CN112053019B - 一种实现光纤预制棒沉积工序智能化的方法 - Google Patents
一种实现光纤预制棒沉积工序智能化的方法 Download PDFInfo
- Publication number
- CN112053019B CN112053019B CN201910488600.XA CN201910488600A CN112053019B CN 112053019 B CN112053019 B CN 112053019B CN 201910488600 A CN201910488600 A CN 201910488600A CN 112053019 B CN112053019 B CN 112053019B
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- formula
- preform
- deposition process
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005137 deposition process Methods 0.000 title claims abstract description 29
- 239000013307 optical fiber Substances 0.000 title claims abstract description 14
- 206010063385 Intellectualisation Diseases 0.000 title claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 239000000843 powder Substances 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008094 contradictory effect Effects 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000008021 deposition Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 3
- BUMGIEFFCMBQDG-UHFFFAOYSA-N dichlorosilicon Chemical compound Cl[Si]Cl BUMGIEFFCMBQDG-UHFFFAOYSA-N 0.000 description 3
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 3
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 3
- IEXRMSFAVATTJX-UHFFFAOYSA-N tetrachlorogermane Chemical compound Cl[Ge](Cl)(Cl)Cl IEXRMSFAVATTJX-UHFFFAOYSA-N 0.000 description 3
- VXEGSRKPIUDPQT-UHFFFAOYSA-N 4-[4-(4-methoxyphenyl)piperazin-1-yl]aniline Chemical compound C1=CC(OC)=CC=C1N1CCN(C=2C=CC(N)=CC=2)CC1 VXEGSRKPIUDPQT-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000005049 silicon tetrachloride Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种实现光纤预制棒沉积工序智能化的方法。沉积过程的人工调节使得光纤预制棒质量关键参数波动大，导致预制棒报废率高，为实现沉积过程优化控制，本发明提出基于模型预测控制框架的智能化方法。首先，基于历史生产操作记录形成决策表，挖掘影响预制棒质量的因素，建立神经网络在线质量预测模型，其次，基于预测结果调节配方比例实现滚动优化，然后根据PK测试结果反馈校正沉积过程配方比例，达到稳定控制光纤预制棒质量的目标，最后现场运行结果证明该方法的有效性。本发明所提智能化方法操作简单，适应环境变化能力强，准确预测了预制棒的质量，有利于促进企业效益最大化。
Description
技术领域
本发明具体涉及一种实现光纤预制棒沉积工序智能化的方法。
背景技术
沉积工序生产光纤预制棒，主要由喷灯、气体配方和生产设备组成，这是一个化学反应＋物理变化的典型复杂工业过程。预制棒的质量分为三类：优良、合格、报废，质量等级由5个参数决定：DELTA、CV_VALUE、B/A、SLOPE和剖面类型。配方和工况对预制棒关键质量参数都有影响，关键质量参数的阶跃变化由配方引起，关键质量参数的随机波动由工况引起。沉积过程的人工调节使得光纤预制棒质量关键参数波动大，导致预制棒报废率高，为实现沉积过程优化控制，提出基于模型预测控制框架的智能化方法。沉积智能化基于历史生产数据分析，建立神经网络在线质量预测模型，基于预测结果调节配方比例实现滚动优化，根据PK测试结果反馈校正沉积过程配方比例，实现一个完整的智能化模型，准确预测预制棒质量，保证预制棒质量稳定，提高预制棒质量等级，过程操作简单，适应环境变化能力强，降低生产成本，对提高生产效益和促进企业发展具有重要意义。
