用于估计涂覆有单层或多层的透明基材的质量功能的方法与流程

1.本发明涉及用于估计透明基材上的给定层状覆盖物（layered coating）的至少一个质量功能的计算机实施方法。


背景技术：

2.单层或多层覆盖物用于功能化各种基材的表面，特别是透明基材，如矿物玻璃或有机玻璃。这些覆盖物为适合特定应用的装配玻璃（glazing）提供光学属性和/或功能。
3.例如，在建筑业，透明玻璃板的表面通常覆有多层低辐射率或阳光控制覆盖物。这些覆盖物是多个在化学和物理上（例如无定形的、结晶的或部分结晶的）不同的薄层的堆叠，这些薄层相互作用并改变落在玻璃窗表面上的入射太阳辐射。
4.这些覆盖物通常包含红外反射金属层，主要由诸如银、金、铌或铜之类的金属制成，以减少热量和/或辐射传递通过窗格。这些覆盖物通常主要通过夹层结构与介电层结合，以抵消或调整由所述金属层引起的色彩偏移、反射和/或透射效应，并提供所寻求的太阳因子或热辐射比率，也称为辐射率。在覆盖物中也可使用其他层，金属层或介电层，以提高随时间推移的热稳定性和/或结构稳定性，无论是在使用过程中还是在后续转变时，如加热、回火和/或弯曲。
5.在基材上沉积单层或多层覆盖物的涂覆过程在本领域中是众所周知的。例如，在玻璃业中，通常是通过将玻璃基材传送通过适于沉积给定薄层的一系列沉积单元（deposit cell）连续地沉积每个薄层来将薄层堆叠涂覆在透明矿物玻璃基材上。
6.沉积单元可以使用不同的沉积方法，诸如磁场辅助溅射（也称为磁控溅射）、离子束辅助沉积（ibad）、蒸发、化学气相沉积（cvd）、等离子体增强化学气相沉积（pecvd）、低压化学气相沉积（lpcvd）。
7.为了确保已涂覆的基材满足关于一个或多个质量功能的某些要求，必须在开始生产前（即在设置期间）和在生产期间进行质量控制。质量功能可以是例如光学、机械和/或物理化学属性，诸如太阳能吸收（solar gain）、光透射、光反射、颜色、化学抗性和/或机械抗性，例如刮擦抗性。
8.通常的做法是，通过在涂覆过程期间或结束时对所收集的样本测量质量功能（例如光学、机械和/或物理化学属性）来实现离线质量控制。这些测量通常是破坏性的。首先，必须在设置时和/或生产期间从已涂覆的基材切下样本，然后使用测量仪器对其进行分析，这些测量仪器通常在生产过程附近不可用或不适合在生产中使用。在某些情况下，样本在被分析之前可能还必须经历进一步的转变，例如层压、加热、回火。
9.在现有技术中，例如在wo 2019110948 a1、wo 2018215274 a1、de 102018101173 a1或wo 2019/110948 a1中，已知使用反馈方法，该方法实施一个或几个反馈回路，用于根据沉积覆盖物的选定质量功能（例如光学、机械和/或物理化学属性）的值的偏移来实时地控制和/或调整沉积系统或沉积单元的参数。这些方法通常称为在线方法，因为它们依赖于对沉积系统或沉积单元的参数的过程中实时监控以及在涂覆过程的不同阶段对覆盖物质
量功能的过程中持续实时测量。


技术实现要素：

10.技术问题关于离线质量控制，主要缺点是产品破坏、中断以及过程参数的测量和校正之间的滞后时间造成的生产损失。
11.关于在线反馈方法，它们可能经常需要对大量数据进行实时收集和处理，以使反馈回路发挥作用和/或以训练底层算法。所收集的数据通常是来自涂覆系统或涂覆单元的不同组件的参数和质量功能（例如已涂覆的基材的光学、机械和/或物理化学属性）的混合。为了收集这些数据，涂覆系统通常配备有各种高通量传感器和测量装置，例如高数据采集芯片、i/o电子装置、可编程逻辑控制器、压力传感器、温度传感器、真空传感器、气体传感器、速度传感器、频谱仪、椭偏仪、薄层电阻率探针系统、光学干涉仪、或类似装置。这样的仪表化可能非常昂贵，并且不易于实施在现有沉积系统或沉积单元上。
12.在反馈回路中，待监控的沉积系统或沉积单元的参数相关性是必须正确评价或评估的先决条件。否则所述反馈回路可能无法有效地工作，并且可能甚至无法控制和/或调整用于制造所需覆盖物的参数。为了克服这一障碍，常见策略是使用比实际需要的更多的参数，以避免遗漏评价过程中最初没有考虑到的相关参数。这些方法有时可能有缺陷，因为这可能会导致要收集和处理的不相关数据的量增加，进而导致计算设施的过度工作负载。
