一种阶梯式温度、时间、压力热压薄膜电容器方法与流程

：
1.本发明属于薄膜电容器与人工智能技术领域，尤其涉及一种阶梯式温度、时间、压力热压薄膜电容器方法。


背景技术：

2.在薄膜电容器制造过程中，热压是一个关键步骤，用于保证电容器的容量、耐压和绝缘电阻的稳定性。传统的热压工艺中，温度、时间和压力通常采用固定值，导致电容器芯子在热压过程中受热不均匀，薄膜收缩程度不一致，影响了电容器的电气性能。
3.如专利公开号为cn217822412u，公开的《一种电容芯子热定型用工装》，提供了一种电容芯子热定型用工装，其上热压块的上方通过升降机构连接在所述机架上，下热压块内设有第一加热盘管、第一电加热管，所述上热压块内设有第二加热盘管、第二电加热管；所述第一加热盘管的进液口与所述第二加热盘管的进液口汇总后通过总进液管连接至供液泵的出水口，所述第一加热盘管的出液口与所述第二加热盘管的出液口汇总后通过总排液管连接至液体加热箱的冷液进口的，主要仍旧是采用固定温度、时间和压力进行热压。
4.本发明提供了一种温度、时间、压力阶梯式薄膜电容器热压方法，通过基于深度神经网络和ddpg算法的优化，多阶梯、更精确、高效地实现了薄膜电容器热压控制。本发明所述的方法具有广泛的应用前景，针对不同类型的薄膜电容器，它可以应用于制备各种类型的薄膜电容器，如高介电常数薄膜电容器、铁电薄膜电容器等。此外，本发明的方法还可用于其他领域的热压加工过程中，以实现优化的控制和更高的制备效率。该方法具有简单、可操作性强、制备效果优良等优点，适用于电子器件制备和研发领域。


技术实现要素：

5.本发明针对现有技术的不足，提供一种阶梯式温度、时间、压力热压薄膜电容器方法，该发明不仅适用于特定的薄膜电容器，还可以适用于同样需要进行热压的电容器，以取得热压该类电容器的最优参数。
6.具体包括以下步骤：
7.s1，数据收集与预处理：收集电容器制造的热压温度、时间、压力、电容器的状态以及电容器电器性能，并进行标准化预处理，以消除消除数据的偏移和尺度差异；
8.所述s1中电容器的状态为电容器芯子的表面温度均匀性、薄膜收缩程度的一致性；电气性能指标为电容量。
9.s2，模型设计与优化：设计深度神经网络模型，并通过ddpg算法对模型进行优化，得到最优的温度、时间、压力阶梯式热压参数，具体包括：
10.s201，设定初始的温度、时间和压力阶梯参数，并记录初始的电容器的电气性能指标，并设定温度、时间和压力阶梯参数范围；
11.所述s201中设定初始的温度、时间和压力阶梯参数为根据以下公式,分别选取三阶梯参数范围中温度、时间和压力初始值：
12.t＝t
min
rand(0,1)*(t
max-t
min
)，
13.t＝t
min
rand(0,1)*(t
max-t
min
)，
14.p＝p
min
rand(0,1)*(p
max-p
min
)，
15.其中t为最终选取的初始温度，t
max
和t
min
分别为该阶梯范围中最大和最小温度，
16.t为最终选取的初始时间，t
max
和t
min
分别为该阶梯范围中最大和最小时间，
17.p为最终选取的初始压力，p
max
和p
min
分别为该阶梯范围中最大和最小压力。
18.所述s201中温度、时间和压力阶梯参数范围分为三阶梯；第一阶梯参数范围中温度为100-120℃、压力为10-20mpa、时间为10-60s；第二阶梯参数范围中温度为120-260℃、压力为20-60mpa、时间为5-15min；第三阶梯参数范围中温度为260-300℃、压力为60-100mpa、时间为2-5min。
19.s202，构建actor网络以输出动作策略，进而选择各状态的调整值，并且构建critic网络以评估动作的价值；
20.将热压过程中每一阶梯的温度、时间、压力作为状态s，在一定范围内连续调整温度、时间、压力作为动作a；电容器的状态与最优的电容器的状态的差值作为奖励，设计奖励函数，以评估动作a的价值；
21.所述s202中在一定范围内连续调整温度、时间、压力，具体为：
22.根据上一阶梯状态s，以一定步长调整当前阶梯状态s，所述步长在第一阶梯参数范围中，温度步长δt为0.5-2℃，时间步长δt为4-6s，压力步长δp为0.5-2mpa；在第二阶梯参数范围中，温度步长δt为0.5-2℃，时间步长δt为0.5-1min，压力步长δp为0.5-2mpa；在第三阶梯参数范围中，温度步长δt为0.5-2℃，时间步长δt为0.5-1min，压力步长δp为0.5-2mpa。
23.所述s202中，奖励函数为r＝ω1r
cp
ω2r
cc
，其中r为奖励值，ω1、ω2为相应奖励的权重系数，且ω1 ω2＝1，r
cp
为电容表面温度均匀性与最优的电容表面温度均匀性的差值的奖励，r
cc
为薄膜收缩程度与最优的薄膜收缩程度的差值的奖励；
24.其中，n为同一电容表面温度检测点的数量，wi为同一电容表面温度检测点i测量到的温度值，为同一电容表面所有温度检测点测量到的温度的平均值；
25.其中si为当前薄膜的收缩程度，为最优的薄膜收缩程度。
26.电容表面温度均匀性符合要求的奖励的权重系数ω1为0.7-0.8，薄膜收缩程度符合要求的奖励的权重系数ω2为0.2-0.3。
27.s203，使用收集到的数据对actor与critic网络进行训练，根据奖励函数计算奖励，更新actor网络和critic网络，以优化动作策略和动作价值的估计，进而通过调整参数，使得奖励达到最大，以获取最优温度、时间、压力参数；
28.所述s203中更新actor网络和critic网络使用adam优化器进行更新；
29.actor网络根据当前阶梯的状态s，通过使用greed探索策略来选择动作动作a；在执行动作a后，将当前状态、动作和下一个动作作为一份样本存储到经验回放缓存区；重复上述步骤，直至经验回放缓存区满，并从中随机抽取一批样本使用critic网络计算奖励值，并对奖励值均方差，选取逼近最大奖励值的参数更新actor网络；重复上述全部步骤，直至
达到预定的轮数或达到最优奖励值。
30.s3，阶梯热压：将最优参数输入到薄膜电容器热压设备中，启动设备，按照最优参数进行阶梯式热压。
31.所述阶梯式热压具体为：
32.1)首先按照第一阶梯最优的热压温度和压力，热压第一阶梯最优时间；
33.2)在热压第一阶梯最优时间后，在一定时间内将温度和压力提升至第二阶梯最优的热压温度和压力，热压第二阶梯最优时间；所述一定时间为30-60s；
34.3)在热压第二阶梯最优时间后，在一定时间内将温度和压力提升至第二阶梯最优的热压温度和压力，热压第二阶梯最优时间；所述一定时间为1-2min。
附图说明
35.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1为本发明实施例中所述一种阶梯式温度、时间、压力热压薄膜电容器方法的流程图。
具体实施方式：
37.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
38.一种阶梯式温度、时间、压力热压薄膜电容器方法，包括以下步骤：
39.s1，数据收集与预处理：收集电容器制造的热压温度、时间、压力、电容器的状态以及电容器电器性能，并进行标准化预处理，以消除消除数据的偏移和尺度差异；
40.所述s1中电容器的状态为电容器芯子的表面温度均匀性、薄膜收缩程度的一致性；电气性能指标为电容量。
41.s2，模型设计与优化：设计深度神经网络模型，并通过ddpg算法对模型进行优化，得到最优的温度、时间、压力阶梯式热压参数，具体包括：
42.s201，设定初始的温度、时间和压力阶梯参数，并记录初始的电容器的电气性能指标，并设定温度、时间和压力阶梯参数范围；
43.所述s201中设定初始的温度、时间和压力阶梯参数为根据以下公式,分别选取三阶梯参数范围中温度、时间和压力初始值：
44.t＝t
min
rand(0,1)*(t
max-t
min
)，
45.t＝t
min
rand(0,1)*(t
max-t
min
)，
46.p＝p
min
rand(0,1)*(p
max-p
min
)，
47.其中t为最终选取的初始温度，t
max
和t
min
分别为该阶梯范围中最大和最小温度，
48.t为最终选取的初始时间，t
max
和t
min
分别为该阶梯范围中最大和最小时间，
49.p为最终选取的初始压力，p
max
和p
min
分别为该阶梯范围中最大和最小压力。
50.所述s201中温度、时间和压力阶梯参数范围分为三阶梯；第一阶梯参数范围中温度为100-120℃、压力为10-20mpa、时间为10-60s；第二阶梯参数范围中温度为120-260℃、压力为20-60mpa、时间为5-15min；第三阶梯参数范围中温度为260-300℃、压力为60-100mpa、时间为2-5min。
51.s202，构建actor网络以输出动作策略，进而选择各状态的调整值，并且构建critic网络以评估动作的价值；
52.将热压过程中每一阶梯的温度、时间、压力作为状态s，在一定范围内连续调整温度、时间、压力作为动作a；电容器的状态与最优的电容器的状态的差值作为奖励，设计奖励函数，以评估动作a的价值；
53.所述s202中在一定范围内连续调整温度、时间、压力，具体为：
54.根据上一阶梯状态s，以一定步长调整当前阶梯状态s，所述步长在第一阶梯参数范围中，温度步长δt为0.5-2℃，时间步长δt为4-6s，压力步长δp为0.5-2mpa；在第二阶梯参数范围中，温度步长δt为0.5-2℃，时间步长δt为0.5-1min，压力步长δp为0.5-2mpa；在第三阶梯参数范围中，温度步长δt为0.5-2℃，时间步长δt为0.5-1min，压力步长δp为0.5-2mpa。
55.所述s202中，奖励函数为r＝ω1r
cp
ω2r
cc
，其中r为奖励值，ω1、ω2为相应奖励的权重系数，且ω1 ω2＝1，r
cp
为电容表面温度均匀性与最优的电容表面温度均匀性的差值的奖励，r
cc
为薄膜收缩程度与最优的薄膜收缩程度的差值的奖励；
56.其中，n为同一电容表面温度检测点的数量，wi为同一电容表面温度检测点i测量到的温度值，为同一电容表面所有温度检测点测量到的温度的平均值；
57.其中si为当前薄膜的收缩程度，为最优的薄膜收缩程度。
58.电容表面温度均匀性符合要求的奖励的权重系数ω1为0.7-0.8，薄膜收缩程度符合要求的奖励的权重系数ω2为0.2-0.3。
59.s203，使用收集到的数据对actor与critic网络进行训练，根据奖励函数计算奖励，更新actor网络和critic网络，以优化动作策略和动作价值的估计，进而通过调整参数，使得奖励达到最大，以获取最优温度、时间、压力参数；
60.所述s203中更新actor网络和critic网络使用adam优化器进行更新；
61.actor网络根据当前阶梯的状态s，通过使用greed探索策略来选择动作动作a；在执行动作a后，将当前状态、动作和下一个动作作为一份样本存储到经验回放缓存区；重复上述步骤，直至经验回放缓存区满，并从中随机抽取一批样本使用critic网络计算奖励值，并对奖励值均方差，选取逼近最大奖励值的参数更新actor网络；重复上述全部步骤，直至达到预定的轮数或达到最优奖励值。
62.s3，阶梯热压：将最优参数输入到薄膜电容器热压设备中，启动设备，按照最优参数进行阶梯式热压。
63.所述阶梯式热压具体为：
64.1)首先按照第一阶梯最优的热压温度和压力，热压第一阶梯最优时间；
65.2)在热压第一阶梯最优时间后，在一定时间内将温度和压力提升至第二阶梯最优的热压温度和压力，热压第二阶梯最优时间；所述一定时间为30-60s；
66.3)在热压第二阶梯最优时间后，在一定时间内将温度和压力提升至第二阶梯最优的热压温度和压力，热压第二阶梯最优时间；所述一定时间为1-2min。