发明内容
为解决预制棒报废率高的问题，实现沉积过程优化控制，提出基于模型预测控制框架的智能化方法，本发明的目的为基于历史生产数据分析，挖掘影响预制棒质量的关键因素，建立神经网络在线质量预测模型，结合滚动优化和反馈校正准确预测预制棒关键质量参数的变化趋势，稳定控制光纤预制棒质量。
图1为本发明方案框架图，本发明技术方案主要包括以下内容：深入分析预制棒沉积工序工艺，基于历史生产操作记录，对其进行数据分析，形成决策表，挖掘影响预制棒质量的关键配方和工况因素，建立神经网络在线质量预测模型，实现对关键质量参数的预测，然后基于预测结果调节配方比例实现滚动优化，最后根据PK测试结果反馈校正沉积过程配方比例。该智能化主要包括以下步骤：
1）、数据拼接：将PK测试结果与生产时沉积的数据进行拼接，即将生产过程配方数据和工况数据跟预制棒质量数据对应起来，因此需要运用数据对齐方法：从数据库读取PK测试点数据，计算出测试点对应棒号的粉棒长度。
2）、数据预处理：将拼接后的数据进行预处理，去除数据库中异常数据（包含离群数据、空白数据）、冗余数据、矛盾数据，采用粗糙集算法去除矛盾数据和重复数据，采用粗糙集算法的相对约简和分辨矩阵方法找出关键属性，去除对质量影响不大的属性变量，对数据降维。主要包括以下内容：
a、所述异常数据包含配方缺失值、无变化的属性、参数值超过或低于正常值的离群点，处理异常数据的方法均为去除异常值。
b、所述粗糙集算法是数据预处理的一种方法，目的是输出影响每个设备的关键配方和工况参数，并针对重要度进行属性排序，减少属性冗余，提高神经网络模型精度。
c、所述相对约简和分辨矩阵是粗糙集属性约简的两种基本方法，两种方法的目的相同，均为求出属性集合的核，在不改变原来对象的分类下消除冗余属性。
3）、神经网络训练：根据工艺建议和粗糙集运行结果，将关键属性放入神经网络训练，找到跟质量指标成正比的配方，建立配方跟质量指标的简单线性回归模型，根据预测结果利用建立的线性回归模型修正，找到预制棒质量指标预测最优的工况+配方组合，得到神经网络矩阵，将实际数据通过矩阵计算后可实现对指标的预测功能。主要包括以下内容：
a、所述神经网络目前取三层，利用非线性映射的思想和并行处理的方法，在对不确定性系统的控制过程中具有自动学习系统的特性，从而自动适应系统随时间的变化，以求达到对系统的最优控制。
b、所述神经网络矩阵是通过前期对大量的数据进行处理后放到神经网络训练所得到的，所用来训练的神经网络为三层的神经网络，因此训练完后会得到两个矩阵，将其直接放入数据库中，需要计算时从数据库中读取出来，将实际数据通过矩阵计算即可实现对指标的预测功能。
4）、滚动优化：根据工艺分析，或者输入跟输出的阶跃响应矩阵模型，反复对每一神经网络预测结果的偏差进行优化计算，及时调整配方比例。
5）、反馈校正：基于神经网络预测结果所做的配方调整存在一定误差，为进一步实现模型的可靠性，根据实际PK测试的预制棒质量参数对配方做反馈修正，使模型预测控制具有很强的抗扰动和克服系统不确定性的能力。
本发明所采用的技术方案具有以下有益效果：1、可实时的显示影响各参数指标的设备实时值及给出配方指标对产品影响的权重关系；
2、可实时的根据设备的参数状态，预测预制棒质量参数的值，并给出该预制棒的状态：T（最优）\S（合格）\F（报废）；
3、可对参数进行虚拟调整，从而虚拟预测出产品的结果参数变化，实现指导工艺到现场进行参数的实际调整；
4、可保证预制棒质量稳定，提高预制棒质量等级，解决预制棒报废率高的问题。
附图说明
图1为本发明的光纤预制棒沉积工序智能化整体方案框架图。
图2为本发明的沉积工序工艺图。
图3为本发明的数据拼接图。
图4为本发明的神经网络预测图。
图5、6为本发明的软件界面图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。图1为本发明的方案框架图，本发明主要包括以下内容：（1）深入分析光纤预制棒沉积工序工艺，（2）将PK测试结果与生产时沉积的数据进行拼接，（3）将拼接后的数据进行预处理，挖掘影响预制棒质量的关键配方和工况因素，（4）建立神经网络在线质量预测模型，（5）基于预测结果调节配方比例实现滚动优化，（6）根据PK测试结果反馈校正沉积过程配方比例。详细过程如下：
图2为本发明的沉积工序工艺图，主要由喷灯（含芯灯和层灯）、气体配方和生产设备组成，这是一个化学反应＋物理变化的典型复杂工业过程。在喷灯中首先由氢气和氧气燃烧生成水，然后由水跟四氯化硅反应生成二氯化硅和氯化氢气体，一层一层沉积，在沉积到一定厚度时提升机和旋转机同时运行，提升机匀速提升，旋转机匀速旋转，得到圆柱形的光纤预制棒，沉积过程的人工调节使得光纤预制棒质量关键参数波动大，因此在沉积过程中需要严格控制气体配方和环境工况。主要包括以下内容：
a、预制棒质量等级主要由五个参数决定：DELTA、CV_VLAUE、B/A、SLOPE和剖面类型，在沉积过程中这几个关键质量参数跟配方和工况都有关系，基于工程师的经验总结可以得出影响预制棒质量的所有可能配方和工况；
