等离子体涂层清洗工艺参数计算方法技术

本发明专利技术涉及等离子体清洗工艺参数计算技术领域，具体是等离子体涂层清洗工艺参数计算方法，包括以下步骤：首先获取以膜层材质和清洗速率为特征，以工艺参数为标签的实验数据；然后将实验数据输入到深度神经网络中进行训练，以得到训练好的深度神经网络模型；最后将膜层材质和清洗速率已知的待预测样本输入到训练好的深度神经网络模型中，预测出对应的工艺参数；本发明专利技术能够为等离子体涂层清洗过程提供准确的工艺参数，进而提高清洗的质量和效率

【技术实现步骤摘要】
等离子体涂层清洗工艺参数计算方法


[0001]本专利技术涉及等离子体清洗工艺参数计算
，具体是等离子体涂层清洗工艺参数计算方法
。

技术介绍

[0002]等离子体涂层清洗是一种利用等离子体产生的化学反应来去除材料表面的污染物
、
氧化物和不良成分的技术，它在材料科学
、
电子制造
、
光学
、
航空航天等领域具有广泛应用
。
[0003]在等离子体涂层清洗技术中，常用的工艺方法主要包括氧化还原清洗
、
物理碰撞清洗
、
放电清洗
、
化学反应清洗和反应性离子束清洗
。
在使用上述工艺方法进行清洗时，一些技术人员会依赖工作经验，并根据最终的清洗目标，来确定清洗过程中的工艺参数
。
技术人员通过经验判断能够实现清洗，但是面对数值化的操作系统，经验判断无法给出精准且具体的工艺参数，从而导致经验判断中存在一定的误差，进而引起清洗的精度降低
。
尽管在清洗的过程中，技术人员会根据清洗的实时状况，及时的调整清洗的工艺参数，以尽量满足清洗的要求
。
[0004]综上所述，由于技术人员在开始清洗时，就没有给出准确的工艺参数，导致在后期的清洗过程中需要不断的调整和修正工艺参数，不仅导致清洗的精度降低，而且同时降低了清洗速度和清洗表面的质量
。

