CN1699635A - 金属电沉积过程中基于神经元网络进行实时控制的方法 - Google Patents

Abstract

本发明涉及一种实时控制的方法，具体来说是在金属电沉积过程中基于神经元网络进行实时控制的方法。本发明通过将金属沉积槽中的各项参数实时的采集到系统中，再通过后台运算模块计算出当前沉积槽内需要调节的各项参数的量，再通过输出模块对各项参数进行调节。因此，本发明全面地把握了金属沉积槽中溶液的浓度、温度、pH值、搅拌速度、电流密度与其金属沉积的品质和补充各种溶质的复杂非线性关系。另外，本发明采用的神元网络算法，可以任意的逼进非线性，即只要神经元层数足够多，便可以达到任意理想的结果。

Description

金属电沉积过程中基于神经元网络进行实时控制的方法

技术领域

本发明涉及一种实时控制的方法，具体来说是在金属电沉积过程中基于神经元网络进行实时控制的方法。

技术背景

现有由于电沉积过程中电沉积槽内混合溶液浓度、温度、pH值、搅拌速度、电流密度等参数不断的发生变化，其内部的结构与结构之间以及这些结构与其自身之间存在着相当复杂的奇异非线性关系，一般说来不存在或很困难找到显式的函数关系，即使勉强找到了函数关系，那也会是一类非常复杂的非线性偏微分方程，相当难以把握。事实上，非线性奇异系统都不能用子空间来描述(它们是属于一些低维子流形)，直接讨论低维子流形是比较困难的。现有的对这种复杂非线性关系的描述是基于线性或非线性回归的方法，而这种方法本身就存在着不精确的问题。

发明内容

本发明克服了上述缺点，提供一种准确度高、工作状态稳定的实时控制方法。

本发明解决其技术问题所采取的技术方案是：包括以下步骤：

(1)参数输入模块，用于输入金属电沉积过程中沉积槽内溶液的各项参数，包括浓度、温度、pH值、搅拌速度、电流密度；

(2)接口引擎模块，用于传递数据和做运算前的准备；

(3)后台运算模块，通过神经元网络模型的非线性逼进法计算出各项参数值；

(4)输出模块，输出运算后的结果，并控制设备控制将运算结果转变为量化的控制。

所述后台运算模块可采用Matlab作为后台运算引擎。

所述后台运算模块还可包括以下过程：

(a)标准化处理过程；

(b)通过神经元网络法进行运算过程。

所述接口引擎模块还可包括一个开辟数据缓冲区模块、一个数据格式转换模块和一个运算文件的调用模块，上述三个模块次序不分先后。

所述参数输入模块还可包括一个参数校验和控制模块，所述参数校验包括参数定义域控制模块、参数步长控制模块、数据格式控制模块，且上述三模块顺序不分先后。

所述模块输入模块中可包括控制信息和数据信息，并负责对输入的各项参数进行校对。

所述参数输入模块还可包括一个输入方式的询问过程，通过判定不同的输入方式，进入不同的输入模块，所述输入方式中包括至少三个输入模型。

本发明通过将金属沉积槽中的各项参数实时的采集到系统中，再通过后台运算模块计算出当前沉积槽内需要调节的各项参数的量，再通过输出模块对各项参数进行调节。因此，本发明全面地把握了金属沉积槽中溶液的浓度、温度、pH值、搅拌速度、电流密度与其金属沉积的品质和补充各种溶质的复杂非线性关系。另外，本发明采用的神元网络算法，可以任意的逼进非线性，即只要神经元层数足够多，便可以达到任意理想的结果。本方法能够广泛应用于林产工业、人造板、金属加工、控制科学等领域，例如在用来制作三维花纹人造板模板过程中即可采用本方法。

附图说明

图1为本发明的控制原理示意图

图2为本发明的控制流程图

图3为本发明中参数输入模块的示意图

图4为本发明中接口引擎模块的流程图

图5为本发明中标准化处理过程的示意图

图6为本发明中标准化处理过程中运算过程的示意图

图7为本发明中神经元网络运算过程的示意图

图8为本发明的运算结果性能评估的线性回归图

具体实施方式

如图1、2所示，本发明主要由输入方式的询问模块、参数输入模块、参数校验模块、接口引擎模块、标准化处理模块、后台运算模块和输出模块构成，首先将采集到的金属电沉积槽中溶液的各项参数，包括浓度、温度、pH值、搅拌速度、电流密度等数据信息经过输入方式的询问后，激活相应的参数输入模块，经过参数辨识及校对经加法器输出给接口引擎。在接口引擎中首先开辟一个数据缓冲区，在此区内实现上述参数数据的格式转换、神经元网络模型文件的调用后，就可进入后台运算模块，即运用Matlab作为后台运算引擎，以神经元网络模型计算出当前需要调整的各参数的量值，经过初步处理的数据传递给神经网络的第一层，在这一层须要标准化理，再经神经网络初步的确定后计算出欧氏距离，最后通过自学习模型的修正后产生标准的权值函数，这个函数将确定溶液浓度、温度、pH值、搅拌速度、电流密度的影响的权值。在神经元网络的第二层，将收到第一层权值函数通过自学习神经网络层权值模块修正后进行正规化处理产生权值的线性函数，最后达各种溶质需要量的理想输出，因此，只要神经元层数足够多，就可以达到任意精度的结果。再由相应的控制设备将得到的运算结果转化为对电沉积槽中各项参数的量化控制，从而完成对整个金属电沉积过程的实时监测和控制。例如，当溶液温度降低时，通过温度采集器采集到当前的温度值，经过上述计算过程得出需要调整的温度值后，由温度控制器对溶液进行加温，当溶液中某种溶质的配比降低时，通过浓度采集器采集到当前该种溶质的浓度，经上述计算过程得出需要补充的该溶质的量值，最后由液体补充控制器完成对该种溶液的补充。由于这种检测和控制的过程是实时进行的，从而保证了电沉积溶液中各项参数的持续稳定，也就保证了金属电沉积的质量。

所述输入方式的询问模块，如图2所示，通过对输入类型参数i的询问和判定，判断出不同的输入方式，再进入三种不同模型的输入模块，即模型I输入模块、模型II输入模块和模型III输入模块，经这一询问模块后并激活相应输入模块后，则进入参数输入模块。

所述参数输入模块，如图3所示，是将数据采集终端采集得到的控制信息、数据信息，包括沉积槽内的浓度、温度、电流密度、pH值等传感器的采集数据，通过该模块与接口交互数据信息和与数据相关的控制信息，即进行参数定义域控制、参数步长控制、数据格式控制。其中参数定义域控制主要用于校正参数输入，出错处理，各定义域的初始设置由目标样本数据确定，发生装置工作前可专门定制其所需要的参数区间；参数步长控制用于更改参数微调按钮的步长，便于使用；数据格式控制是在输入数据时选择几位有效数字和何种科学计数方法。控制信息和数据信息在输入模块内部的通信是透明的，可以自由选择和分别输入控制信息和数据信息，二者永远保持同步。

所述接口引擎模块，如图4所示，由于本实施例中采用的是专门的数学运算软件Matlab作为其后台运算和分析的工具，因此首先要设置一个用于前端和后台Matlab通信的模块，即Matlab接口引擎。具体说来，就是将输入的参数信息通过Matlab与界面开发程序的接口送入到Matlab工作空间，参与计算，运算结束后能把运算结果以合适的数据格式返回，同时，提供一系列网络性能和训练结果分析的图表。接口引擎模块包括一个开辟数据缓冲区模块、一个数据格式转换模块和一个运算文件的调用模块，上述三个模块次序不分先后。Matlab接口引擎的主要流程包括：开启Matlab引擎、参数数据格式转换、参数由用户界面到后台Matlab的传送以及适宜大小的缓冲区的开辟。

所述后台运算模块还包括标准化处理模块和神经元网络运算模块，即在进入真正的运算网络之前，输入样本数据要进行事先、事后的标准化处理，处理方式如图5所示，对于输入样本数据的值域区间进行标准化处理，通过标准化处理后将输入向量和目标输出向量量化为零均值和偏差为1的标准向量。下面是通过零均值和偏差型函数的实现过程。

[pn，meanp，stdp，tn，meant，stdt]＝prestd(p，t)

参数意义：p    网络输入向量

          t    目标输出向量

pn       量化后的输入向量

meanp    输入向量的均值

stdp     输入向量的偏差

tn       量化后的目标输出向量

meant    目标输出的均值

stdt     目标输出的偏差

具体的标准化过程如图6所示。下面给出标准化处理器的运算环节：

$\mathrm{mean}\left(P^{\′}\right)=\mathrm{mean}(\left[\begin{array}{cccc}{p}_{11}& p_{21}& \·\·\·& p_{R1}\\ p_{12}& p_{22}& \·\·\·& p_{R2}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{1Q}& p_{2Q}& \·\·\·& p_{\mathrm{RQ}}\end{array}\right])$

$={\left[\begin{array}{cccc}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}& \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}& \·\·\·& \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\end{array}\right]}_{1\×R}$

$\mathrm{std}\left(P^{\′}\right)=\mathrm{std}(\left[\begin{array}{cccc}{p}_{11}& p_{21}& \·\·\·& p_{R1}\\ p_{12}& p_{22}& \·\·\·& p_{R2}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{1Q}& p_{2Q}& \·\·\·& p_{\mathrm{RQ}}\end{array}\right])$

$={[{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{1i})}^2\right)}^{\frac{1}{2}}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\·\·\·{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}]}_{1\×R}$

P_n＝(P-meanp×oneQ)·/(stdp×oneQ)

$=(\left[\begin{array}{cccc}{p}_{11}& p_{12}& \·\·\·& p_{1Q}\\ p_{21}& p_{22}& \·\·\·& p_{2Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{R1}& p_{R2}& \·\·\·& p_{\mathrm{RQ}}\end{array}\right]-{\left[\begin{array}{c}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}\\ \·\\ \·\\ \·\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\end{array}\right]}_{R\×1}\×{\left[\begin{array}{cccc}1& 1& \·\·\·& 1\end{array}\right]}_{1\×Q})\·/({\left[\begin{array}{c}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{1i})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\\ \·\\ \·\\ \·\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}\end{array}\right]}_{R\×1}\×{\left[\begin{array}{cccc}1& 1& \·\·\·& 1\end{array}\right]}_{1\×Q})$

$=\left[\begin{array}{cccc}{p}_{11}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}& p_{12}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}& \·\·\·& p_{1Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}\\ p_{21}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}& p_{22}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}& \·\·\·& p_{2Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{R1}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}& p_{R2}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}& \·\·\·& p_{\mathrm{RQ}}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\end{array}\right]\·/\left[\begin{array}{cccc}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{12}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{12})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{12}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{12})}^2\right)}^{\frac{1}{2}}& \·\·& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{12}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{12})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}& \·\·& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}& \·\·& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}\end{array}\right]$

$\mathrm{mean}\left(T^{\′}\right)=\mathrm{mean}(\left[\begin{array}{cccc}{t}_{11}& t_{21}& \·\·\·& t_{S1}\\ t_{12}& t_{22}& \·\·\·& t_{S2}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ t_{1Q}& t_{2Q}& \·\·\·& t_{\mathrm{SQ}}\end{array}\right])$

$={\left[\begin{array}{cccc}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}& \begin{array}{}\end{array}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}& \·\·\·& \begin{array}{}\end{array}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\end{array}\right]}_{1\×S}$

$\mathrm{std}\left(T^{\′}\right)=\mathrm{std}(\left[\begin{array}{cccc}{t}_{11}& t_{21}& \·\·\·& t_{S1}\\ t_{12}& t_{22}& \·\·\·& t_{S2}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ t_{1Q}& t_{2Q}& \·\·\·& t_{\mathrm{SQ}}\end{array}\right])$

$={[{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\·\·\·{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}]}_{1\×S}$

T_n＝(T-meant×oneQ)·/(stdt×oneQ)

$=(\left[\begin{array}{cccc}{t}_{11}& t_{12}& \·\·\·& t_{1Q}\\ t_{21}& t_{22}& \·\·\·& t_{2Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ t_{S1}& t_{S2}& \·\·\·& t_{\mathrm{SQ}}\end{array}\right]-{\left[\begin{array}{c}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}\\ \·\\ \·\\ \·\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\end{array}\right]}_{S\×1}\×{\left[\begin{array}{cccc}1& 1& \·\·\·& 1\end{array}\right]}_{1\×Q})\·/({\left[\begin{array}{c}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\\ \·\\ \·\\ \·\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}\end{array}\right]}_{S\×1}\×{\left[\begin{array}{cccc}1& 1& \·\·\·& 1\end{array}\right]}_{1\×Q})$

$=\left[\begin{array}{cccc}{t}_{11}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}& t_{12}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}& \·\·\·& t_{1Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}\\ t_{21}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}& t_{22}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}& \·\·\·& t_{2Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{R1}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}& t_{S2}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}& \·\·\·& t_{\mathrm{SQ}}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\end{array}\right]\·/\left[\begin{array}{cccc}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}& \·\·& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}& \·\·& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}& \·\·& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}\end{array}\right]$

经过标准化处理器后，进入正式的神经网络运算模块，如图7所示：

参照图7神经网络运算模块：

该神经元网络模块中有Q个节点，R维输入，S维输出。神经元网络输入向量为P，神经元网络隐含层的权值设为P’，该层每个神经元节点的带权输入是输入向量和权向量之间的距离，即欧几里德距离‖dist‖。‖dist‖是欧几里德距离权函数，权函数把权重加到输入矩阵上以得到带权输入矩阵。

对于dist(W，P)，W为S×R权矩阵，P为Q维输入列向量矩阵，dist(W，P)返回S×Q维向量距离矩阵。

在该模型中将权矩阵W定义为P′，则

dist(P′_Q×R，P_R×Q)

$=\mathrm{dist}(\left[\begin{array}{cccc}{p}_{11}& p_{12}& \·\·\·& p_{1R}\\ p_{21}& p_{22}& \·\·\·& p_{2R}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{Q1}& p_{Q2}& \·\·\·& p_{\mathrm{QR}}\end{array}\right],\left[\begin{array}{cccc}{p}_{11}& p_{21}& \·\·\·& p_{Q1}\\ p_{12}& p_{22}& \·\·\·& p_{Q2}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ p_{1R}& p_{2R}& \·\·\·& p_{\mathrm{QR}}\end{array}\right])$

$={\left[\begin{array}{ccccc}0& d_{12}& d_{13}& \·\·\·& d_{1Q}\\ d_{21}& 0& d_{23}& \·\·\·& d_{2Q}\\ d_{31}& d_{32}& 0& \·\·\·& d_{3Q}\\ \·& \·& \·& & \·\\ \·& \·& \·& & \·\\ \·& \·& \·& & \·\\ d_{Q1}& d_{Q2}& d_{Q3}& \·\·\·& 0\end{array}\right]}_{Q\×Q}$

式中d_ij表示矩阵P′第i个行向量与矩阵P第j个列向量间的距离，因此对角线上的元素均为0。

进而将dist(P′，P)与b¹作点乘，即

$\mathrm{dist}(P^{\′},P)\·*b_1=\left[\begin{array}{ccccc}0& d_{12}& d_{13}& \·\·\·& d_{1Q}\\ d_{21}& 0& d_{23}& \·\·\·& d_{2Q}\\ d_{31}& d_{32}& 0& \·\·\·& d_{3Q}\\ \·& \·& \·& & \·\\ \·& \·& \·& & \·\\ \·& \·& \·& & \·\\ d_{Q1}& d_{Q2}& d_{Q3}& \·\·\·& 0\end{array}\right]\·*\left[\begin{array}{cccc}{b}_{11}& b_{12}& \·\·\·& b_{1Q}\\ b_{21}& b_{22}& \·\·\·& b_{2Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ b_{Q1}& b_{Q2}& \·\·\·& b_{\mathrm{QQ}}\end{array}\right]$

$=\left[\begin{array}{ccccc}0& b_{12}*d_{12}& b_{13}*d_{13}& \·\·\·& b_{1Q}*d_{1Q}\\ b_{21}*d_{21}& 0& b_{23}*d_{23}& \·\·\·& b_{2Q}*d_{2Q}\\ b_{31}*d_{31}& b_{32}*d_{32}& 0& \·\·\·& b_{3Q}*d_{3Q}\\ \·& \·& & \·& \\ \·& \·& & \·& \\ \·& \·& & \·& \\ b_{Q1}*d_{Q1}& b_{Q2}*d_{Q2}& b_{Q3}*d_{Q3}& \·\·\·& 0\end{array}\right]$

在网络隐含层每个神经元网络输入是其带权输入与其偏值之积，如上式所示，而每个神经元的输出是网络输入的径向基函数。

利用高斯核函数(Gaussian kernel function)作为基函数的形式，如下式所示： $u_j=\exp [-\frac{{(X-C_j)}^T(X-C_j)}{2{{\mathrm{\δ}}_j}^2}]$ j＝1，2，...，N_h

其中，u_j是第j个隐层节点的输出，X＝(x₁，x₂，...，X_n)^T是输入样本，C_j是高斯函数的中心值，δ_j是标准化常，N_h是隐层节点数。其隐含层节点中的作用函数(核函数)对输入信号将在局部产生响应，也就是说，当输入信号靠近核函数的中央范围时，隐层节点将产生较大的输出，由此，这种神经元网络具有局部逼近能力，所以径向基函数网络也成为局部感知场网络。由上式可知，节点的输出范围在0和1之间，如果一个神经元的权向量与其输入向量相等(转置)，其带权输入将为0，当其网络输入为0，则输出为1，且输入样本愈靠近节点的中心，输出值愈大。

采用高斯基函数，具备如下优点：

1、表示形式简单，即使对于多参数输入也不增加太多的复杂性：

2、径向对称；

3、光滑性好，任意阶导数存在；

4、由于该基函数表示简单且解析性好，因而便于进行理论分析

经过基函数发生器，神经元节点输出为a¹，开始进入网络线性层。在网络线性层中首先要经过一个正规化处理器，然后再进入普通的线性神经元。在正规化处理器中，采用normprod函数来计算网络的输出向量n²。normprod是一个权函数，权函数将权重加到输入矩阵上得到带权矩阵。对于normprod(W，P)，W为S×R权矩阵，P为Q维输入列向量矩阵，normprod(W，P)返回S×Q维正规化点积。

在该网络中，将网络线性层的权矩阵设为网络的目标输出T_S×Q，即

normprod(T，a¹)

$=\mathrm{normprod}(\left[\begin{array}{cccc}{t}_{11}& t_{12}& \·\·\·& t_{1Q}\\ t_{21}& t_{22}& \·\·\·& t_{2Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ t_{S1}& t_{S2}& \·\·\·& t_{\mathrm{SQ}}\end{array}\right],\left[\begin{array}{cccc}{a}_{11}& a_{12}& \·\·\·& a_{1Q}\\ a_{21}& a_{22}& \·\·\·& a_{2Q}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ a_{Q1}& a_{Q2}& \·\·\·& a_{\mathrm{QQ}}\end{array}\right])$

本发明所采用的神经元网络运算是一个逼近器，只要隐单元足够多，它就可以逼近任意M元连续函数且对任一未知的非线性函数，总存在一组权值使网络对该函数的逼近效果最好。网络第二层也有与网络输入和目标向量相同的神经元节点数，这里将第二层的权值矩阵设为目标向量矩阵T。

所述网络输出模块，如图1中神的输出模块：当网络训练结束之后，用sim函数来仿真神经元网络的输出，从而与目标输出进行比较，来检验神经元网络的性能。函数postreg利用了线形回归的方法分析了神经元网络输出和目标输出的关系，即神经元网络输出变化相对于目标输出变化的变化率，从而评估了神经元网络的训练结果。

a＝sim(net，p)

[m，b，r]＝postreg(a，t)

函数postreg返回了3个值，m和b分别表示最优回归直线的斜率和y轴截距，当m等于1，b等于0的时候，神经元网络输出和目标输出完全相同，此时的神经元网络具有最优的性能。r表示网络输出与目标输出的相关系数，它越接近于1，表示网络输出与目标输出越接近，神经元网络性能越好。函数postreg显示的图形中，横坐标为目标输出，纵坐标为网络输出， “。”表示数据，理想回归直线(神经元网络输出等于目标输出时的直线)由实线表示，最优回归直线由虚线表示。

在神经元网络输出模块中，分别给出各个输出材性指标的用来衡量神经元网络性能线性回归图形，输出图形如图8所示，从仿真图中可以看出其精度达到了98.999％。

最后将各项运算的结果再通过相应的控制设备，如温度控制器、补充液体控制器等，对电沉积槽中的溶液进行相应的控制和调节，从而使金属沉积槽中的溶液的各项参数保持稳定，保证金属电沉积的质量。

Claims (7)

1.一种金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：包括以下步骤：

(1)参数输入模块，用于输入金属电沉积过程中沉积槽内溶液的各项参数，包括浓度、温度、pH值、搅拌速度、电流密度；

(2)接口引擎模块，用于传递数据和做运算前的准备；

(3)后台运算模块，通过神经元网络模型的非线性逼进法计算出各项参数值；

(4)输出模块，输出运算后的结果，并控制设备控制将运算结果转变为量化的控制。

2.根据权利要求1所述的金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：所述后台运算模块采用Matlab作为后台运算引擎。

3.根据权利要求1或2所述的金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：所述后台运算模块还包括以下过程：

(1)标准化处理过程；

(2)通过神经元网络法进行运算过程。

4.根据权利要求1或2所述的金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：所述接口引擎模块还包括一个开辟数据缓冲区模块、一个数据格式转换模块和一个运算文件的调用模块，上述三个模块次序不分先后。

5.根据权利要求1或2所述的金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：所述参数输入模块还包括一个参数校验和控制模块，所述参数校验包括参数定义域控制模块、参数步长控制模块、数据格式控制模块，且上述三模块顺序不分先后。

6.根据权利要求1或2所述的金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：所述模块输入模块中包括控制信息和数据信息，并负责对输入的各项参数进行校对。

7.根据权利要求1或2所述的金属电沉积过程中基于神经元网络进行实时控制的方法，其特征在于：所述参数输入模块还包括一个输入方式的询问过程，通过不同的输入方式，进入不同的输入模块，所述输入方式中包括至少三个输入模型。

Images