b、气体配方中包含的氢气、氧气、 四氯化硅、四氯化锗的质量和流量引起关键质量参数的阶跃变化；
c、环境工况中的腔体温度、腔体压力、激光测量、气流速度等引起关键质量参数的随机波动。
表1给出生长速度、DELTA值、B\A值和剖面类型的影响因素分析结果，若这几个预制棒质量参数出现异常，根据表格即可找出相关因素。
数据拼接：对芯棒进行位置抽样做PK测试，将PK测试结果（预制棒质量数据）与生产时沉积的数据进行拼接，找出每个PK测试点对应的沉积工序配方和工况数据，由于在沉积工序生产时需将粉棒经过烧结工序生成母棒，又将母棒经过拉伸工序生成芯棒，其中粉棒到母棒烧结过程棒子长度会收缩，母棒到芯棒拉伸过程棒子长度会拉伸，收缩比例与拉伸比例并不相同，因此PK测试结果与沉积的生产数据没有直接的对应关系，则需要运用数据对齐方法来将数据进行对齐。主要包括以下内容：
1）、图3给出本发明的数据对齐方案，从芯棒的PK测试点开始，先根据拉伸比例反推至母棒位置，再根据收缩比例反推至粉棒位置，最后根据粉棒生产时间找出生产配方和工况，使得PK测试结果与生产时沉积的数据对齐。具体步骤如下：
a、根据公式（1-2）反推母棒至粉棒，其中δ为粉棒收缩率，L为母棒长度，
为沉积长度；
b、根据公式（3-4）反推芯棒至母棒，其中P0为拉伸比例，
为芯棒总长度，
为母棒G端损失长度，
母棒G端熔接损失长度，
为母棒G端分切损失长度；
由于母棒是纺锤型，不是标准的圆柱体，各个点位的拉伸比例并不一致，为解决芯棒反推至母棒的误差，提出图3所示的拉伸比例补偿算法，主要包括以下内容：
将芯棒分为两部分，前半部分称为G端，后半部分称为P端，前后半部分按长度各分割为25等分，前半部分命名为G25、G24、G23…，公式（5）为前半部分芯棒反推公式，其中
为母棒位置，
为芯棒距离G端位置，后半部分命名为P25、P24、P23…，公式（6）为后半部分芯棒反推公式，其中
为芯棒距离P端位置，前后两部分n都是从头部从大到小排列，公式（7）为拉伸比例P计算公式，公式（8）为a计算公式，其中R为芯棒外径，
为母棒最小外径，
为母棒最大外径；
母棒各个位置的拉伸比例P会在P0的基础上按照上述方法调节，实际计算时采用调节后的拉伸比例P。根据公式（9-11）可得出最终芯棒Pos与沉积Pos位置对应关系，其中
为G端其他芯棒长度，
为拉伸后G端报废长度；
表2给出上述PK测试结果与沉积生产数据对齐方法的格式。
2）、数据拼接流程：找出需要对齐的PK测试点，通过数据对齐将每个点对应的沉积生产数据找出来，为减少对齐误差，抽取沉积生产数据时把该点长度前后12mm的所有数据取出，再通过存储过程(new_yrp_org)把数据存入对应设备的表格(equ_yrp01-equ_yrp10)中，且在表格的recipename和barcode字段中将PK测试点和对应的芯棒棒号填入。
数据预处理：对拼接后的数据，进行数据预处理是必不可少的一步，先绘制出配方实际值与MFC设定值的对比误差散点图，对属性进行探索性分析，在数据预处理过程中进行数据清理，去除数据库中异常数据（包含离群数据、空白数据）、冗余数据、矛盾数据，采用基于粗糙集算法的相对约简和分辨矩阵方法找出关键属性，去除对质量影响不大的属性变量，对数据降维，提升分析结果的准确性、缩短计算过程。主要包括以下内容：
1）、数据清理：去除拼接后得到的新数据表单中的无关数据，按照异常数据判断依据，处理其中的异常数据和空缺值。具体步骤如下：
a、缺失值使数据记录丢失了部分信息，在数据预处理中直接去除各个配方为空的行数据，含被删除的缺失值的对象与初始数据集的数据量相比，保留了关键属性；
b、通过循环迭代每个属性的值，当该属性的最大值与最小值相等时，判断该属性没有变化调整，并将其去除；
c、离群点是指与数据总体特征差别较大的值，会直接影响模型的精度，通过阈值分析作为离群数据的判断标准，在数据预处理中去除超过或低于正常值的离群点。
2）、粗糙集属性约简：在保留基本知识、对对象分类能力不变的基础上，消除重复、冗余的属性，实现对知识的压缩，其中含有两种基本方法：相对约简和分辨矩阵方法。具体步骤如下：
a、分辨矩阵是一个依主对角线对称的n阶方阵，矩阵中的每一个元素都是通过分辨函数求出来的；
b、生成分辨矩阵后，计算各项长度，若有项长为1的，则该项为核属性，采用分辨矩阵可以方便的求解属性集合的核和约简；
c、对简化矩阵每一项进行扫描，记录每个属性的出现次数和项长，并更新相应的属性频率；
d、针对属性的不同，对配方离散化使用recipediscret(data)函数，该函数通过配方最小值向上递增最小变化区间来进行离散化，对工况离散化使用discretization(data,k,*y)函数，该函数目的是把工况属性划分成k等分；
e、离散化处理后，调用属性重要度排序函数importance_sort(data,*y)，根据分辨矩阵中出现的某项长度与某项出现的频率，对所有属性进行重要度排序，项长度越短，重要性越高，项出现频率越高，重要性越高；
f、对YRP1、YRP2、YRP6、YRP8、YRP9这五个设备，通过粗糙集算法输出影响每个设备的关键配方与工况参数，并针对重要度进行属性排序，通过Python连接数据库，将各个设备配方与工况重要性排序导入数据库，实现减少属性冗余，提高神经网络模型精度。
表3 给出最终根据工艺建议与粗糙集运行结果，纳入神经网络建模数据属性。
神经网络训练：为解决预制棒报废率高的问题，实现沉积过程优化控制，准确预测预制棒质量，建立神经网络在线质量预测模型，目前神经网络取三层，根据粗糙集给出的关键配方和工况训练神经网络，训练过程中根据网络的实际输出与期望输出间的差别不断的修正属性，找到预制棒质量指标预测最优的工况+配方组合。具体步骤如下：
a、对原始数据由粗糙集等特征提取算法提取关键属性，将关键属性放入神经网络训练，训练时不同属性组合有不同预测精度，其合理性验证为预测值能够跟踪实际值的波动，需要人工鉴别；
b、找到跟质量指标成正比的配方，建立配方跟质量指标的简单线性回归模型，如对于跟质量指标DELTA成正比的配方四氯化锗气体，建立四氯化锗流量和DELTA的简单线性回归模型；
c、神经网络训练后得到神经网络矩阵，由于所用来训练的神经网络为三层的神经网络，因此训练完后会得到两个矩阵，将W1、W2矩阵直接放入数据库matrix array表中，需要计算时从数据库中读取出来，将实际数据通过矩阵计算即可实现对质量指标的预测功能；
d、假设设备有7个重要影响的输入参数，先把7个参数进行归一化处理，形成1行7列的输入矩阵G0，把输入矩阵与对应设备的W1（7行5列）相乘，得到一个1行15列的矩阵G1，把G1中的值都放入一个forward函数计算，得到一个新的1行15列的矩阵G2，再把G2矩阵与W2（15行5列）相乘，最后得到1行5列的结果G3矩阵，这5个值就是最后需要预测的结果；
e、根据预测结果利用建立的线性回归模型修正，找到预制棒质量指标预测最优的工况+配方组合。
图4为DELTA、CV-VALUE、B/A、SLOPE进行深度神经网络训练，实际值与预测值的对比图，可以看出神经网络可跟踪配方引起的阶跃变化，却不能完全跟踪工况引起的质量参数的随机波动，这是由于目前不能将影响质量参数变化的所有工况纳入预测，表4给出YRP1、YRP2、YRP8、YRP9这四个设备的预测精度。
滚动优化：预测控制中的滚动优化与通常的离散最优控制算法不同，在滚动优化中，优化过程并不是一次离线完成的，而是根据工艺分析，或者输入跟输出的阶跃响应矩阵模型，反复对每一神经网络预测结果的偏差进行优化计算，及时调整配方比例。具体步骤如下：
a、挖掘配方比例调整规则，对所有配方样本的输入都做一个调整增加，观察预制棒质量参数输出在原来的基础上增大的比例占比多少，如果占比接近100%，那么说明某一配方变量调整，输出结果具有明显的跟随关系。表5给出YRP9这一设备得到的配方与预制棒质量参数的变化关系（+代表正比关系，-代表反比关系，X代表没有关系），可以看出，配方调整，输出结果会有跟随变大或者跟随变小的明显随动关系；
b、当预制棒质量参数有新记录时，获取本次、上次预制棒质量参数实际值与预测值、上次配比设定值，用本次实际值-预测值得到本次偏差值E(1)，上次实际值-预测值得到上次偏差值E(2)，用E(1)-E(2)得到偏差变化率EC；
c、将偏差变化率EC与模糊化的配方调整量形成对照表，将配方调整量与得到的偏差变化率EC对应，调用“模糊调节程序”得到配方调整量，当前配比值=上次配比设定值+调整量。
反馈校正：在基于模型预测控制框架的智能化方法中，采用神经网络在线质量预测模型进行输出值的预测只是一种理想的方式，在实际过程中，由于存在非线性、时变、模型失配和干扰等不确定因素，基于神经网络预测结果所做的配方调整存在一定误差，为进一步实现模型的可靠性，根据实际PK测试的预制棒质量参数对配方做反馈修正，使模型预测控制具有很强的抗扰动和克服系统不确定性的能力。具体步骤如下：
a、调整配方和工况，通过已建立好的神经网络在线质量预测模型，实施控制得到预制棒质量参数的预测值；
b、根据实际PK测试的预制棒质量参数，对比预测值与实际值的偏差；
c、对配方做反馈校正，进行模型的调整或者是补偿模型不准导致的偏差，实现模型预测控制抗扰动和克服系统不确定性的能力。
图5为本发明的软件界面图，具有如下功能：
a、产品结果统计：进入在线界面在查询框中输入工艺类型及时间，点击查询上方的表格即可显示该时间段内相应类型的指标对产品影响的权重关系，下方的饼图即可显示不同工艺类型在该段时间内的优秀、合格、报废情况；
b、质量虚拟预测：进入在线界面在查询框中输入设备号，点击查询即可在模型参数中查询出目前该设备关联的参数实时值，用户可在模型参数明细中对具体的参数进行修改调整，调整完成后即可预测出该参数状态下的产品虚拟预测结果。
经比较，本发明所提出的智能化方法基于历史生产数据分析，过程操作简单，适应环境变化能力强，解决预制棒报废率高的问题，实现沉积过程优化控制，准确预测预制棒质量，保证预制棒质量稳定，提高预制棒质量等级，降低生产成本，节省能源，增强了企业管理，对提高生产效益和促进企业发展具有重要意义。
以上所述为本发明的基本原理和主要特征。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，凡在本发明精神和原则之内所作的任何修改和改进等，均应包含在本发明的保护范围之内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种实现光纤预制棒沉积工序智能化的方法，其特征在于，该方法主要包括以下步骤：
