System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电子制造及测试,进一步涉及微波组件制造及测试,尤其涉及一种基于融合模型的微波组件质量管控方法、设备及存储介质。
技术介绍
1、在现代微波组件制造和维护领域,性能预测和故障诊断是至关重要的环节。传统的性能预测和故障诊断方法通常依赖于单一的物理模型或数据驱动;其中,物理模型,在处理复杂或未知环境下的预测时可能不够准确;而纯数据驱动的模型虽然灵活,但在小样本情况或高度复杂的系统中无法提供准确的预测,这两种方法都存在一定的局限性。
2、此外,传统的故障诊断方法严重依赖于人工经验,这不仅降低了诊断的效率,而且增加了诊断过程中的主观性,因此传统的性能预测和故障诊断方法在处理复杂系统中的故障反演和诊断时往往耗时较长,效率不高,准确度有限。
技术实现思路
1、有鉴于此,本专利技术提供了一种基于融合模型的微波组件质量管控方法、设备及存储介质。
2、根据本专利技术的第一方面,提供了一种基于融合模型的微波组件质量管控方法。该方法包括:
3、基于微带线结构等效电路、金丝键合结构等效电路、垂直互联结构等效电路、射频接插件的装配参数等效电路、微波组件电性能数据、微波组件链路,构建融合机电耦合效应的微波组件物理模型;
4、获取智能测试单元中的历史数据,并对历史数据进行预处理,获得有效数据;
5、根据有效数据,构建微波组件形性关联的参数化降阶数据模型;
6、基于微波组件形性关联的参数化降阶数据模型,构建微波组件形性关联的基学习器
7、基于微波组件物理模型、参数化降阶数据模型、基学习器,采用集成学习法,构建混合模型;
8、基于微波组件生产过程的非结构化文本数据,利用知识图谱技术,构建微波组件的知识图谱模型;
9、基于微波组件的知识图谱模型,对混合模型进行审查和验证,生成微波组件物理-数据-知识融合模型;
10、基于微波组件物理-数据-知识融合模型,进行微波组件质量管控。
11、在第一方面的一些可实现方式中,基于微带线结构等效电路、金丝键合结构等效电路、垂直互联结构等效电路、射频接插件的装配参数等效电路、微波组件电性能数据、微波组件链路,构建融合机电耦合效应的微波组件物理模型,包括:
12、根据微带线结构类型,将微带线结构表征为第一等效电路物理模型;
13、基于准静态模型法和矩量法,将金丝键合结构表征为第二等效电路物理模型;
14、建立集总分布参数与工艺参数、集总分布参数与电参数的数学关系,获得集总分布参数与电参数的数学关系;根据集总分布参数与电参数的数学关系将垂直互联结构表征为第三等效电路物理模型;
15、建立射频接头的插入深度与接触阻抗的关系、插入角度与气隙电容的关系、接触阻抗及气隙电容与电参数的关系,获得插入深度、角度与射频接插件电性能的数学关系;根据插入深度、角度与射频接插件电性能的数学关系将射频接插件的装配参数表征为第四等效电路物理模型;
16、获取射频芯片厂家提供的微波组件电性能数据;
17、基于微波网络级联的原理构建微波组件链路的物理模型;
18、根据第一等效电路物理模型、第二等效电路物理模型、第三等效电路物理模型、第四等效电路物理模型、厂家提供的微波组件电性能数据、微波组件链路的物理模型,构建融合机电耦合效应的微波组件物理模型。
19、在第一方面的一些可实现方式中,获取智能测试单元中的历史数据,并对历史数据进行预处理,获得有效数据,包括:
20、获取智能测试单元中的历史数据;其中,历史数据包括:微波组件的制造参数和实测电性能参数;
21、并对历史数据进行清洗、降噪、降维及特征选择,获得有效数据。
22、在第一方面的一些可实现方式中,根据有效数据,构建微波组件形性关联的参数化降阶数据模型,包括:
23、根据有效数据,通过本征正交分解利用数据集求解基函数;通过伪逆算法计算扩展系数;
24、通过高斯过程建立设计变量与扩展系数间的高斯过程;
25、将扩展系数和基函数进行线性叠加,获得微波组件形性关联的参数化降阶数学模型。
26、在第一方面的一些可实现方式中,基于微波组件形性关联的参数化降阶数据模型,构建微波组件形性关联的基学习器,包括:
27、将有效数据中每一组数据作为样本,以每一组数据对应的微波组件电性能作为主要标签,根据每一组数据及其对应的标签生成训练集;
28、选取基学习器的类型;
29、从训练集中,抽取子训练集训练神经网络,获得对应的基学习器。
30、在第一方面的一些可实现方式中,基于微波组件物理模型、参数化降阶数据模型、基学习器,采用集成学习法,构建混合模型,包括:
31、根据微波组件的特性,选择元学习器;
32、将微波组件物理模型、参数化降阶数据模型、基学习器作为训练的基模型,对基模型进行训练;
33、根据基模型的训练结果,对元学习器进行更新调参,直至获得最优元学习器,输出最优元学习器,生成混合模型。
34、在第一方面的一些可实现方式中,采集微波组件生产过程中的非结构化文本数据;非结构化文本数据包括:结构知识、故障知识、专家经验知识、电性能知识;
35、将非结构化文本数据进行预处理,从非结构化文本数据中随机选取25%的文本数据,标注每个所选的文本数据的实体类型标签,将标注后的文本数据按照8:2的比例划分为训练集和测试集;
36、利用图神经网络进行联合抽取实体和关系;
37、将抽取到的知识按照“头实体-关系-尾实体”构建知识三元组,并把所有的知识三元组存储到neo4j图数据库中,构建微波组件的知识图谱模型。
38、在第一方面的一些可实现方式中,基于微波组件的知识图谱模型,对混合模型进行审查和验证,生成微波组件物理-数据-知识融合模型,包括:
39、利用微波组件的知识图谱模型对混合模型进行审查和验证;生成融合模型;
40、采集实时生产数据,基于融合模型进行生产管控;根据管控结果对融合模型优化调参,直至生成微波组件物理-数据-知识融合模型。
41、根据本专利技术的第二方面,提供了一种电子设备。该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如以上所述的方法。
42、根据本专利技术的第三方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如以上所述的方法。
43、在本专利技术中,基于集成学习的思想构建了融合机电耦合效应的微波组件物理模型、基于数据模型的混合建模,并利用知识图谱技术,构建微波组件的知识图谱模型,基于前述模型进一步构建了微波组件物理-数据-知识融合模型;以此实现了微波组件制造本文档来自技高网...
【技术保护点】
1.一种基于融合模型的微波组件质量管控方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于微带线结构等效电路、金丝键合结构等效电路、垂直互联结构等效电路、射频接插件的装配参数等效电路、微波组件电性能数据、微波组件链路,构建融合机电耦合效应的微波组件物理模型,包括:
3.根据权利要求1所述的方法,其特征在于,所述获取智能测试单元中的历史数据,并对所述历史数据进行预处理,获得有效数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述有效数据,构建微波组件形性关联的参数化降阶数据模型,包括:
5.根据权利要求1所述的方法,其特征在于,所述基于微波组件形性关联的参数化降阶数据模型,构建微波组件形性关联的基学习器,包括:
6.根据权利要求1所述的方法,其特征在于,所述基于所述微波组件物理模型、参数化降阶数据模型、基学习器,采用集成学习法,构建混合模型,包括:
7.根据权利要求1所述的方法,其特征在于,所述基于微波组件生产过程的非结构化文本数据,利用知识图谱技术,构建微波组件
8.根据权利要求1所述的方法,其特征在于,所述基于所述微波组件的知识图谱模型,对所述混合模型进行审查和验证,生成微波组件物理-数据-知识融合模型,包括:
9.一种电子设备,其特征在于,包括:
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一权利要求所述的方法。
...【技术特征摘要】
1.一种基于融合模型的微波组件质量管控方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于微带线结构等效电路、金丝键合结构等效电路、垂直互联结构等效电路、射频接插件的装配参数等效电路、微波组件电性能数据、微波组件链路,构建融合机电耦合效应的微波组件物理模型,包括:
3.根据权利要求1所述的方法,其特征在于,所述获取智能测试单元中的历史数据,并对所述历史数据进行预处理,获得有效数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述有效数据,构建微波组件形性关联的参数化降阶数据模型,包括:
5.根据权利要求1所述的方法,其特征在于,所述基于微波组件形性关联的参数化降阶数据模型,构建微波组件形性关联的...
【专利技术属性】
技术研发人员:周金柱,樊国壮,高达林,甘宇鹏,林强强,康乐,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。