專利名稱：金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種實(shí)時(shí)控制的方法，具體來(lái)說(shuō)是在金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法。
背景技術(shù)：
現(xiàn)有由于電沉積過(guò)程中電沉積槽內(nèi)混合溶液濃度、溫度、pH值、攪拌速度、電流密度等參數(shù)不斷的發(fā)生變化，其內(nèi)部的結(jié)構(gòu)與結(jié)構(gòu)之間以及這些結(jié)構(gòu)與其自身之間存在著相當(dāng)復(fù)雜的奇異非線性關(guān)系，一般說(shuō)來(lái)不存在或很困難找到顯式的函數(shù)關(guān)系，即使勉強(qiáng)找到了函數(shù)關(guān)系，那也會(huì)是一類非常復(fù)雜的非線性偏微分方程，相當(dāng)難以把握。事實(shí)上，非線性奇異系統(tǒng)都不能用子空間來(lái)描述(它們是屬于一些低維子流形)，直接討論低維子流形是比較困難的?，F(xiàn)有的對(duì)這種復(fù)雜非線性關(guān)系的描述是基于線性或非線性回歸的方法，而這種方法本身就存在著不精確的問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明克服了上述缺點(diǎn)，提供一種準(zhǔn)確度高、工作狀態(tài)穩(wěn)定的實(shí)時(shí)控制方法。
本發(fā)明解決其技術(shù)問(wèn)題所采取的技術(shù)方案是包括以下步驟(1)參數(shù)輸入模塊，用于輸入金屬電沉積過(guò)程中沉積槽內(nèi)溶液的各項(xiàng)參數(shù)，包括濃度、溫度、pH值、攪拌速度、電流密度；(2)接口引擎模塊，用于傳遞數(shù)據(jù)和做運(yùn)算前的準(zhǔn)備；(3)后臺(tái)運(yùn)算模塊，通過(guò)神經(jīng)元網(wǎng)絡(luò)模型的非線性逼進(jìn)法計(jì)算出各項(xiàng)參數(shù)值；
(4)輸出模塊，輸出運(yùn)算后的結(jié)果，并控制設(shè)備控制將運(yùn)算結(jié)果轉(zhuǎn)變?yōu)榱炕目刂啤?br> 所述后臺(tái)運(yùn)算模塊可采用Matlab作為后臺(tái)運(yùn)算引擎。
所述后臺(tái)運(yùn)算模塊還可包括以下過(guò)程(a)標(biāo)準(zhǔn)化處理過(guò)程；(b)通過(guò)神經(jīng)元網(wǎng)絡(luò)法進(jìn)行運(yùn)算過(guò)程。
所述接口引擎模塊還可包括一個(gè)開辟數(shù)據(jù)緩沖區(qū)模塊、一個(gè)數(shù)據(jù)格式轉(zhuǎn)換模塊和一個(gè)運(yùn)算文件的調(diào)用模塊，上述三個(gè)模塊次序不分先后。
所述參數(shù)輸入模塊還可包括一個(gè)參數(shù)校驗(yàn)和控制模塊，所述參數(shù)校驗(yàn)包括參數(shù)定義域控制模塊、參數(shù)步長(zhǎng)控制模塊、數(shù)據(jù)格式控制模塊，且上述三模塊順序不分先后。
所述模塊輸入模塊中可包括控制信息和數(shù)據(jù)信息，并負(fù)責(zé)對(duì)輸入的各項(xiàng)參數(shù)進(jìn)行校對(duì)。
所述參數(shù)輸入模塊還可包括一個(gè)輸入方式的詢問(wèn)過(guò)程，通過(guò)判定不同的輸入方式，進(jìn)入不同的輸入模塊，所述輸入方式中包括至少三個(gè)輸入模型。
本發(fā)明通過(guò)將金屬沉積槽中的各項(xiàng)參數(shù)實(shí)時(shí)的采集到系統(tǒng)中，再通過(guò)后臺(tái)運(yùn)算模塊計(jì)算出當(dāng)前沉積槽內(nèi)需要調(diào)節(jié)的各項(xiàng)參數(shù)的量，再通過(guò)輸出模塊對(duì)各項(xiàng)參數(shù)進(jìn)行調(diào)節(jié)。因此，本發(fā)明全面地把握了金屬沉積槽中溶液的濃度、溫度、pH值、攪拌速度、電流密度與其金屬沉積的品質(zhì)和補(bǔ)充各種溶質(zhì)的復(fù)雜非線性關(guān)系。另外，本發(fā)明采用的神元網(wǎng)絡(luò)算法，可以任意的逼進(jìn)非線性，即只要神經(jīng)元層數(shù)足夠多，便可以達(dá)到任意理想的結(jié)果。本方法能夠廣泛應(yīng)用于林產(chǎn)工業(yè)、人造板、金屬加工、控制科學(xué)等領(lǐng)域，例如在用來(lái)制作三維花紋人造板模板過(guò)程中即可采用本方法。


圖1為本發(fā)明的控制原理示意2為本發(fā)明的控制流程3為本發(fā)明中參數(shù)輸入模塊的示意4為本發(fā)明中接口引擎模塊的流程5為本發(fā)明中標(biāo)準(zhǔn)化處理過(guò)程的示意6為本發(fā)明中標(biāo)準(zhǔn)化處理過(guò)程中運(yùn)算過(guò)程的示意7為本發(fā)明中神經(jīng)元網(wǎng)絡(luò)運(yùn)算過(guò)程的示意8為本發(fā)明的運(yùn)算結(jié)果性能評(píng)估的線性回歸圖具體實(shí)施方式
如圖1、2所示，本發(fā)明主要由輸入方式的詢問(wèn)模塊、參數(shù)輸入模塊、參數(shù)校驗(yàn)?zāi)K、接口引擎模塊、標(biāo)準(zhǔn)化處理模塊、后臺(tái)運(yùn)算模塊和輸出模塊構(gòu)成，首先將采集到的金屬電沉積槽中溶液的各項(xiàng)參數(shù)，包括濃度、溫度、pH值、攪拌速度、電流密度等數(shù)據(jù)信息經(jīng)過(guò)輸入方式的詢問(wèn)后，激活相應(yīng)的參數(shù)輸入模塊，經(jīng)過(guò)參數(shù)辨識(shí)及校對(duì)經(jīng)加法器輸出給接口引擎。在接口引擎中首先開辟一個(gè)數(shù)據(jù)緩沖區(qū)，在此區(qū)內(nèi)實(shí)現(xiàn)上述參數(shù)數(shù)據(jù)的格式轉(zhuǎn)換、神經(jīng)元網(wǎng)絡(luò)模型文件的調(diào)用后，就可進(jìn)入后臺(tái)運(yùn)算模塊，即運(yùn)用Matlab作為后臺(tái)運(yùn)算引擎，以神經(jīng)元網(wǎng)絡(luò)模型計(jì)算出當(dāng)前需要調(diào)整的各參數(shù)的量值，經(jīng)過(guò)初步處理的數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)的第一層，在這一層須要標(biāo)準(zhǔn)化理，再經(jīng)神經(jīng)網(wǎng)絡(luò)初步的確定后計(jì)算出歐氏距離，最后通過(guò)自學(xué)習(xí)模型的修正后產(chǎn)生標(biāo)準(zhǔn)的權(quán)值函數(shù)，這個(gè)函數(shù)將確定溶液濃度、溫度、pH值、攪拌速度、電流密度的影響的權(quán)值。在神經(jīng)元網(wǎng)絡(luò)的第二層，將收到第一層權(quán)值函數(shù)通過(guò)自學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)層權(quán)值模塊修正后進(jìn)行正規(guī)化處理產(chǎn)生權(quán)值的線性函數(shù)，最后達(dá)各種溶質(zhì)需要量的理想輸出，因此，只要神經(jīng)元層數(shù)足夠多，就可以達(dá)到任意精度的結(jié)果。再由相應(yīng)的控制設(shè)備將得到的運(yùn)算結(jié)果轉(zhuǎn)化為對(duì)電沉積槽中各項(xiàng)參數(shù)的量化控制，從而完成對(duì)整個(gè)金屬電沉積過(guò)程的實(shí)時(shí)監(jiān)測(cè)和控制。例如，當(dāng)溶液溫度降低時(shí)，通過(guò)溫度采集器采集到當(dāng)前的溫度值，經(jīng)過(guò)上述計(jì)算過(guò)程得出需要調(diào)整的溫度值后，由溫度控制器對(duì)溶液進(jìn)行加溫，當(dāng)溶液中某種溶質(zhì)的配比降低時(shí)，通過(guò)濃度采集器采集到當(dāng)前該種溶質(zhì)的濃度，經(jīng)上述計(jì)算過(guò)程得出需要補(bǔ)充的該溶質(zhì)的量值，最后由液體補(bǔ)充控制器完成對(duì)該種溶液的補(bǔ)充。由于這種檢測(cè)和控制的過(guò)程是實(shí)時(shí)進(jìn)行的，從而保證了電沉積溶液中各項(xiàng)參數(shù)的持續(xù)穩(wěn)定，也就保證了金屬電沉積的質(zhì)量。
所述輸入方式的詢問(wèn)模塊，如圖2所示，通過(guò)對(duì)輸入類型參數(shù)i的詢問(wèn)和判定，判斷出不同的輸入方式，再進(jìn)入三種不同模型的輸入模塊，即模型I輸入模塊、模型II輸入模塊和模型III輸入模塊，經(jīng)這一詢問(wèn)模塊后并激活相應(yīng)輸入模塊后，則進(jìn)入?yún)?shù)輸入模塊。
所述參數(shù)輸入模塊，如圖3所示，是將數(shù)據(jù)采集終端采集得到的控制信息、數(shù)據(jù)信息，包括沉積槽內(nèi)的濃度、溫度、電流密度、pH值等傳感器的采集數(shù)據(jù)，通過(guò)該模塊與接口交互數(shù)據(jù)信息和與數(shù)據(jù)相關(guān)的控制信息，即進(jìn)行參數(shù)定義域控制、參數(shù)步長(zhǎng)控制、數(shù)據(jù)格式控制。其中參數(shù)定義域控制主要用于校正參數(shù)輸入，出錯(cuò)處理，各定義域的初始設(shè)置由目標(biāo)樣本數(shù)據(jù)確定，發(fā)生裝置工作前可專門定制其所需要的參數(shù)區(qū)間；參數(shù)步長(zhǎng)控制用于更改參數(shù)微調(diào)按鈕的步長(zhǎng)，便于使用；數(shù)據(jù)格式控制是在輸入數(shù)據(jù)時(shí)選擇幾位有效數(shù)字和何種科學(xué)計(jì)數(shù)方法?？刂菩畔⒑蛿?shù)據(jù)信息在輸入模塊內(nèi)部的通信是透明的，可以自由選擇和分別輸入控制信息和數(shù)據(jù)信息，二者永遠(yuǎn)保持同步。
所述接口引擎模塊，如圖4所示，由于本實(shí)施例中采用的是專門的數(shù)學(xué)運(yùn)算軟件Matlab作為其后臺(tái)運(yùn)算和分析的工具，因此首先要設(shè)置一個(gè)用于前端和后臺(tái)Matlab通信的模塊，即Matlab接口引擎。具體說(shuō)來(lái)，就是將輸入的參數(shù)信息通過(guò)Matlab與界面開發(fā)程序的接口送入到Matlab工作空間，參與計(jì)算，運(yùn)算結(jié)束后能把運(yùn)算結(jié)果以合適的數(shù)據(jù)格式返回，同時(shí)，提供一系列網(wǎng)絡(luò)性能和訓(xùn)練結(jié)果分析的圖表。接口引擎模塊包括一個(gè)開辟數(shù)據(jù)緩沖區(qū)模塊、一個(gè)數(shù)據(jù)格式轉(zhuǎn)換模塊和一個(gè)運(yùn)算文件的調(diào)用模塊，上述三個(gè)模塊次序不分先后。Matlab接口引擎的主要流程包括開啟Matlab引擎、參數(shù)數(shù)據(jù)格式轉(zhuǎn)換、參數(shù)由用戶界面到后臺(tái)Matlab的傳送以及適宜大小的緩沖區(qū)的開辟。
所述后臺(tái)運(yùn)算模塊還包括標(biāo)準(zhǔn)化處理模塊和神經(jīng)元網(wǎng)絡(luò)運(yùn)算模塊，即在進(jìn)入真正的運(yùn)算網(wǎng)絡(luò)之前，輸入樣本數(shù)據(jù)要進(jìn)行事先、事后的標(biāo)準(zhǔn)化處理，處理方式如圖5所示，對(duì)于輸入樣本數(shù)據(jù)的值域區(qū)間進(jìn)行標(biāo)準(zhǔn)化處理，通過(guò)標(biāo)準(zhǔn)化處理后將輸入向量和目標(biāo)輸出向量量化為零均值和偏差為1的標(biāo)準(zhǔn)向量。下面是通過(guò)零均值和偏差型函數(shù)的實(shí)現(xiàn)過(guò)程。
＝prestd(p，t)參數(shù)意義p網(wǎng)絡(luò)輸入向量t目標(biāo)輸出向量
pn 量化后的輸入向量meanp輸入向量的均值stdp 輸入向量的偏差tn 量化后的目標(biāo)輸出向量meant目標(biāo)輸出的均值stdt 目標(biāo)輸出的偏差具體的標(biāo)準(zhǔn)化過(guò)程如圖6所示。下面給出標(biāo)準(zhǔn)化處理器的運(yùn)算環(huán)節(jié)mean(P′)=mean(p11p21···pR1p12p22···pR2·········p1Qp2Q···pRQ)]]>=Σi=1i=Qp1iQΣi=1i=Qp2iQ···Σi=1i=QpRiQ1×R]]>std(P′)=std(p11p21···pR1p12p22···pR2·········p1Qp2Q···pRQ)]]>
=[(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12···(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]1×R]]>Pn＝(P-meanp×oneQ)·/(stdp×oneQ)=(p11p12···p1Qp21p22···p2Q·········pR1pR2···pRQ-Σi=1i=Qp1iQΣi=1i=Qp2iQ···Σi=1i=QpRiQR×1×11···11×Q)·/((1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12···(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12R×1×11···11×Q)]]>=p11-Σi=1i=Qp1iQp12-Σi=1i=Qp1iQ···p1Q-Σi=1i=Qp1iQp21-Σi=1i=Qp2iQp22-Σi=1i=Qp2iQ···p2Q-Σi=1i=Qp2iQ·········pR1-Σi=1i=QpRiQpR2-Σi=1i=QpRiQ···pRQ-Σi=1i=QpRiQ·/(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12··(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12··(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12·········(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12··(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]]>
mean(T′)=mean(t11t21···tS1t12t22···tS2·········t1Qt2Q···tSQ)]]>=Σi=1i=Qt1iQΣi=1i=Qt2iQ···Σi=1i=QtSiQ1×S]]>
std(T′)=std(t11t21···tS1t12t22···tS2·········t1Qt2Q···tSQ)]]>=[(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12···(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]1×S]]>Tn＝(T-meant×oneQ)·/(stdt×oneQ)=(t11t12···t1Qt21t22···t2Q·········tS1tS2···tSQ-Σi=1i=Qt1iQΣi=1i=Qt2iQ···Σi=1i=QtSiQS×1×11···11×Q)·/((1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12···(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12S×1×11···11×Q)]]>=t11-Σi=1i=Qt1iQt12-Σi=1i=Qt1iQ···t1Q-Σi=1i=Qt1iQt21-Σi=1i=Qt2iQt22-Σi=1i=Qt2iQ···t2Q-Σi=1i=Qt2iQ·········pR1-Σi=1i=QtSiQtS2-Σi=1i=QtSiQ···tSQ-Σi=1i=QtSiQ·/(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12··(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12··(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12·········(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12··(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]]>
經(jīng)過(guò)標(biāo)準(zhǔn)化處理器后，進(jìn)入正式的神經(jīng)網(wǎng)絡(luò)運(yùn)算模塊，如圖7所示參照?qǐng)D7神經(jīng)網(wǎng)絡(luò)運(yùn)算模塊該神經(jīng)元網(wǎng)絡(luò)模塊中有Q個(gè)節(jié)點(diǎn)，R維輸入，S維輸出。神經(jīng)元網(wǎng)絡(luò)輸入向量為P，神經(jīng)元網(wǎng)絡(luò)隱含層的權(quán)值設(shè)為P’，該層每個(gè)神經(jīng)元節(jié)點(diǎn)的帶權(quán)輸入是輸入向量和權(quán)向量之間的距離，即歐幾里德距離‖dist‖?！琩ist‖是歐幾里德距離權(quán)函數(shù)，權(quán)函數(shù)把權(quán)重加到輸入矩陣上以得到帶權(quán)輸入矩陣。
對(duì)于dist(W，P)，W為S×R權(quán)矩陣，P為Q維輸入列向量矩陣，dist(W，P)返回S×Q維向量距離矩陣。
在該模型中將權(quán)矩陣W定義為P′，則
dist(P′Q×R，PR×Q)=dist(p11p12···p1Rp21p22···p2R·········pQ1pQ2···pQR,p11p21···pQ1p12p22···pQ2·········p1Rp2R···pQR)]]>=0d12d13···d1Qd210d23···d2Qd31d320···d3Q············dQ1dQ2dQ3···0Q×Q]]>式中dij表示矩陣P′第i個(gè)行向量與矩陣P第j個(gè)列向量間的距離，因此對(duì)角線上的元素均為0。
進(jìn)而將dist(P′，P)與b1作點(diǎn)乘，即dist(P′,P)·*b1=0d12d13···d1Qd210d23···d2Qd31d320···d3Q············dQ1dQ2dQ3···0·*b11b12···b1Qb21b22···b2Q·········bQ1bQ2···bQQ]]>
=0b12*d12b13*d13···b1Q*d1Qb21*d210b23*d23···b2Q*d2Qb31*d31b32*d320···b3Q*d3Q·········bQ1*dQ1bQ2*dQ2bQ3*dQ3···0]]>在網(wǎng)絡(luò)隱含層每個(gè)神經(jīng)元網(wǎng)絡(luò)輸入是其帶權(quán)輸入與其偏值之積，如上式所示，而每個(gè)神經(jīng)元的輸出是網(wǎng)絡(luò)輸入的徑向基函數(shù)。
利用高斯核函數(shù)(Gaussian kernel function)作為基函數(shù)的形式，如下式所示uj=exp[-(X-Cj)T(X-Cj)2δj2]]]>j＝1，2，...，Nh其中，uj是第j個(gè)隱層節(jié)點(diǎn)的輸出，X＝(x1，x2，...，Xn)T是輸入樣本，Cj是高斯函數(shù)的中心值，δj是標(biāo)準(zhǔn)化常，Nh是隱層節(jié)點(diǎn)數(shù)。其隱含層節(jié)點(diǎn)中的作用函數(shù)(核函數(shù))對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)，也就是說(shuō)，當(dāng)輸入信號(hào)靠近核函數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，由此，這種神經(jīng)元網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也成為局部感知場(chǎng)網(wǎng)絡(luò)。由上式可知，節(jié)點(diǎn)的輸出范圍在0和1之間，如果一個(gè)神經(jīng)元的權(quán)向量與其輸入向量相等(轉(zhuǎn)置)，其帶權(quán)輸入將為0，當(dāng)其網(wǎng)絡(luò)輸入為0，則輸出為1，且輸入樣本愈靠近節(jié)點(diǎn)的中心，輸出值愈大。
采用高斯基函數(shù)，具備如下優(yōu)點(diǎn)1、表示形式簡(jiǎn)單，即使對(duì)于多參數(shù)輸入也不增加太多的復(fù)雜性
2、徑向?qū)ΨQ；3、光滑性好，任意階導(dǎo)數(shù)存在；4、由于該基函數(shù)表示簡(jiǎn)單且解析性好，因而便于進(jìn)行理論分析經(jīng)過(guò)基函數(shù)發(fā)生器，神經(jīng)元節(jié)點(diǎn)輸出為a1，開始進(jìn)入網(wǎng)絡(luò)線性層。在網(wǎng)絡(luò)線性層中首先要經(jīng)過(guò)一個(gè)正規(guī)化處理器，然后再進(jìn)入普通的線性神經(jīng)元。在正規(guī)化處理器中，采用normprod函數(shù)來(lái)計(jì)算網(wǎng)絡(luò)的輸出向量n2。normprod是一個(gè)權(quán)函數(shù)，權(quán)函數(shù)將權(quán)重加到輸入矩陣上得到帶權(quán)矩陣。對(duì)于normprod(W，P)，W為S×R權(quán)矩陣，P為Q維輸入列向量矩陣，normprod(W，P)返回S×Q維正規(guī)化點(diǎn)積。
在該網(wǎng)絡(luò)中，將網(wǎng)絡(luò)線性層的權(quán)矩陣設(shè)為網(wǎng)絡(luò)的目標(biāo)輸出TS×Q，即normprod(T，a1)=normprod(t11t12···t1Qt21t22···t2Q·········tS1tS2···tSQ,a11a12···a1Qa21a22···a2Q·········aQ1aQ2···aQQ)]]>
本發(fā)明所采用的神經(jīng)元網(wǎng)絡(luò)運(yùn)算是一個(gè)逼近器，只要隱單元足夠多，它就可以逼近任意M元連續(xù)函數(shù)且對(duì)任一未知的非線性函數(shù)，總存在一組權(quán)值使網(wǎng)絡(luò)對(duì)該函數(shù)的逼近效果最好。網(wǎng)絡(luò)第二層也有與網(wǎng)絡(luò)輸入和目標(biāo)向量相同的神經(jīng)元節(jié)點(diǎn)數(shù)，這里將第二層的權(quán)值矩陣設(shè)為目標(biāo)向量矩陣T。
所述網(wǎng)絡(luò)輸出模塊，如圖1中神的輸出模塊當(dāng)網(wǎng)絡(luò)訓(xùn)練結(jié)束之后，用sim函數(shù)來(lái)仿真神經(jīng)元網(wǎng)絡(luò)的輸出，從而與目標(biāo)輸出進(jìn)行比較，來(lái)檢驗(yàn)神經(jīng)元網(wǎng)絡(luò)的性能。函數(shù)postreg利用了線形回歸的方法分析了神經(jīng)元網(wǎng)絡(luò)輸出和目標(biāo)輸出的關(guān)系，即神經(jīng)元網(wǎng)絡(luò)輸出變化相對(duì)于目標(biāo)輸出變化的變化率，從而評(píng)估了神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練結(jié)果。
a＝sim(net，p)[m，b，r]＝postreg(a，t)
函數(shù)postreg返回了3個(gè)值，m和b分別表示最優(yōu)回歸直線的斜率和y軸截距，當(dāng)m等于1，b等于0的時(shí)候，神經(jīng)元網(wǎng)絡(luò)輸出和目標(biāo)輸出完全相同，此時(shí)的神經(jīng)元網(wǎng)絡(luò)具有最優(yōu)的性能。r表示網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù)，它越接近于1，表示網(wǎng)絡(luò)輸出與目標(biāo)輸出越接近，神經(jīng)元網(wǎng)絡(luò)性能越好。函數(shù)postreg顯示的圖形中，橫坐標(biāo)為目標(biāo)輸出，縱坐標(biāo)為網(wǎng)絡(luò)輸出， “。”表示數(shù)據(jù)，理想回歸直線(神經(jīng)元網(wǎng)絡(luò)輸出等于目標(biāo)輸出時(shí)的直線)由實(shí)線表示，最優(yōu)回歸直線由虛線表示。
在神經(jīng)元網(wǎng)絡(luò)輸出模塊中，分別給出各個(gè)輸出材性指標(biāo)的用來(lái)衡量神經(jīng)元網(wǎng)絡(luò)性能線性回歸圖形，輸出圖形如圖8所示，從仿真圖中可以看出其精度達(dá)到了98.999％。
最后將各項(xiàng)運(yùn)算的結(jié)果再通過(guò)相應(yīng)的控制設(shè)備，如溫度控制器、補(bǔ)充液體控制器等，對(duì)電沉積槽中的溶液進(jìn)行相應(yīng)的控制和調(diào)節(jié)，從而使金屬沉積槽中的溶液的各項(xiàng)參數(shù)保持穩(wěn)定，保證金屬電沉積的質(zhì)量。
權(quán)利要求
1.一種金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于包括以下步驟(1)參數(shù)輸入模塊，用于輸入金屬電沉積過(guò)程中沉積槽內(nèi)溶液的各項(xiàng)參數(shù)，包括濃度、溫度、pH值、攪拌速度、電流密度；(2)接口引擎模塊，用于傳遞數(shù)據(jù)和做運(yùn)算前的準(zhǔn)備；(3)后臺(tái)運(yùn)算模塊，通過(guò)神經(jīng)元網(wǎng)絡(luò)模型的非線性逼進(jìn)法計(jì)算出各項(xiàng)參數(shù)值；(4)輸出模塊，輸出運(yùn)算后的結(jié)果，并控制設(shè)備控制將運(yùn)算結(jié)果轉(zhuǎn)變?yōu)榱炕目刂啤?br> 2.根據(jù)權(quán)利要求1所述的金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于所述后臺(tái)運(yùn)算模塊采用Matlab作為后臺(tái)運(yùn)算引擎。
3.根據(jù)權(quán)利要求1或2所述的金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于所述后臺(tái)運(yùn)算模塊還包括以下過(guò)程(1)標(biāo)準(zhǔn)化處理過(guò)程；(2)通過(guò)神經(jīng)元網(wǎng)絡(luò)法進(jìn)行運(yùn)算過(guò)程。
4.根據(jù)權(quán)利要求1或2所述的金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于所述接口引擎模塊還包括一個(gè)開辟數(shù)據(jù)緩沖區(qū)模塊、一個(gè)數(shù)據(jù)格式轉(zhuǎn)換模塊和一個(gè)運(yùn)算文件的調(diào)用模塊，上述三個(gè)模塊次序不分先后。
5.根據(jù)權(quán)利要求1或2所述的金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于所述參數(shù)輸入模塊還包括一個(gè)參數(shù)校驗(yàn)和控制模塊，所述參數(shù)校驗(yàn)包括參數(shù)定義域控制模塊、參數(shù)步長(zhǎng)控制模塊、數(shù)據(jù)格式控制模塊，且上述三模塊順序不分先后。
6.根據(jù)權(quán)利要求1或2所述的金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于所述模塊輸入模塊中包括控制信息和數(shù)據(jù)信息，并負(fù)責(zé)對(duì)輸入的各項(xiàng)參數(shù)進(jìn)行校對(duì)。
7.根據(jù)權(quán)利要求1或2所述的金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法，其特征在于所述參數(shù)輸入模塊還包括一個(gè)輸入方式的詢問(wèn)過(guò)程，通過(guò)不同的輸入方式，進(jìn)入不同的輸入模塊，所述輸入方式中包括至少三個(gè)輸入模型。
全文摘要
本發(fā)明涉及一種實(shí)時(shí)控制的方法，具體來(lái)說(shuō)是在金屬電沉積過(guò)程中基于神經(jīng)元網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)控制的方法。本發(fā)明通過(guò)將金屬沉積槽中的各項(xiàng)參數(shù)實(shí)時(shí)的采集到系統(tǒng)中，再通過(guò)后臺(tái)運(yùn)算模塊計(jì)算出當(dāng)前沉積槽內(nèi)需要調(diào)節(jié)的各項(xiàng)參數(shù)的量，再通過(guò)輸出模塊對(duì)各項(xiàng)參數(shù)進(jìn)行調(diào)節(jié)。因此，本發(fā)明全面地把握了金屬沉積槽中溶液的濃度、溫度、pH值、攪拌速度、電流密度與其金屬沉積的品質(zhì)和補(bǔ)充各種溶質(zhì)的復(fù)雜非線性關(guān)系。另外，本發(fā)明采用的神元網(wǎng)絡(luò)算法，可以任意的逼進(jìn)非線性，即只要神經(jīng)元層數(shù)足夠多，便可以達(dá)到任意理想的結(jié)果。
文檔編號(hào)C25D21/12GK1699635SQ20051006649
公開日2005年11月23日 申請(qǐng)日期2005年4月25日 優(yōu)先權(quán)日2005年4月25日
發(fā)明者周玉成, 程放, 安源, 王金林, 李春生 申請(qǐng)人:周玉成