-
公开(公告)号：CN105223782A
公开(公告)日：2016-01-06
申请号：CN201410805067.2
申请日：2014-12-23
Applicant: 清华大学
IPC: G03F7/20
Abstract: 基于商空间和知识源融合的光刻工序套刻指标预报方法，属于先进制造、自动化和信息领域，其特征在于，针对微电子生产线中光刻设备套刻不准导致产品返工的问题，提出一种基于商空间和知识源融合的光刻工序套刻指标预报方法。首先，将晶圆的多个套刻指标的历史数据作为不同的知识源；并将其融合得到一个待优化的知识源融合模型，该模型的输出为上述多个套刻指标；然后，将上述模型进行极分解得到三个低秩因子，并对每一个低秩因子进行对称变换得到等价类因子；最后，在商空间使用交替方向最优化策略对每一个等价类因子进行优化，通过上述对知识源融合模型的优化过程可实现对多个套刻指标的协同建模。本发明方法可用于对多个套刻指标进行联合预报。
-
公开(公告)号：CN104598720A
公开(公告)日：2015-05-06
申请号：CN201410805040.3
申请日：2014-12-23
Applicant: 清华大学
IPC: G06F19/00
Abstract: 基于聚类和多任务学习的化学机械研磨时间设定方法，属于自动控制、信息技术和先进制造领域，其特征在于，为实现多品种混合下微电子制造过程化学机械研磨时间优化设定，本方法将工艺指标及产品状态作为输入，影响工艺指标的关键因素-研磨时间作为输出建立逆向模型用于对研磨时间进行优化设定。在构建上述逆向模型过程中，针对生产品种种类多，单个品种数据少的问题，将相似品种按产品特征进行聚类，在每个类别中采用基于共有参数提取的多任务学习方法进行建模；所计算出的模型参数分为本类品种共有部分和单品种私有部分。
-
公开(公告)号：CN104537167A
公开(公告)日：2015-04-22
申请号：CN201410805087.X
申请日：2014-12-23
Applicant: 清华大学
IPC: G06F17/50
Abstract: 基于鲁棒区间极限学习机的区间型指标预报方法，属于自动控制、信息技术和先进制造领域，具体涉及针对不确定环境下的生产过程，数据包含异常点且指标可采用区间数描述的生产指标预报问题，提出一种区间型指标预报方法。其特征在于包括以下步骤：采用区间极限学习机构建区间上界模型和下界模型，并构建了一个优化问题对上述两个模型的参数进行优化，该优化问题的目标函数中同时考虑了模型复杂度、模型中心误差、模型区间误差。为减少异常点对指标预报性能的影响，采用鲁棒统计学中最小中位数平方法对初始训练数据集中的异常点进行处理以确定子训练数据集。本发明方法可用于数据中含异常点的区间型生产指标预报。
-
公开(公告)号：CN101334637A
公开(公告)日：2008-12-31
申请号：CN200810114731.3
申请日：2008-06-11
Applicant: 清华大学
Abstract: 一种基于流模型的机器组负载预测控制方法，属于自动控制、信息技术和先进制造领域，具体涉及在具有前后两道瓶颈工序且每道瓶颈工序存在多组机器组的复杂生产制造过程中对后道瓶颈工序各机器组负载的预测控制方法，其特征在于包括以下步骤：后道瓶颈工序中机器组负载的定时采样、后道瓶颈工序机器组负载期望值确定、后道瓶颈工序机器组负载d阶预测控制模型建立和前道瓶颈工序机器组控制参数求取。本发明基于流模型和自适应神经模糊推理系统建立后道瓶颈工序各机器组负载预测控制模型，并以后道瓶颈工序各机器组实际负载与期望负载之差的平方和最小为优化控制目标，采用拉格朗日松弛方法，给出前道瓶颈工序各机器组的任务输出率，以提高生产性能。
-
公开(公告)号：CN117899960A
公开(公告)日：2024-04-19
申请号：CN202211277081.0
申请日：2022-10-18
Applicant: 清华大学
Abstract: 本发明公开了一种用于微流控芯片中介质连续变换的倾斜装置及方法，属于微流控和自动控制领域，包括：底座以及固定在底座两侧的支撑板；工作台，工作台与两侧支撑板之间采用转动连接方式，并设置有用于固定微流控芯片的固定组件；支撑板上开设有偶数个对称分布的固定孔，固定孔内均设置有柱塞弹簧，柱塞弹簧轴间距等于工作台的厚度；并在两相变换介质间引入过渡介质，该过渡介质能分别与变换介质相溶或相混。本申请公开的一种用于微流控芯片中介质连续变换的倾斜装置及方法，旨在使微流控芯片可以无位移地固定在不同倾斜角度，并提供可使得多相介质以不同流动次序、不同混合尺寸方式连续变化的可调节外力。
-
Patent Agency Ranking
公开(公告)号：CN110672621A
公开(公告)日：2020-01-10
申请号：CN201910960131.7
申请日：2019-10-10
Applicant: 清华大学
IPC: G01N21/88
Abstract: 本发明实施例提供一种基于光照亮度调整的汽车涂装表面缺陷图像质量优化方法，该方法包括：针对不确定成像条件下汽车涂装表面缺陷图像出现的光照不均匀问题，提出一种基于光照亮度两阶段快速调整的图像质量优化方法。该方法首先在第一阶段采用支持向量回归算法，通过光源位置预测其光照亮度等级值，将光照亮度调整到预测值；然后，在第二阶段采集汽车涂装表面缺陷图像，通过光照不均匀度评估算法计算图像的光照不均匀度值，以最小化图像光照不均匀度值为优化目标，迭代调整光照亮度。本发明应用于汽车涂装表面缺陷检测过程，可显著改善光照不均匀的汽车涂装表面缺陷图像的质量。
-
公开(公告)号：CN104537033B
公开(公告)日：2017-08-11
申请号：CN201410805036.7
申请日：2014-12-23
Applicant: 清华大学
CPC classification number: G06F16/00
Abstract: 基于贝叶斯网络和极限学习机的区间型指标预报方法，属于自动控制、信息技术和先进制造领域，具体涉及非对称高斯分布贝叶斯ELM模型参数的学习及非对称权重的自适应调整。其特征在于包括以下步骤：针对复杂生产过程不确定性特点，采用区间数来描述生产指标，将非对称高斯分布作为ELM模型中的输出分布，获得带权重贝叶斯ELM模型，并利用复杂生产过程中的实际运行数据，在经验贝叶斯框架下对上述贝叶斯ELM模型的参数进行学习。在此基础上，采用自适应调整方法学习一对互为倒数的权重，最终获得区间型指标的预报值。上述区间型指标预报方法可对实际生产过程中的生产指标进行预报，并用于指导生产过程的操作优化与动态调度。
-
公开(公告)号：CN106773682A
公开(公告)日：2017-05-31
申请号：CN201611104398.9
申请日：2016-12-05
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
Abstract: 本发明涉及一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，属于自动控制、信息技术和先进制造领域，其特征在于，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。
-
公开(公告)号：CN106599911A
公开(公告)日：2017-04-26
申请号：CN201611104399.3
申请日：2016-12-05
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
Abstract: 本发明涉及一种基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法，属于先进制造、自动化和图像处理技术领域，其特征在于，针对玻璃熔窑恶劣生产环境(如粉尘、油污、高温等)下火焰图像所具有的大噪声、存在像素丢失和清晰度低等特点，提出一种基于线性群和广义特征优化的玻璃熔窑火焰识别方法。首先将不完备的玻璃熔窑火焰信息进行线性群变换，并利用矩阵完备方法对线性群变换后的不完备火焰信息进行恢复，从而得到完备的火焰图像；然后，将完备后的火焰图像信息映射到广义特征空间，在广义特征空间中根据近邻规则对火焰状态进行识别。本发明可有效应用于识别玻璃熔窑火焰，以优化玻璃熔窑燃烧状况。
-
公开(公告)号：CN104537033A
公开(公告)日：2015-04-22
申请号：CN201410805036.7
申请日：2014-12-23
Applicant: 清华大学
Abstract: 基于贝叶斯网络和极限学习机的区间型指标预报方法，属于自动控制、信息技术和先进制造领域，具体涉及非对称高斯分布贝叶斯ELM模型参数的学习及非对称权重的自适应调整。其特征在于包括以下步骤：针对复杂生产过程不确定性特点，采用区间数来描述生产指标，将非对称高斯分布作为ELM模型中的输出分布，获得带权重贝叶斯ELM模型，并利用复杂生产过程中的实际运行数据，在经验贝叶斯框架下对上述贝叶斯ELM模型的参数进行学习。在此基础上，采用自适应调整方法学习一对互为倒数的权重，最终获得区间型指标的预报值。上述区间型指标预报方法可对实际生产过程中的生产指标进行预报，并用于指导生产过程的操作优化与动态调度。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.053 seconds)
