CN106527385B - 一种大批量led封装生产过程的品质控制方法 - Google Patents
一种大批量led封装生产过程的品质控制方法 Download PDFInfo
- Publication number
- CN106527385B CN106527385B CN201611179983.5A CN201611179983A CN106527385B CN 106527385 B CN106527385 B CN 106527385B CN 201611179983 A CN201611179983 A CN 201611179983A CN 106527385 B CN106527385 B CN 106527385B
- Authority
- CN
- China
- Prior art keywords
- led
- abnormal
- production process
- quality
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 125
- 238000003908 quality control method Methods 0.000 title claims abstract description 23
- 238000005538 encapsulation Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000000576 coating method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 239000011248 coating agent Substances 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000002547 anomalous effect Effects 0.000 claims abstract description 20
- 239000000843 powder Substances 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 241001269238 Data Species 0.000 claims abstract 3
- 230000005856 abnormality Effects 0.000 claims description 20
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000000889 atomisation Methods 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 238000007591 painting process Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31359—Object oriented model for fault, quality control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Led Device Packages (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种大批量LED封装生产过程的品质控制方法，该方法包括LED产品的离线分析和LED涂覆生产过程的在线监控。离线分析包括：采集LED产品的5个质量指标数据并进行预处理；利用多变量控制图判定产品质量是否异常；若异常，采用优化的支持向量机进行多变量异常源识别；采用Apriori算法分析识别的异常质量指标所关联的异常生产参数。涂覆生产过程在线监控包括：采集LED封装生产过程中荧光粉涂覆工艺的6个生产参数；利用多变量控制图判定生产过程是否异常；若异常，采用优化的支持向量机进行多变量异常源识别，确定异常参数。本发明提供了一种大批量LED封装生产过程的智能分析与检测方法，可有效解决LED封装生产过程的品质控制问题。
Description
技术领域
本发明涉及发光二极管(Light-Emitting Diode，LED)封装生产过程的智能分析领域，具体的说是指一种数据驱动的包括产品质量离线分析和生产过程在线监控的智能品质控制方法。
背景技术
发光二极管(LED)是一种直接把电能转换成光能的固态半导体发光器件。作为现代新型光源，LED具有长寿高效、节能环保等优点。LED封装工艺和制造流程主要包括固晶、键合、荧光粉涂覆、塑封成型、分光分色和测试分拣等。其中，荧光粉涂覆是实现大功率LED转换为白光LED，并直接影响LED发光效率、散热性、光均匀性等质量指标的关键工序。
当前对大批量LED封装生产过程中荧光粉涂覆工艺的控制大多仍采用机理建模的方法，通过建立荧光粉涂覆装置的物理模型对荧光粉涂层的相关参数进行计算，建模过程复杂，并且模型易受外界干扰。因此，有必要建立一种基于数据驱动的方法对荧光粉涂覆工艺与LED产品品质进行智能分析与控制。
随着数据库的广泛使用，利用海量数据挖掘隐含知识和关联规则可大幅提高生产效率。其中，Apriori是一种非常有影响力的关联规则挖掘算法，其利用迭代性质和数据集中频繁项集的性质寻找数据中不同项之间的关联规则。
支持向量机(Support Vector Machine，SVM)方法是一种建立在统计学习理论和结构风险最小理论上的机器学习模型，在非线性及高维模式识别中具有许多特有的优势。
发明内容
针对大批量LED封装生产过程中存在的物理模型复杂，易受干扰等问题，本发明的目的是：提供一种数据驱动的包括产品质量离线分析和生产过程在线监控的智能品质控制方法，实现对LED封装生产过程的智能分析与品质控制。
为实现上述目的，本发明提供如下技术方案。
一种大批量LED封装生产过程的品质控制方法，包括LED产品的离线分析和LED涂覆生产过程的在线监控。LED产品离线分析包括：采集LED的质量参数数据，使用多变量控制图识别异常状态；对于异常状态，采用优化的支持向量机识别异常源，确定异常质量指标，分析其关联的异常生产参数，并据此采取质量控制措施或者进行过程参数的调整。LED涂覆过程在线监控包括：采集生产过程参数数据，使用多变量控制图识别生产过程的异常状态；对于异常状态，采用优化的支持向量机方法识别异常源，确定异常生产参数，并据此进行生产参数调整。通过对LED涂覆过程数据和产品质量指标数据的分析，可识别和预测生产过程的异常状态，实现LED生产过程参数的及时调整和故障预防，以达到LED产品质量的控制。
进一步优化地，所述LED产品的离线分析模块包括以下步骤：
1、离线采集一批LED产品的光效、光强分布、LED结温、色温和色品坐标等5个质量指标的数据；
2、对质量指标数据进行预处理，以上述5个质量指标为特征维，利用多变量控制图判断产品质量是否异常；
3、若判定LED产品质量异常，采用优化的支持向量机方法进行多变量异常源识别，确定导致异常的一个或者多个质量指标及其异常模式；
4、采用Apriori算法对质量指标与生产过程参数进行关联分析。当步骤3判定出现异常时，通过采取提高LED具体品质指标的经验措施或者调整对应的过程参数，以达到LED品质控制的目的。
进一步优化地，所述LED涂覆生产过程的在线监控模块具体步骤如下：
1、选取LED封装生产过程中荧光粉涂覆工艺的荧光粉雾化喷头温度、直径，荧光粉雾化气压，荧光粉胶流速，荧光粉雾化喷头喷嘴距LED芯片表面的距离和荧光粉浆的单次喷涂量等6个生产参数为特征变量，采集生产数据；
2、以上述6个生产参数为特征维，利用多变量控制图判断生产过程是否异常；
3、若生产过程发生异常，则采用优化的支持向量机对异常状态进行多变量异常源识别，确定异常生产参数，并据此进行生产参数的调整。
进一步优化地，所述离线分析和在线监控的多变量控制图是指T2控制图，首先计算平均值，对于离线分析，计算所采集m组质量指标数据的平均值；对于在线监控，计算m组涂覆过程数据的平均值。然后计算协方差矩阵和各组数据的统计量。最后，计算上下控制限UCL和LCL，并以m为横轴，统计量为纵轴绘制T2控制图，判断是否出现质量异常或者生产异常。
所述离线检测模块采用Apriori算法对质量指标与生产过程参数进行关联分析，选取6个涂覆生产参数和5个质量指标参数为数据集的项，采集多组异常生产参数数据和质量指标数据，其中每组数据只包含异常生产数据和该异常生产状态下生产所得的LED产品的异常质量数据。分析各生产参数和质量指标同时出现的频次，得到异常生产参数与异常质量指标的关联规则，从而针对出现的质量问题检测和调整相关生产参数。
所述采用优化的支持向量机方法识别异常源是指对于异常质量指标或者异常涂覆过程，采用优化的支持向量机方法识别异常源，即识别异常质量指标参数及其异常模式，或者识别异常涂覆过程参数。包括以下步骤：
a、以LED产品的异常质量控制图模式为特征输入，5个质量指标为分类结果建立基本SVM模型；对于涂覆生产过程的异常源识别，则以异常生产状态为特征输入，6个生产过程参数为分类结果；
b、采用优化方法优化支持向量机模型的参数；
c、根据采集数据判断LED的异常质量指标或者异常涂覆过程参数。
本发明通过对LED涂覆过程数据和产品质量指标数据的分析，可识别和预测生产过程的异常状态，实现LED生产过程参数的及时调整和故障预防，以达到LED产品质量的控制。
本发明相对现有技术具有如下的积极优点和效果：
1.使用遗传算法对支持向量机参数进行优化，提高了支持向量机模型的泛化能力；采用优化的支持向量机方法对异常质量指标和异常生产参数进行识别，提高了生产的实时性和稳定性；。
2.采用Apriori算法对质量指标与涂覆过程参数进行关联分析，对于异常生产参数的决策具有重要的支持作用。
附图说明
图1为大批量LED封装生产过程的品质控制方法流程图；
图2为使用遗传算法优化支持向量机参数的原理框图；
图3为遗传算法的染色体结构；
图4为Apriori算法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细说明，但本发明可以根据权利要求限定和覆盖的多种不同方式实施，以下若有未特别详细说明之过程或符号，均是本领域技术人员可参照现有技术理解或实现的。
实施例
本发明提供一种大批量LED封装生产过程的品质控制方法，如图1所示，本实例包括LED产品的离线分析模块和LED涂覆生产过程的在线监控模块。LED产品离线分析模块采集LED的质量参数数据，使用多变量控制图识别异常状态；对于异常状态，采用优化的支持向量机识别异常源，确定异常质量指标，分析其关联的异常生产参数，并据此采取质量控制措施或者进行过程参数的调整。LED涂覆过程在线监控模块采集生产过程参数数据，使用多变量控制图识别生产过程的异常状态；对于异常状态，采用优化的支持向量机方法识别异常源，确定异常生产参数，并据此进行生产参数调整。通过对LED涂覆过程数据和产品质量指标数据的分析，可识别和预测生产过程的异常状态，实现LED生产过程参数的及时调整和故障预防，以达到LED产品质量的控制。
LED产品的离线分析模块包括以下步骤：
1、离线采集一批LED产品的光效、光强分布、LED结温、色温和色品坐标等5个质量指标的数据；
2、对质量指标数据进行预处理，以上述5个质量指标为特征维，利用多变量控制图判断产品质量是否异常；
3、若判定LED产品质量异常，采用优化的支持向量机方法进行多变量异常源识别，确定导致异常的一个或者多个质量指标及其异常模式。
4、采用Apriori算法对质量指标与生产过程参数进行关联分析。当步骤3判定出现异常时，通过采取提高LED具体品质指标的经验措施或者调整对应的生产过程参数，以达到LED品质控制的目的。
所述多变量控制图是指T2控制图，利用多变量控制图判断产品质量是否合格，包括以下步骤：
1对采集的m组数据xm×5，计算其平均值
2计算协方差矩阵统计量
式中，j、h＝1～5；
其中sjh表示属性j和h之间的协方差，Sm表示m组样本的协方差矩阵，为Sm的逆矩阵，Xi＝(xi1，xi2，…，xi5)。
3计算上下控制限UCL和LCL：
其中，p表示属性个数，此处p＝5；表示置信水平为α，第一自由度为第二自由度为的β分布。此处m表示样本数。
4以m为横轴，为纵轴绘制T2控制图，根据是否超过控制限判断是否出现异常。
所述Apriori算法对质量指标与生产过程参数进行关联分析，选取6个涂覆生产参数和5个质量指标参数为数据集的项，如图4所示，包括以下步骤：
1、采集多组异常涂覆过程数据和质量指标数据，其中每组数据只包含异常生产数据和该异常生产状态下生产的LED产品的异常质量数据；
2、对步骤1得到的数据集进行扫描，根据给定的最小支持度，选取所有的1-频繁项集，即只有一个项并且项的支持度大于最小支持度的子集；
3、对1-频繁项集的子集项目进行自组合得到2-候选项集，扫描2-候选项集，根据给定的最小支持度和最小置信度，选取2-频繁项集，重复上述操作直至得到规模最大的k-频繁项集；
4、对步骤3得到的m-频繁项集(m＝2，…，k)进行扫描，选取同时包含异常生产项和异常质量项的频繁项集。对离线模块中多变量控制图识别到的质量异常项，选取包含该异常项的频繁项集，检测频繁项集中的异常生产项，即为与该异常质量项相关的异常生产参数项。
LED涂覆生产过程的在线监控模块包括以下步骤：
1、选取LED封装生产过程中荧光粉涂覆工艺的荧光粉雾化喷头温度、直径，荧光粉雾化气压，荧光粉胶流速，荧光粉雾化喷头喷嘴距LED芯片表面的距离和荧光粉浆的单次喷涂量等6个生产参数为特征变量，采集生产数据；
2、以上述6个生产参数为特征维，利用多变量控制图判断生产过程是否异常；
3、若生产过程发生异常，则采用优化的支持向量机对异常状态进行多变量异常源识别，确定异常生产参数，并据此进行生产参数的调整。
采用优化的支持向量机方法分析产品参数数据，判断5个LED质量指标是否合格，包括以下步骤：
1、以LED产品的异常质量控制图模式为特征输入，5个质量指标为分类结果建立基本SVM模型；对于涂覆生产过程的异常源识别，则以异常生产状态为特征输入，6个生产过程参数为分类结果。
2、采用优化方法优化支持向量机模型的参数。使用遗传算法优化支持向量机的原理如图2所示。
将惩罚因子C、松弛变量ε和核参数γ等参数分别依据其精度要求进行二进制编码，每个二进制码为一个基因，上述参数的二进制码共同组成染色体，如图3所示，每个染色体代表支持向量机模型的一个潜在解。通过对染色体进行选择、交叉和变异等遗传操作对染色体进行更新，依据自然选择的“优胜劣汰”法则选择染色体。在迭代的过程中，若当前染色体(潜在解)未满足终止条件，则通过遗传操作更新染色体，并对新的染色体进行评价，重复上述操作直至满足终止条件，此时得到的染色体代表最优参数。设置终止条件为连续N次迭代未得到优于已有最优结果(即最高平均准确率)的染色体。
3、根据实时采集数据判断LED的异常质量指标或者异常涂覆过程参数。
通过对LED产品质量指标数据和涂覆过程数据的采集、检测与分析，可以对产品质量与生产异常状态进行监测分析，有效实现对LED封装生产过程的品质控制。
以上实施例仅用以说明本发明的技术方案，并不用于限制本发明，本领域的技术人员可以对本发明有各种更改和变化。本发明的保护范围应以权利要求所述为准。
Claims (6)
1.一种大批量LED封装生产过程的品质控制方法，其特征在于包括LED产品的离线分析和LED涂覆生产过程的在线监控；LED产品的离线分析包括：采集LED的质量指标数据，使用多变量控制图识别异常状态；对于异常状态，采用优化的支持向量机识别异常源，确定异常质量指标，分析其关联的异常生产参数，并据此采取质量控制措施或者进行生产参数的调整；LED涂覆生产过程的在线监控包括：采集生产参数数据，使用多变量控制图识别生产过程的异常状态；对于异常状态，采用优化的支持向量机方法识别异常源，确定异常生产参数，并据此进行生产参数调整；通过对LED涂覆生产过程生产参数数据和产品质量指标数据的分析，识别和预测生产过程的异常状态，实现LED生产参数的及时调整和故障预防，以达到LED产品质量的控制。
2.根据权利要求1所述的一种大批量LED封装生产过程的品质控制方法，其特征在于：所述LED产品的离线分析具体包括以下步骤：
步骤1.1，离线采集一批LED产品的光效、光强分布、LED结温、色温和色品坐标5个质量指标数据；
步骤1.2，对质量指标数据进行预处理，以所述5个质量指标为特征维，利用多变量控制图判断产品质量是否异常；
步骤1.3，若判定LED产品质量异常，采用优化的支持向量机方法进行多变量异常源识别，确定导致异常的一个或者多个质量指标数据及对应的异常模式；
步骤1.4，采用Apriori算法对质量指标数据与生产参数数据进行关联分析；当步骤1.3判定出现异常时，通过采取提高LED具体质量指标数据的经验措施或者调整对应的生产参数，达到LED品质控制的目的。
3.根据权利要求2所述的一种大批量LED封装生产过程的品质控制方法，其特征在于：LED涂覆生产过程的在线监控具体步骤如下：
步骤2.1，选取LED封装生产过程中荧光粉涂覆工艺的荧光粉雾化喷头温度、直径，荧光粉雾化气压，荧光粉胶流速，荧光粉雾化喷头喷嘴距LED芯片表面的距离和荧光粉浆的单次喷涂量6个生产参数为特征变量，采集生产参数数据；
步骤2.2，以所述6个生产参数为特征维，利用多变量控制图判断生产过程是否异常；
步骤2.3，若生产过程发生异常，则采用优化的支持向量机对异常状态进行多变量异常源识别，确定异常生产参数，并据此进行生产参数的调整。
4.根据权利要求2所述的一种大批量LED封装生产过程的品质控制方法，其特征在于：所述Apriori算法选取6个生产参数数据和5个质量指标数据为数据集的项，采集多组异常生产参数数据和质量指标数据，其中每组数据只包含异常生产参数和该异常生产状态下生产所得LED产品的异常质量指标；分析各生产参数数据和质量指标数据同时出现的频次，得到异常生产参数与异常质量指标的关联规则，从而针对出现的质量问题检测和调整相关生产参数，实现LED产品品质的控制。
5.根据权利要求1所述的一种大批量LED封装生产过程的品质控制方法，其特征在于：所述多变量控制图是指T2控制图，首先计算平均值，对于离线分析，计算所采集m组质量指标数据的平均值；对于在线监控，计算m组生产参数数据的平均值；然后计算协方差矩阵和各组数据的统计量；最后，计算上下控制限UCL和LCL，并以m为横轴，统计量为纵轴绘制T2控制图，判断是否出现质量异常或者生产异常。
6.根据权利要求1所述的一种大批量LED封装生产过程的品质控制方法，其特征在于所述采用优化的支持向量机方法识别异常源是指对于异常质量指标或者异常生产参数过程，采用优化的支持向量机方法识别异常源，识别异常质量指标参数及其异常模式，或者识别异常生产参数，具体包括以下步骤：
a、以LED产品的异常质量控制图模式为特征输入，5个质量指标数据为分类结果建立基本SVM模型，对于涂覆生产过程的异常源识别，则以异常生产状态为特征输入，6个生产过程参数为分类结果；
b、采用优化方法优化支持向量机模型的参数；
c、根据采集数据判断LED的异常质量指标数据或者异常生产参数。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610421160 | 2016-06-13 | ||
| CN2016104211602 | 2016-06-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106527385A CN106527385A (zh) | 2017-03-22 |
| CN106527385B true CN106527385B (zh) | 2019-10-18 |
Family
ID=58340505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611179983.5A Active CN106527385B (zh) | 2016-06-13 | 2016-12-19 | 一种大批量led封装生产过程的品质控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106527385B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108649106B (zh) * | 2018-04-24 | 2019-11-15 | 浙江云科智造科技有限公司 | 一种基于大数据技术的led生产工艺优化方法 |
| CN111258276A (zh) * | 2018-11-30 | 2020-06-09 | 深圳市永盛隆科技有限公司 | 芯片制造设备的监控方法、***和装置 |
| CN110581208B (zh) * | 2019-08-21 | 2021-06-08 | 华南理工大学 | 一种led封装过程的智能品质控制方法 |
| CN112229863A (zh) * | 2020-09-30 | 2021-01-15 | 上海海关工业品与原材料检测技术中心 | 一种铁矿石的原产国或品牌的鉴别方法 |
| CN113837544B (zh) * | 2021-08-24 | 2024-02-02 | 河北光兴半导体技术有限公司 | 基板玻璃生产质量管控装置、方法及处理器 |
| CN114819575A (zh) * | 2022-04-18 | 2022-07-29 | 中国兵器装备集团自动化研究所有限公司 | 一种多时间尺度数据融合的质量分析与优化方法及*** |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7517728B2 (en) * | 2004-03-31 | 2009-04-14 | Cree, Inc. | Semiconductor light emitting devices including a luminescent conversion element |
| CN101158693B (zh) * | 2007-09-26 | 2011-08-17 | 东北大学 | 基于多核独立元分析的批量生产过程故障检测方法 |
| CN102467089B (zh) * | 2010-11-10 | 2013-09-11 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 半导体工艺中的过程控制方法及*** |
| CN103268517A (zh) * | 2013-04-23 | 2013-08-28 | 重庆科技学院 | 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法 |
| CN103364707B (zh) * | 2013-08-05 | 2015-08-05 | 莆田学院 | 大功率led芯片封装质量检测方法 |
| CN105372581B (zh) * | 2015-11-18 | 2018-05-15 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析***及方法 |
-
2016
- 2016-12-19 CN CN201611179983.5A patent/CN106527385B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106527385A (zh) | 2017-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106527385B (zh) | 一种大批量led封装生产过程的品质控制方法 | |
| US11874650B2 (en) | Industrial internet of things system for automatic control of production line manufacturing parameters and control methods thereof | |
| Li et al. | On the norm of dominant difference for many-objective particle swarm optimization | |
| CN103488135B (zh) | 一种用于半导体生产加工过程监控的统计过程控制方法 | |
| CN105728220B (zh) | 一种高粘度荧光粉的雾化设备及其控制方法 | |
| CN114481077B (zh) | 一种金属镀膜自动化控制装置及其方法 | |
| CN109711659A (zh) | 一种工业生产的良率提升管理***和方法 | |
| CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
| CN110426956A (zh) | 一种基于过程迁移模型的间歇过程最优补偿控制策略 | |
| CN104516339A (zh) | 优化化工间歇生产操作的方法及经优化的生产操作*** | |
| CN111191712B (zh) | 基于梯度提升决策树的印染定型机能耗分类预测方法 | |
| CN103898621A (zh) | 基于多传感信息融合技术的电纺控制装置及其控制方法 | |
| CN105652781B (zh) | 一种基于旁路信息的plc安全监控方法 | |
| CN111752195A (zh) | 一种嵌入式工业物联网数据采集监控***及方法 | |
| TW201511151A (zh) | 半導體批次生產派工方法 | |
| CN105426965B (zh) | 一种应用于多目标区间遗传算法的排序方法 | |
| CN114169131A (zh) | 一种基于数字化多模式的模具制造*** | |
| Lenz et al. | Virtual metrology in semiconductor manufacturing by means of predictive machine learning models | |
| CN112329269B (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
| CN205613609U (zh) | 一种高粘度荧光粉的雾化设备 | |
| CN110084301A (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
| CN109345521A (zh) | 一种基于皮革表面缺陷检测的led自由曲面阵列 | |
| CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| CN106203526B (zh) | 基于多维特征的目标行为模式在线分类方法 | |
| Fan et al. | A novel automatic classification method based on the hybrid lightweight shunt network for sintered surfaces |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |