隨著我國制造業(yè)物聯(lián)網(wǎng)、信息化布局的逐步完善和智能制造國家戰(zhàn)略的穩(wěn)步落實,在工業(yè)產品質量管理領域,基于數(shù)據(jù)驅動的產品質量預測與溯源分析成為智能制造的核心部分。液晶顯示面板是數(shù)字化、網(wǎng)絡化時代新型顯示技術的主流器件,廣泛應用于智能手機、液晶電視、平板電腦及各類智能顯示電器。玻璃基板作為液晶顯示面板的關鍵上游材料,其厚度是玻璃基板品質評價中的一項關鍵指標,對液晶顯示面板的性能影響極大�，F(xiàn)有的玻璃基板厚度測量方式成本高、實時性差,難以實現(xiàn)高效、全面的厚度測量,且無法追溯玻璃基板的異常加工參數(shù),容易導致殘次玻璃基板流入液晶顯示面板后續(xù)加工工序,增加制造成本。針對上述問題,本文利用玻璃基板加工過程數(shù)據(jù),對玻璃基板厚度預測中的關鍵算法進行了深入研究,并設計開發(fā)了玻璃基板厚度預測軟件系統(tǒng)。論文主要研究內容如下:（1）分析了液晶玻璃基板厚度測量技術的現(xiàn)狀和痛點,提出以數(shù)據(jù)驅動為核心技術的整體框架,并確定軟件系統(tǒng)的架構模式和功能模塊。（2）研究了液晶玻璃基板加工過程數(shù)據(jù)的特點,提出基于皮爾遜相關系數(shù)的差異化特征選擇方法,并對數(shù)據(jù)特征進行多重共線性研究。（3）針對小樣本、高維度的數(shù)據(jù)特征,使用嶺回歸、支持向... 

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 玻璃基板研究現(xiàn)狀
        1.2.1 玻璃基板發(fā)展現(xiàn)狀
        1.2.2 玻璃基板生產方法與工藝流程
    1.3 玻璃基板厚度測量研究現(xiàn)狀
    1.4 數(shù)據(jù)驅動的質量管理研究現(xiàn)狀
    1.5 本文研究內容與章節(jié)安排
第二章 玻璃基板加工過程數(shù)據(jù)研究與處理
    2.1 預測模型評價指標的選擇
    2.2 玻璃基板加工過程數(shù)據(jù)探索性分析與預處理
    2.3 玻璃基板加工過程數(shù)據(jù)特征提取與特征選擇方案分析
        2.3.1 基于主成分分析的特征提取法
        2.3.2 基于皮爾遜相關系數(shù)的特征選擇法
    2.4 玻璃基板加工過程數(shù)據(jù)多重共線性研究
        2.4.1 多重共線性介紹
        2.4.2 方差膨脹系數(shù)
        2.4.3 玻璃基板加工過程數(shù)據(jù)多重共線性檢測
    2.5 本章小結
第三章 基于單一模型的厚度預測研究
    3.1 基于嶺回歸的厚度預測模型
    3.2 基于支持向量回歸的厚度預測模型
    3.3 基于XGBoost的厚度預測模型
    3.4 基于Light GBM的厚度預測模型
    3.5 單一預測模型比較與結論
    3.6 本章小結
第四章 基于模型融合的厚度預測研究
    4.1 基于均權融合的厚度預測研究
    4.2 基于加權融合的厚度預測研究
    4.3 基于Stacking的集成學習模型融合的厚度預測研究
        4.3.1 集成學習理論
        4.3.2 基于Stacking集成學習的模型融合厚度預測算法實現(xiàn)
    4.4 基于模型融合的厚度預測模型比較與結論
    4.5 本章小結
第五章 厚度預測軟件系統(tǒng)設計與開發(fā)
    5.1 軟件系統(tǒng)框架設計
    5.2 軟件系統(tǒng)開發(fā)實現(xiàn)
    5.3 系統(tǒng)測試
        5.3.1 功能測試
        5.3.2 性能測試
    5.4 本章小結
結論與展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]基于RF-LightGBM算法在風機葉片開裂故障預測中的應用[J]. 陳維剛,張會林.  電子測量技術. 2020(01)
[2]基于多模型融合的工業(yè)工件剩余壽命預測[J]. 王建成,蔡延光.  自動化與信息工程. 2020(01)
[3]基于主成分分析和LightGBM的風電場發(fā)電功率超短期預測[J]. 曹渝昆,朱萌.  上海電力學院學報. 2019(06)
[4]打破國外壟斷 填補國內空白——中國首片8.5代TFT-LCD玻璃基板在蚌埠下線[J]. 湯文浩.  中國建材. 2019(10)
[5]激光測厚技術在液晶玻璃基板生產中的應用[J]. 姚文龍,何懷勝,楊道輝,李飛.  玻璃. 2019(01)
[6]磁致伸縮引起的徑向磁通電機定子鐵心振動精確解析模型[J]. 吳勝男,于慎波,佟文明,唐任遠.  電工技術學報. 2019(02)
[7]大數(shù)據(jù)：數(shù)據(jù)驅動的過程質量控制與改進新視角[J]. 任明侖,宋月麗.  計算機集成制造系統(tǒng). 2019(11)
[8]TFT-LCD基板玻璃的市場現(xiàn)狀及發(fā)展趨勢[J]. 劉建黨,劉攀,肖子凡,鄧臻祿,席國勇.  玻璃. 2018(02)
[9]TFT-LCD基板玻璃的研究與發(fā)展[J]. 韓建軍,吳孟鳴,湯何銳,王靜,謝俊,劉超.  硅酸鹽通報. 2017(12)
[10]基于工業(yè)大數(shù)據(jù)的晶圓制造系統(tǒng)加工周期預測方法[J]. 朱雪初,喬非.  計算機集成制造系統(tǒng). 2017(10)

博士論文
[1]磨削過程動態(tài)性能測試、解析模型構建及工藝優(yōu)化方法研究[D]. 馬胤琛.東華大學 2016
[2]基于切削力預測模型的復雜曲面銑削進給速度優(yōu)化研究[D]. 付中濤.華中科技大學 2015
[3]基于粗糙集知識建模的焊縫成形質量專家系統(tǒng)預測研究[D]. 林濤.上海交通大學 2008
[4]過程質量控制智能化體系與方法研究[D]. 鄭唯唯.西北工業(yè)大學 2006
[5]支持向量回歸的模型選擇及應用研究[D]. 劉靖旭.國防科學技術大學 2006

碩士論文
[1]負債分析中的多重共線性問題研究[D]. 徐嘉.哈爾濱工業(yè)大學 2019
[2]基于數(shù)據(jù)驅動的注塑機液壓故障智能診斷系統(tǒng)研究與設計[D]. 徐勇.華南理工大學 2019
[3]基于集成學習算法的搜索廣告轉化率預測應用研究[D]. 顧媛媛.上海師范大學 2019
[4]對多重共線性檢測指標的一些研究[D]. 高陽.蘭州大學 2019
[5]基于XGBoost和LSTM模型的化工產品質量預測研究[D]. 楊正森.南京財經大學 2019
[6]基于集成學習的工業(yè)產品質量控制方法研究[D]. 張莉婷.華南理工大學 2018
[7]基于多特征融合的前方車輛在線識別[D]. 陳毅.武漢理工大學 2018
[8]多尺度分析與數(shù)據(jù)互遷移相結合的短期電力負荷預測方法[D]. 劉世昌.湖南大學 2017
[9]基于MES的機加車間制造過程工序質量控制方法與系統(tǒng)研究[D]. 趙雙鳳.重慶大學 2016
[10]多種時間序列預測方法的比較研究[D]. 王青青.南京大學 2014



本文編號：3656562