CN117893101B - 一种键合金丝的生产质量评估方法、系统及存储介质 - Google Patents
一种键合金丝的生产质量评估方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117893101B CN117893101B CN202410297887.9A CN202410297887A CN117893101B CN 117893101 B CN117893101 B CN 117893101B CN 202410297887 A CN202410297887 A CN 202410297887A CN 117893101 B CN117893101 B CN 117893101B
- Authority
- CN
- China
- Prior art keywords
- cooling device
- characteristic data
- cooling
- production
- cooling performance
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 337
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000001303 quality assessment method Methods 0.000 title abstract description 9
- 229910052737 gold Inorganic materials 0.000 title description 46
- 239000010931 gold Substances 0.000 title description 46
- 238000001816 cooling Methods 0.000 claims abstract description 590
- 239000000956 alloy Substances 0.000 claims abstract 33
- 229910045601 alloy Inorganic materials 0.000 claims abstract 33
- 230000008859 change Effects 0.000 claims description 51
- 238000013508 migration Methods 0.000 claims description 49
- 230000005012 migration Effects 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims 6
- 238000003754 machining Methods 0.000 claims 2
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 63
- 230000002068 genetic effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002425 crystallisation Methods 0.000 description 3
- 230000008025 crystallization Effects 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/48—Manufacture or treatment of parts, e.g. containers, prior to assembly of the devices, using processes not provided for in a single one of the groups H01L21/18 - H01L21/326 or H10D48/04 - H10D48/07
- H01L21/4814—Conductive parts
- H01L21/4885—Wire-like parts or pins
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种键合金丝的生产质量评估方法、系统及存储介质，属于键合金丝质量评估技术领域，本发明通过获取异常工作的冷却装置以及正常工作的冷却装置，从而获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令，最后当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。本发明能够及时发现键合金丝生产过程中冷却装置的冷却性能是否符合预设要求，从而能够减少由于此事件而造成键合金丝的生产工艺成本升高的情况。
Description
技术领域
本发明涉及键合金丝评估技术领域，尤其涉及一种键合金丝的生产质量评估方法、系统及存储介质。
背景技术
随着大规模、超大规模集成电路的发展，对封装材料的要求越来越高，特别是键合金丝，线径要求越来越细，机械、化学、电等各项性能指标 还需满足封装要求。而且半导体器件不仅要求高性能，同时要求低成本。为降低作为其材料之一微细金丝的高额费用，正在使金丝直径越来越细。金丝微细化不仅可降低所需金丝费用，而且适用于高密度封装。其中键合金丝生产关键工序之一为金棒真空连铸，其工艺首先是要确保铸锭结晶组织的均匀一致，而结晶组织的好坏及一致性与结晶冷却水的控制关系密切，因而在拉铸过程中保持进入结晶器冷却铜套的冷却装置的冷却性能保持在预定的范围之下是保证生产顺利进行及提高成品率、提升产品性能的必要措施。然而，键合金丝的冷却装置的冷却性能随着时间的变化会发生一定的性能退化，若不能及时发现，就会对用户造成一定的经济损失，如产生的次品需要重新加工，该过程产生了重复的加工费，导致了键合金丝的生产成本升高。
发明内容
本发明克服了现有技术的不足，提供了一种键合金丝的生产质量评估方法、系统及存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种键合金丝的生产质量评估方法，包括以下步骤：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型；
基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置；
获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令；
当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
进一步的，在本方法中，获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型，具体包括：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并将冷却装置的历史运行特征数据信息按照预设时间段进行分割，获取冷却装置在若干个预设时间段之内的历史运行特征数据，基于冷却装置在若干个预设时间段之内的历史运行特征数据绘制第一运行特征数据变化曲线图；
获取在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息，并根据在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息绘制第二运行特征数据变化曲线图；
将第二运行特征数据变化曲线图按照预设时间段进行分割，生成第三运行特征数据变化曲线图，并计算冷却装置在相同工作时长的第一运行特征数据变化曲线图与第三运行特征数据变化曲线图之间的曼哈顿距离；
当曼哈顿距离低于预设曼哈顿距离阈值时，则将第一运行特征数据变化曲线图对应的冷却装置作为冷却性能迁移目标，并构建基于时间序列的冷却性能迁移目标变化数据，
基于深度神经网络构建冷却装置冷却性能特征预测模型，并将基于时间序列的冷却性能迁移目标变化数据输入到冷却装置冷却性能特征预测模型中进行编码学习。
进一步的，在本方法中，基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，具体包括：
获取预设时间之内生产过程中冷却装置的运行特征数据信息，根据预设时间之内生产过程中冷却装置的运行特征数据信息获取在预设时间段内冷却装置的冷却性能迁移目标；
将在预设时间段内的冷却性能迁移目标输入到冷却装置冷却性能特征预测模型中进行预测，获取当前时间戳中冷却装置的冷却性能迁移目标；
获取当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息，并将当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息作为当前时间戳的生产过程中冷却装置的冷却性能特征数据输出。
进一步的，在本方法中，对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置，具体包括：
预设冷却性能特征数据阈值，并判断当前时间戳的生产过程中冷却装置的冷却性能特征数据是否大于冷却性能特征数据阈值；
当当前时间戳的生产过程中冷却装置的冷却性能特征数据大于冷却性能特征数据阈值时，则将对应的冷却装置作为正常工作的冷却装置；
当当前时间戳的生产过程中冷却装置的冷却性能特征数据不大于冷却性能特征数据阈值时，则将对应的冷却装置作为异常工作的冷却装置；
将异常工作的冷却装置以及正常工作的冷却装置作为输出结果进行输出。
进一步的，在本方法中，获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令，具体包括：
获取每一生产线中键合金丝的生产质量要求信息，并当冷却装置为异常工作的冷却装置时，获取异常工作的冷却装置的实时冷却性能数据信息，通过大数据获取每一生产质量要求信息所要求的冷却性能数据信息；
根据每一生产线中键合金丝的生产质量要求信息构建知识图谱，将每一生产线中键合金丝的生产质量要求信息输入到知识图谱中进行数据匹配，获取当前生产质量要求信息之下所要求的冷却性能数据信息；
判断异常工作的冷却装置的实时冷却性能数据信息是否大于当前生产质量要求信息之下所要求的冷却性能数据信息，若大于，则生成继续加工指令；
当异常工作的冷却装置的实时冷却性能数据信息不大于当前生产质量要求信息之下所要求的冷却性能数据信息时，则生成停止加工指令，并根据停止加工指令进行预警。
进一步的，在本方法中，当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控，具体包括：
当冷却装置为正常工作的冷却装置时，根据每一生产线中键合金丝的生产质量要求信息以及知识图谱获取每一生产线中所要求的冷却性能数据信息；
获取当前每一生产线中冷却装置的实时运行特征数据，将生产线中所要求的冷却性能数据信息与生产线中冷却装置的实时运行特征数据进行对比，得到偏差率；
预设偏差率阈值，判断偏差率是否大于偏差率阈值，当偏差率大于预设偏差率阈值时，则以生产线中所要求的冷却性能数据信息作为调控基准；
计算调控基准以及生产线中冷却装置的实时运行特征数据之间的差值，并根据差值生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
本发明第二方面提供了一种键合金丝的生产质量评估系统，键合金丝的生产质量评估系统包括存储器以及处理器，存储器中包括键合金丝的生产质量评估方法程序，键合金丝的生产质量评估方法程序被处理器执行时，实现如下步骤：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型；
基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置；
获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令；
当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含键合金丝的生产质量评估方法程序，键合金丝的生产质量评估方法程序被处理器执行时，实现任一项的键合金丝的生产质量评估方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型，进而基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置，从而获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令，最后当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。本发明通过对键合金丝生成过程中冷却装置进行冷却迁移性能目标的预测，能够准确与历史运行数据进行迁移对比，进而能够准确地预估冷却装置的冷却性能的迁移目标方向，提高对冷却装置的冷却性能的预测精度。另一方面，本发明能够及时发现键合金丝生产过程中冷却装置的冷却性能是否符合预设要求，从而能够减少由于此事件而造成键合金丝的生产工艺成本升高的情况。
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示出了一种键合金丝的生产质量评估方法的整体方法流程图；
图2示出了一种键合金丝的生产质量评估方法的第一方法流程图；
图3示出了一种键合金丝的生产质量评估方法的第二方法流程图；
图4示出了示出了一种键合金丝的生产质量评估系统的系统框图。
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，本发明第一方面提供了一种键合金丝的生产质量评估方法，包括以下步骤：
S102:获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型；
S104:基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置；
S106:获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令；
S108:当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
需要说明的是，本发明通过对键合金丝生成过程中冷却装置进行冷却迁移性能目标的预测，能够准确与历史运行数据进行迁移对比，进而能够准确地预估冷却装置的冷却性能的迁移目标方向，提高对冷却装置的冷却性能的预测精度。另一方面，本发明能够及时发现键合金丝生产过程中冷却装置的冷却性能是否符合预设要求，从而能够减少由于此事件而造成键合金丝的生产工艺成本升高的情况。
进一步的，在本方法中，获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型，具体包括：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并将冷却装置的历史运行特征数据信息按照预设时间段进行分割，获取冷却装置在若干个预设时间段之内的历史运行特征数据，基于冷却装置在若干个预设时间段之内的历史运行特征数据绘制第一运行特征数据变化曲线图；
获取在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息，并根据在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息绘制第二运行特征数据变化曲线图；
将第二运行特征数据变化曲线图按照预设时间段进行分割，生成第三运行特征数据变化曲线图，并计算冷却装置在相同工作时长的第一运行特征数据变化曲线图与第三运行特征数据变化曲线图之间的曼哈顿距离；
当曼哈顿距离低于预设曼哈顿距离阈值时，则将第一运行特征数据变化曲线图对应的冷却装置作为冷却性能迁移目标，并构建基于时间序列的冷却性能迁移目标变化数据，
基于深度神经网络构建冷却装置冷却性能特征预测模型，并将基于时间序列的冷却性能迁移目标变化数据输入到冷却装置冷却性能特征预测模型中进行编码学习。
需要说明的是，运行特征数据信息包括冷却装置中冷却水的温度信息、单位时间内冷却水的升温数据、单位时间内冷却水的更换速率等数据。其中，实际上键合金丝在生产过程中冷却装置的历史运行特征数据信息相当于一个大数据，里面有许多冷却装置的历史运行特征数据信息。实际上，冷却装置在使用到一定的期限之后，就会发生性能退化，如通水管道堵塞导致单位时间之内更换水的速度低下，从而导致冷却能力下降。而其中，由于工况的变化，冷却装置在某一个时段之内与某一个冷却装置的历史运行特征数据信息（第一运行特征数据变化曲线图相同），而在另一个时段之内又与另外一个冷却装置的历史运行特征数据信息相同（第一运行特征数据变化曲线图相同）。从而在某一个时段内与一个相似的冷却装置运行特征数据信息迅速变化到与另一个相似的冷却装置运行特征数据信息，从而发生的冷却性能迁移，从而就会形成一个基于时间序列的冷却性能迁移目标变化数据。当曼哈顿距离低于预设曼哈顿距离阈值时，说明第一运行特征数据变化曲线图与第三运行特征数据变化曲线图之间的相似度高，则将第一运行特征数据变化曲线图对应的冷却装置作为冷却性能迁移目标，通过本方法能够提高对冷却装置的冷却性能的预测精度。
进一步的，在本方法中，基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，具体包括：
获取预设时间之内生产过程中冷却装置的运行特征数据信息，根据预设时间之内生产过程中冷却装置的运行特征数据信息获取在预设时间段内冷却装置的冷却性能迁移目标；
将在预设时间段内的冷却性能迁移目标输入到冷却装置冷却性能特征预测模型中进行预测，获取当前时间戳中冷却装置的冷却性能迁移目标；
获取当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息，并将当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息作为当前时间戳的生产过程中冷却装置的冷却性能特征数据输出。
需要说明的是，通过本方法能够预测出当前时间戳的生产过程中冷却装置的冷却性能特征数据。
进一步的，在本方法中，对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置，具体包括：
预设冷却性能特征数据阈值，并判断当前时间戳的生产过程中冷却装置的冷却性能特征数据是否大于冷却性能特征数据阈值；
当当前时间戳的生产过程中冷却装置的冷却性能特征数据大于冷却性能特征数据阈值时，则将对应的冷却装置作为正常工作的冷却装置；
当当前时间戳的生产过程中冷却装置的冷却性能特征数据不大于冷却性能特征数据阈值时，则将对应的冷却装置作为异常工作的冷却装置；
