[发明专利]一种集成遗忘机制和双超限学习机的在线时空建模方法

说明书

本发明公开了一种集成遗忘机制和双超限学习机的在线时空建模方法，包括：根据非线性分布参数系统固化炉固化热过程的非线性偏微分方程，将时空输出变量解耦为时间系数序列和空间序列；基于时间系数序列，建立第一超限学习机模型及第二超限学习机模型；利用集成遗忘机制的在线顺序学习算法更新第一超限学习机模型及第二超限学习机模型的模型参数；将空间序列和更新后的第一超限学习机模型、第二超限学习机模型综合，重构出在线时空模型，解决了现有非线性分布参数系统如固化炉的建模方法大多是在离线环境下开发，具有不能反映在线序列训练数据时效性且计算效率低的问题，使固化炉温度的在线预测更加匹配实际温度的动态变化。

技术领域

本发明涉及非线性分布参数系统的时空建模技术领域，更具体地，涉及一种集成遗忘机制和双超限学习机的在线时空建模方法。

背景技术

许多工业过程，如热加工、流体流动、化学工程等，不仅与时间有关，而且与空间有关，这些系统是典型的非线性分布参数系统(DPSs)，与集总参数系统(LPSs)不同，DPSs通常由一个或一组具有相应的初始和边界条件的偏微分方程(PDEs)来描述，非线性分布参数系统的输入、输出、甚至状态参数都是时空耦合的，从而导致了这类系统的无限维特性，因此，这类系统的建模非常是困难的。

固化炉是半导体后端封装行业在固化过程中提供所需温度分布的重要设备，属于非线性分布参数系统，由于固化过程的边界条件非常复杂以及内部未知扰动的影响，固化过程的精确偏微分方程描述很难获得，但固化炉温度的分布直接影响着芯片的固化质量，而固化炉这类非线性分布参数系统的建模对固化炉温度的在线预测具有十分重要的意义。

公开号为CN109145346A，公开日为2019年1月4日的中国专利提出了一种基于双重最小二乘支持向量机的固化热过程时空建模方法，用于在线预测和控制芯片固化炉的热过程，是基于主成分分析法(PCA)的时空建模，但基于主成分分析法的时空模型是在离线环境下开发的，即在建模之前收集并准备所有的训练数据，该建模方法不能反映在线序列训练数据的时效性，而且在实际的芯片固化过程中，系统通常具有大规模的时变特征，这需要使用新的样本在线更新时空模型以保持令人满意的性能，尽管传统的时空建模方法对固化炉热过程具有满意的建模性能，但该模型的在线实施仍存在一些问题，主要有以下几个方面：

1)在线更新：基于主成分分析法的时空模型是在离线环境下开发的往往导致大规模、时变系统的模型漂移。

2)计算效率：对于大尺度时变系统，新旧样本之间存在较大差异。如果时空模型只在训练样本集中连续添加新样本而不对旧样本进行处理，将导致其对新训练样本的学习能力有限，从而难以准确描述时变系统的特征。另外，样本数量的增加会增加系统的计算负担，并且占用大量的内存空间。

发明内容

为克服现有非线性分布参数系统如固化炉的建模方法大多是在离线环境下开发，具有不能反映在线序列训练数据时效性的弊端，且模型在线更新能力差，计算效率低，本发明提出一种集成遗忘机制和双超限学习机的在线时空建模方法，考虑了系统的时变特征，建立的模型在线更新能力强，精度高，使固化炉温度的在线预测更加匹配实际温度的动态变化。

为实现以上发明目的，本发明的技术方案如下：

一种集成遗忘机制和双超限学习机的在线时空建模方法，至少包括：

S1.根据非线性分布参数系统固化炉固化热过程的非线性偏微分方程，将时空输出变量解耦为时间系数序列和空间序列；

S2.基于时间系数序列，建立第一超限学习机模型及第二超限学习机模型；

S3.利用集成遗忘机制的在线顺序学习算法更新第一超限学习机模型及第二超限学习机模型的模型参数；

S4.将空间序列和更新后的第一超限学习机模型、第二超限学习机模型综合，重构出在线时空模型。