CN114481077A - 一种金属镀膜自动化控制装置及其方法 - Google Patents
一种金属镀膜自动化控制装置及其方法 Download PDFInfo
- Publication number
- CN114481077A CN114481077A CN202210063440.6A CN202210063440A CN114481077A CN 114481077 A CN114481077 A CN 114481077A CN 202210063440 A CN202210063440 A CN 202210063440A CN 114481077 A CN114481077 A CN 114481077A
- Authority
- CN
- China
- Prior art keywords
- film thickness
- data
- module
- parameters
- coating
- 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
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
- C23C14/542—Controlling the film thickness or evaporation rate
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/06—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the coating material
- C23C14/14—Metallic material, boron or silicon
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Metallurgy (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Factory Administration (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
本发明提供一种金属镀膜自动化控制装置及其方法,其通过设备监控及业务处理端将目标膜厚、工艺配方的初始化工艺参数输入到数据处理及系统服务端,其中的膜厚预测模型依据输入工艺参数预测输出膜厚,并计算与输入的目标膜厚计算间的误差,依据预测膜厚相比目标膜厚的薄厚程度、各工艺参数预设调节优先级、PID调节方式,给出各工艺参数优化后参数,如此迭代膜厚预测和反馈调节,直到最后预测膜厚与目标膜厚一致并输出,输出工艺参数通过网关盒子传输到生产设备终端。本发明能够实现自动化膜厚控制调节,有助于提高镀膜效率,能够应用于金属镀膜工厂,且在通用的物理气相沉积镀膜领域有着广泛的应用前景。
Description
技术领域
本发明涉及金属镀膜领域,具体为一种金属镀膜自动化控制装置及其方法。
背景技术
金属镀膜技术,特别是使用等离子真空技术的金属镀膜,多应用于半导体芯片、光电子芯片等基板上镀覆金属导电膜、光反射膜以及金属化合物膜的装置,是一种金属沉淀技术。随着技术发展,目前市场对金属镀膜的性能和外观要求越来越高。金属镀膜过程中的温度、腔体压力、气体流量和功率是影响镀膜的重要影响参数。如何在自动调控工艺参数达到理想膜厚的同时,保证膜厚均匀性、折射率等性能,提高工厂生产效率,并降低能耗,是目前亟待解决的问题。
专利(CN111463312A)公开了一种薄膜太阳能电池碱金属层的制备方法及镀膜设备,包括对已形成有吸收层的衬底进行加热,调节所述衬底的温度达到预设温度阈值;根据所述衬底温度在所述吸收层远离所述背电极层的表面沉积预设厚度的碱金属层。但是没有从系统和反应转换理论上给出提高镀膜效率的方法,未整体性给出在更改生产膜厚和配方时的优化策略。专利(CN112126908A)公开了一种用于一种镀膜控制系统及镀膜设备,镀膜控制系统包括分别与各个镀膜设备连接的工控机以及部署于云端服务器的服务平台,但是没有给出单个工艺参数及其耦合关系作用下的调节方法。
发明内容
本发明目的在于提供一种金属镀膜自动化控制装置及其方法,能够在给定目标膜厚和性能的前提下自动调整优化各参数,提高生产效率,便于管理维护。
为达成上述目的,本发明提出如下技术方案:一种金属镀膜自动化控制方法,包括如下过程:
将目标膜厚和初始化工艺参数输入到反馈控制模块,反馈控制模块包括膜厚预测模型;
在线采集工艺参数并输入至云端数据存储管理模块和膜厚预测模型,通过数据统计分析模块对工艺参数数据进行清洗,从而得到预处理后的数据集,并将其存储于云端数据存储管理模块;云端存储的数据集中包含清洗好的工艺参数和对应的实际膜厚,数据集分为两种用途,一是离线的数据集用于模型的训练、验证和评估,离线的数据集训练LSTM+GAN模型得到膜厚预测模型,其中LSTM可获取工艺数参数的时序特征,GAN用于预测生成工厂实际生产中缺失的参数范围,二是用于已训练完成的膜厚预测模型进行反馈控制;通过数据统计分析模块对工艺参数的分析,以获取镀膜工艺参数调整方式和优先级;数据清洗步骤获取的工艺参数统计值为每道工序中参数的中位数,并使用四分位法剔除采集参数中的异常值;
膜厚预测模型输出预测膜厚,以及生成目标膜厚对应的工艺参数;
对比预测膜厚与目标膜厚并输出膜厚误差,使用PID优化调节各个工艺参数。
进一步的,在本发明中,还包括如下过程:
通过网页端查看实时工厂生产图像界面、镀膜数据图表和颜色告警,协助管理者做出调整决策;
通过设置镀膜工艺生产全周期、各工艺配方参数阈值和异常等级,实现自动化运维管理;
通过调整各工艺配方配比参数及云端服务系统膜厚预测模型,根据生产能耗、目标膜厚和物料储备的实况进行灵活应变。
进一步的,在本发明中,通过工艺参数采集模块在线采集镀膜工序时长、温度、腔体压力、气体流量和功率;
通过数据同步采集及传输模块将工艺参数输入至数据统计分析模块。
进一步的,在本发明中,工艺参数采集模块包括温度传感器、腔体压力传感器、气体流量传感器和功率计;
所述温度传感器包括分别设置在加热区和反应区的热电偶传感器,加热区热电偶传感器靠近电加热模块的位置,可用于腔体温度调节参考;反应区热电偶传感器靠近发生物理气相沉积和金属的位置,并实时反应镀膜过程的温度;
所述腔体压力传感器通过气压监测仪探测物理气相沉积反应的压力环境,确保稳定的腔体压力环境;
所述气体流量传感器通过检测充入气体的气体流量,调整物料配置;
所述功率计通过检测射频发生功率,监控和调整发生等离子体增强气相沉积反应的电离环境;
所述数据同步采集及传输模块,包括数据同步采集卡和网关盒子,数据采集卡以0.5Hz的频率同步采集温度、压力、流量和功率数据,并通过串口将采集数据传输到网关盒子,网关盒子可将采集数据上传云端,并通过设置温度、压力阈值进行异常数据报警;
所述云端数据存储管理模块收集从网关盒子上传的工艺参数数据,其工艺参数包括镀膜工序时长、镀膜温度、腔体压力、气体流量和功率,为当前设备镀膜完后的完整连续数据,并匹配同批次生产实际膜厚抽检结果,按生产日期、机台和线号生产标签分类保存,其中,实际膜厚抽检方法为一张金属板上采用五点检测(上,下,左,右,中),并计算可取抽检测量结果的平均值。
进一步的,在本发明中,离线数据集训练LSTM+GAN模型得到膜厚预测模型的具体过程如下:
离线数据集分为训练集、测试集和验证集,数据量比例为6:2:2,使用训练集的工序参数和实际膜厚训练LSTM和GAN模型,训练方法为五折交叉验证法,使用验证集调整训练模型的超参,训练完成后使用测试集评估模型最终泛化能力。
所述结合LSTM+GAN训练模型,生成器输入膜厚和噪声并输出相应工艺参数,判别器输入工艺参数并输出判别真实程度和膜厚;生成器主要由全连接层结构组成;判别器由LSTM和全连接层组成。
进一步的,在本发明中,实时采集到的工艺参数传输到反馈控制模块中的膜厚预测模型,初始设置的目标膜厚传输到反馈控制模块,以LSTM+GAN生成工艺参数为参考,反馈控制模块使用PID优化调节各个参数,在当前生产批次结束后,可上传数据云端数据存储管理模块进行实际膜厚抽检结果,归并到膜厚预测模型的训练集中用于增加膜厚预测模型的泛化能力;
数据统计分析模块对各工艺参数对膜厚质量的影响进行分析时,包括工序时长、镀膜温度、腔体压力、气体流量和功率对镀膜厚度的相关关系和影响程度,以获取镀膜参数调整方式和优先级。
一种金属镀膜自动化控制装置,包括金属镀膜数据采集端、数据处理及系统服务端和设备监控及业务处理端;
金属镀膜数据采集端在线采集镀膜工序时长、温度、腔体压力、气体流量和功率;
所述数据处理及系统服务端包括云端数据存储管理模块、反馈控制模块、数据统计模块;
所述设备监控及业务处理包括可视化管理模块、智能策略模块和工艺配方定制模块。
进一步的,在本发明中,金属镀膜数据采集端设有工艺参数采集模块,包含温度传感器、腔体压力传感器、气体流量传感器和功率计,设有数据同步采集及传输模块,包括数据采集卡、网关盒子;
所述温度传感器包括分别设置在加热区和反应区的热电偶传感器;加热区热电偶传感器靠近电加热模块的位置,可用于腔体温度调节参考;反应区热电偶传感器靠近发生物理气相沉积和金属的位置,并实时反应镀膜过程的温度;
所述腔体压力传感器通过气压监测仪探测物理气相沉积反应的压力环境,确保稳定的腔体压力环境;
所述气体流量传感器通过检测充入气体的气体流量,调整物料配置;
所述功率计通过检测射频发生功率,监控和调整发生等离子体增强气相沉积反应的电离环境;
所述数据同步采集及传输模块,包括数据同步采集卡和网关盒子,数据采集卡以0.5Hz的频率同步采集温度、压力、流量和功率数据,并通过串口将采集数据传输到网关盒子。网关盒子可将采集数据上传云端,并通过设置温度、压力阈值进行异常数据报警。
进一步的,在本发明中,所述数据处理及系统服务端设有云端数据存储管理模块、数据统计分析模块和反馈控制模块;
所述云端数据存储管理模块,收集从网关盒子上传的工艺参数数据,并匹配同批次生产实际膜厚抽检结果,按生产日期、机台和线号生产标签分类保存,工艺参数包括镀膜工序时长、镀膜温度、腔体压力、气体流量和功率,为当前设备镀膜完后的完整连续数据;实际膜厚为当前批次抽检结果,一张金属板上采用五点检测(上,下,左,右,中),并计算可取抽检测量结果的平均值;
所述数据统计分析模块,通过数据清洗、特征提取和训练基于工艺参数的膜厚预测模型,分析各工艺参数对膜厚质量的影响;
其中,所使用训练模型为LSTM和GAN结合的深度学习模型,LSTM可获取工艺数据的时序特征,GAN用于预测生成工厂实际生产中缺失的参数范围;所使用的训练模型输入参数为连续变化的工序参数(工序时长、镀膜温度、腔体压力、气体流量和功率);所使用的训练模型输出参数为参数匹配的实际膜厚;数据集分为训练集、测试集和验证集,数据量比例为6:2:2,使用训练集的工序参数和实际膜厚训练LSTM和GAN模型,训练方法为五折交叉验证法,使用验证集调整训练模型的超参,训练完成后使用测试集评估模型最终泛化能力;