将异常工作的冷却装置以及正常工作的冷却装置作为输出结果进行输出。
需要说明的是，冷却性能特征数据阈值是人为设置的一个阈值标准，如单位时间之内的冷却温度为10摄氏度，为监测冷却装置的冷却性能的一个标准，用户可以根据实际的情况进行设置。其中，异常工作的冷却装置仅仅代表着当前时间戳的生产过程中冷却装置的冷却性能特征数据不大于冷却性能特征数据阈值的冷却装置。
如图2所示，进一步的，在本方法中，获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令，具体包括：
S202:获取每一生产线中键合金丝的生产质量要求信息，并当冷却装置为异常工作的冷却装置时，获取异常工作的冷却装置的实时冷却性能数据信息，通过大数据获取每一生产质量要求信息所要求的冷却性能数据信息；
S204:根据每一生产线中键合金丝的生产质量要求信息构建知识图谱，将每一生产线中键合金丝的生产质量要求信息输入到知识图谱中进行数据匹配，获取当前生产质量要求信息之下所要求的冷却性能数据信息；
S206:判断异常工作的冷却装置的实时冷却性能数据信息是否大于当前生产质量要求信息之下所要求的冷却性能数据信息，若大于，则生成继续加工指令；
S208:当异常工作的冷却装置的实时冷却性能数据信息不大于当前生产质量要求信息之下所要求的冷却性能数据信息时，则生成停止加工指令，并根据停止加工指令进行预警。
需要说明的是，生产线中键合金丝的生产质量要求信息包括键合金丝的键合强度、抗拉强度、延展率等数据。由于在生成过程中经历金棒真空连铸、正火、退火、冷却等工艺程序，而每一生产质量要求信息所要求的冷却装置的冷却性能也是不一致的，要求高的键合金丝就需要要求冷却装置的冷却性能高。当异常工作的冷却装置的实时冷却性能数据信息大于当前生产质量要求信息之下所要求的冷却性能数据信息时，说明当前的需求是足够的。反之，则是冷却装置的冷却性能是不符合要求的。通过本方法能够进一步提高键合金丝生产加工的合理性。
如图3所示，进一步的，在本方法中，当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控，具体包括：
S302:当冷却装置为正常工作的冷却装置时，根据每一生产线中键合金丝的生产质量要求信息以及知识图谱获取每一生产线中所要求的冷却性能数据信息；
S304:获取当前每一生产线中冷却装置的实时运行特征数据，将生产线中所要求的冷却性能数据信息与生产线中冷却装置的实时运行特征数据进行对比，得到偏差率；
S306:预设偏差率阈值，判断偏差率是否大于偏差率阈值，当偏差率大于预设偏差率阈值时，则以生产线中所要求的冷却性能数据信息作为调控基准；
S308:计算调控基准以及生产线中冷却装置的实时运行特征数据之间的差值，并根据差值生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
需要说明的是，通过本方法能够根据实际的运行特征数据对冷却装置进行冷却调控，使得冷却装置的实时性能符合键合金丝的生产需求，降低键合金丝的次品率，从而降低键合金丝的生产成本。
此外，本方法还可以包括以下步骤：
获取当前键合金丝的生产订单需求量信息，并获取当前每一键合金丝的生产线中冷却装置的冷却性能数据信息，判断所述键合金丝的生产线中冷却装置的冷却性能数据信息是否满足当前生产订单中的生产质量信息；
当所述键合金丝的生产线中冷却装置的冷却性能数据信息满足当前生产订单中的生产质量信息时，则将当前生产线作为当前生产订单的优先生产线；
当所述键合金丝的生产线中冷却装置的冷却性能数据信息不满足当前生产订单中的生产质量信息时，则将对应的生产线作为异常的生产线；
获取在预定生产时间之内当前生产订单的优先生产线的历史生产量数据信息，并引入遗传算法，初始化生产线的组合信息，并根据所述当前生产订单的优先生产线的历史生产量数据信息以及生产线的组合信息计算出总的生产量数据信息；
根据所述遗传算法设置遗传代数，当所述总的生产量数据信息低于所述当前键合金丝的生产订单需求量信息，调整所述生产线的组合信息，并根据所述遗传代数进行遗传迭代，当所述总的生产量数据信息不低于所述当前键合金丝的生产订单需求量信息时，输出生产线的组合信息，并按照所述生产线的组合信息进行键合金丝的生产。
需要说明的是，生产线的组合信息为一个或者多个生产线的组合，通过遗传算法根据冷却装置的性能情况来优化生产线的组合信息，从而提高生产的合理性。
此外，本方法还可以包括以下步骤：
当所述遗传代数达到最大值之后，所述总的生产量数据信息依然低于所述当前键合金丝的生产订单需求量信息时，则获取遗传代数最大时的总的生产量数据信息；
根据所述遗传代数最大时的总的生产量数据信息以及当前键合金丝的生产订单需求量信息计算出生产余量差值，并获取异常生产线中的生产线以及当前键合金丝的生产质量数据信息；
根据所述当前键合金丝的生产质量数据信息获取需要冷却装置的冷却性能数据信息，并根据所述需要冷却装置的冷却性能数据信息对相关的冷却装置进行检索，获取适合的冷却装置的型号以及规格信息；
根据所述适合的冷却装置的型号以及规格信息对所述异常的生产线进行冷却装置调整，并预估出每个调整后的异常的生产线的生产量数据信息，根据所述遗传算法以及调整后的异常的生产线的生产量数据信息对所述生产线的组合信息进行重新调整。
需要说明的是，实际上可能许多的冷却装置的要求是不符合键合金丝的生产质量需求的，通过根据所述适合的冷却装置的型号以及规格信息对所述异常的生产线进行冷却装置调整，从而来对所述生产线的组合信息进行重新调整，使得用户根据实际的情况进行智能调整，提高生产的合理性。
如图4所示，本发明第二方面提供了一种键合金丝的生产质量评估系统4，键合金丝的生产质量评估系4统包括存储器41以及处理器42，存储器41中包括键合金丝的生产质量评估方法程序，键合金丝的生产质量评估方法程序被处理器42执行时，实现如下步骤：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型；
基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置；
获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令；
当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
进一步的，在本系统中，获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型，具体包括：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并将冷却装置的历史运行特征数据信息按照预设时间段进行分割，获取冷却装置在若干个预设时间段之内的历史运行特征数据，基于冷却装置在若干个预设时间段之内的历史运行特征数据绘制第一运行特征数据变化曲线图；
获取在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息，并根据在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息绘制第二运行特征数据变化曲线图；
将第二运行特征数据变化曲线图按照预设时间段进行分割，生成第三运行特征数据变化曲线图，并计算冷却装置在相同工作时长的第一运行特征数据变化曲线图与第三运行特征数据变化曲线图之间的曼哈顿距离；
当曼哈顿距离低于预设曼哈顿距离阈值时，则将第一运行特征数据变化曲线图对应的冷却装置作为冷却性能迁移目标，并构建基于时间序列的冷却性能迁移目标变化数据，
基于深度神经网络构建冷却装置冷却性能特征预测模型，并将基于时间序列的冷却性能迁移目标变化数据输入到冷却装置冷却性能特征预测模型中进行编码学习。
进一步的，在本系统中，基于冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，具体包括：
获取预设时间之内生产过程中冷却装置的运行特征数据信息，根据预设时间之内生产过程中冷却装置的运行特征数据信息获取在预设时间段内冷却装置的冷却性能迁移目标；
将在预设时间段内的冷却性能迁移目标输入到冷却装置冷却性能特征预测模型中进行预测，获取当前时间戳中冷却装置的冷却性能迁移目标；
获取当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息，并将当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息作为当前时间戳的生产过程中冷却装置的冷却性能特征数据输出。
进一步的，在本系统中，对当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置，具体包括：
预设冷却性能特征数据阈值，并判断当前时间戳的生产过程中冷却装置的冷却性能特征数据是否大于冷却性能特征数据阈值；
当当前时间戳的生产过程中冷却装置的冷却性能特征数据大于冷却性能特征数据阈值时，则将对应的冷却装置作为正常工作的冷却装置；
当当前时间戳的生产过程中冷却装置的冷却性能特征数据不大于冷却性能特征数据阈值时，则将对应的冷却装置作为异常工作的冷却装置；
将异常工作的冷却装置以及正常工作的冷却装置作为输出结果进行输出。
进一步的，在本系统中，获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据每一生产线中键合金丝的生产质量要求新型生成相关的生产控制指令，具体包括：
获取每一生产线中键合金丝的生产质量要求信息，并当冷却装置为异常工作的冷却装置时，获取异常工作的冷却装置的实时冷却性能数据信息，通过大数据获取每一生产质量要求信息所要求的冷却性能数据信息；
根据每一生产线中键合金丝的生产质量要求信息构建知识图谱，将每一生产线中键合金丝的生产质量要求信息输入到知识图谱中进行数据匹配，获取当前生产质量要求信息之下所要求的冷却性能数据信息；
判断异常工作的冷却装置的实时冷却性能数据信息是否大于当前生产质量要求信息之下所要求的冷却性能数据信息，若大于，则生成继续加工指令；
当异常工作的冷却装置的实时冷却性能数据信息不大于当前生产质量要求信息之下所要求的冷却性能数据信息时，则生成停止加工指令，并根据停止加工指令进行预警。
进一步的，在本系统中，当冷却装置为正常工作的冷却装置时，则根据每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控，具体包括：
当冷却装置为正常工作的冷却装置时，根据每一生产线中键合金丝的生产质量要求信息以及知识图谱获取每一生产线中所要求的冷却性能数据信息；
获取当前每一生产线中冷却装置的实时运行特征数据，将生产线中所要求的冷却性能数据信息与生产线中冷却装置的实时运行特征数据进行对比，得到偏差率；
预设偏差率阈值，判断偏差率是否大于偏差率阈值，当偏差率大于预设偏差率阈值时，则以生产线中所要求的冷却性能数据信息作为调控基准；
计算调控基准以及生产线中冷却装置的实时运行特征数据之间的差值，并根据差值生成相关的调控参数，并基于相关的调控参数对冷却装置进行冷却调控。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含键合金丝的生产质量评估方法程序，键合金丝的生产质量评估方法程序被处理器执行时，实现任一项的键合金丝的生产质量评估方法的步骤。
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 (6)
1.一种键合金丝的生产质量评估方法，其特征在于，包括以下步骤：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据所述冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型；
基于所述冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对所述当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置；
获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据所述每一生产线中键合金丝的生产质量要求信息生成相关的生产控制指令；
当所述冷却装置为正常工作的冷却装置时，则根据所述每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于所述相关的调控参数对冷却装置进行冷却调控；
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据所述冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型，具体包括：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并将所述冷却装置的历史运行特征数据信息按照预设时间段进行分割，获取冷却装置在若干个预设时间段之内的历史运行特征数据，基于所述冷却装置在若干个预设时间段之内的历史运行特征数据绘制第一运行特征数据变化曲线图；
获取在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息，并根据所述在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息绘制第二运行特征数据变化曲线图；
将所述第二运行特征数据变化曲线图按照预设时间段进行分割，生成第三运行特征数据变化曲线图，并计算冷却装置在相同工作时长的所述第一运行特征数据变化曲线图与第三运行特征数据变化曲线图之间的曼哈顿距离；
当所述曼哈顿距离低于预设曼哈顿距离阈值时，则将所述第一运行特征数据变化曲线图对应的冷却装置作为冷却性能迁移目标，并构建基于时间序列的冷却性能迁移目标变化数据，
基于深度神经网络构建冷却装置冷却性能特征预测模型，并将所述基于时间序列的冷却性能迁移目标变化数据输入到所述冷却装置冷却性能特征预测模型中进行编码学习；
基于所述冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，具体包括：
获取预设时间之内生产过程中冷却装置的运行特征数据信息，根据所述预设时间之内生产过程中冷却装置的运行特征数据信息获取在预设时间段内冷却装置的冷却性能迁移目标；
将所述在预设时间段内的冷却性能迁移目标输入到所述冷却装置冷却性能特征预测模型中进行预测，获取当前时间戳中冷却装置的冷却性能迁移目标；
获取当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息，并将所述当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息作为当前时间戳的生产过程中冷却装置的冷却性能特征数据输出。
2.根据权利要求1所述的一种键合金丝的生产质量评估方法，其特征在于，对所述当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置，具体包括：
预设冷却性能特征数据阈值，并判断所述当前时间戳的生产过程中冷却装置的冷却性能特征数据是否大于所述冷却性能特征数据阈值；
当所述当前时间戳的生产过程中冷却装置的冷却性能特征数据大于所述冷却性能特征数据阈值时，则将对应的冷却装置作为正常工作的冷却装置；
当所述当前时间戳的生产过程中冷却装置的冷却性能特征数据不大于所述冷却性能特征数据阈值时，则将对应的冷却装置作为异常工作的冷却装置；
将所述异常工作的冷却装置以及正常工作的冷却装置作为输出结果进行输出。
3.根据权利要求1所述的一种键合金丝的生产质量评估方法，其特征在于，获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据所述每一生产线中键合金丝的生产质量要求信息生成相关的生产控制指令，具体包括：
获取每一生产线中键合金丝的生产质量要求信息，并当所述冷却装置为异常工作的冷却装置时，获取异常工作的冷却装置的实时冷却性能数据信息，通过大数据获取每一生产质量要求信息所要求的冷却性能数据信息；
根据所述每一生产线中键合金丝的生产质量要求信息构建知识图谱，将所述每一生产线中键合金丝的生产质量要求信息输入到所述知识图谱中进行数据匹配，获取当前生产质量要求信息之下所要求的冷却性能数据信息；
判断所述异常工作的冷却装置的实时冷却性能数据信息是否大于当前生产质量要求信息之下所要求的冷却性能数据信息，若大于，则生成继续加工指令；
当所述异常工作的冷却装置的实时冷却性能数据信息不大于当前生产质量要求信息之下所要求的冷却性能数据信息时，则生成停止加工指令，并根据所述停止加工指令进行预警。
4.根据权利要求1所述的一种键合金丝的生产质量评估方法，其特征在于，当所述冷却装置为正常工作的冷却装置时，则根据所述每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于所述相关的调控参数对冷却装置进行冷却调控，具体包括：
当所述冷却装置为正常工作的冷却装置时，根据所述每一生产线中键合金丝的生产质量要求信息以及知识图谱获取每一生产线中所要求的冷却性能数据信息；
获取当前每一生产线中冷却装置的实时运行特征数据，将所述生产线中所要求的冷却性能数据信息与生产线中冷却装置的实时运行特征数据进行对比，得到偏差率；
预设偏差率阈值，判断所述偏差率是否大于所述偏差率阈值，当偏差率大于预设偏差率阈值时，则以所述生产线中所要求的冷却性能数据信息作为调控基准；
计算所述调控基准以及生产线中冷却装置的实时运行特征数据之间的差值，并根据所述差值生成相关的调控参数，并基于所述相关的调控参数对冷却装置进行冷却调控。
5.一种键合金丝的生产质量评估系统，其特征在于，所述键合金丝的生产质量评估系统包括存储器以及处理器，所述存储器中包括键合金丝的生产质量评估方法程序，所述键合金丝的生产质量评估方法程序被所述处理器执行时，实现如下步骤：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据所述冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型；
基于所述冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，并对所述当前时间戳的生产过程中冷却装置的冷却性能特征数据进行识别，获取异常工作的冷却装置以及正常工作的冷却装置；
获取每一生产线中键合金丝的生产质量要求信息，当冷却装置为异常工作的冷却装置，并根据所述每一生产线中键合金丝的生产质量要求信息生成相关的生产控制指令；
当所述冷却装置为正常工作的冷却装置时，则根据所述每一生产线中键合金丝的生产质量要求信息生成相关的调控参数，并基于所述相关的调控参数对冷却装置进行冷却调控；
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并根据所述冷却装置的历史运行特征数据信息构建冷却装置冷却性能特征预测模型，具体包括：
获取键合金丝在生产过程中冷却装置的历史运行特征数据信息，并将所述冷却装置的历史运行特征数据信息按照预设时间段进行分割，获取冷却装置在若干个预设时间段之内的历史运行特征数据，基于所述冷却装置在若干个预设时间段之内的历史运行特征数据绘制第一运行特征数据变化曲线图；
获取在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息，并根据所述在预设时间之内当前键合金丝生产过程中冷却装置的运行特征数据信息绘制第二运行特征数据变化曲线图；
将所述第二运行特征数据变化曲线图按照预设时间段进行分割，生成第三运行特征数据变化曲线图，并计算冷却装置在相同工作时长的所述第一运行特征数据变化曲线图与第三运行特征数据变化曲线图之间的曼哈顿距离；
当所述曼哈顿距离低于预设曼哈顿距离阈值时，则将所述第一运行特征数据变化曲线图对应的冷却装置作为冷却性能迁移目标，并构建基于时间序列的冷却性能迁移目标变化数据，
基于深度神经网络构建冷却装置冷却性能特征预测模型，并将所述基于时间序列的冷却性能迁移目标变化数据输入到所述冷却装置冷却性能特征预测模型中进行编码学习；
基于所述冷却装置冷却性能特征预测模型预测当前时间戳的生产过程中冷却装置的冷却性能特征数据，具体包括：
获取预设时间之内生产过程中冷却装置的运行特征数据信息，根据所述预设时间之内生产过程中冷却装置的运行特征数据信息获取在预设时间段内冷却装置的冷却性能迁移目标；
将所述在预设时间段内的冷却性能迁移目标输入到所述冷却装置冷却性能特征预测模型中进行预测，获取当前时间戳中冷却装置的冷却性能迁移目标；
获取当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息，并将所述当前时间戳中冷却装置的冷却性能迁移目标在相同工况之下的历史运行特征数据信息作为当前时间戳的生产过程中冷却装置的冷却性能特征数据输出。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含键合金丝的生产质量评估方法程序，所述键合金丝的生产质量评估方法程序被处理器执行时，实现如权利要求1-4任一项所述的键合金丝的生产质量评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410297887.9A CN117893101B (zh) | 2024-03-15 | 2024-03-15 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410297887.9A CN117893101B (zh) | 2024-03-15 | 2024-03-15 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117893101A CN117893101A (zh) | 2024-04-16 |
| CN117893101B true CN117893101B (zh) | 2024-06-07 |
Family
ID=90646075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410297887.9A Active CN117893101B (zh) | 2024-03-15 | 2024-03-15 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893101B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241872A (zh) * | 2008-01-22 | 2008-08-13 | 西安交通大学 | 一种分布式超声引线键合质量在线检测系统 |
| CN103155734A (zh) * | 2010-08-12 | 2013-06-12 | 施耐德电气It公司 | 用于预测数据中心瞬态冷却性能的系统和方法 |
| CN116012378A (zh) * | 2023-03-24 | 2023-04-25 | 湖南东方钪业股份有限公司 | 一种用于增材制造的合金丝材的质量检测方法 |
| CN116485280A (zh) * | 2023-06-15 | 2023-07-25 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
| CN116975639A (zh) * | 2023-07-28 | 2023-10-31 | 东莞盟大集团有限公司 | 设备的异常防控系统及方法 |
| CN117161120A (zh) * | 2023-09-06 | 2023-12-05 | 深圳中宝新材科技有限公司 | 金合金丝的基体圆度调整方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105514057B (zh) * | 2016-01-15 | 2017-03-29 | 气派科技股份有限公司 | 高密度集成电路封装结构以及集成电路 |
-
2024
- 2024-03-15 CN CN202410297887.9A patent/CN117893101B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241872A (zh) * | 2008-01-22 | 2008-08-13 | 西安交通大学 | 一种分布式超声引线键合质量在线检测系统 |
| CN103155734A (zh) * | 2010-08-12 | 2013-06-12 | 施耐德电气It公司 | 用于预测数据中心瞬态冷却性能的系统和方法 |
| CN116012378A (zh) * | 2023-03-24 | 2023-04-25 | 湖南东方钪业股份有限公司 | 一种用于增材制造的合金丝材的质量检测方法 |
| CN116485280A (zh) * | 2023-06-15 | 2023-07-25 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
| CN116975639A (zh) * | 2023-07-28 | 2023-10-31 | 东莞盟大集团有限公司 | 设备的异常防控系统及方法 |
| CN117161120A (zh) * | 2023-09-06 | 2023-12-05 | 深圳中宝新材科技有限公司 | 金合金丝的基体圆度调整方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Process optimization and weld forming control based on GA-BP algorithm for riveting-welding hybrid bonding between magnesium and CFRP;Wang Hongyang et al.;Journal of Manufacturing Processes;20210826;第70卷;97-107 * |
| 轧钢生产过程中的质量控制研究;朱泰阳;冶金与材料;20230628;第43卷(第6期);5-7 * |
| 键合金丝可靠性试验方法研究;海洋;贾耀平;任建峰;阎德劲;;电子元件与材料;20131105(第11期);65-68 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117893101A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101850410B (zh) | 一种基于神经网络的连铸漏钢预报方法 | |
| WO2017076154A1 (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
| Kim et al. | Wafer edge yield prediction using a combined long short-term memory and feed-forward neural network model for semiconductor manufacturing | |
| CN112001596A (zh) | 一种时间序列数据异常点检测方法及系统 | |
| CN118551939B (zh) | 箱包配件生产全流程进度智能监测方法及系统 | |
| CN114490275A (zh) | 一种基于mcu的主机监测控制方法、系统、电子设备及介质 | |
| CN117893101B (zh) | 一种键合金丝的生产质量评估方法、系统及存储介质 | |
| CN117706311A (zh) | Igbt模块的诊断和预后 | |
| CN116819224A (zh) | 电缆运行状态监测方法、装置、计算机设备、介质和产品 | |
| CN119448882B (zh) | 一种电机温度控制方法、系统及设备 | |
| CN113687777B (zh) | 一种磁盘可使用时长的预测方法、装置、设备及介质 | |
| CN111858704A (zh) | 一种数据监控方法、装置、电子设备以及存储介质 | |
| CN113625669B (zh) | 产品质量预测方法以及系统 | |
| CN118655861B (zh) | 基于快速换模的高效冲压控制方法及系统 | |
| CN119647276A (zh) | 一种基于多场景下的液冷储能应用分析方法及系统 | |
| CN115036601A (zh) | 一种分布式电池模组的散热方法及系统 | |
| US11762562B2 (en) | Performance analysis apparatus and performance analysis method | |
| CN116367958A (zh) | 机器学习装置、清洗预测装置以及清洗系统 | |
| CN115423218B (zh) | 一种针对于锻件缺陷消除工艺的预测方法及系统 | |
| CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
| CN116088444A (zh) | 自动化设备的健康检测方法及装置 | |
| CN113741583A (zh) | 半导体温控设备的故障预警方法、装置和电子设备 | |
| CN113369451B (zh) | 连铸生产中的漏钢自动监测方法及装置 | |
| TWI717122B (zh) | 線切割放電加工工件表面粗糙度預測方法 | |
| CN114693143B (zh) | 一种数控机床的健康状态评价方法、系统、设备和介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241209 Address after: 518000, 1st, 2nd, and 3rd floors of Building F, No. 91 Xialingpai Road, Dalang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province Patentee after: Fengruicheng Technology (Shenzhen) Co.,Ltd. Country or region after: China Patentee after: Fengruicheng (Hubei) Semiconductor Material Co.,Ltd. Address before: 518000, 1st, 2nd, and 3rd floors of Building F, No. 91 Xialingpai Road, Dalang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province Patentee before: Fengruicheng Technology (Shenzhen) Co.,Ltd. Country or region before: China |