微纳加工工艺参数和执行人员匹配的智能寻优方法及系统
本发明属于微纳制造与智能制造的,具体涉及微纳加工工艺参数和执行人员匹配的智能寻优方法及系统。
背景技术:
1、在微纳加工技术研发过程中,工艺参数的确定通常依赖于物理仿真或人工试错。现有技术在工艺参数寻优过程中,通常将加工任务作为整体进行处理,缺乏基于工艺知识对复杂加工任务进行细粒度拆解与编排的能力,难以针对多步骤、多约束的加工流程实现分阶段的参数优化。
2、也就是说,相关技术中,缺乏将模型预测与实体实验验证有效结合的闭环机制,无法在预测结果不满足要求时通过小样实验获取实测数据来修正模型,导致微纳加工工艺参数的寻优效率低且试错成本高。
3、因此,亟需提供微纳加工工艺参数和执行人员匹配的智能寻优方法及系统。
技术实现思路
1、本发明的主要目的在于提供一种微纳加工工艺参数和执行人员匹配的智能寻优方法及系统,以克服现有技术的不足。
2、为实现以上发明目的,本发明采用了如下所述的技术方案:
3、本发明一实施例提供一种微纳加工工艺参数和执行人员匹配的智能寻优方法,包括:
4、获取微纳加工任务需求,基于工艺知识图谱将所述微纳加工任务需求拆解为子任务序列;
5、利用工艺孪生模型对所述子任务序列中的子任务执行预模拟,确定推荐工艺参数与预测结果;
6、判断所述预测结果是否满足预设工艺阈值;在所述预测结果不满足所述预设工艺阈值的情况下,执行实体小样实验,获取实际测量数据;
7、基于所述实际测量数据修正所述工艺孪生模型,并利用修正后的工艺孪生模型重新执行所述预模拟,直至所述预测结果满足所述预设工艺阈值,输出可执行工艺参数。
8、在一优选实施例中,所述预测结果包含预测工艺指标;
9、所述在所述预测结果不满足所述预设工艺阈值的情况下,执行实体小样实验,获取实际测量数据,包括:
10、当判断所述预测工艺指标低于所述预设工艺阈值时,生成小样实验指令;
11、输出所述小样实验指令,以指导执行人员执行实体小样加工,并获取所述实体小样加工后的实际测量数据。
12、在一优选实施例中,基于所述实际测量数据,所述修正所述工艺孪生模型,包括:
13、将所述实际测量数据与所述推荐工艺参数作为新增样本,通过在线增量学习更新所述工艺孪生模型的权重;
14、其中,所述工艺孪生模型采用物理信息神经网络架构,将等离子体鞘层物理方程作为偏微分约束嵌入隐层,以所述实际测量数据作为训练样本执行所述在线增量学习。
15、在一优选实施例中,基于所述工艺知识图谱,所述将所述微纳加工任务需求拆解为子任务序列,包括:
16、基于所述工艺知识图谱确定子任务节点之间的前后工序依赖关系,生成有向无环图;
17、根据所述有向无环图调度对应的所述工艺孪生模型与工具;
18、所述智能寻优方法还包括:
19、当样品测试节点返回的测试指标低于所述预设工艺阈值时,触发工艺回流分支,将测试数据回写并重新触发调度。
20、在一优选实施例中,所述工艺孪生模型为融合物理机理与数据驱动的混合模型;
21、所述工艺孪生模型的隐层嵌入物理仿真方程作为物理约束,所述工艺孪生模型的输出层回归关键尺寸及效率预测结果。
22、在一优选实施例中,所述智能寻优方法还包括:
23、基于所述微纳加工任务需求的标签向量与工程师历史成功案例标签向量的相似度,结合工程师的当前负载因子计算匹配得分,根据所述匹配得分进行工程师资源分配;其中,所述匹配得分的计算公式为:
24、
25、为第个工程师的匹配得分,、、为权重因子,为所述微纳加工任务需求的标签向量,为第个工程师的历史成功案例标签向量,为所述相似度,为第个工程师的所述当前负载因子,为客户对第个工程师的偏好系数。
26、在一优选实施例中,所述智能寻优方法还包括:
27、当样品测试结果满足预设工艺要求时,将当前工艺参数组合固化为标准工艺配方,并将本次任务执行数据更新至所述工艺知识图谱与所述工艺孪生模型的训练样本库;
28、其中,所述更新至所述工艺知识图谱包括:提取所述本次任务执行数据中的工序依赖关系与参数影响关系,作为新增实体与关系节点写入图数据库;所述更新至所述训练样本库包括:对所述本次任务执行数据进行异常值过滤后,作为正样本追加至所述工艺孪生模型的增量学习数据集。
29、本发明另一实施例提供一种微纳加工公共研发平台智能体系统,包括:
30、数据层、模型层、工具层、流程层、服务层以及智能体编排引擎;
31、所述智能体编排引擎配置为统筹调度所述数据层、所述模型层、所述工具层、所述流程层和所述服务层;
32、所述数据层配置为采用时序数据库、图数据库和向量数据库存储微纳加工过程中的多源异构数据,其中所述图数据库存储工艺知识图谱;
33、所述模型层配置为承载工艺孪生模型;
34、所述工具层配置为管理动态工具库;
35、所述服务层配置为提供资源匹配和实验调度接口; 所述系统配置为实现如上述实施例中任一项所述的智能寻优方法。
36、在一优选实施例中,所述数据层配置为对获取的所述多源异构数据执行多模态数据融合,建立五维主键关联;其中,所述五维主键关联的维度包括客户、项目、工艺、设备和测试;
37、所述数据层还配置为将关联后的数据分别存储至所述时序数据库、所述图数据库和所述向量数据库。
38、本发明又一实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中任一项所述的方法。
39、与现有技术相比,本发明的有益效果在于:通过工艺知识图谱将微纳加工任务需求拆解为子任务序列,将复杂的多步骤、多约束加工流程分解为可独立寻优的子任务,使每个子任务能够针对性地匹配工艺孪生模型与工具进行分阶段参数优化,克服了加工任务作为整体处理而缺乏细粒度拆解与编排能力的缺陷。利用工艺孪生模型执行预模拟以确定推荐工艺参数与预测结果,在预测结果不满足预设工艺阈值时触发实体小样实验获取实际测量数据,并基于实际测量数据修正工艺孪生模型后重新执行预模拟,由此构建了预模拟—阈值判断—小样实验验证—模型修正的迭代闭环;该闭环机制将模型预测与实体实验验证有效结合,仅在预测结果不可靠时以低成本的小样实验补充真实数据,避免了全量试错的高昂成本,同时实测数据持续修正模型使后续预测精度逐步提升,从而显著提高了微纳加工工艺参数的寻优效率并降低了试错成本。
1.一种微纳加工工艺参数和执行人员匹配的智能寻优方法,其特征在于,包括:
2.根据权利要求1所述的智能寻优方法,其特征在于,所述预测结果包含预测工艺指标;
3.根据权利要求2所述的智能寻优方法,其特征在于,基于所述实际测量数据,所述修正所述工艺孪生模型,包括:
4.根据权利要求1所述的智能寻优方法,其特征在于,基于所述工艺知识图谱,所述将所述微纳加工任务需求拆解为子任务序列,包括:
5.根据权利要求1所述的智能寻优方法,其特征在于,所述工艺孪生模型为融合物理机理与数据驱动的混合模型;
6.根据权利要求1所述的智能寻优方法,其特征在于,所述智能寻优方法还包括:
7.根据权利要求1所述的智能寻优方法,其特征在于,所述智能寻优方法还包括:
8.一种微纳加工公共研发平台智能体系统,其特征在于,包括:
9.根据权利要求8所述的系统,其特征在于,所述数据层配置为对获取的所述多源异构数据执行多模态数据融合,建立五维主键关联;其中,所述五维主键关联的维度包括客户、项目、工艺、设备和测试;
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com