步骤1.深入分析预制棒沉积工序工艺：
a、沉积工序生产光纤预制棒，主要由喷灯、气体配方和生产设备组成，
b、预制棒质量分为三个等级：优良、合格和报废，质量等级主要由5个参数决定：DELTA、CV_VLAUE、B/A、SLOPE和剖面类型，在沉积过程中这几个质量参数跟配方和工况都有关系；
步骤2.进行数据拼接：
为找出预制棒质量跟配方和工况的方向和量化关系，通过大数据分析方法，将生产过程配方数据和工况数据跟预制棒质量数据对应起来，具体实现方法如下：
a、根据芯棒PK测试物理长度位置反推母棒物理位置，
b、根据母棒物理位置反推粉棒物理位置，
c、根据粉棒物理位置找出生产该位置微长度时的工况和配方数据，形成芯棒质量决策表；
步骤3.进行数据预处理：
a、去除数据库中离群数据、空白数据、冗余数据和矛盾数据，
b、采用粗糙集算法去除矛盾数据和重复数据，
c、采用粗糙集算法的相对约简和分辨矩阵方法找出关键属性，去除对质量影响不大的属性变量，对数据降维；
步骤4.建立神经网络在线质量预测模型：
a、根据工艺建议和粗糙集运行结果，将关键属性放入神经网络训练，
b、找到跟质量指标成正比的配方，建立配方跟质量指标的简单线性回归模型，
c、根据预测结果利用建立的线性回归模型修正，找到预制棒质量指标预测最优的工况+配方组合，
d、得到神经网络矩阵，将实际数据通过矩阵计算后可实现对指标的预测功能；
步骤5.基于预测结果调节配方比例实现滚动优化：根据工艺分析，或者输入跟输出的阶跃响应矩阵模型，结合神经网络预测结果给出具体的配方比例调整建议；
步骤6.根据PK测试结果反馈校正沉积过程配方比例：基于神经网络预测结果所做的配方调整存在一定误差，为进一步实现模型的可靠性，根据实际PK测试的预制棒质量参数对配方做反馈修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910488600.XA CN112053019B (zh) | 2019-06-06 | 2019-06-06 | 一种实现光纤预制棒沉积工序智能化的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910488600.XA CN112053019B (zh) | 2019-06-06 | 2019-06-06 | 一种实现光纤预制棒沉积工序智能化的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053019A CN112053019A (zh) | 2020-12-08 |
| CN112053019B true CN112053019B (zh) | 2022-10-25 |
Family
ID=73609799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910488600.XA Active CN112053019B (zh) | 2019-06-06 | 2019-06-06 | 一种实现光纤预制棒沉积工序智能化的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053019B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591362A (zh) * | 2021-04-26 | 2021-11-02 | 湖南师范大学 | 一种基于大数据智能控制算法的熟料比例优化调节方法 |
| CN113449930A (zh) * | 2021-07-27 | 2021-09-28 | 威海长和光导科技有限公司 | 一种基于bp神经网络的光纤预制棒制备质量预测方法 |
| CN114004341A (zh) * | 2021-11-15 | 2022-02-01 | 威海长和光导科技有限公司 | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745271A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 基于神经网络的感应热沉积钙磷涂层工艺预测方法 |
| CN109559059A (zh) * | 2018-12-17 | 2019-04-02 | 重庆邮电大学 | 一种基于回归决策树的光纤生产规则制定方法 |
| CN109739902A (zh) * | 2018-12-29 | 2019-05-10 | 联想(北京)有限公司 | 一种数据分析方法、设备及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6641746B2 (en) * | 2001-09-28 | 2003-11-04 | Agere Systems, Inc. | Control of semiconductor processing |
-
2019
