CN117973750A - 一种不同工站和工序的光器件参数管理方法及系统 - Google Patents

一种不同工站和工序的光器件参数管理方法及系统 Download PDF

Info

Publication number
CN117973750A
CN117973750A CN202311835086.5A CN202311835086A CN117973750A CN 117973750 A CN117973750 A CN 117973750A CN 202311835086 A CN202311835086 A CN 202311835086A CN 117973750 A CN117973750 A CN 117973750A
Authority
CN
China
Prior art keywords
optical device
device parameter
samples
parameter data
managed
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.)
Pending
Application number
CN202311835086.5A
Other languages
English (en)
Inventor
朱子超
王四俊
王桥
赵彪
马梅芳
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.)
Shenzhen Lizi Photoelectric Technology Co ltd
Original Assignee
Shenzhen Lizi Photoelectric Technology 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 Shenzhen Lizi Photoelectric Technology Co ltd filed Critical Shenzhen Lizi Photoelectric Technology Co ltd
Priority to CN202311835086.5A priority Critical patent/CN117973750A/zh
Publication of CN117973750A publication Critical patent/CN117973750A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Optical Communication System (AREA)

Abstract

本申请实施例提供一种不同工站和工序的光器件参数管理方法及系统。其中，确定待管理的光器件参数；将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果；基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理。本申请实施例提供的技术方案能够提高光器件参数的管理效率。

Description

一种不同工站和工序的光器件参数管理方法及系统
技术领域
本申请实施例涉及光器件参数管理技术领域，尤其涉及一种不同工站和工序的光器件参数管理方法及系统。
背景技术
光器件是指能够控制、产生或者调节光的设备或组件。在光学器件制造和生产过程中，光器件参数的管理对于确保光器件的质量和性能至关重要。光器件参数包括但不限于光强、光谱特性、波长、色彩准确性等。因此，开发一种能够管理不同工站和工序的光器件参数的方法及系统具有重要意义。
传统上，针对光器件参数的管理通常采用手动记录和人工对比的方式。工作人员在每个工站和工序中手动记录和跟踪光器件参数，然后与预设的标准值进行对比。
然而传统方案依赖人工操作，容易造成耗时耗力，光器件参数管理效率低下的问题。
发明内容
本申请实施例提供一种不同工站和工序的光器件参数管理方法及系统，用以解决现有技术中光器件参数管理效率低的问题。
第一方面，本申请实施例中提供了一种不同工站和工序的光器件参数管理方法，包括：
确定待管理的光器件参数；
将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；
基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；
基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
可选地，所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，包括：
将多个样本下的光器件参数数据作为参数关联矩阵的列，将所述多个样本中不同的光器件参数数据之间的第一相关系数作为参数关联矩阵的行，以构建参数关联矩阵；
从所述参数关联矩阵中，筛选出关联性符合预设条件的光器件参数数据；
建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；
在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
可选地，在所述将多个样本下的光器件参数数据作为参数关联矩阵的列，将所述多个样本中不同的光器件参数数据之间的相关系数作为参数关联矩阵的行，以构建参数关联矩阵之前，还包括：
计算多个样本下每个待管理的光器件参数对应的光器件参数数据的均值；
计算多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差；
根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；
根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数。
可选地，所述根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差，包括：
通过公式：计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；
其中，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，Xi是待管理的光器件参数A在第i个样本中的光器件参数数据，μA表示为多个样本下待管理的光器件参数A对应的光器件参数数据的均值，Yi是待管理的光器件参数B在第i个样本中的光器件参数数据，μB表示为多个样本下待管理的光器件参数B对应的光器件参数数据的均值，Σ表示对所有样本求和，n表示为样本个数，wi表示为第i个样本的权重；
所述根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数，包括：
所述根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数，包括：
通过公式：计算出多个样本中不同的光器件参数数据之间的第一相关系数；
其中，ρ(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的第一相关系数，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，σA表示为待管理的光器件参数A对应的光器件参数数据的标准差，σB表示为待管理的光器件参数B对应的光器件参数数据的标准差。
可选地，所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，包括：
根据获取的第二相关系数，从多个样本下的光器件参数数据中，筛选出关联性符合预设条件的光器件参数数据，所述第二相关系数根据多个样本下的光器件参数数据所确定；
建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；
在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
可选地，在所述根据获取的第二相关系数，从多个样本下的光器件参数数据中，筛选出关联性符合预设条件的光器件参数数据之前，还包括：
将多个样本下的光器件参数数据进行标准化处理，并通过高斯核函数，计算不同的光器件参数数据之间的相似度；
根据不同的光器件参数数据之间的相似度，生成高斯核函数矩阵；
对所述高斯核函数矩阵进行中心化处理，以获取中心化核矩阵；
根据所述中心化核矩阵，计算出第二相关系数，所述第二相关系数是指所述中心化核矩阵中的光器件参数数据之比。
可选地，还包括：创建光器件参数数据库，并将收集到的待管理的光器件参数在多个样本下的光器件参数数据存储至所述光器件参数数据库。
第二方面，本申请实施例提供了一种同工站和工序的光器件参数管理系统，包括：
确定模块，用于确定待管理的光器件参数；
收集模块，用于将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；
分析模块，用于基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；
管理模块，用于基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
第三方面，本申请实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如上述第一方面所述的同工站和工序的光器件参数管理方法。
第四方面，本申请实施例提供了一种计算机存储介质，存储有计算机程序，所述计算程序被计算机执行时，实现如上述第一方面所述的同工站和工序的光器件参数管理方法。
本申请实施例中，确定待管理的光器件参数；将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
上述光器件参数管理方法的有益效果包括：
提高光器件制造过程的效率：通过将制造过程划分为不同工站和工序，并收集光器件参数数据，可以实现对参数的实时监测和控制。这样可以及时发现问题并采取相应的措施，从而提高生产效率。
提升光器件质量和性能：通过参数关联性分析，可以深入了解不同光器件参数之间的相关性或关联程度。这有助于确定哪些参数对光器件的质量和性能影响较大，从而将重点放在关键参数的控制上，以提升光器件的质量和性能。
精确的参数管理和控制：根据参数关联性分析的结果，可以对待管理的光器件参数进行分类、添加标签，或定义规范范围和限制条件。这有助于实现对参数的精确管理和控制，确保光器件参数在规定范围内，以满足产品要求。
数据整合和分析：通过收集多个样本下的光器件参数数据，并进行参数关联性分析，可以将数据整合和分析，从而获得更深入的洞察和优化。这有助于发现潜在的问题和改进机会，提高生产过程的效率和质量。
综上所述，该光器件参数管理方法通过划分工站和工序、参数关联性分析和精确的参数管理和控制，可以提高光器件制造过程的效率、质量和性能，实现数据整合和分析，从而带来有益的效果。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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不同工站和工序的光器件参数管理方法的流程图；
图2为本申请实施例提供的一种参数关联性分析流程的流程图；
图3为本申请实施例提供的一种不同工站和工序的光器件参数管理系统的结构示意图；
图4为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本申请实施例提供的一种不同工站和工序的光器件参数管理方法及系统可以应用于光学器件制造和生产过程的管理和控制。这种方法和系统可以用于管理和监测光器件在不同工站和工序中的参数，以确保光器件的质量和性能符合要求。
具体来说，该方法和系统可以应用于以下技术领域：
光通信：光通信是利用光学器件传输和处理信息的技术。在光通信领域中，光器件的参数管理至关重要，以确保光信号的传输质量和稳定性。
光传感：光传感是利用光学器件感知和检测环境信息的技术。在光传感领域中，光器件的参数管理可以确保传感器的灵敏度、准确性和稳定性。
激光加工：激光加工是利用激光器件进行材料切割、焊接、打标等加工过程的技术。在激光加工领域中，光器件的参数管理可以确保激光加工系统的稳定性和加工质量。
光学成像：光学成像是利用光学器件捕捉和处理图像的技术。在光学成像领域中，光器件的参数管理可以确保成像系统的分辨率、对比度和色彩准确性。
总之，该方法和系统可以应用于需要对光器件参数进行管理和控制的各种光学技术领域，以提高光器件的质量和性能，并确保光学系统的稳定性和可靠性。
发明人研究发现，传统上，针对光器件参数的管理通常采用手动记录和人工对比的方式。工作人员在每个工站和工序中手动记录和跟踪光器件参数，然后与预设的标准值进行对比。这种方法存在以下问题：人工操作容易出现错误和误差，导致数据不准确。需要大量的人力和时间，效率较低。无法实时监测和控制光器件参数，难以及时发现问题和调整。
现有管理方法存在的缺陷：传统的光器件管理方法存在一些缺陷，包括但不限于以下方面：数据记录和跟踪的准确性有限，易受到人为因素的干扰。无法实时监测和控制光器件参数，难以快速发现和解决问题。依赖人工操作，耗时耗力，效率低下。数据难以整合和分析，无法从中得到更深入的洞察和优化。
因此，为了解决传统光器件管理方法存在的问题，需要开发一种基于不同工站和工序的光器件参数管理方法及系统，以实现自动化记录、实时监测和控制、数据整合和分析等功能，提高光器件制造和生产过程的效率和质量。
鉴于此，本申请提供了一种不同工站和工序的光器件参数管理方法，该方法包括：确定待管理的光器件参数；将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
本申请实施例提供的光器件参数管理方法通过划分工站和工序、参数关联性分析和精确的参数管理和控制，可以提高光器件制造过程的效率、质量和性能，实现数据整合和分析，从而能够有效提高光器件参数管理效率。
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，本领域技术人员在没有作出创造性劳动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。
图1为本申请实施例提供的一种不同工站和工序的光器件参数管理方法的流程图，如图1所示，该方法包括：
101、确定待管理的光器件参数；
在该步骤中，确定待管理的光器件参数是指在光器件制造过程中，确定需要进行监控、控制和管理的关键参数。这些参数对光器件的质量、性能和稳定性有着重要的影响，因此需要对其进行有效的管理和控制，以确保光器件的一致性和可靠性。
在光器件制造过程中，根据具体的应用和要求，可以确定不同的光器件参数进行管理。以下是一个具体的实施例：
假设制造的是一种光通信的激光二极管器件，其待管理的光器件参数可以包括：
波长：激光二极管的输出光波长，该参数对于光通信系统的兼容性和性能有着重要影响；
光功率：激光二极管的输出功率，该参数决定了光信号的传输距离和信号质量；
光谱宽度：激光二极管的输出光谱宽度，该参数影响光信号的频谱特性和调制带宽；
效率：激光二极管的电光转换效率，该参数衡量了器件的能源利用效率和发热情况。
在具体实施中，可以使用各种测量设备和测试方法来获取这些光器件参数的实际值，并将其记录和存储在数据库或数据管理系统中。然后，可以通过设定规定的参数范围和限制条件来管理这些参数，以确保光器件在制造过程中的质量和性能符合要求。
例如，可以设定波长在特定范围内，光功率达到一定的最小值，光谱宽度在特定范围内，效率达到一定的最低值等。如果某个光器件参数超出了设定的范围或限制条件，可以及时采取调整或修正措施，以确保光器件的质量和性能符合要求。
102、将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；
在该步骤中，将光器件的制造过程划分为不同工站和工序是为了更好地组织和管理制造过程中的各个环节和操作。每个工站和工序负责特定的任务和操作，通过划分和组织，可以更有效地收集和管理待管理的光器件参数数据。
以制造一种光通信的激光二极管器件为例，将光器件的制造过程划分为不同的工站和工序，以收集待管理的光器件参数在多个样本下的光器件参数数据。
假设光器件的制造过程包括以下几个工站和工序：
工站1：芯片生长；
工站2：芯片加工；
工站3：封装和测试；
在每个工站和工序中，可以收集光器件参数数据并记录在数据库或数据管理系统中。例如，在工站1的芯片生长过程中，可以收集并记录每个样本的波长和光功率数据。在工站2的芯片加工过程中，可以收集并记录每个样本的光谱宽度和效率数据。在工站3的封装和测试过程中，可以再次收集并记录每个样本的波长、光功率、光谱宽度和效率等数据。
通过这种方式，可以在不同工站和工序下收集到多个样本的光器件参数数据，这些数据可以用于后续的参数关联性分析、参数管理和控制等工作。同时，通过对不同工站和工序下的样本的光器件参数数据的分析，可以更好地了解制造过程中参数的变化和影响，以优化制造过程和提高光器件的质量和性能。
103、基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果；
在该步骤中，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度。基于多个样本下的光器件参数数据，可以进行参数关联性分析，以获取不同光器件参数数据之间的相关性或关联程度。参数关联性分析可以帮助我们了解不同参数之间的相互关系，以及它们对光器件性能的影响。
本申请实施例中，具体实施参数关联性分析的步骤如下：
数据收集：收集不同样本下的光器件参数数据，包括不同工站和工序下的样本，以确保数据的准确性和完整性。
数据预处理：对收集到的数据进行预处理，包括数据清洗、去除异常值、填补缺失值等，以确保数据的质量和可靠性。
相关性分析方法选择：根据数据的性质和分布情况，选择合适的相关性分析方法。常用的方法包括皮尔逊相关系数、斯皮尔曼相关系数、判定系数等。选择合适的方法可以更准确地描述参数之间的关联程度。
相关性分析计算：利用所选的相关性分析方法，计算不同光器件参数之间的相关性系数。相关性系数的值介于-1到1之间，越接近1表示正相关性越强，越接近-1表示负相关性越强，接近0表示无相关性。
结果解释：根据相关性系数的计算结果，进行结果的解释和分析。可以根据相关性系数的大小和正负来判断不同光器件参数之间的关联程度。同时，可以绘制相关性矩阵图或散点图等可视化工具，更直观地展示参数之间的关联性。
通过参数关联性分析，可以识别出不同光器件参数之间的关联关系，帮助我们更好地理解和掌握光器件制造过程中的参数变化和影响。这些结果可以为参数管理、控制和优化提供指导，以提高光器件的性能和质量。
104、基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理。
在该步骤中，对所述待管理的光器件参数进行管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
本申请实施例中，基于参数关联性分析的结果，可以对待管理的光器件参数进行以下管理措施：
参数分类：根据参数关联性分析的结果，将光器件参数进行分类。将具有高相关性的参数放在同一类别下，以便更好地进行管理和分析。例如，将与光功率相关的参数归类为一类，将与光谱宽度相关的参数归类为另一类。
参数标签：为待管理的光器件参数添加标签，以便快速识别和区分不同的参数。标签可以根据参数的功能、工站、工序或其他特征来定义。例如，可以为不同工站下的参数添加相应的标签，如芯片生长参数、芯片加工参数、封装测试参数等。
规范范围和限制条件：对每个待管理的光器件参数定义规范范围和限制条件。规范范围指定参数的理想值或目标范围，以便进行对比和评估。限制条件是对参数值的限制，确保参数在合理范围内，以避免对光器件性能产生负面影响。例如，对于光功率参数，可以定义一个目标范围和上下限，超出范围的数据可以被标记为异常值。
通过对待管理的光器件参数进行分类、标签和规范范围的定义，可以更好地组织和管理这些参数，并提供一定的指导和限制条件，以确保光器件制造过程中参数的控制和优化。这有助于提高光器件的一致性和性能，并减少制造过程中的不确定性和偏差。
可选地，本申请实施例中，作为一种可能实现的方案，如图2所示，步骤103可具体包括：
1031、将多个样本下的光器件参数数据作为参数关联矩阵的列，将所述多个样本中不同的光器件参数数据之间的第一相关系数作为参数关联矩阵的行，以构建参数关联矩阵；
在该步骤中，将多个样本下的光器件参数数据组成参数关联矩阵。每个样本对应矩阵的一列，不同光器件参数数据对应矩阵的一行。相关系数是衡量两个光器件参数之间关联程度的统计指标，选择其中的第一相关系数作为参数关联矩阵的行。通过这样的构建，可以清晰地展示不同样本和参数之间的关联性。
1032、从所述参数关联矩阵中，筛选出关联性符合预设条件的光器件参数数据；
在该步骤中，根据预设条件，从参数关联矩阵中筛选出关联性符合预设条件的光器件参数数据。可以基于相关系数的大小、正负、显著性等因素进行筛选，以选择出具有较高关联性的参数数据。
1033、建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；
在该步骤中，根据关联性符合预设条件的光器件参数数据，建立一个关联度网络。在该网络中，每个光器件参数数据对应一个节点，不同光器件参数数据之间的关联性表示为节点之间的边。边的权重根据不同光器件参数数据之间的关联性的强度确定，强关联性的数据对应较高权重的边。
1034、在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
在该步骤中，基于关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。可以通过分析网络中的节点和边的分布、连接情况等，来理解和解释不同样本下参数之间的关联程度。这样的结果可以为参数管理和优化提供指导，并帮助决策者更好地了解参数之间的相互作用和影响。
本申请实施例中，假设有三个样本分别为样本A、样本B和样本C，每个样本中有三个不同的光器件参数数据，以下简称为参数1、参数2和参数3。通过计算第一相关系数，得到参数关联矩阵如下表1所示：
表1
参数1 参数2 参数3
样本A 0.8 0.6 0.4
样本B 0.7 0.9 0.3
样本C 0.5 0.2 0.6
假设预设条件为相关系数大于等于0.6，根据条件筛选出关联性符合预设条件的光器件参数数据为参数1、参数2和参数3。基于这些参数数据，建立关联度网络如下：
节点：参数1、参数2、参数3边：参数1-参数2、参数1-参数3、参数2-参数3边的权重根据相关系数的强度确定，如参数1-参数2的权重为0.8，参数1-参数3的权重为0.4，参数2-参数3的权重为0.2。
通过分析关联度网络的拓扑结构，可以得到多个样本下的参数关联性分析的结果，例如可以发现参数1和参数2之间具有较强的正相关性，参数2和参数3之间具有较弱的正相关性。这样的结果可以帮助决策者更好地理解不同样本下参数之间的关联程度，并为参数管理提供指导。
可选地，本申请实施例中，在步骤1031之前，还包括：计算多个样本下每个待管理的光器件参数对应的光器件参数数据的均值；计算多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差；根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数。
可选地，所述根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差，包括：
通过公式：计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；
其中，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，Xi是待管理的光器件参数A在第i个样本中的光器件参数数据，μA表示为多个样本下待管理的光器件参数A对应的光器件参数数据的均值，Yi是待管理的光器件参数B在第i个样本中的光器件参数数据，μB表示为多个样本下待管理的光器件参数B对应的光器件参数数据的均值，Σ表示对所有样本求和，n表示为样本个数，wi表示为第i个样本的权重；
所述根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数，包括：
所述根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数，包括：
通过公式：计算出多个样本中不同的光器件参数数据之间的第一相关系数；
其中，ρ(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的第一相关系数，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，σA表示为待管理的光器件参数A对应的光器件参数数据的标准差，σB表示为待管理的光器件参数B对应的光器件参数数据的标准差。
通过以上步骤的处理，我们可以计算出光器件参数A和光器件参数B在不同样本下的均值、标准差、协方差和第一相关系数。这些参数可以用于光器件参数的管理和分析，帮助决策者更好地理解和优化光器件参数。
需要说明的是，若待管理的光器件参数不限于待管理的光器件参数A和待管理的光器件参数B，还包括待管理的光器件参数C等其他待管理的光器件参数，则需要针对每两个待管理的光器件参数计算他们之间的第一相关系数。
可选地，本申请实施例中，作为另一种可能实现的方案，步骤103还可以具体包括：
1031’、根据获取的第二相关系数，从多个样本下的光器件参数数据中，筛选出关联性符合预设条件的光器件参数数据，所述第二相关系数根据多个样本下的光器件参数数据所确定；
在该步骤中，根据多个样本下的光器件参数数据计算第二相关系数，并根据预设条件筛选出关联性符合预设条件的光器件参数数据。第二相关系数是衡量两个光器件参数之间关联程度的统计指标，根据不同样本下的光器件参数数据计算得到。根据预设条件，选择符合条件的光器件参数数据。
1032’、建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；
在该步骤中，根据关联性符合预设条件的光器件参数数据，建立一个关联度网络。在该网络中，每个光器件参数数据对应一个节点，不同光器件参数数据之间的关联性表示为节点之间的边。边的权重根据不同光器件参数数据之间的参数关联性的强度确定。
1033’、在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
在该步骤中，基于关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。可以通过分析网络中的节点和边的分布、连接情况等，来理解和解释不同样本下参数之间的关联程度。这样的结果可以为参数管理和优化提供指导，并帮助决策者更好地了解参数之间的相互作用和影响。
本申请实施例中，假设有三个样本分别为样本A、样本B和样本C，每个样本中有三个不同的光器件参数数据，以下简称为参数1、参数2和参数3。
通过计算第二相关系数，得到关联性如下：
样本A下的参数1与参数2的第二相关系数为0.7；
样本A下的参数1与参数3的第二相关系数为0.4；
样本A下的参数2与参数3的第二相关系数为0.2；
样本B和样本C下的参数之间的第二相关系数与样本A类似。
假设预设条件为第二相关系数大于等于0.5，根据条件筛选出关联性符合预设条件的光器件参数数据为参数1与参数2。基于这些参数数据，建立关联度网络如下：
节点：参数1、参数2；
边：参数1-参数2；
边的权重根据第二相关系数的强度确定，如参数1-参数2的权重为0.7。
通过分析关联度网络的拓扑结构，可以得到多个样本下的参数关联性分析的结果，例如可以发现参数1和参数2之间具有较强的正相关性。这样的结果可以帮助决策者更好地理解不同样本下参数之间的关联程度，并为参数管理提供指导。
可选地，本申请实施例中，在步骤1031’之前，还包括：将多个样本下的光器件参数数据进行标准化处理，并通过高斯核函数，计算不同的光器件参数数据之间的相似度；根据不同的光器件参数数据之间的相似度，生成高斯核函数矩阵；对所述高斯核函数矩阵进行中心化处理，以获取中心化核矩阵；根据所述中心化核矩阵，计算出第二相关系数，所述第二相关系数是指所述中心化核矩阵中的光器件参数数据之比。
在该步骤中，对多个样本下的光器件参数数据进行标准化处理，以消除不同样本之间的尺度差异。然后，利用高斯核函数计算不同光器件参数数据之间的相似度。高斯核函数是一种常用的非线性核函数，可以根据光器件参数数据的相似性来计算它们之间的相关程度。根据不同的光器件参数数据之间的相似度，生成一个高斯核函数矩阵。该矩阵的每个元素表示对应光器件参数数据之间的相似度。对生成的高斯核函数矩阵进行中心化处理。中心化处理可以减去矩阵的均值，以便消除矩阵中的全局偏移。通过这样的处理，可以得到中心化核矩阵。根据中心化核矩阵计算出第二相关系数。第二相关系数是指中心化核矩阵中的光器件参数数据之比，用于衡量不同光器件参数数据之间的关联程度。通过计算第二相关系数，可以获取光器件参数数据之间的关联性信息。
通过以上额外步骤的处理，可以更全面地分析不同样本下光器件参数数据的关联性。这些步骤的实施可以提高参数管理的准确性和可靠性，并帮助决策者更好地理解和优化光器件参数。
本申请实施例中，假设我们有两个变量X和Y的原始数据如下：
X：[10,20,15,25,30]；
Y：[5,15,10,20,25]；
将原始数据标准化：可选地，通过使用Z-score标准化方法对X和Y进行标准化，即减去均值并除以标准差，即得到X的标准化数据为：X_std：[-1.26491106,-0.63245553,-0.9486833,0.31622777,1.5797769]；Y的标准化数据为：Y_std：[-1.26491106,-0.63245553,-0.9486833,0.31622777,1.5797769]；
计算高斯核函数：
可选地，使用高斯核函数来度量X和Y之间的相似度。高斯核函数的公式为：K(x,y)＝exp(-γ*||x-y||2)，其中γ是一个调节参数，||x-y||表示向量x和向量y之间的欧氏距离。
假设取γ＝0.5，计算X和Y之间的高斯核函数值：
则高斯核函数矩阵为：
K＝[1.00000000,0.77880078,0.77880078,0.10539922,0.01110900][0.77880078,1.00000000,0.77880078,0.10539922,0.01110900][0.77880078,0.77880078,1.00000000,0.77880078,0.10539922][0.10539922,0.10539922,0.77880078,1.00000000,0.77880078][0.01110900,0.01110900,0.10539922,0.77880078,1.00000000]
计算中心化核矩阵：
可选地，对高斯核函数矩阵进行中心化，以消除样本之间的总体偏差。中心化的方法是减去每一行和每一列的均值，并加上总体均值。中心化核矩阵的计算公式为：Kc＝H*K*H，其中H是一个中心化矩阵，它是一个单位矩阵减去一个全1矩阵除以样本数量。
中心化核矩阵为：
K_c＝[-0.15238095,-0.15238095,-0.15238095,0.15238095,0.30476190]
[-0.15238095,-0.15238095,-0.15238095,0.15238095,0.30476190][-0.15238095,-0.15238095,-0.15238095,0.15238095,0.30476190][0.15238095,0.15238095,0.15238095,-0.15238095,-0.30476190][0.30476190,0.30476190,0.30476190,-0.30476190,-0.60952381]
计算第二相关系数：
可选地，使用中心化核矩阵计算非线性皮尔逊相关系数。非线性皮尔逊相关系数是中心化核矩阵的特征值之比。计算中心化核矩阵的特征值和特征向量，其中特征值按降序排列。
中心化核矩阵的特征值为：
λ＝[1.00000000,0.79056942,0.00000000,-0.40456942,-1.38600000]
根据特征值计算第二相关系数：
在这个例子中，第二相关系数为0.10526316，表示X和Y之间具有较弱的非线性关系。请注意，这个例子中所使用的高斯核函数和gamma值是示例，实际应用中需要根据数据的特点和分析需求进行选择。
可选地，本申请实施例中，还包括：创建光器件参数数据库，并将收集到的待管理的光器件参数在多个样本下的光器件参数数据存储至所述光器件参数数据库。
在该步骤中，创建一个光器件参数数据库，用于存储光器件参数的相关数据。该数据库可以包括多个表或集合，用于存储不同样本下的光器件参数数据。将收集到的待管理的光器件参数在多个样本下的光器件参数数据存储至光器件参数数据库中。可以根据不同样本的标识或索引，将光器件参数数据存储在相应的表或集合中，以便后续的参数管理和分析。
通过创建光器件参数数据库，并将光器件参数数据存储其中，可以方便地进行参数的管理、查询和分析。这样的数据库结构可以帮助组织和管理大量的光器件参数数据，并为后续的光器件参数管理方法提供数据基础。
图3为本申请实施例提供的一种同工站和工序的光器件参数管理系统的结构示意图，如图3所示，该系统包括：
确定模块31，用于确定待管理的光器件参数；
收集模块32，用于将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；
分析模块33，用于基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；
管理模块34，用于基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
可选地，本申请实施例中，所述分析模块33具体用于将多个样本下的光器件参数数据作为参数关联矩阵的列，将所述多个样本中不同的光器件参数数据之间的第一相关系数作为参数关联矩阵的行，以构建参数关联矩阵；从所述参数关联矩阵中，筛选出关联性符合预设条件的光器件参数数据；建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
可选地，本申请实施例中，该装置还包括计算模块35；
所述计算模块35用于计算多个样本下每个待管理的光器件参数对应的光器件参数数据的均值；计算多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差；根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数。
可选地，本申请实施例中，所述计算模块35具体用于通过公式：计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；
其中，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，Xi是待管理的光器件参数A在第i个样本中的光器件参数数据，μA表示为多个样本下待管理的光器件参数A对应的光器件参数数据的均值，Yi是待管理的光器件参数B在第i个样本中的光器件参数数据，μB表示为多个样本下待管理的光器件参数B对应的光器件参数数据的均值，Σ表示对所有样本求和，n表示为样本个数，wi表示为第i个样本的权重；
可选地，本申请实施例中，所述计算模块35具体用于通过公式：计算出多个样本中不同的光器件参数数据之间的第一相关系数；
其中，ρ(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的第一相关系数，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，σA表示为待管理的光器件参数A对应的光器件参数数据的标准差，σB表示为待管理的光器件参数B对应的光器件参数数据的标准差。
可选地，本申请实施例中，所述分析模块33具体用于根据获取的第二相关系数，从多个样本下的光器件参数数据中，筛选出关联性符合预设条件的光器件参数数据，所述第二相关系数根据多个样本下的光器件参数数据所确定；建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
可选地，本申请实施例中，所述计算模块35还用于将多个样本下的光器件参数数据进行标准化处理，并通过高斯核函数，计算不同的光器件参数数据之间的相似度；根据不同的光器件参数数据之间的相似度，生成高斯核函数矩阵；对所述高斯核函数矩阵进行中心化处理，以获取中心化核矩阵；根据所述中心化核矩阵，计算出第二相关系数，所述第二相关系数是指所述中心化核矩阵中的光器件参数数据之比。
可选地，本申请实施例中，该装置还包括：存储模块36；
所述存储模块36用于创建光器件参数数据库，并将收集到的待管理的光器件参数在多个样本下的光器件参数数据存储至所述光器件参数数据库。
图3所述的不同工站和工序的光器件参数管理系统可以执行图1所示实施例所述的不同工站和工序的光器件参数管理方法，其实现原理和技术效果不再赘述。对于上述实施例中的不同工站和工序的光器件参数管理系统其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在一个可能的设计中，图3所示实施例的不同工站和工序的光器件参数管理系统可以实现为计算设备，如图4所示，该计算设备可以包括存储组件401以及处理组件402；
所述存储组件401存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理组件402调用执行。
所述处理组件402用于：确定待管理的光器件参数；将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
其中，处理组件402可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
存储组件401被配置为存储各种类型的数据以支持在终端的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
当然，计算设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
其中，该计算设备可以为物理设备或者云计算平台提供的弹性计算主机等，此时计算设备即可以是指云服务器，上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。
本申请实施例还提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时可以实现上述图1所示实施例的不同工站和工序的光器件参数管理方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种不同工站和工序的光器件参数管理方法，其特征在于，包括：
确定待管理的光器件参数；
将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；
基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；
基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
2.根据权利要求1所述的方法，其特征在于，所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，包括：
将多个样本下的光器件参数数据作为参数关联矩阵的列，将所述多个样本中不同的光器件参数数据之间的第一相关系数作为参数关联矩阵的行，以构建参数关联矩阵；
从所述参数关联矩阵中，筛选出关联性符合预设条件的光器件参数数据；
建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；
在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
3.根据权利要求2所述的方法，其特征在于，在所述将多个样本下的光器件参数数据作为参数关联矩阵的列，将所述多个样本中不同的光器件参数数据之间的相关系数作为参数关联矩阵的行，以构建参数关联矩阵之前，还包括：
计算多个样本下每个待管理的光器件参数对应的光器件参数数据的均值；
计算多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差；
根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；
根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数。
4.根据权利要求3所述的方法，其特征在于，所述根据多个样本下每个待管理的光器件参数对应的光器件参数数据的均值，以及多个样本下每个待管理的光器件参数对应的光器件参数数据的标准差，计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差，包括：
通过公式：计算出多个样本下每个待管理的光器件参数对应的光器件参数数据的协方差；
其中，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，Xi是待管理的光器件参数A在第i个样本中的光器件参数数据，μA表示为多个样本下待管理的光器件参数A对应的光器件参数数据的均值，Yi是待管理的光器件参数B在第i个样本中的光器件参数数据，μB表示为多个样本下待管理的光器件参数B对应的光器件参数数据的均值，Σ表示对所有样本求和，n表示为样本个数，wi表示为第i个样本的权重；
所述根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数，包括：
所述根据所述协方差和所述标准差，计算出多个样本中不同的光器件参数数据之间的第一相关系数，包括：
通过公式：计算出多个样本中不同的光器件参数数据之间的第一相关系数；
其中，ρ(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的第一相关系数，cov(A,B)表示为待管理的光器件参数A和待管理的光器件参数B之间的协方差，σA表示为待管理的光器件参数A对应的光器件参数数据的标准差，σB表示为待管理的光器件参数B对应的光器件参数数据的标准差。
5.根据权利要求1所述的方法，其特征在于，所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，包括：
根据获取的第二相关系数，从多个样本下的光器件参数数据中，筛选出关联性符合预设条件的光器件参数数据，所述第二相关系数根据多个样本下的光器件参数数据所确定；
建立关联性符合预设条件的光器件参数数据之间的关联度网络，其中，每个所述光器件参数数据表示为所述关联度网络中的节点，不同的光器件参数数据表之间的参数关联性表示为所述关联度网络中的节点之间的边，所述边的权重根据不同的光器件参数数据表之间的参数关联性的强度确定；
在关联度网络中，基于所述关联度网络的拓扑结构，得到多个样本下的参数关联性分析的结果。
6.根据权利要求5所述的方法，其特征在于，在所述根据获取的第二相关系数，从多个样本下的光器件参数数据中，筛选出关联性符合预设条件的光器件参数数据之前，还包括：
将多个样本下的光器件参数数据进行标准化处理，并通过高斯核函数，计算不同的光器件参数数据之间的相似度；
根据不同的光器件参数数据之间的相似度，生成高斯核函数矩阵；
对所述高斯核函数矩阵进行中心化处理，以获取中心化核矩阵；
根据所述中心化核矩阵，计算出第二相关系数，所述第二相关系数是指所述中心化核矩阵中的光器件参数数据之比。
7.根据权利要求1所述的方法，其特征在于，还包括：创建光器件参数数据库，并将收集到的待管理的光器件参数在多个样本下的光器件参数数据存储至所述光器件参数数据库。
8.一种同工站和工序的光器件参数管理系统，其特征在于，包括：
确定模块，用于确定待管理的光器件参数；
收集模块，用于将光器件的制造过程划分为不同工站和工序，以收集所述待管理的光器件参数在多个样本下的光器件参数数据，所述多个样本包括不同工站和工序下的样本；
分析模块，用于基于所述多个样本下的光器件参数数据，进行参数关联性分析，以获取参数关联性分析的结果，所述参数关联性是指不同的光器件参数数据之间的相关性或关联程度；
管理模块，用于基于所述参数关联性分析的结果，对所述待管理的光器件参数进行管理，所述管理至少包括：对所述待管理的光器件参数进行分类、对所述待管理的光器件参数添加标签，或者定义每个所述待管理的光器件参数的规范范围和限制条件。
9.一种计算设备，其特征在于，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如权利要求1～7任一项所述的同工站和工序的光器件参数管理方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算程序被计算机执行时，实现如权利要求1～7任一项所述的同工站和工序的光器件参数管理方法。
CN202311835086.5A 2023-12-27 2023-12-27 一种不同工站和工序的光器件参数管理方法及系统 Pending CN117973750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311835086.5A CN117973750A (zh) 2023-12-27 2023-12-27 一种不同工站和工序的光器件参数管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311835086.5A CN117973750A (zh) 2023-12-27 2023-12-27 一种不同工站和工序的光器件参数管理方法及系统

Publications (1)

Publication Number Publication Date
CN117973750A true CN117973750A (zh) 2024-05-03

Family

ID=90852189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311835086.5A Pending CN117973750A (zh) 2023-12-27 2023-12-27 一种不同工站和工序的光器件参数管理方法及系统

Country Status (1)

Country Link
CN (1) CN117973750A (zh)

Similar Documents

Publication Publication Date Title
JP6817426B2 (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
CN105372581A (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
CN108241574A (zh) 一种基于测试管理工具qc对软件测试缺陷进行分析的方法及系统
CN108491991B (zh) 基于工业大数据产品工期的约束条件分析系统与方法
CN115100600B (zh) 一种电池包的产线智能检测方法及系统
CN110782324B (zh) 一种基于云平台的电子商务商品信息管理方法及系统
TW201906038A (zh) 半導體晶圓檢測系統及其方法
CN118211882B (zh) 一种基于大数据的产品质量管理系统及方法
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN117368651A (zh) 一种配电网故障综合分析系统及方法
CN116933194A (zh) 一种风电场功率报送数据异常甄别、修复与主动补全方法
CN117973750A (zh) 一种不同工站和工序的光器件参数管理方法及系统
TWM550465U (zh) 半導體晶圓檢測系統
CN116482597A (zh) 电能表运行数据变量筛选方法、电子设备及存储介质
CN113705920B (zh) 火电厂用水数据样本集的生成方法和终端设备
KR101629178B1 (ko) 다중 특허지표를 이용한 기술 수명 주기 분석 장치
CN117076454B (zh) 一种工程质量验收表单数据结构化存储方法及系统
Devi Software fault prediction with metric threshold using clustering algorithm
CN118211061B (zh) 多指标融合和业务感知的采集系统运行监测方法及系统
CN113723835B (zh) 火电厂用水评估方法和终端设备
Chen et al. Using data mining technology to deign an quality control system for manufacturing industry
CN117932520B (zh) 基于数据识别的固体生物废物处理设备监测方法
CN117150097B (zh) 一种执法检查清单自动匹配方法
Raynukaazhakarsamy Outlier Detection And Denoising By The Measures Of Dispersion With Naïve Bayes To Predict Soil Fertility
CN116720939A (zh) 银行产品缺陷分析方法、装置、存储介质及计算机设备

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