本發(fā)明涉及數(shù)據(jù)預測，特別是涉及一種固晶機熱誤差預測方法、裝置、設備及存儲介質。

背景技術：

1、近年來，我國已經成為全球最大的半導體設備需求市場。固晶機是半導體芯片封裝測試及發(fā)光二極管芯片封裝測試生產線上關鍵的核心設備之一，是一種高速度和高精度設備。提升固晶機精度不僅是技術革新的重要標志，更是推動制造業(yè)邁向高質量發(fā)展和可持續(xù)進步的核心驅動力。固晶機的精度受到多種因素的綜合影響，其中主要包括幾何誤差、熱誤差和振動誤差等。

2、直線式固晶機是固晶機的一種，其在結構形式、運動方式與三軸數(shù)控機床或三坐標測量機相似，但是在運動特性、熱態(tài)特性等方面不同。固晶機主要功能是取晶和固晶，強調二者位置的定位精度，以及對uph(每小時生產的芯片數(shù)量)有嚴格的要求。固晶機本身就是超精密設備，幾何誤差影響較小，而在考慮高效率的下高速以及快速的往復運動，使得熱誤差是成為了影響直線式固晶機精度最主要的因素。大量的研究發(fā)現(xiàn)，熱變形引起的誤差占機床總加工誤差的40％～70％，并且精度等級越高的機床其熱誤差所占總誤差的比重就越大，這種情況對于直線式固晶機會只會更嚴重。

3、現(xiàn)有技術中，通常采用cnn模型對熱誤差進行預測，但是cnn記憶單元呈現(xiàn)出靜態(tài)特性，主要聚焦于當前輸入數(shù)據(jù)的特征提取，缺乏隨時間變化的更新機制。因此在通過cnn模型進行熱誤差預測時，其預測準確性較低。

技術實現(xiàn)思路

1、本發(fā)明提供了一種固晶機熱誤差預測方法、裝置、設備及存儲介質，解決了現(xiàn)有cnn模型進行熱誤差預測時，其預測準確性較低的問題。

2、第一方面，本發(fā)明提供一種固晶機熱誤差預測方法，包括以下步驟：

3、采集固晶機的多組溫度數(shù)據(jù)，獲取多組溫度數(shù)據(jù)對應的熱誤差；

4、在cnn模型中加入多個lstm層和注意力層，得到初始熱誤差預測模型；通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練，得到熱誤差預測模型；

5、將待預測的溫度數(shù)據(jù)輸入至熱誤差預測模型，通過cnn層對待預測的溫度數(shù)據(jù)進行特征提取，得到溫度特征；通過多個lstm層對溫度特征進行時序特征進行提取，得到全局特征；通過注意力層對全局特征進行加權求和以及映射，得到熱誤差。

6、優(yōu)選的，在固晶機的x軸不同位置設置溫度傳感器，每個溫度傳感器均采集一組溫度數(shù)據(jù)，通過聚類算法對每組溫度數(shù)據(jù)進行聚類，得到多個敏感溫度。

7、優(yōu)選的，所述獲取多組溫度數(shù)據(jù)對應的熱誤差，包括以下步驟：

8、在固晶機的x軸選定起始點和終止點，并獲取起始點和終止點之間的第一距離；

9、根據(jù)x軸焊頭的運行速度獲取其經過第一距離的理論時間；

10、當焊頭在運行過程中，以起始點的位置開始計時，當經過理論時間后，獲取焊頭與起始點之間的第二距離；

11、當固晶機剛開機時，獲取第二距離與第一距離之間的差值，該差值為幾何誤差；

12、在不同的敏感溫度下，獲取對應的第二距離與第一距離之間的差值，得到對應定位誤差；

13、將多個定位誤差與幾何誤差相減，得到多個熱誤差。

14、優(yōu)選的，所述通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練之前，還包括對初始熱誤差預測模型的模型參數(shù)進行優(yōu)化，該優(yōu)化過程具體包括以下步驟：

15、將不同的模型參數(shù)作為一個個體，生成種群數(shù)量三分之一的個體；將多個個體作為第一頂點，所述模型參數(shù)包括隱藏層節(jié)點數(shù)、初始學習率以及l(fā)2正則化系數(shù)；

16、以多個第一頂點為起始點，在球面坐標系中定義一個方向矢量，將方向矢量進行坐標轉換，得到第二頂點；將該方向矢量逆時針旋轉60度后再進行坐標轉換，得到第三頂點；第一頂點、第二頂點和第三頂點形成一個三角形拓撲單元；

17、在每個三角形拓撲單元內以線性加權的方式形成第四頂點；

18、獲取每個三角形拓撲單元內所有頂點的適應度值并進行排序，得到每個三角形拓撲單元中的最優(yōu)個體，同時隨機選取單元集中的最佳個體；

19、根據(jù)每個三角形拓撲單元的最優(yōu)個體和隨機選取單元集中的最佳個體獲取新的個體；并通過貪婪算法對最優(yōu)個體和次優(yōu)個體進行更新；

20、通過更新后的最優(yōu)個體和次優(yōu)個體獲取新頂點；

21、根據(jù)新頂點對最新的個體進行更新，得到最佳隱藏層節(jié)點數(shù)、最佳初始學習率以及最佳l2正則化系數(shù)。

22、優(yōu)選的，所述通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練，包括以下步驟：

23、將每組溫度數(shù)據(jù)輸入至優(yōu)化熱誤差預測模型，得到對應的輸出；

24、將該輸出和該組溫度數(shù)據(jù)對應的熱誤差之間的差值進行反向傳播，對優(yōu)化熱誤差預測模型進行訓練。

25、優(yōu)選的，所述對初始熱誤差預測模型的模型參數(shù)進行優(yōu)化之前，還需對熱誤差進行濾波處理。

26、第二方面，本發(fā)明還提供一種固晶機熱誤差預測裝置，包括：

27、獲取模塊，用于采集固晶機的多組溫度數(shù)據(jù)，獲取多組溫度數(shù)據(jù)對應的熱誤差；

28、構建模塊，用于在cnn模型中加入多個lstm層和注意力層，得到初始熱誤差預測模型；通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練，得到熱誤差預測模型；

29、預測模塊，用于將待預測的溫度數(shù)據(jù)輸入至熱誤差預測模型，通過cnn層對待預測的溫度數(shù)據(jù)進行特征提取，得到溫度特征；通過多個lstm層對溫度特征進行時序特征進行提取，得到全局特征；通過注意力層對全局特征進行加權求和以及映射，得到熱誤差。

30、第三方面，本發(fā)明還提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的固晶機熱誤差預測方法。

31、第四方面，本發(fā)明還提供一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的固晶機熱誤差預測方法。

32、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

33、本發(fā)明在cnn模型中加入多個lstm層和注意力層，得到初始熱誤差預測模型，通過cnn層對待預測的溫度數(shù)據(jù)進行特征提取，得到溫度特征；通過多個lstm層對溫度特征進行時序特征進行提取，得到全局特征。本發(fā)明將cnn與lstm相結合，能夠實現(xiàn)對數(shù)據(jù)空間特征和時間序列特征的全面提取，進而更精確地描述和理解數(shù)據(jù)的復雜模式。通過注意力層對全局特征進行加權求和以及映射，在模型中融入注意力attention機制后，能夠靈活應對不同的數(shù)據(jù)分布和模式。最后通過多組溫度數(shù)據(jù)與對應的定位誤差對優(yōu)化熱誤差預測模型進行訓練，得到熱誤差預測模型。大大提高了熱誤差的預測準確性。

技術特征：

1.一種固晶機熱誤差預測方法，其特征在于，包括以下步驟：

2.如權利要求1所述的一種固晶機熱誤差預測方法，其特征在于，在固晶機的x軸不同位置設置溫度傳感器，每個溫度傳感器均采集一組溫度數(shù)據(jù)，通過聚類算法對每組溫度數(shù)據(jù)進行聚類，得到多個敏感溫度。

3.如權利要求2所述的一種固晶機熱誤差預測方法，其特征在于，所述獲取多組溫度數(shù)據(jù)對應的熱誤差，包括以下步驟：

4.如權利要求1所述的一種固晶機熱誤差預測方法，其特征在于，所述通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練之前，還包括對初始熱誤差預測模型的模型參數(shù)進行優(yōu)化，該優(yōu)化過程具體包括以下步驟：

5.如權利要求1所述的一種固晶機熱誤差預測方法，其特征在于，所述通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練，包括以下步驟：

6.如權利要求5所述的一種固晶機熱誤差預測方法，其特征在于，所述對初始熱誤差預測模型的模型參數(shù)進行優(yōu)化之前，還需對熱誤差進行濾波處理。

7.一種固晶機熱誤差預測裝置，其特征在于，包括：

8.一種計算機設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述權利要求1-6任一所述的固晶機熱誤差預測方法。

9.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述權利要求1-6任一項所述的固晶機熱誤差預測方法。

技術總結
本發(fā)明公開了一種固晶機熱誤差預測方法、裝置、設備及存儲介質，涉及數(shù)據(jù)預測技術領域，包括以下步驟：采集固晶機的多組溫度數(shù)據(jù)，獲取多組溫度數(shù)據(jù)對應的熱誤差；在CNN模型中加入多個LSTM層和注意力層，得到初始熱誤差預測模型；通過多組溫度數(shù)據(jù)與對應的熱誤差對初始熱誤差預測模型進行訓練，得到熱誤差預測模型；將待預測的溫度數(shù)據(jù)輸入至熱誤差預測模型，通過CNN層對待預測的溫度數(shù)據(jù)進行特征提取，得到溫度特征；通過多個LSTM層對溫度特征進行時序特征進行提取，得到全局特征；通過注意力層對全局特征進行加權求和以及映射，得到熱誤差。本發(fā)明將CNN、LSTM和注意力層相結合，大大提高了熱誤差的預測準確性。

技術研發(fā)人員：李陽,王佳奇,王詩淇,梁福生,樊成,黎凱
受保護的技術使用者：東北電力大學
技術研發(fā)日：
技術公布日：2025/1/9