基于机器视觉的加工刀具磨损监测方法

为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的.     

基于堆叠降噪自编码器的神经–符号模型及在晶圆表面缺陷识别

深度神经网络是具有复杂结构和多个非线性处理单元的模型, 通过模块化的方式分层从数据提取代表性特征, 已经在晶圆缺陷识别领域得到了较为广泛的应用. 但是, 深度神经网络在应用过程中本身存在“黑箱”和过度依赖数据的问题, 显著地影响深度神经网络在晶圆缺陷识别的工业可应用性. 提出一种基于堆叠降噪自编码器的神经–符号模型. 首先, 根据堆叠降噪自编码器的网络特点采用了一套符号规则系统, 规则形式和组成结构使其可与深度神经网络有效融合. 其次, 根据 网络和符号规则之间的关联性提出完整的知识抽取与插入算法, 实现了深度网络和规则之间的知识转换. 在实际工业晶圆表面图像数据集WM-811K上的试验结果表明, 基于堆叠降噪自编码器的神经–符号模型不仅取得了较好的缺陷探测与识别性能, 而且可有效提取规则并通过规则有效描述深度神经网络内部计算逻辑, 综合性能优于目前经典的深度神经网络.     

基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别

在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法——局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis, LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model, GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.     

基于混合模型与流形调节的晶圆表面缺陷识别

为了探测和识别半导体晶圆生产线上的晶圆表面缺陷,及时诊断出半导体晶圆制造过程的故障源,提出一套晶圆表面缺陷检测与识别系统。该系统首先采用层次聚类法将晶圆表面的局部缺陷划分为缺陷簇,并提出一种基于轮廓系数标准的最优缺陷簇数目判定方法,提升了缺陷簇识别性能。针对晶圆表面常见的线形、曲线形和椭球形缺陷模式,该系统充分考虑数据在空间子流形上的分布,采用基于流形调节的局部连续高斯模型(LCGMM),同时加入主曲线模型,实现了对晶圆表面局部缺陷模式分布的统计描述建模。在完成初始建模识别的基础上,进一步提出集成LCGMM和主曲线模型的混合模型,对晶圆表面所有的缺陷模式进行建模识别,以提高缺陷模式识别的准确性。通过仿真案例和工业案例的实验结果,证明了该系统的有效性与实用性。     

熔炼时间对稀土单晶合金坩埚界面反应的影响

为了实现稀土单晶高温合金中稀土含量的稳定控制,明确稀土元素在熔炼过程中参与的坩埚界面反应机理,研究了熔炼时间对含Y高温合金CMSX-4与Al2O3陶瓷坩埚在真空感应熔炼过程中的界面反应和稀土Y收得率的影响。实验结果表明：随着熔炼时间的延长界面反应加剧,熔炼过程中Y首先与Al2O3陶瓷基体发生反应生成Y2O3,生成的Y2O3会继续与Al2O3发生反应生成Y、Al原子比不同的铝酸钇反应层,最终坩埚表面形成的界面反应产物由外层的YAlO3、内层的Y3Al5O12(Y3Al2(AlO4)3) 以及附着的高温合金组成。熔炼10~30min时合金中稀土Y收得量为41.023、4.566和5.368ppm。     

浅谈目前深港非法过界无线电信号带来的危害

紧密结合当前深港非法过界无线电信号实际情况，介绍了非法过界无线电信号带来的电磁干扰，分析了由此带来的经济损失和社会危害，指出了相关安全隐患问题。     

铁矿氧化球团氢等离子熔融还原动力学分析

氢等离子熔融还原作为下一代氢冶金CO₂减排新技术受到广泛关注。以铁矿氧化球团为试验原料，系统地研究了气体流量和还原时间对氢等离子熔融还原过程的影响(气体流量为5、8、10 L/min, H₂的体积分数为10%),为氢等离子熔融还原铁矿氧化球团的研究提供理论依据。通过X射线粉末衍射、Rietveld精修、扫描电子显微镜和化学分析对铁矿氧化球团还原动力学、含铁物相演变、微观结构及生铁中杂质含量进行研究。结果表明，铁矿氧化球团最大转化速率从气体流量为5 L/min时的1.05 g/min升高至气体流量为8 L/min时的3.60 g/min,而继续增大气体流量至10 L/min,最大转化速率反而有所下降。氢等离子熔融还原符合相边界反应模型，其机理函数为f(α)=3(1-α)^2/3(α为铁转化率),不同气体流量下对应的反应速率常数分别为2.12×10^-4、7.29×10^-4、6.62×10^-4s^-1,表观活化能约为21 kJ/mol,反应速率...     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

结构参数对筒形铸件收缩的影响

熔模铸造过程中,由于铸件的不均匀收缩而难以确定模具的尺寸.采用三坐标测量仪测量铸件和蜡模尺寸、工业CT测量型壳内腔尺寸.分析了熔模铸造过程中铸件不同部位的尺寸变化,并根据铸件和模具尺寸建立了基于BP神经网络的几何参数与径向收缩率之间的预测模型.结果表明:该模型可以很好地预测筒形铸件的径向收缩率,预测值与实测值的平均偏差...     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。