工艺控制参数优化方法、装置、电子设备和存储介质与流程

1.本技术涉及工业自动化技术领域，尤其涉及一种工艺控制参数优化方法、装置、电子设备及存储介质。


背景技术：

2.在工业处理过程中，动态系统的实时生产优化一直是备受关注的话题。工艺人员需要实时观察工艺段的测量数据与生产环境数据，并依此调整工艺控制参数，以提高生产效率或保证良品率。
3.目前，工艺控制参数的优化处理大致分为动态优化和稳态优化两大类。具体地，对于工业工艺而言，若在实际操作中，多个工艺控制参数在由各自的初始值调整为目标值的过程中，所经历的轨迹形状将影响最终的生产结果，则需要使用动态模型执行优化处理。在此情况下，优化算法需要在每个时间步长内，给出控制建议以实现理想轨迹的控制。若在实际操作中，控制参数稳定后的取值，是影响生产结果的主要因素，则稳态模型执行的稳态优化具有更高的适用性。
4.一般而言，在工艺控制参数的动态优化处理中，由于工艺控制系统的当前状态会受到历史状态的较大影响，且优化方案的计算用时不能超过给定的时间步长，对于计算速度要求更为严格，导致了工艺控制参数的动态优化处理更为复杂。


技术实现要素：

5.有鉴于此，本技术提供的工艺控制参数优化方法、装置、电子设备及存储介质，可在工艺处理过程中，实时动态地提供工艺控制参数的优化方案，以提高生产效率和产品良率。
6.根据本技术实施例的第一方面，提供了一种工艺控制参数优化方法，包括：根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据；根据在各检测点中确定的至少一个目标检测点和至少一个待调整检测点，在各预测状态数据中确定所述至少一个目标检测点对应的至少一个目标状态数据，并检测所述待测工艺系统对应于所述至少一个目标检测点的状态，获得所述至少一个目标检测点的至少一个实际状态数据；分析所述至少一个目标状态数据和所述至少一个实际状态数据，获得所述至少一个目标检测点的状态分析数据；根据所述至少一个目标检测点的状态分析数据，优化所述至少一个待调整检测点的至少一个工艺控制参数。
7.根据本技术实施例的第二方面，提供了一种工艺控制参数优化装置，包括：预测单元，用于根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据；确定单元，用于根据在各检测点中确定的至少一个目标检测点和至少一个待调整检测点，在各预测状态数据中确定所述至少一个目标检测点对应的至少一个目标状态数据，并检测所述待测工艺系统对应于所述
至少一个目标检测点的状态，获得所述至少一个目标检测点的至少一个实际状态数据；分析单元，用于分析所述至少一个目标状态数据和所述至少一个实际状态数据，获得所述至少一个目标检测点的状态分析数据；优化单元，用于根据所述至少一个目标检测点的状态分析数据，优化所述至少一个待调整检测点的至少一个工艺控制参数。
8.根据本技术实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和总线，所述处理器、所述存储器和所述通信接口通过所述总线完成相互间的通信；所述存储器用于存储至少一可执行指令，所述可执行指令使所述处理器执行如上述第一方面所述工艺控制参数优化方法对应的操作。
9.根据本技术实施例的第四方面，提供了一种算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行如上述第二方面所述的工艺控制参数优化方法。
10.本技术各方面提供的工艺控制参数优化方案，通过预测工艺控制序列中对应于各检测点的各预测状态数据，分析各检测点中的目标检测点的目标状态数据和实际状态数据，据以对各检测点中的待调整检测点的工艺控制参数执行优化。借此，本技术可实时动态地提供工艺控制参数的最优组合方案，不仅可提高生产效率，亦可提升产品良率。
附图说明
11.图1是本技术示例性实施例的工艺控制参数优化方法的流程图。
12.图2是本技术另一示例性实施例的工艺控制参数优化方法的流程图。
13.图3是本技术另一示例性实施例的工艺控制参数优化方法的流程图。
14.图4是本技术示例性实施例中的工艺控制参数优化装置的结构示意图。
15.图5是本技术示例性实施例的电子设备的示意图。
16.附图标记列表：
17.102：根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的状态，获得各检测点对应的各预测状态数据
18.104：根据在各检测点中确定的目标检测点和待调整检测点，在各预测状态数据中确定目标检测点对应的目标状态数据，并检测待测工艺系统对应于目标检测点的状态，获得目标检测点的实际状态数据
19.106：分析目标状态数据和实际状态数据，获得目标检测点的状态分析数据
20.108：根据目标检测点的状态分析数据，优化待调整检测点的工艺控制参数
21.202：获取待测工艺系统的训练样本集
22.204：在各采样点中确定当前采样点和目标采样点
23.206：利用待训练的状态预测模型，根据待测工艺系统对应于当前采样点的工艺控制参数和环境影响因素参数，预测待测工艺系统对应于目标采样点的状态，获得目标采样点的预设状态数据
24.208：根据目标采样点的预测状态数据和实际状态数据，训练待训练的状态预测模型，获得状态预测模型
25.302：将工艺控制序列中各检测点对应的各工艺控制参数，确定为各检测点对应的各待优化工艺控制参数
26.304：初始化参数优化算法的参数值
27.306：基于参数优化算法的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化，获得各检测点对应的各中间工艺控制参数
28.308：根据各检测点对应的各中间工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各中间预测状态数据与各预测结果评估数据310：根据各检测点对应的各预测结果评估数据更新参数优化算法的参数值，将各检测点对应的各中间工艺控制参数更新为各检测点对应的各待优化工艺控制参数
29.312：判断参数优化是否满足预设参数优化结束条件
30.314：获得各检测点的各优化工艺控制参数
31.316：根据各检测点对应的各优化工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据
32.400：工艺控制参数优化装置402：预测单元404：确定单元
33.406：分析单元408：优化单元500：电子设备
34.502：处理器504：通信接口506：存储器
35.508：总线510：程序
具体实施方式
36.为了使本领域的人员更好地理解本技术实施例中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员所得到的所有其他实施例，都应当属于本技术实施例保护的范围。
37.下面结合附图对本技术的一些实施例作详细说明。在各实施例之间不冲突的情况下，下述的各实施例及实施例中的特征可相互组合。下述各方法实施例中的步骤仅用于示例性描述，并非用于限制本发明。
38.如前述背景技术部分所述的，在工艺控制参数的动态优化处理中，由于工艺控制系统的当前状态会受到历史状态的较大影响，且优化方案的计算用时不能超过给定的时间步长，导致工艺控制参数的动态优化处理更为复杂。
39.具体地，由于工艺特征的不同，工艺控制参数的时间序列性，参数优化计算的实时性要求、生产环境因素的影响，工艺控制数据的高维度特征，实际生产中的其他不确定因素，以及不同客户要求等问题，均导致了实时求解最优控制参数组合的难度极高。
40.目前，用于实现控制参数动态优化的方法主要包括：动态矩阵控制(dynamicmatrixcontrol,以下简称dmc)、模糊逻辑控制(fuzzylogiccontrol,以下简称flc)、机理仿真、基于机理仿真的强化学习、基于模型的离线强化学习等。其中，dmc属于先进控制的一种，其通过线性的阶跃响应模型描述工艺系统，再使用滚动时域方法计算优化控制参数优化组合，并依据残差调整参数更改幅度。flc也属于先进控制的一种，其通过先验的经验或规则描述工艺系统，并通过解模糊方法给出控制参数优化组合。机理仿真是通过基础科学原理(物理、生物、化学等)联立方程组描述工艺系统，由于计算速度较慢，因此，往往需要先生成代理模型，再利用优化求解器给出控制参数优化组合。基于机理仿真的强化学习，通过基础科学原理联立方程组描述工艺系统，再与仿真模型交互训练出用于决定控制策略的
智能体(agent)。基于模型的离线强化学习，则通过深层神经网络描述工艺系统特征，再通过历史数据训练出决定控制策略的智能体。
41.上述各控制参数动态优化方案主要存在以下问题：
42.首先，这些方法在执行参数动态优化的过程中，大都未能将生产过程中的不确定影响因素纳入考量。例如，dmc的阶跃响应和flc的规则均未考虑不确定性，而生产过程中的不确定影响因素，恰好是无法通过基础科学原理公式进行解释的。
43.其次，由于很多的参数动态优化方案的基础学科研究没有非常透彻，导致在实际生产应用中，这些方案的优化效果无法达到预期。同时，涉及仿真的参数动态优化方案无法处理保密工艺，因此，目前的各类参数动态优化方案存在着较大的应用局限性。
44.再者，dmc的阶跃响应模型需要在停产的状态下做实验测得，无法在生产过程中实时地执行。此外，当工艺段的特征随着生产时间的推进发生了偏移时，dmc的算法模型无法进行相应的更新。flc的规则设计，需要在方法本身和工艺方面都非常具有经验，否则容易出现极不稳定的控制问题，也存在难以维护的问题。同时，机理仿真的模型也需要仿真专家经验，才能进行更新维护。因此，当前的这些参数动态优化方案，大都存在模型更新维护滞后的问题。
45.另外，激进的工艺控制参数优化建议，可能会造成设备或工艺段的损坏。基于模型的离线强化学习尽管可以选择激进或保守的建议，但该方案未将工艺系统的真实反馈信息纳入考量。因此，在模型训练不够完善的情况下，由于历史数据中的分布偏移现象，极易导致模型预测结果的不准确，并导致设备或工艺段的损坏。
46.基于上述各参数动态优化方案存在的种种问题，本技术各实施例旨在提供一种结合先进控制理念和机器学习算法的工艺控制参数优化方案，通过预测工艺控制序列中对应于各检测点的各预设状态数据，分析各检测点中的目标检测点的预设状态数据和实际状态数据，以根据目标检测点的状态分析结果，优化各检测点中的至少一个待调整检测点的至少一个工艺控制参数，从而可在工艺处理过程中，实时动态地提供工艺控制参数的优化方案。
47.下面结合附图对本技术各实施例提供的工艺控制参数优化方法、装置、电子设备及存储介质进行详细说明。
48.工艺控制参数优化方法
49.图1是本技术一个示例性实施例的工艺控制参数优化方法的流程图。如图1所示，本实施例的工艺控制参数优化方法包括如下步骤：
50.步骤102、根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的状态，获得各检测点对应的各预测状态数据。
51.待测工艺系统可应用于各种工艺控制领域，包括但不限于：金属冶炼、水处理、电力、能源等。在一些实施例中，待测工艺系统可包括至少一个工控设备。
52.在本技术的各实施例中，工艺控制参数是指在工艺控制流程中，可由人为进行调控的可控制参数，例如，电流参数、电压参数、轴承转速等。
53.可选地，可根据预设的检测间隔时间，确定按时序排列的各个检测点。
54.在一些实施例中，可根据实际工艺控制精度需求，任意调整工艺控制序列中包含的检测点的数量，例如，在一个工艺控制序列中可包含10个或20个检测点，但并不以此为
限，本领域技术人员可根据实际参数优化需求，以及设备性能条件等，对工艺控制序列中包含的检测点的数量进行任意调整，本技术对此不作限制。
55.可选地，对于工艺控制序列中的每一个检测点(单独检测点)，可针对每一个检测点设置一个工艺控制参数(例如，针对检测点t1仅设置一个工艺控制参数c1)，或者，也可针对每一个检测点设置多个工艺控制参数(例如，针对检测点t1设置多个工艺控制参数c11、c12、c13)。
56.在一些实施例中，可识别工艺控制序列中对应于各检测点的各工艺控制参数。例如，检测点t1对应于工艺控制参数c1，检测点t2对应于工艺控制参数c2，以此类推。根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据。例如，预测待测工艺系统在检测点t1运行工艺控制参数c1的系统状态，获得待测工艺系统对应于检测点t1的预设状态数据fd1(其中，fd为forecast data的缩写)，预测待测工艺系统在检测点t2运行工艺控制参数c2的系统状态，获得待测工艺系统对应于检测点t2的预设状态数据fd2，并以此类推。
57.在一些实施例中，可利用给定的参数优化算法，对工艺控制序列中各检测点对应的各工艺控制参数进行优化，获得各检测点对应的各优化工艺控制参数，并根据各检测点对应的各优化工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据。
58.可选地，给定的参数优化算法可包括但不限于交叉熵算法。
59.在一些实施例中，可利用状态预测模型，根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据。
60.其中，状态预测模型可包括任意类型的回归模型。在一些实施例中，状态预测模型为稀疏高斯过程回归模型(sparse gaussian process)。
61.步骤104、根据在各检测点中确定的目标检测点和待调整检测点，在各预测状态数据中确定目标检测点对应的目标状态数据，并检测待测工艺系统对应于目标检测点的状态，获得目标检测点的实际状态数据。
62.可选地，可根据实际的预测精度需求，确定目标检测点和待调整检测点的数量。一般而言，目标检测点和待调整检测点的数量各自为至少一个。
63.具体地，可根据在各检测点中确定的至少一个目标检测点和至少一个待调整检测点，在各预测状态数据中确定至少一个目标检测点对应的至少一个目标状态数据，并检测待测工艺系统对应于至少一个目标检测点的状态，获得至少一个目标检测点的至少一个实际状态数据。
64.在一些实施例中，可将各检测点中的第一个检测点，确定为目标检测点，将各检测点中接续目标检测点之后的至少一个检测点确定为待调整检测点。
65.例如，在工艺控制序列中的各检测点为检测点t1至检测点t10，且目标检测点和待调整检测点均设置为一个的情况下，可将检测点t1确定为目标检测点，将检测点t2确定为待调整检测点。
66.在一些实施例中，可根据在各检测点中确定的目标检测点(例如，检测点t1)，从各检测点对应的各预测状态数据中，确定目标检测点对应的预测状态数据(例如，检测点t1对
应的预测状态数据fd1)，并检测待测工艺系统在检测点t1运行工艺控制参数c1的系统状态，获得目标检测点的实际状态数据，例如，检测点t1对应的实际状态数据ad1(其中，ad为actual data的缩写)。
67.步骤106、分析目标状态数据和实际状态数据，获得目标检测点的状态分析数据。
68.在一些实施例中，可对至少一个目标检测点的至少一个目标状态数据与至少一个实际状态数据执行残差分析(residual analysis)，获得至少一个目标检测点的状态分析数据。
69.步骤108、根据目标检测点的状态分析数据，优化待调整检测点的工艺控制参数。
70.在一些实施例中，可根据至少一个目标检测点的残差分析值，对工艺控制序列中的至少一个待调整检测点的至少一个工艺控制参数执行调整，以实时动态地提供工艺控制参数的优化方案。
71.在一些实施例中，可根据目标检测点的残差分析值和预设调整阈值，选择性地调整工艺控制序列中的待调整检测点的工艺控制参数。例如，若目标检测点的残差分析值高于预设调整阈值，调整工艺控制序列中的至少一个待调整检测点的至少一个工艺控制参数，若目标检测点的残差分析值不高于预设调整阈值，可不调整工艺控制序列中的至少一个待调整检测点的至少一个工艺控制参数。
72.在一些实施例中，当目标检测点的残差分析值越高时，给出的工艺控制参数调整方案将越为保守(例如，对工艺控制参数执行的优化调整幅度越小)。
73.综上所述，本实施例提供的工艺控制参数优化方案，通过分析工艺控制序列中的目标检测点的预测状态数据和实际状态数据，据以对工艺控制序列中的待调整检测点的工艺控制参数执行动态地优化调整，从而提高工业处理流程的生产效率并提升产品良率。且本实施例提供的工艺控制参数优化方案，由于系统运算量较小，故可实时地快速地给出最优的工艺控制参数优化方案，能够满足复杂工艺生产环境下的优化方案的实时性需求。
74.此外，本实施例提供的工艺控制参数优化方案，利用稀疏高斯过程回归模型，预测待测工艺系统对应于各检测点的各状态，可以提供较为准确的状态预测结果，进而提高参数优化效果。
75.再者，本实施例提供的工艺控制参数优化方案，通过将工艺控制序列中的第一个检测点确定为目标检测点，并根据第一个检测点的实际状态和预测状态的残差分析结果，对第一个检测点之后的至少一个待调整检测点的工艺控制参数执行优化调整，因此，本实施例的技术方案可在每个时间步长内给出一组优化后的控制轨迹，但在当前时刻仅执行轨迹中的第一个检测点的工艺控制参数，可以很好地满足工艺处理过程中，对于工艺控制参数优化方案的实时性需求。
76.图2为本技术另一示例性实施例的工艺控制参数优化方法的处理流程图，本实施例示出了用于执行上述步骤102的状态预测模型的示例性模型训练方案。
77.如图2所示，本实施例的工艺控制参数优化方法包括如下步骤：
78.步骤202、获取待测工艺系统的训练样本集。
79.在一些实施例中，训练样本集中至少包括有待测工艺系统对应于各采样点的各工艺控制参数、各环境影响因素参数、各实际状态数据。
80.可选地，可根据预设的检测间隔时间，确定按时序排列的各个采样点。
81.需说明的是，在本技术的各实施例中，采样点和检测点是实质相同的，为了区分状态预测模型的不同使用阶段，故采用了两种不同的名称进行界定。其中，采样点对应于待训练的状态预测模型的训练阶段，检测点对应于训练完成的状态预测模型的实际应用阶段。
82.在本技术的各实施例中，工艺控制参数是指在工艺控制流程中，为了生产出符合要求的产品，可由人为进行调控的可控制参数，例如，电流参数、电压参数、轴承转速等。环境影响因素参数是指会影响生产结果但无法直接通过工艺控制系统进行控制的条件参数。
83.在一些实施例中，对于各采样点中的任意一个当前采样点，当前采样点的工艺控制参数，可以根据当前采样点的给定控制参数和可调控参数来确定，例如，在工艺控制参数为烘干温度的情况下，可以根据给定烘干温度承诺书(例如，55度)以及可调控温度参数(例如，
±
5度)，确定工艺控制参数。
84.在一些实施例中，对于各采样点中的任意一个当前采样点，当前采样点的环境影响因素参数，可由待测工艺系统的至少一个感测设备在当前采样点对应的检测时刻下感测获得。
85.在一些实施例中，当前采样点的环境影响因素参数，可至少包括当前采样点的生产环境检测参数、生产原料检测参数、设备参数中的一个。
86.示例性地，生产环境检测参数可包括待测工艺系统运行的环境温度、环境湿度、空气流量、水压等参数。生产原料检测参数可包括生产原料的种类、组分等参数。设备参数是指工业设备在生产过程中的各项物理特性和化学特性，如温度、压力、速度、功率等。一般而言，设备参数通常是在设备设计和制造的过程中确定的，对于同一种设备而言，设备参数是固定不变的。
87.步骤204、在各采样点中确定当前采样点和目标采样点。
88.在本实施例中，目标采样点为各采样点中接续当前采样点之后的一个采样点，例如，若当前采样点为s1，目标采样点为s2。
89.步骤206、利用待训练的状态预测模型，根据待测工艺系统对应于当前采样点的工艺控制参数和环境影响因素参数，预测待测工艺系统对应于目标采样点的状态，获得目标采样点的预设状态数据。
90.在一些实施例中，状态预测模型可包括但不限于稀疏高斯过程回归模型。
91.具体地，可利用待训练的状态预测模型，根据待测工艺系统对应于当前采样点的工艺控制参数和环境影响因素参数，对待测工艺系统的目标采样点(即当前采样点的下一个采样点)的状态执行预测，获得待测工艺系统的对应于目标采样点的预设状态数据。
92.步骤208、根据目标采样点的预测状态数据和实际状态数据，训练待训练的状态预测模型，获得状态预测模型。
93.在一些实施例中，可比对目标采样点的预测状态数据和实际状态数据，获得待训练的状态预测模型的模型损失值，基于模型损失值，更新待训练的状态预测模型的模型参数，利用更新后的待训练的状态预测模型，重新执行在各采样点中确定当前采样点和目标采样点的步骤(即步骤204)，直至模型损失值满足预设训练结束条件，从而获得训练完成的状态预测模型。
94.示例性地，可根据目标采样点的预测状态数据和实际状态数据执行残差计算，获得待训练的状态预测模型的模型损失值。
95.在一些实施例中，当模型损失值满足预设收敛值时，可以得到模型损失值满足预设训练结束条件的判断结果。
96.在一些实施例中，当第i次迭代更新的模型损失值(θi)与第i-1次迭代更新的模型损失值(θ
i-1
)之间的差值小于预设差值阈值时，可以得到模型损失值满足预设训练结束条件的判断结果。
97.综上所述，本实施例提供的工艺控制参数优化方案，利用各采样点的各工艺控制参数、各环境影响因素参数、各实际状态数据作为训练样本集，以训练状态预测模型，考虑了实际生产场景中的各种不确定因素，并利用真实数据执行模型训练，不仅可提高模型预测结果的准确性，亦可满足模型对于复杂生产条件下的预测需求，提升模型预测性能的稳定性。
98.再者，本实施例提供的工艺控制参数优化方案，利用状态预测模型，根据当前采样点的工艺控制参数和环境影响因素参数，预测待测工艺系统对应于当前采样点的下一个采样点(即目标采样点)的状态，可使训练完成的状态预测模型，适用于多工况切换的应用场景，并能满足实际预测应用中对于预测结果的实时性需求，且只需收集最新的生产数据即可执行模型的训练更新，所述的训练数据体量大幅减少，以降低模型训练成本。
99.图3为本技术另一示例性实施例的工艺控制参数优化方法的处理流程图，本实施例示出了上述步骤s102的另一个实施方案，如图3所示，本实施例主要包括以下步骤：
100.步骤302、将工艺控制序列中各检测点对应的各工艺控制参数，确定为各检测点对应的各待优化工艺控制参数。
101.具体地，可在预测待测工艺系统对应于各检测点的各状态之前，对工艺控制序列中各检测点对应的各原始工艺控制参数执行优化，借以提升最终的参数优化效果。
102.步骤304、初始化参数优化算法的参数值。
103.在一些实施例中，可根据设定的参数初始值，对参数优化算法的参数值执行初始化处理。在另一实施例中，也可利用随机初始化方式，对参数优化算法的参数值执行初始化处理。
104.步骤306、基于参数优化算法的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化，获得各检测点对应的各中间工艺控制参数。
105.具体地，本实施例可利用参数优化算法，反复执行工艺控制参数的迭代优化，在此迭代优化期间，参数优化算法的参数值是动态调整的。因此，可基于参数优化算法当前的参数值，对各检测点对应的各待优化工艺控制参数进行优化调整，获得各检测点对应的各中间工艺控制参数。
106.步骤308、根据各检测点对应的各中间工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各中间预测状态数据与各预测结果评估数据。
107.在一些实施例中，待测工艺系统的训练样本集还包括有待测工艺系统的优化目标参数(或称为优化指标)。其中，待测工艺系统的优化目标参数用于表征待测工艺系统的期望生产结果或理想生产结果。
108.在一些实施例中，状态预测模型的训练还包括：
109.对于各采样点中的任意一个当前采样点，根据优化目标参数、待测工艺系统对应于当前采样点的工艺控制参数和预测状态数据，获得当前采样点的预测结果评估数据。
110.在本实施例中，当前采样点的预测结果评估数据，用于表征当前采样点的预测状态数据的准确率。
111.在一些实施例中，可根据优化目标参数、待测工艺系统对应于当前采样点的工艺控制参数、环境影响因素参数、预测状态数据和实际状态数据，获得状态预测模型对应于当前采样点的预测结果评估数据。
112.步骤310、根据各检测点对应的各预测结果评估数据更新参数优化算法的参数值，将各检测点对应的各中间工艺控制参数更新为各检测点对应的各待优化工艺控制参数。
113.具体地，可基于各检测点对应的各预测结果评估数据，对参数优化算法(例如，交叉熵算法)的参数值进行更新，并将各检测点当前对应的各中间工艺控制参数，更新为各检测点对应的各待优化工艺控制参数。
114.步骤312、判断参数优化是否满足预设参数优化结束条件，若是，执行步骤314，若否，执行步骤306。
115.在一些实施例中，若对各检测点对应的各待优化工艺控制参数执行的参数优化处理不满足预设参数优化结束条件，返回步骤306，以重新基于参数优化算法当前更新的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化。
116.在一些实施例中，当对各检测点对应的各待优化工艺控制参数所执行的参数优化的处理次数，满足预设迭代优化阈值时，可以获得参数优化满足预设参数优化结束条件的判断结果。
117.在一些实施例中，预设迭代优化阈值可设置为200次，但并不以此为限，本领域技术人员可根据实际优化需求进行调整，本技术对此不作限制。
118.步骤314、获得各检测点的各优化工艺控制参数。
119.具体地，可将各检测点对应的各待优化工艺控制参数，确定为各检测点的各优化工艺控制参数。
120.步骤316、根据各检测点对应的各优化工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据。
121.本实施例的具体实施细节可参考上述步骤102的描述内容，在此不予赘述。
122.综上所述，本实施例提供的工艺控制参数优化方案，结合采用参数优化算法以及状态预测算法，对工艺控制序列中的各工艺控制参数执行多维度的优化，可进一步提高工艺控制参数的优化效果，提高工艺系统生产效率和产品良率。
123.工艺控制参数优化装置
124.对应于上述方法实施例，图4示出了本技术一个实施例的工艺控制参数优化装置的示意图。如图4所示，工艺控制参数优化装置400包括：
125.预测单元402，用于根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据；
126.确定单元404，用于根据在各检测点中确定的至少一个目标检测点和至少一个待调整检测点，在各预测状态数据中确定所述至少一个目标检测点对应的至少一个目标状态数据，并检测所述待测工艺系统对应于所述至少一个目标检测点的状态，获得所述至少一个目标检测点的至少一个实际状态数据；
127.分析单元406，用于分析所述至少一个目标状态数据和所述至少一个实际状态数
据，获得所述至少一个目标检测点的状态分析数据；
128.优化单元408，用于根据所述至少一个目标检测点的状态分析数据，优化所述至少一个待调整检测点的至少一个工艺控制参数。
129.在一些实施例中，预测单元402还用于利用状态预测模型，执行所述根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据的步骤。
130.在一些实施例中，工艺控制参数优化装置400还包括训练模块(未示出)，用于训练所述状态预测模型，其包括：获取所述待测工艺系统的训练样本集，其中，所述训练样本集至少包括所述待测工艺系统对应于各采样点的各工艺控制参数、各环境影响因素参数、各实际状态数据；在各采样点中确定当前采样点和目标采样点，其中，所述目标采样点为各采样点中接续所述当前采样点之后的一个采样点；利用待训练的状态预测模型，根据所述待测工艺系统对应于当前采样点的工艺控制参数和环境影响因素参数，预测所述待测工艺系统对应于所述目标采样点的状态，获得所述目标采样点的预设状态数据；根据所述目标采样点的预测状态数据和实际状态数据，训练所述待训练的状态预测模型，获得所述状态预测模型。
131.在一些实施例中，所述状态预测模型包括稀疏高斯过程回归模型。
132.在一些实施例中，对于各采样点中的任意一个当前采样点，所述当前采样点的工艺控制参数，是根据所述当前采样点的给定控制参数和可调控参数确定的；所述当前采样点的环境影响因素参数，是由所述待测工艺系统的至少一个感测设备在所述当前采样点对应的检测时刻下感测获得的；所述当前采样点的环境影响因素参数至少包括所述当前采样点的生产环境检测参数、生产原料检测参数、设备参数中的一个。
133.在一些实施例中，训练模块还用于：比对所述目标采样点的预测状态数据和实际状态数据，获得所述待训练的状态预测模型的模型损失值；基于所述模型损失值，更新所述待训练的状态预测模型的模型参数；利用更新后的所述待训练的状态预测模型，执行所述在各采样点中确定当前采样点和目标采样点的步骤，直至所述模型损失值满足预设训练结束条件；获得所述状态预测模型。
134.在一些实施例中，所述待测工艺系统的训练样本集还包括所述待测工艺系统的优化目标参数。训练模块还用于：对于各采样点中的任意一个当前采样点，根据所述优化目标参数、所述待测工艺系统对应于所述当前采样点的工艺控制参数和预测状态数据，获得所述当前采样点的预测结果评估数据；其中，所述当前采样点的预测结果评估数据表征所述当前采样点的预测状态数据的准确率。
135.在一些实施例中，预测单元402还用于：将所述工艺控制序列中各检测点对应的各工艺控制参数，确定为各检测点对应的各待优化工艺控制参数；利用给定的参数优化算法，对各检测点对应的各待优化工艺控制参数执行至少一次的迭代优化，获得各检测点对应的各优化工艺控制参数；根据各检测点对应的各优化工艺控制参数，预测所述待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据。
136.在一些实施例中，所述给定的参数优化算法包括交叉熵算法。
137.在一些实施例中，预测单元402还用于：初始化所述参数优化算法的参数值；基于所述参数优化算法的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化，获
得各检测点对应的各中间工艺控制参数；根据各检测点对应的各中间工艺控制参数，预测所述待测工艺系统对应于各检测点的各状态，获得各检测点对应的各中间预测状态数据与各预测结果评估数据；根据各检测点对应的各预测结果评估数据更新所述参数优化算法的参数值，将各检测点对应的各中间工艺控制参数更新为各检测点对应的各待优化工艺控制参数，并执行所述基于所述参数优化算法的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化，获得各检测点对应的各中间工艺控制参数步骤，直至所述参数优化满足预设参数优化结束条件；获得各检测点的各优化工艺控制参数。
138.在一些实施例中，当对各检测点对应的各待优化工艺控制参数执行的所述参数优化的处理次数，满足预设迭代优化阈值时，获得所述参数优化满足预设参数优化结束条件的判断结果。
139.在一些实施例中，所述至少一个目标检测点包括各检测点中的第一个检测点；所述至少一个待调整检测点包括各检测点中接续所述目标检测点之后的至少一个检测点。
140.电子设备
141.图5是本技术实施例四提供的一种电子设备的示意图，本技术具体实施例并不对电子设备的具体实现做限定。参见图5，本技术实施例提供的电子设备500包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及总线508。其中：
142.处理器502、通信接口504、以及存储器506通过总线508完成相互间的通信。
143.通信接口504，用于与其它电子设备或服务器进行通信。
144.处理器502，用于执行程序510，具体可以执行上述工艺控制参数优化方法实施例中的相关步骤。
145.具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
146.处理器502可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
147.存储器506，用于存储程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
148.程序510具体可以用于使得处理器502执行前述任一实施例中的工艺控制参数优化方法。
149.程序510中各步骤的具体实现可以参见上述工艺控制参数优化方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
150.计算机可读存储介质
151.本技术还提供了一种计算机可读存储介质，存储用于使一机器执行如本文所述的工艺控制参数优化方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
152.在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本技术的一部分。
153.用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
154.此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
155.此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
156.本专利申请中关于人的名词和代词不限于具体性别。
157.以上各实施例中，硬件模块可以通过机械方式或电气方式实现。例如，一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
158.上文通过附图和优选实施例对本技术进行了详细展示和说明，然而本技术不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本技术更多的实施例，这些实施例也在本技术的保护范围之内。

技术特征：
1.一种工艺控制参数优化方法，包括：根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据；根据在各检测点中确定的至少一个目标检测点和至少一个待调整检测点，在各预测状态数据中确定所述至少一个目标检测点对应的至少一个目标状态数据，并检测所述待测工艺系统对应于所述至少一个目标检测点的状态，获得所述至少一个目标检测点的至少一个实际状态数据；分析所述至少一个目标状态数据和所述至少一个实际状态数据，获得所述至少一个目标检测点的状态分析数据；根据所述至少一个目标检测点的状态分析数据，优化所述至少一个待调整检测点的至少一个工艺控制参数。2.根据权利要求1所述的方法，其中，所述方法包括：利用状态预测模型，执行所述根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据的步骤；且其中，所述状态预测模型通过以下方式训练获得：获取所述待测工艺系统的训练样本集，其中，所述训练样本集至少包括所述待测工艺系统对应于各采样点的各工艺控制参数、各环境影响因素参数、各实际状态数据；在各采样点中确定当前采样点和目标采样点，其中，所述目标采样点为各采样点中接续所述当前采样点之后的一个采样点；利用待训练的状态预测模型，根据所述待测工艺系统对应于当前采样点的工艺控制参数和环境影响因素参数，预测所述待测工艺系统对应于所述目标采样点的状态，获得所述目标采样点的预设状态数据；根据所述目标采样点的预测状态数据和实际状态数据，训练所述待训练的状态预测模型，获得所述状态预测模型。3.根据权利要求2所述的方法，其中，所述状态预测模型包括稀疏高斯过程回归模型。4.根据权利要求2所述的方法，其中，对于各采样点中的任意一个当前采样点，所述当前采样点的工艺控制参数，是根据所述当前采样点的给定控制参数和可调控参数确定的；所述当前采样点的环境影响因素参数，是由所述待测工艺系统的至少一个感测设备在所述当前采样点对应的检测时刻下感测获得的；所述当前采样点的环境影响因素参数至少包括所述当前采样点的生产环境检测参数、生产原料检测参数、设备参数中的一个。5.根据权利要求2所述的方法，其中，所述根据所述目标采样点的预测状态数据和实际状态数据，训练所述待训练的状态预测模型，获得所述状态预测模型，包括：比对所述目标采样点的预测状态数据和实际状态数据，获得所述待训练的状态预测模型的模型损失值；基于所述模型损失值，更新所述待训练的状态预测模型的模型参数；
利用更新后的所述待训练的状态预测模型，执行所述在各采样点中确定当前采样点和目标采样点的步骤，直至所述模型损失值满足预设训练结束条件；获得所述状态预测模型。6.根据权利要求2所述的方法，其中，所述待测工艺系统的训练样本集还包括所述待测工艺系统的优化目标参数；且其中，所述状态预测模型的训练还包括：对于各采样点中的任意一个当前采样点，根据所述优化目标参数、所述待测工艺系统对应于所述当前采样点的工艺控制参数和预测状态数据，获得所述当前采样点的预测结果评估数据；其中，所述当前采样点的预测结果评估数据表征所述当前采样点的预测状态数据的准确率。7.根据权利要求1或6所述的方法，其中，所述根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据，包括：将所述工艺控制序列中各检测点对应的各工艺控制参数，确定为各检测点对应的各待优化工艺控制参数；利用给定的参数优化算法，对各检测点对应的各待优化工艺控制参数执行至少一次的迭代优化，获得各检测点对应的各优化工艺控制参数；根据各检测点对应的各优化工艺控制参数，预测所述待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据。8.根据权利要求7所述的方法，其中，所述给定的参数优化算法包括交叉熵算法。9.根据权利要求7所述的方法，其中，所述利用给定的参数优化算法，对各检测点对应的各待优化工艺控制参数执行至少一次的迭代优化，获得各检测点对应的各优化工艺控制参数，包括：初始化所述参数优化算法的参数值；基于所述参数优化算法的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化，获得各检测点对应的各中间工艺控制参数；根据各检测点对应的各中间工艺控制参数，预测所述待测工艺系统对应于各检测点的各状态，获得各检测点对应的各中间预测状态数据与各预测结果评估数据；根据各检测点对应的各预测结果评估数据更新所述参数优化算法的参数值，将各检测点对应的各中间工艺控制参数更新为各检测点对应的各待优化工艺控制参数，并执行所述基于所述参数优化算法的参数值，对各检测点对应的各待优化工艺控制参数执行参数优化，获得各检测点对应的各中间工艺控制参数步骤，直至所述参数优化满足预设参数优化结束条件；获得各检测点的各优化工艺控制参数。10.根据权利要求9所述的方法，其中，通过以下方式获得所述参数优化满足预设参数优化结束条件的判断结果：当对各检测点对应的各待优化工艺控制参数执行的所述参数优化的处理次数，满足预设迭代优化阈值时，获得所述参数优化满足预设参数优化结束条件的判断结果。
11.根据权利要求1所述的方法，其中，所述至少一个目标检测点包括各检测点中的第一个检测点；所述至少一个待调整检测点包括各检测点中接续所述目标检测点之后的至少一个检测点。12.一种工艺控制参数优化装置，包括：预测单元，用于根据工艺控制序列中对应于各检测点的各工艺控制参数，预测待测工艺系统对应于各检测点的各状态，获得各检测点对应的各预测状态数据；确定单元，用于根据在各检测点中确定的至少一个目标检测点和至少一个待调整检测点，在各预测状态数据中确定所述至少一个目标检测点对应的至少一个目标状态数据，并检测所述待测工艺系统对应于所述至少一个目标检测点的状态，获得所述至少一个目标检测点的至少一个实际状态数据；分析单元，用于分析所述至少一个目标状态数据和所述至少一个实际状态数据，获得所述至少一个目标检测点的状态分析数据；优化单元，用于根据所述至少一个目标检测点的状态分析数据，优化所述至少一个待调整检测点的至少一个工艺控制参数。13.一种电子设备，包括：处理器、通信接口、存储器和总线，所述处理器、所述通信接口和所述存储器通过所述总线完成相互间的通信；所述存储器用于存储至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1至11中任一所述方法对应的操作。14.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至11中任一所述的方法。

技术总结
本申请提供了一种工艺控制参数优化方法、装置、电子设备及存储介质，所述方法包括根据工艺控制序列中对应于各检测点的各工艺控制参数，获得各检测点对应的各预测状态数据，根据在各检测点中确定的目标检测点和待调整检测点，在各预测状态数据中确定目标检测点的目标状态数据，并获得目标检测点的实际状态数据；分析目标状态数据和实际状态数据，获得目标检测点的状态分析数据，根据目标检测点的状态分析数据，优化待调整检测点的工艺控制参数。借此，本申请可在工艺处理过程中，实时动态地提供工艺控制参数的优化方案，以提高生产效率和产品良率。率和产品良率。率和产品良率。


技术研发人员：王达一 郑毅贤 吴文超 张琪萱 杨镇恺
受保护的技术使用者：西门子（中国）有限公司
技术研发日：2023.07.20
技术公布日：2023/10/15