CN118194611A - 一种基于最小二乘法的点胶机配比推荐方法及系统 - Google Patents
一种基于最小二乘法的点胶机配比推荐方法及系统 Download PDFInfo
- Publication number
- CN118194611A CN118194611A CN202410613144.8A CN202410613144A CN118194611A CN 118194611 A CN118194611 A CN 118194611A CN 202410613144 A CN202410613144 A CN 202410613144A CN 118194611 A CN118194611 A CN 118194611A
- Authority
- CN
- China
- Prior art keywords
- data
- powder
- ratio
- model
- led
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 239000003292 glue Substances 0.000 claims abstract description 90
- 239000000843 powder Substances 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 31
- 230000003287 optical effect Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000011056 performance test Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于最小二乘法的点胶机配比推荐方法及系统,涉及点胶机配比技术领域,该方法包括以下步骤:S1、利用点胶机向定量的LED荧光粉中添加不同配比的胶水,记录每种配比对应的粉胶比,并测试与采集不同粉胶比条件下的LED性能数据;S2、利用粉胶比与对应的LED性能数据建立配比关联模型;S3、获取对于LED发光性能的应用需求,结合配比关联模型及应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解;S4、依据推荐配比求解结果配置点胶机的实际粉胶比及对应的点胶量。本发明通过基于最小二乘法的点胶机配比推荐方法,实现了LED发光性能的全面优化,能够满足多样化的市场需求。
Description
技术领域
本发明涉及点胶机配比技术领域,具体来说,涉及一种基于最小二乘法的点胶机配比推荐方法及系统。
背景技术
LED点胶是在LED生产制造中的一项关键工艺,通过点胶技术可以实现对LED芯片及相关元器件的胶水精准应用。这项工艺主要用于封装、固定、绝缘和提高LED产品的机械强度,从而确保LED产品在使用中的稳定性和可靠性。点胶胶水通常具有高粘附性、耐高温、耐化学性等特性,以适应LED产品的不同工作环境。点胶的过程涉及到点胶程序的设计、点胶机的调试和生产操作等环节。在点胶过程中,首先需要设计点胶程序,确定LED芯片或其他元器件上需要应用胶水的位置、形状以及数量等参数。然后,通过点胶机进行程序调试,确保点胶的精度和稳定性。
点胶机是在工业制造中广泛应用的自动化设备,用于实现对产品表面的胶水、液体或膏状物质的精确应用。在LED生产中,点胶机的应用对于实现LED芯片的封装、固定和绝缘等工艺至关重要。点胶机通常具有高精度、高自动化、可调性等特点,能够适应不同产品的生产需求。
LED荧光粉点胶是LED制造过程中的关键步骤,旨在通过点胶机将荧光粉均匀地涂布在LED芯片表面,以实现对光的转换和色彩增强。荧光粉在LED照明中起到关键的作用,通过荧光效应,将部分紫外或蓝光转化为可见光,从而改善LED的发光效果和颜色表现。而LED荧光粉点胶配比是指在LED制造中,荧光粉与胶水的混合比例,这一比例对于LED产品的发光效果和颜色表现具有重要影响。点胶配比的合理选择需要考虑LED产品的要求,包括亮度、颜色、光学性能等方面。配比的选择与LED产品的设计目标密切相关。如果目标是实现高亮度的白光LED,配比需要考虑荧光粉的种类和数量,以确保足够的光转换效果。而在设计彩色LED时,不同颜色的荧光粉的混合比例也需要精心调整,以获得所需的色彩表现。
现有点胶机配比技术是LED生产过程中的关键组成部分,主要通过点胶机控制点胶阀的开合,将胶水或其他液体精确地应用在LED芯片或其他元器件上,该项技术的目标是确保精准的胶水应用,以满足LED产品对胶水分布、量和形状的要求。现代点胶机通常具有高度自动化、可编程性和精确性,通过先进的控制系统和点胶阀技术,能够适应各种LED产品的生产需求。
现有技术在适应多样化LED产品的配比需求方面可能存在限制。LED产品涉及到不同的应用场景,对于荧光粉与胶水的精确配比有着多样化的要求,而现有技术在处理这种多样性时可能不够灵活,导致无法满足特定产品的配比要求。其次,当前推荐技术在处理胶水类型和颜色的变化时缺乏灵活性,随着LED产品市场的发展,对于不同颜色和类型的荧光粉的需求也在不断变化,而一些现有技术可能需要较长的调试时间来适应这种变化,降低生产灵活性。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于最小二乘法的点胶机配比推荐方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于最小二乘法的点胶机配比推荐方法,该方法包括以下步骤:
S1、利用点胶机向定量的LED荧光粉中添加不同配比的胶水,记录每种配比对应的粉胶比,并测试与采集不同粉胶比条件下的LED性能数据;
S2、利用粉胶比与对应的LED性能数据建立配比关联模型;
S3、获取对于LED发光性能的应用需求,结合配比关联模型及应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解;
S4、依据推荐配比求解结果配置点胶机的实际粉胶比及对应的点胶量。
进一步的,利用粉胶比与对应的LED性能数据建立配比关联模型包括以下步骤:
S21、将LED性能数据分解为颜色数据、亮度数据及光学性能数据,并将不同粉胶比条件下的各类型数据之间的关系进行匹配对齐;
S22、可视化展示分解后各类型LED性能数据与粉胶比之间的关联关系,并建立各类型数据对应的配比关联模型;
S23、输入测试粉胶比参数,利用配比关联模型进行预测,再通过点胶机进行实际点胶实验,根据预测值与实验值进行模型参数优化。
进一步的,可视化展示分解后各类型LED性能数据与粉胶比之间的关联关系,并建立各类型数据对应的配比关联模型包括以下步骤:
S221、分别梳理颜色数据与粉胶比数据、亮度数据与粉胶比数据以及光学性能数据与粉胶比数据之间的关联关系;
S222、按照关联关系绘制颜色关联曲线图、亮度关联曲线图及光学性能关联曲线图,对各类型数据与胶粉比的关系进行可视化展示;
S223、利用高斯过程回归模型建立各类型数据各自的配比关联模型。
进一步的,利用高斯过程回归模型建立各类型数据各自的配比关联模型包括以下步骤:
S2231、将粉胶比作为输入变量,选择高斯核函数作为高斯过程回归模型的核函数,核函数的表达式为:
;
式中,k(x,x′)表示作为输入变量x与x′的核函数;x与x′表示两个作为输入变量的粉胶比;l表示长度尺度参数;
S2232、对LED性能数据及粉胶比进行归一化与清洗预处理;
S2233、利用粉胶比及其对应的LED性能数据作为训练数据对高斯过程回归模型进行训练,学习核函数与均值函数的超参数;
S2234、将训练好的高斯过程回归模型作为体现粉胶比以及各类型的LED性能数据之间关联关系的配比关联模型,表达式为:
;
式中,Y LED 表示LED性能数据;m(x)表示均值函数;GP表示高斯过程。
进一步的,对LED性能数据及粉胶比进行归一化与清洗预处理包括以下步骤:
S22321、将LED性能数据与粉胶比进行标准化,使两者均具备零均差与单位方差,并将数据缩放至设定范围;
S22322、对LED性能数据与粉胶比进行缺失与异常值处理。
进一步的,获取对于LED发光性能的应用需求,结合配比关联模型及应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解包括以下步骤:
S31、获取对于LED发光性能的应用需求,按照应用需求为三个配比关联模型赋予各自对应的配比权重;
S32、采用加权求和的方式将三个配比关联模型进行数据拟合,再利用数据拟合结果及线性参数搭建综合推荐模型;
S33、利用最小二乘法求解综合推荐模型,输出最优推荐结果;
S34、将最优综合推荐结果对应的胶粉比作为点胶机的推荐配比。
进一步的,获取对于LED发光性能的应用需求,按照应用需求为三个配比关联模型赋予各自对应的配比权重包括以下步骤:
S311、将LED发光性能的应用需求按照LED性能数据中包含的三种类型数据,划分为颜色需求、亮度需求以及光学性能需求;
S312、利用调查分析工具获取厂商及用户对于应用需求中各类型需求的重视程度,依据该重视程度的排序与占比为每各需求分配配比权重。
进一步的,采用加权求和的方式将三个配比关联模型进行数据拟合,再利用数据拟合结果及线性参数搭建综合推荐模型包括以下步骤:
S321、将颜色数据、亮度数据以及光学性能数据各自的配比关联模型及其各自的配比权重进行数据拟合,数据拟合表达式为:
;
式中,x表示胶粉比;R(x)表示数据拟合结果;ω 1 、ω 2 、ω 3 分别表示颜色配比关联模型、亮度配比关联模型以及光学性能配比关联模型的配置权重;Y C (x)、Y L (x)、Y G (x)分别表示颜色配比关联模型、亮度配比关联模型以及光学性能配比关联模型;
S322、利用数据拟合结果及线性参数搭建拟合函数,并将该拟合函数作为综合推荐模型的表达式,拟合函数表达式为:
;
