一种基于K-RVFL的固化热过程时空建模方法技术

本发明专利技术公开了一种基于K‑RVFL的固化热过程时空建模方法，步骤一，搭建芯片固化炉温度控制平台，步骤二，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，步骤三，通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数，步骤四，使用基于核函数的随机向量函数连接网络(即K‑RVFL网络)逼近常微分方程模型。从而，温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。与神经网络系统和最小二乘支持向量机(LS‑SVM)比较起来,本模型有更高的模型预测精度和更快的建模速度。

A spatiotemporal modeling method for solidification thermal process based on K-RVFL

The invention discloses a space-time modeling method of solidification heat process based on K_RVFL. The first step is to build a temperature control platform of the chip solidification furnace. The second step is to obtain the time-space data of temperature distribution of the chip solidification furnace in the solidification state. The third step is to learn one by PCA algorithm (principal component analysis algorithm). A set of spatial basis functions representing spatial nonlinearity is constructed. Step 4, a kernel-based stochastic vector function connection network (K RVFL network) is used to approximate the ordinary differential equation model. Thus, the dynamic model of temperature distribution can be established on a graph with time and space as the coordinate axis. Compared with neural network system and least squares support vector machine (LS_SVM), this model has higher prediction accuracy and faster modeling speed.

【技术实现步骤摘要】
一种基于K-RVFL的固化热过程时空建模方法
本专利技术涉及固化热过程建模领域，尤其涉及一种基于K-RVFL的固化热过程时空建模方法。
技术介绍
在芯片封装过程中，固化过程是其中最重要的一个过程之一。芯片固化质量的好坏，直接影响最终成品的质量以及使用寿命。而固化过程所使用的设备即为芯片固化炉。固化炉的内部有一个拱形的加热模块，它的作用是使得炉腔内的温度场保持一致。炉腔下端有一个冷却装置，它的作用是使得炉腔内的温度在上下方向上形成一个温度梯度，这样可以满足芯片在不同固化阶段所需的不同温度的要求。由于固化过程的边界条件非常复杂以及内部未知扰动的影响，固化过程的精确偏微分方程描述很难获得。固化炉属于分布参数系统(DPS)，虽然根据热传递规律，可以大致获得固化炉的偏微分方程结构，但是仍有许多模型参数无法获得。由于芯片固化质量对温度的分布要求非常高，因此基于数据的时空分布模型对于固化过程的温度管理具有非常重要的意义。
技术实现思路
本专利技术的目的在于提出一种基于K-RVFL的固化热过程时空建模方法，建立芯片固化热过程模型，实现芯片固化炉在线温度监测和温度分布的在线估计，并且建模精度高。为达此目的，本专利技术采用以下技术方案：一种基于K-RVFL的固化热过程时空建模方法：步骤一，搭建芯片固化炉温度控制平台，在芯片固化炉的炉腔底部安装引线框架，在引线框架的上表面均匀布置多个热电偶传感器，并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据，还在引线框架的上方均匀布置多个加热器，每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉进行固化工作；步骤二，dSPACE实时仿真平台统计所有热电偶传感器的温度数据，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，并将所述时空数据定义为：{T(Z,t)|Z＝(x1,x2,x3),t＝1,...,L},其中，Z＝(x1,x2,x3)为空间指标，L为时间长度，从而T(Z,t)为在位置Z＝(x1,x2,x3)和时间t的温度；步骤三，dSPACE实时仿真平台通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数从而将步骤二采集到的时空数据T(Z,t)解耦为：其中，ai(t)为时空数据T(Z,t)的常微分方程模型，n为常微分方程模型的阶数；步骤四，dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络(即K-RVFL网络)逼近常微分方程模型ai(t)；步骤五，dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ai(t)，时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。优选地，所述步骤三中，dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为：首先，定义时空数据T(Z,t)的统计平均值为定义h1(x)和h2(x)在空间域Ω的内积为(h1(x),h2(x))＝∫Ωh1(x)h2(x)dx；接着，将时空数据T(Z,t)和空间基函数的内积最大化：subjectto(φi(·),φi(·))＝1,φi(·)∈L2(Ω),i＝1,...,n；构造拉格朗日函数：J[φ(Z)]＝<(φ(Z),T(Z,t))2>-λ((φ(Z),φ(Z))-1)，其中，Z为坐标(x1,x2,x3)，极值的必要条件是函数导数对于所有变化η∈R为零：并利用任意函数ψ(Z)将条件简化为：其中，R(Z,ξ)＝<T(Z,t)T(ξ,t)>是对称和正定的空间两点相关函数，从而将条件转化为以下特征值问题：Cδi＝λiδi，其中，Ctk是时间两点矩阵：δi＝[δ1i,δ2i,...,δLi]T是第i个特征向量；然后，通过求解Cδi＝λiδi产生特征向量δ1,δ2,...,δL及其相应的特征值λ1,λ2,...,λL，和通过获得空间基函数；最后，把特征值按照从大到小的顺序排列：λ1＞λ2＞…＞λL，其中前n个最大特征值和的占比为：选取ratio≥0.99对应的值n作为空间基函数的阶数。优选地，所述步骤四中，构造基于核函数的随机向量函数连接的网络具体为：首先，定义具有K个隐藏节点的RVFL网络的输出函数为：[zi(t-1)|G(Wh·zi(t-1)+bh)]·β＝ο(t),t＝2,...,L其中，Wh和bh是第h个隐藏节点的权重矩阵和偏差，将在随后的运行中随机生成并修复；zi(t)＝[ai(t)T,u(t)T],i＝1,2,...,n；β是需要运行的输出权重矩阵,ο(t)是在时间点t的网络输出值，G(·)是一个非线性激活函数；并令zi(t)＝z(t),ai(t)＝a(t)；误差方式为表示Frobenius范数；接着，寻找使得[z(t-1)|G(Wh·z(t-1)+bh)]·β＝a(t),t＝2,...,L的Wh,bh和β；然后，定义矩阵H为[z(t-1)|G(Wh·z(t-1)+bh)]，即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵，从而输出函数转换为：H·β＝Y，其中Y＝[a(2),...,a(L)]T；基于最小范数最小二乘理论，输出权重矩阵用下式计算：其中代表穆尔-彭罗斯(M-P)矩阵H的广义逆；使用正交投影法计算矩阵H的广义逆当HTH是非奇异，则当HHT是非奇异，则优选地，所述步骤四中，K-RVFL网络)逼近常微分方程模型ai(t)具体为：首先，由于步骤三确定了空间基函数从而无需输入增强节点的数目及其相应的激活函数；为避免奇点出现，将正数1/C添加进对角矩阵HTH，从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为或者，将正数1/C添加进对角矩阵HHT中，从而新的输出权重β为在随机向量函数连接网络中相应的输出结果为定义，h1＝z(t)，h2＝h2(z(t))＝[G(W1·z(t)+b1)…G(WK·z(t)+bK)]，H＝[H1|H2]，其中：H1＝[z(1),...,z(L-1)]T(L-1)×5，从而输出结果转换为：核矩阵为：Ωt,τ＝<z(t),z(τ)＞＝K(z(t),z(τ))；K是线性核函数，为高斯核函数.从而K-RVFL的输出结果用以下公式计算：第i个常微分方程模型ai(t)为：其中，优选地，所述步骤五的温度时空分布模型为：优选地，还包括：步骤六，使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界，若满足损失函数||βi||≤pi，那么对于任意的δ∈(0,1),都存在至少1-δ的概率使得所有的都满足：其中：表示使用损失函数l的预期风险，表示使用损失函数l的经验风险，若||βi||≤pi，则温度时空分布模型的Rademacher复杂度的边界条件H为：所述基于K-RVFL的固化热过程时空建模方法，在时间与空间被分割的条件下，空间的基础函数会首先被PCA方式构建，而且降阶时态模型也可以用K-REVL方式估算出来。从而，温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。与神经网络系统和最小二乘支持向量机(LS-SVM)比较起来,本模型有更高的模型预测精度和更快的建模速度。附图说明附图对本专利技术做进一步说明，但附图中的内容不构成对本专利技术的任何限制。图1是本专利技术其中一个实施例的芯片固化炉结构示意图；图本文档来自技高网...

【技术保护点】
1.一种基于K‑RVFL的固化热过程时空建模方法，其特征在于：步骤一，搭建芯片固化炉温度控制平台，在芯片固化炉的炉腔底部安装引线框架，在引线框架的上表面均匀布置多个热电偶传感器，并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据，还在引线框架的上方均匀布置多个加热器，每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号

【技术特征摘要】
1.一种基于K-RVFL的固化热过程时空建模方法，其特征在于：步骤一，搭建芯片固化炉温度控制平台，在芯片固化炉的炉腔底部安装引线框架，在引线框架的上表面均匀布置多个热电偶传感器，并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据，还在引线框架的上方均匀布置多个加热器，每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉进行固化工作；步骤二，dSPACE实时仿真平台统计所有热电偶传感器的温度数据，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，并将所述时空数据定义为：{T(Z,t)|Z＝(x1,x2,x3),t＝1,...,L},其中，Z＝(x1,x2,x3)为空间指标，L为时间长度，从而T(Z,t)为在位置Z＝(x1,x2,x3)和时间t的温度；步骤三，dSPACE实时仿真平台通过PCA算法(即主成分分析算法)学习一组表征空间非线性特征的空间基函数从而将步骤二采集到的时空数据T(Z,t)解耦为：其中，ai(t)为时空数据T(Z,t)的常微分方程模型，n为常微分方程模型的阶数；步骤四，dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络(即K-RVFL网络)逼近常微分方程模型ai(t)；步骤五，dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ai(t)，时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。2.根据权利要求1所述的基于K-RVFL的固化热过程时空建模方法，其特征在于，所述步骤三中，dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为：首先，定义时空数据T(Z,t)的统计平均值为定义h1(x)和h2(x)在空间域Ω的内积为(h1(x),h2(x))＝∫Ωh1(x)h2(x)dx；接着，将时空数据T(Z,t)和空间基函数的内积最大化：subjectto(φi(·),φi(·))＝1,φi(·)∈L2(Ω),i＝1,...,n；构造拉格朗日函数：J[φ(Z)]＝<(φ(Z),T(Z,t))2>-λ((φ(Z),φ(Z))-1)，其中，Z为坐标(x1,x2,x3)，极值的必要条件是函数导数对于所有变化η∈R为零：并利用任意函数ψ(Z)将条件简化为：其中，R(Z,ξ)＝<T(Z,t)T(ξ,t)>是对称和正定的空间两点相关函数，从而将条件转化为以下特征值问题：Cδi＝λiδi，其中，Ctk是时间两点矩阵：δi＝[δ1i,δ2i,...,δLi]T是第i个特征向量；然后，通过求解Cδi＝λiδi产生特征向量δ1,δ2,...,δL及其相应的特征值λ1,λ2,...,λL，和通过获得空间基函数；最后，把特征值按照从大到小的顺序排列：λ1＞λ2＞…＞λL，其中前n个最大特征值和的占比为：选取ratio≥0.99对应的值n作为空间基函数的阶数。3.根据权利要求2所述的基于K-RV...

【专利技术属性】
技术研发人员：徐康康，杨海东，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44