一种基于机器学习的基板玻璃引出量在线控制系统及方法技术方案

本发明专利技术公开了一种基于机器学习的基板玻璃引出量在线控制系统及方法，通过实时采集当前通道运行冷却段入口温度和加热器功率参数数据，寻找历史相似数据，对机器学习算法进行训练得到引出量预测模型，通过预测引出量同目标引出量进行比较，自动调节通道加热器功率，实现窑炉或通道前半段玻璃液温度波动以及基板玻璃0.7mm至0.5mm切换过程中引出量在线控制。提高了基板玻璃生产过程的自动化程度，降低了引出量调节过程中人为主观经验判断导致误差，提高基板玻璃的品质和生产效率。提高基板玻璃的品质和生产效率。提高基板玻璃的品质和生产效率。

【技术实现步骤摘要】
一种基于机器学习的基板玻璃引出量在线控制系统及方法


[0001]本专利技术属于基板玻璃制造领域，尤其是一种基于机器学习的基板玻璃引出量在线控制系统及方法。

技术介绍

[0002]基板玻璃是构成液晶面板重要的原材料之一，对面板产品性能的影响十分巨大，面板成品的分辨率、透光度、厚度、重量、可视角度等指标都与所采用的基板玻璃质量密切相关。
[0003]在基板玻璃生产过程中，由于高温环境特殊性以及玻璃液的黏温特性，通道引出量控制工艺的稳定性至为关键。由于通道玻璃液来料温度和降温梯度等因素的变化，会直接对基本玻璃通道引出量产生影响，从而对基板玻璃的厚度及厚度的均匀性产生影响，造成基板玻璃良率的降低。
[0004]目前调节基板玻璃通道引出量的调整是人工根据设置在横切后端的在线称重系统的数据，结合经验通过手动的方式对冷却段和供料槽加热器功率进行探索性调节，然而在人工调节的过程中，由于人为主观因素的差异性以及人工手动调节的不确定性，会导致功率和引出量调整存在较大误差，同时人工调节会存在时间的滞后性，严重制约了产线基板玻璃的产量。

技术实现思路

[0005]本专利技术的目的在于解决现有技术中的问题，提供一种基于机器学习的基板玻璃引出量在线控制系统及方法。
[0006]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0007]一种基于机器学习的基板玻璃引出量在线控制方法，包括：
[0008]采集基板玻璃通道热偶温度、加热器功率和引出量历史数据建立数据库，将数据库中的数据进行筛选剔除异常数据,并形成历史数据集，将历史数据集进行归一化得到归一化历史数据集；
[0009]采集当前通道运行冷却段入口温度和加热器功率参数数据并进行归一化得到数据集，将其同数据库中归一化历史数据集进行比较，判断能否作为机器学习历史数据；
[0010]将得到可用于机器学习历史数据进行反归一化得到历史相似数据，将其按照预设比例分为训练数据和测试数据，利用训练数据对模型进行机器学习并通过交叉验证的方式确定机器学习模型的最优参数，利用测试数据测试预测模型的可靠性，直至预测精度满足要求，得到最终的预测模型；
[0011]将归一化的当前通道运行冷却段入口温度和加热器功率参数数据作为机器学习模型的输入，将预测结果进行反归一化，并计算引出量预测值与目标引出量之间差值，判断当前加热器功率是否满足要求。
[0012]进一步的，所述数据库包括通道运行冷却段入口顶部热偶温度T1、通道运行冷却
段入口左侧热偶温度T2、通道运行冷却段入口右侧热偶温度T3、通道运行冷却段总功率P1、供料槽功率加热器功率P2、P3、P4、P5、P6、P7以及对应的引出量Q，将数据库中的数据进行筛选剔除异常数据，并形成历史数据集(T0、P1、P2、P3、P4、P5、P6、P7，Q)，T0为通道运行冷却段入口等效温度：
[0013]T0＝γ1T1+γ2T2+γ3T3[0014]其中：T1、T2、T3为通道运行冷却段入口顶部、左侧和右侧热偶温度，γ1、γ2、γ3为温度加权系数；
[0015]将历史数据集进行归一化得到归一化历史数据集(T
0归
、P
1归
、P
2归
、P
3归
、P
4归
、P
5归
、P
6归
、P
7归
，Q
归
)。
[0016]进一步的，采集当前通道运行冷却段入口温度和加热器功率参数数据并进行归一化得到数据集(T
0运
、P
1运
、P
2运
、P
3运
、P
4运
、P
5运
、P
6运
、P
7运
、Q
运
)，将其同数据库中归一化历史数据集进行比较并计算相似度d：
[0017][0018]其中w0、w1、w2、w3、w4、w5、w6、w7、w8为数据集中元素的相似度的权重；
[0019]设置阈值d
阈
，若d小于或等于d
阈
，则该历史数据与当前运行数据相似，该数据作为机器学习历史数据，反之则该数据不作为机器学习历史数据。
[0020]进一步的，将归一化的当前通道运行冷却段入口温度和加热器功率参数数据作为机器学习模型的输入，将预测结果进行反归一化得到引出量预测值Q
预测
；并计算引出量预测值与目标引出量之间差值δ，即：
[0021]δ＝Q
预测
‑
Q
目标
[0022]设置阈值δ
阈1
，若|δ|小于等于δ
阈1
，则当前加热器功率满足要求；反之，则不满足要求，需要对加热器功率进行调整，设置阈值δ
阈2
，当δ为负值且|δ|大于δ
阈2
，则依次增加P1、P2、P3、P4、P5、P6、P7加热器功率；当δ为负值且|δ|小于等于δ
阈2
，则依次增加P2、P3、P4、P5、P6、P7加热器功率；反之当δ为正值且|δ|大于δ
阈2
，则依次降低P1、P2、P3、P4、P5、P6、P7加热器功率；当δ为正值且|δ|小于等于δ
阈2
，则依次降低P2、P3、P4、P5、P6、P7加热器功率，直至模型预测结果满足要求。
[0023]进一步的，所述可用于机器学习历史数据分为训练数据和测试数据的比例为7:3。
[0024]进一步的，所述机器学习模型为最小二次支撑向量机、决策树、随机森林、神经网络或逻辑回归的学习算法模型。
[0025]进一步的，所述通道运行冷却段辅助加热器功率和供料槽辅助加热器调整功率P为0.01～0.2kW。
[0026]进一步的，所述阈值δ
阈1
为0～10kg/h，阈值δ
阈2
为10～30kg/h。
[0027]一种基于机器学习的基板玻璃引出量在线控制系统，包括：
[0028]数据采集模块001，用于采集基板玻璃通道热偶温度、加热器功率和引出量历史数据建立数据库，将数据库中的数据进行筛选剔除异常数据,并进行归一化处理；
[0029]数据处理模块002，用于采集当前通道运行冷却段入口温度和加热器功率参数数据，将其同数据库中归一化的历史数据集进行比较并计算相似度，找出相似历史数据作为机器学习历史数据，并按照预设比例分为训练数据和测试数据；
[0030]机器学习模块003，用于利用训练数据对模型进行机器学习并通过交叉验证的方式确定机器学习模型的最优参数，利用测试数据测试预测模型的可靠性，直至预测精度满足要求，得到最终的预测模型；
[0031]反馈模块004，用于将归一化的当前通道运行冷却段入口温度和加热器功率参数数据作为机器学习模型的输入，将模型预测引出量同目标引出量进行比较，调节通道加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的基板玻璃引出量在线控制方法，其特征在于，包括：采集基板玻璃通道热偶温度、加热器功率和引出量历史数据建立数据库，将数据库中的数据进行筛选剔除异常数据,并形成历史数据集，将历史数据集进行归一化得到归一化历史数据集；采集当前通道运行冷却段入口温度和加热器功率参数数据并进行归一化得到数据集，将其同数据库中归一化历史数据集进行比较，判断能否作为机器学习历史数据；将得到可用于机器学习历史数据进行反归一化得到历史相似数据，将其按照预设比例分为训练数据和测试数据，利用训练数据对模型进行机器学习并通过交叉验证的方式确定机器学习模型的最优参数，利用测试数据测试预测模型的可靠性，直至预测精度满足要求，得到最终的预测模型；将归一化的当前通道运行冷却段入口温度和加热器功率参数数据作为机器学习模型的输入，将预测结果进行反归一化，并计算引出量预测值与目标引出量之间差值，判断当前加热器功率是否满足要求。2.根据权利要求1所述的一种基于机器学习的基板玻璃引出量在线控制方法，其特征在于，所述数据库包括通道运行冷却段入口顶部热偶温度T1、通道运行冷却段入口左侧热偶温度T2、通道运行冷却段入口右侧热偶温度T3、通道运行冷却段总功率P1、供料槽功率加热器功率P2、P3、P4、P5、P6、P7以及对应的引出量Q，将数据库中的数据进行筛选剔除异常数据，并形成历史数据集(T0、P1、P2、P3、P4、P5、P6、P7，Q)，T0为通道运行冷却段入口等效温度：T0＝γ1T1+γ2T2+γ3T3其中：T1、T2、T3为通道运行冷却段入口顶部、左侧和右侧热偶温度，γ1、γ2、γ3为温度加权系数；将历史数据集进行归一化得到归一化历史数据集(T
0归
、P
1归
、P
2归
、P
3归
、P
4归
、P
5归
、P
6归
、P
7归
，Q
归
)。3.根据权利要求1所述的一种基于机器学习的基板玻璃引出量在线控制方法，其特征在于，采集当前通道运行冷却段入口温度和加热器功率参数数据并进行归一化得到数据集(T
0运
、P
1运
、P
2运
、P
3运
、P
4运
、P
5运
、P
6运
、P
7运
、Q
运
)，将其同数据库中归一化历史数据集进行比较并计算相似度d：其中w0、w1、w2、w3、w4、w5、w6、w7、w8为数据集中元素的相似度的权重；设置阈值d
阈
，若d小于或等于d
阈
，则该历史数据与当前运行数据相似，该数据作为机器学习历史数据，反之则该数据不作为机器学习历史数据。4.根据权利要求1所述的一种基于机器学习的基板玻璃引出量在线控制方法，其特征在于，将归一化的当前通道运行冷却段入口温度和加热器功率参数数据作为机器学习模型的输入，将预测结果进行反归一化得到引出...

【专利技术属性】
技术研发人员：杨国洪，俞超，王梦龙，杨威，张峰，
申请(专利权)人：彩虹显示器件股份有限公司，
类型：发明
国别省市：