- 2019-06-06 CN CN201910488600.XA patent/CN112053019B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745271A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 基于神经网络的感应热沉积钙磷涂层工艺预测方法 |
| CN109559059A (zh) * | 2018-12-17 | 2019-04-02 | 重庆邮电大学 | 一种基于回归决策树的光纤生产规则制定方法 |
| CN109739902A (zh) * | 2018-12-29 | 2019-05-10 | 联想(北京)有限公司 | 一种数据分析方法、设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| B-C陶瓷CVD制备工艺参数优化;郑洁等;《硅酸盐通报》;20101215(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053019A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053019B (zh) | 一种实现光纤预制棒沉积工序智能化的方法 | |
| CN111652402B (zh) | 一种光纤预制棒沉积工序大数据智能优化方法 | |
| CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN112070279A (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
| CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
| EP4080429A1 (en) | Technology readiness level determination method and system based on science and technology big data | |
| CN111639111A (zh) | 面向调水工程的多源监测数据深度挖掘和智能分析方法 | |
| CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
| CN112819322A (zh) | 基于改进模糊层次分析法的输电线路路径方案评估方法 | |
| CN111401941A (zh) | 一种基于XGBoost推荐算法的车辆销量预测方法 | |
| CN112547807A (zh) | 一种基于决策树算法的热轧带钢质量精准判定方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
| CN110991605A (zh) | 多变量时间序列深度信念网络的低压铸造模温预测方法 | |
| CN112766815A (zh) | 基于全局最优算法的再生铝在线配料系统及方法 | |
| CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
| CN114859821A (zh) | 一种自检测、自分析、自适应的数控机床模糊控制系统 | |
| CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
| CN111142488B (zh) | 基于工况比对驱动的流程工业优化方法 | |
| CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
| CN112845610A (zh) | 一种轧钢电耗参数推荐方法及系统 | |
| CN112541633A (zh) | 一种基于神经网络的超高精度光伏发电功率预测方法及系统 | |
| CN117000780A (zh) | 一种自适应冷轧带材多通道板形预报方法 | |
| CN111002564B (zh) | 一种吹塑成形工艺参数在线调控方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230731 Address after: 415500 Floor 5, Building A1, Innovation and Entrepreneurship Park, Lixian High tech Zone, Shangfu Neighborhood Committee, Lidan Sub district Office, Lixian County, Changde City, Hunan Province Patentee after: Hunan Xianyun Photoelectric Technology Co.,Ltd. Address before: 410006 36 Yuelu District Lu Shan Road, Changsha, Hunan Patentee before: HUNAN NORMAL University |