CN117608259A - 一种储存芯片生产设备的控制方法及系统 - Google Patents
一种储存芯片生产设备的控制方法及系统 Download PDFInfo
- Publication number
- CN117608259A CN117608259A CN202410100159.4A CN202410100159A CN117608259A CN 117608259 A CN117608259 A CN 117608259A CN 202410100159 A CN202410100159 A CN 202410100159A CN 117608259 A CN117608259 A CN 117608259A
- Authority
- CN
- China
- Prior art keywords
- processing
- product
- dimensional model
- production equipment
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 478
- 238000010586 diagram Methods 0.000 claims abstract description 171
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 32
- 230000001276 controlling effect Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000001105 regulatory effect Effects 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims description 42
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 206
- 238000005530 etching Methods 0.000 description 19
- 230000007547 defect Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 238000003754 machining Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011265 semifinished product Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及半导体加工控制技术领域，特别是一种储存芯片生产设备的控制方法及系统。获取当前待加工产品三维模型图，将当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；基于各项最优加工参数控制生产设备对待加工产品进行加工生产，对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理，实现了智能化加工生产，提高设备的稳定性与产品良率。
Description
技术领域
本发明涉及半导体加工控制技术领域，特别是一种储存芯片生产设备的控制方法及系统。
背景技术
储存芯片指的是计算机内存中用于储存数据的芯片，是一种半导体器件。储存芯片有多种类型，包括动态随机存取存储器、静态随机存取存储器、闪存存储器等。在芯片的生产过程中，蚀刻工艺步骤作为重要的工艺步骤之一，其通过蚀刻生产设备中发射出等离子体将未被光刻保护的部分材料去除，形成电路的轮廓，从而实现蚀刻加工工艺过程。然而，现有的蚀刻生产设备控制方法仍存在一些技术缺陷：一方面是，现有生产设备的控制方法可能缺乏高度的自动化，导致需要大量的人工干预和操作，增加了生产成本和风险，并且设备不具备智能调控功能，导致生产加工成本较高。另一方面是，现有生产设备的控制方法存在维护和监控困难的问题，无法自动实现故障定位，导致设备的故障诊断和维护成本较高。
发明内容
本发明克服了现有技术的不足，提供了一种储存芯片生产设备的控制方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种储存芯片生产设备的控制方法，包括以下步骤：
S102：获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；
S104：构建知识图谱，并将对各形态特征的目标加工产品进行加工的最优加工方案以及将与各目标加工产品相应的特征三维模图导入所述知识图谱中；并定期更新所述知识图谱；
S106：获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；
S108：基于各项最优加工参数控制生产设备对待加工产品进行加工生产，在加工生产过程中，在预设加工时间节点获取生产设备的各项实时加工参数；对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；
S110：若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。
进一步地，本发明的一个较佳实施例中，获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案，具体为：
S202：通过大数据网络获取目标加工产品所有可能存在的形态特征，并获取目标加工产品所有可能存在的形态特征相应的特征三维模图，得到目标加工产品的各种特征三维模图，并根据各种特征三维模图构建若干个分类空间；
S204：获取目标生产设备的运行日志信息，在所述运行日志信息中提取出经过目标生产设备加工后的各历史加工产品对应的历史加工产品三维模型图，以及获取对各历史加工产品进行加工时的历史加工方案，并获取通过各种历史加工方案对各历史加工产品进行加工后相应历史加工产品三维模型图的精度等级；
S206：随机访问并提取任意一个历史加工产品三维模型图，引入ICP算法，基于所述ICP算法计算该历史加工产品三维模型图与各特征三维模图之间的相似度，得到多个相似度，在多个相似度中提取出最大相似度，并将该历史加工产品三维模型图分配至与最大相似度对应的历史加工产品三维模型图的分类空间内；
S208：重复S206步骤，直至将所有历史加工产品三维模型图分配完毕，获取各个分类空间内各历史加工产品三维模型图的精度等级，构建排序表，将各个分类空间内各历史加工产品三维模型图的精度等级导入所述排序表中进行排序，得到排序结果，并在所述排序结果中提取出最高精度等级；
S210：获取与最高精度等级对应的历史加工产品三维模型图，并获取在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案，将在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案标定为对相应特征三维模图进行加工的最优加工方案。
进一步地，本发明的一个较佳实施例中，获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案，具体为：
在多个角度获取当前待加工产品的图像，通过SIFT算法对每张图像进行特征提取处理，得到每张图像中的特征点，并将不同图像中的特征点进行匹配；
根据匹配的特征点，计算出不同图像之间的视差信息，从而得到每个像素点的深度值，将每张图像中的像素点根据其深度值转换为三维空间中的点，从而生成待加工产品的点云数据；
利用泊松重建算法对待加工产品的点云数据进行模型重建处理，得到当前待加工产品三维模型图；
引入ICP算法，基于ICP算法计算所述当前待加工产品三维模型图与知识图谱中各特征三维模图之间的重合度，得到多个重合度；并在多个重合度中排序出最大重合度；
获取与最大重合度相应的特征三维模图，根据与最大重合度相应的特征三维模图在所述知识图谱中提取得到对该待加工产品进行加工的最优加工方案。
进一步地，本发明的一个较佳实施例中，对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态，具体为：
计算生产设备的各项实时加工参数与相应最优加工参数之间的差值，得到各项加工参数的参数偏差值；将各项加工参数的参数偏差值与预设阈值进行比较；
若某一项加工参数的参数偏差值大于预设阈值，则将该项加工参数标记为异常加工参数；若某一项加工参数的参数偏差值不大于预设阈值，则将该项加工参数标记为正常加工参数；
统计在当前预设加工时间节点生产设备中各项加工参数的状态，若在当前预设加工时间节点生产设备中各项加工参数的状态均为正常加工参数，则将生产设备的实时加工状态标定为正常状态；
若在当前预设加工时间节点生产设备中存在一项或多项加工参数的状态为异常加工参数，则将生产设备的实时加工状态标定为异常状态。
进一步地，本发明的一个较佳实施例中，若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理，具体为：
若生产设备的实时加工状态为异常状态，则在当前预设加工时间节点获取产品的实时加工图像，根据所述实时加工图像构建实时加工产品三维模型图；
根据所述最优加工方案获取得到在当前预设加工时间节点对加工进行加工时的标准加工产品三维模型图；
基于ICP算法计算所述实时加工产品三维模型图与标准加工产品三维模型图之间的重合率；并将所述重合率与预设重合率进行比较；
若所述重合率不大于预设重合率，则停止对当前产品进行加工生产，并对当前产品进行报废处理；
若所述重合率大于预设重合率，则根据相应的参数偏差值对各项异常加工参数进行调控后再对当前产品继续进行加工生产处理。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
在运行日志信息中提取出包含设备的运行参数和对应的故障位置与故障类型的故障数据集；并对所述故障数据集进行缺失值、异常值和数据转换处理，以确保数据的质量和可靠性；
在所述故障数据集中选择用于构建决策树的特征，所述特征为与设生产备运行参数以及故障位置和类型相关的属性特征；引入ID3算法，基于ID3算法并使用选定的特征和对应的故障位置与故障类型来构建决策树模型的节点；
根据信息增益、信息增益比以及基尼指数准则选择最优特征，并使用最优特征作为每个节点的划分依据；根据每个节点的划分依据递归地对故障数据集进行划分，直到各个节点的样本数均小于预定阈值，得到初始决策树模型；
获取初始决策树模型中各个节点所有归属的故障数据，并计算各个节点所有归属的故障数据与相应节点中心之间的欧氏距离，将欧氏距离大于预设欧氏距离的故障数据在相应节点中剔除，完成对初始决策树模型的剪枝操作，得到最终决策树模型；
若生产设备的实时加工状态为异常状态，则将生产设备的异常加工参数导入所述最终决策树模型中；据节点划分规则，对生产设备的异常加工参数逐步沿着树的分支进行判断；
判断生产设备的异常加工参数是否能够到达最终决策树模型的某一个各或多个节点；
若能够到达某一个各或多个节点，则根据叶子节点所代表的故障位置和故障类型生成预测结果，并将所述预测结果发送至预设平台上显示，并控制生产设备停机生产；若不能够到达某一个各或多个节点，则控制生产设备继续生产。
本发明第二方面公开了一种储存芯片生产设备的控制系统，所述储存芯片生产设备的控制系统包括存储器与处理器，所述存储器中存储有储存芯片生产设备的控制方法程序，当所述储存芯片生产设备的控制方法程序被所述处理器执行时，实现如下步骤：
S102：获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；
S104：构建知识图谱，并将对各形态特征的目标加工产品进行加工的最优加工方案以及将与各目标加工产品相应的特征三维模图导入所述知识图谱中；并定期更新所述知识图谱；
S106：获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；
S108：基于各项最优加工参数控制生产设备对待加工产品进行加工生产，在加工生产过程中，在预设加工时间节点获取生产设备的各项实时加工参数；对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；
S110：若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：
本方法通过获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；基于各项最优加工参数控制生产设备对待加工产品进行加工生产，对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。通过本控制方法可以优化生产设备的加工参数，实现了智能化加工生产，能够及时对不合格品进行排查报废处理，降低加工成本，提高经济效益，能够提高设备的稳定性，减少故障停机时间，从而提高产量和良率。
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，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实施例的附图。
图1为一种储存芯片生产设备的控制方法的整体方法流程图；
图2为一种储存芯片生产设备的控制方法的部分方法流程图；
图3为一种储存芯片生产设备的控制系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面公开了一种储存芯片生产设备的控制方法，包括以下步骤：
S102：获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；
S104：构建知识图谱，并将对各形态特征的目标加工产品进行加工的最优加工方案以及将与各目标加工产品相应的特征三维模图导入所述知识图谱中；并定期更新所述知识图谱；
S106：获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；
S108：基于各项最优加工参数控制生产设备对待加工产品进行加工生产，在加工生产过程中，在预设加工时间节点获取生产设备的各项实时加工参数；对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；
S110：若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。
需要说明的是，通过本控制方法可以优化生产设备的加工参数，实现了智能化加工生产，能够及时对不合格品进行排查报废处理，降低加工成本，提高经济效益；并且能够提高设备的稳定性，减少故障停机时间，从而提高产量和良率；并且系统可以监控设备的健康状况，对故障进行诊断定位，能够有效降低设备停机维护时间，提高生产效率。
如图2所示，进一步地，本发明的一个较佳实施例中，获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案，具体为：
S202：通过大数据网络获取目标加工产品所有可能存在的形态特征，并获取目标加工产品所有可能存在的形态特征相应的特征三维模图，得到目标加工产品的各种特征三维模图，并根据各种特征三维模图构建若干个分类空间；
S204：获取目标生产设备的运行日志信息，在所述运行日志信息中提取出经过目标生产设备加工后的各历史加工产品对应的历史加工产品三维模型图，以及获取对各历史加工产品进行加工时的历史加工方案，并获取通过各种历史加工方案对各历史加工产品进行加工后相应历史加工产品三维模型图的精度等级；
S206：随机访问并提取任意一个历史加工产品三维模型图，引入ICP算法，基于所述ICP算法计算该历史加工产品三维模型图与各特征三维模图之间的相似度，得到多个相似度，在多个相似度中提取出最大相似度，并将该历史加工产品三维模型图分配至与最大相似度对应的历史加工产品三维模型图的分类空间内；
S208：重复S206步骤，直至将所有历史加工产品三维模型图分配完毕，获取各个分类空间内各历史加工产品三维模型图的精度等级，构建排序表，将各个分类空间内各历史加工产品三维模型图的精度等级导入所述排序表中进行排序，得到排序结果，并在所述排序结果中提取出最高精度等级；
S210：获取与最高精度等级对应的历史加工产品三维模型图，并获取在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案，将在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案标定为对相应特征三维模图进行加工的最优加工方案。
需要说明的是，设备的运行日志是指记录设备运行状态、操作记录、异常报警、维护保养、产品加工情况等相关信息的日志文件，通常由设备自身或设备控制系统自动生成和记录。
需要说明的是，目标加工产品即是蚀刻加工产品，目标加工产品受前序工艺步骤以及存储运输环境等因素的影响，可能会存在一定程度的缺陷，致使各目标加工产品的尺寸形态难以始终维持一致，如目标加工产品中某一位置存在一定程度大小的凹陷等，而这些缺陷的存在对蚀刻效果会造成一定程度影响，如存在凹陷时，可能导致过度蚀刻的情况，导致产品加工后报废，总体来说，各目标加工产品在加工前的形态尺寸可能存在一定差异，而若始终使用同一参加工参数对目标加工产品进行加工的话，会受各产品差异性影响而导致加工后产品报废率大大升高。为了解决这一问题，可以先通过大数据网络中获取目标加工产品所有可能存在的形态特征，如不同位置类型缺陷的目标加工产品，并获取目标加工产品所有可能存在的形态特征相应的特征三维模图，如目标加工产品中某一部位存在一定程度大小形状所对应的特征三维模图，得到目标加工产品的各种特征三维模图，其中特征三维模图也包括理想状态的三维模型图，即产品不存在任何缺陷的模型图。然后根据各特征三维模图对各历史加工产品三维模型图进行归类，即将在相同位置上类型与尺寸差别基本相同的历史加工产品三维模型图归为同一类，并获取各个分类空间内各历史加工产品三维模型图的精度等级，再提取出最高精度等级的历史加工产品三维模型图，再获取与最高精度等级的历史加工产品三维模型图的历史加工方案，将在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案标定为对相应特征三维模图进行加工的最优加工方案。通过本方法结合设备的运行日志能够自动匹配出对各种形态特征产品进行加工生产时的最优加工方案，从而有效提高产品加工质量，并且能够根据历史加工状况不断更新最优加工方案，实现了智能化生产，能够有效降低产品报废率，降低加工成本。
进一步地，本发明的一个较佳实施例中，获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案，具体为：
在多个角度获取当前待加工产品的图像，通过SIFT算法对每张图像进行特征提取处理，得到每张图像中的特征点，并将不同图像中的特征点进行匹配；
根据匹配的特征点，计算出不同图像之间的视差信息，从而得到每个像素点的深度值，将每张图像中的像素点根据其深度值转换为三维空间中的点，从而生成待加工产品的点云数据；
利用泊松重建算法对待加工产品的点云数据进行模型重建处理，得到当前待加工产品三维模型图；
引入ICP算法，基于ICP算法计算所述当前待加工产品三维模型图与知识图谱中各特征三维模图之间的重合度，得到多个重合度；并在多个重合度中排序出最大重合度；
获取与最大重合度相应的特征三维模图，根据与最大重合度相应的特征三维模图在所述知识图谱中提取得到对该待加工产品进行加工的最优加工方案。
需要说明的是，当前待加工产品即是生产设备即将进行加工的产品，通过摄像机在多个角度获取当前待加工产品的图像，然后利用点云重构方式获取得到当前待加工产品三维模型图，然后通过ICP算法当前待加工产品三维模型图与知识图谱中各特征三维模图之间的重合度，获取与最大重合度相应的特征三维模图，根据与最大重合度相应的特征三维模图在所述知识图谱中提取得到对该待加工产品进行加工的最优加工方案。通过本方法能够根据当前待加工产品实际形态特征从而在知识图谱中匹配出对该产品进行加工的最优加工方案，实现了智能化加工生产，不需要人为干预，且本算法简单，不需要经过复杂的运算匹配流程步骤，能够有效提高系统响应速度，提高加工效率。
进一步地，本发明的一个较佳实施例中，对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态，具体为：
计算生产设备的各项实时加工参数与相应最优加工参数之间的差值，得到各项加工参数的参数偏差值；将各项加工参数的参数偏差值与预设阈值进行比较；
若某一项加工参数的参数偏差值大于预设阈值，则将该项加工参数标记为异常加工参数；若某一项加工参数的参数偏差值不大于预设阈值，则将该项加工参数标记为正常加工参数；
统计在当前预设加工时间节点生产设备中各项加工参数的状态，若在当前预设加工时间节点生产设备中各项加工参数的状态均为正常加工参数，则将生产设备的实时加工状态标定为正常状态；
若在当前预设加工时间节点生产设备中存在一项或多项加工参数的状态为异常加工参数，则将生产设备的实时加工状态标定为异常状态。
需要说明的是，在通过生产设备对产品加工生产过程中，可以在多个预设加工时间节点获取生产设备的各项实时加工参数，加工参数包括蚀刻温度、蚀刻速度、蚀刻功率、蚀刻压力、气体流量等。计算生产设备的各项实时加工参数与相应最优加工参数之间的差值，得到各项加工参数的参数偏差值，若某一项加工参数的参数偏差值大于预设阈值，则将该项加工参数标记为异常加工参数；若某一项加工参数的参数偏差值不大于预设阈值，则将该项加工参数标记为正常加工参数，若在当前预设加工时间节点生产设备中各项加工参数的状态均为正常加工参数，则说明生产设备的实时加工状态正常，此时不对设备进行调控处理。若在当前预设加工时间节点生产设备中存在一项或多项加工参数的状态为异常加工参数，则将生产设备的实时加工状态标定为异常状态，需要进行进一步分析。通过本方法能够快速分析出生产设备在加工过程中的加工状态。
进一步地，本发明的一个较佳实施例中，若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理，具体为：
若生产设备的实时加工状态为异常状态，则在当前预设加工时间节点获取产品的实时加工图像，根据所述实时加工图像构建实时加工产品三维模型图；
根据所述最优加工方案获取得到在当前预设加工时间节点对加工进行加工时的标准加工产品三维模型图；
基于ICP算法计算所述实时加工产品三维模型图与标准加工产品三维模型图之间的重合率；并将所述重合率与预设重合率进行比较；
若所述重合率不大于预设重合率，则停止对当前产品进行加工生产，并对当前产品进行报废处理；
若所述重合率大于预设重合率，则根据相应的参数偏差值对各项异常加工参数进行调控后再对当前产品继续进行加工生产处理。
需要说明的是，若生产设备的实时加工状态为异常状态，由于设备参数异常原因可能已经引起了产品加工时发生加工尺寸偏差问题，此时产品的尺寸可能已经不达标，如可能出现过度蚀刻。此时当前预设加工时间节点获取产品的实时加工图像，根据所述实时加工图像构建实时加工产品三维模型图，构建原理与上述待加工产品三维模型图构建原理相同；然后基于ICP算法计算所述实时加工产品三维模型图与标准加工产品三维模型图之间的重合率，若所述重合率不大于预设重合率，说明在当前时间节点产品尺寸规格已经不合格，则停止对当前产品进行加工生产，并立即对当前产品进行报废处理，从而不再对该已经是废品的半成品继续进行后续蚀刻加工过程，避免出现半成品已经是废品仍对其进行继续加工情况，能够有效节省加工成本，实现了智能化控制。
若所述重合率大于预设重合率，说明虽然加工设备的某一项或多项加工参数发生了异常，但并没有对加工产品的尺寸规格造成较大影响或者没有造成影响，在当前时间节点加工产品尺寸规格仍合格，此时则根据相应的参数偏差值对各项异常加工参数进行调控后再对当前产品继续进行加工生产处理，如若设备的蚀刻功率发生了异常，此时通过计算实时蚀刻功率与最优蚀刻功率之间的功率差值，通过该功率差值从新对发生异常的实时蚀刻功率进行调整，从而避免因加工参数长时间处于异常状态而导致加工产品不合格，能够有效降低产品报废率，实现了智能化控制。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
在运行日志信息中提取出包含设备的运行参数和对应的故障位置与故障类型的故障数据集；并对所述故障数据集进行缺失值、异常值和数据转换处理，以确保数据的质量和可靠性；
在所述故障数据集中选择用于构建决策树的特征，所述特征为与设生产备运行参数以及故障位置和类型相关的属性特征；引入ID3算法，基于ID3算法并使用选定的特征和对应的故障位置与故障类型来构建决策树模型的节点；
根据信息增益、信息增益比以及基尼指数准则选择最优特征，并使用最优特征作为每个节点的划分依据；根据每个节点的划分依据递归地对故障数据集进行划分，直到各个节点的样本数均小于预定阈值，得到初始决策树模型；
获取初始决策树模型中各个节点所有归属的故障数据，并计算各个节点所有归属的故障数据与相应节点中心之间的欧氏距离，将欧氏距离大于预设欧氏距离的故障数据在相应节点中剔除，完成对初始决策树模型的剪枝操作，得到最终决策树模型；
若生产设备的实时加工状态为异常状态，则将生产设备的异常加工参数导入所述最终决策树模型中；据节点划分规则，对生产设备的异常加工参数逐步沿着树的分支进行判断；
判断生产设备的异常加工参数是否能够到达最终决策树模型的某一个各或多个节点；
若能够到达某一个各或多个节点，则根据叶子节点所代表的故障位置和故障类型生成预测结果，并将所述预测结果发送至预设平台上显示，并控制生产设备停机生产；若不能够到达某一个各或多个节点，则控制生产设备继续生产。
需要说明的是，导致生产设备发生异常运行状态的主要原因包括设备自身故障因素与外界环境因素。在本方法中通过决策树模型进一步判断出设备是否是由于自身故障而导致的运行异常，决策树模型的结果可以直观地呈现为一棵树形结构，易于理解和解释，每个节点代表一个特征的判断，每个叶子节点代表一个故障位置或故障类型的预测，因此可以清晰地看到模型是如何做出预测的。具体而言，若生产设备的异常加工参数能够到达某一个各或多个节点，此时可以说明的是，生产设备中某一个或多个零件已经发生了故障，则根据叶子节点所代表的故障位置和故障类型生成预测结果，并将所述预测结果发送至预设平台上显示，并控制生产设备停机生产，以知会相应技术人员及时对故障设备进行维护，避免设备进一步引发更严重故障，并且通过本方法还能够对故障位置与故障类型进行定位，实现了故障智能诊断，能够省去技术人员对故障的排查时间，降低设备停机维护时间，提高生产效率。若不能够到达某一个各或多个节点，则说明造成设备发生异常运行状态是由于外界因素造成的，如受到碰撞振动等，此时说半成品产品依旧是合格品的话，控制生产设备继续生产即可。
此外，本方法还包括以下步骤：
根据运行日志信息获取基于所述最优加工方案对当前待加工产品进行加工时各个加工时间节点的预设温度分布图；
构建数据库，并将基于所述最优加工方案对当前待加工产品进行加工时各个加工时间节点的预设温度分布图导入所述数据库中，得到特性数据库；
在预设加工时间节点获取加工产品中各个预设位置节点的实时温度信息，根据所述实时温度信息构建实时温度分布图；并基于所述预设加工时间节点在所述特性数据库提取出与该预设加工时间节点相对应的预设温度分布图；
计算实时温度分布图与在特性数据库所提取的预设温度分布图之间的结构相似性指数；判断所述结构相似性指数是否大于预设值；
若大于，则说明在当前预设加工时间节点加工产品的内部结构正常，则控制生产设备继续对该产品进行加工生产；
若不大于，则说明在当前预设加工时间节点加工产品的内部结构异常，则控制生产设备停止对该产品进行加工生产，并对该产品进行报废处理；
同时，若不大于，则基于SIFT算法对所述实时温度分布图与在特性数据库所提取的预设温度分布图进行特征提取处理，得到实时等温线图与预设等温线图；
构建平面直角坐标系，并将所述实时等温线图与预设等温线图导入所述平面直角坐标系中，通过霍夫变换算法在平面直角坐标系对所述实时等温线图与预设等温线图进行配准处理；
配准完成后，将实时等温线图与预设等温线图相重合的线段部分剔除，保留不相重合的线段部分，获取与不相重合的线段部分相对应的产品区域位置，并将与不相重合的线段部分相对应的产品区域位置标定为缺陷位置；将所述缺陷位置上传至运行日志内。
需要说明的是，在对芯片进行蚀刻加工时，如果芯片内部发生了裂纹等缺陷，会导致等温线图发生改变，裂纹等缺陷可能导致芯片材料的破坏性变化，例如蚀刻加工时可能会导致裂纹扩展，进而改变了芯片的热传导性质和等温线图。因此，可以利用这一特征，在加工过程中通过无损的方式判断产品在加工过程中是否发生了缺陷，从而及时发生产品内部是否已经不符合要求规定，并及时对不符合规定的半产品及时报废处理，降低加工成本。另外，在本方法中还能够根据实时等温线图与预设等温线图分析出产品所发生的缺陷位置，并将缺陷位置等信息上传至运行日志上，以便于后续对引发该缺陷的原因进行详细溯源分析，从而不断优化设备加工参数。
此外，本方法还包括以下步骤：
获取待加工产品的材质性能信息，基于所述材质性能信息构建检索标签，基于所述检索标签在大数据网络中检索得到待加工产品在各个预设温度场条件之下产生裂纹的极限内应力值；
获取当前预设加工时间节点的实时加工产品三维模型图，以及获取当前预设加工时间节点对产品进行加工时各个位置区域的实际温度场；
基于有限元分析法，并结合对产品进行加工时各个位置区域的实际温度场，对所述实时加工产品三维模型图进行有限元分析，得到产品各个位置区域的实时内应力值；
将产品各个位置区域的实时内应力值逐一与所述极限内应力值进行比较；将实时内应力值大于极限内应力值的位置区域进行标记，得到裂纹预警区域；
根据所述裂纹预警区域的实时内应力值调控对该区域进行蚀刻加工时的加工参数。
需要说明的是，在对产品进行蚀刻加工过程中，产品受热作用会产生较大的内应力，当内应力大于一定值后，产品内部便会开裂，形成裂纹，从而造成产品报废，在本方法中通过实时分析判断产品的内应力情况，从而标记出容易受应力影响而开裂的裂纹预警区域，从而提取对设备加工参数进行调控，如通过调整蚀刻功率、蚀刻压力等来避免该区域在蚀刻过程中产生更高温度，避免产生更大内应力，从而有效降低产品报废率。
如图3所示，本发明第二方面公开了一种储存芯片生产设备的控制系统，所述储存芯片生产设备的控制系统包括存储器20与处理器100，所述存储器20中存储有储存芯片生产设备的控制方法程序，当所述储存芯片生产设备的控制方法程序被所述处理器100执行时，实现如下步骤：
S102：获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；
S104：构建知识图谱，并将对各形态特征的目标加工产品进行加工的最优加工方案以及将与各目标加工产品相应的特征三维模图导入所述知识图谱中；并定期更新所述知识图谱；
S106：获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；
S108：基于各项最优加工参数控制生产设备对待加工产品进行加工生产，在加工生产过程中，在预设加工时间节点获取生产设备的各项实时加工参数；对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；
S110：若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种储存芯片生产设备的控制方法，其特征在于，包括以下步骤：
S102：获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；
S104：构建知识图谱，并将对各形态特征的目标加工产品进行加工的最优加工方案以及将与各目标加工产品相应的特征三维模图导入所述知识图谱中；并定期更新所述知识图谱；
S106：获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；
S108：基于各项最优加工参数控制生产设备对待加工产品进行加工生产，在加工生产过程中，在预设加工时间节点获取生产设备的各项实时加工参数；对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；
S110：若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。
2.根据权利要求1所述的一种储存芯片生产设备的控制方法，其特征在于，获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案，具体为：
S202：通过大数据网络获取目标加工产品所有可能存在的形态特征，并获取目标加工产品所有可能存在的形态特征相应的特征三维模图，得到目标加工产品的各种特征三维模图，并根据各种特征三维模图构建若干个分类空间；
S204：获取目标生产设备的运行日志信息，在所述运行日志信息中提取出经过目标生产设备加工后的各历史加工产品对应的历史加工产品三维模型图，以及获取对各历史加工产品进行加工时的历史加工方案，并获取通过各种历史加工方案对各历史加工产品进行加工后相应历史加工产品三维模型图的精度等级；
S206：随机访问并提取任意一个历史加工产品三维模型图，引入ICP算法，基于所述ICP算法计算该历史加工产品三维模型图与各特征三维模图之间的相似度，得到多个相似度，在多个相似度中提取出最大相似度，并将该历史加工产品三维模型图分配至与最大相似度对应的历史加工产品三维模型图的分类空间内；
S208：重复S206步骤，直至将所有历史加工产品三维模型图分配完毕，获取各个分类空间内各历史加工产品三维模型图的精度等级，构建排序表，将各个分类空间内各历史加工产品三维模型图的精度等级导入所述排序表中进行排序，得到排序结果，并在所述排序结果中提取出最高精度等级；
S210：获取与最高精度等级对应的历史加工产品三维模型图，并获取在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案，将在对该最高精度等级对应的历史加工产品三维模型图进行加工时的历史加工方案标定为对相应特征三维模图进行加工的最优加工方案。
3.根据权利要求1所述的一种储存芯片生产设备的控制方法，其特征在于，获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案，具体为：
在多个角度获取当前待加工产品的图像，通过SIFT算法对每张图像进行特征提取处理，得到每张图像中的特征点，并将不同图像中的特征点进行匹配；
根据匹配的特征点，计算出不同图像之间的视差信息，从而得到每个像素点的深度值，将每张图像中的像素点根据其深度值转换为三维空间中的点，从而生成待加工产品的点云数据；
利用泊松重建算法对待加工产品的点云数据进行模型重建处理，得到当前待加工产品三维模型图；
引入ICP算法，基于ICP算法计算所述当前待加工产品三维模型图与知识图谱中各特征三维模图之间的重合度，得到多个重合度；并在多个重合度中排序出最大重合度；
获取与最大重合度相应的特征三维模图，根据与最大重合度相应的特征三维模图在所述知识图谱中提取得到对该待加工产品进行加工的最优加工方案。
4.根据权利要求1所述的一种储存芯片生产设备的控制方法，其特征在于，对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态，具体为：
计算生产设备的各项实时加工参数与相应最优加工参数之间的差值，得到各项加工参数的参数偏差值；将各项加工参数的参数偏差值与预设阈值进行比较；
若某一项加工参数的参数偏差值大于预设阈值，则将该项加工参数标记为异常加工参数；若某一项加工参数的参数偏差值不大于预设阈值，则将该项加工参数标记为正常加工参数；
统计在当前预设加工时间节点生产设备中各项加工参数的状态，若在当前预设加工时间节点生产设备中各项加工参数的状态均为正常加工参数，则将生产设备的实时加工状态标定为正常状态；
若在当前预设加工时间节点生产设备中存在一项或多项加工参数的状态为异常加工参数，则将生产设备的实时加工状态标定为异常状态。
5.根据权利要求4所述的一种储存芯片生产设备的控制方法，其特征在于，若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理，具体为：
若生产设备的实时加工状态为异常状态，则在当前预设加工时间节点获取产品的实时加工图像，根据所述实时加工图像构建实时加工产品三维模型图；
根据所述最优加工方案获取得到在当前预设加工时间节点对加工进行加工时的标准加工产品三维模型图；
基于ICP算法计算所述实时加工产品三维模型图与标准加工产品三维模型图之间的重合率；并将所述重合率与预设重合率进行比较；
若所述重合率不大于预设重合率，则停止对当前产品进行加工生产，并对当前产品进行报废处理；
若所述重合率大于预设重合率，则根据相应的参数偏差值对各项异常加工参数进行调控后再对当前产品继续进行加工生产处理。
6.根据权利要求1所述的一种储存芯片生产设备的控制方法，其特征在于，还包括以下步骤：
在运行日志信息中提取出包含设备的运行参数和对应的故障位置与故障类型的故障数据集；并对所述故障数据集进行缺失值、异常值和数据转换处理，以确保数据的质量和可靠性；
在所述故障数据集中选择用于构建决策树的特征，所述特征为与设生产备运行参数以及故障位置和类型相关的属性特征；引入ID3算法，基于ID3算法并使用选定的特征和对应的故障位置与故障类型来构建决策树模型的节点；
根据信息增益、信息增益比以及基尼指数准则选择最优特征，并使用最优特征作为每个节点的划分依据；根据每个节点的划分依据递归地对故障数据集进行划分，直到各个节点的样本数均小于预定阈值，得到初始决策树模型；
获取初始决策树模型中各个节点所有归属的故障数据，并计算各个节点所有归属的故障数据与相应节点中心之间的欧氏距离，将欧氏距离大于预设欧氏距离的故障数据在相应节点中剔除，完成对初始决策树模型的剪枝操作，得到最终决策树模型；
若生产设备的实时加工状态为异常状态，则将生产设备的异常加工参数导入所述最终决策树模型中；据节点划分规则，对生产设备的异常加工参数逐步沿着树的分支进行判断；
判断生产设备的异常加工参数是否能够到达最终决策树模型的某一个各或多个节点；
若能够到达某一个各或多个节点，则根据叶子节点所代表的故障位置和故障类型生成预测结果，并将所述预测结果发送至预设平台上显示，并控制生产设备停机生产；若不能够到达某一个各或多个节点，则控制生产设备继续生产。
7.一种储存芯片生产设备的控制系统，其特征在于，所述储存芯片生产设备的控制系统包括存储器与处理器，所述存储器中存储有储存芯片生产设备的控制方法程序，当所述储存芯片生产设备的控制方法程序被所述处理器执行时，实现如下步骤：
S102：获取目标加工产品所有可能存在的形态特征以及相应的特征三维模图，并基于运行日志信息与各特征三维模图分析得到对各形态特征的目标加工产品进行加工的最优加工方案；
S104：构建知识图谱，并将对各形态特征的目标加工产品进行加工的最优加工方案以及将与各目标加工产品相应的特征三维模图导入所述知识图谱中；并定期更新所述知识图谱；
S106：获取当前待加工产品三维模型图，将所述当前待加工产品三维模型图导入知识图谱中进行检索，得到对该待加工产品进行加工的最优加工方案；并在该最优加工方案中提取出生产设备在加工过程中的各项最优加工参数；
S108：基于各项最优加工参数控制生产设备对待加工产品进行加工生产，在加工生产过程中，在预设加工时间节点获取生产设备的各项实时加工参数；对生产设备的各项实时加工参数进行分析，得到生产设备的实时加工状态；
S110：若生产设备的实时加工状态为正常状态，则不对生产设备进行调控处理；若生产设备的实时加工状态为异常状态，则获取实时加工产品三维模型图，并对实时加工产品三维模型图进行分析，根据分析结果对生产设备进行相应调控处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410100159.4A CN117608259B (zh) | 2024-01-24 | 2024-01-24 | 一种储存芯片生产设备的控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410100159.4A CN117608259B (zh) | 2024-01-24 | 2024-01-24 | 一种储存芯片生产设备的控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117608259A true CN117608259A (zh) | 2024-02-27 |
| CN117608259B CN117608259B (zh) | 2024-05-28 |
Family
ID=89950269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410100159.4A Active CN117608259B (zh) | 2024-01-24 | 2024-01-24 | 一种储存芯片生产设备的控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117608259B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850216A (zh) * | 2024-03-08 | 2024-04-09 | 深圳市锐赛科技有限公司 | 一种亚克力镜片生产设备智能控制方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119872A (zh) * | 2021-11-25 | 2022-03-01 | 四川大学华西医院 | 基于人工智能大数据分析3d打印脊柱内植物的方法 |
| CN115222602A (zh) * | 2022-08-15 | 2022-10-21 | 北京城市网邻信息技术有限公司 | 图像拼接方法、装置、设备及存储介质 |
| CN116700016A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
| CN116882790A (zh) * | 2023-09-06 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种矿山生态修复区域的碳排放设备管理方法及系统 |
| CN116992740A (zh) * | 2023-09-26 | 2023-11-03 | 深圳市松青锌镁铝精密压铸有限公司 | 一种通讯基站精密部件生产设备的智能调控方法及系统 |
| CN117274259A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市利新联电子有限公司 | 一种基于物联网的键盘生产设备管理方法及系统 |
| CN117323578A (zh) * | 2023-12-01 | 2024-01-02 | 深圳恩多克医疗有限公司 | 一种红外治疗仪智能控制方法及系统 |
| CN117440308A (zh) * | 2023-12-21 | 2024-01-23 | 深圳市好兄弟电子有限公司 | 一种麦克风话筒生产产线智能控制方法及系统 |
-
2024
- 2024-01-24 CN CN202410100159.4A patent/CN117608259B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119872A (zh) * | 2021-11-25 | 2022-03-01 | 四川大学华西医院 | 基于人工智能大数据分析3d打印脊柱内植物的方法 |
| CN115222602A (zh) * | 2022-08-15 | 2022-10-21 | 北京城市网邻信息技术有限公司 | 图像拼接方法、装置、设备及存储介质 |
| CN116700016A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
| CN116882790A (zh) * | 2023-09-06 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种矿山生态修复区域的碳排放设备管理方法及系统 |
| CN116992740A (zh) * | 2023-09-26 | 2023-11-03 | 深圳市松青锌镁铝精密压铸有限公司 | 一种通讯基站精密部件生产设备的智能调控方法及系统 |
| CN117274259A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市利新联电子有限公司 | 一种基于物联网的键盘生产设备管理方法及系统 |
| CN117323578A (zh) * | 2023-12-01 | 2024-01-02 | 深圳恩多克医疗有限公司 | 一种红外治疗仪智能控制方法及系统 |
| CN117440308A (zh) * | 2023-12-21 | 2024-01-23 | 深圳市好兄弟电子有限公司 | 一种麦克风话筒生产产线智能控制方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850216A (zh) * | 2024-03-08 | 2024-04-09 | 深圳市锐赛科技有限公司 | 一种亚克力镜片生产设备智能控制方法及系统 |
| CN117850216B (zh) * | 2024-03-08 | 2024-05-24 | 深圳市锐赛科技有限公司 | 一种亚克力镜片生产设备智能控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117608259B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117608259B (zh) | 一种储存芯片生产设备的控制方法及系统 | |
| CN110709688B (zh) | 用于预测在装配单元中的缺陷的方法 | |
| JP4878085B2 (ja) | 製造工程のための管理方法 | |
| CN111340063B (zh) | 一种磨煤机数据异常检测方法 | |
| CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
| CN116521904B (zh) | 一种基于5g边缘计算的船舶制造数据云融合方法及系统 | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 | |
| CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
| CN116931534B (zh) | 基于物联网的刺绣产品生产控制方法及系统 | |
| CN116228766B (zh) | 一种等离子加工设备的智能调控方法及系统 | |
| CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
| CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN116150989A (zh) | 光伏组件制造方法和光伏组件 | |
| CN116307359A (zh) | 生产过程管理方法、装置、设备及存储介质 | |
| CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
| CN117273980B (zh) | 基于数据分析的智慧工厂管理方法、系统及存储介质 | |
| CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 | |
| CN116842415B (zh) | 一种镜面放电加工机的远程监测方法、系统及介质 | |
| CN117740811B (zh) | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 | |
| CN117577759B (zh) | 一种led封装设备智能控制方法及系统 | |
| CN116880365B (zh) | 设备生产过程的监控方法、系统和可读存储介质 | |
| CN117893542A (zh) | 一种基于图像处理技术的绝缘电缆生产方法及系统 | |
| CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 |
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 |