一种基于机器学习的高容MLCC电极浆料协同优化方法与流程

摘要: 本发明涉及电子元件材料制备及智能制造,具体地说,特别涉及一种基于机器学习的高容mlcc电极浆料协同优化方法。背景技术:1、多层陶瓷电容器是电子设备的基础元件,其...
一种基于机器学习的高容MLCC电极浆料协同优化方法与流程

本发明涉及电子元件材料制备及智能制造,具体地说,特别涉及一种基于机器学习的高容mlcc电极浆料协同优化方法。

背景技术:

1、多层陶瓷电容器是电子设备的基础元件,其发展趋势为小尺寸、大容量。为实现这一目标,内电极厚度需从微米级向亚微米级演进,以堆叠更多介质层;同时,内电极与陶瓷介质的共烧匹配性、外电极的致密化烧结与可焊性成为核心技术难点。

2、现有技术中,电极浆料(包括内电极镍浆和外电极铜浆)的开发与工艺优化主要依赖试错法,研发人员需通过大量实验,调整浆料中的金属粉末粒径、有机载体配比、添加剂(如内浆中的钛酸钡粉)含量,并配合不同的烧结温度曲线,以寻找满足以下苛刻条件的配方与工艺组合:

3、1、共烧匹配性:内电极与陶瓷介质在烧结过程中(约1200-1300℃)收缩率一致,避免分层、开裂。

4、2、微观结构:内电极致密、连续、无孔洞;外电极致密,与内电极形成良好冶金结合。

5、3、电学性能:内电极低等效串联电阻(esr),外电极高导电性与可焊性。

6、4、工艺适应性:浆料具备适宜的流变特性,满足丝印或浸渍涂布要求。

7、这种传统开发模式周期长、成本高、效率低,且由于浆料成分(金属粉、无机添加剂、有机载体)与工艺参数(升温速率、烧结温度、保温时间)之间存在高度非线性的耦合关系,难以获得真正的最优解,严重制约了高容mlcc的研发迭代速度和性能提升。

8、因此,本领域技术人员致力于提供一种能够有效解决上述技术问题的基于机器学习的高容mlcc电极浆料成分与工艺协同优化方法。

技术实现思路

1、根据本说明书实施例的第一方面,提供了一种基于机器学习的高容mlcc电极浆料协同优化方法,所述方法包括以下步骤:

2、构建多源异构数据库,收集并整合多层陶瓷电容器电极浆料研发与生产过程中的历史数据,所述多源异构数据库包括浆料成分特征数据、工艺参数特征数据和性能标签数据;

3、利用所述多源异构数据库训练机器学习预测模型,构建从所述浆料成分特征数据和所述工艺参数特征数据到所述性能标签数据的映射关系,获得预测模型;

4、设定优化目标,将所述预测模型作为适应度函数,通过多目标优化算法在由浆料成分和工艺参数构成的高维搜索空间中进行全局寻优,获得帕累托最优解集;以及

5、对所述帕累托最优解集中的优化方案进行实验验证,并将验证数据反馈至所述多源异构数据库中,对所述预测模型进行增量学习或重新训练。

6、在一种可能的实现方式中,所述浆料成分特征数据包括内电极浆料成分特征数据和外电极浆料成分特征数据;所述内电极浆料成分特征数据包括镍粉粒径分布参数、镍粉比表面积、镍粉形貌、钛酸钡粉添加量、钛酸钡粉粒径、有机载体的种类与配比以及添加剂的种类与含量;所述外电极浆料成分特征数据包括铜粉粒径分布参数、铜粉形貌、玻璃粉成分与含量、玻璃粉软化点以及有机载体的流变特性参数。

7、在一种可能的实现方式中,所述工艺参数特征数据包括排胶阶段参数和烧结阶段参数;所述排胶阶段参数包括排胶升温速率、排胶温度、排胶保温时间和排胶气氛氧分压;所述烧结阶段参数包括内电极共烧温度曲线参数和外电极烧附温度曲线参数,所述内电极共烧温度曲线参数包括共烧升温速率、最高共烧温度、共烧保温时间、共烧降温速率和共烧气氛氧分压,所述外电极烧附温度曲线参数包括烧附升温速率、最高烧附温度、烧附保温时间和烧附降温速率;所述性能标签数据包括物理性能数据、电学性能数据和工艺适应性数据,所述物理性能数据包括内电极厚度、内电极连续性与致密度、电极与介质层间结合界面状态、外电极致密度、端头覆盖率和结合强度,所述电学性能数据包括容量、损耗角正切、绝缘电阻、等效串联电阻和耐电压,所述工艺适应性数据包括浆料粘度、触变性和图形精度。

8、在一种可能的实现方式中,所述机器学习预测模型包括集成学习模型和深度学习模型;所述集成学习模型用于处理数值型和类别型特征并输出对所述性能标签数据的预测结果;所述深度学习模型包括多层感知机模型和卷积神经网络模型。

9、在一种可能的实现方式中,所述卷积神经网络模型用于处理图像类数据,将烧结后的电极微观结构扫描电镜图像作为输入,提取所述扫描电镜图像中的图像特征,并基于所述图像特征直接预测多层陶瓷电容器的等效串联电阻或击穿概率;所述集成学习模型包括xgboost模型,所述xgboost模型用于处理数值型和类别型特征,以所述浆料成分特征数据和所述工艺参数特征数据为输入,输出对容量和绝缘电阻的预测;所述xgboost模型的目标函数为:

10、

11、其中,为所述xgboost模型的目标函数值;

12、为可微分的损失函数;

13、为第个样本的真实标签值;

14、为前棵树的累计预测值;

15、为第棵回归树;

16、为第个样本的特征向量;

17、为正则化项;

18、为训练样本数量;

19、为当前迭代轮次。

20、在一种可能的实现方式中,所述机器学习预测模型还包括基于物理信息的神经网络模型,所述基于物理信息的神经网络模型将烧结动力学方程和热膨胀系数匹配原则作为约束项融入模型训练过程;所述基于物理信息的神经网络模型的总损失函数为:

21、

22、其中,为所述基于物理信息的神经网络模型的总损失函数;

23、为数据驱动的预测损失;

24、为烧结动力学约束权重系数;

25、为烧结动力学约束损失;

26、为热膨胀系数匹配约束权重系数;

27、为热膨胀系数匹配约束损失;

28、所述烧结动力学约束损失通过以下烧结动力学方程的残差计算:

29、

30、其中,为相对密度;

31、为烧结时间;

32、为指前因子;

33、为活化能;

34、为气体常数;

35、为绝对温度;

36、为反应阶数;

37、所述热膨胀系数匹配约束损失通过以下公式计算:

38、

39、其中,为电极的热膨胀系数;

40、为介质层的热膨胀系数;

41、为热膨胀系数差异阈值。

42、在一种可能的实现方式中,在训练所述机器学习预测模型之前,利用生成对抗网络生成符合工艺逻辑的虚拟微观结构图像,用于扩充训练数据集;所述生成对抗网络包括生成器和判别器,所述生成器的损失函数为:

43、

44、所述判别器的损失函数为:

45、

46、其中,为所述生成器的损失函数;

47、为所述判别器的损失函数;

48、为所述生成器;

49、为所述判别器;

50、为真实的电极微观结构扫描电镜图像;

51、为随机噪声向量;

52、为期望算子。

53、在一种可能的实现方式中,所述优化目标包括最大化多层陶瓷电容器的容量与绝缘电阻,以及最小化等效串联电阻与内电极厚度,同时满足共烧匹配性约束和工艺窗口稳健性约束;所述多目标优化算法为非支配排序遗传算法nsga-ii,所述nsga-ii通过非支配排序和拥挤度距离对种群中的个体进行分级筛选;所述拥挤度距离的计算公式为:

54、

55、其中,为种群中第个个体的拥挤度距离;

56、为第个优化目标函数;

57、和分别为第个个体在第个优化目标上相邻的两个个体;

58、和分别为第个优化目标函数在当前种群中的最大值和最小值;

59、为优化目标的数量。

60、在一种可能的实现方式中,所述多目标优化算法在寻优过程中还引入预测不确定性加权机制,将所述预测模型对各优化目标的预测方差作为不确定性度量,对预测不确定性较高的优化目标赋予较低的权重系数;所述不确定性加权后的综合目标函数为:

61、

62、其中,为鲁棒综合目标函数值;

63、为第个优化目标的权重系数;

64、为第个优化目标函数值;

65、为优化目标的数量;所述权重系数通过以下公式计算:

66、

67、其中,为所述预测模型对第个优化目标的预测方差。

68、在一种可能的实现方式中,对所述预测模型进行增量学习或重新训练时,计算验证数据与所述多源异构数据库中已有数据之间的分布距离,并根据所述分布距离确定对所述预测模型的更新策略;所述分布距离通过最大均值差异计算:

69、

70、其中,为所述多源异构数据库中已有数据的分布;

71、为验证数据的分布;

72、为核函数;

73、和为从分布中采样的样本;

74、和为从分布中采样的样本;

75、为期望算子;当所述小于预设阈值时,对所述预测模型进行增量学习;当所述大于或等于所述预设阈值时,对所述预测模型进行重新训练。

76、如上所述,本发明提供一种基于机器学习的高容mlcc电极浆料协同优化方法,具有以下有益效果:

77、1、本发明通过构建多源异构数据库,将内电极浆料和外电极浆料的成分特征数据、工艺参数特征数据与性能标签数据进行结构化整合,利用机器学习预测模型建立从浆料成分和工艺参数到最终性能的映射关系,以ai代理模型替代大量物理实验,将浆料配方与工艺参数的探索从经验试错转变为智能寻优,可将研发周期缩短50%以上,显著减少原材料、设备和人力成本;

78、2、本发明通过将预测模型作为适应度函数,利用多目标优化算法在由浆料成分和工艺参数构成的高维搜索空间中进行全局寻优,能够系统性处理共烧匹配性、电学性能与工艺适应性等相互制约的技术指标,获得帕累托最优解集,即在不同性能指标间取得最优平衡的浆料配方与工艺参数组合,而非局部较优解,助力实现内电极亚微米化突破和更高层数堆叠;

79、3、本发明通过构建基于物理信息的神经网络模型,将烧结动力学方程和热膨胀系数匹配原则作为约束项融入模型训练,使模型能够精确优化内浆中钛酸钡粉的添加量与烧结温度曲线的配合关系,实现电极与介质层在烧结过程中的同步收缩,从根本上避免分层和开裂,同时确保模型预测结果符合物理规律,避免出现违反烧结动力学和热膨胀匹配原则的无效输出;

80、4、本发明通过卷积神经网络模型处理烧结后的电极微观结构sem图像,自动提取图像中的孔洞、缩颈、不连续等微观缺陷信息并直接预测等效串联电阻或击穿概率,比传统数值化表征更全面地反映微观结构对电学性能的影响,能够精准设计外电极铜浆的烧结曲线,获得致密化程度高、可焊性优异的端电极,从而提升mlcc的容量、可靠性和良率;

81、5、本发明通过生成对抗网络生成符合工艺逻辑的虚拟微观结构图像来扩充训练数据集,解决实际中缺陷样本稀少导致模型训练不充分的问题,降低对大量实际缺陷样本采集的依赖,缩短模型训练的数据准备周期,提升卷积神经网络模型对缺陷特征的识别和预测能力;

82、6、本发明通过在多目标优化算法中引入预测不确定性加权机制,将预测模型对各优化目标的预测方差作为不确定性度量,对预测不确定性较高的优化目标赋予较低的权重系数,使优化算法更加关注预测置信度较高的性能指标,避免因模型预测偏差导致优化结果偏离实际最优,提高优化方案在实际应用中的稳健性和可靠性;

83、7、本发明通过计算验证数据与已有数据之间的最大均值差异,自适应地选择增量学习或重新训练的更新策略,在验证数据与已有数据分布差异较小时仅进行增量学习以节省计算资源,在分布差异较大时进行重新训练以确保模型精度,形成数据、模型、优化、验证、数据的闭环,实现模型的持续迭代与精度的不断提升,同时将专家经验、实验数据、优化结果整合为一个可持续学习和进化的智能系统,避免因人员流动导致的技术断档,实现核心工艺知识的数字化管理和高效复用;

84、8、本发明通过机器学习预测模型从高维数据中挖掘出人类专家难以察觉的复杂关联模式,例如特定粒径分布的镍粉与特定浓度添加剂协同作用时能在较低烧结温度下获得超致密电极,为开发全新的、突破现有技术瓶颈的浆料配方提供方向。