13.此外，由于适用于测量某些相关质量功能的一些仪器可能并不总是在过程附近可用或与过程中使用兼容，因此这些质量功能可能只能通过对生产期间定期收集的样本进行破坏性测试来离线测量，即在涂覆系统之外进行测量。相关数据只有在执行了这些测试后才被反馈到反馈算法中。可能会出现因产品破坏、中断以及过程参数的测量和校正之间的滞后时间而造成的损失。
14.在线反馈方法的另一限制是缺乏通用性。基于可能与给定的涂覆过程和给定的层堆叠（例如，给定的厚度和化学反应）相关的数据而训练的在线反馈方法不能迁移到相同的过程或沉积不同覆盖物的另一过程。负面商业影响在于，来自现有涂覆过程的数据或经训练的算法不能重新用于开发新的涂覆过程。可用数据和算法的低优化可能被视为资源浪费。公司于是可能会蒙受用于在线反馈回路的新开发的额外成本。
15.因此，需要一种方法，其能够无延迟地预测或估计透明基材上的给定单层或多层覆盖物的至少一个质量功能，无延迟例如不等待来自质量控制的结果和/或不仅仅依赖于通过在线反馈方法调整涂覆过程参数。有利地，该方法还可以是通用的，并且可以帮助减少例如诸如在在线反馈方法中要收集的数据的量。
16.问题的解决方案根据本发明的第一方面，提供了根据权利要求1所述的计算机实施方法，从属权利要求是有利实施例。
17.更具体地，根据本发明的方法允许从过程中测量的质量功能预测透明基材上的给定层状覆盖物的至少一个非过程中测量的质量功能，所述过程中测量的质量功能可以是从在任何位置、优选地在涂覆过程的末端沉积的已涂覆的基材上获取的。
18.在本发明的范围内，质量功能（quality function），无论是测量的、模拟的、过程
中的还是非过程中的，都不应被解释为数学函数。如在详细实施例的描述中更明显的，使用“质量功能”作为涉及已涂覆的透明基材的物理特征、光学、电学、机械或电学属性的通用表达。
19.根据本发明的一些方面，提供了用于实施根据本发明第一方面的方法的数据处理系统和计算机程序。
20.根据本发明的其他方面，提供了在透明基材上涂覆层状覆盖物的涂覆过程，其中使用根据本发明第一方面的方法来估计已涂覆的透明基材的非过程中测量的质量功能。
21.本发明的优点根据本发明的第一方面的方法的第一有利特征是其从过程中测量的质量功能预测或估计基材上的给定层状覆盖物的至少一个非过程中测量的质量功能的能力。过程中测量的质量功能可以是从在某个位置、优选地在涂覆过程或系统的末端的已涂覆的基材上获取的。
22.与现有的在线反馈方法相比，根据本发明第一方面的方法不仅仅依赖于对与沉积系统或沉积单元的过程参数相关的数据和/或与已涂覆的透明基材的质量功能相关的数据的过程中实时监控。于是可以减少要收集和处理的数据的量。这还可以节约成本，因为在线过程中数据收集需要更少或不需要涂覆过程仪表化。
23.在某种意义上，本发明可以允许摆脱对已涂覆的透明基材的质量功能的过程中实时持续测量和对涂覆过程参数的实时监控。
24.根据本发明第一方面的方法的另一优点在于，它可以作为补充组件（例如插件、附加件或扩展）集成到在线反馈方法中，以提供例如监督功能。监督功能可用于确保在线反馈方法有效工作和/或快速检测涂覆过程期间任何可能的漂移。
25.本发明的另一益处在于，训练和目标数据集可以主要地、优选地仅包含沉积系统或沉积单元的相关参数的数据。这可有助于减少数据处理器和数据存储设施的工作负载。例如，大多数现有的沉积系统或沉积单元通常与被存储为数据湖泊或数据仓库的数据历史相关联。数据历史可以包含或多或少结构化的数据批次或流传输数据，这些数据涉及涂覆过程的参数和用这些涂覆过程生产的已涂覆的基材的质量功能。可以有利地利用这些数据来评价过程参数的相关性，并帮助仅保留那些允许在基于机器学习的回归分析的训练期间有效地调整数学模型的参数。
26.本发明的另一重要益处是它的通用性和适应性。已经针对给定的涂覆过程实施的根据本发明第一方面的方法可以迁移到另一过程，而无需调整或只需要很少的调整。例如，当该方法已经针对给定的涂覆过程和给定的已涂覆的基材实施时，它可以正确地迁移到相同或其他覆盖物，以分别生产其他或相同的已涂覆的基材，而无需调整或只需要很少的调整。换言之，在对另一涂覆过程和/或另一已涂覆的基材实施之前，该方法可能不一定需要新的训练时段。可以以良好的置信度使用相同的训练和目标数据集或相同的数学模型。这可以允许受益于来自现有涂覆过程的数据或经训练的算法来开发新的涂覆过程。这可有助于公司更好地优化和管理数据和算法资源。
27.无需解释，这种通用性可部分地由于以下事实，即已涂覆的基材的非过程中测量的质量功能通常独立于涂覆过程本身，只要已涂覆的产品可以从任何涂覆过程无差异地生产即可。
28.根据本发明第一方面的方法的另一突出优点在于，它可以允许不与用于生产已涂覆的基材的涂覆过程的参数相捆绑。于是，可能不需要提供生产已涂覆的基材的涂覆过程的参数作为输入。换言之，本发明的方法能够独立于涂覆过程来估计或预测给定的已涂覆的基材的至少一个光学和/或物理化学属性。
29.这不应被严格解释为就好像可以不提供任何涂覆过程参数作为根据本发明的方法的输入。如在详细实施例中显而易见的，对于一些应用，输出的高准确度和精确度水平可能不能仅从作为输入提供的质量功能获得，或者需要作为输入提供的质量功能可能不容易确定和/或测量。提供涂覆过程参数作为输入可能有利于减轻这个问题。在那种情况下，训练数据集可以包括涂覆过程参数。
30.本发明的一个突出优点是质量功能可以是经热处理和/或机械处理或未经处理的已涂覆的透明基材的质量功能。例如，质量功能可以涉及到在涂覆过程结束时生产的已涂覆的透明基材，或者涉及到在如回火或层压之类的进一步处理后的已涂覆的透明基材，而不需要在所述涂覆过程中真正进行该处理。质量功能甚至可以涉及到已涂覆的透明基材，其中透明基材不同于当前在生产中使用的透明基材。
31.涂覆过程能力的衡量通常需要无法对所有正在生产的已涂覆的透明基材进行的耗时且破坏性强的测试。根据本发明第一方面的方法的一个优点在于，它可有助于评价或改善涂覆过程的能力，即，就所生产的已涂覆的基材的规格限制而言的该过程的可重复性和一致性。它是非破坏性的，可以可用于估计或预测正在该涂覆过程中生产的所有已涂覆的透明基材的质量功能。
32.本发明的另一优点在于，它还可以通过使用实时监控数据作为输入数据来帮助检测涂覆过程中的漂移。可以相对较早地检测到漂移，以避免产品超出规格。
附图说明
33.图1是基材上的层状覆盖物的示意图。
34.图2是在基材上沉积单层或多层覆盖物的涂覆过程的示意图。
35.图3是根据本发明第一方面的计算机实施方法的第一实施例的逻辑数据流程图。
36.图4是根据本发明第一方面的方法的第二实施例的逻辑数据流程图。
37.图5是根据本发明第一方面的方法的第三实施例的逻辑数据流程图。
38.图6是根据本发明第一方面的方法的第四实施例的逻辑数据流程图。
39.图7是处理数据系统的物理数据流程图。
40.图8是从1000个已涂覆的基材的模拟样本中随机选择的10个已涂覆的基材的样本的阳光透射谱的数据图。
41.图9是示出光学属性的估计值和测量值之间的置信度的数据图。
具体实施方式
42.参考图1，常见的已涂覆的透明基材1000可以包括透明基材1001，在其主面之一上具有层状覆盖物1002。覆盖物1002可以是单层的，即仅包括一层1002(1)，或者是多层的，即包括几层1002(1)至1002(n)。
43.覆盖物1002可以是至少包括一个介电层和一个功能金属层的多层覆盖物。例如，
对于建筑或汽车玻璃应用，功能层可以是红外反射金属层，主要由银、金、铌或铜等金属制成，以减少热量和/或辐射传递通过透明玻璃窗格。可能有一个以上的功能层，例如两个、三个或更多的功能层，最终主要通过夹层结构与介电层结合。介电层可以帮助抵消或调整由所述金属层引起的颜色偏移、反射和/或透射效应，并提供所寻求的太阳因子或热辐射比率，也称为辐射率。
44.覆盖物还可以包括其他层，金属层或介电层，以提高随时间推移的热稳定性和/或结构稳定性，无论是在使用过程中还是在后续转变时，如加热、回火和/或弯曲。
45.基材1001可以是透明基材，例如矿物玻璃基材或有机基材。在本发明的上下文中，透明玻璃是指这样的玻璃：至少部分电磁辐射在可见光谱中透射通过该玻璃，使得可以辨别通过所述玻璃观察到的对象的形状和可能的某些细节。基材可以是薄的、刚性的或柔性的基材。
46.透明玻璃可以是有机玻璃或矿物玻璃。矿物玻璃的示例是钠钙玻璃、铝硅酸盐玻璃或硼硅酸盐玻璃。有机透明玻璃的示例是聚（甲基丙烯酸甲酯）（pmma）或聚碳酸酯（pc）聚合物。
47.参考图2，沉积过程2000可以通过包括并置的单元的沉积系统来例示，透明基材2001被连续地传送通过这些并置的单元。沉积系统可以包括透明基材进入其中的输入单元2002、第一缓冲单元2003、沉积段2004、第二缓冲单元2005和已涂覆的基材2007从其离开的输出单元2007。沉积段2004可以包括两个转移单元2004a、2004c和一连串2004b的沉积单元e
i,i=1,
…
,n》1
。每个沉积单元ei的特点在于用于沉积覆盖物的装置，例如磁场辅助溅射（也称为磁控溅射）系统、离子束辅助沉积（ibad）系统、蒸发系统、化学气相沉积（cvd）系统、等离子体增强化学气相沉积（pecvd）系统或低压化学气相沉积（lpcvd）系统。沉积单元ei还可包括泵送系统，以创造适合沉积的真空条件。
48.常见沉积过程2000，特别是那些使用在线反馈方法来控制和/或调整沉积过程参数的沉积过程，可以包括在沉积系统的单元中的各种位置处实施的各种传感器和测量装置（未示出），以便在涂覆过程的不同阶段监控涂覆过程参数和/或测量覆盖物的质量功能。特别地，测量装置可以位于每个或几个沉积单元ei的出口处，以便在沉积了每个或几个层之后测量覆盖物的质量功能，如光学和/或物理化学属性。
49.不同的传感器可用于监控涂覆过程。例如，传感器可以是i/o电子装置、高数据采集芯片、可编程逻辑控制器、压力传感器、温度传感器、真空传感器、气体传感器、速率传感器。测量仪器可用于监控已涂覆的透明基材的光学、力学、能量学和化学性质。例如，测量仪器可以是光学频谱仪、椭偏仪、表面电阻率探针系统、光学干涉仪或自动机械或化学探针。
50.参考图1至图3，在本发明第一方面的实施例中，提供了一种计算机实施方法3000，用于估计给定的已涂覆的透明基材1000的至少一个非过程中测量的质量功能，其中所述给定的已涂覆的透明基材1000包括在其至少一个主面上具有层状覆盖物1002的透明基材1001，所述覆盖物1002是用给定的涂覆过程2000沉积的，其中，所述方法使用如所沉积的已涂覆的透明基材1000的至少一个过程中测量的质量功能ip-qf-i作为输入数据i3001，并且提供所述给定的已涂覆的基材1000的至少一个非过程中测量的质量功能作为输出数据o3001，其中，使用数学模型d3003从所述输入数据i3001计算所述非过程中测量的质量功
能，其中，所述数学模型d3003是从基于机器学习的回归分析s3001计算的，所述回归分析s3001是针对以下数据集训练的：包括过程中测量的和/或模拟的质量功能ip-qf-d的训练数据集d3001和包括非过程中测量的和/或模拟的质量功能nip-qf-d的目标数据集d3002，其中，训练数据集d3001中的所述过程中测量的质量功能ip-qf-d和目标数据集d2002中的所述非过程中测量的和/或模拟的质量功能nip-qf-d分别是来自先前的已涂覆的透明基材的过程中测量的和/或模拟的质量功能ip-qf-d和非过程中测量的和/或模拟的质量功能nip-qf-d，所述先前的已涂覆的透明基材包括分别与给定的已涂覆的透明基材1001的透明基材和层状覆盖物相类似的透明基材和层状覆盖物，所述给定的层状覆盖物1002是在给定的涂覆过程2000中沉积的，其中，所述训练数据集d3001中的所述过程中测量的和/或模拟的质量功能ip-qf-d和所述目标数据集d3002中的所述非过程中测量的和/或模拟的质量功能nip-qf-d分别与作为输入i3001提供的过程中测量的质量功能ip-gf-i和作为输出o3001由所述方法提供的非过程中测量的质量功能nip-qf-d的种类相同。
51.在该方法中，作为输入i3001和作为输出o3001提供的数据与训练数据集d3001和目标数据集d3002中的数据的种类相同。这是大多数基于机器学习的回归分析的常见先决条件。训练数据d3001和目标数据d3002与先前的（即过去生产的）已涂覆的基材和先前的、类似的或当前的涂覆过程相关，这些涂覆过程主要具有与其数据被提供作为输入i3001和输出o3001的已涂覆的基材和涂覆过程的特征相同的特征，即针对该已涂覆的基材的质量功能和针对该涂覆过程的技术特点。
52.作为例证性示例，假设所述方法被配置为提供非过程中测量的质量功能作为输出o3001，所述非过程中测量的质量功能诸如光学属性（例如，太阳能吸收或光透射）和/或诸如物理化学属性（例如，已涂覆的基材的电阻率或折射率），那么目标数据d3002也包括来自先前的（即，过去生产的）涂覆基材的相同非过程中测量的质量功能nip-qf-d，即，在此示例中为光学和/或物理化学属性，所述先前的（即，过去生产的）涂覆基材的特征与其数据被提供作为输出o3001的（即通过本方法预测或估计的）已涂覆的基材的特征相似或相同。
53.如前所述，本发明的方法的主要优点是允许从过程中测量的质量功能估计或预测透明基材1001上的给定层状覆盖物1002的非过程中测量的质量功能，所述过程中测量的质量功能可以是从在任何位置、优选地在涂覆过程2002末端的已涂覆的基材上获取的，并且在涂覆过程本身期间不测量该质量功能。这可以防止在涂覆过程期间对与涂覆系统或涂覆单元的参数和已涂覆的基材的属性相关的大量实时过程中数据的持续监控、收集和处理。数据处理器和数据存储装置的工作负载于是可以减少。
54.此外，该方法可以不与生产已涂覆的基材的涂覆过程的任何参数相捆绑地使用。因此，可不需要提供用于生产已涂覆的基材的涂覆过程的参数作为输入，并且根据本发明的方法可能够独立于涂覆过程来估计或预测至少一个非过程中质量功能。
55.然而，如前所述，这不应被严格解释为就好像可以不提供任何涂覆过程参数作为根据本发明的方法的输入。对于一些应用，输出的高准确度和精确度水平可能不能仅从作为输入提供的质量功能获得，或者要作为输入提供的有效质量功能可能不容易确定和/或
测量。因此，使用涂覆过程参数可能是有利的。
56.因此，参考图4，在根据本发明第一方面的方法的特定实施例中，提供了一种计算机实施方法4000，用于估计给定的已涂覆的透明基材1000的至少一个非过程中测量的质量功能，其中所述已涂覆的透明基材1000包括在其至少一个主面上具有层状覆盖物1002的透明基材1001，所述覆盖物1002是用给定的涂覆过程2000沉积的，其中，所述方法4000使用如所沉积的已涂覆的透明基材1000的至少一个过程中测量的质量功能ip-qf-i和所述给定的涂覆过程2000的至少一个涂覆参数cpp-i作为输入数据i3001、i4002，并且提供所述给定的已涂覆的基材1000的至少一个非过程中测量的质量功能作为输出数据o3001，其中，使用数学模型d3003从所述输入数据i3001、i4002计算所述非过程中测量的质量功能，其中，所述数学模型d3003是从基于机器学习的回归分析s3001计算的，所述回归分析s3001是针对以下数据集训练的：包括过程中测量的和/或模拟的质量功能ip-qf-d和给定的涂覆过程2000的涂覆过程参数cpp-d的训练数据集d3001和包括非过程中测量的和/或模拟的质量功能nip-qf-d的目标数据集d3002，其中，训练数据集d3001中的所述过程中测量的和/或模拟的质量功能ip-qf-d和目标数据集d2002中的所述非过程中测量的和/或模拟的质量功能nip-qf-d分别是来自先前的已涂覆的透明基材的过程中测量的和/或模拟的质量功能ip-qf-d和非过程中测量的和/或模拟的质量功能nip-qf-d，所述先前的已涂覆的透明基材包括分别与给定的已涂覆的透明基材1001的透明基材和层状覆盖物相类似的透明基材和层状覆盖物，所述给定的层状覆盖物1002是在给定的涂覆过程2000中沉积的，其中，所述训练数据集d3001中的所述过程中测量的和/或模拟的质量功能ip-qf-d和所述目标数据集d3002中的所述非过程中测量的和/或模拟的质量功能nip-qf-d分别与作为输入i3001提供的过程中测量的质量功能ip-gf-i和作为输出o3001由所述方法提供的非过程中测量的质量功能nip-qf-d的种类相同，其中，所述训练数据集d3001中的给定的涂覆过程的所述涂覆过程参数cpp-d是来自在涂覆所述先前的已涂覆的透明基材期间对所述给定的涂覆过程2000的先前监控的涂覆参数，并且其中，所述涂覆参数cpp-d与作为输入数据i4002提供的至少一个涂覆参数cpp-i的种类相同。
57.作为输入i3001、i4002和作为输出o3001提供的数据与训练数据集d3001和目标数据集d3002中的数据的种类相同。这是大多数基于机器学习的回归分析的常见先决条件。训练数据d3001和目标数据d3002可以与先前的（即过去生产的）已涂覆的基材和先前的、类似的或当前的涂覆过程相关，这些涂覆过程主要具有与其数据被提供作为输入i3001、i4002和输出o3001的已涂覆的基材和涂覆过程的特征相同的特征，即针对该已涂覆的基材的质量功能和针对该涂覆过程的技术特点。
58.作为例证性示例，假设在涂覆过程的沉积单元中的一些气体的分压被提供为作为输入数据i4002的涂覆过程参数cpp-i，则训练数据集d3001也包括针对与涂覆过程参数cpp-d相同或相似的涂覆过程的那些气体的分压。
59.在一些实施例中，涂覆过程参数cpp-d、ccp-i可以被选择为使得它们不是基于沉积系统本身的固有技术组件，诸如电气或电子电路、功率供给等，而是基于沉积系统的输出，所述输出确定涂覆条件和/或对已涂覆的基材的光学和/或物理化学属性有贡献。
60.涂覆过程参数cpp-d、cpp-i可以是气体的分压（例如水、氧、氮或惰性气体的水平）、阴极功率设定点或真实值、阴极电压设定点或真实值、磁场、气流、气体分压、气体总压、机械屏蔽装置的布置、磁性装置的几何布置、等离子体发射和/或基材的传送速度。
61.对于涂覆有可能包括金属功能层的薄膜层的透明基材，涂覆过程参数cpp-d、cpp-i可以有利地是可有助于层的氧化状态的气体水平，以及可有助于层的厚度和结晶度的沉积功率、沉积时间和/或基材的传送速度。
62.本文在图4的上下文中描述的实施例可以有利地与下文描述的其他实施例相结合。
63.可由根据本发明第一方面的方法估计或预测的非过程中质量功能可涉及已涂覆的透明基材的光学、力学、能量学、化学性质或应用兼容性标准，例如平视显示器兼容性。例如，质量功能可以是覆盖物中的层的厚度、化学组成、电阻率和/或复折射率，覆盖物中的（一个或多个）层和/或基材的机械抗性和/或化学抗性，和/或已涂覆的基材的光学属性，例如太阳能吸收、光透射系数、光反射系数或颜色，并且还有它们的均质性。
64.过程中测量的质量功能ip-qf-i可以是光学、电学、机械或电学属性。特别地，它可以是透射和/或反射电磁谱。电磁谱可以是在基材的涂覆侧或未涂覆侧获取的透射和/或反射谱。特别地，电磁谱可以有利地是在295nm至2000nm、优选地在330nm至1100nm波长范围内、在等于或小于10
°
的观察角度或大于45
°
的观察角度的透射和/或反射谱。令人惊讶的是，这些电磁谱中可能包含的信息量通常足以使该方法有效且准确地工作。要处理的数据的量再次得到有效减少。
65.根据本发明第一方面的方法可适于估计或预测沉积在透明基材（诸如矿物玻璃基材或有机基材）上的覆盖物的非过程中质量功能。覆盖物可以是单层或多层覆盖物。特别地，它可以是至少包括一个介电层和一个功能层的多层覆盖物。功能层可以是红外反射金属层，其主要由银、金、铌或铜等金属制成，以减少热量和/或辐射传递通过透明玻璃板。
66.已涂覆的透明基材可以是装配玻璃的一部分，所述装配玻璃诸如双层或三层中空装配玻璃、层压装配玻璃。在这种情况下，非过程中测量的质量功能可以是已涂覆的基材被结合到其中的装配玻璃的质量功能。
67.根据本发明第一方面的方法还可以接受基材2001和/或层状覆盖物2002的物理化学属性作为输入数据i3002。
68.参考图5，在本发明第一方面的特定实施例中，计算机实施方法5000还可以使用透明基材2001和/或层状覆盖物2002的至少一个物理化学属性pp-i作为输入i3001，并且其中，所述训练数据集d3001还包括与作为输入i3001提供的物理化学属性pp-i相同种类的物理化学属性pp-d。该实施例可以帮助细化从基于机器学习的回归分析计算的数学模型，所述回归分析是关于作为输出数据提供的已涂覆的透明基材的一些质量功能。
69.物理化学属性pp-i的示例可以是覆盖物的（一个或多个）层的厚度，覆盖物的（一个或多个）层和/或基材的化学性质、电阻率或折射率。
70.训练数据集d3001和目标数据集d3002中的数据可以是模拟数据和/或测量数据。
训练和目标数据集的有益示例可以是涂覆过程参数和已涂覆的透明基材的质量功能的已经可用的测量数据历史以及模拟数据，单独采用或二者的组合。
71.当可用的真实数据（即测量/监控数据）稀少和/或不可靠时，模拟数据可能是有利的。当测量数据不可用或不足以从基于机器学习的回归分析有效地计算数学模型时，使用模拟数据可能是非常有利的。
72.评价数据可靠性的一种方法可以是用该数据训练基于机器学习的回归分析，然后用合适的数学工具评估训练表现。本领域可以提供许多用于进行这样的评估的数学工具。此外，机器学习回归分析的模型通常可以与经适配的数学工具打包在一起，以评估它们的表现。
73.现有技术中可用的任何有价值的物理数学模型都可以用于模拟数据，只要它与已涂覆的基材和涂覆过程相关即可。
74.用于模拟数据的覆盖物的质量功能（例如光学、力学、能量学、化学性质）的物理和/或数学模型在本领域中是众所周知的，特别是对于薄膜覆盖物。模型的示例是来自wtheiss硬件和软件公司的code、来自software spectra股份有限公司的tfcalc、来自薄膜软件公司（thin film software）的optilayer或来自薄膜中心（thin film center）的essential macleod。
75.在本上下文中，利用模拟数据的有利且有效的方式可以是通过基于机器学习的回归分析s3001的两步训练来组合模拟数据和测量数据。根据本发明的实施例，参考图6，方法6000中的数学模型d3003可以从基于机器学习的回归分析来计算，该回归分析首先在模拟训练数据集d6001-s和模拟目标数据集d6002-s上训练，然后再次在测量训练数据集d6001-m和测量目标数据集d6002-m上训练。
76.各种基于监督机器学习的回归分析可用于计算数学模型d3003。例如，它可以是岭回归、随机森林回归、决策树回归、梯度增强回归、支持向量机回归、套索回归或基于神经网络的回归分析。许多编程和软件资源或模块在现有技术中是可用的。例如，如果根据本发明的方法的全部或部分是以python编程语言的计算机实施方法，那么scikit-learn、keras或tensorflow模块可以提供用于机器学习算法的有用且随时可用的api。
77.本发明的方法是计算机实施的。因此，参考图7，在本发明的另一方面，提供了一种数据处理系统7000，其包括用于执行根据本文描述的任何实施例的方法的部件。用于执行该方法的部件的示例可以是装置7001，可以命令其自动执行算术或逻辑运算序列以实行任务或动作。这些装置也称为计算机，可以包括一个或多个中央处理单元（cpu）和至少控制器装置，该控制器装置可以被适配成执行那些操作。数据处理系统7000还可以包括其他电子组件7003，如输入/输出接口、非易失性或易失性存储装置和总线，总线是用于计算机内部的组件之间或计算机之间的数据传输的通信系统。输入/输出装置之一可以是用于人机交互的用户接口，例如显示人类可理解的信息的图形用户接口。
78.本发明的另一方面是要提供一种包括指令的计算机程序i7001，当该程序由计算机执行时，所述指令使计算机实行根据本文描述的任何实施例的本发明的方法。
79.任何种类的编程语言，无论是编译的还是解译的，都可以用来实施本发明方法的步骤。计算机程序可以是软件解决方案的一部分，即，可执行指令、代码、脚本等和/或数据库的集合的一部分。
80.本发明的另一目的是要提供一种包括指令的计算机可读介质7002，所述指令在由计算机执行时使计算机实行根据本文描述的任何实施例的方法。
81.计算机可读存储装置7002可以优选地是非易失性存储装置或存储器，例如硬盘驱动器或固态驱动器。计算机可读存储装置可以是可移除存储介质或作为计算机的一部分的不可移除存储介质。
82.替代地，计算机可读存储装置可以是可移除介质内的易失性存储器。这可以促进将本发明部署到许多生产现场。
83.计算机可读存储装置7002可以是用作服务器的计算机的一部分，可执行指令可以从该服务器下载，并且当这些指令被计算机执行时使计算机实行根据所描述的任何实施例的方法。
84.本发明的方法可以在层状覆盖物的涂覆过程中实施。它可以被实施为在线反馈方法或在线反馈方法的一部分，或者更有利地被实施为离线方法。因此，根据本发明的另一方面，提供了在透明基材1001上涂覆层状覆盖物1002的涂覆方法2000，其中，给定的层状覆盖物1002被涂覆在透明基材1001上，其中，用根据本文所述的任何实施例或方面的方法3000、4000、5000、6000来估计已涂覆的透明基材的至少一个非过程中测量的质量功能，并且其中，提供在涂覆过程2000的任何位置、优选地在涂覆过程2000结束时获取的已涂覆的基材的至少一个过程中测量的质量功能ip-qf-i作为所述方法3000、4000、5000、6000的输入数据i3001。在本方面中，该方法可以有利地用于使涂覆过程自动化，以校正从目标光学和/或物理化学属性的漂移，并确保持续满足这方面的要求。该过程可以很好地适用于帮助评价或改善涂覆过程的能力，特别是用于玻璃、建筑或汽车业的在玻璃基材上涂覆薄膜堆叠的涂覆过程。
85.现在提供根据本发明的方法的说明性示例实施例，以便说明和证明其益处。
86.该示例是根据在图3的上下文中描述的实施例的计算机实施方法。它能够估计或预测已涂覆的透明基材的质量功能，该基材包括透明的钠钙矿物玻璃作为透明基材，并具有如表1所述的多层覆盖物。多层覆盖物沉积在透明基材的一个主面上。非过程中测量的质量功能被选为阳光透射系数。过程中测量的质量功能是透射电磁谱。
87.。
88.表1中的层厚度值是以诸如图2所示的给定的涂覆过程生产真实的已涂覆的基材的目标值。在生产期间，各层厚度的真实值可与表1中的值不同。
89.在该示例中，尽管存在这些差异，该方法也有助于检查生产的已涂覆的基材的阳
光透射系数是否满足给定的规格。在该范围内，此后表明该方法可以通过将估计值与来自真实的（即生产的）已涂覆的基材的测量值进行比较来以高准确度估计或预测已涂覆的基材的阳光透射系数。
90.数学模型是从来自scikit-learn模块的用python编码的机器学习岭回归分析计算得出的。机器学习岭回归分析是用训练和目标模拟数据集训练的。用如下草案模拟数据。
91.首先，通过改变每一层的值，从表1的多层覆盖物随机模拟出1000个已涂覆的基材的样本，改变每一层的值是借助于遵循幅度因子为0.1的标准正态分布的随机变化。其次，使用来自wtheiss硬件和软件公司的code在380至980nm之间计算每个样本的归一化透射和反射（玻璃和覆盖物侧）电磁谱。作为示例，图8示出了在1000个模拟样本中随机选择的10个样本的归一化透射电磁谱。这1000个计算出的频谱形成了训练数据集。
92.每个样本的阳光透射系数也是用wtheiss硬件和软件公司的code计算的。计算出的1000个阳光透射系数形成了目标数据集。
93.一旦将机器学习岭回归分析训练到这些训练和目标数据集上，该方法就可以从作为输入提供的已涂覆的基材的归一化透射电磁谱来提供已涂覆的基材的阳光透射系数作为输出。
94.为了评估该方法的准确度和效率，提供38个真实的（即生产的）已涂覆的基材的样本的380和980nm之间的真实的（即测量的）归一化透射电磁谱作为到该方法的输入，以估计或预测它们各自的阳光透射系数。这38个真实样本与表1中所述的已涂覆的基材相似，但与表1中的样本相比，它们的层厚度有变化。在用于生产这些样本的涂覆过程结束时，用频谱仪测量这38个真实样本的归一化透射电磁谱。借助于频谱仪测量了这38个样本中的每个样本的真实阳光透射系数。
95.图9比较了这38个样本的阳光透射系数的真实（即测量）值（r-v）与通过该方法估计的值（e-v）。虚线和点线分别表示距估计值和相应测量值之间的完美匹配的0.5%和1%的置信区间。
96.图9显示，通过该方法估计的值的90%在0.5%置信区间内，并且估计值的100%在1%置信区间内。
97.这些结果清楚地证明，根据本发明的方法能够准确地估计用给定的涂覆过程的给定的已涂覆的透明基材的至少一个非过程中测量的质量功能，而不需要在线过程中实时监控、收集和处理与涂覆过程的不同阶段的已涂覆的基材的质量功能相关的数据，也不需要通过在设置时和/或生产期间切割样本来收集样本，以在后续转变（例如层压、加热、回火）之后在被分析之前用测量仪器分析它们。