CN115747750A - 一种多层反馈的金属镀膜控制方法 - Google Patents

Abstract

本发明提供了一种多层反馈的金属镀膜控制方法，该发明主要通过工厂的数据采集端口获取在线工艺参数数据进而获得到数据集，建立所需要的随机森林+LSTM模型，并通过多层的PID调节来对金属镀膜的过程进行控制。本方法能够通过随机森林+LSTM模型来找出镀膜过程中每一层的重要的工艺参数，能够将每层镀膜膜厚以及膜厚质量的输出值与标准膜厚以及标准膜厚质量相一致，更好的预测和控制膜厚及质量，即提取这些工艺参数来进行优化得到目标膜厚的同时来保证折射率以及均匀度、反射率达到最优状态，从而达到最优的工艺参数，以提高生产效率的同时也降低了人工成本，便于管理维护，能够增加镀膜质量也可以降低成本，较少产品的失败率。

Description

一种多层反馈的金属镀膜控制方法

技术领域

本发明涉及金属镀膜领域，具体为一种多层反馈的金属镀膜控制方法。

背景技术

金属镀膜技术，特别是使用等离子真空技术金属镀膜，一般都是适用于半导体芯片以及太阳能电池板等基板上，对这些基板表面镀上金属导电膜、光反射膜以及金属化合物膜等。当前各个国家都对金属镀膜技术越来越重视，镀膜质量的好坏对后续产品质量起着决定性的作用。

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，调节所述镀层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。

专利(CN202210063440.6)公开了一种金属镀膜自动化控制装置及其方，是一种用于镀膜设备，预测镀膜膜厚以及控制其膜厚的方法，但是该方法并没有给出重要参数的提取过程以及PID调节的主要过程，并且也并没有对膜厚的质量进行考虑。

随着技术发展，目前国内市场对镀膜的质量以及外观都有着更高的要求，但是并没有一种特定的控制方法来预测和控制膜厚质量。镀膜过程中的各种工艺参数对镀膜过程都会有一定程度的影响，但是其中一些工艺参数影响较小或者甚至没有影响，但是目前并没有一种准确的方法来找出重要影响参数。以及如何在自动控制工艺参数兼顾达到理想膜厚的同时，保证膜厚质量也就是膜厚的均匀度，均匀度以及反射率等性能，提高工厂生产效率，减少人工成本这些都是需要解决的问题。

发明内容

本发明目的在于提供一种多层反馈的金属镀膜控制方法，能够通过算法模型来找出镀膜过程中重要的工艺参数，并提取这些工艺参数来进行优化得到目标膜厚的同时来保证折射率以及均匀度、反射率达到最优状态，从而达到最优的工艺参数，以提高生产效率的同时也降低了人工成本，便于管理维护。

为达成上述目的，本发明提出如下技术方案：.一种多层反馈的金属镀膜控制方法，金属镀膜次数为五次(五层)，包括如下过程：

获取数据集，建立随机森林+LSTM模型，数据集用于模型的训练、验证和评估，其中随机森林模型得到每层镀膜预设的重要特征和重要性参数，LSTM模型得到每一次镀膜的膜厚数据和膜厚质量信息；

目标膜厚、目标膜厚质量和每一层工艺参数输入至随机森林+LSTM模型，随机森林+LSTM模型根据输入的每一层镀膜工艺参数，输出预测膜厚厚度以及预测膜厚的质量数据，并且计算与目标膜厚以及目标膜厚质量参数之间的误差，依据该误差和各个工艺参数设置的调节优先级，对每一层镀膜的工艺参数经行PID调节，给出每一层的优化参数，即对一层工艺参数进行优化后再进入到第二层工艺参数中，直到最后一层的工艺参数进行优化，将优化后的工艺参数继续输入到随机森林+LSTM模型中通过迭代来得到质量最好的预测膜厚厚度以及预测膜厚的质量数据，即随机森林+LSTM模型使最后预测膜厚厚度以及预测膜厚的质量数据与符合目标要求，然后将符合目标要求的工艺参数输出。

进一步的，在本发明中，获取数据集的过程具体如下，在工厂的数据采集端口获取在线工艺参数数据，其工艺参数包括镀膜工序时长、镀膜温度、腔体压力、腔体电压、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以及温度区域分类保存，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，获取数据集的过程还包括，将所有的工艺参数依次输入至云端数据存储管理模块中和膜厚预测模型中，对工厂所得到的工艺参数数据进行清洗，将清洗出来的数据输入到新的数据集中，对该数据集进行数据处理首先读取所有采集到的数据文件，将相应的文件进行匹配，提取每一次镀膜中的工艺参数，取每次镀膜过程中工艺参数的中位数，以及每一次镀膜时间的时长取最大值，将五次镀膜过程的参数进行拼接，得到一次完整的镀膜工序的参数。

进一步的，在本发明中，数据集还用于训练完成的膜厚预测模型进行反馈控制；

通过数据处理步骤得出对工艺参数的分析，以获取膜厚工艺参数的调整方式和优先级；

其中，数据处理步骤获取的工艺参数统计值为，每一步工序的中位数，即五次镀膜过程中每一步镀膜过程的中位数，并使用四分位法剔除采集参数中的异常值。

进一步的，在本发明中，所述数据集分为训练集、测试集和验证集，数据量比例为6：2：2，使用训练集的各部分工艺参数和真实膜厚和膜厚质量参数来训练随机森林+LSTM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。

进一步的，在本发明中，在工厂的数据采集端口获取在线工艺参数数据时，包括如下过程：

进行分区域数据采集，具体的是将镀膜区域分成5个部分分别来进行处理，数据采集模块分别采集5个部分的数据，每个部分都会有58个金属镀膜膜片，对采集到的镀膜厚度进行平均数的处理，然后对计算镀膜片的膜厚均匀度通过各个膜厚之间方差进行对比以及通过折射率来对镀膜片的镀膜质量进行评估，通过这三个镀膜质量指标来对镀膜质量进行评估，是否达到生产要求。

进一步的，在本发明中，随机森林模型得到每层镀膜预设的重要特征和重要性参数包括如下过程：

建立随机森林模型，在随机森林模型板块中规定提取其中重要性较强的工艺参数以及相应的重要性参数，以及提取其中百分之80的数据对数据使用完全，随机森林通过提取部分特征参数来进行对比从而得出重要的特征参数。

进一步的，在本发明中，在建立随机森林模型之前先建立决策树模型，多个决策树模型共同构造成随机森林模型，决策树模型首先是根据规则切分样本集，分割成多个子集，然后再将子集进行切割分类，循环这个过程，直至属于同一类的样本均在同一个子集中；

其中，对决策树模型进行深度规定，深度有5、10、15，通过算法自身的对比来得出最优的决策树深度，通过多个决策树模型所计算出来的工艺参数重要性进行共同的比对分析得出重要特征和重要性参数，其还对决策树模型的个数进行设置，决策树模型的为50，75，100，125，150颗，对这五种不同决策树个数来选取出型拟合度最高的的随机森林模型。在这里规定了每一棵决策树中提取50％、60％、80％的工艺参数，来进行决策树的训练。由于每一侧决策树中随机提取其中的工艺参数，会导致每一颗决策树预测膜厚结果不同，通过预测结果与真实结果的对比来比较出各个工艺参数的重要程度以及相应的重要参数，通过这个方法来得出每一个工艺参数对膜厚信息的重要程度。并输出重要特征和重要性参数，并将得到的数据进行降维处理。

进一步的，在本发明中，LSTM模型得到每一次镀膜的膜厚数据和膜厚质量信息包括如下过程：

建立LSTM模块，LSTM模块能够获取工艺数据的时序特征，LSTM模块中包含了“门机制”来控制信息传输，其包括记忆单元，记忆单元通过单元状态来记忆上次步骤中的信息，增加了输入序列长度，提高了预测的准确度，LSTM模块中包含一个遗忘门、一个输入门、和一个输出门来控制不同时间步骤之间的信息流；

将前一个步骤中需要的部分输入到输入门中，无用的信息输入到遗忘门中，将随机森林模型中提取出来的重要性参数输入到相应镀膜步骤的输入门中，将其余的不重要的工艺参数输入到遗忘门中，从而输出膜厚数据以及质量信息，并将该层镀膜输出的膜厚数据以及质量信息作为输入数据输入到下一层的LSTM模型中，同时下一层的随机森林模块提取出来的重要性参数输入到输入门中，将其余的工艺参数输入到遗忘门中，同时将随机森林所提取到的重要性参数作为权重配比输入到输入门中的权重模块，最后输出符合目标要求的预测膜厚厚度以及预测膜厚的质量数据。

有益效果，本申请的技术方案具备如下技术效果：

本方法能够通过随机森林+LSTM模型来找出镀膜过程中每一层的重要的工艺参数，能够将每层镀膜膜厚以及膜厚质量的输出值与标准膜厚以及标准膜厚质量相一致，更好的预测和控制膜厚及质量，即提取这些工艺参数来进行优化得到目标膜厚的同时来保证折射率以及均匀度、反射率达到最优状态，从而达到最优的工艺参数，以提高生产效率的同时也降低了人工成本，便于管理维护，能够增加镀膜质量也可以降低成本，较少产品的失败率。

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为本多层反馈的金属镀膜方法示意图。

图2为镀膜温区示意图。

图3为本发明所结合LSTM和随机森林的膜厚训练模型示意图。

图4为本发明方法的PID控制过程示意图。

图5为本发明决策树模型示意图

图6为本发明随机森林模型示意图

图7为本发明LSTM模型示意图。

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1-7，一种多层反馈的金属镀膜控制方法，金属镀膜次数为五次(五层)，包括如下过程：

获取数据集，建立随机森林+LSTM模型，数据集用于模型的训练、验证和评估，其中随机森林模型得到每层镀膜预设的重要特征和重要性参数，LSTM模型得到每一次镀膜的膜厚数据和膜厚质量信息；

目标膜厚、目标膜厚质量和每一层工艺参数输入至随机森林+LSTM模型，随机森林+LSTM模型根据输入的每一层镀膜工艺参数，输出预测膜厚厚度以及预测膜厚的质量数据，并且计算与目标膜厚以及目标膜厚质量参数之间的误差，依据该误差和各个工艺参数设置的调节优先级，对每一层镀膜的工艺参数经行PID调节，给出每一层的优化参数，即对一层工艺参数进行优化后再进入到第二层工艺参数中，直到最后一层的工艺参数进行优化，将优化后的工艺参数继续输入到随机森林+LSTM模型中通过迭代来得到质量最好的预测膜厚厚度以及预测膜厚的质量数据，即随机森林+LSTM模型使最后预测膜厚厚度以及预测膜厚的质量数据与符合目标要求，然后将符合目标要求的工艺参数输出。

其中，获取数据集的过程具体如下，在工厂的数据采集端口获取在线工艺参数数据，其工艺参数包括镀膜工序时长、镀膜温度、腔体压力、腔体电压、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以及温度区域分类保存，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。

获取数据集的过程还包括，将所有的工艺参数依次输入至云端数据存储管理模块中和膜厚预测模型中，对工厂所得到的工艺参数数据进行清洗，将清洗出来的数据输入到新的数据集中，对该数据集进行数据处理首先读取所有采集到的数据文件，将相应的文件进行匹配，提取每一次镀膜中的工艺参数，取每次镀膜过程中工艺参数的中位数，以及每一次镀膜时间的时长取最大值，将五次镀膜过程的参数进行拼接，得到一次完整的镀膜工序的参数。

数据集还用于训练完成的膜厚预测模型进行反馈控制；

通过数据处理步骤得出对工艺参数的分析，以获取膜厚工艺参数的调整方式和优先级；

其中，数据处理步骤获取的工艺参数统计值为，每一步工序的中位数，即五次镀膜过程中每一步镀膜过程的中位数，并使用四分位法剔除采集参数中的异常值。

所述数据集分为训练集、测试集和验证集，数据量比例为6：2：2，使用训练集的各部分工艺参数和真实膜厚和膜厚质量参数来训练随机森林+LSTM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。

对于传统的金属镀膜预测，并不能做到分区域预测，本申请在工厂的数据采集端口获取在线工艺参数数据时，包括如下过程：

进行分区域数据采集，具体的是将镀膜区域分成5个部分分别来进行处理，传统的金属镀膜预测是将所有温区的温度数值作为输入，这会导致其他温区对预测模型的影响，通过分区处理可以排除其他温区对该温区的影响，从而提高金属镀膜预测模型的精确度。进行分区检测也可以使对不同的温度区域做不同的模型预测从而提高各个部分的模型预测精准度。数据采集模块分别采集5个部分的数据，每个部分都会有58个金属镀膜膜片，对采集到的镀膜厚度进行平均数的处理，然后对计算镀膜片的膜厚均匀度通过各个膜厚之间方差进行对比以及通过折射率来对镀膜片的镀膜质量进行评估，通过这三个镀膜质量指标来对镀膜质量进行评估，是否达到生产要求。

进一步的，将采集到的所有工艺参数都输入到算法模型中，但由于输入的工艺参数过多，而其中的一些工艺参数的重要性并不高，所以通过随机森林模块进行特征参数重要性分析。工厂端在每一次镀膜过程中会收集到40多种工艺参数，但是其中大部分工艺参数对膜厚的预测并不能起到太大的作用，并且每一次镀膜都会存在差异性，所以在做镀膜预测时，需要引入随机森林模型，也可以叫随机森林模块(如图5和6)，来得到每一层的工艺参数重要特征以及特征参数，而不是只对一层预测模型进行重要参数提取。由于每一步的工艺参数类型都是一样的，且都具有先后顺序，所以引入LSTM模型(图7)将每一次镀膜参数输出的结果输入到下一次镀膜中，以此类推以此来预测出每一次镀膜的膜厚信息直到输出最后一层镀膜信息。然后将这个膜厚数值以及质量信息与标准膜厚与质量信息进行对比，将对比信息输入到反馈调节中，对整个算法进行反馈调节，从而实现不断地优化，直到输出的预测膜厚与标准膜厚之间误差在控制范围之内则将输出的膜厚信息输入到下一层镀膜信息中，将这层镀膜输出作为下一层膜厚预测的输入，再将随机森林算法中所提取出来的该层镀膜的重要特征以及特征参数输入到LSTM算法来预测出下一层膜厚信息，直至将每层镀膜膜厚以及膜厚质量的输出值与标准膜厚以及标准膜厚质量相同(或者说最大限度的接近)。通过随机森林算法提取出其中相应的重要工艺参数以及工艺参数所对应的重要性参数输入到LSTM模型当中，可以减少LSTM模型当中的输入参数从而减少一些无用工艺参数对输出结果的影响，也将重要性参数输入到LSTM模型当中作为权值来提高LSTM模型的精确度。

模型建立及使用具体如下，随机森林模型得到每层镀膜预设的重要特征和重要性参数包括如下过程：

建立随机森林模型，在随机森林模型板块中规定提取其中重工艺参数，以及提取其中百分之80的数据对数据使用完全，随机森林通过提取部分特征参数来进行对比从而得出重要的特征参数以及重要性参数。

在建立随机森林模型之前先建立决策树模型，多个决策树模型共同构造成随机森林模型，决策树模型首先是根据将同一个类型的数据分类到同一个样本集中的原则来切分最优的样本集，便于后续的重要性提取以及预测。分割成多个子集，然后再将子集进行切割分类，循环这个过程，直至属于同一类的样本均在同一个子集中；

其中，对决策树模型进行深度规定(树深度是指：在随机森林模型当中进行分类的次数)有5、10、15，也就是在进行重要性分析的过程中对每一个树建立不同的树深度从而避免因为树深度过少导致欠拟合以及树深度过多导致过拟合的情况。通过多个决策树模型所计算出来的工艺参数重要性进行共同的比对分析得出重要特征和重要性参数，其还对决策树模型的个数进行设置，决策树模型的为50，75，100，125，150颗，对这五种不同决策树个数来选取出型拟合度最高的的随机森林模型。在这里规定了每一棵决策树中提取50％、60％、80％的工艺参数，来进行决策树的训练。由于每一侧决策树中随机提取其中的工艺参数，会导致每一颗决策树预测膜厚结果不同，通过这个方法来得出每一个工艺参数对膜厚信息的重要程度。并输出重要特征和重要性参数，并将得到的数据进行降维处理。

LSTM模型得到每一次镀膜的膜厚数据和膜厚质量信息包括如下过程：

建立LSTM模块，LSTM模块能够获取工艺数据的时序特征，LSTM模块中包含了“门机制”来控制信息传输，其包括记忆单元，记忆单元通过单元状态来记忆上次步骤中的信息，也就是说将上一次中的预测结果以及一些预测参数来作为下一次的输出从而增加了输入序列长度，提高了预测的准确度，LSTM模块中包含一个遗忘门、一个输入门、和一个输出门来控制不同时间步骤之间的信息流；

将前一个步骤中需要的部分输入到输入门中，无用的信息输入到遗忘门中，将随机森林模型中提取出来的重要性参数输入到相应镀膜步骤的输入门中，将其余的不重要的工艺参数输入到遗忘门中，从而输出膜厚数据以及质量信息，并将该层镀膜输出的膜厚数据以及质量信息作为输入数据输入到下一层的LSTM模型中，同时下一层的随机森林模块提取出来的重要性参数输入到输入门中，将其余的工艺参数输入到遗忘门中，同时将随机森林所提取到的重要性参数作为权重配比输入到输入门中的权重模块，最后输出符合目标要求的预测膜厚厚度以及预测膜厚的质量数据。

随机森林+LSTM结合的深度学习模型具有极佳的实用性，随机森林模型可以对小数据量的数据进行效果最好的预测并且可以提取出其中的重要特征，LTSM模型可以获取工艺数据的时序特征；在进行训练时所使用的输入为工艺参数数据；输出参数为参数匹配的实际膜厚以及实际膜厚的质量参数。

随机森林+LSTM模型将对5次镀膜分开进行分析以及反馈控制，由于金属镀膜质量要求较高，所以对每层的镀膜要求质量都非常高，所以对每一层镀膜都进行随机森林+LSTM模型的预测，第一层镀膜预测后将预测模型得出的膜厚数据以及质量参数与目标膜厚以及膜厚质量参数对比，如果没有在误差范围内则直接通过PID来调节，调整当前镀膜工序中的工艺参数，从而来完成第一次镀膜膜厚的优化。主要步骤如下：

设定标准膜厚厚度(目标)、膜厚质量参数(目标)以及当前对象的值并将两者输入到控制算法逻辑中。将输出的膜厚数据与给定的膜厚数据来进行对比，通过输出膜厚与标准膜厚差值的比例来对工艺参数进行同比例的调节。通过上述所提到的工艺参数优先级来对工艺参数进行调节，首先调节重要性最强的工艺参数进行调节，主要对时序时长进行调节。如果膜厚厚度并没有到达误差范围内则继续将标准膜厚与输出膜厚进行对比，如果两者之间误差变小了则继续进行微调，如果两者之间的误差变大则返回原来的膜厚预测工艺参数，并减少工艺参数的调节比例。如果镀膜厚度已经到达误差范围内而膜厚质量并没有到达误差范围则对温度以及气体压强同时进行调节，直到膜厚质量也在误差范围内。在这里我们主要对这三个工艺参数来进行PID反馈调节，从而是预测膜厚与标准膜厚之间的差值在预测范围内。

随后我们将该层镀膜输出的膜厚厚度以及膜厚质量信息输入法到下一层中将其作为输入，同时也将该曾镀膜的工艺参数输入LTSM+随机森林的模型当中。然后在进行与上述相同的PID调节，之后的几层镀膜也通过同样的方法来得到优化，由于每一层镀膜的成本较大，如果完成完整的镀膜会造成成本的大量提高，所以在每层镀膜后都施加PID调节，不仅可以增加镀膜质量也可以降低成本，较少产品的失败率。

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 (9)

1.一种多层反馈的金属镀膜控制方法，其特征在于：包括如下过程：

获取数据集，建立随机森林+LSTM模型，数据集用于模型的训练、验证和评估，其中随机森林模型得到每层镀膜预设的重要特征和重要性参数，LSTM模型得到每一次镀膜的膜厚数据和膜厚质量信息；

目标膜厚、目标膜厚质量和每一层工艺参数输入至随机森林+LSTM模型，随机森林+LSTM模型根据输入的每一层镀膜工艺参数，输出预测膜厚厚度以及预测膜厚的质量数据，并且计算与目标膜厚以及目标膜厚质量参数之间的误差，依据该误差和各个工艺参数设置的调节优先级，对每一层镀膜的工艺参数经行PID调节，给出每一层的优化参数，即对一层工艺参数进行优化后再进入到第二层工艺参数中，直到最后一层的工艺参数进行优化，将优化后的工艺参数继续输入到随机森林+LSTM模型中通过迭代来得到质量最好的预测膜厚厚度以及预测膜厚的质量数据，即随机森林+LSTM模型使最后预测膜厚厚度以及预测膜厚的质量数据与符合目标要求，然后将符合目标要求的工艺参数输出。

2.根据权利要求1所述的一种多层反馈的金属镀膜控制方法，其特征在于：获取数据集的过程具体如下，在工厂的数据采集端口获取在线工艺参数数据，其工艺参数包括镀膜工序时长、镀膜温度、腔体压力、腔体电压、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以及温度区域分类保存，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。

3.根据权利要求2所述的一种多层反馈的金属镀膜控制方法，其特征在于：获取数据集的过程还包括，将所有的工艺参数依次输入至云端数据存储管理模块中和膜厚预测模型中，对工厂所得到的工艺参数数据进行清洗，将清洗出来的数据输入到新的数据集中，对该数据集进行数据处理首先读取所有采集到的数据文件，将相应的文件进行匹配，提取每一次镀膜中的工艺参数，取每次镀膜过程中工艺参数的中位数，以及每一次镀膜时间的时长取最大值，将五次镀膜过程的参数进行拼接，得到一次完整的镀膜工序的参数。

4.根据权利要求3所述的一种多层反馈的金属镀膜控制方法，其特征在于：数据集还用于训练完成的膜厚预测模型进行反馈控制；

通过数据处理步骤得出对工艺参数的分析，以获取膜厚工艺参数的调整方式和优先级；

其中，数据处理步骤获取的工艺参数统计值为，每一步工序的中位数，即五次镀膜过程中每一步镀膜过程的中位数，并使用四分位法剔除采集参数中的异常值。

5.根据权利要求4所述的一种多层反馈的金属镀膜控制方法，其特征在于：所述数据集分为训练集、测试集和验证集，数据量比例为6：2：2，使用训练集的各部分工艺参数和真实膜厚和膜厚质量参数来训练随机森林+LSTM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。

6.根据权利要求1所述的一种多层反馈的金属镀膜控制方法，其特征在于：在工厂的数据采集端口获取在线工艺参数数据时，包括如下过程：

进行分区域数据采集，具体的是将镀膜区域分成5个部分分别来进行处理，数据采集模块分别采集5个部分的数据，每个部分都会有58个金属镀膜膜片，对采集到的镀膜厚度进行平均数的处理，然后对计算镀膜片的膜厚均匀度通过各个膜厚之间方差进行对比以及通过折射率来对镀膜片的镀膜质量进行评估，通过这三个镀膜质量指标来对镀膜质量进行评估，是否达到生产要求。

7.根据权利要求1所述的一种多层反馈的金属镀膜控制方法，其特征在于：随机森林模型得到每层镀膜预设的重要特征和重要性参数包括如下过程：

建立随机森林模型，在随机森林模型板块中规定提取其中重要性较强的工艺参数以及相应的重要性参数，以及提取其中百分之80的数据对数据使用完全，随机森林通过提取部分特征参数来进行对比从而得出重要的特征参数。

8.根据权利要求7所述的一种多层反馈的金属镀膜控制方法，其特征在于：在建立随机森林模型之前先建立决策树模型，多个决策树模型共同构造成随机森林模型，决策树模型首先是根据规则切分样本集，分割成多个子集，然后再将子集进行切割分类，循环这个过程，直至属于同一类的样本均在同一个子集中；

其中，对决策树模型进行深度规定，深度有5、10、15，通过算法自身的对比来得出最优的决策树深度，通过多个决策树模型所计算出来的工艺参数重要性进行共同的比对分析得出重要特征和重要性参数，其还对决策树模型的个数进行设置，决策树模型的为50，75，100，125，150颗，对这五种不同决策树个数来选取出效果最好的随机森林模型，并输出重要特征和重要性参数，并将得到的数据进行降维处理。

9.根据权利要求8所述的一种多层反馈的金属镀膜控制方法，其特征在于：LSTM模型得到每一次镀膜的膜厚数据和膜厚质量信息包括如下过程：

建立LSTM模块，LSTM模块能够获取工艺数据的时序特征，LSTM模块中包含了“门机制”来控制信息传输，其包括记忆单元，记忆单元通过单元状态来记忆上次步骤中的信息，增加了输入序列长度，提高了预测的准确度，LSTM模块中包含一个遗忘门、一个输入门、和一个输出门来控制不同时间步骤之间的信息流；

将前一个步骤中需要的部分输入到输入门中，无用的信息输入到遗忘门中，将随机森林模型中提取出来的重要性参数输入到相应镀膜步骤的输入门中，将其余的不重要的工艺参数输入到遗忘门中，从而输出膜厚数据以及质量信息，并将该层镀膜输出的膜厚数据以及质量信息作为输入数据输入到下一层的LSTM模型中，同时下一层的随机森林模块提取出来的重要性参数输入到输入门中，将其余的工艺参数输入到遗忘门中，同时将随机森林所提取到的重要性参数作为权重配比输入到输入门中的权重模块，最后输出符合目标要求的预测膜厚厚度以及预测膜厚的质量数据。

Images