CN115758862B - 设备校准方法、装置、计算机设备及计算机可读存储介质 - Google Patents
设备校准方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115758862B CN115758862B CN202211276936.8A CN202211276936A CN115758862B CN 115758862 B CN115758862 B CN 115758862B CN 202211276936 A CN202211276936 A CN 202211276936A CN 115758862 B CN115758862 B CN 115758862B
- Authority
- CN
- China
- Prior art keywords
- color curve
- film
- film color
- thickness sequence
- 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.)
- Active
Links
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
- Coating Apparatus (AREA)
- Eyeglasses (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本申请涉及一种设备校准方法、装置、计算机设备及计算机可读存储介质。方法包括:基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线;对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值;在确定镜片生产设备的运行状态发生变化的情况下,根据膜色曲线差异值确定参考镀膜厚度序列;基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线;在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列,并基于目标镀膜厚度序列对镜片生产设备进行校准处理。采用本方法能够提高镜片生产设备校准的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种设备校准方法、装置、计算机设备及计算机可读存储介质。
背景技术
在镜片生产过程中,镜片生产设备会在镜片的正面和背面均镀上多层膜,分别反射不同波长的光。镜片镀膜时加工要求精度比较高,对镜片生产设备的运行状态也有着很高的要求,生产过程中,由于镜片生产设备的运行状态会产生缓慢变化,导致一段时间后,生产的镜片不符合生产要求,因此需要停机对设备进行重新校准。
传统技术中,通常采用人工判断的方式,对镜片生产设备进行重新校准,导致镜片生产设备校准的效率低。
发明内容
本申请提供一种设备校准方法、装置、计算机设备及计算机可读存储介质,能够提高镜片生产设备校准的效率。
第一方面,本申请提供了一种设备校准方法,包括:
基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线;
对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值;
在基于膜色曲线差异值,确定镜片生产设备的运行状态发生变化的情况下,根据膜色曲线差异值确定参考镀膜厚度序列;
基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线;
在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列,并基于目标镀膜厚度序列对镜片生产设备进行校准处理。
第二方面,本申请还提供了一种设备校准装置,包括:
第一预测模块,用于基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线;
第一计算模块,用于对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值;
第一确定模块,用于在基于膜色曲线差异值,确定镜片生产设备的运行状态发生变化的情况下,根据膜色曲线差异值确定参考镀膜厚度序列;
第二预测模块,用于基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线;
第二确定模块,用于在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列;
提示模块,用于基于目标镀膜厚度序列对镜片生产设备进行校准处理。
第三方面,本申请还提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述设备校准方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述设备校准方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述设备校准方法中的步骤。
上述设备校准方法、装置、计算机设备、计算机可读存储介质及计算机程序产品,由于可以基于膜色曲线差异值确定镜片生产设备的运行状态发生变化,从而可以随着镜片生产设备的运行状态的变化自动判断镜片生产设备是否需要校准,基于膜色曲线差异值确定参考镀膜厚度序列,当确定参考镀膜厚度序列为目标镀膜厚度序列时,基于目标镀膜厚度序列对镜片生产设备进行校准处理,从而确定了校准的方法,因此,提高了对镜片生产设备进行校准的效率。
附图说明
图1为本申请实施例提供的一种设备校准方法的应用环境图;
图2为本申请实施例提供的一种设备校准方法的流程示意图;
图3A为本申请实施例提供的一种使用第一膜色曲线预测模型的流程示意图;
图3B为本申请实施例提供的一种使用第二膜色曲线预测模型的流程示意图;
图4为本申请实施例提供的一种训练预测模型的流程示意图;
图5为本申请实施例提供的另一种设备校准方法的流程示意图;
图6为本申请实施例中设备校准装置的结构框图;
图7为本申请实施例中一种计算机设备的内部结构图;
图8为本申请实施例中另一种计算机设备的内部结构图;
图9为本申请实施例中一种计算机可读存储介质的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的设备校准方法,可以应用于如图1所示的应用环境中。其中,计算机设备102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
具体地,服务器104基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线,然后对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值,在基于膜色曲线差异值,确定镜片生产设备的运行状态发生变化的情况下,根据膜色曲线差异值确定参考镀膜厚度序列,基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线,在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列。服务器104可以基于目标镀膜厚度序列生成镜片生产设备的设备校准提示信息,将设备校准提示信息发送至设备校准人员的终端,例如,若计算机设备102为设备校准人员对应的终端,则服务器104可以将设备校准提示信息发送至计算机设备102,设备校准人员可以根据计算机设备102显示的设备校准提示信息,对镜片生产设备进行校准操作。
其中,计算机设备102可以但不限于是台式终端或移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑和智能手表等中的至少一种。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种设备校准方法,该方法可以由计算机设备或服务器执行,还可以由计算机设备和服务器共同执行,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线。
其中,镜片生产设备是对镜片进行生产和加工的设备,例如,镜片生产设备可以对镜片进行镀膜,包括对镜片的正面和背面分别进行镀膜。镀膜周期是指完成一炉镜片镀膜的时间段,当前镀膜周期是镜片生产设备完成当前一炉镜片镀膜的时间段。当前设备运行状态信息是指在当前镀膜周期,镜片生产设备的设备运行状态信息。镜片生产设备包括镀膜机器,镀膜机器用于对镜片进行镀膜。设备运行状态信息是镜片生产设备在生产运行过程中的信息,包括机器镀膜运行时长或镀膜机器内的各传感器反馈的数据中的至少一个;机器镀膜运行时长是指镜片生产设备开机后的镀膜运行时长,每一次设备停机后,机器镀膜运行时长会清零,在开机后重新计时,得到本次开机后的机器镀膜运行时长;镀膜机器内的各传感器反馈的数据是在生产运行过程中,镜片生产设备中的传感器反馈的实时数据,可以是定时反馈的,也可以是数据发生变化时反馈的。
镀膜厚度序列是在镜片生产设备上所设置的镜片单面的各层镀膜厚度排列成的序列,镀膜厚度按照镀膜层数进行排列。当前镀膜厚度序列是当前镀膜周期在镜片生产设备上所设置的镜片单面的各层镀膜厚度排列成的序列,当前镀膜厚度序列可以是镜片正面的镀膜厚度序列,也可以是镜片背面的镀膜厚度序列,例如,镜片正面需要进行n层镀膜,第一层镀膜厚度为X1,第二层镀膜厚度为X2,……,第n层镀膜厚度为Xn,则镜片正面的镀膜厚度序列可以表示为[X1,X2,……,Xn]。
膜色曲线是镀膜后的镜片对不同频段的可见光的反射率曲线,在波长为380~780这段可见光范围内,各个不同频段的光在镀膜后的镜片上会产生光的反射,每个频段上都对应有一个反射率,每个频段的反射率组合起来就得到了反射率曲线。镜片的正面和背面分别对应有一个膜色曲线。例如,在波长为380~780这段可见光范围内,共划分出m个不同频段的光,第1个频段的光在镀膜后的镜片正面的反射率为Y1,第2个频段的光在镀膜后的镜片正面的反射率为Y2,……,第m个频段的光在镀膜后的镜片正面的反射率为Ym,则镀膜后的镜片正面对应的膜色曲线可以表示为[Y1,Y2,……,Ym]。预测膜色曲线是当镜片生产设备的镀膜厚度设置为当前镀膜厚度序列的情况下,镜片生产设备所生产的镜片的膜色曲线,也就是当前镀膜厚度序列对应的实时膜色曲线。
具体地,服务器获取镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列,然后根据当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列,进行膜色曲线的预测,得到预测膜色曲线。服务器可以利用已训练的第一膜色曲线预测模型来进行预测,例如,服务器可以将当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列,输入到已训练的第一膜色曲线预测模型中进行预测,输出当前镀膜厚度序列对应的预测膜色曲线。其中,第一膜色曲线预测模型是用来对镜片镀膜后的膜色曲线进行预测的网络模型。第一膜色曲线预测模型可以是基于人工智能的神经网络模型。
在一些实施例中,第一膜色曲线预测模型根据当前设备运行状态信息以及当前镀膜厚度序列进行预测,得到对应的实时膜色曲线,故第一膜色曲线预测模型也可以称之为机器生产过程预测模块,如图3A所示,服务器将当前设备运行状态信息以及当前镀膜厚度序列,输入到机器生产过程预测模块进行膜色曲线的预测,输出预测膜色曲线。
在一些实施例中,服务器可以获取待训练的第一膜色曲线预测模型,获取镜片生产设备在历史镀膜周期的设备运行状态信息,得到历史设备运行状态信息,获取镜片生产设备在历史镀膜周期的镀膜厚度序列,得到历史镀膜厚度序列,利用历史设备运行状态信息以及历史镀膜厚度序列对第一膜色曲线预测模型进行训练,得到已训练的第一膜色曲线预测模型。
步骤204,对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值。
其中,预期膜色曲线是期望镜片镀膜后能够呈现的膜色曲线,膜色曲线差异值为预测膜色曲线与预期膜色曲线之间的差异,用于表征镜片生产设备的运行状态的变化。镜片生产过程中,镜片生产设备的运行状态会发生缓慢变化,导致在设置的镀膜厚度序列以及其他可调设备参数不变的情况下,得到的镀膜后的镜片对应的实际膜色曲线也发生变化,实际膜色曲线会与预期膜色曲线产生一定的偏差,膜色曲线差异值就是用来表征在该情况下的设备运行状态的变化。
具体地,服务器获取预期膜色曲线,然后计算预测膜色曲线与预期膜色曲线之间的偏差,将预测膜色曲线与预期膜色曲线之间的偏差作为膜色曲线差异值。其中,服务器中可以预先设定并存储预期膜色曲线,也可以对其进行修改。例如,预测膜色曲线可以表示为[Y1,Y2,……,Ym],预期膜色曲线可以表示为[Z1,Z2,……,Zm],则预测膜色曲线与预期膜色曲线之间的偏差S1可以用以下公式进行计算:
S1=(Y1–Z1)2+(Y2–Z2)2+……+(Ym–Zm)2。
步骤206,在基于膜色曲线差异值,确定镜片生产设备的运行状态发生变化的情况下,根据膜色曲线差异值确定参考镀膜厚度序列。
其中,参考镀膜厚度序列是根据膜色曲线差异值得到的镀膜厚度序列。
具体地,服务器获取膜色曲线差异值,在膜色曲线差异值大于差异阈值的情况下,确定镜片生产设备的运行状态发生变化。其中,差异阈值可以根据需要设置,例如可以为0或大于0的数值。
步骤208,基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线。
其中,当前设备运行状态信息是指在当前镀膜周期,镜片生产设备的设备运行状态信息,包括镜片生产设备在当前镀膜周期的机器镀膜运行时长或镀膜机器内的各传感器反馈的数据中的至少一个。参考膜色曲线是指当镜片生产设备的镀膜厚度序列设置为参考镀膜厚度的情况下,镜片生产设备所生产的镜片的膜色曲线,参考膜色曲线是指在镜片生产设备运行到当前镀膜周期的前提下,若将镜片生产设备的镀膜厚度序列设置为参考镀膜厚度,镜片生产设备生产的镜片将会呈现的膜色曲线。
具体地,服务器根据镜片生产设备在当前镀膜周期的当前设备运行状态信息以及参考镀膜厚度序列,进行膜色曲线的预测,得到参考膜色曲线。服务器可以利用已训练的第二膜色曲线预测模型来进行预测,例如,服务器可以将当前镀膜周期的当前设备运行状态信息以及参考镀膜厚度序列,输入到已训练的第二膜色曲线预测模型中进行预测,输出参考镀膜厚度序列对应的参考膜色曲线。
在一些实施例中,第二膜色曲线预测模型根据当前镀膜周期的当前设备运行状态信息以及参考镀膜厚度序列,进行膜色曲线的预测,得到参考镀膜厚度序列对应的参考膜色曲线,故第二膜色曲线预测模型也被称为在线学习模块,如图3B所示,服务器将当前设备运行状态信息以及参考镀膜厚度序列,输入到在线学习模块进行膜色曲线的预测,输出参考镀膜厚度序列对应的参考膜色曲线。
在一些实施例中,服务器可以获取待训练的第二膜色曲线预测模型,获取镜片生产设备在相邻两个镀膜周期的设备运行状态信息以及镀膜厚度序列,利用相邻两个镀膜周期的设备运行状态信息、镀膜厚度序列对第二膜色曲线预测模型进行训练,得到已训练的第二膜色曲线预测模型。
在一些实施例中,服务器可以将输入到第二膜色曲线预测模型的数据存储为历史数据,作为训练模型的训练样本,增加训练样本的多样性,提高模型的预测准确度。
步骤210,在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列,并基于目标镀膜厚度序列对镜片生产设备进行校准处理。
其中,目标镀膜厚度序列是预期膜色曲线对应的镀膜厚度序列,即在镜片生产设备已运行到当前镀膜周期的前提下,若将镜片生产设备的镀膜厚度序列设置为目标镀膜厚度序列,则在当前镀膜周期的下一周期,镜片生产设备将镀出能够呈现预期膜色曲线的镜片镀膜。校准处理用于提示对镜片生产设备进行停机后,更改镀膜厚度设置或其他设备可调参数的处理操作,以实现对镜片生产设备的校准。
具体地,服务器将参考膜色曲线与预期膜色曲线进行对比,在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列,然后基于目标镀膜厚度序列确定对镜片生产设备的校准处理。例如,服务器可以生成设备校准提示信息,并将设备校准提示信息发送至设备校准人员的终端,提醒设备校准人员对镜片生产设备进行校准操作。设备校准提示信息用于提示对镜片生产设备进行校准。
在一些实施例中,当参考膜色曲线与预期膜色曲线之间的偏差小于预设偏差阈值,则服务器可以认为参考膜色曲线与预期膜色曲线一致,然后将参考镀膜厚度序列确定为目标镀膜厚度序列。例如,参考膜色曲线可以表示为[T1,T2,……,Tm],预期膜色曲线可以表示为[Z1,Z2,……,Zm],则参考膜色曲线与预期膜色曲线之间的偏差S2可以用以下公式进行计算:
S2=(T1–Z1)2+(T2–Z2)2+……+(Tm–Zm)2;
其中,预设偏差阈值可以预先设置并存储在服务器中。
在一些实施例中,在参考膜色曲线与预期膜色曲线不一致的情况下,服务器基于参考膜色曲线与预期膜色曲线之间的偏差,对参考镀膜厚度序列进行更新,更新后,返回执行基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线的步骤,直到参考膜色曲线与预期膜色曲线一致时为止。
上述设备校准方法中,由于可以基于膜色曲线差异值确定镜片生产设备的运行状态发生变化,从而可以随着镜片生产设备的运行状态的变化自动判断镜片生产设备是否需要校准,基于膜色曲线差异值确定参考镀膜厚度序列,当确定参考镀膜厚度序列为目标镀膜厚度序列时,基于目标镀膜厚度序列对镜片生产设备进行校准处理,从而确定了校准的方法,因此,提高了对镜片生产设备进行校准的效率。
在一些实施例中,预测膜色曲线是基于已训练的第一膜色曲线预测模型得到的;步骤202之前,设备校准方法还包括训练第一膜色曲线预测模型的过程:获取镜片生产设备在历史镀膜周期的历史设备运行状态信息以及历史镀膜厚度序列;将历史设备运行状态信息以及历史镀膜厚度序列输入待训练的第一膜色曲线预测模型中进行预测,得到历史预测膜色曲线;基于历史预测膜色曲线与历史镀膜周期的历史真实膜色曲线之间的差异,调整待训练的第一膜色曲线预测模型的模型参数,得到已训练的第一膜色曲线预测模型。
其中,第一膜色曲线预测模型是用来对镜片镀膜后的实时膜色曲线进行预测的网络模型,历史镀膜周期是已经完成的镜片生产的镀膜周期,历史设备运行状态信息是在历史镀膜周期,镜片生产设备的运行状态信息,历史镀膜厚度序列是在历史镀膜周期,镜片生产设备的所设置的镀膜厚度序列,历史预测膜色曲线是基于历史镀膜周期的历史设备运行状态信息以及历史镀膜厚度序列预测得到的膜色曲线,历史真实膜色曲线是指在历史镀膜周期生产的镜片的镀膜所呈现出的膜色曲线。
具体地,第一膜色曲线预测模型也被称为机器生产过程预测模块,如图4所示,服务器获取镜片生产设备在历史镀膜周期的历史设备运行状态信息、历史镀膜厚度序列以及历史真实膜色曲线,将历史设备运行状态信息、历史镀膜厚度序列以及历史真实膜色曲线作为历史数据样本集,历史数据样本集包括历史数据样本A1、历史数据样本A2、……、历史数据样本An,每份历史数据样本包括:机器镀膜运行时长、镀膜机器内的各传感器反馈的数据、镜片正背面的镀膜厚度序列以及镜片镀膜后正背面的实际膜色曲线。服务器首先将历史数据样本集输入到待训练的机器生产过程预测模块,使用时序数据特征提取工具,对历史数据样本集中的镀膜机器内的各传感器反馈的数据进行特征提取,得到特征向量,然后使用特征降维算法将特征向量做维度压缩。选择历史数据样本A1,将A1的镀膜厚度序列作为输入,A1的实际膜色曲线作为期望输出,输出得到A1的预测膜色曲线,计算A1的预测膜色曲线与实际膜色曲线之间的误差并进行修正,然后选择历史数据样本A2,直到对历史数据样本集中的所有样本完成学习训练,得到已训练的机器生产过程预测模块。
在一些实施例中,服务器计算历史预测膜色曲线与历史真实膜色曲线之间的差异,得到第一膜色曲线差异值,基于第一膜色曲线差异值计算得到第一模型损失值,第一模型损失值与第一膜色曲线差异值成正相关关系,朝着使得第一模型损失值减小的方向,调整第一膜色曲线预测模型的模型参数,直到模型收敛,将模型收敛情况下的第一膜色曲线预测模型,确定为已训练的第一膜色曲线预测模型。其中,模型收敛包括第一模型损失值小于损失值阈值,损失值阈值可以根据需要设置。
本实施例中,通过基于历史镀膜周期的历史设备运行状态信息以及历史镀膜厚度序列,完成对第一膜色曲线预测模型的训练,从而能够利用已训练的第一膜色曲线预测模型,对镜片生产设备的实时膜色曲线进行预测,实现了实时监测设备运行状态。
在一些实施例中,参考膜色曲线是基于已训练的第二膜色曲线预测模型预测得到的;步骤208之前,设备校准方法还包括训练第二膜色曲线预测模型的过程:分别获取镜片生产设备在第一镀膜周期的第一镀膜厚度序列以及在第二镀膜周期的第一设备运行状态信息;第二镀膜周期为第一镀膜周期的前一镀膜周期;将第一设备运行状态信息和第一镀膜厚度序列输入待训练的第二膜色曲线预测模型中进行预测,得到第一膜色曲线;基于第一膜色曲线与标准膜色曲线之间的差异,对待训练的第二膜色曲线预测模型进行训练,得到已训练的第二膜色曲线预测模型。
其中,第一镀膜周期与第二镀膜周期为相邻的两个镀膜周期,第二镀膜周期为第一镀膜周期的前一镀膜周期。第一设备运行状态信息是在第二镀膜周期内镜片生产设备的运行状态信息,包括第二镀膜周期内的机器镀膜运行时长以及镀膜机器内的各传感器反馈的数据,第一镀膜厚度序列是第一镀膜周期设置的镀膜厚度序列。第一膜色曲线是将第一设备运行状态信息和第一镀膜厚度序列,输入到待训练的第一膜色曲线预测模型进行预测,输出的膜色曲线。标准膜色曲线是指,在第二镀膜周期的设备运行状态信息为第一设备运行状态信息的前提下,若第一镀膜周期的镀膜厚度序列为第一镀膜厚度序列,则镜片生产设备生产的镜片的镀膜所呈现出的膜色曲线,标准膜色曲线也可以是利用第一膜色曲线预测模型得到的。第一镀膜周期可以是实时的镀膜周期。
具体地,服务器获取镜片生产设备在第二镀膜周期的第一设备运行状态信息,并获取镜片生产设备在第一镀膜周期的第一镀膜厚度序列,将第一设备运行状态信息和第一镀膜厚度序列,输入到待训练的第二膜色曲线预测模型中,对第一设备运行状态信息中的传感器反馈的数据进行特征提取和特征降维,得到特征向量,输入为第一镀膜厚度序列,输出为第一膜色曲线,相应的期望输出为标准膜色曲线,然后计算第一膜色曲线与标准膜色曲线之间的误差,并对误差进行修正,当输出的第一膜色曲线与标准膜色曲线小于预设阈值时,得到已训练的第二膜色曲线预测模型。其中,预设阈值可以是预先设定并保存在服务器中的。
在一些实施例中,第二膜色曲线预测模型也被称为在线学习模块,训练在线学习模块的过程可以如图4所示,服务器获取镜片生产设备的当前镀膜厚度序列,将当前镀膜厚度序列作为实时样本B1的镀膜厚度序列,获取当前镀膜周期的前一镀膜周期的历史设备运行状态信息,包括前一镀膜周期的镀膜厚度序列、机器镀膜运行时长以及镀膜机器内的各传感器反馈的数据,将其作为实时样本B1的上一炉历史样本C1,将实时样本B1的镀膜厚度序列以及上一炉历史样本C1输入到在线学习模块,对上一炉历史样本C1中的镀膜机器内的传感器反馈的数据进行特征提取和特征降维,得到特征向量,输入为实时样本B1的镀膜厚度序列,输出为预测膜色曲线,相应的期望输出为实时样本B1的膜色曲线,然后利用损失函数计算误差,并对误差进行修正,得到训练好的在线学习模块。
在一些实施例中,服务器可以利用已训练的第一膜色曲线预测模型得到标准膜色曲线,服务器将镜片生产设备在第一镀膜周期的第一镀膜厚度序列以及第一设备运行状态信息,输入到已训练的第一膜色曲线预测模型进行预测,将输出的膜色曲线作为标准膜色曲线。
本实施例中,通过基于实时的镀膜周期的镀膜厚度序列和前一镀膜周期的历史设备运行状态信息完成第二膜色曲线预测模型的训练,将设备运行状态的变化过程作为学习对象,从而能够利用已训练的第二膜色曲线预测模型,对镜片生产设备的参考膜色曲线进行预测,为镜片生产设备的校准提供了依据,提高了镜片生产设备的校准效率。
在一些实施例中,服务器可以获取镜片生产设备在第一历史镀膜周期的镀膜厚度序列,得到第一历史镀膜厚度序列,并获取镜片生产设备在第二历史镀膜周期的设备运行状态信息,得到第二设备运行状态信息,第二历史镀膜周期为第一历史镀膜周期的前一历史镀膜周期,服务器可以将第二设备运行状态信息和第一历史镀膜厚度序列,输入到待训练的第二膜色曲线预测模型中进行膜色曲线的预测,得到第三膜色曲线,获取镜片生产设备在第一历史镀膜周期生产的镜片的镀膜所呈现的膜色曲线,得到第四膜色曲线,基于第三膜色曲线与第四膜色曲线之间的差异,得到第二膜色曲线差异值,基于第二膜色曲线差异值计算得到第二模型损失值,第二模型损失值与第二膜色曲线差异值成正相关关系,朝着使得第二模型损失值减小的方向,调整第二膜色曲线预测模型的模型参数,直到模型收敛,将模型收敛情况下的第二膜色曲线预测模型,确定为已训练的第二膜色曲线预测模型。
在一些实施例中,膜色曲线差异值为预测膜色曲线差异值,步骤206中,根据膜色曲线差异值确定参考镀膜厚度序列,包括:
在预测膜色曲线差异值大于差异阈值的情况下,从镀膜厚度序列集合中选取候选镀膜厚度序列;
对候选镀膜厚度序列对应的膜色曲线与预期膜色曲线进行差异计算,得到对比膜色曲线差异值;
在对比膜色曲线差异值小于差异阈值的情况下,将候选镀膜厚度序列确定为参考镀膜厚度序列。
其中,当膜色曲线差异值大于差异阈值,则表明镜片生产设备的运行状态发生了一定的变化,导致在镀膜厚度序列设置为当前镀膜厚度序列的情况下,所生产的镜片的膜色曲线与预期膜色曲线之间产生了一定的偏差,因此,需要调整镜片生产设备的设备运行状态信息,即对镜片生产设备进行校准。镀膜厚度序列集合中包括多个镀膜厚度序列,多个是指至少两个,镀膜厚度序列集合可以是预先生成的。
具体地,服务器将预测膜色曲线差异值与差异阈值进行比较,在预测膜色曲线差异值大于差异阈值的情况下,从镀膜厚度序列集合中搜索得到候选镀膜厚度序列,进行镀膜厚度序列搜素,得到参考镀膜厚度序列,将候选镀膜厚度序列以及当前设备运行状态信息输入到已训练的第二膜色曲线预测模型中进行预测,得到候选镀膜厚度序列对应的膜色曲线,计算候选镀膜厚度序列对应的膜色曲线与预期膜色曲线之间的差异,得到对比膜色曲线差异值,在对比膜色曲线差异值大于差异阈值的情况下,返回从镀膜厚度序列集合中搜索得到候选镀膜厚度序列的步骤,直到对比膜色曲线差异值小于差异阈值时为止;在对比膜色曲线差异值小于差异阈值的情况下,将候选镀膜厚度序列确定为参考镀膜厚度序列。
在一些实施例中,服务器可以使用微软的AutoML(Automated Machine Learning,自动化人工智能)优化库中的FLAML(A Fast and Lightweight AutoML Library,快速轻量级的AutoML库)来自动搜索得到参考镀膜厚度序列。
本实施例中,在对比膜色曲线差异值小于差异阈值的情况下,将候选镀膜厚度序列确定为参考镀膜厚度序列,从而使得参考镀膜厚度序列的膜色曲线朝着与预期膜色曲线接近的方向更新,以便于快速的得到使得目标镀膜厚度序列,提高了确定目标镀膜厚度序列的效率。
在一些实施例中,步骤204,包括:
分别对预测膜色曲线和预期膜色曲线进行采样,计算预测膜色曲线与预期膜色曲线在每个采样区间的采样点的反射率之间的差值;
将预测膜色曲线与预期膜色曲线在每个采样区间的采样点的反射率之间的差值进行统计计算,得到膜色曲线差异值。
其中,预设可见光波长范围是指预设的可见光波长范围,例如,可以是波长为380~780的范围。统计计算包括平方或求和计算中的至少一个。
具体地,服务器可以在预设可见光波长范围内,分别对预测膜色曲线和预期膜色曲线进行采样,计算预测膜色曲线与预期膜色曲线在每个采样区间的采样点的反射率之间的差值;将预测膜色曲线与预期膜色曲线在每个采样区间的采样点的反射率之间的差值进行统计计算,得到膜色曲线差异值。例如,可以采用下面的公式计算得到膜色曲线差异值:
S=∑(yi–pred_yi)2;
其中,S代表膜色曲线差异值,在波长为380~780这段可见光范围内,以步长为5共划分出81个不同频段的光,yi表示预期膜色曲线在第i个频段的反射率,pred_yi表示预测膜色曲线在第i个频段的反射率。
本实施例中,通过对预测膜色曲线与预期膜色曲线进行采样,确定了膜色曲线差异值,提高了膜色曲线差异值的准确度。
在一些实施例中,步骤210,包括:
基于目标镀膜厚度序列,生成校准提示信息;
将设备校准提示信息发送至设备校准人员的终端,以使得设备校准人员基于设备校准提示信息进行校准处理。
其中,设备校准提示信息是为镜片生产设备的校准提供参考的相关信息,设备校准提示信息包括但不限于镀膜厚度序列的调整值,即目标镀膜厚度序列。
具体地,服务器确定参考膜色曲线与预期膜色曲线一致时,将参考镀膜厚度序列确定为目标镀膜厚度序列,然后可以根据目标镀膜厚度序列生成设备校准提示信息,并将设备校准提示信息发送至设备校准人员的终端。设备校准提示信息的形式可以是弹窗提示或移动端会话消息中的至少一种。设备校准人员的终端接收到设备校准提示信息后,设备校准人员可以根据设备校准提示信息对镜片生产设备进行校准处理。
在一些实施例中,设备校准提示信息还包括镜片生产设备中其他可调参数的推荐值。服务器可以利用优化算法,根据膜色曲线差异值,得到目标镀膜厚度序列以及其他可调参数的推荐值,然后基于推荐目标厚度序列和其他可调参数的推荐值,生成设备校准提示信息,并将设备校准提示信息发送至设备校准人员的终端。
本实施例中,通过基于目标镀膜厚度序列自动生成设备校准提示信息,实现了对镜片生产设备进行校准的自动判断,提高了镜片生产设备的校准效率。
在一些实施例中,如图5所示,提供了一种设备校准方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤502,获取镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列。
步骤504,基于当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线。
其中,预测膜色曲线是基于已训练的第一膜色曲线预测模型得到的。
步骤506,对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值。
其中,膜色曲线差异值,用于表征镜片生产设备的运行状态的变化。
步骤508,在膜色曲线差异值大于差异阈值的情况下,从镀膜厚度序列集合中搜索得到候选镀膜厚度序列。
步骤510,对候选镀膜厚度序列对应的膜色曲线与预期膜色曲线进行差异计算,得到对比膜色曲线差异值。
步骤512,在对比膜色曲线差异值小于差异阈值的情况下,将候选镀膜厚度序列确定为参考镀膜厚度序列。
步骤514,基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线。
步骤516,在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列,并基于目标镀膜厚度序列对镜片生产设备进行校准处理。
本实施例中,通过基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线,对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值,在膜色曲线差异值大于差异阈值的情况下,从镀膜厚度序列集合中搜索得到候选镀膜厚度序列,对候选镀膜厚度序列对应的膜色曲线与预期膜色曲线进行差异计算,得到对比膜色曲线差异值,并基于对比膜色曲线差异值确定目标镀膜厚度序列,基于目标镀膜厚度序列,生成设备校准提示信息,对设备运行状态的变化进行预测,实现了对镜片生产设备是否需要校准的自动判断,提高了镜片生产设备的校准效率。
应该理解的是,虽然如上述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种设备校准装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的设备校准装置实施例中的具体限定可以参见上文中对于设备校准方法的限定,在此不再赘述。
在一些实施例中,如图6所示,提供了一种设备校准装置,包括:
第一预测模块602,用于基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线;
第一计算模块604,用于对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值;
第一确定模块606,用于在基于膜色曲线差异值,确定镜片生产设备的运行状态发生变化的情况下,根据膜色曲线差异值确定参考镀膜厚度序列;
第二预测模块608,用于基于参考镀膜厚度序列以及当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线;
第二确定模块610,用于在参考膜色曲线与预期膜色曲线一致的情况下,将参考镀膜厚度序列确定为目标镀膜厚度序列;
提示模块612,用于基于目标镀膜厚度序列对镜片生产设备进行校准处理。
在一些实施例中,预测膜色曲线是基于已训练的第一膜色曲线预测模型预测得到的,装置还包括第一训练模块,第一训练模块用于:
获取镜片生产设备在历史镀膜周期的历史设备运行状态信息以及历史镀膜厚度序列;将历史设备运行状态信息以及历史镀膜厚度序列输入待训练的第一膜色曲线预测模型中进行预测,得到历史预测膜色曲线;基于历史预测膜色曲线与历史镀膜周期的历史真实膜色曲线之间的差异,调整待训练的第一膜色曲线预测模型的模型参数,得到已训练的第一膜色曲线预测模型。
在一些实施例中,参考膜色曲线是基于已训练的第二膜色曲线预测模型预测得到的;装置还包括第二训练模块,第二训练模块用于:
分别获取镜片生产设备在第一镀膜周期的第一镀膜厚度序列以及在第二镀膜周期的第一设备运行状态信息;第二镀膜周期为第一镀膜周期的前一镀膜周期;将第一设备运行状态信息和第一镀膜厚度序列输入待训练的第二膜色曲线预测模型中进行预测,得到第一膜色曲线;基于第一膜色曲线与标准膜色曲线之间的差异,对待训练的第二膜色曲线预测模型进行训练,得到已训练的第二膜色曲线预测模型。
在一些实施例中,在根据膜色曲线差异值确定参考镀膜厚度序列方面,第一确定模块606具体用于:
在预测膜色曲线差异值大于差异阈值的情况下,从镀膜厚度序列集合中选取候选镀膜厚度序列;
对候选镀膜厚度序列对应的膜色曲线与预期膜色曲线进行差异计算,得到对比膜色曲线差异值;
在对比膜色曲线差异值小于差异阈值的情况下,将候选镀膜厚度序列确定为参考镀膜厚度序列。
在一些实施例中,在对预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值方面,第一计算模块604具体用于:
分别对预测膜色曲线和预期膜色曲线进行采样,计算预测膜色曲线与预期膜色曲线在每个采样区间的采样点的反射率之间的差值;
将预测膜色曲线与预期膜色曲线在每个采样区间的采样点的反射率之间的差值进行统计计算,得到膜色曲线差异值。
在一些实施例中,在基于目标镀膜厚度序列对镜片生产设备进行校准处理方面,提示模块612具体用于:
基于目标镀膜厚度序列,生成校准提示信息;
将设备校准提示信息发送至设备校准人员的终端,以使得设备校准人员基于设备校准提示信息进行校准处理。
上述设备校准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器,也可以以软件形式存储于计算机设备中的存储器,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)及通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储设备校准方法中所涉及的数据。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的设备校准方法的步骤。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出(Input/Output,简称I/O)、通信接口、显示单元及输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、输入装置和显示单元通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述的设备校准方法的步骤。该计算机设备的显示单元可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7和图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述设备校准方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述设备校准方法中的步骤。
在一个实施例中,提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述设备校准方法中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,如图9所示,所述计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备校准方法,其特征在于,包括:
基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线;
对所述预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值;
在基于所述膜色曲线差异值,确定所述镜片生产设备的运行状态发生变化的情况下,根据所述膜色曲线差异值确定参考镀膜厚度序列;
基于所述参考镀膜厚度序列以及所述当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线;
在所述参考膜色曲线与所述预期膜色曲线一致的情况下,将所述参考镀膜厚度序列确定为目标镀膜厚度序列,并基于所述目标镀膜厚度序列对所述镜片生产设备进行校准处理。
2.根据权利要求1所述的方法,其特征在于,所述预测膜色曲线是基于已训练的第一膜色曲线预测模型得到的;所述基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线之前,所述方法还包括:
获取所述镜片生产设备在历史镀膜周期的历史设备运行状态信息以及历史镀膜厚度序列;
将所述历史设备运行状态信息以及所述历史镀膜厚度序列输入待训练的第一膜色曲线预测模型中进行预测,得到历史预测膜色曲线;
基于所述历史预测膜色曲线与所述历史镀膜周期的历史真实膜色曲线之间的差异,调整所述待训练的第一膜色曲线预测模型的模型参数,得到所述已训练的第一膜色曲线预测模型。
3.根据权利要求1所述的方法,其特征在于,所述参考膜色曲线是基于已训练的第二膜色曲线预测模型得到的;所述基于所述参考镀膜厚度序列以及所述当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线之前,所述方法还包括:
分别获取所述镜片生产设备在第一镀膜周期的第一镀膜厚度序列以及在第二镀膜周期的第一设备运行状态信息;所述第二镀膜周期为所述第一镀膜周期的前一镀膜周期;
将所述第一设备运行状态信息和所述第一镀膜厚度序列输入待训练的第二膜色曲线预测模型中进行预测,得到第一膜色曲线;
基于所述第一膜色曲线与标准膜色曲线之间的差异,对所述待训练的第二膜色曲线预测模型进行训练,得到所述已训练的第二膜色曲线预测模型。
4.根据权利要求1所述的方法,其特征在于,所述膜色曲线差异值为预测膜色曲线差异值,所述根据所述膜色曲线差异值确定参考镀膜厚度序列,包括:
在所述预测膜色曲线差异值大于差异阈值的情况下,从镀膜厚度序列集合中选取候选镀膜厚度序列;
对所述候选镀膜厚度序列对应的膜色曲线与所述预期膜色曲线进行差异计算,得到对比膜色曲线差异值;
在所述对比膜色曲线差异值小于所述差异阈值的情况下,将所述候选镀膜厚度序列确定为参考镀膜厚度序列。
5.根据权利要求1所述的方法,其特征在于,所述对所述预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值,包括:
分别对所述预测膜色曲线和预期膜色曲线进行采样,计算所述预测膜色曲线与所述预期膜色曲线在每个采样区间的采样点的反射率之间的差值;
将所述预测膜色曲线与所述预期膜色曲线在每个采样区间的采样点的反射率之间的差值进行统计计算,得到膜色曲线差异值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标镀膜厚度序列对所述镜片生产设备进行校准处理,包括:
基于所述目标镀膜厚度序列,生成校准提示信息;
将所述设备校准提示信息发送至设备校准人员的终端,以使得所述设备校准人员基于所述设备校准提示信息进行校准处理。
7.一种设备校准装置,其特征在于,包括:
第一预测模块,用于基于镜片生产设备在当前镀膜周期的当前设备运行状态信息以及当前镀膜厚度序列进行膜色曲线的预测,得到预测膜色曲线;
第一计算模块,用于对所述预测膜色曲线与预期膜色曲线进行差异计算,得到膜色曲线差异值;
第一确定模块,用于在基于所述膜色曲线差异值,确定所述镜片生产设备的运行状态发生变化的情况下,根据所述膜色曲线差异值确定参考镀膜厚度序列;
第二预测模块,用于基于所述参考镀膜厚度序列以及所述当前设备运行状态信息进行膜色曲线的预测,得到参考膜色曲线;
第二确定模块,用于在所述参考膜色曲线与所述预期膜色曲线一致的情况下,将所述参考镀膜厚度序列确定为目标镀膜厚度序列;
提示模块,用于基于所述目标镀膜厚度序列对所述镜片生产设备进行校准处理。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第一训练模块,用于获取所述镜片生产设备在历史镀膜周期的历史设备运行状态信息以及历史镀膜厚度序列;将所述历史设备运行状态信息以及所述历史镀膜厚度序列输入待训练的第一膜色曲线预测模型中进行预测,得到历史预测膜色曲线;基于所述历史预测膜色曲线与所述历史镀膜周期的历史真实膜色曲线之间的差异,调整所述待训练的第一膜色曲线预测模型的模型参数,得到已训练的第一膜色曲线预测模型。
9.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一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权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276936.8A CN115758862B (zh) | 2022-10-18 | 2022-10-18 | 设备校准方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276936.8A CN115758862B (zh) | 2022-10-18 | 2022-10-18 | 设备校准方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115758862A CN115758862A (zh) | 2023-03-07 |
CN115758862B true CN115758862B (zh) | 2023-05-30 |
Family
ID=85353770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276936.8A Active CN115758862B (zh) | 2022-10-18 | 2022-10-18 | 设备校准方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758862B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102732830A (zh) * | 2012-05-14 | 2012-10-17 | 南昌欧菲光科技有限公司 | 一种高透过率低反射率的减反射膜镀膜方法 |
CN113033913A (zh) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、系统、电子设备及存储介质 |
CN115100400A (zh) * | 2022-07-27 | 2022-09-23 | 深圳思谋信息科技有限公司 | 镜片膜色测量方法、系统、计算机设备及存储介质 |
CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3702831A1 (de) * | 2019-03-01 | 2020-09-02 | Carl Zeiss Vision International GmbH | Datensatz zur verwendung in einem verfahren zur herstellung eines brillenglases |
-
2022
- 2022-10-18 CN CN202211276936.8A patent/CN115758862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102732830A (zh) * | 2012-05-14 | 2012-10-17 | 南昌欧菲光科技有限公司 | 一种高透过率低反射率的减反射膜镀膜方法 |
CN113033913A (zh) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、系统、电子设备及存储介质 |
CN115100400A (zh) * | 2022-07-27 | 2022-09-23 | 深圳思谋信息科技有限公司 | 镜片膜色测量方法、系统、计算机设备及存储介质 |
CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115758862A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20170136357A (ko) | 인공 신경망 기반 예측 모델 생성 장치 및 방법 | |
JP6950756B2 (ja) | ニューラルネットワークのランク最適化装置および最適化方法 | |
CN111243045A (zh) | 一种基于高斯混合模型先验变分自编码器的图像生成方法 | |
CN115730738B (zh) | 工艺参数确定方法、装置、计算机设备和存储介质 | |
CN115758862B (zh) | 设备校准方法、装置、计算机设备及计算机可读存储介质 | |
CN115081613A (zh) | 生成深度学习模型的方法、装置、电子设备及存储介质 | |
WO2024082767A1 (zh) | 增益调整方法、装置、计算机设备和存储介质 | |
JP2021193623A (ja) | 試験評価システム、プログラムおよび試験評価方法 | |
CN115796289A (zh) | 一种用于联邦贝叶斯学习的客户端选择方法及系统 | |
CN115346616A (zh) | 晶体性质预测模型的训练方法、装置和计算机设备 | |
CN110609971B (zh) | 一种校准多元回归网络构建方法 | |
CN115601550B (zh) | 模型确定方法、装置、计算机设备及计算机可读存储介质 | |
CN114998634B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN117390296B (zh) | 对象推荐方法及装置 | |
EP4198831A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
CN116560964A (zh) | 问题预测方法、装置、计算机设备和存储介质 | |
CN115545214A (zh) | 用户筛选方法、装置、计算机设备、存储介质和程序产品 | |
CN116977254A (zh) | 图像检测方法、装置、设备、可读存储介质及程序产品 | |
CN117910627A (zh) | 碳排放量预测方法、装置、计算机设备和存储介质 | |
CN117332334A (zh) | 一种数据处理方法和相关装置 | |
CN115599393A (zh) | 代码补全方法、系统、装置、计算机设备和存储介质 | |
CN118036428A (zh) | 一种基于克里金插值的集成代理模型的建模和预测方法 | |
CN114595630A (zh) | 活动效应评估模型训练方法、装置、计算机设备和介质 | |
CN117665972A (zh) | 天气信息的预测方法、装置、服务器和存储介质 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |