【技术实现步骤摘要】
本专利技术涉及石英制品，具体是一种精烧工艺闭环质量反馈与过程参数自适应调节方法。
技术介绍
1、石英制品由单一的二氧化硅成分构成，其si-o键呈短程有序、长程无序排列，因此具有无可比拟的优异的物理化学性质。石英制品具有纯度高、化学稳定、光谱透过宽、抗热冲击、耐高温变形、耐宇宙射线和耐辐射、电绝缘等特点，广泛应用于半导体、航空航天、激光核技术、光纤通信、惯性导航等领域。由于石英矿物学特征及石英制品制备工艺的复杂性和多样性，目前仍没有确定熔融石英材料的质量标准。
2、石英制品的烧制是生产石英制品时的关键性步骤，由于石英材料的生产成本高，若是直接进行大规模生产，在检测出问题时已无法进行调整，因此，需要通过小规模试烧制来确定质量合格后再进行大规模生产。
3、鉴于此，本专利技术提出一种精烧工艺闭环质量反馈与过程参数自适应调节方法。
技术实现思路
1、本专利技术解决的技术问题是：石英制品精烧后的外观与质量检测的问题，以及如何将检测出的问题进行反馈，并如何根据石英制品的外观和质量问题对烧制工艺进行调整。
2、为实现上述目的，本专利技术提供如下技术方案：
3、抽取少量经过初加工的石英半成品进行试精烧；
4、检测试精烧后的石英制品的外观和性能；
5、设定石英制品的外观合格率阈值以及设定石英制品的性能阈值；
6、划分石英制品的性能等级，统计每个性能等级中石英制品的概率；
7、当试精烧结果不符合要求，则调整精
8、优选的，所述试精烧是在石英材料中随机抽取少部分石英材料进行烧制，所述烧制包括熔融制备工艺和退火流程；
9、对石英制品进行外观检测和性能检测，外观检测是检测石英制品外观是否存在瑕疵，性能检测是检测石英制品性能是否达标；
10、检测到石英制品外观合格率大于等于外观合格率阈值时，再进行性能检测，否则停止检测，重新进行试精烧。
11、优选的，所述外观检测包括：预先训练深度学习模型，通过深度学习模型检测试精烧的石英制品外观是否存在瑕疵；
12、所述训练深度学习模型包括获取历史石英制品烧制后的图像、图像预处理、构建数据集、搭建模型架构以及模型训练。
13、优选的，训练深度学习模型的步骤如下：收集石英制品的图像数据；人工标记有瑕疵石英制品图像的标签为0，无瑕疵石英制品的图像标签为1；对图像进行预处理，将图像归一化，并构建图像数据集；将数据集划分为训练集、验证集和检测集；选择二元交叉熵函数作为损失函数；以最小化损失函数为训练目标；设定损失函数阈值，当损失函数值小于损失函数阈值时，深度学习模型训练完成；
14、使用训练完成的深度学习模型，对试精烧的石英制品进行外观检测的步骤如下：
15、在固定点位架设多台相机，对每个精烧并完成退火流程的石英制品进行全角度拍摄，将拍摄的图片进行预处理，实时将预处理后的图像输入至训练完成的深度学习模型中，深度学习模型识别并记录所输入的图像，设定深度学习模型以无瑕疵石英制品所占比例为输出目标，在识别完所有试精烧石英制品图片后，输出无瑕疵石英制品所占比例；
16、若无瑕疵石英制品所占比例大于等于外观合格率阈值时，则试精烧的石英制品外观合格，进行试精烧石英制品的性能检测，若无瑕疵石英制品所占比例小于外观合格率阈值，则试精烧的石英制品外观不合格，调整当前制备工艺后再进行试精烧。
17、优选的，所述性能检测包括：物理性能检测和化学性能检测；
18、所述物理性能检测包括机械性能检测、热学性能检测和电学性能检测；所述机械性能检测包括检测石英制品的抗压强度和抗弯强度；所述热学性能检测包括检测热导率和热膨胀系数；所述电学性能检测包括检测电阻率；
19、所述化学性能检测包括金属杂质检测和羟基检测；所述金属杂质检测是采用光谱分析法，分析石英制品中的金属杂质的成分与含量；所述羟基检测是采用红外光谱法，通过分析红外光谱中吸收峰的强度和位置，检测石英制品中羟基的含量。
20、优选的，所述性能阈值包括：第一阈值集合、第二阈值集合和第三阈值集合；
21、所述阈值集合包括：抗压强度阈值、抗弯强度阈值、热导率阈值、膨胀系数阈值、电阻率阈值、金属杂质含量阈值和羟基含量阈值；
22、基于阈值集合，划分出石英制品的性能等级；
23、当试精烧的石英制品任一性能指标小于第一阈值集合中对应的阈值时，判定为不合格制品；
24、当试精烧的石英制品性能指标大于等于第一阈值集合中对应的阈值，且小于第二阈值集合中对应的阈值时，判定为合格制品；
25、当试精烧的石英制品所有性能指标大于等于第二阈值集合中对应的阈值，且小于第三阈值集合中对应的阈值时，判定为优秀制品；
26、当试精烧的石英制品任一性能指标大于等于第三阈值集合中对应的阈值时，判定为不合格制品。
27、优选的，在对试精烧的石英制品进行检测时，当出现任一指标超出合格阈值范围，则停止未完成的检测项，石英制品直接标记为不合格；
28、统计每个性能等级石英制品所占的概率，得出概率分布，若精烧出的合格与优秀石英制品的概率符合要求，则开启正式的大规模精烧；
29、若精烧出的合格与优秀石英制品的概率不符合要求，则重新进行试精烧，并分析性能阈值集合中的单个性能指标分布，对不合格率高的性能指标的关联工艺进行改进，调整工艺参数。
30、优选的，在调整工艺参数时，根据各个性能指标的概率结果对工艺参数进行调整。
31、一种精烧工艺闭环质量反馈与过程参数自适应调节系统，所述系统包括：
32、所述系统包括精烧模块、检测模块、阈值模块、统计模块、工艺调整模块；
33、所述精烧模块，用于抽取少量经过初加工的石英半成品进行试精烧；
34、所述检测模块，用于检测试精烧后的石英制品的外观和性能；
35、所述阈值模块，用于设定石英制品的外观合格率阈值以及设定石英制品的性能阈值；
36、所述统计模块，用于划分石英制品的性能等级，统计每个性能等级中石英制品的概率；
37、所述工艺调整模块，用于当试精烧不符合要求时，则调整精烧时工艺参数，并重新进行试精烧，当试精烧的石英制品符合要求时，进行正式精烧。
38、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现一种精烧工艺闭环质量反馈与过程参数自适应调节方法的步骤。
39、一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行一种精烧工艺闭环质量反馈与过程参数自适应调节方法的步骤。
40、本专利技术的有益效果：本专利技术解决了石英制品在精烧后的质量检测问题，以及解决了石英制品在本文档来自技高网...
【技术保护点】
1.一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，包括：
2.根据权利要求1所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，所述试精烧是在石英材料中随机抽取少部分石英材料进行烧制，所述烧制包括熔融制备工艺和退火流程；
3.根据权利要求2所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，所述外观检测包括：预先训练深度学习模型，通过深度学习模型检测试精烧的石英制品外观是否存在瑕疵；
4.根据权利要求3所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，训练深度学习模型的步骤如下：收集石英制品的图像数据；人工标记有瑕疵石英制品图像的标签为0，无瑕疵石英制品的图像标签为1；对图像进行预处理，将图像归一化，并构建图像数据集；将数据集划分为训练集、验证集和检测集；选择二元交叉熵函数作为损失函数；以最小化损失函数为训练目标；设定损失函数阈值，当损失函数值小于损失函数阈值时，深度学习模型训练完成；
5.根据权利要求4所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在
6.根据权利要求5所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，所述性能阈值包括：第一阈值集合、第二阈值集合和第三阈值集合；
7.根据权利要求6所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，在对试精烧的石英制品进行检测时，当出现任一指标超出合格阈值范围，则停止未完成的检测项，石英制品直接标记为不合格；
8.根据权利要求7所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，在调整工艺参数时，根据各个性能指标的概率结果对工艺参数进行调整。
9.一种精烧工艺闭环质量反馈与过程参数自适应调节系统，其基于权利要求1-8任一项所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法实现，其特征在于：所述系统包括精烧模块、检测模块、阈值模块、统计模块、工艺调整模块；
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法的步骤。
...【技术特征摘要】
1.一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，包括：
2.根据权利要求1所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，所述试精烧是在石英材料中随机抽取少部分石英材料进行烧制，所述烧制包括熔融制备工艺和退火流程；
3.根据权利要求2所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，所述外观检测包括：预先训练深度学习模型，通过深度学习模型检测试精烧的石英制品外观是否存在瑕疵；
4.根据权利要求3所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，训练深度学习模型的步骤如下：收集石英制品的图像数据；人工标记有瑕疵石英制品图像的标签为0，无瑕疵石英制品的图像标签为1；对图像进行预处理，将图像归一化，并构建图像数据集；将数据集划分为训练集、验证集和检测集；选择二元交叉熵函数作为损失函数；以最小化损失函数为训练目标；设定损失函数阈值，当损失函数值小于损失函数阈值时，深度学习模型训练完成；
5.根据权利要求4所述的一种精烧工艺闭环质量反馈与过程参数自适应调节方法，其特征在于，所述性能检测包括：物理性能检测和化学性能检测；
6.根据权利要求5所述的一种精烧工艺闭环质量反馈与过...
【专利技术属性】
技术研发人员：胡兴兵，周韦军，夏欣怡，唐韬，周文华，
申请(专利权)人：上海强华实业股份有限公司，
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。