CN116150989A - 光伏组件制造方法和光伏组件 - Google Patents
光伏组件制造方法和光伏组件 Download PDFInfo
- Publication number
- CN116150989A CN116150989A CN202310110599.3A CN202310110599A CN116150989A CN 116150989 A CN116150989 A CN 116150989A CN 202310110599 A CN202310110599 A CN 202310110599A CN 116150989 A CN116150989 A CN 116150989A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- photovoltaic module
- models
- relation
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000013499 data model Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000002474 experimental method Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L31/00—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L31/18—Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了光伏组件制造方法和光伏组件，包括以下步骤：获取原始数据，建立数据模型；对所述数据模型中的数据样本进行过滤处理；对所述数据模型进行多维分析，得到特征值和模型输出结果的关系模型；根据所述特征值和所述模型输出结果的所述关系模型得到多个数据关系模型；获取样本数据，将所述样本数据代入到多个所述数据关系模型中，按照设定规则提取N个所述数据关系模型；确认所述数据关系模型，对N个所述数据关系模型输入参数，得到最优参数。本发明对数据进行大量的逻辑化处理省下大量时间成本，提高数据的准确率，省去耗时的大量重复劳动，使得数据样本的数量大大增加，使得计算的结果可信度提升显著并且任务进度可视化。
Description
技术领域
本发明涉及光伏组件制造技术领域，更具体地，涉及一种光伏组件制造方法和光伏组件。
背景技术
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，对数据加以详细研究和概括总结，提取有用信息和形成结论的过程。将收集来的数据加以汇总、理解和消化，以求最大化地开发数据的功能，发挥数据的作用。
目前，光伏组件制造领域的数据分析较为初级，基本由现场设备/工艺/生产人员人工进行，所产出的结果基本以初级的表格、基础图表展示(组件良率数据等)；针对数据量较大、数据复杂程度较高的情况，会出现数据处理时间长、数据准确性存在风险、计算过程出现数据重复计算、输出结果形式欠缺标准化、造成资源浪费和利用率低的问题，并且生产过程中缺乏预见性和整体性，只能分析手上现有的数据，难以在长期获取到的大量数据中，预见往后出现不合格和工损的情况，多条产线工艺之间的数据汇总困难，缺乏对整条产线的情况的分析。
发明内容
有鉴于此，本发明提供了一种光伏组件制造方法和光伏组件，避免重复劳动耗时，工作效率高，节省时间成本，适用性广，适用于各个模型。
本发明提供一种光伏组件制造方法，包括以下步骤：
获取原始数据，建立数据模型；
对所述数据模型中的数据样本进行过滤处理；
对过滤处理后的所述数据模型进行多维分析，得到特征值和模型输出结果的关系模型；
根据所述特征值和所述模型输出结果的所述关系模型得到多个数据关系模型；
获取样本数据，将所述样本数据代入到多个所述数据关系模型中，按照设定规则提取N个所述数据关系模型；
确认所述数据关系模型，对N个所述数据关系模型输入参数，得到最优参数。
可选的，所述对所述数据模型中的数据样本进行过滤处理和所述对过滤处理后的所述数据模型进行多维分析之间还包括：判断所述数据模型中的所述特征值的数量是否大于十个；若大于十个，则对所述数据模型进行数据降维处理；若不大于十个，则执行后续步骤。
可选的，所述得到最优参数之后还包括：把所述最优参数代入N个所述数据关系模型中，进行模拟仿真实验，得到实验结果报告。
可选的，所述得到实验结果报告之后还包括：将输出的所有报告和所有模型存入模型数据库。
可选的，所述将输出的所有报告和所有模型存入模型数据库之前还包括：进行实验验证；若进行实验，则进行实验验证得到实验结果，将所述实验结果和所述仿真实验得到的预测结果进行比较分析，输出实验报告和模型分析报告；若不进行实验验证，则对所有模型进行冻结。
可选的，所述降维处理，具体包括：主成分分析、多维缩放、线性判别分析、高相关滤波、低方差滤波、反向特征消除和前向特征构造。
可选的，获取原始数据，包括：选择数据源；所述数据源包括ClickHouse、Oracle和文件***；所述ClickHouse为用于练级分析处理的开源列式数据库，所述Oracle为关系数据库管理***。
可选的，所述对所述数据模型中的数据样本进行过滤处理，具体包括：针对数据模型处理数据样本中的缺失值、离散点和噪声。
可选的，所述按照设定规则提取N个所述数据关系模型，具体包括：提取所述数据关系模型中输出结果和实际结果之间平均绝对误差最小的N个数据关系模型。
可选的，N的取值范围为1-5。
可选的，所述原始数据包括：电池片上料数量、上料不合格数量、电池串数量、串反不合格数量、串反不合格类型、串反电池片工损数量、层反组件总数、层反不合格数量、层反不合格类型、层反电池片工损数量和成品组件数量。
可选的，所述数据关系模型包括：上料不合格数据模型、串反数据模型、层反数据模型、层反不良分布模型、组件成品率模型和功率分档数据模型。
本发明提供一种光伏组件，由上述所述的光伏组件制造方法制得。
与现有技术相比，本发明提供的一种光伏组件制造方法和光伏组件，至少实现了如下的有益效果：
本发明提供的一种光伏组件制造方法和光伏组件，该光伏组件制造方法可以依靠计算机从数据源连接，直接快速获取到所有的数据，依靠数据筛选降维方式，优化数据结构，根据存储在研发数据仓库中的数据模型，以及自定义新增的数据模型，整理展现整条光伏组件生产线及每道工序的数据报表和图片报表；并且可以在大数据的基础上，进行模拟运算，模拟出每道工序的成品率、不合格率和工损率的结果，利用计算机的高计算能力，减少人工的投入和重复性计算，提高计算效率和准确率。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本实施例提供的一种光伏组件制造方法的流程图；
图2是本实施例提供的又一种光伏组件制造方法的流程图；
图3是本实施例提供的一种光伏组件的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
参见图1和图2所示，图1是本实施例提供的一种光伏组件制造方法的流程图，图2是本实施例提供的又一种光伏组件制造方法的流程图；本实施例提供一种光伏组件制造方法，该光伏组件制造方法可以为光伏组件制造过程的数据分析方法，包括以下步骤：
S1，获取原始数据，建立数据模型；
具体的，获取原始数据，包括：选择数据源；原始数据为光伏组件生产过程中的数据；原始数据包括：电池片上料数量、上料不合格数量、电池串数量、串反不合格数量、串反不合格类型、串反电池片工损数量、层反组件总数、层反不合格数量、层反不合格类型、层反电池片工损数量和成品组件数量。具体而言，选择数据源导入原始数据，建立初步的数据模型；数据模型包括上料不合格数据模型、串反数据模型、层反数据模型、层反不良分布模型、组件成品率模型和功率分档数据模型。数据源包括ClickHouse数据库、Oracle数据库和文件***；ClickHouse为用于练级分析处理的开源列式数据库，用于提取大量数据时优化计算速度和计算方式；Oracle为关系数据库管理***，为存储原始数据的数据库***。ClickHouse和Oracle都是用于联机分析的列式数据库管理***。
本实施例仅以光伏电池片划片机上料不合格数量为例进行说明，可以理解的是，划片上料不合格率＝划片上料不合格电池片数/上料总数，反应该投料电池片批次的质量。其中的上料不合格电池片数为设备CCD/EL/PL模块判定不合格电池片的数量，上料总数即为划片机上料电池片整体数量。由于每一片电池在划片机的判定结果均通过划片机PLC上传至Oracle数据库中，然后通过ClickHouse进行查询分类，最终通过上料不合格模型进行计算以及输出(输出划片上料不合格率)。
S2，对数据模型中的数据样本进行过滤处理；
具体的，对数据模型中的数据样本进行过滤处理，具体包括：针对数据模型处理数据样本中的缺失值、离散点和噪声，对模型的数据样本进行过滤，排除异常的，不合理的数据，以免对模型分析造成不良的影响；
具体而言，针对数据样本中的缺失值处理，如果数据模型中的数据样本只有少数缺失值，可以使用平均值或中位数来替换缺失值；如果数据模型中的数据样本有大量缺失值，可以使用数据挖掘技术来预测缺失值；另外，也可以直接删除包含缺失值的行或列，数据缺失值具体处理方法可以根据数据的实际情况确定，本实施例对此不进行具体限定。
针对数据样本中的离散点处理，数据离散点处理采用如下步骤：1.检查数据离散点是否是异常值；如果是，则可能需要将它们替换为某些其他值，例如平均值、中位数或众数；2.将数据离散点分组，这可以通过使用聚类算法或类似的技术来实现；3.使用某种方法对每组数据离散点进行插值或拟合，例如，可以使用线性插值或曲线拟合来对数据进行插值或拟合；4.对插值或拟合的结果进行检验，以确保它们是合理的，这可以通过使用某种统计检验来实现；5.如果插值或拟合的结果是合理的，则可以将它们用于进一步分析或计算；数据离散点的处理方法可以根据数据类型来确定，本实施例对此不进行具体限定。
针对数据样本中的噪声处理，处理数据噪声的一般步骤如下：1.检查数据噪声的来源，这可以通过查看数据采集过程中的日志记录或使用数据探查技术来实现；2.确定数据噪声是否是可以接受的，例如，如果数据噪声是由于测量误差造成的，那么它可能是可以接受的；3.如果数据噪声是不可接受的，则可以使用滤波器或其他类似的技术来对数据进行清洗；4.对清洗后的数据进行检验，以确保它们是合理的，这可以通过使用某种统计检验来实现；5.如果清洗后的数据是合理的，则可以将它们用于进一步分析或计算；数据噪声的处理方法可以根据数据类型来确定，本实施例对此不进行具体限定。
S2-1，判断数据模型中的特征值的数量是否大于十个；若大于十个，则对数据模型进行数据降维处理；若不大于十个，则执行后续步骤。数据降维处理可以减少数据维度和需要的存储空间，节约模型训练计算时间，去掉冗余变量，提高算法的准确度，有利于数据可视化，如果当前模型的特征值大于十个，那么这个模型将被降维处理，去掉一些影响较小的特征值。
具体的，降维处理，具体包括主成分分析、多维缩放、线性判别分析、高相关滤波、低方差滤波、反向特征消除和前向特征构造。
具体而言，主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的数据降维技术，它的基本步骤如下：1.数据预处理：对数据进行标准化，以便更好地处理数据；2.计算数据的协方差矩阵，用来描述数据之间的相关性；3.计算协方差矩阵的特征值和特征向量，特征值表示每个特征向量对应的方差，特征向量表示对应的主成分；4.将特征向量按照特征值的大小进行排序，选取最大的几个特征值对应的特征向量，作为主成分；5.将原始数据投影到主成分空间中，即可得到降维后的数据。
多维缩放(MultidimensionalScaling,MDS)是一种数据可视化技术，它可以将多维数据投影到二维或三维空间中，便于人们直观地观察数据，它的基本步骤如下：1.数据预处理：需要将原始数据转化为两两数据之间的距离或相似性矩阵；2.计算距离或相似性矩阵的特征值和特征向量，特征值表示每个特征向量对应的方差，特征向量表示对应的维度；3.将特征向量按照特征值的大小进行排序，选取最大的几个特征值对应的特征向量，作为多维缩放的维度；4.将原始数据投影到所选取的维度上，即可得到降维后的数据；5.将降维后的数据绘制到二维或三维空间中，用于可视化分析。
线性判别分析(LinearDiscriminantAnalysis,LDA)是一种常用的数据降维技术，它可以将原始数据降维到一维或二维空间，从而便于人们进行数据分类，它的基本步骤如下：1.数据预处理：对数据进行标准化，以便更好地处理数据；2.计算每个类别的均值向量和协方差矩阵，并计算整个数据集的协方差矩阵；3.计算类内散度矩阵和类间散度矩阵；4.计算类内散度矩阵和类间散度矩阵的特征值和特征向量，并选取最大的特征值对应的特征向量作为线性判别的方向；5.将原始数据投影到线性判别的方向上，即可得到降维后的数据；6.对降维后的数据进行分类，从而实现对原始数据的分类。
S3，对过滤处理后的数据模型进行多维分析，得到特征值和模型输出结果的关系模型；
具体的，数据模型降维后通过多维分析，得到特征值和模型输出结果的关系模型；多维分析为现有的高级统计分析方法之一，包括对数据模型的操作进行数据模型特征值关联度的挖掘。数据模型的操作具体包括切片、切块、上卷、下钻和旋转。
S4，根据特征值和模型输出结果的关系模型得到多个数据关系模型；
本实施例通过多次程序运行得到输出多个数据关系模型，具体通过TensorFlow框架自动计算线性回归模型(即数据关系模型)，通过最小二乘法来计算模型的参数；降维后通过遍历组合各个特征值分析特征值变化对模型输出结果的影响，对其生成一个对应的线性关系以及一个数据的空间分布。
S5，获取样本数据，将样本数据代入到多个数据关系模型中，按照设定规则提取N个数据关系模型；
具体的，获取样本数据的数据源包括ClickHouse、Oracle和文件***。N的取值范围为1-5，N为自然数。具体的，若N的取值为1，则该数据关系模型归一性很好，模型规律性明确；若N的取值大于5则该数据关系模型规律性差，模型价值不高；因此，N的取值范围为1-5，能够保证数据关系模型的规律性和归一性；N可以取值为1、2、3、4或5。
S6，确认数据关系模型，对N个数据关系模型输入参数，得到最优参数。
具体的，利用计算机遍历步骤S2中处理后数据样本中的工艺制程参数，对N个数据关系模型输入数据关系模型的参数，带入步骤S5中的N个数据关系模型中与实际值进行比较，调整数据关系模型的输入参数，计算机遍历所有参数计算，根据最终产品的效果或客户的需要得出最优参数。
本实施例通过数据计算平台，搭建数据计算模型，动态的添加计算模块对数据模型进行流式处理，分析出影响数据模型的各个输入变量对数据的影响，导入到预测模型中，模拟数据模型输入条件变化的影响。利用数据计算模块(计算数据均值、数据分布、参数提升度等)的高度可配置性，例如根据需求添加不同组件工序的数据计算模型，数据处理的可视化操作，例如利用饼状图柱状图来展现不合格率，用分布图展现层反不良率分布等，数据计算模块之间高内聚低耦合，且具有很高的扩展性，数据处理流程的可视化流式处理操作，极大的简化了数据分析工作者对数据处理的操作流程，对模型进行数据处理流存储，极大的降低了人员的学习成本和能力要求。通过已有的数据模型原型得出对结果模型影响的程度，遍历所有数据点得出所有的模型结果，统计数据，分析出对数据结果影响最大的变量以及数据结果最优情况下各个变量的最佳区间。本发明通过数据处理算法，对数据进行大量的逻辑化处理，省下大量时间成本，并且提高数据的准确率，省去耗时的大量重复劳动，利用计算机，使得数据样本的数量大大增加，使得计算的结果可信度提升显著，并且任务进度可视化，可以更合理的安排时间，帮助研发工作者更好的分析数据，用计算机灵活的去挖掘数据的价值，使得企业的信息化程度实现跨越。应用到生产中，通过对研发数据仓库中数据的清洗，建立数据模型，通过定制的算法分析出数据模型的主成分属性，以及影响模型输出的输入条件，从而发现生产制造过程中的不足点，改善产品工艺的流程，产出更好的产品。
通过上述实施例可知，本实施例提供的一种光伏组件制造方法，至少实现了如下的有益效果：
本实施例提供的一种光伏组件制造方法，在组件制造过程中，每道工序都能获取到大量的数据，包括每道工序的上料原料数据、每道工序产生的工损数据、工序设备的设备状态数据、每道工序生产完成得到的成品数据等，产生的数据量非常庞大，单依靠人工的统计和计算相当困难，该光伏组件制造方法可以依靠计算机从数据源连接，直接快速获取到所有的数据，依靠数据筛选降维方式，优化数据结构，根据存储在研发数据仓库中的数据模型，以及自定义新增的数据模型，整理展现整条光伏组件生产线及每道工序的数据报表和图片报表；并且可以在大数据的基础上，进行模拟运算，模拟出每道工序的成品率、不合格率和工损率的结果，利用计算机的高计算能力，减少人工的投入和重复性计算，提高计算效率和准确率。
在一些可选的实施例中，继续参见图1所示，得到最优参数之后还包括：
S7，把最优参数代入N个数据关系模型中，进行模拟仿真实验，得到实验结果报告。
具体的，把得到的最优参数代入三个数据关系模型，通过计算机进行模拟仿真实验，输出对应的实验结果报告。仿真实验的目的是通过模拟真实环境来预测结果。这种方法可以让研究人员在不涉及实际实验的情况下进行分析和探究，能够帮助研究人员更好地理解和掌握产品。
S8，实验验证；若进行实验，则进行实验验证得到实验结果，将实验结果和仿真实验得到的预测结果进行比较分析，输出实验报告和模型分析报告；若不进行实验验证，则对所有模型进行冻结。
具体的，研究人员可以针对实验结果报告开展讨论会议，分析最优参数达成的可能性，根据讨论结果判断是否进行实验验证；具体为研究人员对“进行实验验证”和“不进行实验验证”进行投票，判断“进行实验验证”的票数是否多于“不进行实验验证”的票数，若“进行实验验证”的票数多，则进行实验验证；结合现实验证，可以方便的找到工序中可以改良的点，例如建立层反不良分布模型，根据根据已有的层反模型，可以预生成组件层反的不合格占比、层反电池片工损率和层反不良分布图，然后收集实际的层反数据，把实验结果和实际结果进行对比分析，输出实验报告和模型分析报告；若“不进行实验验证”的票数多，则不进行实验验证。
模型分析报告的内容可以包括模型参数和结果的线性关系、模型参数之间的关联、模型的主要成分和对结果的影响程度。实验报告的内容可以包括模型的最优参数。
S9，将输出的所有报告和所有模型存入模型数据库。
具体的，每次模拟实验生成的实验数据，得到的实验结果报告和实验过程，存入到数据库中，归档留存。
在一些可选的实施例中，继续参见图1所示，按照设定规则提取N个数据关系模型，具体包括：提取数据关系模型中输出结果和实际结果之间平均绝对误差最小的N个数据关系模型。
具体的，提取数据关系模型中输出结果和实际结果之间平均绝对误差最小的N个数据关系模型，根据最终产品的效果或客户的需要，输出结果通过模型预测得出，实际结果为当前实际生产线的实验数据。例如，功率模型中，组件按照功率进行分档，功率是由多个数据经过计算得出，通过模型分析，可以展示出影响功率变化的突出参数(如开路电压Voc、短路电流Isc、填充因子FF等)，用于后续工序改良。
图3是本实施例提供的一种光伏组件的结构示意图；本实施例还提供一种光伏组件，由上述光伏组件制造方法制得。
具体的，该光伏组件包括叠层设置的正封装层1、第一粘接层2、电池片层3、第二粘接层4和背封装层5。该光伏组件可以通过上述光伏组件制造方法制得，在组件制造过程中进行模拟运算，模拟出每道工序的成品率、不合格率和工损率的结果，可以方便的找到工序中可以改良的点，利用计算机的高计算能力，减少人工的投入和重复性计算，提高计算效率和准确率。
通过上述发明可知，本发明提供的一种光伏组件制造方法和光伏组件，至少实现了如下的有益效果：
本发明提供的一种光伏组件制造方法和光伏组件，该光伏组件制造方法可以依靠计算机从数据源连接，直接快速获取到所有的数据，依靠数据筛选降维方式，优化数据结构，根据存储在研发数据仓库中的数据模型，以及自定义新增的数据模型，整理展现整条光伏组件生产线及每道工序的数据报表和图片报表；并且可以在大数据的基础上，进行模拟运算，模拟出每道工序的成品率、不合格率和工损率的结果，利用计算机的高计算能力，减少人工的投入和重复性计算，提高计算效率和准确率。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (13)
1.一种光伏组件制造方法，其特征在于，包括以下步骤：
获取原始数据，建立数据模型；
对所述数据模型中的数据样本进行过滤处理；
对过滤处理后的所述数据模型进行多维分析，得到特征值和模型输出结果的关系模型；
根据所述特征值和所述模型输出结果的所述关系模型得到多个数据关系模型；
获取样本数据，将所述样本数据代入到多个所述数据关系模型中，按照设定规则提取N个所述数据关系模型；确认所述数据关系模型，对N个所述数据关系模型输入参数，得到最优参数。
2.根据权利要求1所述的一种光伏组件制造方法，其特征在于，所述对所述数据模型中的数据样本进行过滤处理和所述对过滤处理后的所述数据模型进行多维分析之间还包括：判断所述数据模型中的所述特征值的数量是否大于十个；若大于十个，则对所述数据模型进行数据降维处理；若不大于十个，则执行后续步骤。
3.根据权利要求2所述的一种光伏组件制造方法，其特征在于，所述得到最优参数之后还包括：把所述最优参数代入N个所述数据关系模型中，进行模拟仿真实验，得到实验结果报告。
4.根据权利要求3所述的一种光伏组件制造方法，其特征在于，所述得到实验结果报告之后还包括：将输出的所有报告和所有模型存入模型数据库。
5.根据权利要求4所述的一种光伏组件制造方法，其特征在于，所述将输出的所有报告和所有模型存入模型数据库之前还包括：进行实验验证；若进行实验，则进行实验验证得到实验结果，将所述实验结果和所述仿真实验得到的预测结果进行比较分析，输出实验报告和模型分析报告；若不进行实验验证，则对所有模型进行冻结。
6.根据权利要求2所述的一种光伏组件制造方法，其特征在于，所述降维处理，具体包括：主成分分析、多维缩放、线性判别分析、高相关滤波、低方差滤波、反向特征消除和前向特征构造。
7.根据权利要求1所述的一种光伏组件制造方法，其特征在于，获取原始数据，包括：选择数据源；所述数据源包括ClickHouse、Oracle和文件***；所述ClickHouse为用于练级分析处理的开源列式数据库，所述Oracle为关系数据库管理***。
8.根据权利要求1所述的一种光伏组件制造方法，其特征在于，所述对所述数据模型中的数据样本进行过滤处理，具体包括：针对数据模型处理数据样本中的缺失值、离散点和噪声。
9.根据权利要求1所述的一种光伏组件制造方法，其特征在于，所述按照设定规则提取N个所述数据关系模型，具体包括：提取所述数据关系模型中输出结果和实际结果之间平均绝对误差最小的N个数据关系模型。
10.根据权利要求1所述的一种光伏组件制造方法，其特征在于，N的取值范围为1-5。
11.根据权利要求1所述的一种光伏组件制造方法，其特征在于，所述原始数据包括：电池片上料数量、上料不合格数量、电池串数量、串反不合格数量、串反不合格类型、串反电池片工损数量、层反组件总数、层反不合格数量、层反不合格类型、层反电池片工损数量和成品组件数量。
12.根据权利要求1-11任一项所述的一种光伏组件制造方法，其特征在于，所述数据模型包括：上料不合格数据模型、串反数据模型、层反数据模型、层反不良分布模型、组件成品率模型和功率分档数据模型。
13.一种光伏组件，其特征在于，由权利要求12所述的光伏组件制造方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310110599.3A CN116150989A (zh) | 2023-01-16 | 2023-01-16 | 光伏组件制造方法和光伏组件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310110599.3A CN116150989A (zh) | 2023-01-16 | 2023-01-16 | 光伏组件制造方法和光伏组件 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116150989A true CN116150989A (zh) | 2023-05-23 |
Family
ID=86373100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310110599.3A Pending CN116150989A (zh) | 2023-01-16 | 2023-01-16 | 光伏组件制造方法和光伏组件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116150989A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574176A (zh) * | 2024-01-12 | 2024-02-20 | 江苏无双新能源科技有限公司 | 一种bipv光伏玻璃生产工艺优化方法 |
-
2023
- 2023-01-16 CN CN202310110599.3A patent/CN116150989A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574176A (zh) * | 2024-01-12 | 2024-02-20 | 江苏无双新能源科技有限公司 | 一种bipv光伏玻璃生产工艺优化方法 |
| CN117574176B (zh) * | 2024-01-12 | 2024-04-09 | 江苏无双新能源科技有限公司 | 一种bipv光伏玻璃生产工艺优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711659B (zh) | 一种工业生产的良率提升管理***和方法 | |
| CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
| CN111340063B (zh) | 一种磨煤机数据异常检测方法 | |
| CN107451666A (zh) | 基于大数据分析的断路器装配质量问题追溯***和方法 | |
| CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
| CN108491991B (zh) | 基于工业大数据产品工期的约束条件分析***与方法 | |
| CN108170769A (zh) | 一种基于决策树算法的装配制造质量数据处理方法 | |
| CN108363678B (zh) | 一种用于燃料电池电堆测试数据快速自动处理*** | |
| CN111242363A (zh) | 一种基于机器学习的pcb板订单合拼与排版预测方法及*** | |
| CN116150989A (zh) | 光伏组件制造方法和光伏组件 | |
| Massaro et al. | Advanced process defect monitoring model and prediction improvement by artificial neural network in kitchen manufacturing industry: A case of study | |
| CN114331308A (zh) | 一种基于电力大数据的自贸区发展分析***及其构建方法 | |
| CN105574039A (zh) | 一种晶圆测试数据的处理方法及*** | |
| CN114091347A (zh) | 一种电子元器件寿命预测方法 | |
| CN115756919B (zh) | 一种面向多维数据的根因定位方法及*** | |
| CN105843891A (zh) | 一种增量式的在线特征提取分析方法及*** | |
| CN103268329B (zh) | 等离子显示屏制造过程数据挖掘*** | |
| CN110471279B (zh) | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及*** | |
| CN111027799A (zh) | 一种国企产能分析*** | |
| CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
| CN114116831B (zh) | 一种大数据挖掘处理方法及装置 | |
| CN115438033A (zh) | 一种数字孪生运维数据质量检验方法 | |
| Yang et al. | Research on data analysis and Quality Control based on P control chart | |
| CN112732773A (zh) | 一种继电保护缺陷数据的唯一性校核方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |