CN116307405A - 一种基于生产数据的二极管性能预测方法及系统 - Google Patents
一种基于生产数据的二极管性能预测方法及系统 Download PDFInfo
- Publication number
- CN116307405A CN116307405A CN202310593528.3A CN202310593528A CN116307405A CN 116307405 A CN116307405 A CN 116307405A CN 202310593528 A CN202310593528 A CN 202310593528A CN 116307405 A CN116307405 A CN 116307405A
- Authority
- CN
- China
- Prior art keywords
- production
- identification
- nodes
- node
- performance prediction
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000007254 oxidation reaction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009713 electroplating Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
Abstract
本发明提供了一种基于生产数据的二极管性能预测方法及系统,涉及智能分析技术领域,采集多个生产节点对应的多组生产数据集,基于目标二极管在所处电路的性能属性信息,确定多个生产节点的预设质量指标,进行生产节点关联性分析,得到生产线拓扑结构并进行相关节点标识,输出标识节点网络,调用各个标识节点的标识生产数据集输入性能预测模型,输出性能预测结果,解决了现有技术中对于二极管的性能预测方法智能度不足,分析深度与严谨度不足,且与应用实况的结合度不足,导致预测结果不够精准,较之实际应用存在偏差的技术问题,基于生产工艺进行逐节点分析,建模进行综合性影响评估,保障预测结果的精准度,提高电路适配度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于生产数据的二极管性能预测方法及系统。
背景技术
二极管作为半导体材料制备的电子器件,于电路中起着稳压、检波、整流等的作用,广泛应用于电子领域,二极管的性能特性对电路运行状况起着重要作用,因此进行市场投放前需进行严格性能检测。现如今,主要通过生产线监测与样品试检结合的方式进行二极管的性能预测,需人为干预进行管控,且未考量到多维影响因素影响,导致预测结果不够精准,当前的二极管性能预测方法存在一定的弊端,有待进一步进行优化。
现有技术中,对于二极管的性能预测方法智能度不足,分析深度与严谨度不足,且与应用实况的结合度不足,导致预测结果不够精准,较之实际应用存在偏差。
发明内容
本申请提供了一种基于生产数据的二极管性能预测方法及系统,用于针对解决现有技术中存在的对于二极管的性能预测方法智能度不足,分析深度与严谨度不足,且与应用实况的结合度不足,导致预测结果不够精准,较之实际应用存在偏差的技术问题。
鉴于上述问题,本申请提供了一种基于生产数据的二极管性能预测方法及系统。
第一方面,本申请提供了一种基于生产数据的二极管性能预测方法,所述方法包括:
根据所述二极管生产数控平台进行数据采集,得到多个生产节点对应的多组生产数据集,其中,每组生产数据集对应一个生产节点;
获取目标二极管在所处电路的性能属性信息;
根据所述目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;
对所述多个生产节点进行关联性分析,得到生产线拓扑结构;
以所述目标二极管的性能属性信息,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络;
根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集;
将所述标识生产数据集输入性能预测模型中,输出性能预测结果,其中,所述性能预测模型包括所述预设质量指标。
第二方面,本申请提供了一种基于生产数据的二极管性能预测系统,所述系统包括:
数据采集模块,所述数据采集模块用于根据所述二极管生产数控平台进行数据采集,得到多个生产节点对应的多组生产数据集,其中,每组生产数据集对应一个生产节点;
信息获取模块,所述信息获取模块用于获取目标二极管在所处电路的性能属性信息;
指标确定模块,所述指标确定模块用于根据所述目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;
拓扑结构获取模块,所述拓扑结构获取模块用于对所述多个生产节点进行关联性分析,得到生产线拓扑结构;
节点标识模块,所述节点标识模块用于以所述目标二极管的性能属性信息,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络;
数据调用模块,所述数据调用模块用于根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集;
性能预测模块,所述性能预测模块用于将所述标识生产数据集输入性能预测模型中,输出性能预测结果,其中,所述性能预测模型包括所述预设质量指标。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于生产数据的二极管性能预测方法,其通过将二极管生产质量管控系统与二极管生产数控平台通信连接,(通信连接是指将两个或多个通信设备(如计算机、手机等)之间的通信路径或链路建立起来,以便它们可以交换数据和信息。在通信连接建立后,设备之间就可以互相传输信息并进行通信。通信连接可以使用不同的协议和技术,例如TCP/IP和Wi-Fi等,这些协议和技术被用于确保通信的可靠性、安全性和速度。)使其二极管生产质量管控系统可对所述二极管生产数控平台进行数据采集,从而得到多个生产节点对应的多组生产数据集,每组生产数据集对应一个生产节点;获取目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;对所述多个生产节点进行关联性分析,得到生产线拓扑结构;基于所述目标二极管的性能属性信息进行所述生产线拓扑结构相关节点标识,输出标识节点网络;根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集,输入性能预测模型中,输出性能预测结果,所述性能预测模型包括所述预设质量指标,解决了现有技术中存在的对于二极管的性能预测方法智能度不足,分析深度与严谨度不足,且与应用实况的结合度不足,导致预测结果不够精准,较之实际应用存在偏差的技术问题,基于生产工艺进行逐节点分析,建模进行综合性影响评估,保障预测结果的精准度,提高电路适配度。
附图说明
图1为本申请提供了一种基于生产数据的二极管性能预测方法流程示意图;
图2为本申请提供了一种基于生产数据的二极管性能预测方法中标识节点网络获取流程示意图;
图3为本申请提供了一种基于生产数据的二极管性能预测方法中性能预测流程示意图;
图4为本申请提供了一种基于生产数据的二极管性能预测系统结构示意图。
附图标记说明:数据采集模块11,信息获取模块12,指标确定模块13,拓扑结构获取模块14,节点标识模块15,数据调用模块16,性能预测模块17。
具体实施方式
本申请通过提供一种基于生产数据的二极管性能预测方法及系统,采集多个生产节点对应的多组生产数据集,基于目标二极管在所处电路的性能属性信息,确定多个生产节点的预设质量指标,进行生产节点关联性分析,得到生产线拓扑结构并进行相关节点标识,输出标识节点网络,调用各个标识节点的标识生产数据集,输入性能预测模型中,输出性能预测结果,所述性能预测模型包括所述预设质量指标,用于解决现有技术中存在的对于二极管的性能预测方法智能度不足,分析深度与严谨度不足,且与应用实况的结合度不足,导致预测结果不够精准,较之实际应用存在偏差的技术问题。
实施例一:
如图1所示,本申请提供了一种基于生产数据的二极管性能预测方法,所述方法应用于二极管生产质量管控系统,所述系统与二极管生产数控平台通信连接,所述方法包括:
步骤S100:根据所述二极管生产数控平台进行数据采集,得到多个生产节点对应的多组生产数据集,其中,每组生产数据集对应一个生产节点;
具体而言,二极管作为半导体材料制备的电子器件,于电路中起着稳压、检波、整流等的作用,广泛应用于电子领域,二极管的性能特性对电路运行状况起着重要作用,因此进行市场投放前需进行严格性能检测。本申请提供的一种基于生产数据的二极管性能预测方法应用于所述二极管生产质量管控系统,所述系统为进行生产全周期监管的总控系统,所述系统与所述二极管生产数控平台通信连接,所述平台为进行二极管生产数据存储管理的平台。
具体的,基于二极管生产工艺步骤进行划分,确定多个生产节点,例如硅片表面清洗、氧化、涂胶、曝光、光刻、电镀、离子注入等。将所述多个生产节点作为索引,于所述二极管生产数控平台中进行预定时间区间的节点数据调取采集,所述预定时间区间为与当前时间节点相接的时间段,以保障数据的新颖性与时效性,对数据采集结果与所述多个生产节点进行映射,基于映射结果进行时序标识,生成多组生产数据集,所述多组生产数据集与所述多个生产节点一一对应。所述多组生产数据集为进行性能预测的参考数据源,为后续进行预测分析提供了基本依据。
步骤S200:获取目标二极管在所处电路的性能属性信息;
步骤S300:根据所述目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;
具体而言,所述目标二极管为待进行性能预测的二极管,针对所述目标二极管位于电路中的应用场景与应用需求,确定电路连接的二极管类型,例如开关二极管、变容二极管、稳压二极管等,进一步确定对应的二极管性能属性,例如对于开关二极管,将开关切换性能、通电稳定性等作为对应的性能属性信息,即满足电路运行需求的必要性性能保障。
进一步的,基于所述目标二极管在所处电路的性能属性信息,对所述多个生产节点进行生产剖析,基于所述多个生产节点与所述性能属性信息的关联进行性能分摊,确定各生产节点需满足的质量指标,作为所述多个生产节点对应的预设质量指标。示例性的,针对硅片的表面清洗、氧化等节点,确定性能达标状况下,各生产节点需满足的指标,例如表面洁净度、氧化程度等,作为所述预设质量指标。所述预设质量指标为进行生产数据评判的标准。
进一步而言,本申请步骤S300还包括:
步骤S310:获取所述目标二极管的所处电路信息,包括电压信息、电流信息、电容信息;
步骤S320:基于所述电压信息、所述电流信息和所述电容信息,确定第一电路负载指数,其中,所述第一电路负载指数为标识电路处于负载情况下的程度;
步骤S330:根据所述第一电路负载指数,对所述预设质量指标进行调整。
具体而言,基于所述目标二极管所处的电路实况,对所述预设质量指标进行适配调整,以提高所述目标二极管与连接电路的契合度。具体的,对所述目标二极管的连接电路进行所述电压信息、所述电流信息与所述电容信息的采集,可通过检测设备直接进行检测确定,例如电压检测器等,获取所述电路信息。基于所述电压信息、所述电流信息与所述电容信息,确定电路连接负载状况下的电参数波动,例如连接电源、运行设备等,基于所述目标二极管连接线路的电参数波动,生成所述第一电路负载指数,即负载影响程度。基于所述第一电路负载指数,确定调整方向与调整幅度,对所述预设质量指标进行调整,提高所述预设质量指标的电路契合度,避免出现击穿电压等异常状况造成电路运行异常。
步骤S400:对所述多个生产节点进行关联性分析,得到生产线拓扑结构;
具体而言,所述多个生产节点之间存在互关联影响,基于所述多个生产节点提取主流程节点,例如氧化、涂胶、曝光、光刻等等,进行流程顺序性关联生成主拓扑结构,进一步基于所述多个生产节点提取多个子流程节点,例如曝光前对光刻胶进行加固处理等,将多个子流程节点穿插进所述主拓扑结构中,生成所述生产线拓扑结构。优选的,对生成的主拓扑结构进行加粗连接,以便进行识别区分。所述生产线拓扑结构为搭建的所述目标二极管生产工艺的框架体系,为后续进行分析处理提供了便捷。
步骤S500:以所述目标二极管的性能属性信息,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络;
进一步而言,如图2所示,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络,本申请步骤S500还包括:
步骤S510:对所述生产线拓扑结构进行相关节点标识,输出标识节点集合;
步骤S520:根据所述标识节点集合中的连接关系,得到独立节点和连接节点;
步骤S530:以所述连接节点之间的连接关系,搭建标识节点网络,并将独立节点在所述标识节点网络外进行分布连接,其中,所述独立节点的连接线于所述连接节点的连接线不相同。
具体而言,基于所述多个生产节点,搭建所述生产线拓扑结构。基于所述目标二极管的性能属性信息,提取属性相关节点,例如通电稳定性可能与电镀、离子注入等流程相关,将其作为相关节点进行标识,以提高所述生产线拓扑结构的关联清晰度,便于进行相互关系的建立。
具体的,基于所述生产线拓扑结构,根据所述目标二极管的性能属性信息,分别提取性能影响性生产节点,确定多组互相关节点,于所述生产线拓扑结构中进行对应标识,其中,可基于不同标识颜色,或者同颜色不同色度进行不同组互相关节点的标识,以便进行识别区分,获取所述标识节点集合。进一步的,基于所述标识节点集合中的连接关系,将存在互影响的标识节点作为所述连接节点,将独立影响性能的标识节点作为独立节点。对所述连接节点基于连接关系,各节点间交错连接,生成所述标识节点网络,进而于所述标识节点网络外,确定所述独立节点的分布位置,例如可基于所述独立节点的生产先后顺序进行确定,完成分布连接,保障搭建完成的所述标识节点网络的完整性。所述独立节点与所述连接节点的连接线不同,便于进行识别区分,例如将实线与虚线分别作为所述独立节点与所述连接节点的连接线。
步骤S600:根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集;
步骤S700:将所述标识生产数据集输入性能预测模型中,输出性能预测结果,其中,所述性能预测模型包括所述预设质量指标。
具体而言,遍历所述多组生产数据集,与所述标识节点网络进行映射匹配,确定所述标识节点网络中各个标识节点对应的生产数据,作为所述标识生产数据集,其中,所述标识生产数据集带有节点标识。进一步的,搭建所述性能预测模型,所述性能预测模型包括一次性能预测模型与二次性能预测模型,分别用于进行完成度预测与协同偏差预测,所述一次性能预测模型的输出数据为所述二次性能预测模型的输入数据。将所述标识生产数据输入所述性能预测模型中,逐模型进行顺序性分析生成所述性能预测结果,所述性能预测结果为基于所述标识节点网络的性能指数,与所述标识节点网络相适配。
进一步而言,如图3所示,本申请步骤S700还包括:
步骤S710:搭建所述性能预测模型,其中,所述性能预测模型为一次性能预测模型和二次性能预测模型集成融合后的神经网络模型;
步骤S720:将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,根据所述一次性能预测模型分别对各个标识节点进行一次性能预测,得到与所述各个标识节点对应的多个一次预测指标;
步骤S730:将所述一次性能预测模型输出的所述各个标识节点对应的多个一次预测指标,输入所述二次性能预测模型中进行二次性能预测,得到二次预测指标,其中,所述二次预测指标为基于所述标识节点网络的性能指数。
进一步而言,根据所述一次性能预测模型分别对各个标识节点进行一次性能预测,本申请步骤S720还包括:
步骤S721:基于所述多个生产节点对应的预设质量指标,获取所述各个标识节点对应的标识预设质量指标;
步骤S722:将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中进行生产完成度预测,得到多个预测质量指标;
步骤S723:将所述预设质量指标嵌入所述一次性能预测模型中,与多个预测质量指标进行比对,基于比对的结果得到多个一次预测指标。
进一步而言,将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中进行生产完成度预测,得到多个预测质量指标,本申请步骤S722还包括:
步骤S7221:将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,其中,所述一次性能预测模型与所述二极管生产数控平台连接,用于获取下达的生产数据集;
步骤S7222:根据下达的生产数据集与所述标识生产数据集进行预测,得到参数的数量执行完成度和参数的数值执行完成度;
步骤S7223:根据所述参数的数量执行完成度和参数的数值执行完成度,输出多个预测质量指标。
进一步而言,本申请步骤S730还包括:
步骤S731:获取所述多个一次预测指标,其中,所述多个一次预测指标包括第一节点偏移量、第二节点偏移量…第N节点偏移量,其中,N为标识节点的数量;
步骤S732:将所述标识节点网络与所述二次性能预测模型连接,对所述多个一次预测指标进行协同分析,搭建协同矩阵;
步骤S733:以所述协同矩阵进行多因素灰度关联计算,输出第一协同偏移量、第二协同偏移量…第N协同偏移量;
步骤S734:基于所述第一协同偏移量、第二协同偏移量…第N协同偏移量进行计算,得到二次预测指标。
具体而言,搭建所述一次性能预测模型与所述二次性能预测模型,示例性的,通过采集样本生产数据,结合所述标识节点网络进行映射处理,基于生产完成度进行预测确定多个样本一次预测指标,将其作为第一训练数据,通过进行神经网络训练生成所述一次性能预测模型;同理,基于所述多个样本一次预测指标的节点偏移量,确定第二训练数据,通过进行神经网络训练生成所述二次性能预测模型,其中,所述一次性能预测模型内嵌有所述预设质量指标。所述一次性能预测模型用于进行生产完成度预测,所述二次性能预测模型用于进行偏离量预测,对所述一次性能预测模型与所述二次性能预测模型进行集成融合生成所述性能预测模型。
进一步的,将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,通过进行完成度分析生成所述多个一次预测指标。具体的,基于所述多个生产节点对应的预设质量指标,与所述各个标识节点进行映射匹配,确定匹配结果作为所述标识预设质量指标,以进行指标区分识别。进一步将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,进行完成度预测。
具体的,所述一次性能预测模型与所述二极管生产数控平台连接,所述二极管生产数控平台为进行二极管生产数据管理的功能性平台,所述二极管生产数控平台下达所述生产数据集,传输至所述一次性能预测模型中,所述生产数据集为具体的生产执行标准数据,以保障下达数据的及时有效性。将下达的生产数据集作为参考判据,与所述标识生产数据集进行映射对应,基于映射结果进行重叠校对,基于校对结果分别对各生产节点进行参数量度量与具体数值度量,生成所述参数的数量执行完成度与所述参数的数值执行完成度。其中,所述参数的数量执行完成度与所述参数的数值执行完成度分别带有节点标识,将其作为所述多个预测质量指标。
进一步的,将所述一次预测模型中内嵌的所述预设质量指标作为参考标准,与所述多个预测质量指标进行映射比对,确定多个指标差值作为所述多个一次预测指标,其中,所述多个一次预测指标带有正负号标识,用于确定偏离方向。
进一步的,将所述一次性能预测模型的输出结果,即所述多个一次预测指标输入所述二次性能预测模型中进行偏移量分析,确定所述二次预测指标。具体的,基于所述多个一次预测指标,提取各个标识节点的完成度偏移量,获取所述第一节点偏移量、所述第二节点偏移量直至所述第N节点偏移量。所述二次性能预测模型连接有所述标识节点网络,对标识节点对应的一次预测指标进行节点间的互影响分析,搭建所述协同矩阵。其中,所述协同矩阵为自交矩阵,矩阵列与矩阵行分别为所述N个标识节点,内部排布有两两标识节点之间对应的一次预测指标的协同分析结果。由于各标识节点之间存在互影响,导致单节点的分析结果不够精准,通过进行协同分析,以进行综合评估计量。基于所述协同矩阵,通过进行多因素灰度关联计算,确定各个标识节点的预测结果对单项标识节点的整体影响尺度,确定所述多个协同偏移量,包括所述第一协同偏移量、所述第二协同偏移量直至所述第N协同偏移量,分别对应N个标识节点。对所述第一协同偏移量、所述第二协同偏移量直至所述第N协同偏移量进行加和,生成所述二次预测指标,其中,所述二次预测指标为基于所述标识节点网络的性能指数。通过建模逐层进行预测分析,保障性能预测结果的准确度与客观度,提高与连接电路的契合度。
实施例二:
基于与前述实施例中一种基于生产数据的二极管性能预测方法相同的发明构思,如图4所示,本申请提供了一种基于生产数据的二极管性能预测系统,所述系统包括:
数据采集模块11,所述数据采集模块11用于根据所述二极管生产数控平台进行数据采集,得到多个生产节点对应的多组生产数据集,其中,每组生产数据集对应一个生产节点;
信息获取模块12,所述信息获取模块12用于获取目标二极管在所处电路的性能属性信息;
指标确定模块13,所述指标确定模块13用于根据所述目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;
拓扑结构获取模块14,所述拓扑结构获取模块14用于对所述多个生产节点进行关联性分析,得到生产线拓扑结构;
节点标识模块15,所述节点标识模块15用于以所述目标二极管的性能属性信息,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络;
数据调用模块16,所述数据调用模块16用于根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集;
性能预测模块17,所述性能预测模块17用于将所述标识生产数据集输入性能预测模型中,输出性能预测结果,其中,所述性能预测模型包括所述预设质量指标。
进一步而言,所述系统还包括:
模型搭建模块,所述模型搭建模块用于搭建所述性能预测模型,其中,所述性能预测模型为一次性能预测模型和二次性能预测模型集成融合后的神经网络模型;
一次性能预测模块,所述一次性能预测模块用于将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,根据所述一次性能预测模型分别对各个标识节点进行一次性能预测,得到与所述各个标识节点对应的多个一次预测指标;
二次性能预测模块,所述二次性能预测模块用于将所述一次性能预测模型输出的所述各个标识节点对应的多个一次预测指标,输入所述二次性能预测模型中进行二次性能预测,得到二次预测指标,其中,所述二次预测指标为基于所述标识节点网络的性能指数。
进一步而言,所述系统还包括:
标识预设质量指标获取模块,所述标识预设质量指标获取模块用于基于所述多个生产节点对应的预设质量指标,获取所述各个标识节点对应的标识预设质量指标;
生产完成度预测模块,所述生产完成度预测模块用于将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中进行生产完成度预测,得到多个预测质量指标;
指标比对模块,所述指标比对模块用于将所述预设质量指标嵌入所述一次性能预测模型中,与多个预测质量指标进行比对,基于比对的结果得到多个一次预测指标。
进一步而言,所述系统还包括:
一次预测指标剖析模块,所述一次预测指标剖析模块用于获取所述多个一次预测指标,其中,所述多个一次预测指标包括第一节点偏移量、第二节点偏移量…第N节点偏移量,其中,N为标识节点的数量;
协同分析模块,所述协同分析模块用于将所述标识节点网络与所述二次性能预测模型连接,对所述多个一次预测指标进行协同分析,搭建协同矩阵;
协同偏移量获取模块,所述协同偏移量获取模块用于以所述协同矩阵进行多因素灰度关联计算,输出第一协同偏移量、第二协同偏移量…第N协同偏移量;
二次预测指标获取模块,所述二次预测指标获取模块用于基于所述第一协同偏移量、第二协同偏移量…第N协同偏移量进行计算,得到二次预测指标。
进一步而言,所述系统还包括:
电路信息获取模块,所述电路信息获取模块用于获取所述目标二极管的所处电路信息,包括电压信息、电流信息、电容信息;
负载指数获取模块,所述负载指数获取模块用于基于所述电压信息、所述电流信息和所述电容信息,确定第一电路负载指数,其中,所述第一电路负载指数为标识电路处于负载情况下的程度;
指标调整模块,所述指标调整模块用于根据所述第一电路负载指数,对所述预设质量指标进行调整。
进一步而言,所述系统还包括:
相关节点标识模块,所述相关节点标识模块用于对所述生产线拓扑结构进行相关节点标识,输出标识节点集合;
节点划分模块,所述节点划分模块用于根据所述标识节点集合中的连接关系,得到独立节点和连接节点;
节点连接模块,所述节点连接模块用于以所述连接节点之间的连接关系,搭建标识节点网络,并将独立节点在所述标识节点网络外进行分布连接,其中,所述独立节点的连接线于所述连接节点的连接线不相同。
进一步而言,所述系统还包括:
数据输入模块,所述数据输入模块用于将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,其中,所述一次性能预测模型与所述二极管生产数控平台连接,用于获取下达的生产数据集;
完成度预测模块,所述完成度预测模块用于根据下达的生产数据集与所述标识生产数据集进行预测,得到参数的数量执行完成度和参数的数值执行完成度;
预测质量指标输出模块,所述预测质量指标输出模块用于根据所述参数的数量执行完成度和参数的数值执行完成度,输出多个预测质量指标。
本说明书通过前述对一种基于生产数据的二极管性能预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于生产数据的二极管性能预测方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于生产数据的二极管性能预测方法,其特征在于,所述方法应用于二极管生产质量管控系统,所述系统与二极管生产数控平台通信连接,所述方法包括:
根据所述二极管生产数控平台进行数据采集,得到多个生产节点对应的多组生产数据集,其中,每组生产数据集对应一个生产节点;
获取目标二极管在所处电路的性能属性信息;
根据所述目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;
对所述多个生产节点进行关联性分析,得到生产线拓扑结构;
以所述目标二极管的性能属性信息,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络;
根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集;
将所述标识生产数据集输入性能预测模型中,输出性能预测结果,其中,所述性能预测模型包括所述预设质量指标。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
搭建所述性能预测模型,其中,所述性能预测模型为一次性能预测模型和二次性能预测模型集成融合后的神经网络模型;
将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,根据所述一次性能预测模型分别对各个标识节点进行一次性能预测,得到与所述各个标识节点对应的多个一次预测指标;
将所述一次性能预测模型输出的所述各个标识节点对应的多个一次预测指标,输入所述二次性能预测模型中进行二次性能预测,得到二次预测指标,其中,所述二次预测指标为基于所述标识节点网络的性能指数。
3.如权利要求2所述的方法,其特征在于,根据所述一次性能预测模型分别对各个标识节点进行一次性能预测,方法包括:
基于所述多个生产节点对应的预设质量指标,获取所述各个标识节点对应的标识预设质量指标;
将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中进行生产完成度预测,得到多个预测质量指标;
将所述预设质量指标嵌入所述一次性能预测模型中,与多个预测质量指标进行比对,基于比对的结果得到多个一次预测指标。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述多个一次预测指标,其中,所述多个一次预测指标包括第一节点偏移量、第二节点偏移量…第N节点偏移量,其中,N为标识节点的数量;
将所述标识节点网络与所述二次性能预测模型连接,对所述多个一次预测指标进行协同分析,搭建协同矩阵;
以所述协同矩阵进行多因素灰度关联计算,输出第一协同偏移量、第二协同偏移量…第N协同偏移量;
基于所述第一协同偏移量、第二协同偏移量…第N协同偏移量进行计算,得到二次预测指标。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标二极管的所处电路信息,包括电压信息、电流信息、电容信息;
基于所述电压信息、所述电流信息和所述电容信息,确定第一电路负载指数,其中,所述第一电路负载指数为标识电路处于负载情况下的程度;
根据所述第一电路负载指数,对所述预设质量指标进行调整。
6.如权利要求1所述的方法,其特征在于,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络,方法还包括:
对所述生产线拓扑结构进行相关节点标识,输出标识节点集合;
根据所述标识节点集合中的连接关系,得到独立节点和连接节点;
以所述连接节点之间的连接关系,搭建标识节点网络,并将独立节点在所述标识节点网络外进行分布连接,其中,所述独立节点的连接线于所述连接节点的连接线不相同。
7.如权利要求3所述的方法,其特征在于,将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中进行生产完成度预测,得到多个预测质量指标,方法还包括:
将所述各个标识节点的标识生产数据集输入所述一次性能预测模型中,其中,所述一次性能预测模型与所述二极管生产数控平台连接,用于获取下达的生产数据集;
根据下达的生产数据集与所述标识生产数据集进行预测,得到参数的数量执行完成度和参数的数值执行完成度;
根据所述参数的数量执行完成度和参数的数值执行完成度,输出多个预测质量指标。
8.一种基于生产数据的二极管性能预测系统,其特征在于,所述系统与二极管生产数控平台通信连接,所述系统包括:
数据采集模块,所述数据采集模块用于根据所述二极管生产数控平台进行数据采集,得到多个生产节点对应的多组生产数据集,其中,每组生产数据集对应一个生产节点;
信息获取模块,所述信息获取模块用于获取目标二极管在所处电路的性能属性信息;
指标确定模块,所述指标确定模块用于根据所述目标二极管在所处电路的性能属性信息,确定所述多个生产节点对应的预设质量指标;
拓扑结构获取模块,所述拓扑结构获取模块用于对所述多个生产节点进行关联性分析,得到生产线拓扑结构;
节点标识模块,所述节点标识模块用于以所述目标二极管的性能属性信息,对所述生产线拓扑结构进行相关节点标识,输出标识节点网络;
数据调用模块,所述数据调用模块用于根据所述多组生产数据集,调用所述标识节点网络中各个标识节点的标识生产数据集;
性能预测模块,所述性能预测模块用于将所述标识生产数据集输入性能预测模型中,输出性能预测结果,其中,所述性能预测模型包括所述预设质量指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310593528.3A CN116307405B (zh) | 2023-05-25 | 2023-05-25 | 一种基于生产数据的二极管性能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310593528.3A CN116307405B (zh) | 2023-05-25 | 2023-05-25 | 一种基于生产数据的二极管性能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307405A true CN116307405A (zh) | 2023-06-23 |
CN116307405B CN116307405B (zh) | 2023-08-04 |
Family
ID=86829116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310593528.3A Active CN116307405B (zh) | 2023-05-25 | 2023-05-25 | 一种基于生产数据的二极管性能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307405B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719293A (zh) * | 2023-08-04 | 2023-09-08 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及系统 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745273A (zh) * | 2014-01-06 | 2014-04-23 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
CN106842914A (zh) * | 2016-12-12 | 2017-06-13 | 中国农业大学 | 一种温度控制节能处理方法、装置及系统 |
CN108549332A (zh) * | 2017-12-19 | 2018-09-18 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
CN111488971A (zh) * | 2020-04-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法及装置、图像处理方法及装置 |
CN112308298A (zh) * | 2020-10-16 | 2021-02-02 | 同济大学 | 一种面向半导体生产线的多场景性能指标预测方法及系统 |
CN112989702A (zh) * | 2021-03-25 | 2021-06-18 | 河北工业大学 | 一种装备性能分析与预测的自学习方法 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
KR20210157303A (ko) * | 2020-06-19 | 2021-12-28 | (주)브릭 | 이종 언어로 구현된 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치 |
KR20220042026A (ko) * | 2020-09-25 | 2022-04-04 | (의료)길의료재단 | 국가건강검진 자료를 이용한 자살 예측 모델 구축 방법 |
CN114399237A (zh) * | 2022-03-25 | 2022-04-26 | 张家港特恩驰电缆有限公司 | 一种电缆生产工艺的质量智能检测方法及系统 |
CN114819583A (zh) * | 2022-04-19 | 2022-07-29 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
CN114819085A (zh) * | 2022-04-24 | 2022-07-29 | 河钢股份有限公司承德分公司 | 钢材性能预测模型的训练方法、预测方法及设备 |
CN114819773A (zh) * | 2022-06-29 | 2022-07-29 | 天津大学 | 一种基于大数据的企业绿色生产管控方法及系统 |
CN114998816A (zh) * | 2022-08-08 | 2022-09-02 | 深圳市指南针医疗科技有限公司 | 基于骨骼ai视频的病例改进方法、装置及存储介质 |
CN115115126A (zh) * | 2022-07-14 | 2022-09-27 | 复旦大学 | 基于知识图谱的农作物灾害损失及产量预测系统及方法 |
CN115409267A (zh) * | 2022-09-01 | 2022-11-29 | 联想(北京)有限公司 | 一种数据处理方法、装置及存储介质 |
CN115564145A (zh) * | 2022-11-17 | 2023-01-03 | 北京市农林科学院信息技术研究中心 | 基于分布式数据的农作物品种产量预测方法及装置 |
CN115618269A (zh) * | 2022-12-12 | 2023-01-17 | 江门市润宇传感器科技有限公司 | 基于工业传感器生产的大数据分析方法及系统 |
CN115796678A (zh) * | 2022-12-01 | 2023-03-14 | 苏州连讯电子有限公司 | 一种连接线的智能生产监测方法及系统 |
CN115796328A (zh) * | 2022-10-21 | 2023-03-14 | 哈工大机器人(山东)智能装备研究院 | 产品工艺路线仿真系统及产品性能预测方法 |
CN116109012A (zh) * | 2023-04-10 | 2023-05-12 | 张家港广大特材股份有限公司 | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 |
-
2023
- 2023-05-25 CN CN202310593528.3A patent/CN116307405B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745273A (zh) * | 2014-01-06 | 2014-04-23 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
CN106842914A (zh) * | 2016-12-12 | 2017-06-13 | 中国农业大学 | 一种温度控制节能处理方法、装置及系统 |
CN108549332A (zh) * | 2017-12-19 | 2018-09-18 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
CN111488971A (zh) * | 2020-04-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法及装置、图像处理方法及装置 |
KR20210157303A (ko) * | 2020-06-19 | 2021-12-28 | (주)브릭 | 이종 언어로 구현된 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치 |
KR20220042026A (ko) * | 2020-09-25 | 2022-04-04 | (의료)길의료재단 | 국가건강검진 자료를 이용한 자살 예측 모델 구축 방법 |
CN112308298A (zh) * | 2020-10-16 | 2021-02-02 | 同济大学 | 一种面向半导体生产线的多场景性能指标预测方法及系统 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN112989702A (zh) * | 2021-03-25 | 2021-06-18 | 河北工业大学 | 一种装备性能分析与预测的自学习方法 |
CN114399237A (zh) * | 2022-03-25 | 2022-04-26 | 张家港特恩驰电缆有限公司 | 一种电缆生产工艺的质量智能检测方法及系统 |
CN114819583A (zh) * | 2022-04-19 | 2022-07-29 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
CN114819085A (zh) * | 2022-04-24 | 2022-07-29 | 河钢股份有限公司承德分公司 | 钢材性能预测模型的训练方法、预测方法及设备 |
CN114819773A (zh) * | 2022-06-29 | 2022-07-29 | 天津大学 | 一种基于大数据的企业绿色生产管控方法及系统 |
CN115115126A (zh) * | 2022-07-14 | 2022-09-27 | 复旦大学 | 基于知识图谱的农作物灾害损失及产量预测系统及方法 |
CN114998816A (zh) * | 2022-08-08 | 2022-09-02 | 深圳市指南针医疗科技有限公司 | 基于骨骼ai视频的病例改进方法、装置及存储介质 |
CN115409267A (zh) * | 2022-09-01 | 2022-11-29 | 联想(北京)有限公司 | 一种数据处理方法、装置及存储介质 |
CN115796328A (zh) * | 2022-10-21 | 2023-03-14 | 哈工大机器人(山东)智能装备研究院 | 产品工艺路线仿真系统及产品性能预测方法 |
CN115564145A (zh) * | 2022-11-17 | 2023-01-03 | 北京市农林科学院信息技术研究中心 | 基于分布式数据的农作物品种产量预测方法及装置 |
CN115796678A (zh) * | 2022-12-01 | 2023-03-14 | 苏州连讯电子有限公司 | 一种连接线的智能生产监测方法及系统 |
CN115618269A (zh) * | 2022-12-12 | 2023-01-17 | 江门市润宇传感器科技有限公司 | 基于工业传感器生产的大数据分析方法及系统 |
CN116109012A (zh) * | 2023-04-10 | 2023-05-12 | 张家港广大特材股份有限公司 | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
孙琳;: "基于数据挖掘技术, 实现业务收入预测", 信息系统工程, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719293A (zh) * | 2023-08-04 | 2023-09-08 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及系统 |
CN116719293B (zh) * | 2023-08-04 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116307405B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115833400B (zh) | 一种变电站电力设备的监测预警方法及系统 | |
WO2018101722A2 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
CN116307405B (zh) | 一种基于生产数据的二极管性能预测方法及系统 | |
CN105675038B (zh) | 一种仪表的故障预测装置 | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
CN116224930B (zh) | 一种数控磨床产品的加工控制方法及系统 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN115278741A (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN116879831A (zh) | 一种基于物联网的电表智能监控方法及系统 | |
CN108563201B (zh) | 一种dmaic驱动的小批量零件加工工艺过程质量改进方法 | |
CN116727462B (zh) | 一种热轧无缝钢管的冷却控制方法及系统 | |
CN113935965A (zh) | 一种预制箱梁模板检测系统 | |
CN116500998B (zh) | 一种药品生产设备的智能化控制方法及系统 | |
CN115936680A (zh) | 一种设备运维的智能派单方法及系统 | |
KR20200096992A (ko) | 전자 현미경을 사용한 반도체 계측 및 결함 분류 | |
CN117474298B (zh) | 一种基于上下游工位反馈的发动机连杆生产管理方法及系统 | |
CN109918220A (zh) | 一种异常数据检测参数的确定方法及确定装置 | |
CN116823215B (zh) | 一种用于电站的智慧运维管控方法及系统 | |
CN116384715B (zh) | 一种数字化机器人产业链的机器人运维管理方法 | |
CN117010837B (zh) | 一种基于经纬度坐标的基础资源批量匹配方法 | |
CN117591283B (zh) | 基于跨平台数据融合的云切设备管理方法及系统 | |
CN109376337B (zh) | 一种基于Girvan-Newman算法的集散软测量方法 | |
CN107423855B (zh) | 一种机房供电参数检测方法 | |
CN105391049A (zh) | 一种考虑概率分布的电网参数估计方法 |
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 |