CN117574296A - 电镀槽液流分布的检测系统及其方法 - Google Patents
电镀槽液流分布的检测系统及其方法 Download PDFInfo
- Publication number
- CN117574296A CN117574296A CN202311573700.5A CN202311573700A CN117574296A CN 117574296 A CN117574296 A CN 117574296A CN 202311573700 A CN202311573700 A CN 202311573700A CN 117574296 A CN117574296 A CN 117574296A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- flow distribution
- data
- liquid flow
- electroplating
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 170
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 239000007788 liquid Substances 0.000 title claims abstract description 143
- 238000007747 plating Methods 0.000 title claims description 75
- 238000000034 method Methods 0.000 title claims description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 192
- 238000009713 electroplating Methods 0.000 claims abstract description 130
- 230000005856 abnormality Effects 0.000 claims abstract description 127
- 238000002474 experimental method Methods 0.000 claims abstract description 84
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 105
- 238000009434 installation Methods 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000008151 electrolyte solution Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Electroplating Methods And Accessories (AREA)
Abstract
本发明公开了电镀槽液流分布的检测系统及其方法,涉及液流分布检测技术领域,通过收集传感器安装位置集合,在测试环境中进行N次电镀实验,收集液流分布测试数据,基于液流分布测试数据,训练判断液流分布是否异常的异常检测模型和对电镀槽内的液流分布异常进行定位的异常定位模型,在生产环境中,每次进行电镀时,通过物理特征传感器收集液流分布实时数据;基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,获得生产电镀槽内预测的异常位置;提高了液流分布的异常检测的时效性,以及提高了测试人员对异常定位的效率。
Description
技术领域
本发明涉及液流分布检测技术领域,具体是电镀槽液流分布的检测系统及其方法。
背景技术
电镀槽内电镀液的流动是电镀工艺中至关重要的一部分。它不仅影响电镀产品的均匀性和质量,还直接关系到反应速度和能耗效率。电镀液的流动是为了维持电解液中均匀分布的化学成分、温度和电流密度,从而确保被电镀的物体表面得到均匀的镀层。这一流动的重要性源自以下几个关键方面:
首先,电镀反应是一个液相反应,其中金属离子在电场作用下沉积到物体表面形成金属膜。因此,电镀槽内的电解液必须能够有效地传输离子和维持反应物质的均匀浓度。均匀的流动可确保金属离子能够迅速到达物体表面,从而保证了电镀的效率和速度。
其次,流动有助于维持电镀液的均匀温度分布。电镀工艺通常在特定的温度条件下进行,不均匀的温度分布导致反应速度的差异,从而影响电镀均匀性。通过流动,电解液均匀混合和分散温度,确保整个槽内的温度保持一致;
然而在电镀槽内某个区域出现搅拌不均匀、电流密度布局不均匀或出现堵塞的情况下,会导致电镀液的流动不均,而电镀液流动不均会导致待电镀的金属器件表面的厚度不均匀,以至于表面凹凸不平,从而极大的影响金属器件的美观和功能,因此,亟需一种实时监测电镀槽内液流分布的异常状态和对异常进行定位的检测方法;
授权公告号为CN104677969B的中国专利公开了电镀液在线检测系统及检测方法,通过样品预处理装置预处理后,进入电位滴定仪检测装置进行检测;检测值输出到终端计算机装置,终端计算机装置将检测值处理后,进行描点绘图、数据显示、数据贮存和数据传送给用户;PLC控制装置控制样品预处理装置工作状态和工作步骤,同时也控制电位滴定仪检测装置检测开始和检测周期;状态监控装置将监测到的系统状态,一方面传输给终端计算机装置,通过终端计算机装置进行显示,然而该方法是对电镀液浓度进行监测,未能解决电镀液流分布的检测问题;
为此,本发明提出电镀槽液流分布的检测系统及其方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出电镀槽液流分布的检测系统及其方法,在节约算力成本的基础上,实现对液流分布的异常定位,提高了液流分布的异常检测的时效性,以及提高了测试人员对异常定位的效率。
为实现上述目的,根据本发明的实施例1提出电镀槽液流分布的检测方法,包括以下步骤:
收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合;
在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器;
在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据;其中,N为选择的电镀实验的次数;
基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型;
基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型;
在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据;
基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置;
所述收集电镀槽的槽体数据的方式为:
收集实际生产使用的电镀槽的槽体的长度、宽度和高度,所述槽体的长度、宽度和高度组成槽体数据;
所述生成传感器安装位置集合的方式为:
将电镀槽槽体的长度标记为L,将宽度标记为W,将高度标记为H;
预先设置长向布置数量BL、宽向布置数量BW以及高向布置数量BH;
以电镀槽槽体地面的任意一个顶点作为坐标原点,建立三维直角坐标系,其中,电镀槽槽体在所述三维直角坐标系中处于第一象限中;
在所述三维直角坐标系中,设置长向编号i、宽向编号j以及高向编号k;其中,
对于任意的一个i、j和k的组合,将三维坐标(i×BL,j×BW,k×BH)在电镀槽内的对应位置作为一个传感器安装位置;
所有i、j和k的组合所对应的所有传感器安装位置组成传感器安装位置集合;
所述进行N次电镀实验的方式为:
预设正常实验次数N1以及异常实验次数N2;
分别进行N1次正常实验和N2次异常实验,在所述正常实验中,按电镀的预设流程进行电镀测试,并收集各个传感器安装位置处,各个物理特征传感器的读数;在所述异常实验中,由测试人员随机选择一处传感器安装位置作为异常选定位置,并收集各个传感器安装位置处,各个物理特征传感器的读数;
所述在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据的方式为:
在每次进行正常实验和异常实验时,将每单位时间内的,所有物理特征传感器的读数组成一组液流分布测试数据;
所述获得异常检测训练数据的方式为:
从每次电镀实验的液流分布测试数据中,收集各个流速传感器采集的电镀液流速,将每次电镀实验的所有电镀液流速组成一组异常检测特征数据;
为每次电镀实验设置异常检测标签,将正常实验的异常检测标签标记为0,将异常实验的异常检测标签标记为1;
所有电镀实验的异常检测特征数和对应的异常检测标签组成异常检测训练数据;
所述训练判断液流分布是否异常的异常检测模型的方式为:
将异常检测训练数据中,每组异常检测特征数据作为异常检测模型的输入,所述异常检测模型以对每组异常检测特征数据对应的异常检测标签的预测值作为输出,以异常检测训练数据中的异常检测标签作为预测目标,以异常检测标签的预测值和异常检测标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对异常检测模型进行训练,直至预测误差之和达到收敛时停止训练;
所述获得异常定位训练数据的方式为:
对于每一次异常实验:
将每次异常实验对应的液流分布测试数据中每个传感器安装位置对应的一维数组作为一个数据点;
对每次异常实验获得的所有数据点使用聚类算法分为2个聚类簇;
将划分出的两个聚类簇分别表示为第一聚类簇和第二聚类簇;
为每个传感器安装位置设置表现特征值和异常定位标签;
将第一聚类簇中,每个传感器安装位置的表现特征值设置为0;
将第二聚类簇中,每个传感器安装位置的表现特征值设置为1;
将本次异常实验开始时,由测试人员选择的异常选定位置对应的异常定位标签设置为1,所有剩余的传感器安装位置的异常定位标签设置为0;
将所有传感器安装位置的表现特征值组成异常定位输入数据;
将所有传感器安装位置的异常定位标签组成异常定位预测目标数据;
所有异常实验的异常定位输入数据和异常定位预测目标数据组成异常定位训练数据;
所述训练对电镀槽内的液流分布异常进行定位的异常定位模型的方式为:
所述异常定位模型为贝叶斯网络模型;
构建贝叶斯网络模型结构;
所述构建贝叶斯网络的方式为:
构造层数为2层的贝叶斯网络模型;
其中,将贝叶斯网络模型中第一层和第二层的节点数量均设置为传感器安装位置的数量;
第一层中每个节点对应于一个传感器安装位置的表现特征值,第二层中每个节点对应于一个传感器安装位置的异常定位标签;
对于第一层中每个节点,具有一条有向边指向第二层中的任意一个节点;
将异常定位训练数据中的每组异常定位输入数据作为贝叶斯网络模型的第一层的输入,以第二层中每个节点作为输出节点,每个输出节点输出值作为该节点对应的传感器安装位置异常的概率表达;将该组异常定位输入数据对应的异常定位标签作为预测目标,以最小化贝叶斯网络模型的第二层的输出值与预测目标之间的误差之和作为预测目标;对贝叶斯网络模型进行训练,直至预测误差之和达到收敛时停止训练;
所述基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置的方式为:
将液流分布实时数据使用聚类算法,获得各个传感器安装位置的生产表现特征值,所有生产表现特征值组成生产异常定位输入数据;
将生产异常定位输入数据输入至异常定位模型中,获得输出的各个传感器安装位置的异常的概率。
根据本发明的实施例2提出电镀槽液流分布的检测系统,包括槽体数据收集模块、训练数据收集模型、模型训练模块、异常检测模块以及异常定位模块;其中,各个模块之间通过电性连接;
槽体数据收集模块,用于收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合,并将传感器安装位置集合发送至训练数据收集模型和异常检测模块;
训练数据收集模型,用于在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器,在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据,并将液流分布测试数据发送至模型训练模块;
模型训练模块,用于基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型,并基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型,并将异常检测模型发送至异常检测模块,将异常定位模型发送至异常定位模块;
异常检测模块,用于在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据,基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,将液流分布实时数据发送至异常定位模型;
异常定位模型,用于基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置。
根据本发明的实施例3提出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的基于增强现实技术的电镀槽液流分布的检测方法。
根据本发明的实施例4提出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的基于增强现实技术的电镀槽液流分布的检测方法。
与现有技术相比,本发明的有益效果是:
本发明通过收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合,在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器,在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据;其中,N为选择的电镀实验的次数,基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型,基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型,在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据,基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置;通过设置一组电镀实验,收集若干训练样本数据,并基于训练样本数据,训练出对算力需求较低的异常检测模型以及对算力需求较高的异常定位模型,并在两个模型训练完成后,实时运行低算力需求的异常检测模型,以实时监测电镀槽内液流分布是否异常,在发现异常时,才运行高算力需求的异常定位模型;从而在节约算力成本的基础上,实现对液流分布的异常定位,提高了液流分布的异常检测的时效性,以及提高了测试人员对异常定位的效率。
附图说明
图1为本发明的实施例1中电镀槽液流分布的检测方法的流程图;
图2为本发明的实施例1中电镀槽的一个模型示例图;
图3为本发明的实施例2中电镀槽液流分布的检测系统的模块连接关系图;
图4为本发明实施例3中的电子设备结构示意图;
图5为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,电镀槽液流分布的检测方法,包括以下步骤:
步骤一:收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合;
步骤二:在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器;
步骤三:在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据;其中,N为选择的电镀实验的次数;
步骤四:基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型;
步骤五:基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型;
步骤六:在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据;
步骤七:基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,转至步骤八;否则,继续收集液流分布实时数据;
步骤八:基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置;
其中,所述收集电镀槽的槽体数据的方式为:
需要说明的是,目前使用电镀槽的一般是长方体的形状,如图2所示的一个电镀槽典型的模型示意图;因此,电镀槽的槽体具有长度、宽度和高度的三维属性;
收集实际生产使用的电镀槽的槽体的长度、宽度和高度,所述槽体的长度、宽度和高度组成槽体数据;
进一步的,所述基于槽体数据,生成传感器安装位置集合的方式为:
将电镀槽槽体的长度标记为L,将宽度标记为W,将高度标记为H;
预先设置长向布置数量BL、宽向布置数量BW以及高向布置数量BH;所述长向布置数量、宽向布置数量以及高向布置数量根据实际的生产经验进行设置;
以电镀槽槽体地面的任意一个顶点作为坐标原点,建立三维直角坐标系,其中,电镀槽槽体在所述三维直角坐标系中处于第一象限中;
在所述三维直角坐标系中,设置长向编号i、宽向编号j以及高向编号k;其中,
对于任意的一个i、j和k的组合,将三维坐标(i×BL,j×BW,k×BH)在电镀槽内的对应位置作为一个传感器安装位置;
所有i、j和k的组合所对应的所有传感器安装位置组成传感器安装位置集合;可以理解的是,通过在电镀槽内均匀设置传感器安装位置,更为全面的收集电镀槽内的全局液流分布情况;
进一步的,所述测试环境是指不用于实际生产的,由测试人员主动控制测试电镀槽的电极的电流供应、电镀槽内搅拌仪器的搅拌速度以及电镀槽内的阻塞位置,从而实现主动控制液流分布异常状态和异常位置的,以收集准确和充分的测试数据的数据收集环境;
其中,所述物理特征传感器为用于获取各个物理特征的传感器,所述物理特征为衡量电镀槽内电镀液的液流分布情况的物理因素;具体的,所述物理特征包括但不限于电镀液流速、pH传感器、电流传感器、液位传感器等;
进一步的,所述进行N次电镀实验的方式为:
预设正常实验次数N1以及异常实验次数N2;
分别进行N1次正常实验和N2次异常实验,在所述正常实验中,按电镀的预设流程进行电镀测试,并收集各个传感器安装位置处,各个物理特征传感器的读数;在所述异常实验中,由测试人员随机选择一处传感器安装位置作为异常选定位置,添加堵塞物或控制气泡的生成,再按电镀的预设流程进行电镀测试,并收集各个传感器安装位置处,各个物理特征传感器的读数;
所述在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据的方式为:
在每次进行正常实验和异常实验时,将每单位时间内的,所有物理特征传感器的读数组成一组液流分布测试数据;
可以理解的是,每组液流分布测试数据为二维数组的形式,该二维数组中的每个一维数组代表一个传感器安装位置,而一维数组中的每个元素分别为对应的传感器安装位置中,各个物理特征传感器实时的读数;
进一步的,所述基于液流分布测试数据和聚类算法,获得异常检测训练数据的方式为:
从每次电镀实验的液流分布测试数据中,收集各个流速传感器采集的电镀液流速,将每次电镀实验的所有电镀液流速组成一组异常检测特征数据;
为每次电镀实验设置异常检测标签,将正常实验的异常检测标签标记为0,将异常实验的异常检测标签标记为1;
所有电镀实验的异常检测特征数和对应的异常检测标签组成异常检测训练数据;
其中,所述基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型的方式为:
将异常检测训练数据中,每组异常检测特征数据作为异常检测模型的输入,所述异常检测模型以对每组异常检测特征数据对应的异常检测标签的预测值作为输出,以异常检测训练数据中的异常检测标签作为预测目标,以异常检测标签的预测值和异常检测标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对异常检测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据各个流速传感器采集的电镀液的流速分布情况,输出预测液流分布是否异常的异常检测模型;所述异常检测模型是多项式回归模型或SVR模型中的任意一个;所述预测误差之和是均方误差;
可以理解的是,所述异常检测模型是以各个传感器安装位置的流速作为异常判定对象的,因为液流分布异常的一个常见表象即为各个区域的电镀液的流速存在差异,这种差异往往是由于某一片区域发生堵塞、存在气泡或旋涡、电流密度不均匀等造成的;因此,相较于分析液流分布是否异常,更重要的工作是对异常位置进行精确定位;而由于该异常检测模型所需要的参数较少,因此,训练所需的数据量以及对生产环境的异常判断所需要的计算量也较小,更适合进行实时分析;
进一步的,所述基于液流分布测试数据和聚类算法,获得异常定位训练数据的方式为:
对于每一次异常实验:
将每次异常实验对应的液流分布测试数据中每个传感器安装位置对应的一维数组作为一个数据点;
对每次异常实验获得的所有数据点使用聚类算法分为2个聚类簇;具体的,所述聚类算法是K-means或FCM算法;即将所有传感器安装位置划分为两类,每类分别对应于液流分布正常和液流分布异常;
可以理解的是,在电镀槽内某个位置存在异常时,部分区域会被这部分异常所影响,而由于电镀液的流动性规律,会导致受影响的区域在某些物理特征上的表现具有一致性,例如,会同时流速降低、同时液位降低等,因此,使用聚类算法将具有相似物理特征的传感器安装位置进行划分;
将划分出的两个聚类簇分别表示为第一聚类簇和第二聚类簇;
为每个传感器安装位置设置表现特征值和异常定位标签;
将第一聚类簇中,每个传感器安装位置的表现特征值设置为0;
将第二聚类簇中,每个传感器安装位置的表现特征值设置为1;
将本次异常实验开始时,由测试人员选择的异常选定位置对应的异常定位标签设置为1,所有剩余的传感器安装位置的异常定位标签设置为0;
将所有传感器安装位置的表现特征值组成异常定位输入数据;
将所有传感器安装位置的异常定位标签组成异常定位预测目标数据;
所有异常实验的异常定位输入数据和异常定位预测目标数据组成异常定位训练数据;
作为一个异常定位输入数据和异常定位预测目标数据的示例,我们假设有8个传感器安装位置,则在某一次异常实验过程中,获得的异常定位输入数据为[1,0,0,1,1,0,1,0],即在这8个传感器安装位置中,第1、4、5、7个传感器安装位置在第一聚类簇中,第2、3、6、8在第二聚类簇中;而获得的异常定位预测目标数据为[1,0,0,0,0,0,0,0],即表示第1个传感器安装位置为选择的异常选定位置,即该示例展示了因为第一个传感器安装位置出现异常,导致了第1、4、5、7个传感器安装位置相继出现了相似的异常;
进一步的,所述基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型的方式为:
所述异常定位模型为贝叶斯网络模型;
构建贝叶斯网络模型结构;
所述构建贝叶斯网络的方式为:
构造层数为2层的贝叶斯网络模型;
其中,将贝叶斯网络模型中第一层和第二层的节点数量均设置为传感器安装位置的数量;
第一层中每个节点对应于一个传感器安装位置的表现特征值,第二层中每个节点对应于一个传感器安装位置的异常定位标签;
对于第一层中每个节点,具有一条有向边指向第二层中的任意一个节点;
将异常定位训练数据中的每组异常定位输入数据作为贝叶斯网络模型的第一层的输入,以第二层中每个节点作为输出节点,每个输出节点输出值的范围为[0,1],每个输出值作为该节点对应的传感器安装位置异常的概率表达;将该组异常定位输入数据对应的异常定位标签作为预测目标,以最小化贝叶斯网络模型的第二层的输出值与预测目标之间的误差之和作为预测目标;对贝叶斯网络模型进行训练,直至预测误差之和达到收敛时停止训练;
所述通过物理特征传感器收集液流分布实时数据的方式为:
将生产环境中,每一单位时间内,各个物理特征传感器的读数组成液流分布实时数据;
进一步的,所述基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常的方式为:
将液流分布实时数据中的电镀液流速组成一组生产异常检测特征数据,将生产异常检测特征数据输入至异常检测模型,获得异常检测模型输出的对液流分布是否异常的预测结果;
进一步的,所述基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置的方式为:
将液流分布实时数据使用聚类算法,获得各个传感器安装位置的生产表现特征值,所有生产表现特征值组成生产异常定位输入数据;
将生产异常定位输入数据输入至异常定位模型中,获得输出的各个传感器安装位置的异常的概率;
可以理解的是,将输出的异常的概率从大到小进行排序,即可根据排序的序号依次进行异常排查,从而提高异常检测和定位的效率。
实施例2
如图3所示,电镀槽液流分布的检测系统,包括槽体数据收集模块、训练数据收集模型、模型训练模块、异常检测模块以及异常定位模块;其中,各个模块之间通过电性连接;
其中,所述槽体数据收集模块主要用于收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合,并将传感器安装位置集合发送至训练数据收集模型和异常检测模块;
其中,所述训练数据收集模型主要用于在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器,在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据,并将液流分布测试数据发送至模型训练模块;
其中,所述模型训练模块主要用于基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型,并基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型,并将异常检测模型发送至异常检测模块,将异常定位模型发送至异常定位模块;
其中,所述异常检测模块主要用于在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据,基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,将液流分布实时数据发送至异常定位模型;
其中,所述异常定位模型主要用于基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置。
实施例3
图4是本申请一个实施例提供的电子设备结构示意图。如图4所示,根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,执行如上所述的电镀槽液流分布的检测方法。
根据本申请实施方式的方法或系统也借助于图4所示的电子设备的架构来实现。如图4所示,电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备,例如ROM103或硬盘107可存储本申请提供的电镀槽液流分布的检测方法。电镀槽液流分布的检测方法可例如包括以下步骤:步骤一:收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合;步骤二:在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器;步骤三:在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据;其中,N为选择的电镀实验的次数;步骤四:基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型;步骤五:基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型;步骤六:在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据;步骤七:基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,转至步骤八;否则,继续收集液流分布实时数据;步骤八:基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置。
进一步地,电子设备100还可包括用户界面108。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,省略图4示出的电子设备中的一个或多个组件。
实施例4
图5是本申请一个实施例提供的计算机可读存储介质结构示意图。如图5所示,是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的电镀槽液流分布的检测方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (10)
1.电镀槽液流分布的检测方法,其特征在于,包括以下步骤:
收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合;
在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器;
在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据;其中,N为选择的电镀实验的次数;
基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型;
基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型;
在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据;
基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置。
2.根据权利要求1所述的电镀槽液流分布的检测方法,其特征在于,所述收集电镀槽的槽体数据的方式为:
收集实际生产使用的电镀槽的槽体的长度、宽度和高度,所述槽体的长度、宽度和高度组成槽体数据;
所述生成传感器安装位置集合的方式为:
将电镀槽槽体的长度标记为L,将宽度标记为W,将高度标记为H;
预先设置长向布置数量BL、宽向布置数量BW以及高向布置数量BH;
以电镀槽槽体地面的任意一个顶点作为坐标原点,建立三维直角坐标系,其中,电镀槽槽体在所述三维直角坐标系中处于第一象限中;
在所述三维直角坐标系中,设置长向编号i、宽向编号j以及高向编号k;其中,
对于任意的一个i、j和k的组合,将三维坐标(i×BL,j×BW,k×BH)在电镀槽内的对应位置作为一个传感器安装位置;
所有i、j和k的组合所对应的所有传感器安装位置组成传感器安装位置集合。
3.根据权利要求2所述的电镀槽液流分布的检测方法,其特征在于,所述进行N次电镀实验的方式为:
预设正常实验次数N1以及异常实验次数N2;
分别进行N1次正常实验和N2次异常实验,在所述正常实验中,按电镀的预设流程进行电镀测试,并收集各个传感器安装位置处,各个物理特征传感器的读数;在所述异常实验中,由测试人员随机选择一处传感器安装位置作为异常选定位置,并收集各个传感器安装位置处,各个物理特征传感器的读数。
4.根据权利要求3所述的电镀槽液流分布的检测方法,其特征在于,所述获得异常检测训练数据的方式为:
从每次电镀实验的液流分布测试数据中,收集各个流速传感器采集的电镀液流速,将每次电镀实验的所有电镀液流速组成一组异常检测特征数据;
为每次电镀实验设置异常检测标签,将正常实验的异常检测标签标记为0,将异常实验的异常检测标签标记为1;
所有电镀实验的异常检测特征数和对应的异常检测标签组成异常检测训练数据。
5.根据权利要求4所述的电镀槽液流分布的检测方法,其特征在于,所述获得异常定位训练数据的方式为:
对于每一次异常实验:
将每次异常实验对应的液流分布测试数据中每个传感器安装位置对应的一维数组作为一个数据点;
对每次异常实验获得的所有数据点使用聚类算法分为2个聚类簇;
将划分出的两个聚类簇分别表示为第一聚类簇和第二聚类簇;
为每个传感器安装位置设置表现特征值和异常定位标签;
将第一聚类簇中,每个传感器安装位置的表现特征值设置为0;
将第二聚类簇中,每个传感器安装位置的表现特征值设置为1;
将本次异常实验开始时,由测试人员选择的异常选定位置对应的异常定位标签设置为1,所有剩余的传感器安装位置的异常定位标签设置为0;
将所有传感器安装位置的表现特征值组成异常定位输入数据;
将所有传感器安装位置的异常定位标签组成异常定位预测目标数据;
所有异常实验的异常定位输入数据和异常定位预测目标数据组成异常定位训练数据。
6.根据权利要求5所述的电镀槽液流分布的检测方法,其特征在于,所述训练对电镀槽内的液流分布异常进行定位的异常定位模型的方式为:
所述异常定位模型为贝叶斯网络模型;
构建贝叶斯网络模型结构;
所述构建贝叶斯网络的方式为:
构造层数为2层的贝叶斯网络模型;
其中,将贝叶斯网络模型中第一层和第二层的节点数量均设置为传感器安装位置的数量;
第一层中每个节点对应于一个传感器安装位置的表现特征值,第二层中每个节点对应于一个传感器安装位置的异常定位标签;
对于第一层中每个节点,具有一条有向边指向第二层中的任意一个节点;
将异常定位训练数据中的每组异常定位输入数据作为贝叶斯网络模型的第一层的输入,以第二层中每个节点作为输出节点,每个输出节点输出值作为该节点对应的传感器安装位置异常的概率表达;将该组异常定位输入数据对应的异常定位标签作为预测目标,以最小化贝叶斯网络模型的第二层的输出值与预测目标之间的误差之和作为预测目标;对贝叶斯网络模型进行训练,直至预测误差之和达到收敛时停止训练。
7.根据权利要求6所述的电镀槽液流分布的检测方法,其特征在于,所述基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置的方式为:
将液流分布实时数据使用聚类算法,获得各个传感器安装位置的生产表现特征值,所有生产表现特征值组成生产异常定位输入数据;
将生产异常定位输入数据输入至异常定位模型中,获得输出的各个传感器安装位置的异常的概率。
8.电镀槽液流分布的检测系统,其基于权利要求1-7中任意一项所述的电镀槽液流分布的检测方法实现,其特征在于,包括槽体数据收集模块、训练数据收集模型、模型训练模块、异常检测模块以及异常定位模块;其中,各个模块之间通过电性连接;
槽体数据收集模块,用于收集电镀槽的槽体数据;并基于槽体数据,生成传感器安装位置集合,并将传感器安装位置集合发送至训练数据收集模型和异常检测模块;
训练数据收集模型,用于在测试环境中,在测试电镀槽内的各个传感器安装位置放置各类物理特征传感器,在测试环境中,进行N次电镀实验,并在每次电镀实验过程中,通过各个物理特征传感器,收集一组液流分布测试数据,并将液流分布测试数据发送至模型训练模块;
模型训练模块,用于基于液流分布测试数据,获得异常检测训练数据,基于异常检测训练数据,训练判断液流分布是否异常的异常检测模型,并基于液流分布测试数据和聚类算法,获得异常定位训练数据,基于异常定位训练数据,训练对电镀槽内的液流分布异常进行定位的异常定位模型,并将异常检测模型发送至异常检测模块,将异常定位模型发送至异常定位模块;
异常检测模块,用于在生产环境中,在生产电镀槽内的各个传感器安装位置放置各个物理特征传感器,并在每次进行电镀时,通过物理特征传感器收集液流分布实时数据,基于液流分布实时数据和异常检测模型,实时判断电镀槽内的液流分布是否存在异常,若存在异常,将液流分布实时数据发送至异常定位模型;
异常定位模型,用于基于液流分布实时数据和异常定位模型,获得生产电镀槽内预测的异常位置。
9.一种电子设备,其特征在于,包括:处理器和存储器,其中:
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在后台中执行权利要求1-7中任意一项所述的电镀槽液流分布的检测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备在后台中执行权利要求1-7中任意一项所述的电镀槽液流分布的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573700.5A CN117574296B (zh) | 2023-11-23 | 2023-11-23 | 电镀槽液流分布的检测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573700.5A CN117574296B (zh) | 2023-11-23 | 2023-11-23 | 电镀槽液流分布的检测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574296A true CN117574296A (zh) | 2024-02-20 |
CN117574296B CN117574296B (zh) | 2024-04-23 |
Family
ID=89860378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311573700.5A Active CN117574296B (zh) | 2023-11-23 | 2023-11-23 | 电镀槽液流分布的检测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574296B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4326940A (en) * | 1979-05-21 | 1982-04-27 | Rohco Incorporated | Automatic analyzer and control system for electroplating baths |
CN102471919A (zh) * | 2009-08-03 | 2012-05-23 | 诺发系统有限公司 | 对电镀添加剂的监视 |
CN104677969A (zh) * | 2013-11-27 | 2015-06-03 | 上海宝钢工业技术服务有限公司 | 电镀液在线检测系统及检测方法 |
US20160017511A1 (en) * | 2014-07-18 | 2016-01-21 | Technic, Inc. | Electrochemical characterization of plating solutions and plating performance |
CN205241845U (zh) * | 2015-11-04 | 2016-05-18 | 广东睿洁环保工程有限公司 | 一种电镀废水回收利用装置 |
WO2019133305A1 (en) * | 2017-12-28 | 2019-07-04 | Lam Research Corporation | Removal of electroplating bath additives |
CN110536258A (zh) * | 2019-08-09 | 2019-12-03 | 大连理工大学 | 一种UASNs中基于孤立森林的信任模型 |
WO2021026805A1 (zh) * | 2019-08-14 | 2021-02-18 | 东莞理工学院 | 对抗样本检测方法、装置、计算设备及计算机存储介质 |
CN112410864A (zh) * | 2020-11-20 | 2021-02-26 | 安徽理工大学 | 一种基于NB-IoT技术的电镀液参数监测与控制系统设计 |
US20210064933A1 (en) * | 2019-08-28 | 2021-03-04 | Nxp B.V. | Anomaly detection by classifying past behavior |
CN115175191A (zh) * | 2022-06-28 | 2022-10-11 | 南京邮电大学 | 一种基于elm和深度森林的混合模型异常流量检测系统及方法 |
CN218974383U (zh) * | 2022-11-24 | 2023-05-05 | 江苏芯德半导体科技有限公司 | 电镀液自动管控装置 |
CN116810825A (zh) * | 2023-08-30 | 2023-09-29 | 泓浒(苏州)半导体科技有限公司 | 一种真空环境下晶圆传送机械臂异常监测方法及系统 |
CN116952879A (zh) * | 2022-04-20 | 2023-10-27 | 华为技术有限公司 | 物质组分检测装置及方法 |
CN117031182A (zh) * | 2023-10-09 | 2023-11-10 | 威海锐恩电子股份有限公司 | 配电站所终端遥测值异常检测方法及系统 |
-
2023
- 2023-11-23 CN CN202311573700.5A patent/CN117574296B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4326940A (en) * | 1979-05-21 | 1982-04-27 | Rohco Incorporated | Automatic analyzer and control system for electroplating baths |
CN102471919A (zh) * | 2009-08-03 | 2012-05-23 | 诺发系统有限公司 | 对电镀添加剂的监视 |
CN104677969A (zh) * | 2013-11-27 | 2015-06-03 | 上海宝钢工业技术服务有限公司 | 电镀液在线检测系统及检测方法 |
US20160017511A1 (en) * | 2014-07-18 | 2016-01-21 | Technic, Inc. | Electrochemical characterization of plating solutions and plating performance |
CN205241845U (zh) * | 2015-11-04 | 2016-05-18 | 广东睿洁环保工程有限公司 | 一种电镀废水回收利用装置 |
WO2019133305A1 (en) * | 2017-12-28 | 2019-07-04 | Lam Research Corporation | Removal of electroplating bath additives |
CN110536258A (zh) * | 2019-08-09 | 2019-12-03 | 大连理工大学 | 一种UASNs中基于孤立森林的信任模型 |
WO2021026805A1 (zh) * | 2019-08-14 | 2021-02-18 | 东莞理工学院 | 对抗样本检测方法、装置、计算设备及计算机存储介质 |
US20210064933A1 (en) * | 2019-08-28 | 2021-03-04 | Nxp B.V. | Anomaly detection by classifying past behavior |
CN112410864A (zh) * | 2020-11-20 | 2021-02-26 | 安徽理工大学 | 一种基于NB-IoT技术的电镀液参数监测与控制系统设计 |
CN116952879A (zh) * | 2022-04-20 | 2023-10-27 | 华为技术有限公司 | 物质组分检测装置及方法 |
CN115175191A (zh) * | 2022-06-28 | 2022-10-11 | 南京邮电大学 | 一种基于elm和深度森林的混合模型异常流量检测系统及方法 |
CN218974383U (zh) * | 2022-11-24 | 2023-05-05 | 江苏芯德半导体科技有限公司 | 电镀液自动管控装置 |
CN116810825A (zh) * | 2023-08-30 | 2023-09-29 | 泓浒(苏州)半导体科技有限公司 | 一种真空环境下晶圆传送机械臂异常监测方法及系统 |
CN117031182A (zh) * | 2023-10-09 | 2023-11-10 | 威海锐恩电子股份有限公司 | 配电站所终端遥测值异常检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
满翔翔, 胡森荣: "基于 LoRa 的电镀液参数监控系统设计", 物联网技术, vol. 11, no. 6, 20 June 2021 (2021-06-20) * |
陈超, 王翀, 何为, 唐耀, 张伟华, 陶应国: "提高高厚径比通孔电镀铜均匀性 的溶液流动性研究", 印刷电路信息, vol. 2, 10 February 2022 (2022-02-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN117574296B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782739A (zh) | 设备故障的检修方法、装置、计算机设备和存储介质 | |
CN113377827B (zh) | 一种基于Conv-LSTM网络的窃电检测方法和系统 | |
CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
CN114997744A (zh) | 一种设备健康评估方法、装置、计算机设备及介质 | |
CN117574296B (zh) | 电镀槽液流分布的检测系统及其方法 | |
CN107706938B (zh) | 一种基于分位点回归的风电功率波动区间分析方法 | |
CN114800486B (zh) | 一种基于统计特征的工业机器人故障诊断方法及系统 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN109683594B (zh) | 一种异常变量精确识别与定位方法 | |
CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
CN117238388B (zh) | 一种基于数据分析的复合电镀用电镀液监管系统 | |
CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
CN116949546B (zh) | 一种用于电容器引出线的清洗控制方法 | |
CN108470699A (zh) | 一种半导体制造设备和工艺的智能控制系统 | |
CN117370857A (zh) | 一种水轮机调速器管理方法、装置、设备及存储介质 | |
CN112985867A (zh) | 舵机测试方法、装置、设备及存储介质 | |
CN112394163A (zh) | 一种原油含水量分析方法及装置 | |
CN116227389A (zh) | 气动热数据的预测方法及装置 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN109324145A (zh) | 在线监测设备自动标定方法及终端设备 | |
CN115292935A (zh) | 一种船舶及海洋结构物腐蚀防护状态评估及控制系统 | |
CN108536129A (zh) | 一种群智能搜索的相关向量机故障诊断系统 | |
CN113486553A (zh) | 基于泰森多边形区域划分的复杂装备可靠性分析方法 | |
CN106443557B (zh) | 一种基于大数据的计量设备误差分析方法 |
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 |