面向新型显示电子组件智造的孪生增强工艺Agent构建方法

摘要: 本发明涉及电子组件智能制造,具体涉及一种面向新型显示电子组件智造的孪生增强工艺agent构建方法。背景技术:1、新型显示产业是新一代信息技术产业的重点发展方向,...
面向新型显示电子组件智造的孪生增强工艺Agent构建方法

本发明涉及电子组件智能制造,具体涉及一种面向新型显示电子组件智造的孪生增强工艺agent构建方法。

背景技术:

1、新型显示产业是新一代信息技术产业的重点发展方向,高密度互连电子组件如mini led背光模组、micro led显示单元及驱动载板、hdi高密度互连基板等,作为支撑高性能显示面板的核心基础单元,其制造质量直接决定终端显示产品的分辨率、亮度均匀性及可靠性。相较于常规电子元器件,新型显示面板配套的高密度互连电子组件生产工艺流程冗长,涵盖沉铜、电镀、蚀刻、镭射钻孔、多层压合等多道高精度加工工序,整体制造体系具备结构层级繁杂、工艺参数维度庞大、各工序参数跨环节耦合性强的特点。同时各工序工艺参数之间存在极强的非线性耦合作用,且单道工序可稳定生产的工艺参数窗口范围狭窄,生产过程对环境、设备、物料等微小扰动敏感度极高,整体制造过程呈现多变量、强时变的复杂生产特性,对工艺参数的精准调控与全局优化提出了极高要求。

2、目前针对上述高密度互连电子组件的生产制造,行业内仍沿用基于固定配方或统计过程控制(spc)的传统工艺控制方法。实际生产场景中,产品换型、工艺调试阶段的参数配置完全依托资深工程师的现场实操经验,依靠多次试生产、反复调试纠错的试错模式完成工艺参数匹配;而在常态化量产过程中,行业依旧依靠固定工艺配方、统计过程控制两类静态管控手段完成工艺监测,部分场景会辅以常规机器学习模型开展简单的质量数据分析。

3、然而,现有工艺控制方案存在诸多固有短板:产品换型过程中参数调试过度依赖人工经验,无标准化优化思路;统计过程控制仅能针对单工序生产数据开展事后统计分析,无法拆解多工序之间复杂的参数耦合关联;常规机器学习模型依赖大批量高质量标注样本,仅能适配单一固定生产工况,泛化能力极差。综上可知,现有工艺管控体系均为碎片化、单点式的参数调控手段,并未面向全生产工艺流程搭建统一的参数分析、匹配及迭代优化体系,目前新型显示面板制造过程中普遍缺少系统性的工艺参数优化方法,难以适配当下复杂多变的面板生产制造需求。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足,本发明提供了一种面向新型显示电子组件智造的孪生增强工艺agent构建方法,解决了目前新型显示面板制造过程中普遍缺少系统性的工艺参数优化方法的技术问题。

3、(二)技术方案

4、为实现以上目的,本发明通过以下技术方案予以实现:

5、第一方面,本发明提供一种面向新型显示电子组件智造的孪生增强工艺agent构建方法,包括:

6、获取并处理面向新型显示电子组件产线的多源异构数据,得到结构化工艺数据集;

7、构建融合多物理场机理模型与数据驱动残差补偿网络的灰盒数字孪生模型,并利用所述结构化工艺数据集对灰盒数字孪生模型进行在线动态校准;

8、设计面向快速换型制造的工艺agent,定义其感知层、智能推理层、决策层与多目标奖励函数;

9、在所述灰盒数字孪生模型构建的虚拟环境中对工艺agent开展离线训练与验证,通过仿真样本生成及异常工况增强训练,使工艺agent习得工艺参数优化与异常工况补偿策略;

10、将验证通过的工艺agent部署至边缘节点,通过虚实同步实时接收所述灰盒数字孪生模型的未来预测状态与补偿信号,形成面向实际产线的闭环控制。

11、优选的,获取并处理面向新型显示电子组件产线的多源异构数据,得到结构化工艺数据集,包括:

12、获取当前工单对应的实时产线多源数据,并对实时产线多源数据进行时序对齐聚合;

13、从历史数据库调取与当前工单相关的叠层结构、工艺路线、物料批次、历史相似产品生产记录及最终质量判定数据,形成关联数据集;

14、对时序对齐聚合后的实时产线多源数据和关联数据集进行缺失填补、异常剔除、时间同步与特征提取,构建结构化工艺数据集。

15、优选的,构建融合多物理场机理模型与数据驱动残差补偿网络的灰盒数字孪生模型,包括:

16、针对新型显示电子组件各关键工序,分别构建适配各工序工艺特性的机理模型,所述机理模型涵盖多维度物理机制,所述多维度物理机制包括反应动力学、流场传质、电场输运、激光热相变和热力耦合;

17、构建用于学习机理模型输出与实际测量值之间的偏差的残差补偿网络,结合学习机理模型和残差补偿网络,得到灰盒数字孪生模型;其中,灰盒数字孪生模型的完整输出为:

18、

19、其中,表示机理模型预测的质量指标,为多物理场机理模型,为物理参数;表示对机理模型预测残差的估计值,为数据驱动的残差补偿网络,为时刻的隐状态,为网络参数,为时刻的输入工况向量;为灰盒数字孪生模型时刻输出的质量预测值。

20、优选的,所述智能推理层采用灰盒数字孪生模型预测控制与深度强化学习的混合架构,输出工艺调节动作,具体包括:

21、利用灰盒数字孪生模型在有限预测时域内进行滚动优化,生成符合物理规律和设备约束的基准动作;深度强化学习策略网络根据当前状态和未来预测状态输出补偿动作,用于处理模型失配、未知扰动和多目标权衡,输出的工艺调节动作的表达式包括:

22、

23、其中,表示时刻输出的工艺调节动作;为时刻基于灰盒数字孪生模型滚动优化求得的基准动作序列,提供符合物理规律的标称调控轨迹;为参数的深度强化学习策略网络,输入时刻状态与数字孪生向前预测步的隐含状态预估,输出对模型失配、未知扰动及多目标权衡的智能补偿量。

24、优选的,所述多目标奖励函数包括:

25、

26、其中,为时刻的奖励;为质量达标指示函数,当所有在线质量指标均位于质量规格限内时取值为1,否则为0,表示时刻的在线质量指标向量;为时刻的能耗或物料消耗成本;为从异常被检测到至agent发出有效补偿动作的响应延迟;为是否发生质量异常或设备报警的指示函数,表示时刻是否发生质量异常或设备报警;、、、为各目标的权重系数。

27、优选的,所述在所述灰盒数字孪生模型构建的虚拟环境中对工艺agent开展离线训练与验证,通过仿真样本生成及异常工况增强训练,使工艺agent习得工艺参数优化与异常工况补偿策略,包括:

28、通过灰盒数字孪生模型构建多个并行仿真环境;

29、通过多个并行仿真环境对工艺agent进行从标况到异常工况的持续训练,具体包括:

30、训练初期,仅标况环境,使工艺agent学习基本的参数稳定控制和质量达标策略;逐步引入复杂工况,并逐步扩大扰动范围;

31、对工艺agent进行训练收敛与安全验证;

32、对验证通过的工艺agent中的策略网络参数进行工程化固化与可复用管理。

33、优选的,所述孪生增强工艺agent构建方法还包括:

34、基于在线运行数据,周期性精调灰盒数字孪生模型参数与工艺agent。

35、第二方面,本发明提供一种面向新型显示电子组件智造的孪生增强工艺agent构建系统,包括:

36、数据采集模块,用于获取并处理面向新型显示电子组件产线的多源异构数据,得到结构化工艺数据集;

37、数字孪生引擎,用于构建融合多物理场机理模型与数据驱动残差补偿网络的灰盒数字孪生模型,并利用结构化工艺数据集对灰盒数字孪生模型进行在线动态校准;

38、工艺agent推理核心,用于设计面向快速换型制造的工艺agent,定义其感知层、智能推理层、决策层与多目标奖励函数;其中,智能推理层采用灰盒数字孪生模型预测控制与深度强化学习的混合架构,输出工艺调节动作,并设定多目标奖励函数;

39、虚实同步中间件,用于在所述灰盒数字孪生模型构建的虚拟环境中对工艺agent开展离线训练与验证,通过仿真样本生成及异常工况增强训练,使工艺agent习得工艺参数优化与异常工况补偿策略;

40、应用服务模块,用于将验证通过的工艺agent部署至边缘节点,通过虚实同步实时接收灰盒数字孪生模型的未来预测状态与补偿信号,形成面向实际产线的闭环控制。

41、第三方面,本发明提供一种计算机可读存储介质,其存储用于面向新型显示电子组件智造的孪生增强工艺agent构建的计算机程序,其中,所述计算机程序使得计算机执行如上述所述的面向新型显示电子组件智造的孪生增强工艺agent构建方法。

42、第四方面,本发明提供一种电子设备,包括:

43、一个或多个处理器,存储器,以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上述所述的面向新型显示电子组件智造的孪生增强工艺agent构建方法。

44、(三)有益效果

45、本发明提供了一种面向新型显示电子组件智造的孪生增强工艺agent构建方法。与现有技术相比,具备以下有益效果:

46、本发明将数字孪生的样本扩充、虚拟试错迭代、实时状态预测能力贯穿于agent训练、部署和演化全过程,使工艺参数优化由经验驱动转变为机理—数据融合驱动,使质量控制由事后检测转变为事前预测和主动补偿,从而有效解决mini led、micro led及hdi高密度互连电子组件制造过程中工艺窗口窄、良率爬坡慢、异常补偿滞后和oee提升困难等问题,为新型显示关键电子组件的高柔性、高精度、高良率和高效率智能制造提供可靠技术支撑。