基于数据驱动的液晶玻璃基板厚度预测算法研究与软件开发
发布时间：2022-07-07 14:09
随着我国制造业物联网、信息化布局的逐步完善和智能制造国家战略的稳步落实,在工业产品质量管理领域,基于数据驱动的产品质量预测与溯源分析成为智能制造的核心部分。液晶显示面板是数字化、网络化时代新型显示技术的主流器件,广泛应用于智能手机、液晶电视、平板电脑及各类智能显示电器。玻璃基板作为液晶显示面板的关键上游材料,其厚度是玻璃基板品质评价中的一项关键指标,对液晶显示面板的性能影响极大。现有的玻璃基板厚度测量方式成本高、实时性差,难以实现高效、全面的厚度测量,且无法追溯玻璃基板的异常加工参数,容易导致残次玻璃基板流入液晶显示面板后续加工工序,增加制造成本。针对上述问题,本文利用玻璃基板加工过程数据,对玻璃基板厚度预测中的关键算法进行了深入研究,并设计开发了玻璃基板厚度预测软件系统。论文主要研究内容如下:（1）分析了液晶玻璃基板厚度测量技术的现状和痛点,提出以数据驱动为核心技术的整体框架,并确定软件系统的架构模式和功能模块。（2）研究了液晶玻璃基板加工过程数据的特点,提出基于皮尔逊相关系数的差异化特征选择方法,并对数据特征进行多重共线性研究。（3）针对小样本、高维度的数据特征,使用岭回归、支持向...
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 玻璃基板研究现状
1.2.1 玻璃基板发展现状
1.2.2 玻璃基板生产方法与工艺流程
1.3 玻璃基板厚度测量研究现状
1.4 数据驱动的质量管理研究现状
1.5 本文研究内容与章节安排
第二章 玻璃基板加工过程数据研究与处理
2.1 预测模型评价指标的选择
2.2 玻璃基板加工过程数据探索性分析与预处理
2.3 玻璃基板加工过程数据特征提取与特征选择方案分析
2.3.1 基于主成分分析的特征提取法
2.3.2 基于皮尔逊相关系数的特征选择法
2.4 玻璃基板加工过程数据多重共线性研究
2.4.1 多重共线性介绍
2.4.2 方差膨胀系数
2.4.3 玻璃基板加工过程数据多重共线性检测
2.5 本章小结
第三章 基于单一模型的厚度预测研究
3.1 基于岭回归的厚度预测模型
3.2 基于支持向量回归的厚度预测模型
3.3 基于XGBoost的厚度预测模型
3.4 基于Light GBM的厚度预测模型
3.5 单一预测模型比较与结论
3.6 本章小结
第四章 基于模型融合的厚度预测研究
4.1 基于均权融合的厚度预测研究
4.2 基于加权融合的厚度预测研究
4.3 基于Stacking的集成学习模型融合的厚度预测研究
4.3.1 集成学习理论
4.3.2 基于Stacking集成学习的模型融合厚度预测算法实现
4.4 基于模型融合的厚度预测模型比较与结论
4.5 本章小结
第五章 厚度预测软件系统设计与开发
5.1 软件系统框架设计
5.2 软件系统开发实现
5.3 系统测试
5.3.1 功能测试
5.3.2 性能测试
5.4 本章小结
结论与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件
【参考文献】：
期刊论文
[1]基于RF-LightGBM算法在风机叶片开裂故障预测中的应用[J]. 陈维刚,张会林. 电子测量技术. 2020(01)
[2]基于多模型融合的工业工件剩余寿命预测[J]. 王建成,蔡延光. 自动化与信息工程. 2020(01)
[3]基于主成分分析和LightGBM的风电场发电功率超短期预测[J]. 曹渝昆,朱萌. 上海电力学院学报. 2019(06)
[4]打破国外垄断 填补国内空白——中国首片8.5代TFT-LCD玻璃基板在蚌埠下线[J]. 汤文浩. 中国建材. 2019(10)
[5]激光测厚技术在液晶玻璃基板生产中的应用[J]. 姚文龙,何怀胜,杨道辉,李飞. 玻璃. 2019(01)
[6]磁致伸缩引起的径向磁通电机定子铁心振动精确解析模型[J]. 吴胜男,于慎波,佟文明,唐任远. 电工技术学报. 2019(02)
[7]大数据：数据驱动的过程质量控制与改进新视角[J]. 任明仑,宋月丽. 计算机集成制造系统. 2019(11)
[8]TFT-LCD基板玻璃的市场现状及发展趋势[J]. 刘建党,刘攀,肖子凡,邓臻禄,席国勇. 玻璃. 2018(02)
[9]TFT-LCD基板玻璃的研究与发展[J]. 韩建军,吴孟鸣,汤何锐,王静,谢俊,刘超. 硅酸盐通报. 2017(12)
[10]基于工业大数据的晶圆制造系统加工周期预测方法[J]. 朱雪初,乔非. 计算机集成制造系统. 2017(10)
博士论文
[1]磨削过程动态性能测试、解析模型构建及工艺优化方法研究[D]. 马胤琛.东华大学 2016
[2]基于切削力预测模型的复杂曲面铣削进给速度优化研究[D]. 付中涛.华中科技大学 2015
[3]基于粗糙集知识建模的焊缝成形质量专家系统预测研究[D]. 林涛.上海交通大学 2008
[4]过程质量控制智能化体系与方法研究[D]. 郑唯唯.西北工业大学 2006
[5]支持向量回归的模型选择及应用研究[D]. 刘靖旭.国防科学技术大学 2006
硕士论文
[1]负债分析中的多重共线性问题研究[D]. 徐嘉.哈尔滨工业大学 2019
[2]基于数据驱动的注塑机液压故障智能诊断系统研究与设计[D]. 徐勇.华南理工大学 2019
[3]基于集成学习算法的搜索广告转化率预测应用研究[D]. 顾媛媛.上海师范大学 2019
[4]对多重共线性检测指标的一些研究[D]. 高阳.兰州大学 2019
[5]基于XGBoost和LSTM模型的化工产品质量预测研究[D]. 杨正森.南京财经大学 2019
[6]基于集成学习的工业产品质量控制方法研究[D]. 张莉婷.华南理工大学 2018
[7]基于多特征融合的前方车辆在线识别[D]. 陈毅.武汉理工大学 2018
[8]多尺度分析与数据互迁移相结合的短期电力负荷预测方法[D]. 刘世昌.湖南大学 2017
[9]基于MES的机加车间制造过程工序质量控制方法与系统研究[D]. 赵双凤.重庆大学 2016
[10]多种时间序列预测方法的比较研究[D]. 王青青.南京大学 2014
本文编号：3656562
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 玻璃基板研究现状
1.2.1 玻璃基板发展现状
1.2.2 玻璃基板生产方法与工艺流程
1.3 玻璃基板厚度测量研究现状
1.4 数据驱动的质量管理研究现状
1.5 本文研究内容与章节安排
第二章 玻璃基板加工过程数据研究与处理
2.1 预测模型评价指标的选择
2.2 玻璃基板加工过程数据探索性分析与预处理
2.3 玻璃基板加工过程数据特征提取与特征选择方案分析
2.3.1 基于主成分分析的特征提取法
2.3.2 基于皮尔逊相关系数的特征选择法
2.4 玻璃基板加工过程数据多重共线性研究
2.4.1 多重共线性介绍
2.4.2 方差膨胀系数
2.4.3 玻璃基板加工过程数据多重共线性检测
2.5 本章小结
第三章 基于单一模型的厚度预测研究
3.1 基于岭回归的厚度预测模型
3.2 基于支持向量回归的厚度预测模型
3.3 基于XGBoost的厚度预测模型
3.4 基于Light GBM的厚度预测模型
3.5 单一预测模型比较与结论
3.6 本章小结
第四章 基于模型融合的厚度预测研究
4.1 基于均权融合的厚度预测研究
4.2 基于加权融合的厚度预测研究
4.3 基于Stacking的集成学习模型融合的厚度预测研究
4.3.1 集成学习理论
4.3.2 基于Stacking集成学习的模型融合厚度预测算法实现
4.4 基于模型融合的厚度预测模型比较与结论
4.5 本章小结
第五章 厚度预测软件系统设计与开发
5.1 软件系统框架设计
5.2 软件系统开发实现
5.3 系统测试
5.3.1 功能测试
5.3.2 性能测试
5.4 本章小结
结论与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件
【参考文献】：
期刊论文
[1]基于RF-LightGBM算法在风机叶片开裂故障预测中的应用[J]. 陈维刚,张会林. 电子测量技术. 2020(01)
[2]基于多模型融合的工业工件剩余寿命预测[J]. 王建成,蔡延光. 自动化与信息工程. 2020(01)
[3]基于主成分分析和LightGBM的风电场发电功率超短期预测[J]. 曹渝昆,朱萌. 上海电力学院学报. 2019(06)
[4]打破国外垄断 填补国内空白——中国首片8.5代TFT-LCD玻璃基板在蚌埠下线[J]. 汤文浩. 中国建材. 2019(10)
[5]激光测厚技术在液晶玻璃基板生产中的应用[J]. 姚文龙,何怀胜,杨道辉,李飞. 玻璃. 2019(01)
[6]磁致伸缩引起的径向磁通电机定子铁心振动精确解析模型[J]. 吴胜男,于慎波,佟文明,唐任远. 电工技术学报. 2019(02)
[7]大数据：数据驱动的过程质量控制与改进新视角[J]. 任明仑,宋月丽. 计算机集成制造系统. 2019(11)
[8]TFT-LCD基板玻璃的市场现状及发展趋势[J]. 刘建党,刘攀,肖子凡,邓臻禄,席国勇. 玻璃. 2018(02)
[9]TFT-LCD基板玻璃的研究与发展[J]. 韩建军,吴孟鸣,汤何锐,王静,谢俊,刘超. 硅酸盐通报. 2017(12)
[10]基于工业大数据的晶圆制造系统加工周期预测方法[J]. 朱雪初,乔非. 计算机集成制造系统. 2017(10)
博士论文
[1]磨削过程动态性能测试、解析模型构建及工艺优化方法研究[D]. 马胤琛.东华大学 2016
[2]基于切削力预测模型的复杂曲面铣削进给速度优化研究[D]. 付中涛.华中科技大学 2015
[3]基于粗糙集知识建模的焊缝成形质量专家系统预测研究[D]. 林涛.上海交通大学 2008
[4]过程质量控制智能化体系与方法研究[D]. 郑唯唯.西北工业大学 2006
[5]支持向量回归的模型选择及应用研究[D]. 刘靖旭.国防科学技术大学 2006
硕士论文
[1]负债分析中的多重共线性问题研究[D]. 徐嘉.哈尔滨工业大学 2019
[2]基于数据驱动的注塑机液压故障智能诊断系统研究与设计[D]. 徐勇.华南理工大学 2019
[3]基于集成学习算法的搜索广告转化率预测应用研究[D]. 顾媛媛.上海师范大学 2019
[4]对多重共线性检测指标的一些研究[D]. 高阳.兰州大学 2019
[5]基于XGBoost和LSTM模型的化工产品质量预测研究[D]. 杨正森.南京财经大学 2019
[6]基于集成学习的工业产品质量控制方法研究[D]. 张莉婷.华南理工大学 2018
[7]基于多特征融合的前方车辆在线识别[D]. 陈毅.武汉理工大学 2018
[8]多尺度分析与数据互迁移相结合的短期电力负荷预测方法[D]. 刘世昌.湖南大学 2017
[9]基于MES的机加车间制造过程工序质量控制方法与系统研究[D]. 赵双凤.重庆大学 2016
[10]多种时间序列预测方法的比较研究[D]. 王青青.南京大学 2014
本文编号：3656562
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/3656562.html
教材专著