其中,工艺参数对膜厚质量的影响的分析,包括工序时长、镀膜温度、腔体压力、气体流量和功率对镀膜厚度的相关关系和影响程度,以获取镀膜参数调整方式和优先级;具体的为所使用到的工艺参数统计值为每道工序中参数的中位数,并使用四分位法剔除不合格参数。
反馈控制模块,通过实时采集到的工艺参数、初始设置的目标膜厚和实际采集数据分析训练得到的膜厚预测模型进行工艺参数调节的优先级设置,并使用PID优化调节各个参数;
其中,反馈控制时使用的工艺参数是实时在线采集得到的,是当前镀膜工序完成后完整上传的数据集;
膜厚预测模型为数据处理分析阶段获得的LSTM+GAN预测模型,预测得到的膜厚与目标膜厚对比获取膜厚误差;
依据预测膜厚薄厚程度,可调整当前生产线上工艺参数,为达到更稳定的调节结果使用PID调节;
在当前生产批次结束后,可上传数据存储端实际膜厚抽检结果,归并到模型训练集中用于增加模型泛化能力。
进一步的,在本发明中,所述设备监控及业务处理端设有工艺生产过程可视化管理模块、智能策略模块和工艺配方定制模块;
所述可视化管理模块,通过网页端查看实时工厂生产图像界面、镀膜数据图表和颜色告警,协助管理者做出调整决策;
所述智能策略模块,通过设置镀膜工艺生产全周期、各工艺配方参数阈值和异常等级,实现自动化运维管理;
所述工艺配方定制模块,通过调整各工艺配方配比参数及云端服务系统膜厚预测模型,根据生产能耗、目标膜厚和物料储备的实况进行灵活应变。
有益效果,本申请的技术方案具备如下技术效果:
1.依据实际采集到的工艺参数及膜厚数据训练膜厚预测控制模型,采用LSTM和GAN结合的深度学习结构,在充分提取工艺数据特征、降低膜厚预测误差的同时,增强补充缺失数据;
2.依据预测模型和目标膜厚的反馈控制,实现工艺参数自动优化调节;
3.采集到的数据传输到云端后在云端进行膜厚预测,并分析各配方工艺参数与对应膜厚和镀膜性能的影响关系,最终预测和分析结果可在终端可视化分析;在生产设备终端及时调整工艺参数,减少生产损失,提高运维效率。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明镀膜在线预测及反馈优化控制示意图。
图2为本发明方法的流程框图。
图3为本发明方法的运行过程示意图。
图4为本发明应用时的效果示意图。
图5为本发明所结合LSTM和GAN的膜厚训练模型示意图。
图6为本发明所结合LSTM和GAN的网络结构示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
如图1-6,一种金属镀膜自动化控制装置,包括金属镀膜数据采集端、数据处理及系统服务端和设备监控及业务处理端;
金属镀膜数据采集端在线采集镀膜工序时长、温度、腔体压力、气体流量和功率;
数据处理及系统服务端包括云端数据存储管理模块、反馈控制模块、数据统计模块;
设备监控及业务处理包括可视化管理模块、智能策略模块和工艺配方定制模块。
如图1和4所示,通过设备监控及业务处理端(PC端,图4右侧)将目标膜厚、工艺配方的初始化工艺参数输入到数据处理及系统服务端(图4中间),其中的膜厚预测模型依据输入工艺参数预测输出膜厚,以及生成目标膜厚对应的工艺参数,并计算与输入的目标膜厚计算间的误差,依据预测膜厚相比目标膜厚的薄厚程度、各工艺参数预设调节优先级、PID调节方式,给出各工艺参数优化后参数,如此迭代膜厚预测和反馈调节,直到最后预测膜厚与目标膜厚一致并输出,输出工艺参数通过网关盒子传输到生产设备终端。
进一步的,在本发明中,金属镀膜数据采集端设有工艺参数采集模块,包含温度传感器、腔体压力传感器、气体流量传感器和功率计,设有数据同步采集及传输模块,包括数据采集卡、网关盒子;
温度传感器包括分别设置在加热区和反应区的热电偶传感器;加热区热电偶传感器靠近电加热模块的位置,可用于腔体温度调节参考;反应区热电偶传感器靠近发生物理气相沉积和金属的位置,并实时反应镀膜过程的温度;
腔体压力传感器通过气压监测仪探测物理气相沉积反应的压力环境,确保稳定的腔体压力环境;
气体流量传感器通过检测充入气体的气体流量,调整物料配置;
功率计通过检测射频发生功率,监控和调整发生等离子体增强气相沉积反应的电离环境;
数据同步采集及传输模块,包括数据同步采集卡和网关盒子,数据采集卡以0.5Hz的频率同步采集温度、压力、流量和功率数据,并通过串口将采集数据传输到网关盒子。网关盒子可将采集数据上传云端,并通过设置温度、压力阈值进行异常数据报警。
进一步的,在本发明中,数据处理及系统服务端设有云端数据存储管理模块、数据统计分析模块和反馈控制模块;
云端数据存储管理模块,收集从网关盒子上传的工艺参数数据,并匹配同批次生产实际膜厚抽检结果,按生产日期、机台和线号生产标签分类保存,工艺参数包括镀膜工序时长、镀膜温度、腔体压力、气体流量和功率,为当前设备镀膜完后的完整连续数据;实际膜厚为当前批次抽检结果,一张金属板上采用五点检测(上,下,左,右,中),并计算可取抽检测量结果的平均值;
数据统计分析模块,通过数据清洗、特征提取和训练基于工艺参数的膜厚预测模型,分析各工艺参数对膜厚质量的影响;
其中,所使用训练模型为LSTM和GAN结合的深度学习模型,LSTM可获取工艺数据的时序特征,GAN用于预测生成工厂实际生产中缺失的参数范围;所使用的训练模型输入参数为连续变化的工序参数(工序时长、镀膜温度、腔体压力、气体流量和功率);所使用的训练模型输出参数为参数匹配的实际膜厚;数据集分为训练集、测试集和验证集,数据量比例为6:2:2,使用训练集的工序参数和实际膜厚训练LSTM和GAN模型,训练方法为五折交叉验证法,使用验证集调整训练模型的超参,训练完成后使用测试集评估模型最终泛化能力,所述结合LSTM+GAN训练模型,生成器输入膜厚和噪声并输出相应工艺参数,判别器输入工艺参数并输出判别真实程度和膜厚;生成器主要由全连接层结构组成;判别器由LSTM和全连接层组成。
更进一步的,如图5所示,结合LSTM+GAN的生成器和判别器的离线训练和在线预测,生成器用于生成膜厚对应工艺参数,判别器用于判别工艺参数真实性和预测膜厚;其中,离线训练部分,生成器输入膜厚和噪声并输出生成工艺参数,判别器输入生成工艺参数或真实工艺参数并输出判别真实程度和对应膜厚;其中在线预测部分,使用离线训练的模型,生成器输入目标膜厚和噪声并输出对应工艺参数,判别器输入在线采集的工艺参数可预测膜厚。
更进一步的,如图6所示,结合LSTM+GAN的网络结构,生成器部分主要由全连接层组成,判别器由LSTM和全连接层组成,工序数为M,工艺参数个数为N;生成器部分,输入的噪声向量和膜厚数据拼接为长度16的一维数据,经过输出参数个数分别为32、60和60的三个激活函数为elu的全连接层,再经过一个线性激活函数的全连接层输出M*N个数值,经过重构后可获得生成的工艺参数,输出规格为(M,N)的二维矩阵;判别器部分,输入工艺参数先使用LSTM提取各工艺参数时序特征,输出各参数经过三个输出个数为20、15和15的elu激活函数的全连接层,最后经过sigmoid层输出两个[0,1]数值,分别为真实性程度和归一化后膜厚值。
最后,数据统计分析模块通过工艺参数对膜厚质量的影响的分析,包括工序时长、镀膜温度、腔体压力、气体流量和功率对镀膜厚度的相关关系和影响程度,以获取镀膜参数调整方式和优先级;具体的为所使用到的工艺参数统计值为每道工序中参数的中位数,并使用四分位法剔除不合格参数。
反馈控制模块,通过实时采集到的工艺参数、初始设置的目标膜厚和实际采集数据分析训练得到的膜厚预测模型进行工艺参数调节的优先级设置,并使用PID优化调节各个参数;
其中,反馈控制时使用的工艺参数是实时在线采集得到的,是当前镀膜工序完成后完整上传的数据集;
膜厚预测模型为数据处理分析阶段获得的LSTM+GAN预测模型,预测得到的膜厚与目标膜厚对比获取膜厚误差;
依据预测膜厚薄厚程度,可调整当前生产线上工艺参数,为达到更稳定的调节结果使用PID调节;
在当前生产批次结束后,可上传数据存储端实际膜厚抽检结果,归并到模型训练集中用于增加模型泛化能力。
进一步的,在本发明中,设备监控及业务处理端设有工艺生产过程可视化管理模块、智能策略模块和工艺配方定制模块;
可视化管理模块,通过网页端查看实时工厂生产图像界面、镀膜数据图表和颜色告警,协助管理者做出调整决策;
智能策略模块,通过设置镀膜工艺生产全周期、各工艺配方参数阈值和异常等级,实现自动化运维管理;
工艺配方定制模块,通过调整各工艺配方配比参数及云端服务系统膜厚预测模型,根据生产能耗、目标膜厚和物料储备的实况进行灵活应变。
基于上述一种金属镀膜自动化控制装置,本实施还给一种金属镀膜自动化控制方法,如图2和3,包括如下过程:
将目标膜厚和初始化工艺参数输入到反馈控制模块,反馈控制模块包括膜厚预测模型;
在线采集工艺参数并输入至云端数据存储管理模块和膜厚预测模型,通过数据统计分析模块对工艺参数数据进行清洗,从而得到预处理后的数据集,并将其存储于云端数据存储管理模块;云端存储的数据集中包含清洗好的工艺参数和对应的实际膜厚,数据集分为两种用途,一是离线的数据集用于模型的训练、验证和评估,离线的数据集训练LSTM+GAN模型得到膜厚预测模型,其中LSTM可获取工艺数参数的时序特征,GAN用于预测生成工厂实际生产中缺失的参数范围,二是用于已训练完成的膜厚预测模型进行反馈控制;通过数据统计分析模块对工艺参数的分析,以获取镀膜工艺参数调整方式和优先级;数据清洗步骤获取的工艺参数统计值为每道工序中参数的中位数,并使用四分位法剔除采集参数中的异常值;
膜厚预测模型输出预测膜厚;
对比预测膜厚与目标膜厚并输出膜厚误差,使用PID优化调节各个工艺参数。
进一步的,在本发明中,还包括如下过程:
通过网页端查看实时工厂生产图像界面、镀膜数据图表和颜色告警,协助管理者做出调整决策;
通过设置镀膜工艺生产全周期、各工艺配方参数阈值和异常等级,实现自动化运维管理;
通过调整各工艺配方配比参数及云端服务系统膜厚预测模型,根据生产能耗、目标膜厚和物料储备的实况进行灵活应变。
综上所述,本实施例给出的一种金属镀膜自动化控制装置和方法能够实现自动化膜厚控制调节,有助于提高镀膜效率,能够应用于金属镀膜工厂,且在通用的物理气相沉积镀膜领域有着广泛的应用前景。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种金属镀膜自动化控制方法,其特征在于:包括如下过程:
将目标膜厚和初始化工艺参数输入到反馈控制模块,反馈控制模块包括膜厚预测模型;
在线采集工艺参数并输入至云端数据存储管理模块和膜厚预测模型,通过数据统计分析模块对工艺参数数据进行清洗,从而得到预处理后的数据集,并将其存储于云端数据存储管理模块;云端存储的数据集中包含清洗好的工艺参数和对应的实际膜厚,数据集分为两种用途,一是离线的数据集用于模型的训练、验证和评估,离线的数据集训练LSTM+GAN模型得到膜厚预测模型,其中LSTM可获取工艺数参数的时序特征,GAN用于预测生成工厂实际生产中缺失的参数范围,二是用于已训练完成的膜厚预测模型进行反馈控制;通过数据统计分析模块对工艺参数的分析,以获取镀膜工艺参数调整方式和优先级;数据清洗步骤获取的工艺参数统计值为每道工序中参数的中位数,并使用四分位法剔除采集参数中的异常值;
膜厚预测模型输出预测膜厚,以及生成目标膜厚对应的工艺参数;
对比预测膜厚与目标膜厚并输出膜厚误差,以生成工艺参数为参考,使用PID优化调节各个工艺参数。
2.根据权利要求1所述的一种金属镀膜自动化控制方法,其特征在于:还包括如下过程:
通过网页端查看实时工厂生产图像界面、镀膜数据图表和颜色告警,协助管理者做出调整决策;
通过设置镀膜工艺生产全周期、各工艺配方参数阈值和异常等级,实现自动化运维管理;
通过调整各工艺配方配比参数及云端服务系统膜厚预测模型,根据生产能耗、目标膜厚和物料储备的实况进行灵活应变。
3.根据权利要求2所述的一种金属镀膜自动化控制方法,其特征在于:通过工艺参数采集模块在线采集镀膜工序时长、温度、腔体压力、气体流量和功率;
通过数据同步采集及传输模块将工艺参数输入至数据统计分析模块。
4.根据权利要求3所述的一种金属镀膜自动化控制方法,其特征在于:工艺参数采集模块包括温度传感器、腔体压力传感器、气体流量传感器和功率计;
所述温度传感器包括分别设置在加热区和反应区的热电偶传感器,加热区热电偶传感器靠近电加热模块的位置,可用于腔体温度调节参考;反应区热电偶传感器靠近发生物理气相沉积和金属的位置,并实时反应镀膜过程的温度;
所述腔体压力传感器通过气压监测仪探测物理气相沉积反应的压力环境,确保稳定的腔体压力环境;
所述气体流量传感器通过检测充入气体的气体流量,调整物料配置;
所述功率计通过检测射频发生功率,监控和调整发生等离子体增强气相沉积反应的电离环境;
所述数据同步采集及传输模块,包括数据同步采集卡和网关盒子,数据采集卡以0.5Hz的频率同步采集温度、压力、流量和功率数据,并通过串口将采集数据传输到网关盒子,网关盒子可将采集数据上传云端,并通过设置温度、压力阈值进行异常数据报警;
所述云端数据存储管理模块收集从网关盒子上传的工艺参数数据,其工艺参数包括镀膜工序时长、镀膜温度、腔体压力、气体流量和功率,为当前设备镀膜完后的完整连续数据,并匹配同批次生产实际膜厚抽检结果,按生产日期、机台和线号生产标签分类保存,其中,实际膜厚抽检方法为一张金属板上采用五点检测(上,下,左,右,中),并计算可取抽检测量结果的平均值。
5.根据权利要求4所述的一种金属镀膜自动化控制方法,其特征在于:离线数据集训练LSTM+GAN模型得到膜厚预测模型的具体过程如下:
离线数据集分为训练集、测试集和验证集,数据量比例为6:2:2,使用训练集的工序参数和实际膜厚训练LSTM和GAN模型,训练方法为五折交叉验证法,使用验证集调整训练模型的超参,训练完成后使用测试集评估模型最终泛化能力;
所述结合LSTM+GAN训练模型,生成器输入膜厚和噪声并输出相应工艺参数,判别器输入工艺参数并输出判别真实程度和膜厚;生成器主要由全连接层结构组成;判别器由LSTM和全连接层组成。
6.根据权利要求5所述的一种金属镀膜自动化控制方法,其特征在于:实时采集到的工艺参数传输到反馈控制模块中的膜厚预测模型,初始设置的目标膜厚传输到反馈控制模块,以LSTM+GAN生成工艺参数为参考,反馈控制模块使用PID优化调节各个参数,在当前生产批次结束后,可上传数据云端数据存储管理模块进行实际膜厚抽检结果,归并到膜厚预测模型的训练集中用于增加膜厚预测模型的泛化能力;
数据统计分析模块对各工艺参数对膜厚质量的影响进行分析时,包括工序时长、镀膜温度、腔体压力、气体流量和功率对镀膜厚度的相关关系和影响程度,以获取镀膜参数调整方式和优先级。
7.一种金属镀膜自动化控制装置,其特征在于:金属镀膜数据采集端、数据处理及系统服务端和设备监控及业务处理端;
金属镀膜数据采集端在线采集镀膜工序时长、温度、腔体压力、气体流量和功率;
所述数据处理及系统服务端包括云端数据存储管理模块、反馈控制模块、数据统计模块;
所述设备监控及业务处理包括可视化管理模块、智能策略模块和工艺配方定制模块。
8.根据权利要求7所述的一种金属镀膜自动化控制装置,其特征在于:包括金属镀膜数据采集端设有工艺参数采集模块,包含温度传感器、腔体压力传感器、气体流量传感器和功率计,设有数据同步采集及传输模块,包括数据采集卡、网关盒子;
所述温度传感器包括分别设置在加热区和反应区的热电偶传感器;加热区热电偶传感器靠近电加热模块的位置,可用于腔体温度调节参考;反应区热电偶传感器靠近发生物理气相沉积和金属的位置,并实时反应镀膜过程的温度;
所述腔体压力传感器通过气压监测仪探测物理气相沉积反应的压力环境,确保稳定的腔体压力环境;
所述气体流量传感器通过检测充入气体的气体流量,调整物料配置;
所述功率计通过检测射频发生功率,监控和调整发生等离子体增强气相沉积反应的电离环境;
所述数据同步采集及传输模块,包括数据同步采集卡和网关盒子,数据采集卡以0.5Hz的频率同步采集温度、压力、流量和功率数据,并通过串口将采集数据传输到网关盒子。网关盒子可将采集数据上传云端,并通过设置温度、压力阈值进行异常数据报警。
9.根据权利要求8所述的一种金属镀膜自动化控制装置,其特征在于:所述数据处理及系统服务端设有云端数据存储管理模块、数据统计分析模块和反馈控制模块;
所述云端数据存储管理模块,收集从网关盒子上传的工艺参数数据,并匹配同批次生产实际膜厚抽检结果,按生产日期、机台和线号生产标签分类保存,工艺参数包括镀膜工序时长、镀膜温度、腔体压力、气体流量和功率,为当前设备镀膜完后的完整连续数据;实际膜厚为当前批次抽检结果,一张金属板上采用五点检测(上,下,左,右,中),并计算可取抽检测量结果的平均值;
所述数据统计分析模块,通过数据清洗、特征提取和训练基于工艺参数的膜厚预测模型,分析各工艺参数对膜厚质量的影响;
其中,所使用训练模型为LSTM和GAN结合的深度学习模型,LSTM可获取工艺数据的时序特征,GAN用于预测生成工厂实际生产中缺失的参数范围;所使用的训练模型输入参数为连续变化的工序参数(工序时长、镀膜温度、腔体压力、气体流量和功率);所使用的训练模型输出参数为参数匹配的实际膜厚;数据集分为训练集、测试集和验证集,数据量比例为6:2:2,使用训练集的工序参数和实际膜厚训练LSTM和GAN模型,训练方法为五折交叉验证法,使用验证集调整训练模型的超参,训练完成后使用测试集评估模型最终泛化能力;
其中,工艺参数对膜厚质量的影响的分析,包括工序时长、镀膜温度、腔体压力、气体流量和功率对镀膜厚度的相关关系和影响程度,以获取镀膜参数调整方式和优先级;具体的为所使用到的工艺参数统计值为每道工序中参数的中位数,并使用四分位法剔除不合格参数;
反馈控制模块,通过实时采集到的工艺参数、初始设置的目标膜厚和实际采集数据分析训练得到的膜厚预测模型进行工艺参数调节的优先级设置,并使用PID优化调节各个参数;
其中,反馈控制时使用的工艺参数是实时在线采集得到的,是当前镀膜工序完成后完整上传的数据集;
膜厚预测模型为数据处理分析阶段获得的LSTM+GAN预测模型,预测得到的膜厚与目标膜厚对比获取膜厚误差;
依据预测膜厚薄厚程度,可调整当前生产线上工艺参数,为达到更稳定的调节结果使用PID调节;
在当前生产批次结束后,可上传数据存储端实际膜厚抽检结果,归并到模型训练集中用于增加模型泛化能力。
10.根据权利要求9所述的一种金属镀膜自动化控制装置,其特征在于:所述设备监控及业务处理端设有工艺生产过程可视化管理模块、智能策略模块和工艺配方定制模块;
所述可视化管理模块,通过网页端查看实时工厂生产图像界面、镀膜数据图表和颜色告警,协助管理者做出调整决策;
所述智能策略模块,通过设置镀膜工艺生产全周期、各工艺配方参数阈值和异常等级,实现自动化运维管理;
所述工艺配方定制模块,通过调整各工艺配方配比参数及云端服务系统膜厚预测模型,根据生产能耗、目标膜厚和物料储备的实况进行灵活应变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210063440.6A CN114481077B (zh) | 2022-01-20 | 2022-01-20 | 一种金属镀膜自动化控制装置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210063440.6A CN114481077B (zh) | 2022-01-20 | 2022-01-20 | 一种金属镀膜自动化控制装置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114481077A true CN114481077A (zh) | 2022-05-13 |
CN114481077B CN114481077B (zh) | 2023-08-25 |
Family
ID=81472472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210063440.6A Active CN114481077B (zh) | 2022-01-20 | 2022-01-20 | 一种金属镀膜自动化控制装置及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114481077B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328062A (zh) * | 2022-08-31 | 2022-11-11 | 济南永信新材料科技有限公司 | 水刺布生产线智能控制系统 |
CN115452842A (zh) * | 2022-10-20 | 2022-12-09 | 颖态智能技术(上海)有限公司 | 一种面向阀口袋包装机的褶皱检测方法 |
CN115491652A (zh) * | 2022-06-20 | 2022-12-20 | 江苏恒云太信息科技有限公司 | 管式pecvd硅片颜色值预测方法及镀膜时间控制方法 |
CN116024532A (zh) * | 2023-02-10 | 2023-04-28 | 浙江鸿密塑胶科技有限公司 | 一种用于真空镀膜的智能控制方法及系统 |
CN116228043A (zh) * | 2023-05-05 | 2023-06-06 | 苏州德耐纳米科技有限公司 | 一种镀膜机镀膜均匀性评估系统 |
CN116641035A (zh) * | 2023-07-26 | 2023-08-25 | 南京诺源医疗器械有限公司 | 一种用于腹腔镜光学件的镀膜方法 |
CN117798030A (zh) * | 2024-01-05 | 2024-04-02 | 东莞市晟鼎精密仪器有限公司 | 一种镀膜雾化精准控制方法及系统 |
CN117948237A (zh) * | 2024-01-27 | 2024-04-30 | 大连理工大学 | 基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法 |
CN118028758A (zh) * | 2024-02-20 | 2024-05-14 | 苏州慧连航科技有限公司 | 一种连续真空镀膜智能生产控制方法及系统 |
CN118600375A (zh) * | 2024-07-31 | 2024-09-06 | 广东欧欧优家居有限公司 | 一种用于刀具的氧化防锈处理方法及系统 |
CN118600386A (zh) * | 2024-08-06 | 2024-09-06 | 长沙韶光芯材科技有限公司 | 一种玻璃基板多层膜成膜过程优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110735123A (zh) * | 2019-11-07 | 2020-01-31 | 湘潭宏大真空技术股份有限公司 | 镀膜生产线控制方法 |
CN112301322A (zh) * | 2020-12-21 | 2021-02-02 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
JP2021017650A (ja) * | 2019-07-16 | 2021-02-15 | 株式会社神戸製鋼所 | 評価方法、評価装置、評価プログラム、生成方法、通信方法、及び成膜装置 |
CN112981352A (zh) * | 2021-05-11 | 2021-06-18 | 陛通半导体设备(苏州)有限公司 | 可灵活调整溅射范围的物理气相沉积设备 |
CN113186507A (zh) * | 2021-07-05 | 2021-07-30 | 上海陛通半导体能源科技股份有限公司 | 通过优化分配多角度分步沉积时间提升薄膜均匀性的方法 |
-
2022
- 2022-01-20 CN CN202210063440.6A patent/CN114481077B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021017650A (ja) * | 2019-07-16 | 2021-02-15 | 株式会社神戸製鋼所 | 評価方法、評価装置、評価プログラム、生成方法、通信方法、及び成膜装置 |
CN110735123A (zh) * | 2019-11-07 | 2020-01-31 | 湘潭宏大真空技术股份有限公司 | 镀膜生产线控制方法 |
CN112301322A (zh) * | 2020-12-21 | 2021-02-02 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN112981352A (zh) * | 2021-05-11 | 2021-06-18 | 陛通半导体设备(苏州)有限公司 | 可灵活调整溅射范围的物理气相沉积设备 |
CN113186507A (zh) * | 2021-07-05 | 2021-07-30 | 上海陛通半导体能源科技股份有限公司 | 通过优化分配多角度分步沉积时间提升薄膜均匀性的方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115491652A (zh) * | 2022-06-20 | 2022-12-20 | 江苏恒云太信息科技有限公司 | 管式pecvd硅片颜色值预测方法及镀膜时间控制方法 |
CN115491652B (zh) * | 2022-06-20 | 2024-07-26 | 江苏恒云太信息科技有限公司 | 管式pecvd硅片颜色值预测方法及镀膜时间控制方法 |
US11853019B1 (en) | 2022-08-31 | 2023-12-26 | Jinan Winson New Materials Technology Co., Ltd. | Intelligent control of spunlace production line using classification of current production state of real-time production line data |
CN115328062A (zh) * | 2022-08-31 | 2022-11-11 | 济南永信新材料科技有限公司 | 水刺布生产线智能控制系统 |
CN115452842A (zh) * | 2022-10-20 | 2022-12-09 | 颖态智能技术(上海)有限公司 | 一种面向阀口袋包装机的褶皱检测方法 |
CN116024532A (zh) * | 2023-02-10 | 2023-04-28 | 浙江鸿密塑胶科技有限公司 | 一种用于真空镀膜的智能控制方法及系统 |
CN116024532B (zh) * | 2023-02-10 | 2023-08-08 | 鸿密智能科技(浙江)有限公司 | 一种用于真空镀膜的智能控制方法及系统 |
CN116228043A (zh) * | 2023-05-05 | 2023-06-06 | 苏州德耐纳米科技有限公司 | 一种镀膜机镀膜均匀性评估系统 |
CN116641035B (zh) * | 2023-07-26 | 2023-10-13 | 南京诺源医疗器械有限公司 | 一种用于腹腔镜光学件的镀膜方法 |
CN116641035A (zh) * | 2023-07-26 | 2023-08-25 | 南京诺源医疗器械有限公司 | 一种用于腹腔镜光学件的镀膜方法 |
CN117798030A (zh) * | 2024-01-05 | 2024-04-02 | 东莞市晟鼎精密仪器有限公司 | 一种镀膜雾化精准控制方法及系统 |
CN117798030B (zh) * | 2024-01-05 | 2024-07-05 | 东莞市晟鼎精密仪器有限公司 | 一种镀膜雾化精准控制方法及系统 |
CN117948237A (zh) * | 2024-01-27 | 2024-04-30 | 大连理工大学 | 基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法 |
CN118028758A (zh) * | 2024-02-20 | 2024-05-14 | 苏州慧连航科技有限公司 | 一种连续真空镀膜智能生产控制方法及系统 |
CN118600375A (zh) * | 2024-07-31 | 2024-09-06 | 广东欧欧优家居有限公司 | 一种用于刀具的氧化防锈处理方法及系统 |
CN118600375B (zh) * | 2024-07-31 | 2024-10-15 | 广东欧欧优家居有限公司 | 一种用于刀具的氧化防锈处理方法及系统 |
CN118600386A (zh) * | 2024-08-06 | 2024-09-06 | 长沙韶光芯材科技有限公司 | 一种玻璃基板多层膜成膜过程优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114481077B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114481077B (zh) | 一种金属镀膜自动化控制装置及其方法 | |
CN116341771B (zh) | 一种耐低温电缆生产工艺智能优化方法及系统 | |
CN117240887B (zh) | 一种智慧物联网能源管理平台系统 | |
CN118214168B (zh) | 一种配电电路的实时状态监测方法 | |
WO2012068559A2 (en) | Factory level process and final product performance control system | |
CN118016202B (zh) | 一种基于汽水质量的化学设备运行分析方法及系统 | |
CN107706938B (zh) | 一种基于分位点回归的风电功率波动区间分析方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN116204566A (zh) | 一种数字化工厂监控大数据处理系统 | |
CN118378834A (zh) | 一种优化能源调度的节能型能源综合管理系统及方法 | |
CN116976862A (zh) | 一种工厂设备信息化管理系统及方法 | |
CN118591782A (zh) | 用于制造设备的诊断工具与工具的匹配方法 | |
CN117318051B (zh) | 一种基于物联网技术的智慧能源储能管控系统及方法 | |
CN115747750A (zh) | 一种多层反馈的金属镀膜控制方法 | |
Perez-Sanjines et al. | Deep ensemble with Neural Networks to model power curve uncertainty | |
Ma et al. | Smart online fuel sulfur prediction in diesel hydrodesulfurization process | |
CN118413010B (zh) | 基于混合测量的新能源电力电网供电安全性能防御方法 | |
CN116596703B (zh) | 一种节电器及其智能控制方法 | |
Meng et al. | Development and Optimization of Software Defined Networking Anomaly Detection Architecture by GRU-CNN under Deep Learning | |
CN113159131B (zh) | 生物反应器运行状况分级预报预测方法及系统 | |
CN116993734B (zh) | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 | |
US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
Li et al. | Evaluation of Transformer Health State in Distribution Network Based on Data-Model Combination and Fuzzy Comprehensive Evaluation | |
CN117665442A (zh) | 一种电力智能物联锁具的测试方法及系统 | |
CN109345115B (zh) | 一种电力信息物理系统演化驱动度量值估算方法 |
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 |