CN117046692B - 一种半导体快速涂胶方法及系统 - Google Patents

一种半导体快速涂胶方法及系统 Download PDF

Info

Publication number
CN117046692B
CN117046692B CN202311317565.8A CN202311317565A CN117046692B CN 117046692 B CN117046692 B CN 117046692B CN 202311317565 A CN202311317565 A CN 202311317565A CN 117046692 B CN117046692 B CN 117046692B
Authority
CN
China
Prior art keywords
gluing
parameter
gluing process
historical
process parameters
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
Application number
CN202311317565.8A
Other languages
English (en)
Other versions
CN117046692A (zh
Inventor
郑剑华
苏建国
张元元
孙彬
朱建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Hualong Microelectronics Co ltd
Original Assignee
Nantong Hualong Microelectronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Hualong Microelectronics Co ltd filed Critical Nantong Hualong Microelectronics Co ltd
Priority to CN202311317565.8A priority Critical patent/CN117046692B/zh
Publication of CN117046692A publication Critical patent/CN117046692A/zh
Application granted granted Critical
Publication of CN117046692B publication Critical patent/CN117046692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D1/00—Processes for applying liquids or other fluent materials
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
    • B05C11/10—Storage, supply or control of liquid or other fluent material; Recovery of excess liquid or other fluent material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种半导体快速涂胶方法及系统，涉及半导体技术领域，该方法包括：生成Y个密集偏离系数；获得第一补偿约束条件；构建历史参数记忆库；基于第一补偿约束条件，构建参数选择阈值库；构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，生成Q个参数微调步长；生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，获得L个局部涂胶工艺参数；若否获得M个全局涂胶工艺参数；获得最优涂胶工艺参数，按照最优涂胶工艺参数进行目标半导体的涂胶。本发明解决了现有技术中半导体涂胶效率低，涂胶质量不稳定的技术问题，达到了优化涂胶过程中的各项参数，提升半导体涂胶质量和速度的技术效果。

Description

一种半导体快速涂胶方法及系统
技术领域
本发明涉及半导体技术领域，具体涉及一种半导体快速涂胶方法及系统。
背景技术
在半导体的制造过程中，光刻胶的涂覆是关键步骤之一。目前的涂胶过程中，主要存在涂胶利用率不高，均匀程度不能满足要求的情况。虽然现在也有技术人员利用人工智能的方法通过对涂胶的经验参数选择进行学习，但是由于学习数据过于片面，且忽略了涂胶环境对涂胶效果的影响，因此，导致涂胶效率仍不能满足要求。现有技术中半导体涂胶效率低，涂胶质量不稳定的技术问题。
发明内容
本申请提供了一种半导体快速涂胶方法及系统，用于针对解决现有技术中半导体涂胶效率低，涂胶质量不稳定的技术问题。
鉴于上述问题，本申请提供了一种半导体快速涂胶方法及系统。
本申请的第一个方面，提供了一种半导体快速涂胶方法，所述方法包括：
获取目标半导体的预设涂胶要求，生成第一涂胶约束条件；
采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对所述Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数；
利用所述Y个密集偏离系数对所述第一涂胶约束条件进行补偿，获得第一补偿约束条件；
调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数；
基于所述第一补偿约束条件，构建参数选择阈值库，其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间；
构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应；
生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P；
若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数；
根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。
本申请的第二个方面，提供了一种半导体快速涂胶系统，所述系统包括：
涂胶约束条件生成模块，用于获取目标半导体的预设涂胶要求，生成第一涂胶约束条件；
密集偏离系数生成模块，用于采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对所述Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数；
补偿约束条件获得模块，用于利用所述Y个密集偏离系数对所述第一涂胶约束条件进行补偿，获得第一补偿约束条件；
参数记忆库构建模块，用于调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数；
选择阈值库构建模块，用于基于所述第一补偿约束条件，构建参数选择阈值库，其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间；
微调步长生成模块，用于构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应；
局部涂胶工艺参数获得模块，用于生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P；
全局涂胶工艺参数获得模块，用于若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数；
涂胶模块，用于根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。
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：
本申请通过获取目标半导体的预设涂胶要求，生成第一涂胶约束条件，然后采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数，利用Y个密集偏离系数对第一涂胶约束条件进行补偿，获得第一补偿约束条件，然后调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数，基于第一补偿约束条件，构建参数选择阈值库，其中，参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间，进而构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应，然后生成P个随机步调阈值，分别判断P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P，若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数，进而根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照最优涂胶工艺参数进行目标半导体的涂胶。达到了优化涂胶过程中的各项参数，提升半导体涂胶质量和速度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1为本申请实施例提供的一种半导体快速涂胶方法流程示意图；
图2为本申请实施例提供的一种半导体快速涂胶方法中生成Y个密集偏离系数的流程示意图；
图3为本申请实施例提供的一种半导体快速涂胶方法中获得Q个参数微调步长的流程示意图；
图4为本申请实施例提供的一种半导体快速涂胶系统结构示意图。
附图标记说明：涂胶约束条件生成模块11，密集偏离系数生成模块12，补偿约束条件获得模块13，参数记忆库构建模块14，选择阈值库构建模块15，微调步长生成模块16，局部涂胶工艺参数获得模块17，全局涂胶工艺参数获得模块18，涂胶模块19。
具体实施方式
本申请通过提供了一种半导体快速涂胶方法及系统，用于针对解决现有技术中半导体涂胶效率低，涂胶质量不稳定的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种半导体快速涂胶方法，其中，所述方法包括：
S100：获取目标半导体的预设涂胶要求，生成第一涂胶约束条件；
在一个可能的实施例中，所述目标半导体为任意一个需要进行光刻胶涂覆的半导体。所述预设涂胶要求为目标半导体进行光刻胶涂覆后需要满足的要求，包括涂胶厚度、涂胶宽度、涂胶气泡、喷胶点数、喷射位置精度等。将所述预设涂胶要求作为第一涂胶约束条件，其中，所述第一涂胶约束条件用于对半导体的涂胶过程中涂胶后需要满足的质量情况进行约束。达到了提高涂胶的准确性，缩小后续涂胶工艺参数寻优范围，提高寻优效率的技术效果。
S200：采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对所述Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数；
进一步的，如图2所示，本申请实施例步骤S200还包括：
基于涂胶控制模块调取所述预设监测窗口内Y个涂胶设备的预设设备参数集合；
遍历所述Y个设备参数集合与预设设备参数集合进行偏离映射，获得Y个设备差值集合；
分别对Y个设备差值集合进行密集偏离分析，生成Y个密集偏离系数。
进一步的，本申请实施例步骤S200还包括：
从所述Y个设备差值集合中随机选取一个设备差值集合，作为第一设备差值集合，并基于所述第一设备差值集合生成第一设备粒子空间，其中，所述第一设备粒子空间中每一个粒子对应一个设备差值；
计算所述第一设备粒子空间中多个粒子的中心粒子，将其作为起始粒子；
将所述起始粒子按照预设移动步长在所述第一设备粒子空间中进行移动，利用迭代移动公式，获得迭代粒子；
判断所述起始粒子的密度是否大于所述迭代粒子的密度，若是，则按照一定的概率接受所述迭代粒子作为阶段中心粒子，若否，则将迭代粒子作为阶段中心粒子，经过多次迭代，获得多个阶段中心粒子；
将所述多个阶段中心粒子中密度最大值对应的阶段中心粒子作为目标中心粒子；
计算到目标中心粒子的距离在预设移动步长范围内的多个粒子对应的设备差值的均值，并将均值比上对应的预设设备参数，生成第一密集偏离系数；
根据Y个设备差值集合，生成Y个密集偏离系数。
进一步的，本申请实施例步骤S200还包括：
迭代移动公式为：
；
其中，为阶段中心粒子对应的设备差值，/>为高斯函数，i为第一设备粒子空间中到起始粒子的距离为预设移动步长的粒子数量，i为大于等于1的整数，/>为第一设备粒子空间中到起始粒子的距离为预设移动步长的粒子中第i个粒子的设备差值，/>为起始粒子的设备差值。
在一个可能的实施例中，采集在预设监测窗口内的Y个涂胶设备的设备参数值，生成所述Y个设备参数集合。其中，所述预设监测窗口为本领域技术人员预先设置进行设备参数偏离分析的时间段，可以是6个小时、12个小时等。所述Y个设备参数集合反映了Y个涂胶设备在预设监测窗口内的参数波动变化情况。Y个密集偏离系数反映了Y个涂胶设备执行预设设备参数集合中的参数时，实际涂胶过程中，设备参数与预设设备参数的偏离情况。通过对Y个设备参数集合进行密集偏离分析，实现以最能够代表Y个涂胶设备参数波动偏向的设备参数分析涂胶设备的参数偏离程度的目标，达到了从涂胶设备的维度分析设备参数的偏离情况，为提升涂胶质量和提高涂胶效率，降低涂胶不合格率和返工率做铺垫的技术效果。
在本申请的实施例中，所述涂胶控制模块是用于对所述Y个涂胶设备的参数进行控制调整的功能模块。通过以预设设备参数为索引对所述涂胶控制模块进行数据检索，获得Y个涂胶设备的预设设备参数集合。其中，所述预设设备参数集合为进行目标半导体涂胶时对Y个涂胶设备设置的设备参数。对Y个设备参数集合中的每个设备参数集合分别与对应的预设设备参数集合进行偏离映射，也就是进行参数差值计算，从而获得Y个设备差值集合。其中，Y个设备差值集合反映了实际涂胶过程中Y个涂胶设备执行参数与预设设备参数集合之间的差值情况。进而，分别对Y个设备差值集合进行密集偏离分析，从而获得Y个密集偏离系数。
优选的，从所述Y个设备差值集合中随机选取一个设备差值集合，作为第一设备差值集合，并基于所述第一设备差值集合生成第一设备粒子空间，其中，所述第一设备粒子空间中每一个粒子对应一个设备差值。可选的，所述第一设备粒子空间为二维空间，空间中每个坐标点对应一个设备差值，因此第一设备差值集合在所述第一设备粒子空间中对应多个粒子，每个粒子标识有对应的设备差值。进而，计算所述第一设备粒子空间中多个粒子的中心粒子，也就是通过计算多个粒子的坐标点均值，将均值对应的坐标点作为起始粒子。进而，将所述起始粒子按照预设移动步长在所述第一设备粒子空间中进行移动，利用迭代移动公式，获得迭代粒子。其中，所述预设移动步长为本领域技术人员预先设置的起始粒子在第一设备粒子空间中移动的距离。所述迭代移动公式用于对第一设备粒子空间中考虑粒子密集的基础上，确定空间中心点的公式。
优选的，获取所述第一设备粒子空间中到起始粒子的距离为预设移动步长的多个粒子数量，计算多个粒子数量比上多个粒子的外围粒子构成的区域面积的比值，将计算结果作为起始粒子的密度。进而，基于同样的方法，计算迭代粒子的密度。通过判断所述起始粒子的密度是否大于所述迭代粒子的密度，若是，则按照一定的概率接受所述迭代粒子作为阶段中心粒子，若否，则将迭代粒子作为阶段中心粒子，经过多次迭代，获得多个阶段中心粒子。进而，将所述多个阶段中心粒子中密度最大值对应的阶段中心粒子作为目标中心粒子。其中，所述目标中心粒子为所述第一设备粒子空间中考虑密度因素后最能代表空间中多个粒子的中心粒子。进而，计算到目标中心粒子的距离在预设移动步长范围内的多个粒子对应的设备差值的均值，并将均值比上对应的预设设备参数，生成第一密集偏离系数。基于同样的方法，根据Y个设备差值集合，生成Y个密集偏离系数。
S300：利用所述Y个密集偏离系数对所述第一涂胶约束条件进行补偿，获得第一补偿约束条件；
在一个实施例中，通过利用Y个密集偏离系数对所述第一涂胶约束条件进行补偿，也就是说，利用所述Y个密集偏离系数的均值，对第一涂胶约束条件进行缩小，降低第一涂胶约束条件的宽容范围，从而弥补由于设备偏离导致的涂胶质量问题。其中，所述第一补偿约束条件为考虑设备参数偏离后，对涂胶过程进行约束的条件。
S400：调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数；
在一个可能的实施例中，通过调取涂胶控制模块中在历史时间段内进行的历史涂胶记录数据，通过以涂胶工艺参数为索引，对历史涂胶记录数据进行检索，根据检索结果，获得所述历史参数记忆库。其中，所述历史参数记忆库为设备选用过的参数存储数据库。其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数。其中，Q个涂胶工艺参数包括涂胶时间、涂胶速度、涂胶厚度、涂胶宽度、喷胶点数等参数。
S500：基于所述第一补偿约束条件，构建参数选择阈值库，其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间；
在一个实施例中，根据所述第一补偿约束条件结合Y个涂胶设备的生产能力确定每个工艺参数可以选择的范围，生成所述参数选择阈值库。示例性的，参数选择阈值可以是，涂胶厚度的范围在0.3mm~0.5mm。其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间。
S600：构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应；
进一步的，如图3所示，本申请实施例步骤S600还包括：
获取Q个涂胶工艺参数具有映射影响关系的Q个涂胶设备集合；
基于Q个涂胶设备集合匹配Y个密集偏离系数，获得Q个密集偏离系数集合；
分别计算Q个密集偏离系数集合的密集偏离系数之和与Q个密集偏离系数集合中系数总和的比值的倒数，获得Q个参数微调步长。
在一个实施例中，构建所述Y个涂胶设备和Q个涂胶工艺参数的映射影响关系，也就是根据Y个涂胶设备的工作用途，确定影响的涂胶工艺参数。示例性的，喷射阀的喷射角度影响喷射位置精度，旋转装置的平稳性影响涂胶的均匀度等。根据映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，所述Q个参数微调步长为每个涂胶工艺参数进行参数优化的过程中，可以进行调整的幅度，涂胶工艺参数受设备偏离影响越大，对应的参数微调步长越小，避免加大误差。
优选的，通过确定影响Q个涂胶工艺参数的Q个涂胶设备集合，可以根据涂胶工艺参数相关的设备参数确定具有映射影响关系的涂胶设备。进而，根据Q个涂胶设备集合与Y个密集偏离系数进行匹配，获得Q个密集偏离系数集合。分别计算Q个密集偏离系数集合的密集偏离系数之和与Q个密集偏离系数集合中系数总和的比值的倒数，获得Q个参数微调步长。
S700：生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P；
S800：若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数；
进一步的，本申请实施例步骤S700还包括：
从所述历史参数记忆库中随机获取第一历史涂胶工艺参数，并根据Q个参数微调步长对所述第一历史涂胶工艺参数进行随机调整，获得第一历史涂胶工艺微调参数集合；
从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数利用合格率识别网络层进行涂胶合格率分析，获得第一历史涂胶合格率；
再次从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数合格率识别网络层进行涂胶合格率分析，获得第二历史涂胶合格率；
判断所述第一历史涂胶合格率是否小于所述第二历史涂胶合格率，若是，则第二历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数，若否，则将第一历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数；
经过多次迭代，直至满足预设迭代次数，生成第一局部涂胶工艺参数；
经过L次参数寻优，获得L个局部涂胶工艺参数。
进一步的，本申请实施例步骤S700还包括：
获取多个样本涂胶工艺参数、多个样本涂胶合格率作为训练数据，并对多个样本涂胶合格率进行数据标识处理；
将训练数据均分为n组训练数据，依次利用n组训练数据对前馈神经网络进行训练，并利用数据标识处理后的多个样本涂胶合格率对训练过程进行监督，根据输出误差对前馈神经网络的参数进行更新，并利用下一组训练数据对更新后的前馈神经网络进行训练，直至输出达到收敛，获得训练完成的合格率识别网络层。
在一个可能的实施例中，通过利用随机步调阈值生成公式经过P次计算，生成P个随机步调阈值。其中，所述随机步调阈值为确定在历史参数记忆库中进行局部参数寻优，还是在参数选择阈值库中进行全局参数寻优的数值。由此，实现了在提高寻优速度的基础上，避免陷入局部最优解的目标。
优选的，所述随机步调阈值生成公式为：。其中，/>为自由步调距离，/>为服从正态分布的参数，/>，/>为服从标准正态分布的参数，/>，，/>大于0小于2的经验参数，取1.5。所述预设步调阈值为本领域技术人员设置的进行全局寻优时的最小步调阈值。当P个随机步调阈值大于预设步调阈值时，根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数。其中，L个局部涂胶工艺参数为在历史参数记忆库进行L次寻优后，每次寻优获得的局部涂胶工艺参数。
在一个实施例中，从所述历史参数记忆库中随机获取第一历史涂胶工艺参数，并根据Q个参数微调步长对所述第一历史涂胶工艺参数进行随机调整，获得第一历史涂胶工艺微调参数集合。优选的，在调整过程中，对所述第一历史涂胶工艺参数进行随机数量的参数调整。从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数利用合格率识别网络层进行涂胶合格率分析，获得第一历史涂胶合格率。其中，所述第一历史涂胶合格率反映了首次选择的历史涂胶工艺微调参数对目标半导体的涂胶质量情况。进而，再次从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数合格率识别网络层进行涂胶合格率分析，获得第二历史涂胶合格率，然后判断所述第一历史涂胶合格率是否小于所述第二历史涂胶合格率，若是，则第二历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数，若否，则将第一历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数，经过多次迭代，直至满足预设迭代次数，将最后迭代的阶段局部涂胶工艺参数作为第一局部涂胶工艺参数。进而，基于同样的方法，经过L次参数寻优，获得L个局部涂胶工艺参数。
优选的，通过以涂胶数据作为索引，从历史涂胶记录数据获取多个样本涂胶工艺参数、多个样本涂胶合格率作为训练数据，并对多个样本涂胶合格率进行数据标识处理，然后将训练数据均分为n组训练数据，依次利用n组训练数据对前馈神经网络进行训练，并利用数据标识处理后的多个样本涂胶合格率对训练过程进行监督，根据输出误差对前馈神经网络的参数进行更新，并利用下一组训练数据对更新后的前馈神经网络进行训练，经过多组训练数据进行训练，并不断对前馈神经网络进行参数更新，直至输出达到收敛，获得训练完成的合格率识别网络层。达到了优化涂胶合格率识别效率的技术效果。
在一个可能的实施例中，当P个随机步调阈值小于等于预设步调阈值时，根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数。基于与L个局部涂胶工艺参数同样的方法，每次寻优，从所述参数选择阈值库中随机选取一个全局阶段涂胶工艺参数，利用Q个参数微调步长对该全局涂胶工艺参数进行随机数量的参数调整，获得第一全局阶段涂胶工艺微调参数集合，然后再从所述第一全局阶段涂胶工艺微调参数集合中随机选择一全局阶段涂胶工艺参数，利用合格率识别网络层进行涂胶合格率分析，并获得第一全局阶段涂胶合格率，按照同样的方式，获得第二全局阶段涂胶合格率，判断所述第一全局阶段涂胶合格率是否小于所述第二全局阶段涂胶合格率，若是，则第二全局阶段涂胶合格率对应的全局阶段涂胶工艺微调参数作为目标全局阶段涂胶工艺参数，若否，则将第一全局阶段涂胶合格率对应的历史涂胶工艺微调参数作为目标全局阶段涂胶工艺参数，经过多次迭代，直至满足预设迭代次数，生成第一全局涂胶工艺参数。经过M次参数寻优，获得M个全局涂胶工艺参数。
S900：根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。
在本申请的实施例中，根据所述L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率比较，将最大涂胶合格率对应的涂胶工艺参数作为最优涂胶工艺参数，并将所述最优涂胶工艺参数传输至涂胶控制模块中进行目标半导体的涂胶。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过生成第一涂胶约束条件为后续进行涂胶参数优化过程进行约束，然后，利用分析Y个涂胶设备的偏离情况，生成Y个密集偏离系数，进而对第一涂胶约束条件进行补偿，获得第一补偿约束条件，通过考虑涂胶设备与涂胶工艺参数之间的映射影响关系，确定Q个参数微调步长，提高寻优过程中的优化质量，进而，根据P个随机步调阈值进行全局寻优和局部寻优的平衡，并对寻优获得的根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。达到了提升半导体涂胶效率，优化涂胶质量的技术效果。
实施例二
基于与前述实施例中一种半导体快速涂胶方法相同的发明构思，如图4所示，本申请提供了一种半导体快速涂胶系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
涂胶约束条件生成模块11，用于获取目标半导体的预设涂胶要求，生成第一涂胶约束条件；
密集偏离系数生成模块12，用于采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对所述Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数；
补偿约束条件获得模块13，用于利用所述Y个密集偏离系数对所述第一涂胶约束条件进行补偿，获得第一补偿约束条件；
参数记忆库构建模块14，用于调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数；
选择阈值库构建模块15，用于基于所述第一补偿约束条件，构建参数选择阈值库，其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间；
微调步长生成模块16，用于构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应；
局部涂胶工艺参数获得模块17，用于生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P；
全局涂胶工艺参数获得模块18，用于若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数；
涂胶模块19，用于根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。
进一步的，所述密集偏离系数生成模块12用于执行如下步骤：
基于涂胶控制模块调取所述预设监测窗口内Y个涂胶设备的预设设备参数集合；
遍历所述Y个设备参数集合与预设设备参数集合进行偏离映射，获得Y个设备差值集合；
分别对Y个设备差值集合进行密集偏离分析，生成Y个密集偏离系数。
进一步的，所述密集偏离系数生成模块12用于执行如下步骤：
从所述Y个设备差值集合中随机选取一个设备差值集合，作为第一设备差值集合，并基于所述第一设备差值集合生成第一设备粒子空间，其中，所述第一设备粒子空间中每一个粒子对应一个设备差值；
计算所述第一设备粒子空间中多个粒子的中心粒子，将其作为起始粒子；
将所述起始粒子按照预设移动步长在所述第一设备粒子空间中进行移动，利用迭代移动公式，获得迭代粒子；
判断所述起始粒子的密度是否大于所述迭代粒子的密度，若是，则按照一定的概率接受所述迭代粒子作为阶段中心粒子，若否，则将迭代粒子作为阶段中心粒子，经过多次迭代，获得多个阶段中心粒子；
将所述多个阶段中心粒子中密度最大值对应的阶段中心粒子作为目标中心粒子；
计算到目标中心粒子的距离在预设移动步长范围内的多个粒子对应的设备差值的均值，并将均值比上对应的预设设备参数，生成第一密集偏离系数；
根据Y个设备差值集合，生成Y个密集偏离系数。
进一步的，所述密集偏离系数生成模块12用于执行如下步骤：
迭代移动公式为：
；
其中，为阶段中心粒子对应的设备差值，/>为高斯函数，i为第一设备粒子空间中到起始粒子的距离为预设移动步长的粒子数量，i为大于等于1的整数，/>为第一设备粒子空间中到起始粒子的距离为预设移动步长的粒子中第i个粒子的设备差值，/>为起始粒子的设备差值。
进一步的，所述微调步长生成模块16用于执行如下步骤：
获取Q个涂胶工艺参数具有映射影响关系的Q个涂胶设备集合；
基于Q个涂胶设备集合匹配Y个密集偏离系数，获得Q个密集偏离系数集合；
分别计算Q个密集偏离系数集合的密集偏离系数之和与Q个密集偏离系数集合中系数总和的比值的倒数，获得Q个参数微调步长。
进一步的，所述局部涂胶工艺参数获得模块17用于执行如下步骤：
从所述历史参数记忆库中随机获取第一历史涂胶工艺参数，并根据Q个参数微调步长对所述第一历史涂胶工艺参数进行随机调整，获得第一历史涂胶工艺微调参数集合；
从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数利用合格率识别网络层进行涂胶合格率分析，获得第一历史涂胶合格率；
再次从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数合格率识别网络层进行涂胶合格率分析，获得第二历史涂胶合格率；
判断所述第一历史涂胶合格率是否小于所述第二历史涂胶合格率，若是，则第二历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数，若否，则将第一历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数；
经过多次迭代，直至满足预设迭代次数，生成第一局部涂胶工艺参数；
经过L次参数寻优，获得L个局部涂胶工艺参数。
进一步的，所述局部涂胶工艺参数获得模块17用于执行如下步骤：
获取多个样本涂胶工艺参数、多个样本涂胶合格率作为训练数据，并对多个样本涂胶合格率进行数据标识处理；
将训练数据均分为n组训练数据，依次利用n组训练数据对前馈神经网络进行训练，并利用数据标识处理后的多个样本涂胶合格率对训练过程进行监督，根据输出误差对前馈神经网络的参数进行更新，并利用下一组训练数据对更新后的前馈神经网络进行训练，直至输出达到收敛，获得训练完成的合格率识别网络层。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种半导体快速涂胶方法，其特征在于，所述方法包括：
获取目标半导体的预设涂胶要求，生成第一涂胶约束条件；
采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对所述Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数；
利用所述Y个密集偏离系数对所述第一涂胶约束条件进行补偿，获得第一补偿约束条件；
调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数；
基于所述第一补偿约束条件，构建参数选择阈值库，其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间；
构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应；
生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P；
若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数；
根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于涂胶控制模块调取所述预设监测窗口内Y个涂胶设备的预设设备参数集合；
遍历所述Y个设备参数集合与预设设备参数集合进行偏离映射，获得Y个设备差值集合；
分别对Y个设备差值集合进行密集偏离分析，生成Y个密集偏离系数。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
从所述Y个设备差值集合中随机选取一个设备差值集合，作为第一设备差值集合，并基于所述第一设备差值集合生成第一设备粒子空间，其中，所述第一设备粒子空间中每一个粒子对应一个设备差值；
计算所述第一设备粒子空间中多个粒子的中心粒子，将其作为起始粒子；
将所述起始粒子按照预设移动步长在所述第一设备粒子空间中进行移动，利用迭代移动公式，获得迭代粒子；
判断所述起始粒子的密度是否大于所述迭代粒子的密度，若是，则按照一定的概率接受所述迭代粒子作为阶段中心粒子，若否，则将迭代粒子作为阶段中心粒子，经过多次迭代，获得多个阶段中心粒子；
将所述多个阶段中心粒子中密度最大值对应的阶段中心粒子作为目标中心粒子；
计算到目标中心粒子的距离在预设移动步长范围内的多个粒子对应的设备差值的均值，并将均值比上对应的预设设备参数，生成第一密集偏离系数；
根据Y个设备差值集合，生成Y个密集偏离系数。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
迭代移动公式为：
；
其中，为阶段中心粒子对应的设备差值，/>为高斯函数，i为第一设备粒子空间中到起始粒子的距离为预设移动步长的粒子数量，i为大于等于1的整数，/>为第一设备粒子空间中到起始粒子的距离为预设移动步长的粒子中第i个粒子的设备差值，/>为起始粒子的设备差值。
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Q个涂胶工艺参数具有映射影响关系的Q个涂胶设备集合；
基于Q个涂胶设备集合匹配Y个密集偏离系数，获得Q个密集偏离系数集合；
分别计算Q个密集偏离系数集合的密集偏离系数之和与Q个密集偏离系数集合中系数总和的比值的倒数，获得Q个参数微调步长。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
从所述历史参数记忆库中随机获取第一历史涂胶工艺参数，并根据Q个参数微调步长对所述第一历史涂胶工艺参数进行随机调整，获得第一历史涂胶工艺微调参数集合；
从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数利用合格率识别网络层进行涂胶合格率分析，获得第一历史涂胶合格率；
再次从所述第一历史涂胶工艺微调参数集合中随机选择一个历史涂胶工艺微调参数合格率识别网络层进行涂胶合格率分析，获得第二历史涂胶合格率；
判断所述第一历史涂胶合格率是否小于所述第二历史涂胶合格率，若是，则第二历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数，若否，则将第一历史涂胶合格率对应的历史涂胶工艺微调参数作为阶段局部涂胶工艺参数；
经过多次迭代，直至满足预设迭代次数，生成第一局部涂胶工艺参数；
经过L次参数寻优，获得L个局部涂胶工艺参数。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
获取多个样本涂胶工艺参数、多个样本涂胶合格率作为训练数据，并对多个样本涂胶合格率进行数据标识处理；
将训练数据均分为n组训练数据，依次利用n组训练数据对前馈神经网络进行训练，并利用数据标识处理后的多个样本涂胶合格率对训练过程进行监督，根据输出误差对前馈神经网络的参数进行更新，并利用下一组训练数据对更新后的前馈神经网络进行训练，直至输出达到收敛，获得训练完成的合格率识别网络层。
8.一种半导体快速涂胶系统，其特征在于，所述系统包括：
涂胶约束条件生成模块，用于获取目标半导体的预设涂胶要求，生成第一涂胶约束条件；
密集偏离系数生成模块，用于采集预设监测窗口内Y个涂胶设备的Y个设备参数集合，对所述Y个设备参数集合进行密集偏离分析，生成Y个密集偏离系数；
补偿约束条件获得模块，用于利用所述Y个密集偏离系数对所述第一涂胶约束条件进行补偿，获得第一补偿约束条件；
参数记忆库构建模块，用于调取涂胶控制模块的历史涂胶记录数据，构建历史参数记忆库，其中，所述历史参数记忆库中具有多个涂胶工艺参数集合，每个涂胶工艺参数集合中包括Q个涂胶工艺参数；
选择阈值库构建模块，用于基于所述第一补偿约束条件，构建参数选择阈值库，其中，所述参数选择阈值库为涂胶工艺参数集合中涂胶工艺参数的选择区间；
微调步长生成模块，用于构建Y个涂胶设备与Q个涂胶工艺参数的映射影响关系，基于映射影响关系和Y个密集偏离系数生成Q个参数微调步长，其中，Q个参数微调步长与Q个涂胶工艺参数一一对应；
局部涂胶工艺参数获得模块，用于生成P个随机步调阈值，分别判断所述P个随机步调阈值是否大于预设步调阈值，若是，则根据Q个参数微调步长在历史参数记忆库中进行参数寻优，获得L个局部涂胶工艺参数，其中，L+M=P；
全局涂胶工艺参数获得模块，用于若否，则根据Q个参数微调步长在参数选择阈值库中进行参数寻优，获得M个全局涂胶工艺参数；
涂胶模块，用于根据L个局部涂胶工艺参数和M个全局涂胶工艺参数进行合格率分析，获得最优涂胶工艺参数，按照所述最优涂胶工艺参数进行目标半导体的涂胶。
CN202311317565.8A 2023-10-12 2023-10-12 一种半导体快速涂胶方法及系统 Active CN117046692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311317565.8A CN117046692B (zh) 2023-10-12 2023-10-12 一种半导体快速涂胶方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311317565.8A CN117046692B (zh) 2023-10-12 2023-10-12 一种半导体快速涂胶方法及系统

Publications (2)

Publication Number Publication Date
CN117046692A CN117046692A (zh) 2023-11-14
CN117046692B true CN117046692B (zh) 2023-12-08

Family

ID=88654009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311317565.8A Active CN117046692B (zh) 2023-10-12 2023-10-12 一种半导体快速涂胶方法及系统

Country Status (1)

Country Link
CN (1) CN117046692B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117225659B (zh) * 2023-11-15 2024-04-09 江苏永鼎股份有限公司 一种芯片工艺偏差自动识别矫正方法及系统
CN117275635B (zh) * 2023-11-21 2024-02-27 济南东方结晶器有限公司 一种结晶器铜管的电镀优化方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991917A (zh) * 2019-04-09 2019-07-09 东风汽车集团有限公司 复合柔性化风挡识别方法
CN111097664A (zh) * 2019-12-20 2020-05-05 广西柳州联耕科技有限公司 基于机器人涂胶的实时纠偏方法
CN115570573A (zh) * 2022-12-07 2023-01-06 广东省科学院智能制造研究所 一种机器人高性能涂胶轨迹规划方法、介质及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100638948B1 (ko) * 2002-08-28 2006-10-25 도쿄 엘렉트론 리미티드 반도체 에칭 공정의 동적 모델링 및 레서피 최적화 방법 및시스템
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991917A (zh) * 2019-04-09 2019-07-09 东风汽车集团有限公司 复合柔性化风挡识别方法
CN111097664A (zh) * 2019-12-20 2020-05-05 广西柳州联耕科技有限公司 基于机器人涂胶的实时纠偏方法
CN115570573A (zh) * 2022-12-07 2023-01-06 广东省科学院智能制造研究所 一种机器人高性能涂胶轨迹规划方法、介质及系统

Also Published As

Publication number Publication date
CN117046692A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN117046692B (zh) 一种半导体快速涂胶方法及系统
CN108229754B (zh) 基于相似日分段和lm-bp网络的短期负荷预测方法
CN110262233B (zh) 一种磁控镀膜仪工艺参数的优化方法
CN111523728B (zh) 一种四阶段混合短时风向预测方法
CN113158582A (zh) 基于复数值前向神经网络的风速预测方法
CN108563895B (zh) 一种用于齿轮装配体的考虑相关性的区间模型修正方法
CN113544599A (zh) 执行过程并优化在该过程中使用的控制信号的方法
CN110674598A (zh) 一种基于支持向量机和粒子群算法的注塑工艺优化方法
CN113591299B (zh) 判定不同类型微通道散热器综合性能优劣的方法和系统
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN113469426A (zh) 基于改进bp神经网络的光伏输出功率预测方法及系统
CN112561139A (zh) 一种短期光伏发电功率预测方法和系统
CN110490378A (zh) 基于云scada大数据的电网状态估计精度的计算方法
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN112861418A (zh) 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法
CN116523131A (zh) 一种基于dbn的集成电路工艺参数优化方法和系统
CN110991660A (zh) 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
CN115310709A (zh) 一种基于粒子群算法的电力工程项目信息优化方法
CN111522240B (zh) 四旋翼飞行器mtmlp-arx模型、辨识方法、系统及存储介质
CN108256668A (zh) 基于和声搜索-Elman算法的光伏出力预测方法
CN113255887A (zh) 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统
CN114066250A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
CN114117917A (zh) 一种多目标优化的舰船磁偶极子阵列建模方法
CN112766537A (zh) 一种短期电负荷预测方法

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