式中,y(x)表示综合推荐模型的输出结果;a、b均表示线性拟合参数。
进一步的,利用最小二乘法求解综合推荐模型,输出最优推荐结果包括以下步骤:
S331、设定一组参考粉胶比,利用点胶机进行实际点胶并测量实际LED性能数据,再进行数据拟合得到真实值;
S332、将综合推荐模型的推荐值与真实值之间的均方误差最小化作为优化目标,求解线性拟合参数a、b的最优值,求解表达式为:
;
式中,a * 、b * 分别表示线性拟合参数a、b的最优值;n表示参考粉胶比的数量;Z(x i )表示第i个参考粉胶比的真实值;R(x i )表示第i个参考粉胶比的数据拟合结果;
S333、分别对线性拟合参数a、b进行求偏导,并将求偏导结果设置为零,最终得到线性拟合参数a、b的最优解;
S334、将线性拟合参数a、b的最优解代入综合推荐模型,再利用综合推荐模型计算不同粉胶比条件下的最优推荐结果。
根据本发明的另一个方面,还提供了一种基于最小二乘法的点胶机配比推荐系统,该系统包括:点胶机、性能测试模块、数据关联模块、配比推荐模块以及监控验证模块;
其中,点胶机,用于实现LED荧光粉与胶水的定量混合配胶;
性能测试模块,用于测试与采集LED配胶后的LED性能数据;
数据关联模块,用于配置配比关联模型实现数据的关联处理;
配比推荐模块,用于对于LED发光性能的应用需求,搭载综合推荐模型,利用最小二乘法进行推荐配比求解,得到最优推荐配比结果;
监控验证模块,用于实时监控点胶机的配胶参数与点胶过程,并结实际点胶结果对推荐配比结果进行验证与优化。
点胶机、性能测试模块、数据关联模块、配比推荐模块以及监控验证模块依次保持连接。
本发明的有益效果为:
1、通过基于最小二乘法的点胶机配比推荐方法,实现了LED发光性能的全面优化,首先利用实验数据,全面记录了不同配比条件下的LED性能数据,再将LED性能数据分解为颜色、亮度和光学性能数据,并建立配比关联模型,不仅全面考虑了各类型数据之间的关系,而且通过可视化展示和模型建立,提高了模型的可解释性和适用性;接着将应用需求与配比关联模型结合,构建了综合推荐模型,利用最小二乘法进行推荐配比求解,能够有效提高LED生产过程中的精度、效率和灵活性,确保LED产品在各个方面都能够达到最优的发光性能,满足多样化的市场需求。
2、通过获取LED发光性能的应用需求并结合三个配比关联模型,利用最小二乘法构建了综合推荐模型,实现了在复杂多变的LED生产环境中的配比优化,使模型更符合实际应用场景,搭建了更全面、综合的推荐模型,能够更好地平衡不同性能指标的需求,确保配比的准确性和稳定性,为LED生产带来了更科学、可靠的配比推荐,提升产品质量和生产效率。
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是根据本发明实施例的一种基于最小二乘法的点胶机配比推荐方法的流程图;
图2是根据本发明实施例的一种基于最小二乘法的点胶机配比推荐系统的系统原理框图。
图中:
1、点胶机;2、性能测试模块;3、数据关联模块;4、配比推荐模块;5、监控验证模块。
具体实施方式
根据本发明的实施例,提供了一种基于最小二乘法的点胶机配比推荐方法。现结合附图和具体实施方式对本发明进一步说明,如图1所示,该方法包括以下步骤:
S1、利用点胶机向定量的LED荧光粉中添加不同配比的胶水,记录每种配比对应的粉胶比,并测试与采集不同粉胶比条件下的LED性能数据。
在进行点胶机定量配胶的过程中,优先准备实验所需的LED荧光粉和胶水,确保质量和稳定性。再检查实验室设备,包括点胶机、LED性能测试仪器等,确保处于正常工作状态。
设置实验条件:确定不同的荧光粉与胶水配比,使用不同的配比比例,以覆盖实际生产中可能遇到的各种情况,并确定每个配比条件的实验重复次数,以获得可靠的数据。
点胶操作:使用点胶机按照设计的实验方案向LED荧光粉中添加不同配比的胶水,确保点胶机的操作精准,以保证每次点胶的胶水量和荧光粉量符合设计的配比。
记录粉胶比:通过测量或称量荧光粉和胶水的质量,在每次点胶后,立即记录荧光粉与胶水的粉胶比,确保记录的配比的准确,并建立一个清晰的记录表格。
LED性能测试:针对每个不同的粉胶比条件下,对LED进行性能测试,包括颜色测量、亮度测量、光谱分析等。
S2、利用粉胶比与对应的LED性能数据建立配比关联模型。
在本发明的描述中,利用粉胶比与对应的LED性能数据建立配比关联模型包括以下步骤:
S21、将LED性能数据分解为颜色数据、亮度数据及光学性能数据,并将不同粉胶比条件下的各类型数据之间的关系进行匹配对齐。
具体的,对于不同粉胶比条件下获得的颜色数据、亮度数据和光学性能数据,进行匹配对齐,以确保相同粉胶比条件下的数据可以对应到同一组,以确保后续建模时的数据一致性。
S22、可视化展示分解后各类型LED性能数据与粉胶比之间的关联关系,并建立各类型数据对应的配比关联模型。
在本发明的描述中,可视化展示分解后各类型LED性能数据与粉胶比之间的关联关系,并建立各类型数据对应的配比关联模型包括以下步骤:
S221、分别梳理颜色数据与粉胶比数据、亮度数据与粉胶比数据以及光学性能数据与粉胶比数据之间的关联关系。
一、颜色数据与粉胶比数据的关联关系:
色温:观察色温在不同粉胶比条件下的变化趋势,确定是否存在线性或非线性关系。例如,是否有随着粉胶比增加而产生的色温偏移。
色坐标:分析色坐标在不同粉胶比下的变化,确定是否存在与粉胶比相关的颜色偏移,并比较不同颜色坐标之间的关系。
二、亮度数据与粉胶比数据的关联关系:
观察亮度随着粉胶比的变化情况,判断亮度是否呈现出线性或非线性的关系,以及亮度在一定范围内随着粉胶比的增加而增强或减弱的趋势。
同时检查亮度数据的分布,判断是否存在异常值,以及在不同粉胶比条件下的亮度分布特征。
三、光学性能数据与粉胶比数据的关联关系:
光谱分布:观察光谱在不同粉胶比条件下的形状和强度变化,判断是否存在粉胶比对光谱分布的显著影响。
发光效率:分析发光效率随着粉胶比的变化趋势,分析粉胶比对LED发光效果的影响程度。
其他光学性能参数:检查其他光学性能参数在不同粉胶比条件下的表现,以全面了解粉胶比与光学性能之间的关联关系。
S222、按照关联关系绘制颜色关联曲线图、亮度关联曲线图及光学性能关联曲线图,对各类型数据与胶粉比的关系进行可视化展示。
S223、利用高斯过程回归模型建立各类型数据各自的配比关联模型。
在本发明的描述中,利用高斯过程回归模型建立各类型数据各自的配比关联模型包括以下步骤:
S2231、将粉胶比作为输入变量,选择高斯核函数(RBF(Radial Basis Function)核函数)作为高斯过程回归模型的核函数,核函数的表达式为:
;
式中,k(x,x′)表示作为输入变量x与x′的核函数,x与x′表示两个作为输入变量的粉胶比,l表示长度尺度参数。
S2232、对LED性能数据及粉胶比进行归一化与清洗预处理。
在本发明的描述中,对LED性能数据及粉胶比进行归一化与清洗预处理包括以下步骤:
S22321、将LED性能数据与粉胶比进行标准化,使两者均具备零均差与单位方差,并将数据缩放至设定范围。
S22322、对LED性能数据与粉胶比进行缺失与异常值处理。
S2233、利用粉胶比及其对应的LED性能数据作为训练数据对高斯过程回归模型进行训练,学习核函数与均值函数的超参数。
具体的,首先准备粉胶比与对应的各类型LED性能数据作为训练数据。确保数据集包含足够的样本以覆盖不同的粉胶比情况。选择高斯核函数(RBF核函数)来描述输入变量之间的相似性。此外,选择零均值函数作为均值函数。
初始化高斯核函数和均值函数的超参数,超参数包括长度尺度(在RBF核函数中体现)、噪声水平等。利用训练数据对高斯过程回归模型进行训练。训练的目标是通过最大似然估计(MLE)或其他优化方法来调整超参数,使得模型能够最好地拟合训练数据。使用优化算法(例如梯度下降、共轭梯度等)来最小化负对数似然函数,以更新超参数,实现对核函数参数和噪声水平等的调整。
在训练过程中,监测模型对训练数据的拟合情况,并使用交叉验证等方法来评估模型的性能,确保模型没有过拟合或欠拟合。通过训练过程,得到学习后的核函数和均值函数的超参数,体现模型对训练数据的最优拟合。最终保存训练好的高斯过程回归模型及其学习后的超参数,以备将来在新数据上进行预测使用。
S2234、将训练好的高斯过程回归模型作为体现粉胶比以及各类型的LED性能数据之间关联关系的配比关联模型,表达式为:
;
式中,Y LED 表示LED性能数据,m(x)表示均值函数,GP表示高斯过程。
S23、输入测试粉胶比参数,利用配比关联模型进行预测,再通过点胶机进行实际点胶实验,根据预测值与实验值进行模型参数优化。
将实验得到的LED性能数据与模型预测值进行比较。利用模型评价指标(如均方误差、R方值等),优化模型的参数,以提高模型的准确性和预测能力。如果模型的预测与实际数据存在较大差异,需要迭代进行模型的重新训练和优化,以不断提高模型的性能。
S3、获取对于LED发光性能的应用需求,结合配比关联模型及应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解。
在本发明的描述中,获取对于LED发光性能的应用需求,结合配比关联模型及应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解包括以下步骤:
S31、获取对于LED发光性能的应用需求,按照应用需求为三个配比关联模型赋予各自对应的配比权重。
在本发明的描述中,获取对于LED发光性能的应用需求,按照应用需求为三个配比关联模型赋予各自对应的配比权重包括以下步骤:
S311、将LED发光性能的应用需求按照LED性能数据中包含的三种类型数据,划分为颜色需求、亮度需求以及光学性能需求。
S312、利用调查分析工具获取厂商及用户对于应用需求中各类型需求的重视程度,依据该重视程度的排序与占比为每各需求分配配比权重。
S32、采用加权求和的方式将三个配比关联模型进行数据拟合,再利用数据拟合结果及线性参数搭建综合推荐模型。
在本发明的描述中,采用加权求和的方式将三个配比关联模型进行数据拟合,再利用数据拟合结果及线性参数搭建综合推荐模型包括以下步骤:
S321、将颜色数据、亮度数据以及光学性能数据各自的配比关联模型及其各自的配比权重进行数据拟合,数据拟合表达式为:
;
式中,x表示胶粉比,R(x)表示数据拟合结果,ω 1 、ω 2 、ω 3 分别表示颜色配比关联模型、亮度配比关联模型以及光学性能配比关联模型的配置权重,Y C (x)、Y L (x)、Y G (x)分别表示颜色配比关联模型、亮度配比关联模型以及光学性能配比关联模型。
S322、利用数据拟合结果及线性参数搭建拟合函数,并将该拟合函数作为综合推荐模型的表达式,拟合函数表达式为:
;
式中,y(x)表示综合推荐模型的输出结果,a、b均表示线性拟合参数。
S33、利用最小二乘法求解综合推荐模型,输出最优推荐结果。
在本发明的描述中,利用最小二乘法求解综合推荐模型,输出最优推荐结果包括以下步骤:
S331、设定一组参考粉胶比,利用点胶机进行实际点胶并测量实际LED性能数据,再进行数据拟合得到真实值。
S332、将综合推荐模型的推荐值与真实值之间的均方误差最小化作为优化目标,求解线性拟合参数a、b的最优值,求解表达式为:
;
式中,a * 、b * 分别表示线性拟合参数a、b的最优值,n表示参考粉胶比的数量,Z(x i )表示第i个参考粉胶比的真实值,R(x i )表示第i个参考粉胶比的数据拟合结果。
S333、分别对线性拟合参数a、b进行求偏导,并将求偏导结果设置为零,最终得到线性拟合参数a、b的最优解。
其中,线性拟合参数a、b求偏导公式为:
;
;
将上述求偏导结果设置为零,最终得到线性拟合参数a、b的最优解,线性拟合参数a、b的最优解表达式为:
;
。
S334、将线性拟合参数a、b的最优解代入综合推荐模型,再利用综合推荐模型计算不同粉胶比条件下的最优推荐结果。
S34、将最优综合推荐结果对应的胶粉比作为点胶机的推荐配比。
S4、依据推荐配比求解结果配置点胶机的实际粉胶比及对应的点胶量。
根据本发明的另一个实施例,如图2所示,还提供了一种基于最小二乘法的点胶机配比推荐系统,该系统包括:点胶机1、性能测试模块2、数据关联模块3、配比推荐模块4以及监控验证模块5。
其中,点胶机1,用于实现LED荧光粉与胶水的定量混合配胶。
性能测试模块2,用于测试与采集LED配胶后的LED性能数据。
数据关联模块3,用于配置配比关联模型实现数据的关联处理。
配比推荐模块4,用于对于LED发光性能的应用需求,搭载综合推荐模型,利用最小二乘法进行推荐配比求解,得到最优推荐配比结果。
监控验证模块5,用于实时监控点胶机的配胶参数与点胶过程,并结实际点胶结果对推荐配比结果进行验证与优化。
此外,点胶机、性能测试模块、数据关联模块、配比推荐模块以及监控验证模块依次保持连接。
综上所述,借助于本发明的上述技术方案,通过基于最小二乘法的点胶机配比推荐方法,实现了LED发光性能的全面优化,首先利用实验数据,全面记录了不同配比条件下的LED性能数据,再将LED性能数据分解为颜色、亮度和光学性能数据,并建立配比关联模型,不仅全面考虑了各类型数据之间的关系,而且通过可视化展示和模型建立,提高了模型的可解释性和适用性;接着将应用需求与配比关联模型结合,构建了综合推荐模型,利用最小二乘法进行推荐配比求解,能够有效提高LED生产过程中的精度、效率和灵活性,确保LED产品在各个方面都能够达到最优的发光性能,满足多样化的市场需求。通过获取LED发光性能的应用需求并结合三个配比关联模型,利用最小二乘法构建了综合推荐模型,实现了在复杂多变的LED生产环境中的配比优化,使模型更符合实际应用场景,搭建了更全面、综合的推荐模型,能够更好地平衡不同性能指标的需求,确保配比的准确性和稳定性,为LED生产带来了更科学、可靠的配比推荐,提升产品质量和生产效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于最小二乘法的点胶机配比推荐方法,其特征在于,该方法包括以下步骤:
S1、利用点胶机向定量的LED荧光粉中添加不同配比的胶水,记录每种配比对应的粉胶比,并测试与采集不同粉胶比条件下的LED性能数据;
S2、利用所述粉胶比与对应的所述LED性能数据建立配比关联模型;
S3、获取对于LED发光性能的应用需求,结合所述配比关联模型及所述应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解;
S4、依据推荐配比求解结果配置点胶机的实际粉胶比及对应的点胶量。
2.根据权利要求1所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述利用所述粉胶比与对应的所述LED性能数据建立配比关联模型包括以下步骤:
S21、将所述LED性能数据分解为颜色数据、亮度数据及光学性能数据,并将不同所述粉胶比条件下的各类型数据之间的关系进行匹配对齐;
S22、可视化展示分解后各类型所述LED性能数据与所述粉胶比之间的关联关系,并建立各类型数据对应的配比关联模型;
S23、输入测试粉胶比参数,利用所述配比关联模型进行预测,再通过点胶机进行实际点胶实验,根据预测值与实验值进行模型参数优化。
3.根据权利要求2所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述可视化展示分解后各类型所述LED性能数据与所述粉胶比之间的关联关系,并建立各类型数据对应的配比关联模型包括以下步骤:
S221、分别梳理所述颜色数据与所述粉胶比数据、所述亮度数据与所述粉胶比数据以及所述光学性能数据与所述粉胶比数据之间的关联关系;
S222、按照所述关联关系绘制颜色关联曲线图、亮度关联曲线图及光学性能关联曲线图,对各类型数据与所述胶粉比的关系进行可视化展示;
S223、利用高斯过程回归模型建立各类型数据各自的配比关联模型。
4.根据权利要求3所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述利用高斯过程回归模型建立各类型数据各自的配比关联模型包括以下步骤:
S2231、将所述粉胶比作为输入变量,选择高斯核函数作为高斯过程回归模型的核函数,所述核函数的表达式为:
;
式中,k(x,x′)表示作为输入变量x与x′的核函数;
x与x′表示两个作为输入变量的粉胶比;
l表示长度尺度参数;
S2232、对所述LED性能数据及所述粉胶比进行归一化与清洗预处理;
S2233、利用所述粉胶比及其对应的所述LED性能数据作为训练数据对所述高斯过程回归模型进行训练,学习所述核函数与均值函数的超参数;
S2234、将训练好的所述高斯过程回归模型作为体现所述粉胶比以及各类型的所述LED性能数据之间关联关系的配比关联模型,表达式为:
;
式中,Y LED 表示LED性能数据;
m(x)表示均值函数;
GP表示高斯过程。
5.根据权利要求4所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述对所述LED性能数据及所述粉胶比进行归一化与清洗预处理包括以下步骤:
S22321、将所述LED性能数据与所述粉胶比进行标准化,使两者均具备零均差与单位方差,并将数据缩放至设定范围;
S22322、对所述LED性能数据与所述粉胶比进行缺失与异常值处理。
6.根据权利要求2所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述获取对于LED发光性能的应用需求,结合所述配比关联模型及所述应用需求构建综合推荐模型,再利用最小二乘法进行推荐配比求解包括以下步骤:
S31、获取对于LED发光性能的应用需求,按照所述应用需求为三个所述配比关联模型赋予各自对应的配比权重;
S32、采用加权求和的方式将三个所述配比关联模型进行数据拟合,再利用数据拟合结果及线性参数搭建综合推荐模型;
S33、利用最小二乘法求解所述综合推荐模型,输出最优推荐结果;
S34、将所述最优综合推荐结果对应的胶粉比作为点胶机的推荐配比。
7.根据权利要求6所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述获取对于LED发光性能的应用需求,按照所述应用需求为三个所述配比关联模型赋予各自对应的配比权重包括以下步骤:
S311、将LED发光性能的应用需求按照所述LED性能数据中包含的三种类型数据,划分为颜色需求、亮度需求以及光学性能需求;
S312、利用调查分析工具获取厂商及用户对于所述应用需求中各类型需求的重视程度,依据该重视程度的排序与占比为每各需求分配配比权重。
8.根据权利要求7所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述采用加权求和的方式将三个所述配比关联模型进行数据拟合,再利用数据拟合结果及线性参数搭建综合推荐模型包括以下步骤:
S321、将所述颜色数据、所述亮度数据以及所述光学性能数据各自的所述配比关联模型及其各自的配比权重进行数据拟合,数据拟合表达式为:
;
式中,x表示胶粉比;
R(x)表示数据拟合结果;
ω 1 、ω 2 、ω 3 分别表示颜色配比关联模型、亮度配比关联模型以及光学性能配比关联模型的配置权重;
Y C (x)、Y L (x)、Y G (x)分别表示颜色配比关联模型、亮度配比关联模型以及光学性能配比关联模型;
S322、利用数据拟合结果及线性参数搭建拟合函数,并将该拟合函数作为综合推荐模型的表达式,所述拟合函数表达式为:
;
式中,y(x)表示综合推荐模型的输出结果;
a、b均表示线性拟合参数。
9.根据权利要求8所述的一种基于最小二乘法的点胶机配比推荐方法,其特征在于,所述利用最小二乘法求解所述综合推荐模型,输出最优推荐结果包括以下步骤:
S331、设定一组参考粉胶比,利用点胶机进行实际点胶并测量实际LED性能数据,再进行数据拟合得到真实值;
S332、将所述综合推荐模型的推荐值与所述真实值之间的均方误差最小化作为优化目标,求解线性拟合参数a、b的最优值,求解表达式为:
;
式中,a * 、b * 分别表示线性拟合参数a、b的最优值;
n表示参考粉胶比的数量;
Z(x i )表示第i个参考粉胶比的真实值;
R(x i )表示第i个参考粉胶比的数据拟合结果;
S333、分别对所述线性拟合参数a、b进行求偏导,并将求偏导结果设置为零,最终得到所述线性拟合参数a、b的最优解;
S334、将所述线性拟合参数a、b的最优解代入所述综合推荐模型,再利用所述综合推荐模型计算不同粉胶比条件下的最优推荐结果。
10.一种基于最小二乘法的点胶机配比推荐系统,用于实现权利要求1-9中任一项所述基于最小二乘法的点胶机配比推荐方法,其特征在于,该系统包括:点胶机、性能测试模块、数据关联模块、配比推荐模块以及监控验证模块;
其中,所述点胶机,用于实现LED荧光粉与胶水的定量混合配胶;
所述性能测试模块,用于测试与采集LED配胶后的LED性能数据;
所述数据关联模块,用于配置配比关联模型实现数据的关联处理;
所述配比推荐模块,用于对于LED发光性能的应用需求,搭载综合推荐模型,利用最小二乘法进行推荐配比求解,得到最优推荐配比结果;
所述监控验证模块,用于实时监控点胶机的配胶参数与点胶过程,并结实际点胶结果对推荐配比结果进行验证与优化;
所述点胶机、所述性能测试模块、所述数据关联模块、所述配比推荐模块以及所述监控验证模块依次保持连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410613144.8A CN118194611A (zh) | 2024-05-17 | 2024-05-17 | 一种基于最小二乘法的点胶机配比推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410613144.8A CN118194611A (zh) | 2024-05-17 | 2024-05-17 | 一种基于最小二乘法的点胶机配比推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118194611A true CN118194611A (zh) | 2024-06-14 |
Family
ID=91400271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410613144.8A Pending CN118194611A (zh) | 2024-05-17 | 2024-05-17 | 一种基于最小二乘法的点胶机配比推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118194611A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180100090A1 (en) * | 2016-05-03 | 2018-04-12 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Manufacturing method of quantum dot glue, quantum dot glue and quantum dot polarizer |
CN109802028A (zh) * | 2018-11-20 | 2019-05-24 | 浙江云科智造科技有限公司 | 基于最小二乘法的两个荧光粉led配比和点胶量推荐方法 |
CN115566113A (zh) * | 2022-10-28 | 2023-01-03 | 旭宇光电(深圳)股份有限公司 | 白光led装置的制备方法 |
-
2024
- 2024-05-17 CN CN202410613144.8A patent/CN118194611A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180100090A1 (en) * | 2016-05-03 | 2018-04-12 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Manufacturing method of quantum dot glue, quantum dot glue and quantum dot polarizer |
CN109802028A (zh) * | 2018-11-20 | 2019-05-24 | 浙江云科智造科技有限公司 | 基于最小二乘法的两个荧光粉led配比和点胶量推荐方法 |
CN115566113A (zh) * | 2022-10-28 | 2023-01-03 | 旭宇光电(深圳)股份有限公司 | 白光led装置的制备方法 |
Non-Patent Citations (1)
Title |
---|
虞倩倩;梁超;何锦华;: "白光LED封装工艺研究", 中国照明电器, no. 01, 25 January 2010 (2010-01-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reddi et al. | Mlperf inference benchmark | |
CN102612314B (zh) | 检查系统、模拟方法及系统、恰当值的判定及确定方法 | |
Ortiz et al. | Tutorial on evaluation of type I and type II errors in chemical analyses: From the analytical detection to authentication of products and process control | |
Xie et al. | Evaluation of principal component selection methods to form a global prediction model by principal component regression | |
US20060259198A1 (en) | Intelligent system for detection of process status, process fault and preventive maintenance | |
CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
US10401224B2 (en) | Method for ascertaining texture parameters of a paint | |
CN107505346B (zh) | 预测流体类别样本中特别是生物流体样本中nmr自旋系统的化学位移值的方法 | |
Khoshgoftaar et al. | A multiobjective module-order model for software quality enhancement | |
CN110161013A (zh) | 基于机器学习的激光诱导击穿光谱数据处理方法和系统 | |
CN106932360A (zh) | 便携式近红外光谱食品快速检测与建模一体化系统和方法 | |
CN108427093A (zh) | 一种用于电能表自动化检定装置的校准检定系统及方法 | |
Shahanaghi et al. | A new optimized uncertainty evaluation applied to the Monte-Carlo simulation in platinum resistance thermometer calibration | |
Kohonen et al. | Multi‐block methods in multivariate process control | |
CN101118422A (zh) | 半导体制造的虚拟量测预估与建立预估模型的方法与系统 | |
CN111160667B (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
CN105466885B (zh) | 基于无测点温度补偿机制的近红外在线测量方法 | |
CN109690318B (zh) | 分析仪的核心校准 | |
CN118194611A (zh) | 一种基于最小二乘法的点胶机配比推荐方法及系统 | |
KR20050080818A (ko) | 가중된 회귀모델 결정 방법 및 이를 이용한 혼합물의 성분농도 예측 방법 | |
CN105739478A (zh) | 一种导弹故障预测设备及方法 | |
Crewdson | Outdoor weathering must verify accelerated testing | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
US9235664B2 (en) | Systems and methods for executing unified process-device-circuit simulation | |
Polavarapu et al. | An interval estimate of mean-time-to-failure for a product with reciprocal Weibull degradation failure rate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |