CN116949546A - 一种用于电容器引出线的清洗控制方法 - Google Patents
一种用于电容器引出线的清洗控制方法 Download PDFInfo
- Publication number
- CN116949546A CN116949546A CN202311204411.8A CN202311204411A CN116949546A CN 116949546 A CN116949546 A CN 116949546A CN 202311204411 A CN202311204411 A CN 202311204411A CN 116949546 A CN116949546 A CN 116949546A
- Authority
- CN
- China
- Prior art keywords
- formation
- batch
- effect
- containers
- quality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004140 cleaning Methods 0.000 title claims abstract description 19
- 239000003990 capacitor Substances 0.000 title claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 396
- 230000000694 effects Effects 0.000 claims abstract description 140
- 239000007788 liquid Substances 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims abstract description 50
- 239000000126 substance Substances 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000009467 reduction Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000002925 chemical effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000005238 degreasing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005261 decarburization Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES, LIGHT-SENSITIVE OR TEMPERATURE-SENSITIVE DEVICES OF THE ELECTROLYTIC TYPE
- H01G4/00—Fixed capacitors; Processes of their manufacture
- H01G4/002—Details
- H01G4/228—Terminals
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D21/00—Processes for servicing or operating cells for electrolytic coating
- C25D21/12—Process control or regulation
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D21/00—Processes for servicing or operating cells for electrolytic coating
- C25D21/16—Regeneration of process solutions
- C25D21/18—Regeneration of process solutions of electrolytes
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D5/00—Electroplating characterised by the process; Pretreatment or after-treatment of workpieces
- C25D5/10—Electroplating with more than one layer of the same or of different metals
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D5/00—Electroplating characterised by the process; Pretreatment or after-treatment of workpieces
- C25D5/34—Pretreatment of metallic surfaces to be electroplated
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D7/00—Electroplating characterised by the article coated
- C25D7/06—Wires; Strips; Foils
- C25D7/0607—Wires
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及引出线清洗控制技术领域，具体涉及一种用于电容器引出线的清洗控制方法。该方法包括：基于每个化成容器每批次的引出线化成前和化成后的电导率均值和氧化膜厚度均值获得化成效果因子；获得每个化成容器中每个批次的引出线的化成液质量因子；对不同化成容器进行分组；获得每个组别的化成容器中每批次的引出线的化成效果质量指数；利拟合获得化成液质量变化曲线；设定更换阈值，基于每个组别的化成液质量变化曲线和更换阈值确定更换化成液的时间。本发明能够准确的判断不同化成容器中化成液的质量，并根据化成液质量及时更换不同化成容器中化成液，从而保证引出线化成的化成清洗效果。
Description
技术领域
本发明涉及引出线清洗控制技术领域，具体涉及一种用于电容器引出线的清洗控制方法。
背景技术
电容器引出线作为端子插入印刷电路版上并焊接后使用的，它由两大类材料组成，一种叫镀锡铜包钢线，一种叫高纯铝线，引出线包括依次连接的成型部、铝线部和镀锡铜包钢线部，铝线部的一端与镀锡铜包钢线进行焊接固定，其另一端进行成型处理，形成成型部。
清洗处理过程：成型部依次进行脱碳清洗，脱脂处理和多次的电化学化成，得到所述化成引出线。脱碳清洗通常是在40-50℃下进行的，脱脂处理是在60-70℃下进行的。但这两个过程在整体工艺中不是主要环节。多次化成环节是引出线进行处理的重点，化成的好坏决定了最终的使用性能，目前效果较好的电化学化成处理方案为：将化成次数控制为4次，每次的化成电压依次升高，4次电压范围设定在350-700V，前三次的化成液成分与浓度相同，第四次化成液浓度较高，成分相同。由于电化学化成液是放在容器中，引出线会一批接着一批的进入到容器中进行化成处理，设定温度和时间，完成化成工序。但因化成液长时间反复的化成，使得化成液成分与化学性质发生了变化，化成效果会逐渐不理想。
目前并没有较好的直接检测化成液的质量的方法，但是为了保证引出线的化成的质量，需要及时的更换化成液，从而保证电容器的引出线的化成的质量，现有对化成液的更换通常都是固定时间进行更换，这种情况下无法有效判断化成液的质量，使得化成液更换效果不理想，从而使得引出线化成的化成质量不稳定。
发明内容
为了解决相关技术中无法有效判断化成液的质量，使得化成液更换效果不理想，从而使得引出线化成的化成质量不稳定的技术问题，本发明的目的在于提供一种用于电容器引出线的清洗控制方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于电容器引出线的清洗控制方法：获得不同化成容器中不同批次的引出线化成前和化成后的电导率均值；获得不同化成容器中不同批次的引出线化成前和化成后的氧化膜厚度均值；获得不同化成容器中不同批次的引出线化成后的漏电流量；
基于每个化成容器每批次的引出线化成前和化成后的电导率均值和氧化膜厚度均值获得化成效果因子；每个化成容器中每个批次的引出线的化成效果因子与第一批次的引出线的化成效果因子的比值为化成液质量因子；
利用不同化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量构建化成效果矩阵；基于不同化成容器之间的化成效果矩阵的差异对不同化成容器进行分组；
对每个组别的化成容器的化成效果矩阵进行降维获得每个组别的化成容器中每批次的引出线的化成效果质量指数；基于不同化成容器中各批次的引出线的化成效果质量利用GRU-ELMAN混合神经网络预测得到预测的化成效果质量指数；利用每个组别对应的化成容器的预测的化成效果质量指数拟合获得化成液质量变化曲线；设定更换阈值，基于每个组别的化成液质量变化曲线和更换阈值确定更换化成液的时间。
优选地，获得化成效果因子包括：获得每个化成容器中每批次化成的引出线的化成前的电导率均值与化成后的电导率均值的差值的绝对值；获得每个化成容器中每批次化成的引出线的化成前的氧化膜厚度均值和化成后的氧化膜厚度均值的差值的绝对值；所述引出线的化成前的电导率均值与化成后的电导率均值的差值的绝对值，引出线的化成前的氧化膜厚度均值和化成后的氧化膜厚度均值的差值的绝对值与化成效果因此成正相关关系。
优选地，构建化成效果矩阵包括：每个化成容器的化成效果矩阵中每行的元素分别为每个化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量，且每个化成效果矩阵的维数相等；化成效果矩阵中的每列元素为化成效果矩阵对应的化成容器中每个批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量。
优选地，基于不同化成容器之间的化成效果矩阵的差异对不同化成容器进行分组包括：计算各化成效果矩阵之间的明可夫斯基距离；利用K-medoids聚类算法基于各化成效果矩阵之间的明可夫斯基距离对各化成效果矩阵对应的化成容器进行分组。
优选地，获得每个组别的化成容器中每批次的引出线的化成效果质量指数包括：利用LDA降维算法将化成效果矩阵进行降维，降维后的化成效果矩阵只有一行，每列元素为化成容器中每批次的引出线的化成效果质量指数。
优选地，预测得到预测的化成效果质量指数包括：利用不同化成容器中各批次的引出线的化成效果指数训练GRU-ELMAN混合神经网络，输入每个化成容器中各批次的引出线的化成效果质量指数，输出预测的化成效果质量指数。
优选地，获得化成液质量变化曲线包括：获得每个组别不同的化成容器的预测的相同批次的化成效果质量指数的均值；利用每个组别不同的化成容器的预测的相同批次的化成效果质量指数的均值和对应的引出线的化成的批次进行拟合获得每个组别对应的化成溶液质量变化曲线；每个组别的化成容器对应的化成溶液质量变化曲线的横坐标为预测的引出线化成的批次，按照时序的顺序排列，纵坐标为预测的相同批次的化成效果质量指数的均值。
优选地，设定更换阈值，基于每个组别对应的化成液质量变化曲线和更换阈值确定更换化成液的时间包括：获得每个组别不同化成容器的第一批次的引出线的化成效果质量指数的均值，利用所述第一批次的引出线的化成效果质量指数的均值设定每个组别的更换阈值，且更换阈值小于第一批次的引出线的化成效果质量指数的均值；在每个组别对应的化成液质量变化曲线中获得与每个组别的更换阈值相同的纵坐标对应的引出线化成的批次，在进行完该批次引出线的化成后对化成容器中的化成液进行更换。
本发明实施例至少具有如下有益效果：本发明采集了每个批次引出线化成前和化成后的各项特征的变化情况，包含电导率，氧化膜厚度以及漏电流量，并建立化成效果矩阵，根据矩阵的差异进行分组，获得一个化成容器中一个批次的引出线的化成效果质量指数，并进行预测获得后续继续进行化成时化成效果质量指数的变化情况，获得每个组别的化成液质量变化曲线，基于曲线准确的判断出属于每个组别的化成容器中化成液的质量，及时控制化成液的更换，保证在进行引出线化成时，化成液的质量始终保持良好，从而不影响引出线的化成的效果。本发明能够准确的判断不同化成容器中化成液的质量，并根据化成液质量及时更换不同化成容器中化成液，从而保证引出线化成的化成清洗效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为一种用于电容器引出线的清洗控制方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于电容器引出线的清洗控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于电容器引出线的清洗控制方法的具体方案。
实施例1：
本发明的主要应用场景为：在对电容器的引出线进行化成的过程中，由于多批次的化成线在同一容器中进行化成，化成液的质量会不断的变差，为了保证引出线的化成的质量，需要通过引出线的化成质量分析达到对化成液的质量进行检测目的，从而控制化成液更换的时间，使得引出线有很好的化成效果。
请参阅图1，其示出了本发明一个实施例提供的一种用于电容器引出线的清洗控制方法的方法流程图，该方法包括以下步骤：
步骤1，获得不同化成容器中不同批次的引出线化成前和化成后的电导率均值；获得不同化成容器中不同批次的引出线化成前和化成后的氧化膜厚度均值；获得不同化成容器中不同批次的引出线化成后的漏电流量。
首先，本实施例中所有化成液容器中的化成液都是配比好的，皆为未使用状态，即可认为此时化成液质量正常。实际在进行化成的过程中放进化成容器中化成的引出线每批次的尺寸与数量相同，但是不同化成容器中放进的每批次的引出线的尺寸和数量是不相同的。本次针对的是第一次化成液的计算，后三次化成液的计算与控制方法相同。在脱脂处理完成后，经过清水漂洗烘干，测量此时的电导率、氧化膜厚度均值、漏电流，在引出线化成过程中引出线的这些指标会发生变化。
进一步的，测量引出线的电导率：使用电导率仪测量每批引出线，化成前的电导率和化成后的电导率。因每批引出线数量较多，因此采用抽检的方法，在每批化成的引出线中，找取5-10个引出线，本实施例中，随机选取6个引出线。分别计算化成前和化成后的电导率均值为。x表示不同的化成容器，t表示此化成容器中第几批次化成的引出线。
接着，测量引出线的氧化膜厚度均值：使用分体式涂层测厚仪测量每批引出线的化成前和化成后的氧化膜厚度均值。同样抽检上述测量电导率所选择的引出线，对抽检的引出线的计算化成前和化成后的氧化膜厚度进行计算分别获得化成前和化成后的氧化膜厚度均值。
然后，测量漏电流：使用漏电流测试仪测量每批引出线，化成后的漏电流量，同样用上述抽检的引出线，装配到电容器上，然后使用仪器测试出漏电流量。
因化成的引出线尺寸以及数量多少不同，因此即使相同化成溶液的不同化成容器内的化成液质量及化学性质变化情况也会不同，通过引出线化成效果的变化可以判断不同的化成容器中化成液的质量的变化。
步骤2，基于每个化成容器每批次的引出线化成前和化成后的电导率均值和氧化膜厚度均值获得化成效果因子；每个化成容器中每个批次的引出线的化成效果因子与第一批次的引出线的化成效果因子的比值为化成液质量因子。
首先，化成前后引出线的电导率、氧化膜厚度均值、漏电流会发生改变，因此化成效果因子可以看此几项指标的变化情况，获得一个化成容器中一个批次的引出线的化成效果因子：
其中，表示第x个化成容器中第t批次的引出线的化成效果因子；/>表示第x个化成容器中第t批次的引出线化成前的电导率均值；/>表示第x个化成容器中第t批次的引出线化成后的电导率均值；/>表示第x个化成容器中第t批次的引出线化成前的氧化膜厚度均值；/>表示第x个化成容器中第t批次的引出线化成后的氧化膜厚度均值。
其中式中第一项为第x容器中第t批次中的化成前电导率均值的电导率均值的差值次方，由于化成液的特性，引出线的电导率会发生变化，化成液的质量不同，则电导率的变化情况也会不同，当质量越好，电导率变化越大，同理氧化膜厚度相同。至此，当化成液效果越好，化成效果因子的值越大。
进一步的，随着不同批次的引出线进行化成，化成液的质量会不断的下降。获得不同化成容器中每个批次的化成液质量因子：
其中，表示第x个化成容器中第t批次的引出线化成后化成液质量因子；/>表示第x个化成容器中第t批次的引出线的化成效果因子；/>表示第x个化成容器中第1批次的引出线的化成效果因子。此数值为每次化成的化成效果因子与此容器中的初次化成效果因子之比，可以理解的是，/>不为0。
步骤3，利用不同化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量构建化成效果矩阵；基于不同化成容器之间的化成效果矩阵的差异对不同化成容器进行分组。
首先，因化成液的质量需要从多个方面的数据来做支撑，单一方面的数据不可靠。因此对于每个化成容器中的化成液需要构建一个化成效果矩阵来表示化成液的变化情况。
化成效果矩阵中的元素包括：一个化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量；其中，化成效果矩阵的具体形式为：
其中，每个化成容器的化成效果矩阵中每行的元素分别为每个化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量；不同化成容器对应的化成效果矩阵的维数是相同的，化成效果矩阵中的每列元素为化成效果矩阵对应的化成容器中每个批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量，利用化成效果矩阵更能综合体现出一个化成容器中的化成液的质量变化情况，表示第x个化成容器中第1批次的引出线的漏电流量。
进一步的，计算不同化成容器对应的化成效果矩阵之间的差异，利用化成效果矩阵之间的距离D来表征此差异，由于此矩阵是由多个不同量纲数据构成的。此处采用的是明可夫斯基距离Minkowski Distance，明可夫斯基距离是欧式距离的推广，是对多个距离度量公式的概括性的表述。
其中，表示两个不同化成容器对应的化成效果矩阵/>和/>之间的明可夫斯基距离，n表示矩阵的行数，/>和/>表示不同的元素，p为常数；当两个化成效果矩阵的距离越大时，可认为两个化成液容器化成的每批引出线的尺寸或数量不同，化成液的质量的变化过程也不相同，当两个矩阵的明可夫斯基距离接近0时，可认为这个两个化成液容器的化成的引出线尺寸及数量相同，化成液的质量的变化过程相同。
最后，由上述计算化成效果矩阵之间的距离D可知，不同容器之间的化成液质量变化情况是不同的，不同的原因是由于所化成的引出线的尺寸或数量是不同的。使用K-medoids聚类算法对多个化成容器的化成效果变化情况进行分组；本实施例使用K-medoids聚类算法的原因是K-means算法对异常值非常敏感，具有极大值的对象可能会产生严重扭曲的数据分布，因此使用K-medoids聚类算法，此算法是集群中位于最中心的对象，而不是将集群中的平均值作为参考点，分区的方法基于最小化每个对象与其参考点之间的不相似程度之和的原理进在数据样本D中随机选择m个数据样本作为参考点（质点），此数据样本为上述不同容器之间效果矩阵的明可夫斯基距离。重复地将剩下地样本点分配到m个簇类中。
随机选择一个非质点样本，计算交换对象和参考点，重复上一步的操作，产生新的一组簇类，计算目标函数U，当U小于0则将交换对象和参考点进行交换，保留新的簇类，否则保留原中心点和簇类。重复此步骤直到m个中心点不再变化。具体计算公式属公知技术，不再赘述。本实施例中将多个化成容器分为10个组别，即m=10，并认为此10组别涵盖了所有化成引出线的效果变化情况。
步骤4，对每个组别的化成容器的化成效果矩阵进行降维获得每个组别的化成容器中每批次的引出线的化成效果质量指数；基于不同化成容器中各批次的引出线的化成效果质量利用GRU-ELMAN混合神经网络预测得到预测的化成效果质量指数；利用每个组别对应的化成容器的预测的化成效果质量指数拟合获得化成液质量变化曲线；设定更换阈值，基于每个组别的化成液质量变化曲线和更换阈值确定更换化成液的时间。
首先，由上述构建化成效果矩阵过程可知，表示化成效果变化需要多个指标共同判断于决定，但由于指标过多，维数过高，后续数据不方便处理，运算复杂，因此需要基于上述矩阵建立一个化成效果质量指数。
这里需要说明时，通过对化成效果矩阵进行降维获得一个化成容器中每个批次的引出线对应的化成效果质量指数；对矩阵数据进行降维，目前降维算法主要分为三个类别，主要是监督类、非监督类、半监督类降维算法。LDA是一种监督类的经典的子空间判别算法，是众多降维算法中效果最好的一种，目前的LDA还有一些缺陷，比如降维对象中包含噪声，LDA的降维结果会受很大程度的影响；忽略局部几何信息，使数据在低维空间中失去原有特性，导致精度下降；在少量样本中会发生过拟合的问题，无法求解，效率下降。
本实施例使用了一种改进的LDA的降维算法：能够将解决上述的缺陷。此算法的主要过程，详细步骤属数学范畴，不再赘述：1.计算类均值向量；2.分别计算类间和类内散度矩阵；3.使用广义瑞利商公式计算最优变化矩阵；4.确定降维数，本实施例中降维到一维，也即是降维后的矩阵只有一行元素，此每个元素为每个批次的引出线对应的化成效果质量指数S，降维目的是便于后续计算，极大的减少了计算量，增加了反应速度，并且数据更准确。
至此将化成效果矩阵降维成了一维的化成效果质量指数S，通过此数值的变化能够明确看出化成液的变化情况，因化成液的质量变化是一个缓慢的过程，不可能每次化成后都进行引出线的各项指标测量，因此引出了一个化成效果质量指数S。关于化成效果质量指数S，化成效果质量指数S是5个指标维度通过LDA降维得到的一维指数，LDA降维的目的不会改变原有数据特征，只是减少维数，方便数据计算与分析。
进一步的，由上述求化成效果矩阵之间距离与分组过程可知，每个组的化成液的变化情况是不同的，即各组别的化成效果质量指数S的变化速度是不同的，因此需要根据采集计算的化成效果质量指数的变化情况进行预测，获得每个组别中不同化成容器的化成效果质量指数的变化情况预测未来化成效果质量指数S的变化趋势。S值在第一次化成时是最大值，然后越来越小。
使用GRU-ELMAN混合神经网络进行预测，RU为门控循环单元神经网络，作为LSTM的变体，GRU简化了LSTM的模型参数，保持了相同的预测效果并有了更好的收敛速度。LSTM有遗忘门、记忆门和输出门，GRU简化为重置门和更新门。ELMAN神经网络与传统的BP神经网络结构基本相似，在BP的基础上增加了一个承接层。
将GRU和ELMAN两种神经网络进行并行预测，能够提升预测模型的预测精确度和时效性、稳定性。选择一个组别中的不同的化成容器对应的各批次引出线的化成效果质量指数S作为训练样本对网络进行训练，其中将训练样本以8：2的比例分开，前8成作为模型的训练集，后2成作为测试集，将训练集放入神经网络进行训练，测试集测试预测的准确率，网络的损失函数为最大误差（ME）、均方根误差（RMSE），当损失函数收敛到平稳时，输出预测的化成效果质量指数。
最后，由于每个组别中的每个化成容器都会得到预测的化成效果质量指数，根据预测用每个组别对应的化成容器的预测的化成效果质量指数拟合获得化成液质量变化曲线用来直观的体现每个组别的化成容器中化成液的变化情况；获得每个组别不同的化成容器的预测的相同批次的化成效果质量指数的均值；利用每个组别不同的化成容器的预测的相同批次的化成效果质量指数的均值和对应的引出线的化成的批次进行拟合获得每个组别对应的化成溶液质量变化曲线；每个组别的化成容器对应的化成溶液质量变化曲线的横坐标为预测的引出线化成的批次，其中引出线化成的批次按照时序的顺序排列，一个批次的进出线化成完成才可以进行下一个批次的引出线化成，纵坐标为预测的相同批次的化成效果质量指数的均值。
通过每个组别的化成溶液质量变化曲线可以清晰看到每个组别的中化成容器中化成液的质量的变化，从而确定何时更换化成液。
设定更换阈值，获得每个组别不同化成容器的第一批次的引出线的化成效果质量指数的均值/>，利用所述第一批次的引出线的化成效果质量指数的均值设定每个组别的更换阈值/>，优选地，本实施例中/>；每个组别的更换阈值的值可能是不相同的，但是计算方法都是相同的，且更换阈值/>的设置由实施者根据实际情况进行设定。基于每个组别的更换阈值，在对应的每个组别的化成溶液质量变化曲线中获得与每个组别的更换阈值相等的纵坐标对应的横坐标，该横坐标为预测的进行化成的批次，若更换阈值刚好对应化成液质量变化曲线中一个批次对应的横坐标，则在化成液在进行到该批次的引出线的化成后需要更换化成液；更换阈值对应化成液质量变化曲线中一个批次对应的横坐标在两个批次之间，则进行完两个批次之间中前一批次引出线的化成后更换化成液。
上述各个化成液容器所化成的引出线尺寸以及数量不能更换，如果更换则预测将不准确，若后续有新增的引出线尺寸或数量，即初始化此模型，重新采集与计算，步骤相同。
Claims (8)
1.一种用于电容器引出线的清洗控制方法，其特征在于，该方法包括：
获得不同化成容器中不同批次的引出线化成前和化成后的电导率均值；获得不同化成容器中不同批次的引出线化成前和化成后的氧化膜厚度均值；获得不同化成容器中不同批次的引出线化成后的漏电流量；
基于每个化成容器每批次的引出线化成前和化成后的电导率均值和氧化膜厚度均值获得化成效果因子；每个化成容器中每个批次的引出线的化成效果因子与第一批次的引出线的化成效果因子的比值为化成液质量因子；
利用不同化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量构建化成效果矩阵；基于不同化成容器之间的化成效果矩阵的差异对不同化成容器进行分组；
对每个组别的化成容器的化成效果矩阵进行降维获得每个组别的化成容器中每批次的引出线的化成效果质量指数；基于不同化成容器中各批次的引出线的化成效果质量利用GRU-ELMAN混合神经网络预测得到预测的化成效果质量指数；利用每个组别对应的化成容器的预测的化成效果质量指数拟合获得化成液质量变化曲线；设定更换阈值，基于每个组别的化成液质量变化曲线和更换阈值确定更换化成液的时间。
2.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述获得化成效果因子包括：获得每个化成容器中每批次化成的引出线的化成前的电导率均值与化成后的电导率均值的差值的绝对值；获得每个化成容器中每批次化成的引出线的化成前的氧化膜厚度均值和化成后的氧化膜厚度均值的差值的绝对值；所述引出线的化成前的电导率均值与化成后的电导率均值的差值的绝对值，引出线的化成前的氧化膜厚度均值和化成后的氧化膜厚度均值的差值的绝对值与化成效果因此成正相关关系。
3.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述构建化成效果矩阵包括：每个化成容器的化成效果矩阵中每行的元素分别为每个化成容器中各批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量，且每个化成效果矩阵的维数相等；化成效果矩阵中的每列元素为化成效果矩阵对应的化成容器中每个批次的引出线的化成效果因子、化成液质量因子、化成后的电导率均值、氧化膜厚度均值和漏电流量。
4.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述基于不同化成容器之间的化成效果矩阵的差异对不同化成容器进行分组包括：计算各化成效果矩阵之间的明可夫斯基距离；利用K-medoids聚类算法基于各化成效果矩阵之间的明可夫斯基距离对各化成效果矩阵对应的化成容器进行分组。
5.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述获得每个组别的化成容器中每批次的引出线的化成效果质量指数包括：利用LDA降维算法将化成效果矩阵进行降维，降维后的化成效果矩阵只有一行，每列元素为化成容器中每批次的引出线的化成效果质量指数。
6.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述预测得到预测的化成效果质量指数包括：利用不同化成容器中各批次的引出线的化成效果指数训练GRU-ELMAN混合神经网络，输入每个化成容器中各批次的引出线的化成效果质量指数，输出预测的化成效果质量指数。
7.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述获得化成液质量变化曲线包括：获得每个组别不同的化成容器的预测的相同批次的化成效果质量指数的均值；利用每个组别不同的化成容器的预测的相同批次的化成效果质量指数的均值和对应的引出线的化成的批次进行拟合获得每个组别对应的化成溶液质量变化曲线；每个组别的化成容器对应的化成溶液质量变化曲线的横坐标为预测的引出线化成的批次，按照时序的顺序排列，纵坐标为预测的相同批次的化成效果质量指数的均值。
8.根据权利要求1所述的一种用于电容器引出线的清洗控制方法，其特征在于，所述设定更换阈值，基于每个组别对应的化成液质量变化曲线和更换阈值确定更换化成液的时间包括：获得每个组别不同化成容器的第一批次的引出线的化成效果质量指数的均值，利用所述第一批次的引出线的化成效果质量指数的均值设定每个组别的更换阈值，且更换阈值小于第一批次的引出线的化成效果质量指数的均值；在每个组别对应的化成液质量变化曲线中获得与每个组别的更换阈值相同的纵坐标对应的引出线化成的批次，在进行完该批次引出线的化成后对化成容器中的化成液进行更换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311204411.8A CN116949546B (zh) | 2023-09-19 | 2023-09-19 | 一种用于电容器引出线的清洗控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311204411.8A CN116949546B (zh) | 2023-09-19 | 2023-09-19 | 一种用于电容器引出线的清洗控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116949546A true CN116949546A (zh) | 2023-10-27 |
| CN116949546B CN116949546B (zh) | 2023-12-26 |
Family
ID=88442782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311204411.8A Active CN116949546B (zh) | 2023-09-19 | 2023-09-19 | 一种用于电容器引出线的清洗控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116949546B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1490046A (en) * | 1976-04-22 | 1977-10-26 | Sprague Electric Co | Electrolytic processes and devices |
| KR20020084961A (ko) * | 2001-05-03 | 2002-11-16 | 파츠닉(주) | 계면 활성제가 포함된 탄탈 전해 캐패시터의 전해액 제조 방법 |
| JP2004047640A (ja) * | 2002-07-10 | 2004-02-12 | Rohm Co Ltd | 固体電解コンデンサにおけるコンデンサ素子及びこのコンデンサ素子の製造方法並びにこのコンデンサ素子を用いた固体電解コンデンサ |
| CN101263568A (zh) * | 2005-09-13 | 2008-09-10 | H.C.施塔克有限公司 | 电解质电容器的制备方法 |
| CN105914040A (zh) * | 2016-06-06 | 2016-08-31 | 南通南铭电子有限公司 | 一种用于固态电容器的化成引出线及其制作方法 |
| CN106952749A (zh) * | 2017-04-28 | 2017-07-14 | 南通南铭电子有限公司 | 电容器引出线化成液温度控制装置及其温度控制方法 |
| CN111719178A (zh) * | 2020-07-02 | 2020-09-29 | 橙河微系统科技(上海)有限公司 | 一种三维微区电化学沉积控制方法及其适配系统 |
| CN114156087A (zh) * | 2021-11-26 | 2022-03-08 | 佛山市三水日明电子有限公司 | 高电压引线式固体铝电解电容器的制造方法 |
| CN114819767A (zh) * | 2022-06-28 | 2022-07-29 | 南通南铭电子有限公司 | 一种电容器引出线化成质量检测方法 |
-
2023
- 2023-09-19 CN CN202311204411.8A patent/CN116949546B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1490046A (en) * | 1976-04-22 | 1977-10-26 | Sprague Electric Co | Electrolytic processes and devices |
| KR20020084961A (ko) * | 2001-05-03 | 2002-11-16 | 파츠닉(주) | 계면 활성제가 포함된 탄탈 전해 캐패시터의 전해액 제조 방법 |
| JP2004047640A (ja) * | 2002-07-10 | 2004-02-12 | Rohm Co Ltd | 固体電解コンデンサにおけるコンデンサ素子及びこのコンデンサ素子の製造方法並びにこのコンデンサ素子を用いた固体電解コンデンサ |
| CN101263568A (zh) * | 2005-09-13 | 2008-09-10 | H.C.施塔克有限公司 | 电解质电容器的制备方法 |
| CN102568830A (zh) * | 2005-09-13 | 2012-07-11 | H.C.施塔克有限公司 | 电解质电容器的制备方法 |
| CN105914040A (zh) * | 2016-06-06 | 2016-08-31 | 南通南铭电子有限公司 | 一种用于固态电容器的化成引出线及其制作方法 |
| CN106952749A (zh) * | 2017-04-28 | 2017-07-14 | 南通南铭电子有限公司 | 电容器引出线化成液温度控制装置及其温度控制方法 |
| CN111719178A (zh) * | 2020-07-02 | 2020-09-29 | 橙河微系统科技(上海)有限公司 | 一种三维微区电化学沉积控制方法及其适配系统 |
| CN114156087A (zh) * | 2021-11-26 | 2022-03-08 | 佛山市三水日明电子有限公司 | 高电压引线式固体铝电解电容器的制造方法 |
| CN114819767A (zh) * | 2022-06-28 | 2022-07-29 | 南通南铭电子有限公司 | 一种电容器引出线化成质量检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116949546B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112926144B (zh) | 一种多应力加速寿命试验耦合效应分析及寿命预测方法 | |
| CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
| CN107885928B (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
| CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
| CN109916964A (zh) | 燃料电池阻抗标定方法 | |
| CN113987985A (zh) | 基于忆阻器交叉阵列神经网络加速器热效应优化方法 | |
| CN116949546B (zh) | 一种用于电容器引出线的清洗控制方法 | |
| CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
| CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
| CN115186592A (zh) | 功率半导体模块的寿命预测方法、终端设备及存储介质 | |
| CN116259797A (zh) | 固体氧化物燃料电池系统的健康评估与预测方法及其系统 | |
| CN109523077A (zh) | 一种风电功率预测方法 | |
| US20230253919A1 (en) | Method for identifying parameters of single-diode photovoltaic cells | |
| CN115629314B (zh) | 基于改进Jaya的电池参数与状态联合估计方法及系统 | |
| CN114859249B (zh) | 一种电池包容量的检测方法和装置 | |
| CN112966827B (zh) | 一种存储器开发过程中的良品率预测方法 | |
| CN114968992A (zh) | 数据识别清洗及补偿方法、装置、电子设备及存储介质 | |
| CN117574296B (zh) | 电镀槽液流分布的检测系统及其方法 | |
| CN114778770B (zh) | 染色方法、阳极系统及计算机可读存储介质 | |
| CN114646891B (zh) | 一种结合lstm网络和维纳过程的剩余寿命预测方法 | |
| CN117538759B (zh) | 锂离子电池直流内阻高通量获取方法 | |
| CN117214650B (zh) | 一种二极管综合性能智能检测方法及系统 | |
| Liu et al. | Capacity Prediction Method of Lithium‐Ion Battery in Production Process Based on Improved Random Forest | |
| CN114636936B (zh) | 一种铅酸电池充电阶段soc预测曲线的修正方法及装置 | |
| CN118017066B (zh) | 退役电池包梯次利用控制方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240207 Address after: Madian Town Tangjia Village, Huimin County, Binzhou City, Shandong Province, 251700 Patentee after: Shandong Yuanyang Paper Box Packaging Co.,Ltd. Country or region after: China Address before: 251700 Houtun village, Madian Town, Huimin County, Binzhou City, Shandong Province Patentee before: Binzhou Huayi Electrical Equipment Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |