CN116949452B - 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 - Google Patents
一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 Download PDFInfo
- Publication number
- CN116949452B CN116949452B CN202310979821.3A CN202310979821A CN116949452B CN 116949452 B CN116949452 B CN 116949452B CN 202310979821 A CN202310979821 A CN 202310979821A CN 116949452 B CN116949452 B CN 116949452B
- Authority
- CN
- China
- Prior art keywords
- acid
- concentration
- data
- glacial acetic
- user
- 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
- 238000005530 etching Methods 0.000 title claims abstract description 137
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 title claims abstract description 94
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 title claims abstract description 94
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 74
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 74
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 229960000583 acetic acid Drugs 0.000 title claims abstract description 47
- 229910000147 aluminium phosphate Inorganic materials 0.000 title claims abstract description 47
- 239000012362 glacial acetic acid Substances 0.000 title claims abstract description 47
- 229910017604 nitric acid Inorganic materials 0.000 title claims abstract description 47
- 239000002253 acid Substances 0.000 claims abstract description 113
- 239000007788 liquid Substances 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 44
- 239000000126 substance Substances 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000004224 protection Effects 0.000 claims description 8
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000004092 self-diagnosis Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 150000007513 acids Chemical class 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 30
- 230000000694 effects Effects 0.000 description 23
- 238000007792 addition Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 5
- 230000008020 evaporation Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 230000001681 protective effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000003472 neutralizing effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000004063 acid-resistant material Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009979 protective mechanism Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23G—CLEANING OR DE-GREASING OF METALLIC MATERIAL BY CHEMICAL METHODS OTHER THAN ELECTROLYSIS
- C23G1/00—Cleaning or pickling metallic material with solutions or molten salts
- C23G1/02—Cleaning or pickling metallic material with solutions or molten salts with acid solutions
- C23G1/12—Light metals
- C23G1/125—Light metals aluminium
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- ing And Chemical Polishing (AREA)
- Weting (AREA)
Abstract
