2017-08-18 2019-02-21 Nanyang Technological University ADAPTIVE COMPUTER SYSTEM, AND METHODS AND APPARATUS FOR LEARNING THE ADAPTIVE COMPUTER SYSTEM
CN108960493A (zh) * 2018-06-22 2018-12-07 中材科技股份有限公司 玻璃材料性能的预测模型建立及预测方法、装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王彦彬 等: "基于网格搜索和ELM的冲击地压危险等级预测", 《中国安全科学学报》 *
郭辉: "基于神经网络的铝电解电容器高压阳极箔腐蚀工艺研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115255604A (zh) * 2022-08-05 2022-11-01 西北工业大学 基于差速回填式搅拌摩擦点焊控制系统的预测方法和装置

Also Published As

Publication number Publication date
CN111045407B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
JP2020501238A (ja) 顔検出トレーニング方法、装置及び電子機器
CN112230153B (zh) 测量电池阻抗值的方法和装置
CN104182630A (zh) 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
CN109633448B (zh) 识别电池健康状态的方法、装置和终端设备
CN111045407B (zh) 腐蚀箔生产控制方法及装置
CN112036051B (zh) 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质
CN110361642A (zh) 一种电容器荷电状态的预测方法、装置及电子设备
CN109768340B (zh) 一种电池放电过程电压不一致性估计方法及装置
CN114895205A (zh) 电池模型参数的获取方法、装置、计算机设备、存储介质
CN114705990A (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN113240194A (zh) 储能电池容量预测方法、服务端及计算机可读存储介质
CN111221375A (zh) Mppt控制方法、装置、光伏发电设备及可读存储介质
KR101835377B1 (ko) 다변량 웨이블릿 변환 기반의 배터리팩 충전상태 추정 방법 및 그 장치
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
CN112231866A (zh) 电源分配网络的电容选择方法、装置、服务器和介质
CN110298570A (zh) 配电网系统拓扑状态辨识方法、装置、存储介质及设备
CN115393251A (zh) 印制线路板的缺陷检测方法、装置、存储介质及电子设备
CN116990691A (zh) 一种电池剩余满充时间的评估方法、装置、设备和介质
CN115587545B (zh) 一种用于光刻胶的参数优化方法、装置、设备及存储介质
CN114636933B (zh) 基于复合神经网络的退役动力电池容量的检测方法及系统
CN116307151A (zh) 充电站充电负荷预测方法、存储介质以及电子设备
CN113159318A (zh) 一种神经网络的量化方法、装置、电子设备及存储介质
CN109436980B (zh) 电梯部件的状态检测方法和系统
CN112116076A (zh) 激活函数的优化方法和优化装置
CN111831047B (zh) 基于负载可变电路的功率控制方法及装置、负载可变电路

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
GR01 Patent grant
GR01 Patent grant