CN115689063A - 金膜厚度预测方法及装置、电子设备和存储介质 - Google Patents
金膜厚度预测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115689063A CN115689063A CN202211713264.2A CN202211713264A CN115689063A CN 115689063 A CN115689063 A CN 115689063A CN 202211713264 A CN202211713264 A CN 202211713264A CN 115689063 A CN115689063 A CN 115689063A
- Authority
- CN
- China
- Prior art keywords
- gold film
- film thickness
- thickness prediction
- prediction model
- production data
- 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
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 title claims abstract description 208
- 239000010931 gold Substances 0.000 title claims abstract description 208
- 229910052737 gold Inorganic materials 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 27
- 238000009713 electroplating Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012843 least square support vector machine Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 abstract description 15
- 239000000463 material Substances 0.000 abstract description 12
- 239000007769 metal material Substances 0.000 abstract description 11
- 239000002699 waste material Substances 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000007788 liquid Substances 0.000 description 24
- 239000003814 drug Substances 0.000 description 23
- 238000012545 processing Methods 0.000 description 16
- 239000000243 solution Substances 0.000 description 12
- 238000007747 plating Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000012528 membrane Substances 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 239000012266 salt solution Substances 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005238 degreasing Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229910001092 metal group alloy Inorganic materials 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-M hydrogensulfate Chemical compound OS([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-M 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000011164 potassium chloride Nutrition 0.000 description 1
- 239000001103 potassium chloride Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一金膜厚度预测方法及装置、电子设备和存储介质，涉及人工智能技术的技术领域，预测方法包括：获取金膜厚度的影响因子；对影响因子标注标签以得到训练集；基于训练集和最小二乘支持向量机构建金膜厚度预测模型，获取金膜厚度的影响因子后，将这些影响因子标注标签形成训练集，基于训练集和最小二乘支持向量机构建成金膜厚度预测模型。利用金膜厚度预测模型可以预测出在制品的金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
Description
技术领域
本申请涉及人工智能技术的技术领域，更具体而言，涉及一种金膜厚度预测方法、金膜厚度预测装置、电子设备和计算机可读存储介质。
背景技术
对在制品电镀金膜的过程中，调整在制品的金膜厚度时，需要人工对电镀药水的浓度进行抽样量测，耗费人力物力。同时，人工抽样的数量少，导致抽样率低且测量结果具有滞后性，使得调整后的金膜厚度容易不达标从而影响制品的质量，或者金膜厚度超标浪费金属原料。
发明内容
鉴于以上内容，本申请提供一种金膜厚度预测方法、金膜厚度预测装置、服务器和计算机可读存储介质，用于预测在制品的金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
本申请第一方面提供一种金膜厚度预测方法，包括：
获取金膜厚度的影响因子；
对所述影响因子标注标签以得到训练集；
基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型。
如此，获取金膜厚度的影响因子后，将这些影响因子标注标签形成训练集，基于训练集和最小二乘支持向量机构建成金膜厚度预测模型。利用金膜厚度预测模型可以预测出在制品的金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
作为第一方面的一种可选的实施方式，所述获取金膜厚度的影响因子包括：
获取生产数据，其中，生产数据是指电镀金膜过程中存在的数据；
通过主成分分析算法对所述生产数据计算，以得到所述金膜厚度的所述影响因子。
如此，通过主成分分析法可以在获得的生产数据中筛选出对金膜厚度有影响的数据。以便后续利用这些影响因子构造出金膜厚度预测模型。
作为第一方面的一种可选的实施方式，所述基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型之后还包括：
对所述金膜厚度预测模型引入核函数；
通过粒子群算法得到所述核函数的参数的最优值，以提高所述金膜厚度预测模型的泛化拟合度。
如此，对金膜厚度预测模型引入核函数，并通过粒子群算法得到核函数的参数的最优值，提高所述金膜厚度预测模型的泛化拟合度，从而优化金膜厚度预测模型，在后续模型中接收生产数据后，可以输出更准确的金膜预测厚度。
作为第一方面的一种可选的实施方式，所述影响因子包括电镀金膜的电压、电流、温度、时长、药水浓度和药水与在制品的接触面积。
作为第一方面的一种可选的实施方式，所述基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型之后包括：
获取生产数据；
将所述生产数据输入金膜厚度预测模型，得到在制品的金膜预测厚度。
如此，将生产数据输入金膜厚度预测模型，可以得到在制品的金膜预测厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
本申请第二方面提供一种金膜厚度预测装置，所述金膜厚度预测装置包括金膜厚度预测模块，
所述金膜厚度预测模块用于获取金膜厚度的影响因子；
对所述影响因子标注标签以得到训练集；
基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型。
如此，金膜厚度预测模块获取金膜厚度的影响因子后，将这些影响因子标注标签形成训练集，基于训练集和最小二乘支持向量机构建成金膜厚度预测模型。利用金膜厚度预测模型可以预测出在制品的金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
本申请第二方面提供一种金膜厚度预测装置，所述金膜厚度预测模块还用于获取生产数据，其中，生产数据是指电镀金膜过程中存在的数据；
通过主成分分析算法对所述生产数据计算，以得到所述金膜厚度的所述影响因子。
如此，金膜厚度预测模块通过主成分分析法可以在获得的生产数据中筛选出对金膜厚度有影响的数据。以便后续利用这些影响因子构造出金膜厚度预测模型
本申请第二方面提供一种金膜厚度预测装置，所述金膜厚度预测模块还用于对所述金膜厚度预测模型引入核函数；
通过粒子群算法得到所述核函数的参数的最优值，以提高所述金膜厚度预测模型的泛化拟合度。
如此，金膜厚度预测模块对金膜厚度预测模型引入核函数，并通过粒子群算法得到核函数的参数的最优值，提高所述金膜厚度预测模型的泛化拟合度，从而优化金膜厚度预测模型，在后续模型中接收生产数据后，可以输出更准确的金膜预测厚度。
本申请第二方面提供一种金膜厚度预测装置，所述金膜厚度预测模块还用于获取生产数据；
将所述生产数据输入金膜厚度预测模型，得到在制品的金膜预测厚度。
如此，金膜厚度预测模块将生产数据输入金膜厚度预测模型，可以得到在制品的金膜预测厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
本申请第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的金膜厚度预测方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的金膜厚度预测方法。
本申请的金膜厚度预测方法、金膜厚度预测装置、服务器和计算机可读存储介质，获取金膜厚度的影响因子后，将这些影响因子标注标签形成训练集，基于训练集和最小二乘支持向量机构建成金膜厚度预测模型。利用金膜厚度预测模型可以预测出在制品的金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
本申请的实施方式的附加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，或通过本申请的实施方式的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
图1是本申请实施方式的金膜厚度预测方法的流程示意图；
图2是本申请实施方式的金膜厚度预测方法的流程示意图；
图3是本申请实施方式的金膜厚度预测方法的流程示意图；
图4是本申请实施方式的金膜厚度预测装置的结构示意图；
图5是本申请实施方式的电子设备的结构示意图。
具体实施方式
说明书和权利要求书中的词语第一、第二、第三等类似用语，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施方式能够以除了在这里图示或描述的以外的顺序实施。在以下的描述中，所涉及的表示步骤的标号，如S301、S302……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容；它不排除其它的组成部分或步骤。因此，其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在，但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此，表述“包括A单元和B单元的装置”不应局限为仅由A单元和B单元组成的设备。本说明书中提到的“一些实施方式”或“实施方式”意味着与该实施方式结合描述的特定特征、结构或特性包括在本发明的至少一些实施方式中。因此，在本说明书各处出现的用语“一些实施方式中”或“在实施方式中”并不一定都指同一实施方式，但可以指同一实施方式。此外，在一个或多个实施方式中，能够以任何适当的方式组合各特定特征、结构或特性，如从本公开对本领域的普通技术人员显而易见的那样。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外，本文中所使用的术语只是为了描述本申请实施方式的目的，不是旨在限制本申请。
为了准确地对本申请中的技术内容进行叙述，以及为了准确地理解本发明，在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义。
金膜，是指金属材料或金属合金材料制备而成的膜。
电镀金膜，是指利用电解原理，在在制品的表面上镀上一层是指金属材料或金属合金材料制备而成的膜。
电镀设备，是指在电镀金膜的过程中所使用的各种设备，包括电源、渡槽、挂具、吊篮、加温或降温装置和搅拌装置等。
下面先对相关技术的情况做简要说明。
对在制品电镀金膜的过程中，调整生产线上在制品的金膜厚度时，需要人工对电镀药水的浓度进行抽样量测，耗费人力物力。在得到测量结果后，根据测量结果调整药水的浓度从而调整在制品的金膜厚度。但是，人工进行抽样量测时，容易因为抽样的数量少导致抽样率低，测量结果作为调整药水浓度的依据来说，该测量结果具有滞后性。基于人工抽样率低和测量结果有滞后性等原因，人工调整后的金膜厚度容易不达标从而影响制品的质量，或者金膜厚度超标浪费金属原料。
为此，本申请实施方式提供一种金膜厚度预测方法、金膜厚度预测装置、电子设备和计算机可读存储介质，可以自动给出在制品所需的预测金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
请参阅图1，图1为本申请实施方式的金膜厚度预测方法的流程示意图，所述金膜厚度预测方法可以包括：
步骤S101：获取金膜厚度的影响因子；
对在制品进行电镀金膜的过程中，会产生很多影响金膜厚度的数据，也即是说，影响因子指的是对金膜厚度有影响的数据。例如影响因子包括，电镀设备产生的电压（V）、电流（A）和温度（℃），各个渡槽内的药水浓度（mg/L）和药水酸碱值（PH值）、从开始电镀金膜到当前时刻的电镀总时长（H）以及药水与在制品的接触面积（m2）。电镀设备的渡槽可以包括超声波脱脂镀槽、电解脱脂镀槽、酸洗槽、镀镍槽和镀金槽等。药水是指电镀液，可以包括主盐溶液和各种添加剂。主盐溶液可以包括金属盐溶液，例如硫酸氢溶液和氯化钾溶液等，添加剂可以包括缓冲剂、光亮剂、整平剂和抑雾剂等。这些影响因子可能会影响电解时金属离子的活度，导致改变药水的分散能力和金属离子沉积的快慢，从而影响金膜的厚度。
步骤S102：对影响因子标注标签以得到训练集；
在获取了影响因子后，需要对这些数据进行人工标注标签，例如将某些数据标注为电压、某些数据标注为电流、某些数据标注为温度，某些数据标注为药水浓度、某些数据标注为PH值、某些数据标注为总时长以及某些数据标注为药水与在制品的接触面积。以便后续处理这些数据时，可以明确数据的对应的来源。进行人工标注后数据称为训练集，以便后续利用该训练集中的数据训练出金膜厚度预测模型。
步骤S103：基于训练集和最小二乘支持向量机构建金膜厚度预测模型。
首先，建立训练集表达式，例如，
其中，T表示训练集，n表示样本容量，
表示带有标签的影响因子，
表示金膜的预测厚度，
表示低纬空间集合，意味着目前收集到的影响因子为处于数学意义上的低纬空间。R表示一维空间，意味着输出的金膜的预测厚度在数学意思上处于一纬空间。
接着，根据最小二乘支持向量机的回归思想，将训练集表达式中的低纬空间的影响因子映射到高纬空间，以便后续进行计算，数学表达为
，
表示高纬空间集合,映射后形成的回归方程如下所示，也即是说映射后构建成金膜厚度预测模型的表达示如下：
其中，f（x）表示金膜的预测厚度
表示带有标签的影响因子，
表示权值向量，b表示允许偏差的范围。
可以理解，
表示带有标签的影响因子，
表示权值向量是通过训练集的样本不断训练得出的确定值，为了防止金膜的预测厚度与影响因子之间的关系过于依赖训练样本训练的结果，赋予该预测模型一定范围的偏差b,也即是b表示允许偏差的范围。
在一个应用场景中，采集数据的设备将采集到的数据输入电子设备，电子设备将对金膜厚度有影响的数据，也即是金膜厚度的影响因子输入金膜厚度预测模型，金膜厚度预测模型对这些影响因子进行分析，输出当前时刻的在制品的预测金膜厚度，例如电压、电流和温度，各个渡槽内的药水浓度和药水酸碱值、从开始电镀金膜到当前时刻的电镀总时长以及药水与在制品的接触面积的数据。
如此，获取金膜厚度的影响因子后，将这些影响因子标注标签形成训练集，基于训练集和最小二乘支持向量机构建成金膜厚度预测模型。利用金膜厚度预测模型可以预测出在制品的金膜厚度，方便后续将金膜厚度实时控制在合理范围从而使制品的金膜厚度达标，且减少人力物力和金属材料的浪费。
作为一种可选的实施方式，请参阅图2，步骤S101还可以包括：
步骤S201：获取生产数据，其中，生产数据是指电镀金膜过程中存在的数据；
对在制品进行电镀金膜的过程中，会存在各种数据，这些数据包括加工数据和在制品的当前金膜厚度，加工数据包括各种电镀设备的信息、药水的信息和生产环境的信息等。电镀设备的信息包括电镀设备产生的电压、电流和温度，镀槽的体积大小和搅拌装置的搅拌速度等。药水的信息包括药水浓度、药水种类和药水体积等。生产环境信息包括车间环境温度和车间湿度等，加工数据还包括药水与在制品的接触面积、药水与在制品的接触频率和电镀总时长等。
通过采集数据的设备采集了生产数据后，将生产数据发送给金膜厚度预测模型。
S202通过主成分分析算法对生产数据计算，以得到金膜厚度的影响因子。
金膜厚度预测模型接收到生产数据后，利用主成份分析算法对生产数据进行计算，从而筛选出出金膜厚度的影响因子。利用主成份分析算法对生产数据进行计算的具体过程如下：
首先，建立各种加工数据和金膜厚度之间的关系，某一种加工数据和金膜厚度之间的关系的数学表达式如下所示：
其中，
表示获取的金膜厚度，
至
可以表示从第一组第一次至第n组第P次获得的某一种加工数据，例如，
可以表示第一组第一次获得的电压、
可以表示第二组第一次获得的电压、
可以表示第n组第p次获得的电压。又例如，
可以表示第一组第一次获得的药水浓度、
可以表示第二组第二次获得的药水浓度、
可以表示第n组第p次获得的药水浓度。
由于获得的生产数据是原始数据，每种数据具有不同的性质指标，例如药水浓度、电压和电流具有不同的性质指标，将具有不同的性质指标的数据直接进行加乘不能反映正确结果。因此将每种生产数据进行标准化处理后，使得各种生产数据具有可比性，可以进行加乘等数学计算。
因此，先对原始数据进行标准化处理，数学表达式为：
其中，
表示某一种生产数据的均值，
表示某一种生产数据的标准差，
表示从第一组第一次至第n组第P次中，某次获得的某一种加工数据值，例如，当
表示第一组第一次获得的电压值时，
表示电压的标准差，
表示电压的均值。
接着，利用建立的加工数据和金膜厚度之间的关系、标准化处理后的原始数据可以得到相关系数R，相关系数R反映某一种加工数据与金膜厚度之间的相关关系密切程度，当相关系数R正向越大时，表示该类的加工数据与金膜厚度之间有更紧密的正向密切关系，即该类加工数据对金膜厚度的影响大。
数学表达式如下所示：
其中，
至
分别表示第np次获得某种加工数据与金膜厚度之间的相关关系密切程度。例如
表示第一组第一次获得的电压与金膜厚度之间的相关关系密切程度，
表示第一组第二次获得的电压与金膜厚度之间的相关关系密切程度。
再求出相关系数R大于零的特征值和大于零的特征值
对应的特征向量
，大于零的特征值
表示相关系数R是正向的，与金膜厚度有正向关联。利用特征值
计算各种加工数据的累计方差贡献率
，选择累计方差贡献率
符合预设范围的加工数据，该加工数据为影响因子。也即是说，累计方差贡献率
符合预设范围的加工数据为通过主成分分析算法筛选出的影响因子。同时特征向量
用于表示特征值
对应的加工数据，以用于后续构造金膜厚度预测模型时使用。
具体地，利用自然常数E并通过下列公式计算出相关系数R的特征值
和特征向量
：
筛选的值大于零的
和
相应的特征向量
，例如，有P个值大于零的
时，数学表示为
，相应的特征向量为
，然后利用特征向量
表示加工数据，即P种加工数据的数学表示为
。
再接着，利用P个的特征值
计算各种加工数据的累计方差贡献率
的公式如下
其中，
表示为第P种加工数据的方差贡献率，例如
表示为电压加工数据的方差贡献率，
表示为电压的累计方差贡献率。
最后，选择累计方差贡献率
在预设范围内的加工数据，预设范围可以为85%-95%，将这些种类的加工数据选作为影响因子。
如此，通过主成分分析法可以在获得的生产数据中筛选出对金膜厚度有影响的数据。以便后续利用这些影响因子构造出金膜厚度预测模型。
作为一种可选的实施方式，请参阅图3，步骤S103步骤之后可以包括以下步骤：
步骤S301：对金膜厚度预测模型引入核函数；
在得到金膜厚度预测模型
后，训练集中带有标签的影响因子分布呈现为大量的离群点，通过引入核函数后，可以将金膜厚度的影响因子映射到高纬空间实现线性可分。此时，高纬空间仍然离群点时，可以再引入松弛变量来忽略离群点。使得金膜厚度预测模型的拟合度更高，在后续模型中接收生产数据后，可以输出更准确的预测金膜厚度。
S302：通过粒子群算法得到核函数的参数的最优值，以提高金膜厚度预测模型的泛化拟合度。
核函数的参数是固定值，要找到参数最优值，以使引入的核函数能够提高金膜厚度预测模型的泛化拟合度,将参数和看作粒子，结合粒子群算法得到参数的最优值。
具体地，首先将参数
作为粒子群中的粒子，粒子算法的公式如下:
其中，k为迭代次数，
为第i个粒子在第k次迭代时的速度，
为第i个粒子在第k次迭代时的位置，d=1,2,...,N，i=1,2,...,n，
为权重，c1,c2为加速因子，
，r1,r2为随机函数，
。迭代前期，
取值大，利于全局搜索，迭代后期，
取值小，利于局部优化，
的公式如下所示：
其中，
为惯性权重值最大值，
为惯性权重值最小值，
迭代次数最大值。接着，初始化参数，例如，设置参数
的初始值为2、空间维数的初始值为N为3，种群个数的初始值为n为70、惯性权重最大值
的初始值为0.8，惯性权重最小值
的初始值为0.1，最大迭代次数
的初始值为500，加速因子c1和c2的初始值为2。将参数进行初始化后，利用结合下列式子计算得参数
的初始适应度值L，利用每执行一次迭代，更新一次粒子的位置
以及速度
，得到一个新参数
的值，再次计算新的适应度值L，将新的适应度值L与之前的比较，直到最优适应度值L达到阈值或迭代次数达到500次时，输出的参数
的值为最优值，例如，最优适应度值L达到阈值时，参数
的最优值为2.49。
其中，L为各个粒子的适应度值（粒子参数
），N为样本容量，
为i时刻的预设金膜厚度，
为i时候预测金膜厚度。在得到金膜厚度预测模型
后，在引入核函数并求出参数
的最优值后，得到最终的金膜厚度预测模型的数学表达式式如下所示：
其中，f(x)表示金膜的预测厚度，
为拉格朗日乘子，
，K()表示核函数，
表示输入的影响因子，b表示允许偏差的范围。
在一个应用场景中，采集数据的设备将采集到的生产数据输入电子设备，电子设备通过主成分分析算法对生产数据进行筛选，获得数据中对金膜厚度有影响的数据，也即是获得金膜厚度的影响因子，例如电压、电流和温度，各个渡槽内的药水浓度和药水酸碱值、从开始电镀金膜到当前时刻的电镀总时长以及药水与在制品的接触面积的数据，接着，将这些影响因子输入金膜厚度预测模型，金膜厚度预测模型对这些影响因子进行分析，并输出当前时刻的在制品的预测金膜厚度。
请参阅图4，本申请实施方式还提供一种金膜厚度预测装置10，金膜厚度预测装置10包括数据采集模块11和金膜厚度预测模块12，数据采集模块11用于采集生产数据，并将生产数据发送给金膜厚度预测模块12。数据采集模块11可以由可编程逻辑控制器（Programmable Logic Controller，PLC）和网关组成，PLC通过网关采集各个设备的生产数据后，将生产数据上传工业物联网平台，由工业物联网平台统一管理数据，例如，可以使用的产品号为CorePro的工业物联网平台，工业物联网平台再通过数据传输设备（DataTerminal unit，DTU）发送给电子设备。其中，网关可以指Sirius Basic系列产品网关。被采集数据的设备可以包括温度计、湿度计、放料机、电镀设备和收料机等。放料机可以采集释放在制品的数量和速度，收料机可以采集收集在制品的数量和速度，电镀设备可以采集电压、电流和温度，镀槽的体积大小、搅拌装置的搅拌速度和药水浓度、药水种类和药水体积。温度计可以采集车间环境的温度，湿度计可以采集车间环境的湿度。
金膜厚度预测模块12可以用于实现本申请所述的金膜厚度预测方法的全部或部分步骤。在此不再赘述，详细阐述内容见金膜厚度预测方法。金膜厚度预测模块12可以为工业服务器。
上述膜厚度预测装置中各个模块的划分仅用于举例说明，在其他的实施例中，可将膜厚度预测装置按照需要划分为不同的模块，以完成上述膜厚度预测装置的功能。本申请实施例中提供的膜厚度预测装置中的各个模块的实现，可为计算机程序的形式。该计算机程序可在电子设备或服务器上运行。在本申请实施例中各个模块的具体实现还可以对应参照图1至图3所示的方法实施例的相应描述。
请参阅图5所示，为本申请实施方式提供的电子设备100的一种结构示意图。在一个实施方式中，电子设备100包括存储器101及至少一个处理器102。本领域技术人员应该了解，图5示出的电子设备100的结构并不构成本申请实施方式的限定，电子设备100还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
作为一种可选的实施方式，电子设备100可以为服务器。
作为一种可选的实施方式，所述电子设备100包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。作为一种可选的实施方式，存储器101用于存储程序代码和各种数据。所述存储器101可以包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-OnlyMemory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（Compact Disc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
作为一种可选的实施方式，所述至少一个处理器102可以包括集成电路，例如可以包括单个封装的集成电路，也可以包括多个相同功能或不同功能封装的集成电路，包括微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器102是所述控制器的控制核心（Control Unit），通过运行或执行存储在所述存储器101内的程序或者模块，以及调用存储在所述存储器101内的数据，以执行电子设备100的各种功能和处理数据。上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，终端，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的部分。所述存储器101中存储有程序代码，且所述至少一个处理器102可调用所述存储器101中存储的程序代码以执行相关的功能。在本申请的一个实施方式中，所述存储器101存储多个指令，所述多个指令被所述至少一个处理器102所执行以实现上述塔吊控制方法。具体地，所述至少一个处理器102对上述指令的具体实现方法可参考图1、图2、和图3对应实施方式中相关步骤的描述，在此不赘述。
本申请实施方式还提供了一种存储介质。其中，所述存储介质中存储有计算机指令，所述指令在计算设备上运行时，使得所述计算设备可以执行前述实施方式提供的金膜厚度预测方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。在本申请所提供的几个实施方式中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，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单元中注意，上述仅为本申请的较佳实施方式及所运用的技术原理。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方式，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，虽然通过以上实施方式对本申请进行了较为详细的说明，但是本发明不仅仅限于以上实施方式，在不脱离本发明的构思的情况下，还可以包括更多其他等效实施方式，均属于本发明的保护范畴。
Claims (11)
1.一种金膜厚度预测方法，其特征在于，包括：
获取金膜厚度的影响因子；
对所述影响因子标注标签以得到训练集；
基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型。
2.根据权利要求1所述的预测方法，其特征在于，所述获取金膜厚度的影响因子包括：
获取生产数据，其中，生产数据是指电镀金膜过程中存在的数据；
通过主成分分析算法对所述生产数据计算，以得到所述金膜厚度的所述影响因子。
3.根据权利要求1所述的预测方法，其特征在于，所述基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型之后还包括：
对所述金膜厚度预测模型引入核函数；
通过粒子群算法得到所述核函数的参数的最优值，以提高所述金膜厚度预测模型的泛化拟合度。
4.根据权利要求1所述的预测方法，其特征在于，所述影响因子包括电镀金膜的电压、电流、温度、时长、药水浓度和药水与在制品的接触面积。
5.根据权利要求1所述的预测方法，其特征在于，所述基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型之后包括：
获取生产数据；
将所述生产数据输入所述金膜厚度预测模型，得到在制品的金膜预测厚度。
6.一种金膜厚度预测装置，其特征在于，所述金膜厚度预测装置包括金膜厚度预测模块，
所述金膜厚度预测模块用于获取金膜厚度的影响因子；
对所述影响因子标注标签以得到训练集；
基于所述训练集和最小二乘支持向量机构建所述金膜厚度预测模型。
7.根据权利要求6所述的金膜厚度预测装置，其特征在于，所述金膜厚度预测模块还用于获取生产数据；
通过主成分分析算法对所述生产数据计算，以得到所述金膜厚度的所述影响因子。
8.根据权利要求6所述的金膜厚度预测装置，其特征在于，所述金膜厚度预测模块还用于对所述金膜厚度预测模型引入核函数；
通过粒子群算法得到所述核函数的参数的最优值，以提高所述金膜厚度预测模型的泛化拟合度。
9.根据权利要求6所述的金膜厚度预测装置，其特征在于，所述金膜厚度预测模块还用于获取生产数据；
将所述生产数据输入金膜厚度预测模型，得到在制品的金膜预测厚度。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1-5任一项所述的金膜厚度预测方法。
11.一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，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的金膜厚度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211713264.2A CN115689063A (zh) | 2022-12-30 | 2022-12-30 | 金膜厚度预测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211713264.2A CN115689063A (zh) | 2022-12-30 | 2022-12-30 | 金膜厚度预测方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115689063A true CN115689063A (zh) | 2023-02-03 |
Family
ID=85056532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211713264.2A Pending CN115689063A (zh) | 2022-12-30 | 2022-12-30 | 金膜厚度预测方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115689063A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103469137A (zh) * | 2013-09-07 | 2013-12-25 | 鞍钢股份有限公司 | 一种热镀锌镀层厚度动态变规格预设控制方法 |
| CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
| CN105316613A (zh) * | 2015-10-13 | 2016-02-10 | 浙江中控研究院有限公司 | 一种基于变时滞偏差校正技术的锌层厚度控制方法和系统 |
| CN106339020A (zh) * | 2015-07-16 | 2017-01-18 | 广东兴发铝业有限公司 | 基于神经网络的铝型材表面氧化自动控制系统 |
| CN106811778A (zh) * | 2015-11-27 | 2017-06-09 | 中国科学院大连化学物理研究所 | 组分和厚度可控的钯铜合金膜的制备及钯铜合金膜和应用 |
| CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
| CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
| CN113204925A (zh) * | 2021-06-02 | 2021-08-03 | 辽宁大学 | 改进鲸鱼优化最小二乘支持向量机的带钢厚度预测方法 |
-
2022
- 2022-12-30 CN CN202211713264.2A patent/CN115689063A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
| CN103469137A (zh) * | 2013-09-07 | 2013-12-25 | 鞍钢股份有限公司 | 一种热镀锌镀层厚度动态变规格预设控制方法 |
| CN106339020A (zh) * | 2015-07-16 | 2017-01-18 | 广东兴发铝业有限公司 | 基于神经网络的铝型材表面氧化自动控制系统 |
| CN105316613A (zh) * | 2015-10-13 | 2016-02-10 | 浙江中控研究院有限公司 | 一种基于变时滞偏差校正技术的锌层厚度控制方法和系统 |
| CN106811778A (zh) * | 2015-11-27 | 2017-06-09 | 中国科学院大连化学物理研究所 | 组分和厚度可控的钯铜合金膜的制备及钯铜合金膜和应用 |
| CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
| CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
| CN113204925A (zh) * | 2021-06-02 | 2021-08-03 | 辽宁大学 | 改进鲸鱼优化最小二乘支持向量机的带钢厚度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴剑胜;王天林;周玄昊;王绍亮;冯力力;: "基于神经网络的热镀锌镀层厚度建模与预测方法" * |
| 李玉军;梁琨;郭会军;: "最小二乘支持向量机在多层金属膜厚度检测中的应用" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
| CN108920888B (zh) | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 | |
| CN103778482B (zh) | 基于多尺度分析的水产养殖溶解氧短期预测方法 | |
| Kaddah et al. | Application of nonlinear model predictive control based on swarm optimization in power systems optimal operation with wind resources | |
| CN103675011B (zh) | 最优支持向量机的工业熔融指数软测量仪表和方法 | |
| CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
| CN113591374B (zh) | 基于卷积简单循环单元网络的水泥成品比表面积预测方法 | |
| Spann et al. | A compartment model for risk-based monitoring of lactic acid bacteria cultivations | |
| CN115620846A (zh) | 一种活性锰材料制备及控制方法 | |
| CN112560338A (zh) | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 | |
| Nakıp et al. | Renewable energy management in smart home environment via forecast embedded scheduling based on Recurrent Trend Predictive Neural Network | |
| CN112990585A (zh) | 一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法 | |
| CN103675006A (zh) | 最小二乘的工业熔融指数软测量仪表和方法 | |
| Garcia-Ceja et al. | Towards the automation of a chemical sulphonation process with machine learning | |
| Dutta et al. | An improved grey wolf optimization algorithm for liquid flow control system | |
| CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
| CN115689063A (zh) | 金膜厚度预测方法及装置、电子设备和存储介质 | |
| Pringsakul et al. | Mofpa-based pida controller design optimization for electric furnace temperature control system | |
| Lin et al. | Predictive quality-aware control for scheduling of potato starch production | |
| CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
| Acebes et al. | Model based online scheduling of concurrent and equal batch process units: Sugar End industrial case study | |
| CN116384254A (zh) | 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 | |
| Frost et al. | Performance comparison of BP and GRNN models of the neural network paradigm using a practical industrial application | |
| Zhu et al. | Prediction model of dissolved oxygen based on FOA-LSSVR | |
| CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20230203 |