CN114662056A - 镀膜厚度控制方法、装置和存储介质 - Google Patents

镀膜厚度控制方法、装置和存储介质 Download PDF

Info

Publication number
CN114662056A
CN114662056A CN202210338852.6A CN202210338852A CN114662056A CN 114662056 A CN114662056 A CN 114662056A CN 202210338852 A CN202210338852 A CN 202210338852A CN 114662056 A CN114662056 A CN 114662056A
Authority
CN
China
Prior art keywords
thickness
probability
target
operation parameters
clustering
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
Application number
CN202210338852.6A
Other languages
English (en)
Inventor
刘孝阳
陈丞
刘义俊
白伟锋
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.)
Wuxi Weiint Data Technology Co ltd
Original Assignee
Wuxi Weiint Data Technology 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 Wuxi Weiint Data Technology Co ltd filed Critical Wuxi Weiint Data Technology Co ltd
Priority to CN202210338852.6A priority Critical patent/CN114662056A/zh
Publication of CN114662056A publication Critical patent/CN114662056A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请公开了一种镀膜厚度控制方法、装置和存储介质，涉及智能控制技术领域，所述方法包括：获取目标参数的目标聚类信息，所述目标聚类信息包括膜厚数据的第一聚类信息和工艺运行参数的第二聚类信息；周期性采集镀膜过程中的实时工艺运行参数；根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度。解决了现有的镀膜控制方法得到镀膜质量存在不足的问题，达到了可以周期性采集实时工艺运行参数，进而实时控制镀膜厚度，提高镀膜质量的效果。

Description

镀膜厚度控制方法、装置和存储介质
技术领域
本发明涉及一种镀膜厚度控制方法、装置和存储介质，属于智能控制技术领域。
背景技术
随着光伏行业的飞速发展，光伏电池片的质量成为影响企业生命力的关键因素。电池片在生产过程中，需要经过PECVD(Plasma Enhanced Chemical Vapor Deposition，等离子体增强的化学气相沉积法)镀膜工艺，该工艺旨在给电池片沉积薄膜，具有很多参数，每一个参数的变化都会对膜厚度产生影响。因此，需要及时的发现参数异常，估计膜厚是否能够达到期望值，在无法达到期望值的情况下要及时做出参数调整。
现有方案中，为了预测PECVD镀膜厚度，常用的方法包括使使用镀膜时间来预测膜厚，如果镀膜时间不足，认为膜厚尚未达到期望值，需要继续加长镀膜时间。然而上述方法只关注了镀膜时间的长短，镀膜时间只是镀膜过程中众多影响镀膜质量的其中一个因素，没有关注到镀膜的其他工艺参数对成膜质量的影响。该方法下的成膜质量可能会存在较大的不足。
发明内容
本发明的目的在于提供一种镀膜厚度控制方法、装置和存储介质，用于解决现有技术中存在的问题。
为达到上述目的，本发明提供如下技术方案：
根据第一方面，本发明实施例提供了一种镀膜厚度控制方法，所述方法包括：
获取目标参数的目标聚类信息，所述目标聚类信息包括膜厚数据的第一聚类信息和工艺运行参数的第二聚类信息；
周期性采集镀膜过程中的实时工艺运行参数；
根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度。
可选的，所述获取目标参数的目标聚类信息，包括：
获取历史数据，所述历史数据包括历史时间段内镀膜的历史膜厚数据以及镀膜过程中的历史工艺运行参数；
根据所述历史膜厚数据对膜厚数据进行聚类，得到所述第一聚类信息；
根据所述历史工艺运行参数对工艺运行参数进行聚类，得到所述第二聚类信息。
可选的，所述根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度，包括：
根据所述贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，计算膜厚为目标厚度的概率；
若计算得到的概率低于预设阈值，则根据所述目标厚度从数据库中查询目标工艺运行参数，将镀膜过程中的工艺运行参数调整至所述目标工艺运行参数。
可选的，所述方法还包括：
若计算得到的概率达到所述预设阈值，则根据当前的工艺运行参数继续镀膜。
可选的，所述根据所述贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，计算膜厚为目标厚度的概率，包括：
根据所述第一聚类信息以及所述目标厚度，确定所述目标厚度所属的厚度聚类类别；
根据所述第二聚类信息以及周期性采集的所述实时工艺运行参数，确定当前所属的参数聚类类别；
获取第一概率，所述第一概率为膜厚属于所述厚度聚类类别的次数与总次数的比值；
获取第二概率，所述第二概率为工艺运行参数属于所述参数聚类类别的次数与总次数的比值；
获取第三概率，所述第三概率为膜厚为所述目标厚度且工艺运行参数属于所述参数聚类类别的次数与总次数的比值；
根据所述贝叶斯算法、所述第一概率、所述第二概率和所述第三概率，计算膜厚为目标厚度的概率。
可选的，所述根据所述第一聚类信息以及所述目标厚度，确定所述目标厚度所属的厚度聚类类别，包括：
计算所述目标厚度与所述第一聚类信息中的各个膜厚聚类中心的距离；
将计算得到的各个距离中数值最小的距离所对应的膜厚聚类中心确定为所述目标厚度所属的所述厚度聚类类别。
可选的，所述根据所述第二聚类信息以及周期性采集的所述实时工艺运行参数，确定当前所属的参数聚类类别，包括：
对于所述工艺运行参数中的每个参数，计算周期性采集的各个参数的均值，将计算得到的各个均值组成的工艺运行参数确定为采集运行参数；
计算所述采集运行参数与所述第二聚类信息中的各个参数聚类中心的距离；
将计算得到的各个距离中数值最小的距离所对应的参数聚类中心确定为当前所属的所述参数聚类类别。
可选的，所述根据所述贝叶斯算法、所述第一概率、所述第二概率和所述第三概率，计算膜厚为目标厚度的概率，包括：
设所述第一概率为P(A)，所述第二概率为P(B)，所述第三概率为P(B|A)；则计算得到的所述概率为：
Figure BDA0003577947810000041
其中，a和b为非零正数。
第二方面，提供了一种镀膜厚度控制装置，所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如第一方面所述的方法。
第三方面，提供了一种计算机存储介质，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如第一方面所述的方法。
通过获取目标参数的目标聚类信息，所述目标聚类信息包括膜厚数据的第一聚类信息和工艺运行参数的第二聚类信息；周期性采集镀膜过程中的实时工艺运行参数；根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度。解决了现有的镀膜控制方法得到镀膜质量存在不足的问题，达到了可以周期性采集实时工艺运行参数，进而实时控制镀膜厚度，提高镀膜质量的效果。
同时，本申请通过对膜厚数据和工艺运行参数进行离散化聚类，通过统计的方式计算概率，达到了可以减少计算量的效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明一个实施例提供的镀膜厚度控制方法的方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
请参考图1，其示出了本申请一个实施例提供的镀膜厚度控制方法的方法流程图，如图1所示，所述方法包括：
步骤101，获取目标参数的目标聚类信息，所述目标聚类信息包括膜厚数据的第一聚类信息和工艺运行参数的第二聚类信息；
其中，工艺运行参数可以包括设备运行温度、压强、射频功率和气体比例中的至少一种。
可选的，本步骤包括：
第一，获取历史数据，所述历史数据包括历史时间段内镀膜的历史膜厚数据以及镀膜过程中的历史工艺运行参数；
其中，历史时间段可以为历史一个月，也可以为历史半年或者历史一年，本申请对此并不做限定。
第二，根据所述历史膜厚数据对膜厚数据进行聚类，得到所述第一聚类信息；
实际实现时，可以通过K-means的方式进行聚类。并且由于PECVD镀膜厚度的允许误差在±8nm，因此取膜厚种类数K为16-20之间，此值为经验值，按照聚类效果以及车间数据的实际情况可进行微调。聚类算法中采用的距离公式为欧氏距离，即：
Figure BDA0003577947810000061
膜厚只有厚度一个维度，因此，将厚度数据作为输入，同时输入分类的类别数16，将膜厚数据分为16类，得到各类的聚类中心记为H＝{h1,h2,…,h16}。每一个类中心的维度为1。
实际实现时，具体聚类的步骤包括：
(1)、初始化聚类中心：随机给定16个聚类中心h1,h2,…,h16，计算所有的膜厚数据到初始的16个聚类中心的距离，其中任意膜厚hi到给定的初始聚类中心的距离记为di1,di2,…,di16；
(2)、聚类：将所有点按照其到所有聚类中心的距离最小值进行归类，即：min{di1,di2,…,di16}中最小值作为该点所属的类；
(3)、更新聚类中心：对所有的类，计算类内所有膜厚的均值，以该均值膜厚作为新的聚类中心，重复上述步骤，直至达到指定的迭代次数10000。此后，即可得到最终的聚类结果。
第三，根据所述历史工艺运行参数对工艺运行参数进行聚类，得到所述第二聚类信息。
假设工艺运行参数包括K个，则历史工艺运行参数可以表示为F＝{f1,f2,f3,…,fk}，本步骤将每条数据作为一个K维的点作为输入进行聚类。并且，实际实现时，对工艺运行参数聚类的类别数可以根据车间的实际情况确定，比如，设为γ类，则可以将历史工艺运行参数分为γ类，其中，每个分类的参数聚类中心分别记为C＝{C1,C2,…,Cγ}，每一个聚类中心C均为一个K维的数。
实际实现时，本步骤的聚类方式与上述对膜厚的聚类方式类似，在此不再赘述。
步骤102，周期性采集镀膜过程中的实时工艺运行参数；
可选的，可以每隔t秒采集一次镀膜过程中的实时工艺运行参数。其中，t为预先设定的时间，本实施例对此并不做限定。
步骤103，根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度。
可选的，本步骤包括：
第一，根据所述贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，计算膜厚为目标厚度的概率；
实际实现时，本步骤包括：
(1)、根据所述第一聚类信息以及所述目标厚度，确定所述目标厚度所属的厚度聚类类别；
A、计算所述目标厚度与所述第一聚类信息中的各个膜厚聚类中心的距离；
计算目标厚度h到聚类中心H＝{h1,h2,…,h16}的距离。依次记为
Figure BDA0003577947810000081
其中，目标厚度为期望镀膜的膜厚，该厚度可以为预先设置的数值，或者系统默认的数值，对此并不做限定。
B、将计算得到的各个距离中数值最小的距离所对应的膜厚聚类中心确定为所述目标厚度所属的所述厚度聚类类别。
取集合DH的最小值
Figure BDA0003577947810000082
作为目标膜厚所属的类别hn。
(2)、根据所述第二聚类信息以及周期性采集的所述实时工艺运行参数，确定当前所属的参数聚类类别；
A、对于所述工艺运行参数中的每个参数，计算周期性采集的各个参数的均值，将计算得到的各个均值组成的工艺运行参数确定为采集运行参数；
周期性采集的各个参数记为＝{f1,f2,f3,…,fk}。
实际实现时，将整个镀膜过程按时间可以平均分为N个区间，N的取值需要根据工厂实际生产情况进行合理选择。在任意区间n的开始采集上述参数集合中的所有参数，将该区间n之前的(n-1)个区间的参数与第n个区间的采集值计算平均值，将该平均值作为该区间下所有参数的取值。
即：
Figure BDA0003577947810000091
由此，可以计算得到采集运行参数。
B、计算所述采集运行参数与所述第二聚类信息中的各个参数聚类中心的距离；
将采集运行参数
Figure BDA0003577947810000092
依次与所有聚类中心C＝{C1,C2,…,Cγ}计算与各个聚类中心的距离，依次记为
Figure BDA0003577947810000093
C、将计算得到的各个距离中数值最小的距离所对应的参数聚类中心确定为当前所属的所述参数聚类类别。
取集合DF中的最小值
Figure BDA0003577947810000094
作为当前条件所属的类别Cn。
(3)、获取第一概率，所述第一概率为膜厚属于所述厚度聚类类别的次数与总次数的比值；
如(1)步骤所述，在确定得到目标厚度所属的厚度聚类类别之后，可以统计属于厚度聚类类别的所有厚度的个数，计算统计得到的个数与总个数的比值，将计算得到的比值作为第一概率。
(4)、获取第二概率，所述第二概率为工艺运行参数属于所述参数聚类类别的次数与总次数的比值；
如(2)步骤所述，在确定得到采集运行参数所属的参数聚类类别之后，即可统计属于该参数聚类类别的工艺运行参数的个数，计算统计得到的个数与总个数的比值，将计算得到的比值作为第二概率。
(5)、获取第三概率，所述第三概率为膜厚为所述目标厚度且工艺运行参数属于所述参数聚类类别的次数与总次数的比值；
(6)、根据所述贝叶斯算法、所述第一概率、所述第二概率和所述第三概率，计算膜厚为目标厚度的概率。
设所述第一概率为P(A)，所述第二概率为P(B)，所述第三概率为P(B|A)；则计算得到的所述概率为：
Figure BDA0003577947810000101
其中，a和b为非零正数。
在一种可能的实施例中，为了保证计算得到的概率的准确率，a和b可以为趋于0的整数，比如，a＝b＝0.001。
通过设置非零正数避免了概率为0的问题。
第二，若计算得到的概率低于预设阈值，则根据所述目标厚度从数据库中查询目标工艺运行参数，将镀膜过程中的工艺运行参数调整至所述目标工艺运行参数。
预设阈值可以为经验值，实际实现时，预设阈值可以为0.9。
在通过上述步骤计算得到概率之后，即可检测计算得到的概率与预设阈值的大小关系，若低于预设阈值，则说明镀膜的厚度达到目标概率的概率很低，此时，为了保证镀膜厚度能符合需求，根据目标厚度从数据库中查询目标工艺运行参数，进而将当前的运行参数调整至目标工艺运行参数。此后，继续执行步骤102和步骤103，在此不再赘述。
其中，数据库中存储有不同厚度与工艺运行参数之间的对应关系，该对应关系为预先设置的关系，对此并不做限定。
第三，若计算得到的概率达到所述预设阈值，则根据当前的工艺运行参数继续镀膜。
若计算得到的概率达到预设阈值，则说明按照当前情况继续镀膜即可满足需求，此时即可按照当前的工艺运行参数继续镀膜。
综上所述，通过获取目标参数的目标聚类信息，所述目标聚类信息包括膜厚数据的第一聚类信息和工艺运行参数的第二聚类信息；周期性采集镀膜过程中的实时工艺运行参数；根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度。解决了现有的镀膜控制方法得到镀膜质量存在不足的问题，达到了可以周期性采集实时工艺运行参数，进而实时控制镀膜厚度，提高镀膜质量的效果。
本申请还提供了一种镀膜厚度控制装置，所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如上所述的方法。
本申请还提供了一种计算机存储介质，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如上所述的方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种镀膜厚度控制方法，其特征在于，所述方法包括：
获取目标参数的目标聚类信息，所述目标聚类信息包括膜厚数据的第一聚类信息和工艺运行参数的第二聚类信息；
周期性采集镀膜过程中的实时工艺运行参数；
根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度。
2.根据权利要求1所述的方法，其特征在于，所述获取目标参数的目标聚类信息，包括：
获取历史数据，所述历史数据包括历史时间段内镀膜的历史膜厚数据以及镀膜过程中的历史工艺运行参数；
根据所述历史膜厚数据对膜厚数据进行聚类，得到所述第一聚类信息；
根据所述历史工艺运行参数对工艺运行参数进行聚类，得到所述第二聚类信息。
3.根据权利要求1所述的方法，其特征在于，所述根据贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，控制镀膜厚度，包括：
根据所述贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，计算膜厚为目标厚度的概率；
若计算得到的概率低于预设阈值，则根据所述目标厚度从数据库中查询目标工艺运行参数，将镀膜过程中的工艺运行参数调整至所述目标工艺运行参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若计算得到的概率达到所述预设阈值，则根据当前的工艺运行参数继续镀膜。
5.根据权利要求3所述的方法，其特征在于，所述根据所述贝叶斯算法、所述目标聚类信息以及周期性采集的所述实时工艺运行参数，计算膜厚为目标厚度的概率，包括：
根据所述第一聚类信息以及所述目标厚度，确定所述目标厚度所属的厚度聚类类别；
根据所述第二聚类信息以及周期性采集的所述实时工艺运行参数，确定当前所属的参数聚类类别；
获取第一概率，所述第一概率为膜厚属于所述厚度聚类类别的次数与总次数的比值；
获取第二概率，所述第二概率为工艺运行参数属于所述参数聚类类别的次数与总次数的比值；
获取第三概率，所述第三概率为膜厚为所述目标厚度且工艺运行参数属于所述参数聚类类别的次数与总次数的比值；
根据所述贝叶斯算法、所述第一概率、所述第二概率和所述第三概率，计算膜厚为目标厚度的概率。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一聚类信息以及所述目标厚度，确定所述目标厚度所属的厚度聚类类别，包括：
计算所述目标厚度与所述第一聚类信息中的各个膜厚聚类中心的距离；
将计算得到的各个距离中数值最小的距离所对应的膜厚聚类中心确定为所述目标厚度所属的所述厚度聚类类别。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第二聚类信息以及周期性采集的所述实时工艺运行参数，确定当前所属的参数聚类类别，包括：
对于所述工艺运行参数中的每个参数，计算周期性采集的各个参数的均值，将计算得到的各个均值组成的工艺运行参数确定为采集运行参数；
计算所述采集运行参数与所述第二聚类信息中的各个参数聚类中心的距离；
将计算得到的各个距离中数值最小的距离所对应的参数聚类中心确定为当前所属的所述参数聚类类别。
8.根据权利要求5所述的方法，其特征在于，所述根据所述贝叶斯算法、所述第一概率、所述第二概率和所述第三概率，计算膜厚为目标厚度的概率，包括：
设所述第一概率为P(A)，所述第二概率为P(B)，所述第三概率为P(B|A)；则计算得到的所述概率为：
Figure FDA0003577947800000031
其中，a和b为非零正数。
9.一种镀膜厚度控制装置，其特征在于，所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1至8任一所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如权利要求1至8任一所述的方法。
CN202210338852.6A 2022-04-01 2022-04-01 镀膜厚度控制方法、装置和存储介质 Pending CN114662056A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210338852.6A CN114662056A (zh) 2022-04-01 2022-04-01 镀膜厚度控制方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210338852.6A CN114662056A (zh) 2022-04-01 2022-04-01 镀膜厚度控制方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN114662056A true CN114662056A (zh) 2022-06-24

Family

ID=82033254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210338852.6A Pending CN114662056A (zh) 2022-04-01 2022-04-01 镀膜厚度控制方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114662056A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115406489A (zh) * 2022-11-01 2022-11-29 山东申华光学科技有限公司 一种镀膜机镀膜的监测预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115406489A (zh) * 2022-11-01 2022-11-29 山东申华光学科技有限公司 一种镀膜机镀膜的监测预警方法及系统
CN115406489B (zh) * 2022-11-01 2023-01-24 山东申华光学科技有限公司 一种镀膜机镀膜的监测预警方法及系统

Similar Documents

Publication Publication Date Title
CN109408774B (zh) 基于随机森林和梯度提升树的预测污水出水指标的方法
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN109740648B (zh) 电力负荷异常数据识别方法、装置和计算机设备
CN101383023A (zh) 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN110708318A (zh) 基于改进的径向基神经网络算法的网络异常流量预测方法
CN115983721B (zh) 一种基于物联网大数据的电缆生产质量数据管理系统
CN113988436B (zh) 基于lstm神经网络和层级关系修正的用电量预测方法
CN114662056A (zh) 镀膜厚度控制方法、装置和存储介质
CN108334988A (zh) 一种基于svm的短期电网负荷预测方法
CN117764290B (zh) 一种水利工程施工用bim模型数据管理方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN107808209B (zh) 基于加权kNN距离的风电场异常数据辨识方法
CN112757053A (zh) 基于功率和振动信号的模型融合刀具磨损监测方法及系统
CN116523142A (zh) 一种考虑时空特性聚类的光伏集群区间预测方法
CN118211082B (zh) 基于数据分析的油液滤芯剩余寿命预测方法及系统
CN106547899B (zh) 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法
CN115034437A (zh) 一种基于改进XGBoost的热轧板凸度预测方法
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
CN117200223A (zh) 日前电力负荷预测方法和装置
CN115130743B (zh) 一种基于变分推断的风电机组调节速率预测方法及系统
CN113919610A (zh) 低压台区线损预测用arima模型构建方法及评估方法
CN109547248A (zh) 基于人工智能的在轨飞行器自组网故障诊断方法及装置
Kolumbán et al. Short and long-term wind turbine power output prediction
CN115794805A (zh) 一种中低压配网量测数据补齐方法

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