【技术实现步骤摘要】
本专利技术涉及一种工艺设计方法、系统和设备，尤其涉及一种基于机器学习的工艺设计方法、系统和设备，属于磁控溅射涂层材料。
技术介绍
1、氮化物、氧化物是在生活中非常重要的过渡金属化合物，通常具有岩盐型晶体结构。在这种结构中，金属原子与氮原子或氧原子交替排列，形成离子键，具有高临界温度和良好的耐磨性，此外氮化物、氧化物及其复合涂层在许多腐蚀性环境中表现出良好的化学稳定性，因为其硬度和化学惰性使其能够抵抗许多化学腐蚀剂的侵蚀，包括酸、碱、盐等。这使得氮化物、氧化物及其复合涂层在需要耐蚀性材料的环境中具有广泛的应用潜力。例如，将氮化铌涂覆在金属表面可以提高金属件的耐蚀性和耐磨性，延长其使用寿命。氮化物、氧化物及其复合涂层也可以用作防护层，用于保护化学设备、管道、阀门等工业设备免受化学腐蚀的影响。在化工、石油、航空航天等领域，氮化物、氧化物及其复合涂层的耐蚀性使其成为理想的防护材料。
2、磁控溅射法是一种利用电场、磁场的交互作用，在衬底表面生成薄膜的技术。磁控溅射技术能够实现对薄膜沉积过程的精确控制，包括沉积速率、薄膜厚度、成分均匀性...
【技术保护点】
1.一种基于机器学习的工艺设计方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，步骤(1)所述初始数据集的输入特征包括：真空度、溅射功率、溅射时间、气氛比、温度、工作压力和自转速度。
3.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，所述步骤(2)具体为：
4.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，步骤(3)所述的L1正则化用于进行特征选择并实现数据降维，所述的L2正则化用于保留对目标值具有同等相关性的特征。
5.根据权利要求1所述的基于机器学习...
【技术特征摘要】
1.一种基于机器学习的工艺设计方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，步骤(1)所述初始数据集的输入特征包括：真空度、溅射功率、溅射时间、气氛比、温度、工作压力和自转速度。
3.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，所述步骤(2)具体为：
4.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，步骤(3)所述的l1正则化用于进行特征选择并实现数据降维，所述的l2正则化用于保留对目标值具有同等相关性的特征。
5.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，步骤(3)所述降维后的数据集，特征类型包括：溅射功率、溅射时间、气氛比和工作压力。
6.根据权利要求1所述的基于机器学习的工艺设计方法，其特征在于，步骤(4)所述机器学习算法模型，包括：支持向量回归机svr、核极限学习机kelm和bp神经网络woa-bpnn。
7.根据权利要...
【专利技术属性】
技术研发人员：王威，俞扬信，刘蔚，于庆河，任珂，林岳宾，马甲林，周洋，陆军，徐凯，唐悦平，贺成爽，
申请(专利权)人：淮阴工学院，
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。