基于AI与生产大数据的光模块耦合定位智能校准方法与流程

本发明属于人工智能与光通信器件，具体来说，特别涉及基于ai与生产大数据的光模块耦合定位智能校准方法。

背景技术：

1、在光通信器件制造技术领域中，光模块是实现光电信号转换的核心部件。随着5g/6g网络及算力中心向400g、800g甚至更高带宽演进，光模块内部光芯片与光纤或透镜之间的耦合精度要求已进入亚微米级别。耦合效率直接决定了光模块的插入损耗、传输距离及最终产品良率，是光模块制造工艺中最关键、耗时最长的环节。

2、目前，现有的光模块耦合定位主要依赖于机器视觉粗定位结合机械式的固定路径盲搜，如爬山法、螺旋线搜索法；在具体应用场景中，系统首先通过相机识别芯片和光纤的轮廓进行初始对准，随后位移台按照预设的固定步长和固定轨迹进行逐点移动，通过光功率计实时反馈的数值寻找最大功率点。这种方式在应对低速率、大公差的光模块时具有一定可行性。然而，随着高频光模块封装密度的增加，物料在不同晶圆批次、不同切割工艺下存在固有的系统性几何偏差；同时，工业现场的连续生产会导致设备电机发热、治具磨损，引发微米级的机械热漂移。传统的视觉对准无法识别这些隐含的物理偏差，导致粗定位落点距离真实的光学峰值点较远。

3、由此可以看出，现有技术存在以下问题：1.固定步长搜索效率低，容易陷入局部最优或在峰值附近震荡；2.缺乏对生产批次公差和设备热漂移的动态补偿能力，导致耦合耗时随生产时间逐渐拉长，需要频繁停机进行人工校准，严重制约了高端光模块的大规模量产效率与良率。

技术实现思路

1、（一）解决的技术问题

2、针对相关技术中的问题，本发明提供基于ai与生产大数据的光模块耦合定位智能校准方法，以克服现有相关技术所存在的上述技术问题。

3、（二）技术方案

4、为解决上述技术问题，本发明是通过以下技术方案实现的：

5、s1、将当前待耦合光模块的生产批次标识与环境温度数据输入历史生产大数据库进行聚类匹配，提取同批次历史最优耦合坐标分布规律，据此生成批次初始偏置补偿向量；

6、s2、对当前待耦合光模块的初始端面图像流进行边缘增强与特征提取，定位光芯片发光区与光纤接收区的几何初始质心坐标；

7、将所述几何初始质心坐标与所述批次初始偏置补偿向量进行向量加和运算，生成粗定位目标坐标，并驱动六自由度高精度位移台移动至所述粗定位目标坐标；

8、s3、在所述粗定位目标坐标处，采集实时光功率信号与实时三维空间坐标，对所述实时光功率信号进行一阶微分处理获取光功率变化梯度；将所述实时光功率信号、光功率变化梯度与实时三维空间坐标进行时间戳对齐，构建多维耦合状态特征向量；

9、s4、将所述多维耦合状态特征向量实时输入强化学习寻优模型，得到非固定步长位移增量指令，驱动位移台执行微位移探测，并基于位移前后的光功率变化计算动作奖励值；循环执行本步骤，直至当前光功率超过目标阈值，锁定当前坐标为最优耦合坐标；

10、s5、提取最近连续预设数量的光模块的最优耦合坐标，计算坐标漂移斜率，当所述坐标漂移斜率超过机械热漂移安全阈值时，利用所述坐标漂移斜率更新所述历史生产大数据库中的批次初始偏置补偿向量；

11、通过融合历史生产大数据与实时环境信息生成批次偏置补偿向量，并以此修正视觉粗定位坐标，将未知搜索空间压缩为极小的高概率区间，有效消除了物料批次公差与设备系统性偏差；通过引入深度强化学习模型取代传统固定步长搜索，通过感知多维耦合状态特征，输出非固定步长位移指令，实现了从半山腰向峰值的智能、快速、精准寻优，解决了现有技术效率低、易陷入局部最优及需要频繁停机校准的问题；通过对连续生产数据漂移斜率的监控与自动更新，系统具备了不断优化的能力，能动态抵消设备热漂移，保障长期产线稳定性与高良率。

12、优选地，所述s1包括以下步骤：

13、s11、同步获取当前待耦合光模块的生产批次标识、环境温度数据以及初始端面图像流；

14、s12、在历史生产大数据库中，筛选出与当前待耦合光模块具有相同物料供应商代码及相同生产批次标识的历史耦合成功记录，构成批次样本集；若不存在相同物料供应商代码及相同生产批次标识的历史耦合成功记录，则选择相似度最大的历史耦合成功记录，作为批次样本集；

15、提取所述批次样本集中所有样本的几何初始质心坐标与最终最优耦合坐标，计算两者的三维空间差值向量；

16、s13、剔除所述三维空间差值向量中偏离平均值超过三个标准差的异常离群数据后，对剩余的三维空间差值向量按时间远近赋予递增权重，计算加权平均向量；

17、s14、将所述加权平均向量结合当前环境温度数据与标准室温的温差补偿系数进行标定，输出所述批次初始偏置补偿向量，所述温差补偿系数由预设的热膨胀系数与温度差值相乘得到；

18、通过提取同批次历史数据中视觉几何中心与光学最佳点的固有空间偏差规律，并引入环境温度补偿，生成了一个高精度的批次初始偏置补偿向量；这个带有先验知识的向量，能在视觉系统识别出光芯片与光纤的物理几何中心后，将其修正至靠近真实光学峰值的位置，改变了对未知物料纯粹盲搜的模式，为后续的粗定位赋予了精准的数据基础。

19、优选地，所述s12中的相似度计算包括以下步骤：

20、s121、提取历史记录中的光芯片物理尺寸、透镜焦距、标称波长和基板材质热膨胀系数，构建归一化的历史物料特征向量；

21、s122、获取当前待耦合光模块的光芯片物理尺寸、透镜焦距、标称波长和基板材质热膨胀系数，构建当前物料特征向量；

22、s123、采用欧氏距离法计算当前物料特征向量与各历史物料特征向量之间的空间距离，取距离最小的记录作为相似度最大的历史耦合成功记录；

23、当数据库中没有完全相同的批次记录时，系统并非简单地采用全局平均值，而是通过量化物料物理参数，如芯片尺寸、透镜焦距、热膨胀系数等，构建特征向量并进行欧氏距离匹配；这使得系统能智能地检索出物理特性最接近的历史批次数据作为参考，确保了偏置补偿基准的物理合理性，提高了冷启动或新物料批次下的初始定位精度。

24、优选地，所述s2中定位几何初始质心坐标包括以下步骤：

25、s21、通过同轴红外ccd相机获取光模块端面的原始灰度图像，应用自适应直方图均衡化增强光芯片波导发光点与光纤纤芯的对比度；

26、s22、利用最终轻量化卷积神经网络对增强后的图像进行语义分割，输出包含波导区域与纤芯区域的二值化掩膜图像；

27、s23、计算所述二值化掩膜图像中波导区域与纤芯区域的像素几何中心，通过相机标定矩阵将像素坐标转换为物理空间绝对坐标，得到几何初始质心坐标；

28、通过将大数据智能补偿与实时视觉定位深度融合，通过自适应图像增强和轻量化神经网络，精准分割出波导与纤芯，并结合九点标定法实现像素到物理空间的精确坐标转换；解算出的几何质心坐标与s1的大数据偏置向量进行向量加和，使得机械位移台能直接跨越盲搜区，快速抵达高概率的起点，为后续ai微动寻优大幅缩小了行程范围，显著提升了整体效率。

29、优选地，所述s3中构建多维耦合状态特征向量包括以下步骤：

30、s31、利用高速模数转换器采集光电探测器输出的电压信号，并通过滑动平均滤波算法消除高频电路噪声，得到实时光功率信号；

31、s32、读取六自由度高精度位移台内部光栅尺的实时反馈数据，获取包含三个平移维度和三个旋转维度的实时三维空间坐标；

32、s33、计算当前采样周期的光功率与上一采样周期的光功率之差，除以采样时间间隔，得到光功率变化梯度；

33、s34、以位移台控制器的硬件时钟为基准，将同一时间窗口内的实时光功率信号、光功率变化梯度与实时三维空间坐标进行拼接，生成多维耦合状态特征向量；

34、通过同步采集和高精度的时空对齐，将空间位置信息、光功率能量信息及其变化趋势信息融合成一个完整的状态向量；这种多维特征描述，使强化学习模型不仅能感知位置，还能感知能量强度以及能量变化的趋势，为其做出正确的下一步决策提供了全面且实时的感官输入，是智能寻优的基础。

35、优选地，所述s4中深度强化学习寻优模型的构建与训练包括以下步骤：

36、s411、构建包含actor网络与critic网络的初始深度强化学习寻优模型；获取历史人工手动耦合过程中的多维状态数据序列与对应的位移操作序列，构建演示数据集；

37、s412、利用所述演示数据集对所述actor网络进行监督学习预训练，使actor网络的初始输出行为逼近人工寻优轨迹，得到预训练actor网络；

38、s413、搭建光模块耦合物理仿真环境，将所述预训练actor网络与critic网络接入所述物理仿真环境中进行强化学习训练；

39、s414、设定训练奖励函数；将光功率相比上一时刻的增加值乘以正向增益系数作为正奖励，将单次位移的时间消耗乘以时间惩罚系数作为负奖励，若发生物理碰撞则给予有限负奖励值；

40、s415、当模型在物理仿真环境中最大回合次数的平均累积奖励值收敛且不再上升时，停止训练，将当前网络参数固化，得到所述预训练的深度强化学习寻优模型；

41、通过利用专家数据对actor网络进行监督学习预训练，使模型初始行为即逼近人工最优轨迹，避免了早期训练中因随机探索导致的撞件风险；在物理仿真环境中，通过奖励函数，引导模型自学习如何在追求光功率最大化的同时，最小化移动步数与时间消耗，并主动规避危险区域；这种预训练结合强化的模式兼顾了安全性、学习效率和寻优策略的最优性，解决了强化学习模型在精密制造中从零到一探索风险高、效率低的问题。

42、优选地，所述s414中训练奖励函数包括：正向增益系数、时间惩罚系数以及固定负奖励；

43、所述正向增益系数和时间惩罚系数的比例关系基于历史测试数据确定，用于确保模型在优先追求光功率最大化的同时，倾向于选择步数最少的移动路径；

44、所述固定负奖励用于强制模型在输出位移增量指令时避开超出机械限位或导致光纤与芯片硬接触的危险区域；

45、通过正向增益鼓励模型寻找功率最大点，时间惩罚促使其选择最短路径，而针对碰撞的巨大负奖励则划定了绝对的安全红线；三者结合，迫使模型在复杂的多维空间内，寻找到一条既能让光功率快速攀升至目标，又能完全保障精密器件物理安全，且耗时最短的最优耦合路径。

46、优选地，所述s4中循环执行机制包括以下步骤：

47、s421、位移台接收到非固定步长位移增量指令后，执行物理移动，移动到位后触发同步信号；

48、s422、系统接收到同步信号后，重新执行s3生成新的多维耦合状态特征向量；

49、s423、判断当前实时光功率信号是否大于等于目标阈值，若否，则将新的多维耦合状态特征向量输入深度强化学习寻优模型继续输出下一条指令；

50、s424、若是，则启动稳定计时器，若在连续探测周期内光功率均未跌落至目标阈值以下，则判定耦合成功，锁定当前坐标为最优耦合坐标，终止循环；

51、通过位移执行后的同步信号和即时状态重采集，确保了ai决策与物理世界变化的实时闭环；在判断达到目标阈值后引入的稳定计时器与连续无跌落验证机制，能够有效过滤掉因平台微振、电信号瞬间跳变等偶然因素造成的伪峰值；只有被验证为持续稳定的光功率高点，才会被最终锁定为最优耦合坐标，提升了耦合结果的可靠性与一致性。

52、优选地，所述s5中触发全局补偿机制包括以下步骤：

53、s51、设定滑动窗口长度，提取最近连续同批次光模块的所述最优耦合坐标；

54、s52、分别提取s51中最优耦合坐标的x轴、y轴和z轴数据，利用最小二乘法对每个轴的数据随生产序列号的变化进行线性拟合，提取各轴的拟合直线斜率作为所述坐标漂移斜率；

55、s53、设定机械热漂移安全阈值；若任一轴的坐标漂移斜率绝对值大于所述机械热漂移安全阈值，则判定生产设备发生热变形或治具磨损；

56、s54、将超出机械热漂移安全阈值的坐标漂移斜率乘以滑动窗口长度，作为漂移补偿量，将所述漂移补偿量叠加至历史生产大数据库中当前批次对应的批次初始偏置补偿向量中，完成在线更新；

57、通过持续监控连续生产的最优耦合坐标序列，系统能敏锐捕捉到设备热变形或治具磨损引发的微米级趋势性漂移；一旦判定漂移超限，便自动计算补偿量并更新批次偏置补偿向量，使后续模块的粗定位能实时跟随设备的物理状态变化；这确保了在大规模不间断生产中，初始定位精度始终保持在最优水平，从源头遏制了耦合耗时随生产时长增加而劣化的问题；赋予了产线自我感知和自进化的智能能力，改变了依赖人工经验判断或定期停机校准的被动模式。

58、优选地，一种基于ai与生产大数据的光模块耦合定位智能校准系统，用于实现所述基于ai与生产大数据的光模块耦合定位智能校准方法，所述系统包括：

59、数据感知与偏置生成模块，用于同步获取光模块生产标识与图像流，并检索历史数据库生成批次初始偏置补偿向量；

60、视觉解算与粗定位模块，接收所述图像流与批次初始偏置补偿向量，解算几何中心并驱动位移台至粗定位目标坐标；

61、状态特征实时构建模块，在粗定位完成后，同步采集高频光功率与空间坐标，构建多维耦合状态特征向量；

62、强化学习微动寻优模块，以所述多维耦合状态特征向量为输入，利用actor-critic网络架构输出连续位移指令，闭环寻找最优耦合坐标；

63、漂移监控与自进化模块，监控连续生产过程中的坐标漂移斜率，当触及机械热漂移安全阈值时动态更新批次初始偏置补偿向量。

64、（三）有益效果

65、本发明具有以下有益效果：

66、本发明通过融合生产大数据与动态补偿机制，提升了初始定位的精准度与系统的环境鲁棒性；通过提取同批次历史最优耦合坐标分布规律，并结合环境温度与设备运行过程中的坐标漂移斜率，系统能够自动生成并实时更新批次初始偏置补偿向量；打破了传统视觉定位的静态局限，有效消除了物料批次公差与设备热变形带来的系统性偏差，使粗定位跨越盲搜区，大幅缩短了后续寻优路径。

67、本发明引入深度强化学习算法替代传统的机械固定路径搜索，实现了复杂多维空间内的高效精准寻优；通过构建包含光功率、功率变化梯度及六自由度空间坐标的多维耦合状态特征向量，并利用actor-critic网络架构输出非固定步长的连续位移指令，系统能够在功率梯度大时大步长快速逼近，在接近峰值时微步长精调；这种仿生智能寻优方式解决了传统爬山法易陷入局部最优及在峰值附近震荡的问题，极大提高了高精度耦合的效率和成功率。

68、本发明构建了完善的安全监控与特征解耦体系，保障了自动化生产的高可靠性；通过轻量化卷积神经网络对端面图像进行自适应直方图均衡化与语义分割，提高了复杂反光环境下的视觉识别抗干扰能力；在强化学习奖励函数中引入基于物理碰撞临界点的严格负奖励惩罚，确保了位移台在追求极速寻优的过程中不会发生压电陶瓷撞件或光纤硬接触损伤，兼顾了生产效率与设备物理安全性。

69、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。