技术实现思路

[0005]为了避免和克服现有技术中存在的技术问题，本专利技术提供了等离子体涂层清洗工艺参数计算方法
。
本专利技术能够为等离子体涂层清洗过程提供准确的工艺参数，进而提高清洗的质量和效率
。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]等离子体涂层清洗工艺参数计算方法，包括以下步骤：
[0008]S1、
获取以膜层材质和清洗速率为特征，以工艺参数为标签的实验数据；
[0009]S2、
将实验数据输入到深度神经网络中进行训练，以得到训练好的深度神经网络模型；
[0010]S3、
将膜层材质和清洗速率已知的待预测样本输入到训练好的深度神经网络模型中，预测出对应的工艺参数
。
[0011]作为本专利技术再进一步的方案：膜层材质包括涂层材料种类和涂层厚度
。
[0012]作为本专利技术再进一步的方案：工艺参数包括微波功率
、
气体种类
、
各气体之间的比例和各气体的进气量
。
[0013]作为本专利技术再进一步的方案：在将实验数据输入深度神经网络之前，对实验数据依次进行特征缩放处理和标准化处理
。
[0014]作为本专利技术再进一步的方案：深度神经网络模型包括输入层
、
两层以上的隐藏层
和输出层
。
[0015]作为本专利技术再进一步的方案：在实验数据经过特征缩放处理和标准化处理后，将实验数据按照设定的比例分配成训练集
、
测试集和验证集
。
[0016]作为本专利技术再进一步的方案：各气体的进气量包括
NF3进气量
、O2进气量和
CF4进气量
。
[0017]作为本专利技术再进一步的方案：输入层的输入向量为
a0，
a0的具体表示如下：
[0018]a0＝
[X1,X2,Y]T
[0019]其中，
X1表示膜层材质构成的输入矩阵；
X2表示清洗速率构成的输入矩阵；
Y
表示已知的工艺参数构成的输入矩阵；
[0020]第
i
层隐藏层的输出为
a
i
，
a
i
的具体表示如下：
[0021][0022]其中，
a
i
表示深度神经网络模型中第
i
层的输出，
i∈[1,4]；
ω
i
‑1表示第
i
‑1层的权重系数矩阵；
b
i
‑1表示第
i
‑1层的偏倚向量；表示第
i
‑1层中第
j
个神经元的输出；
f
表示激活函数，激活函数为
ReLU
函数；
[0023]输出层的输出向量为
a5，
a5的具体表示如下：
[0024]a5＝
[P,S1,S2,S3]T
[0025]其中，
P
表示微波功率；
S1表示
NF3进气量；
S2表示
O2进气量；
S3表示
CF4进气量
。
[0026]作为本专利技术再进一步的方案：采用回归算法中评估指标：均方误差
MSE
和
R2来评估深度神经网络模型的预测效果；基于
n
个样本的均方误差
MSE
定义为：
[0027][0028]其中，表示样本真实值和预测值之间的均方误差；代表第
i
个样本的预测值，
y
i
代表第
i
个样本的真实值
。
[0029]作为本专利技术再进一步的方案：基于
n
个样本的回归指数
R2定义为：
[0030][0031][0032]其中，表示
n
个样本真实值的均值
。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]1、
本专利技术实现了微波等离子体涂层清洗的智能化控制，借助
DNN
预测模型建立清洗速率与工艺参数的预测关系，从而解决了现有技术中工艺参数优化困难
、
适应性差和缺乏智能化控制等问题
。
系统能够根据待处理材质和清洗效率要求，自动输出最优的工艺参
数，提高清洗效率和一致性，实现涂层清洗的智能化和个性化
。
[0035]2、
本专利技术将大量实验数据与深度神经网络相结合，实现了工艺参数预测的自动化，从而提高了清洗效率和质量
。
[0036]3、
本专利技术考虑了涂层材料
、
微波功率
、
气体种类与比例等多个因素，将它们纳入
DNN
模型进行训练，实现了对工艺参数的综合优化
。
[0037]4、
操作者能够根据待处理的涂层材料，通过
DNN
模型获得最佳的工艺参数，这使得涂层清洗的决策变得更加科学和准确，避免了传统经验法则所可能带来的误差
。
[0038]5、
本专利技术通过
DNN
模型实现了工艺参数的预测，有效地减少了传统试错方法所需的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
等离子体涂层清洗工艺参数计算方法，其特征在于，包括以下步骤：
S1、
获取以膜层材质和清洗速率为特征，以工艺参数为标签的实验数据；
S2、
将实验数据输入到深度神经网络中进行训练，以得到训练好的深度神经网络模型；
S3、
将膜层材质和清洗速率已知的待预测样本输入到训练好的深度神经网络模型中，预测出对应的工艺参数
。2.
根据权利要求1所述的等离子体涂层清洗工艺参数计算方法，其特征在于，膜层材质包括涂层材料种类和涂层厚度
。3.
根据权利要求2所述的等离子体涂层清洗工艺参数计算方法，其特征在于，工艺参数包括微波功率
、
气体种类
、
各气体之间的比例和各气体的进气量
。4.
根据权利要求3所述的等离子体涂层清洗工艺参数计算方法，其特征在于，在将实验数据输入深度神经网络之前，对实验数据依次进行特征缩放处理和标准化处理
。5.
根据权利要求4所述的等离子体涂层清洗工艺参数计算方法，其特征在于，深度神经网络模型包括输入层
、
两层以上的隐藏层和输出层
。6.
根据权利要求5所述的等离子体涂层清洗工艺参数计算方法，其特征在于，在实验数据经过特征缩放处理和标准化处理后，将实验数据按照设定的比例分配成训练集
、
测试集和验证集
。7.
根据权利要求6所述的等离子体涂层清洗工艺参数计算方法，其特征在于，各气体的进气量包括
NF3进气量
、O2进气量和
CF4进气量
。8.
根据权利要求7所述的等离子体涂层清洗工艺参数计算方法，其特征在于，输入层的输入向量为
a0，
a0的具体表示如下：
a0＝
[X1,X2,Y]
T
其中，
X1表示膜层材质构成的输入矩阵；
X2表示清洗速率构成的输入矩阵；
Y

【专利技术属性】
技术研发人员：高龙，温夕林，唐鹏，
申请(专利权)人：合肥博雷电气有限公司，
类型：发明
国别省市：