本发明公开了一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,涉及刻蚀液的酸比率控制领域,该系统能够实现精确控制冰醋酸、硝酸和磷酸的添加量,以维持铝蚀刻液中各种酸的浓度在预设的目标值附近。该系统包含化学传感器,用于实时监测铝蚀刻液中的冰醋酸、硝酸和磷酸的浓度;处理单元,用于根据浓度数据和预设的目标浓度,利用长短期记忆神经网络,计算出需要添加的酸的数量,并控制供液系统进行添加;供液系统,用于根据处理单元的指令,精确添加各种酸;以及一个用户接口,用于显示实时数据和系统状态,并允许用户设定酸的目标浓度。通过该系统,可以实现对铝蚀刻液中各种酸浓度的精确控制。
Description
技术领域
本申请涉及刻蚀液的酸比率控制领域,尤其涉及一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统。
背景技术
铝刻蚀过程中,使用的主要刻蚀液包括冰醋酸、硝酸和磷酸。这三种酸的浓度比率直接影响到刻蚀的效果和效率。传统的刻蚀液添加方式通常是依赖于操作员的经验或者简单的控制策略,如固定时间间隔进行添加,但这种方式很难确保刻蚀液中各种酸的浓度始终维持在最佳范围。如果酸的浓度过高,可能会导致刻蚀过程过快,无法控制刻蚀深度,或者产生过多的气泡,影响刻蚀质量;如果酸的浓度过低,刻蚀速度将会减慢,影响生产效率。
为了解决这个问题,出现了一些自动化的刻蚀液添加设备,这些设备通常会配备化学传感器,用于监测刻蚀液中的酸浓度,然后根据浓度信息控制供液系统进行酸的添加。但是,这些设备通常的控制策略还是比较简单,如PID控制等,这种控制方式虽然可以实现一定程度的自动化,但仍然不能很好地处理刻蚀过程中的复杂情况,如酸浓度的非线性变化、各种酸的相互影响等。
因此,开发一种可以精确控制冰醋酸、硝酸和磷酸浓度的铝蚀刻液的比率控制系统,从而提高铝蚀刻液的刻蚀质量,成为了一个急需解决的问题。
发明内容
本申请提供一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,以提高铝蚀刻液的刻蚀质量。
该系统包括:
化学传感器,用于实时监测铝蚀刻液中的冰醋酸、硝酸和磷酸的浓度数据,并将浓度数据传输给处理单元;
处理单元,用于根据传感器提供的浓度数据以及用户预设的酸的目标浓度,利用长短期记忆神经网络,确定需要添加的酸的数量,并控制供液系统进行添加;
供液系统,用于根据处理单元的控制指令,将确定数量的酸添加到铝蚀刻液中;
用户接口,用于向用户提供操作界面,显示实时数据和系统状态,允许用户设定酸的目标浓度。
更进一步地,所述化学传感器基于微电极阵列技术实现。
更进一步地,所述处理单元进一步包括数据融合模块,用于将多个传感器提供的浓度数据融合为一个综合浓度数据,该数据融合模块采用加权平均策略,权重系数由各关键区域的特性决定,所述处理单元根据所述综合浓度数据以及用户预设的酸的目标浓度,利用长短期记忆神经网络,确定需要添加的酸的数量,并控制供液系统进行添加。
更进一步地,所述化学传感器被安装在一个可在液槽内移动的平台上,该平台按照预设路径在液槽内移动,实现对各区域的动态监测。
更进一步地,所述预设路径由处理单元根据模拟退火算法生成,路径的能量函数定义为路径长度,路径优化的目标是覆盖所有关键区域并使得路径长度最短。
更进一步地,所述长短期记忆神经网络使用的训练数据包括过去的酸浓度,用户预设的目标浓度,以及实际添加的酸的数量。
更进一步地,所述长短期记忆神经网络能够根据实时环境条件行动态调整。
更进一步地,所述供液系统根据处理单元的指令进行酸的添加,并且考虑到供液系统的响应延迟。
更进一步地,所述供液系统具有自我诊断和保护机制,用于实时监测供液系统的工作状态,并根据检测到的异常启动保护程序,并将异常信息反馈给处理单元。
更进一步地,所述用户接口显示实时数据和系统状态,并允许用户设置目标浓度,且包含预测未来几个时间步的浓度。
该铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统的创造性主要体现在(1)集成化设计:该系统集成了化学传感器、具有深度学习功能的处理单元、供液系统和用户接口等多个模块,这种一体化设计使得系统运行更为协调,提高了整个系统的稳定性和可靠性。(2)深度学习技术的应用:在处理单元中,利用长短期记忆神经网络(LSTM)来预测需要添加的酸的数量,相较于传统的控制方法,这种方法更能适应铝蚀刻液的动态变化,使得控制更为精准。(3)用户友好的设计:通过用户接口,用户可以设置目标浓度,查看实时数据和系统状态,极大地提高了用户体验。(4)实时监测与调整:通过化学传感器监测当前的酸浓度,处理单元可以实时地根据当前状态和目标状态调整酸的添加量,提高了系统的响应速度。
本申请提出的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统的有益技术效果主要体现在:
(1)提高产品质量:通过实时监测和精确控制酸的比率,可以保证铝蚀刻液的质量稳定,从而提高最终铝产品的质量。
(2)节省资源:准确预测并控制需要添加的酸的数量,可以避免资源的浪费,节约成本。
(3)提高效率:自动化的控制系统可以减少人工干预,提高生产效率。
(4)提升操作便利性:用户友好的接口设计,让操作人员能够更方便地掌控和调整系统状态,降低了操作难度。
附图说明
图1是本申请第一实施例提供的一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统的示意图。
图2是本申请第一实施例涉及的长短期记模型的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统进行详细说明。
铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统100包括化学传感器102,处理单元104,供液系统106以及用户接口108。
化学传感器102,用于实时监测铝蚀刻液中的冰醋酸、硝酸和磷酸的浓度数据,并将浓度数据传输给处理单元。
化学传感器102在这个铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统100中发挥着重要的作用。由于铝蚀刻液的性质具有高度的活性和腐蚀性,对于冰醋酸、硝酸和磷酸的浓度控制有着严格的要求,这使得对其进行实时且精准的浓度监测变得尤为重要。
在这个系统中,本实施例采用了特别设计的化学传感器102。这种传感器不仅可以实时监测冰醋酸、硝酸和磷酸的浓度,而且还具有对温度、压力等环境因素的抗干扰能力,保证了监测数据的准确性。同时,传感器102还被设计成具有防腐蚀的材料,使其能够在铝蚀刻液中长时间稳定工作。
这种传感器通过专门设计的数据接口,将监测到的浓度数据实时传输给处理单元。数据接口采用高速、低延迟的设计,保证了数据的实时性。此外,接口还具有防误触、抗干扰的设计,减少了误操作和环境干扰对系统运行的影响。
另外,为了进一步提高浓度监测的精度,本实施例还在传感器上增加了一项功能,即自我校准功能。传感器会定期进行自我校准,纠正可能存在的测量偏差,保证了浓度数据的准确性。当系统检测到传感器可能出现故障或者偏差超过预设阈值时,会立即发出警报,并自动切换到备用传感器,保证了系统的连续运行。
化学传感器102可以是高精度化学传感器,其为一种基于微电极阵列技术(Microelectrode Array, MEA)的创新型传感器。其工作原理是根据冰醋酸、硝酸和磷酸在电极表面的电化学反应,通过测量电极上的电流变化来实时监测其浓度。相比于传统的化学传感器,该传感器具有更高的灵敏度和精确度。
为了提高其测量精度,本实施例采用了独特的多层薄膜技术,通过在电极表面形成纳米级的金属氧化物薄膜,可以提高电极的表面积,从而提高电流信号的灵敏度。
除了使用先进的微电极阵列和多层薄膜技术,这个创新型的化学传感器还具有低功耗设计的特点。由于传感器采用低功耗设计,可以长时间持续工作,适合于长期在线监测。
通过上述设计,这种高精度化学传感器能够实现对冰醋酸、硝酸和磷酸浓度的实时、精确监测,为刻蚀液的控制提供了强有力的技术支持。
本实施例还提供了一个可移动的传感器平台,该平台可以在液槽内按照预定的路径和速度移动,并在不同位置进行浓度测量。这种方式可以获取更全面的浓度分布信息,从而更准确地反映刻蚀液的实际状态。
传感器平台由如下硬件组成:
移动平台:移动平台的设计可以采用防腐耐酸的材料制造,并能够携带一组化学传感器。平台上装有电动马达和轮子,使其可以在预设的轨道上自由移动。此外,该平台还应配备一个防腐耐酸的保护壳,以保护内部的传感器和电子设备。
导轨系统:在液槽内设定导轨系统,移动平台在这个导轨系统上行进。导轨系统可以根据液槽的形状和大小来设计,可以是线性的,也可以是曲线的,以适应不同的测量需求。
化学传感器:移动平台携带的化学传感器需具有防腐耐酸的性质,可精确地监测冰醋酸、硝酸和磷酸的浓度,并实时将数据传输到处理单元。
移动平台的速度应根据浓度的变化速度和区域的特性进行调整。例如,在浓度变化快或者区域较小的地方,可以适当减慢移动速度,以获得更精确的测量数据。
移动平台应能根据实时的测量数据,自动调整自身的行为。例如,如果在某个区域检测到异常高的酸浓度,移动平台可以暂停移动,多次测量,然后发送警报信息。
路径规划:移动平台的运动路线需要经过刻蚀液中的各个关键区域。可以设计一种路径规划算法,例如模拟退火算法,来寻找最优的路径。
本实施例中,刻蚀液中的各个关键区域可以基于如下因素综合选取:
(1)液槽的几何形状和尺寸:液槽的形状和尺寸会影响刻蚀液的流动模式和酸的分布。例如,液槽的边缘区域和中心区域可能会存在浓度差异。因此,这些区域都应该被选为关键区域。
(2)刻蚀液的流动特性:刻蚀液的流动可能会形成一些特殊的区域,例如涡旋区,这些区域的浓度可能会与周围区域有较大的差异。通过流体动力学模拟或实验观察,可以确定这些特殊区域,将它们选为关键区域。
(3)铝片的位置:如果液槽中有多片铝片进行刻蚀,那么每片铝片的周围都应该被选为关键区域,因为这些区域的酸浓度会直接影响到铝片的刻蚀效果。
(4)历史数据和经验:通过分析历史数据,可以发现哪些区域的浓度变化对刻蚀效果的影响最大,将这些区域选为关键区域。此外,操作人员的经验也可以提供关键区域的选取的参考。
总的来说,关键区域的选取需要综合考虑以上因素,通过科学的方法和经验判断,以期能最全面、最准确地反映刻蚀液的浓度状况。
模拟退火算法(Simulated Annealing,SA)是一种启发式搜索方法,也是一种全局优化方法。它来源于固体的退火过程——将固体加热至充分高,然后让其慢慢冷却,冷却过程中固体内部的粒子将慢慢重新排列,使得固体的能量逐步降低至全局最低能量状态,即达到全局最优状态。
在这里,本实施例将其应用于寻找访问液槽所有关键区域的最短路径问题,以下是详细的实施步骤:
S1001初始化:首先,本实施例需要设置一个足够高的初始温度T,和一个足够低的终止温度T_min。然后,将液槽中的关键区域设置为待访问节点,并随机生成一条路径,即随机确定各节点的访问顺序。
S1002定义能量函数: 在这个问题中,将路径的总长度定义为能量函数E,因此本实施例的目标是找到一条使得E最小的路径。
S1003模拟退火过程: 这是算法的主要部分。在当前温度T下,随机选取一个节点,然后随机改变它在路径中的位置,从而生成一条新的路径。然后,计算新路径和当前路径的能量差ΔE。
如果ΔE < 0,那么新路径比当前路径更优,接受新路径。
如果ΔE > 0,那么新路径比当前路径差,但是以概率exp(-ΔE/T)接受新路径。这样做的原因是,早期搜索阶段,算法允许接受较差的解,以避免陷入局部最优。
然后,按照某个冷却率α(0 < α < 1)降低温度T,即T = αT。这个过程不断重复,直到温度T小于终止温度T_min。
S1004结束: 当温度T低于T_min时,算法结束。此时的当前路径就是最优路径。
需要注意的是,模拟退火算法中的各个参数,如初始和终止温度,冷却率,都需要根据具体问题进行调整。通常,这些参数的设定需要通过一些初步的试验和经验来确定。
在移动平台测量各个关键区域的浓度后,需要通过某种数据融合策略将这些浓度数据整合成一个最终的浓度结果。这个数据融合策略可以根据实际情况的不同采用不同的算法,并由处理单元的数据融合模块执行。
一个直接的方法是求平均值,即将所有关键区域的浓度相加后除以区域的个数。这种方法简单易行,但可能会忽视掉某些关键区域的特性。
一个更复杂的方法是加权平均,即每个区域的浓度乘以一个权重系数后再求和。权重系数可以根据各区域的重要程度来设置,例如,如果某个区域的体积较大或者刻蚀过程中的反应较剧烈,可以给它设置更高的权重。这种方法可以更好地反映各区域对总浓度的贡献。
影响区域重要性的因素包括:(1)区域尺寸:更大的区域可能影响整体浓度更大,因此可能被赋予更高的权重。(2)刻蚀过程活跃度:如果在某些区域的刻蚀活跃度更高(例如,那里的铝片更多,或者刻蚀反应更剧烈),那么这些区域可能更重要,因此可能被赋予更高的权重。(3)历史数据和经验:如果过去的数据或经验表明某些区域的浓度与整体刻蚀效果的关系更大,那么这些区域可能被赋予更高的权重。(4)动态因素:例如,如果刻蚀液的流动性较强,且各区域浓度差异较大,那么可能需要更频繁地监测流动性较强的区域,因此可能赋予这些区域更高的权重。
假设有n个关键区域,每个区域i的浓度为c_i,每个区域的权重为w_i。加权平均的计算公式如下:
C_final = Σ (c_i * w_i) / Σ w_i
其中,C_final是最终的浓度,Σ表示求和。
处理单元104,用于根据传感器提供的浓度数据以及用户预设的酸的目标浓度,利用长短期记忆神经网络,确定需要添加的酸的数量,并控制供液系统进行添加。
处理单元104在这个铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统中扮演着核心的角色。处理单元接收并处理由化学传感器102提供的实时浓度数据,然后结合用户预设的酸的目标浓度,以此来计算需要添加的酸的数量。
当本实施例采用多个化学传感器时,所述处理单元进一步包括数据融合模块,用于将多个传感器提供的浓度数据融合为一个综合浓度数据。该数据融合模块采用加权平均策略,权重系数由各关键区域的特性决定。然后,将综合浓度数据作为实时浓度数据,接着进行下面的步骤。
为了进行这种复杂的计算和决策,处理单元采用了一种被称为长短期记忆神经网络(LSTM)的深度学习算法。
铝蚀刻液中的酸浓度变化是动态的,而且具有一定的时间序列性,这是LSTM非常适合应用的场景。
该深度学习算法是通过一个长短期记忆(LSTM)模型实现的,下面结合图2对该模型进行说明。该模型包含三个主要层次:
输入层201:该层接收输入向量,这个向量由当前的冰醋酸、硝酸和磷酸的浓度(C1,C2,C3)和用户预设的目标浓度(T1,T2,T3)组成。输入层将这些数据转化为模型可以处理的形式,并传输给下一层的LSTM单元。
隐藏层202:隐藏层由三个LSTM单元组成,每个LSTM单元都包含一个遗忘门,一个输入门和一个输出门。这些门控制着信息在LSTM单元中的流动。第一个LSTM单元接收输入层的数据,并进行计算得到一个新的内部状态,这个新的内部状态被传递给第二个LSTM单元。第二个和第三个LSTM单元也会进行类似的计算,每个单元都会根据接收到的输入和内部状态更新自己的内部状态,并将这个新的内部状态传递给下一个LSTM单元。
输出层203:最后一个LSTM单元将其内部状态转化为最终的输出,即预测的下一步所需添加的酸的量(A1,A2,A3)。这些预测的添加酸量会被传输到供液系统,供液系统根据预测的添加酸量在下一时间步添加酸。
为了训练这个深度LSTM模型,本实施例需要一份历史数据,这份数据应该包括过去的酸浓度,用户预设的目标浓度,以及实际添加的酸的量。本实施例可以使用这些数据训练模型,使得模型能够从这些数据中学习到铝蚀刻液的冰醋酸、硝酸和磷酸的控制规律。
具体的训练过程通常包括以下步骤:
S201前向传播:模型根据输入数据进行计算,生成预测的输出。
S202计算损失:模型将预测的输出与实际的数据进行比较,计算出预测错误的程度,这就是损失。
S203反向传播:模型根据损失计算出每个参数的梯度,然后使用这些梯度更新参数,以减小预测错误。
重复这个过程,模型的参数会不断优化,预测的效果也会逐渐提高,直到模型的预测效果满足要求,或者模型的参数不再显著变化。
此外,还可以对于长短期记忆(LSTM)模型200进行如下改良:
首先,本实施例可以针对铝蚀刻液中的特性,对LSTM模型进行了特别的训练。训练数据包括了大量的历史刻蚀液酸浓度数据,以及在不同浓度、温度、压力等条件下,添加酸后的实际浓度变化情况。这样训练出的模型,能够理解和预测出铝蚀刻液的酸浓度变化规律,以及添加酸对浓度变化的影响。
然后,本实施例在处理单元104中引入了一种动态调整的机制,使得模型能够根据实时的环境条件(如温度、压力等)和刻蚀液的实时状态,动态调整预测模型,实现更准确的酸添加量预测。
例如,假设在某个工作环境中,处理单元104接收到来自化学传感器102的实时浓度数据,同时也从其他传感器获取到环境条件数据,比如当前的温度是30摄氏度,压力是1大气压。此时的冰醋酸、硝酸和磷酸的浓度分别是C1,C2和C3。用户预设的目标浓度分别是T1,T2和T3。
处理单元104首先会利用训练好的LSTM模型,计算在当前的环境条件下,为了达到目标浓度T1,T2和T3,需要添加的酸的数量。这个计算的结果是基于训练数据集的平均环境条件进行预测的,可能并不完全适合当前的实际环境。
这时候,动态调整机制就会启动。这个机制会根据当前的实际环境条件,对预测模型进行微调。比如在温度较高时,可能会使酸的蒸发速度加快,这样就需要添加更多的酸才能达到目标浓度。反之,如果温度较低,蒸发速度就会慢一些,可能需要添加的酸的数量就会少一些。
同样,如果压力高于平均压力,酸的蒸发速度可能会变慢,需要添加的酸的数量可能会减少。反之,如果压力低于平均压力,酸的蒸发速度可能会加快,需要添加的酸的数量可能会增加。
“微调”在深度学习领域,通常是指在一个已经训练好的模型的基础上,根据新的数据或条件进行再训练或调整,以适应新的任务或环境。具体到这个问题,处理单元104可以采取以下方式来实现模型的微调:
(1)数据归一化:对于环境变量如温度和压力,它们可能会直接影响酸的蒸发速度和添加需求。因此,本实施例可以先将这些环境变量进行归一化处理,使其分布在一个合理的范围内(如0-1),然后将这些归一化后的环境变量作为输入的一部分,与浓度数据一同输入到模型中。这样,模型在进行预测时,就能够考虑到环境条件的影响。
(2)在线学习:在线学习是一种持续更新模型的策略。每当系统运行一段时间后,本实施例可以收集一些新的数据,包括当前的环境条件、当前的酸浓度、以及在这些条件下添加酸后的浓度变化情况。然后,本实施例可以用这些新的数据对模型进行再训练或微调,使模型能够更好地适应当前的环境。
(3)迁移学习:如果本实施例已经有了在不同环境条件下的训练模型,本实施例可以选择一个与当前环境条件最接近的模型,然后在此模型的基础上进行微调,以适应当前的环境。这就是所谓的迁移学习,它可以大大减少训练时间,提高模型的预测精度。
以上就是实现微调的一些可能的技术方法。具体采用哪种方法,需要根据实际的系统条件和需求来决定。
通过这种动态调整的机制,本实施例可以使模型更好地适应实际的工作环境,实现更准确的酸添加量预测。
供液系统106,用于根据处理单元的控制指令,将确定数量的酸添加到铝蚀刻液中。
供液系统106是铝蚀刻液冰醋酸、硝酸及磷酸比率控制系统中的关键组成部分,它负责按照处理单元的指令精确地将特定量的酸添加到刻蚀液中。此系统可能包括一个或多个计量泵,这些泵被设计用于精确地分配确定的酸量。对于每种类型的酸(冰醋酸、硝酸和磷酸),可能都有单独的计量泵,以便独立地控制每种酸的添加。
本实施例充分考虑了铝蚀刻液在添加酸后的混合和反应时间。例如,某些酸可能需要一段时间才能在刻蚀液中充分混合和反应。为此,本实施例设计一个延迟反馈机制:当处理单元发出添加酸的指令后,供液系统不是立即将酸添加到刻蚀液中,而是等待一个预设的延迟时间。这个延迟时间可以基于以往的数据和经验来设定,或者可以通过机器学习方法来自动调整。
延迟时间的设定可以根据以下步骤实现:
S2001数据收集:首先,本实施例需要收集一系列的实验数据,包括每次添加酸的时间、添加的酸的量、添加酸后铝蚀刻液的浓度变化等。这些数据可以通过本实施例的化学传感器和供液系统收集。
S2002建立模型:然后,本实施例可以使用这些数据来建立一个预测模型,该模型用于预测在特定的添加酸量下,铝蚀刻液的浓度会在多长时间内达到稳定。这个模型可以是一个回归模型,如线性回归或多项式回归,也可以是一个复杂的机器学习模型,如神经网络。对于回归模型,可以使用最小二乘法(Least Squares Method)等方法进行训练;对于神经网络,本实施例可以使用反向传播算法(Backpropagation)等方法进行训练。
以线性回归模型为例,假设添加酸量与达到稳定所需的时间之间的关系可以表示为:
T = a * A + b
其中,T是达到稳定所需的时间,A是添加的酸的量,a和b是需要通过训练来确定的参数。
S2003预测延迟时间:最后,当在实际操作中需要添加一定量的酸时,可以将这个量输入到这个模型中,模型会输出预测的达到稳定所需的时间,这个时间就是需要设置的延迟时间。
通过以上步骤,本实施例就可以根据以往的数据和经验,或者通过机器学习方法来自动调整延迟时间,从而更准确地控制酸的添加,提高刻蚀过程的效率和质量。
供液系统106还集成了一套自我诊断和保护机制。这套机制能够实时监测供液系统的工作状态,如微型泵的转速、阀门的开启状态等。当检测到任何异常时,如泵的转速低于预设值、阀门不能正确开启/关闭等,系统会自动启动保护程序,例如停止泵的工作、关闭阀门等,并将异常信息反馈给中央处理单元,以便进行故障诊断和维修。
供液系统中的自我诊断和保护机制是至关重要的组成部分,它保证了系统在出现故障或异常状况时能进行适当的响应,以防止对设备和人员的可能危害。具体包括的内容如下:
健康度监测:供液系统能够周期性地进行自我检查,测量和记录设备的关键参数,如泵的电流、电压、转速、阀门的开启/关闭次数等。系统通过对这些参数的长期监测,可以评估设备的健康度,并预测设备可能的故障。例如,如果泵的电流长期偏高,可能预示着泵即将发生故障。这种健康度监测功能能够帮助用户提前发现问题,进行预防性的维护和更换,降低系统的停机时间。
智能保护策略:在检测到异常状况时,系统不仅会采取保护措施,而且会根据故障的类型和严重程度,动态选择最合适的保护策略。例如,如果检测到泵的转速偏低,但还在正常范围之内,系统可能只是简单地提高泵的电压,以恢复正常的转速。但如果泵的转速严重低于正常值,系统可能会决定停止泵的工作,以防止可能的进一步损害。这种智能保护策略可以更有效地保护设备,延长设备的使用寿命。
故障诊断与远程支持:当系统检测到故障时,会自动将故障信息和设备的相关数据发送给中央处理单元,甚至远程的维护团队。通过对这些数据的分析,维护团队可以迅速确定故障的可能原因,提出解决方案,或者安排现场维护。这种功能大大提高了故障处理的效率,缩短了系统的停机时间。
用户接口108,用于向用户提供操作界面,显示实时数据和系统状态,允许用户设定酸的目标浓度。
用户接口108是铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统的重要部分,它为用户提供了一个人机交互的平台,使用户能够以直观、便捷的方式查看系统的实时状态,并进行相关操作。
本实施例提供的用户接口可以包括以下内容:
(1)实时数据图表:用户接口可以显示一个实时的数据图表,这个图表展示了冰醋酸、硝酸和磷酸的当前浓度,以及系统预测的未来几个时间步的浓度。这种可视化的方式可以让用户一目了然地看到刻蚀液中各种酸的变化趋势,以及系统预测的效果。
"未来几个时间步"这个概念在许多基于时间序列的预测模型中非常常见,如天气预报、股票价格预测、流量预测等。在本实施例的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统中,一个"时间步"可能对应一定的实际时间,例如一分钟、五分钟、十分钟等,这取决于系统设定和需求。
例如,如果设定一个时间步为一分钟,那么"未来几个时间步"就可能是未来几分钟。系统根据当前的浓度数据,以及过去一段时间的浓度变化趋势,利用长短期记忆(LSTM)神经网络进行预测,计算出未来每个时间步(例如未来每一分钟)中,冰醋酸、硝酸和磷酸的预测浓度。
这个预测结果可以在用户接口的实时数据图表上显示出来,用户可以看到未来一段时间内,这三种酸的浓度预计会如何变化,这有助于用户了解系统的工作状态,以及对未来的操作进行规划。
(2)警告和提示系统:当系统检测到可能的问题,如酸浓度突然增高或者供液系统出现故障等,用户接口会立即显示一个警告,并给出可能的解决建议。这个功能可以帮助用户及时发现和处理问题。
警告和提示系统在铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统中起到了非常关键的角色,尤其是在处理液体化学品和精密刻蚀过程中。为了更好地结合铝蚀刻液的特点,可以在警告和提示系统中还可以包括如下增强内容:
(2a)特定刻蚀阶段的预警: 考虑到铝刻蚀过程在不同阶段可能对冰醋酸、硝酸和磷酸的比例和浓度有不同的要求,警告和提示系统可以设置特定刻蚀阶段的预警。例如,当刻蚀进入某个特定阶段,如“精细刻蚀”阶段,而某种酸的浓度没有达到预设范围,系统会发出预警,并提示用户调整比率。
铝刻蚀过程可能涉及几个主要阶段,每个阶段可能需要不同的酸浓度和处理条件,以下是一个典型的例子:
预处理阶段: 这个阶段的目标是准备铝表面以便更好的刻蚀。这可能涉及清洁表面以移除油脂和其他污染物,然后用酸处理铝表面以产生一层均匀的氧化铝保护膜。在这个阶段,可能需要较低的酸浓度。
主刻蚀阶段: 这是实际进行铝刻蚀的阶段。在这个阶段,刻蚀液的酸浓度可能需要较高,以便快速并均匀地刻蚀铝表面。
过刻蚀阶段: 在主刻蚀阶段后,可能需要一个过刻蚀阶段以确保所有需要刻蚀的区域都被充分刻蚀。在这个阶段,酸浓度可能需要适度,既要确保刻蚀的进行,又要避免刻蚀过深。
清洗和中和阶段: 这是刻蚀过程的最后阶段,需要将铝表面上的剩余刻蚀液清洗干净,并使用中和剂中和表面上的酸性物质。在这个阶段,刻蚀液的酸浓度需要降低,甚至需要替换为中和液。
(2b)温度和压力异常预警: 在铝刻蚀过程中,温度和压力是影响刻蚀效果和酸浓度稳定性的重要因素。警告和提示系统可以实时监测温度和压力数据,一旦发现异常,比如温度过高或者压力突然下降,系统立即发出警告,并给出可能的原因和解决建议。
(2c)供液系统异常预警: 当供液系统发生故障,如供液管道堵塞,泵浦不工作等,系统将立即给出警告,并提示可能的故障原因和解决方法。
供液系统是整个铝蚀刻液控制系统中的重要部分,其稳定、准确的工作对于保证刻蚀过程的顺利进行至关重要。由于刻蚀液中含有冰醋酸、硝酸和磷酸等成分,这些成分可能在一定条件下引发化学反应,导致供液系统的管道堵塞或泵浦失效等问题。因此,系统应该包含一个实时监控供液系统工作状态的机制,一旦检测到异常,就立即给出警告,并提供可能的解决方案。
这种异常预警功能可以利用多种监测手段实现。例如,系统可以通过检测泵浦的工作电流或者管道中的压力变化来感知可能的故障。当电流异常增大或压力突然变化时,这可能意味着泵浦负载过大或管道发生堵塞。在这种情况下,系统会立即触发警报,并在用户接口上显示警告信息。警告信息中,系统不仅会指出问题出现的地方,还会给出可能的原因分析和解决建议。例如,如果是泵浦负载过大,可能建议检查泵浦是否需要维修或更换;如果是管道堵塞,可能建议检查管道是否需要清理。
此外,为了更好地适应铝蚀刻液的特性,系统还可以根据刻蚀液的具体组成和使用情况,进行更为精细的故障预测。例如,如果系统知道在某种特定的酸浓度和温度条件下,某种化学反应可能会加速,导致管道更容易堵塞,那么在这种条件下,系统可以提高对供液系统的监测频率,以便更早地发现可能的问题。这种根据实际情况动态调整监测策略的能力,不仅可以更有效地预防故障,还可以节省系统资源,实现更为智能、高效的管理。
(2d)预测模型误差过大预警: 本系统利用长短期记忆神经网络预测未来酸的添加量,当预测值与实际值误差过大时,警告系统会发出预警,提示用户检查是否存在其他影响刻蚀过程的因素,如环境条件突变、设备故障等。
预测模型误差过大预警是一个实用的功能,这不仅增加了系统的可靠性,也为用户提供了实时的反馈和参考信息。
在实施该功能时,处理单元会实时计算长短期记忆神经网络的预测值与化学传感器监测的实际值之间的误差。当误差超过预设阈值,例如超过某一百分比或绝对值时,系统将立即触发警告,并在用户接口上显示警告信息。
警告信息会提示用户检查可能的异常因素。例如,由于铝蚀刻液的浓度受温度、压力、湿度等环境因素影响,这些因素的突变可能导致预测误差增大。同时,设备的故障,如传感器故障、供液系统故障等,也可能影响刻蚀液的浓度,从而增加预测误差。系统可以分析最近的环境数据和设备状态数据,给出可能的异常因素和解决建议。
为了适应铝蚀刻液的特性,系统还可以针对具体的使用场景,进行更为精细的误差分析和处理。例如,系统可以根据历史数据,学习在哪些环境条件或设备状态下,预测误差更容易增大。当这些条件出现时,系统可以提前警告用户,或者自动调整预测模型,以减小可能的误差。
此外,系统还可以根据预测误差的大小和持续时间,自动调整预测模型的参数或结构。例如,如果误差持续较大,可能说明模型的某些部分不够准确,需要进行更新或优化。这种自适应的预测模型,可以更好地适应刻蚀液的变化,提高预测的准确性,从而保证刻蚀过程的稳定和效率。
(2e)刻蚀结果反馈与优化建议:用户接口还可以接收刻蚀结果的反馈信息,例如通过显微镜观察刻蚀的微观形貌等,根据反馈结果,系统可以提出优化刻蚀过程的建议,例如需要更改冰醋酸、硝酸和磷酸的比例,调整刻蚀过程的时间长度等。
刻蚀结果反馈与目标浓度调整功能,强调了实际刻蚀效果与用户期望之间的互动性,让系统更具有学习和自适应的能力。它的设计并不仅仅是根据化学动态数据进行预测,而是联动起用户的实际需求,使系统更加灵活和用户友好。
在实际操作中,用户通过用户接口输入刻蚀结果反馈,例如刻蚀形貌、刻蚀深度等。此外,用户还可以上传刻蚀后的零件图片,或者输入刻蚀过程中的其他关键信息,如刻蚀时间、零件材料类型等。
处理单元收到这些反馈后,会对LSTM模型进行优化调整。具体来说,可以采用强化学习的方式,将用户的反馈作为奖励信号,来调整模型的参数。如果刻蚀效果符合用户的期望,那么就给予正向的奖励,反之则给予负向的奖励。通过不断的迭代,LSTM模型会逐渐学习如何调整酸的目标浓度,以达到用户期望的刻蚀效果。
同时,系统还会结合铝蚀刻液的特点,例如,铝蚀刻液的浓度变化、环境条件变化等因素,动态调整刻蚀预测模型。例如,如果系统发现在特定的环境条件下,刻蚀效果与预测存在较大偏差,系统会自动调整模型,考虑这些因素的影响。
此外,系统也可以根据用户的反馈,推荐更适合的刻蚀参数,例如建议用户调整刻蚀液的温度或压力,或者建议用户更换不同种类的酸,以达到更好的刻蚀效果。这个功能可以帮助用户更好地理解刻蚀过程,并有效地控制刻蚀结果。
通过这种方式,不仅能够实现个性化的刻蚀控制,而且能够让系统持续学习和优化,最终达到最优的刻蚀效果。
通过以上的增强,警告和提示系统可以更全面地实现实时监控,及时发现问题,并为用户提供有效的解决方案,大大提高了铝刻蚀过程的安全性和准确性。
(3)酸浓度目标设置:用户接口提供一个界面,让用户输入他们希望达到的冰醋酸、硝酸和磷酸的目标浓度。输入界面可以设计得非常直观,例如可以用滑动条来设置目标浓度,让用户可以轻松地选择他们想要的浓度。
酸浓度目标设置是用户设定所需酸浓度的重要环节。为使得用户界面更加人性化,同时结合铝蚀刻液的特性,可以对这一功能作进一步的优化和创新。
首先,用户界面不仅提供简单的滑动条来设置目标浓度,还可以提供更加直观的图表或曲线来显示浓度随时间的变化。用户可以通过调整图表中的点或者曲线,直观地设定未来的酸浓度变化趋势。系统可以实时计算出对应的添加量,并反馈给用户。
其次,为了进一步方便用户,系统还可以提供一些预设的刻蚀流程模板,这些模板包含了一系列常见的刻蚀流程的酸浓度设定。用户可以直接选择这些模板,或者在模板的基础上进行微调。这不仅可以减少用户的操作负担,而且可以帮助不太熟悉刻蚀流程的用户快速上手。
再者,考虑到铝蚀刻液中的酸类型和比例会影响刻蚀效果,用户界面可以增加一个酸类型和比例的设置选项。用户可以自由地选择和调整冰醋酸、硝酸和磷酸的比例,系统会实时更新预测的刻蚀效果。
(4)历史数据回顾:用户接口可以提供一个功能,让用户查看过去一段时间的浓度数据和添加酸的历史记录。这个功能对于分析刻蚀液的历史变化、评估系统性能、以及进行未来的计划都非常有帮助。
历史数据回顾是一个重要的功能,它可以帮助用户理解过去刻蚀液浓度的变化趋势,评估系统性能,并依此进行后续的计划和优化。为此,可以进一步扩展这个功能,结合铝蚀刻液的特点,还包括以下内容:
(4a)多维度数据展示:在显示历史数据时,可以不仅限于冰醋酸、硝酸和磷酸的浓度,还可以包括其他影响刻蚀过程的参数,如温度、压力、刻蚀时间等。这样,用户可以从多个维度了解过去的刻蚀过程,更全面地分析和理解刻蚀效果。
(4b)数据对比分析:用户界面可以提供数据对比的功能,例如,用户可以选择两个不同的时间段,比较这两个时间段的刻蚀效果,或者比较实际刻蚀效果与预测效果的差距。这将有助于用户发现问题,改进刻蚀流程。
(4c)数据标注和注释:在查看历史数据时,用户可能需要记下某些重要的信息或者发现。因此,提供数据标注和注释的功能是非常必要的。例如,用户可以在图表上直接添加注释,解释某个数据点的特殊情况,或者记录改进的想法。
(4d)高级数据分析工具:为了让用户更好地分析和理解数据,用户界面可以提供一些高级的数据分析工具,如数据过滤、聚类分析、关联规则分析等。这些工具可以帮助用户从大量的历史数据中发现有用的信息和规律。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (8)
1.一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,该系统包括:
化学传感器,用于实时监测铝蚀刻液中的冰醋酸、硝酸和磷酸的浓度数据,并将浓度数据传输给处理单元;所述化学传感器被安装在一个可在液槽内移动的平台上,该平台使用模拟退火算法进行路径规划,实现对各区域的动态监测,具体包括:
在液槽中,将关键区域设置为待访问节点,初始化一个随机路径,即随机确定各节点的访问顺序;
设定模拟退火的初始温度T和终止温度T_min;
将路径的总长度定义为能量函数E;
在当前温度T下,随机选取一个节点,改变它的访问顺序,生成新的路径,并计算新路径和当前路径的能量差ΔE;
若ΔE<0,则接受新路径,否则,以概率exp(-ΔE/T)接受新路径;
按照T=αT降低温度T,其中0<α<1为降温系数;所述关键区域按照如下因素选取:
当温度T小于T_min时,算法终止,此时的路径被视为最优路径;其中,所述关键区域的选取考虑以下因素:
液槽的几何形状和尺寸;
刻蚀液的流动特性;
铝片的位置;
历史数据和操作人员的经验;
处理单元,用于根据传感器提供的浓度数据以及用户预设的酸的目标浓度,利用长短期记忆神经网络,确定需要添加的酸的数量,并控制供液系统进行添加;其中,对LSTM模型进行了特别训练,训练的数据包括了大量的历史刻蚀液酸浓度数据,以及在不同浓度、温度、压力条件下,添加酸后的实际浓度变化情况;
供液系统,用于根据处理单元的控制指令,将确定数量的酸添加到铝蚀刻液中;
用户接口,用于向用户提供操作界面,显示实时数据和系统状态,允许用户设定酸的目标浓度。
2.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述化学传感器基于微电极阵列技术实现。
3.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述处理单元进一步包括数据融合模块,用于将多个传感器提供的浓度数据融合为一个综合浓度数据,该数据融合模块采用加权平均策略,权重系数由各关键区域的特性决定,所述处理单元根据所述综合浓度数据以及用户预设的酸的目标浓度,利用长短期记忆神经网络,确定需要添加的酸的数量,并控制供液系统进行添加。
4.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述长短期记忆神经网络使用的训练数据包括过去的酸浓度,用户预设的目标浓度,以及实际添加的酸的数量。
5.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述长短期记忆神经网络能够根据实时环境条件行动态调整。
6.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述供液系统根据处理单元的指令进行酸的添加,并且考虑到供液系统的响应延迟。
7.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述供液系统具有自我诊断和保护机制,用于实时监测供液系统的工作状态,并根据检测到的异常启动保护程序,并将异常信息反馈给处理单元。
8.根据权利要求1所述的铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统,其特征在于,所述用户接口显示实时数据和系统状态,并允许用户设置目标浓度,且包含预测未来几个时间步的浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979821.3A CN116949452B (zh) | 2023-08-04 | 2023-08-04 | 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979821.3A CN116949452B (zh) | 2023-08-04 | 2023-08-04 | 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116949452A CN116949452A (zh) | 2023-10-27 |
CN116949452B true CN116949452B (zh) | 2024-03-08 |
Family
ID=88444432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979821.3A Active CN116949452B (zh) | 2023-08-04 | 2023-08-04 | 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116949452B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060080088A (ko) * | 2005-01-04 | 2006-07-07 | 엘지전자 주식회사 | 알루미늄 식각액의 관리방법 및 관리 시스템 |
JP2009266893A (ja) * | 2008-04-22 | 2009-11-12 | Hirama Rika Kenkyusho:Kk | エッチング液調合装置及びエッチング液濃度測定装置 |
JP2010261793A (ja) * | 2009-05-01 | 2010-11-18 | Kurabo Ind Ltd | 液体中の溶存物質含有量測定方法及び測定装置、並びに、エッチング液再生システム |
JP2012127004A (ja) * | 2012-02-13 | 2012-07-05 | Hirama Rika Kenkyusho:Kk | エッチング液管理装置 |
CN105845604A (zh) * | 2016-03-10 | 2016-08-10 | 深圳市华星光电技术有限公司 | 一种蚀刻过程中酸浓度的监控方法及系统 |
CN111996532A (zh) * | 2020-08-25 | 2020-11-27 | 福建天甫电子材料有限公司 | 一种用于电子级铝蚀刻液的制备装置及制备工艺 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109997034B (zh) * | 2016-09-30 | 2021-10-15 | 霍尼韦尔国际公司 | 用于电化学传感器中的电解质浓度测量的方法和设备 |
-
2023
- 2023-08-04 CN CN202310979821.3A patent/CN116949452B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060080088A (ko) * | 2005-01-04 | 2006-07-07 | 엘지전자 주식회사 | 알루미늄 식각액의 관리방법 및 관리 시스템 |
JP2009266893A (ja) * | 2008-04-22 | 2009-11-12 | Hirama Rika Kenkyusho:Kk | エッチング液調合装置及びエッチング液濃度測定装置 |
JP2010261793A (ja) * | 2009-05-01 | 2010-11-18 | Kurabo Ind Ltd | 液体中の溶存物質含有量測定方法及び測定装置、並びに、エッチング液再生システム |
JP2012127004A (ja) * | 2012-02-13 | 2012-07-05 | Hirama Rika Kenkyusho:Kk | エッチング液管理装置 |
CN105845604A (zh) * | 2016-03-10 | 2016-08-10 | 深圳市华星光电技术有限公司 | 一种蚀刻过程中酸浓度的监控方法及系统 |
CN111996532A (zh) * | 2020-08-25 | 2020-11-27 | 福建天甫电子材料有限公司 | 一种用于电子级铝蚀刻液的制备装置及制备工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN116949452A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Prognostics of PEM fuel cells based on Gaussian process state space models | |
Xie et al. | Prognostic for fuel cell based on particle filter and recurrent neural network fusion structure | |
Dovžan et al. | Implementation of an evolving fuzzy model (eFuMo) in a monitoring system for a waste-water treatment process | |
MacGregor et al. | Monitoring, fault diagnosis, fault-tolerant control and optimization: Data driven methods | |
US8032235B2 (en) | Model predictive control system and method for reduction of steady state error | |
US11402817B2 (en) | Life predicting device and machine learning device | |
WO2018004464A1 (en) | Large scale machine learning-based chiller plants modeling, optimization and diagnosis | |
Sharma et al. | Predicting uncertain behavior of industrial system using FM—A practical case | |
CN105264448A (zh) | 实时化学过程监测、评估和决策辅助方法 | |
KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
KR102131847B1 (ko) | 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 | |
CN113837356A (zh) | 基于融合神经网络的污水处理智能预测方法 | |
CN111090939A (zh) | 石化装置异常工况的预警方法和系统 | |
CN117111646B (zh) | 一种蚀刻液浓度自动控制系统 | |
CN115700324A (zh) | 一种瓦温预警的方法、装置和电子设备 | |
CN116949452B (zh) | 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 | |
Bouaziz et al. | Dependability of complex semiconductor systems: Learning Bayesian networks for decision support | |
Hitzmann et al. | An expert system approach for the control of a bioprocess. I: Knowledge representation and processing | |
Linkens et al. | Supervisory intelligent control using a fuzzy logic hierarchy | |
KR100340967B1 (ko) | 일반 회귀 신경망을 이용한 고장 검출 방법 | |
KR20190087095A (ko) | 풍력 터빈의 요 제어 방법 및 시스템 | |
Chen et al. | Improved Nonlinear Model Predictive Control | |
Wang | Remaining Useful Life Prediction of Proton Exchange Membrane Fuel Cell Based on Deep Learning | |
Alimohammadi et al. | Predict the remaining useful life in HVAC filters using a hybrid strategy | |
CN118089287B (zh) | 一种基于智能算法的冷水机能效优化系统 |
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 |