买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东工业大学

摘要：本发明公开了一种基于K‑RVFL的固化热过程时空建模方法，步骤一，搭建芯片固化炉温度控制平台，步骤二，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，步骤三，通过PCA算法即主成分分析算法学习一组表征空间非线性特征的空间基函数，步骤四，使用基于核函数的随机向量函数连接网络即K‑RVFL网络逼近常微分方程模型。从而，温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。与神经网络系统和最小二乘支持向量机LS‑SVM比较起来,本模型有更高的模型预测精度和更快的建模速度。

主权项：1.一种基于K‑RVFL的固化热过程时空建模方法，其特征在于：步骤一，搭建芯片固化炉温度控制平台，在芯片固化炉的炉腔底部安装引线框架，在引线框架的上表面均匀布置多个热电偶传感器，并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据，还在引线框架的上方均匀布置多个加热器，每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉进行固化工作；步骤二，dSPACE实时仿真平台统计所有热电偶传感器的温度数据，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，并将所述时空数据定义为：{TZ,t|Z＝x1,x2,x3,t＝1,...,L},其中，Z＝x1,x2,x3为空间指标，L为时间长度，从而TZ,t为在位置Z＝x1,x2,x3和时间t的温度；步骤三，dSPACE实时仿真平台通过PCA算法即主成分分析算法学习一组表征空间非线性特征的空间基函数从而将步骤二采集到的时空数据TZ,t解耦为：其中，ait为时空数据TZ,t的常微分方程模型，n为常微分方程模型的阶数；步骤四，dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络即K‑RVFL网络逼近常微分方程模型ait；步骤五，dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ait，时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。

全文数据：一种基于K-RVFL的固化热过程时空建模方法技术领域[0001]本发明涉及固化热过程建模领域，尤其涉及一种基于K-RVFL的固化热过程时空建模方法。背景技术[0002]在芯片封装过程中，固化过程是其中最重要的一个过程之一。芯片固化质量的好坏，直接影响最终成品的质量以及使用寿命。而固化过程所使用的设备即为芯片固化炉。固化炉的内部有一个拱形的加热模块，它的作用是使得炉腔内的温度场保持一致。炉腔下端有一个冷却装置，它的作用是使得炉腔内的温度在上下方向上形成一个温度梯度，这样可以满足芯片在不同固化阶段所需的不同温度的要求。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。固化炉属于分布参数系统DPS，虽然根据热传递规律，可以大致获得固化炉的偏微分方程结构，但是仍有许多模型参数无法获得。由于芯片固化质量对温度的分布要求非常高，因此基于数据的时空分布模型对于固化过程的温度管理具有非常重要的意义。发明内容[0003]本发明的目的在于提出一种基于K-RVFL的固化热过程时空建模方法，建立芯片固化热过程模型，实现芯片固化炉在线温度监测和温度分布的在线估计，并且建模精度高。[0004]为达此目的，本发明采用以下技术方案：[0005]—种基于K-RVFL的固化热过程时空建模方法：[0006]步骤一，搭建芯片固化炉温度控制平台，在芯片固化炉的炉腔底部安装引线框架，在引线框架的上表面均匀布置多个热电偶传感器，并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据，还在引线框架的上方均匀布置多个加热器，每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号吏芯片固化炉进行固化工作；[0007]步骤二，dSPACE实时仿真平台统计所有热电偶传感器的温度数据，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，并将所述时空数据定义为：[0008]{TZ，t|z=X1，X2，X3，t=l，···，L}，[0009]其中，Z=Xl，X2，X3为空间指标，L为时间长度，从而TZ，t为在位置Z=X1，X2,X3和时间t的温度；[0010]步骤三，dSPACE实时仿真平台通过PCA算法（即主成分分析算法学习一组表征空间非线性特征的空间基函数，从而将步骤二采集到的时空数据Tz，t解耦为：[0011][0012]其中，ait为时空数据TZ，t的常微分方程模型，η为常微分方程模型的阶数；[0013]步骤四，dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络（SPK-RVFL网络逼近常微分方程模型ai⑴；[0014]步骤五，dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型ai⑴，时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。[0015]优选地，所述步骤三中，dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为：[0016]首先，定义时空数据TZ，t的统计平均值为定义hiX和h2X在空间域Ω的内积为hiX，h2X=JohiXh2Xdx;[0017]接着，将时空数据TZ，t和空间基函数的内积最大化：[0018][0019]subjecttoΦί·，Φί·=1，Φί·GL2Q，i=l，...，n;[0020]构造拉格朗日函数：[0021]J[i⑵]=〈（Φ⑵，ΤΖ，ΐ2_λφ⑵，Φ⑵）-I，[0022]其中，Z为坐标（X1，X2，X3，极值的必要条件是函数导数对于所有变化neR为零：，.[0023][0024]并利用任意函数ιΚΖ将条件简化为：[0025][0027]C5i=Ai5i,[0028]其中，Ctk是时间两点矩阵：[0026]其中，RΖ，ξ=〈TZ，tTU，t是对称和正定的空间两点相关函数，从而将条件转化为以下特征值问题：I[0029][0030]Si=[δΗ，δ2ί,···，5Li]T是第i个特征向量；[0031]然后，通过求解CSi=Wi产生特征向量δΟ%...Jl及其相应的特征值A1J2,...，λί，和通过丨获得空间基函数；[0032]最后，把特征值按照从大到小的顺序排列山〉λ2…〉，其中前η个最大特征值和的占比为：[0033][0034]选取rati〇彡0.99对应的值η作为空间基函数的阶数。[0035]优选地，所述步骤四中，构造基于核函数的随机向量函数连接的网络具体为：[0036]首先，定义具有K个隐藏节点的RVFL网络的输出函数为：[0037][zit-1|Gffh*Zit-1+bh]*β=〇t,t=2,...,L[0038]其中，Wh和bh是第h个隐藏节点的权重矩阵和偏差，将在随后的运行中随机生成并修复；[0039]Zit=[aitT，u⑴τ]，i=1，2,···，n;[0040]β是需要运行的输出权重矩阵，。⑴是在时间点t的网络输出值，G·是一个非线性激活函数;并令Zi⑴=zt，ait=a⑴；[0041]误差方式为表示Frobenius范数；[0042]接着，寻找使得[zt_l|GWh·zt_l+bh]·P=at，t=2,···，L的Wh，bh和β;[0043]然后，定义矩阵H为[zt-1IGWh·zt-1+bh]，即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵，从而输出函数转换为：[0044]!1.0=¥，其中¥=[®，···#^]'[0045]基于最小范数最小二乘理论，输出权重矩阵用下式计算：[0046]其中1|1代表穆尔_彭罗斯M_P矩阵H的广义逆；[0047]使用正交投影法计算矩阵H的广义逆Hf:[0048]当HtH是非奇异，则[0049]当邮是非奇异，则[0050]优选地，所述步骤四中，K-RVFL网络逼近常微分方程模型ai⑴具体为：[0051]首先，由于步骤三确定了空间基函数从而无需输入增强节点的数目及其相应的激活函数；[0052]为避免奇点出现，将正数IC添加进对角矩阵HTH，从而新的输出权重β为〃=HY在随机向量函数连接网络中相应的输出结果为[0053]或者，将正数1C添加进对角矩阵HHT*，从而新的输出权重β为在随机向M函数连接网络中相应的输出结果为[0054][0055]定义，J11=Zt，h2=h2ζt=[GWi·ζ⑴+bi…GWk·ζt+bi0]，H=[HiIH2]，其中：Hi=[z1，...，zL-I]TL-iX5，[0056][0057]从而输出结果转换为：[0058][0059]核矩阵为：Qtj=〈z⑴，ζτ=Κζ⑴，ζτ;J[0060][0061]K是线性核函数，£为高斯核函数.从而K-RVFL的输出结果用以下公式计算：[0062][0063]第i个常微分方程模型ai⑴为：[0064][0065]其中：[0066]优选地，所述步骤五的温度时空分布模型为：[0067][0068]优选地，还包括：[0069]步骤六，使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界，[0070]若满足损失函数I|队|I彡P1，那么对于任意的δe〇，1，都存在至少l-δ的概率使得所有的^e孖都满足：[0071][0072]其中：表示：^使用损失函数1的预期风险，[0073]I表示^使用损失函数1的经验风险，[0074]若，IIβίII彡Pi，则温度时空分布模型的Rademacher复杂度的边界条件H为：[0075][0076]所述基于K-RVFL的固化热过程时空建模方法，在时间与空间被分割的条件下，空间的基础函数会首先被PCA方式构建，而且降阶时态模型也可以用K-REVL方式估算出来。从而，温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。与神经网络系统和最小二乘支持向量机LS-SVM比较起来，本模型有更高的模型预测精度和更快的建模速度。附图说明[0077]附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。[0078]图1是本发明其中一个实施例的芯片固化炉结构示意图；[0079]图2是本发明其中一个实施例的热电偶传感器分布图；[0080]图3是本发明其中一个实施例的K-RVFL网络的线性流程图；[0081]图4是本发明其中一个实施例的K-RVFL时空建模流程图；[0082]图5是本发明其中一个实施例的PCA算法分解前三个空间基函数图；[0083]图6是本发明其中一个实施例的16000秒内测得的温度分布图；[0084]图7是本发明其中一个实施例的16000秒内测得的绝对相对误差分布图；[0085]图8是本发明其中一个实施例的热电偶传感器s2及其模型测量结果图；[0086]图9是本发明其中一个实施例的热电偶传感器s7及其模型测量结果图；[0087]图10是本发明其中一个实施例的时间归一化绝对误差比较图；[0088]图11是本发明其中一个实施例的绝对相对误差比较图。[0089]其中：芯片固化炉1;引线框架2;热电偶传感器3、sl、s2、s3、s4、s5、s6、s7、s8、s9、810、811、812、813、814、815、816;加热器4、111、112、113、114。具体实施方式[0090]下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。[0091]实施例一[0092]本实施例的基于K-RVFL的固化热过程时空建模方法：[0093]步骤一，搭建芯片固化炉温度控制平台，如图1、图2所示，在芯片固化炉1的炉腔底部安装引线框架2,在引线框架2的上表面均匀布置多个热电偶传感器3,并由dSPACE实时仿真平台采集所有热电偶传感器3的温度数据，还在引线框架2的上方均匀布置多个加热器4，每个加热器4由一个脉宽调制信号和一个功率放大器提供输入信号，使芯片固化炉1进行固化工作；[0094]步骤二，dSPACE实时仿真平台统计所有热电偶传感器3的温度数据，得到芯片固化炉1在固化工作状态下的温度分布随时间变化的时空数据，并将所述时空数据定义为：[0095]{TZ，tIZ=Xi，X2，X3，t=1，···，L}，[0096]其中，Z=χι，Χ2，Χ3为空间指标，L为时间长度，从而TZ，t为在位置Z=χι，Χ2,X3和时间t的温度；[0097]步骤三，如图4所示，dSPACE实时仿真平台通过PCA算法（即主成分分析算法学习一组表征空间非线性特征的空间基函数，从而将步骤二采集到的时空数据T2,1:解耦为：[0098][0099]其中，ait为时空数据TZ，t的常微分方程模型，η为常微分方程模型的阶数，用来预测与空间基函数对应的特征值的能量比；[0100]步骤四，dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络（SPK-RVFL网络逼近常微分方程模型ai⑴，模型参数由测量的温度数据获得；[0101]步骤五，dSPACE实时仿真平台通过整合所述空间基函数·和所述常微分方程模型ai⑴，时空合成获得芯片固化炉1在固化工作状态下的温度时空分布模型。[0102]根据芯片固化炉1的传热规律，芯片固化炉1的热过程一般表达式可以描述为：[0103][0104]其中Z=x，y，z是空间坐标，TZ，t表示在时间t和位置Z=x，y，z处的温度单位°〇），（x，y，z、xe[0，xQ]、ye[0，yQ]和ze[0，z0]为空间坐标，c为比热系数单位Jkg°C，f。⑴和fr⑴分别为未知的对流和辐射非线性效应。Q=Qx，y，z，t是热源，P和h分别是密度单位kgm3和热导率单位Wm°C。[0105]热导率^和密度P的取决于温度，并且可以表示为：[0106][0107]其中，ko和Po是工作点周围的标称值，IΓ和ρΓ是TS，tk的函数。[0108]因此，可以转为以下形式：[0109][0110]其中，-是拉普拉斯算子，h=WpciC是常数；[0111][0112]是关于T的未知非线性函数。很明显，有两个非线性函数F·和Q·，其中Q·是关于ut的非线性函数。芯片固化炉1的热过程描述的偏微分方程具有无线维的特征，所以不能够直接用于在线预测和控制。因此为了实际应用，建立一个有限维的常微分方程描述的模型非常重要。[0113]PCA算法（即主成分分析算法），在求空间基函数的时候经常被使用。随着获得空间基函数，原来的DPS可以转化为集中参数系统LPS。一些现有的模型算法和控制算法也可以用来计算DPS模型，这些算法之前已经成功的应用在LPS线性规划系统模型中。在建模方面，非常多的传统的基于数据建模的技术也可以应用在DPS模型上，比如支持向量机SVM，神经网络NN，模糊模型。然而，这些算法总是需要很长的学习过程。[0114]为了解决以上的问题，随机向量泛函链网络RVFL被Paoetal开发了出来。在这个网络中，输入权重和隐藏节点的数目都是随机选择的。因此，只需要计算输出权重。RVEL的结构非常接近三层神经网络。唯一的区别就是RVEL允许输入层与输出层直连。RVEL已经被Igelnik和Pao证实是一种通用逼近器。它具有学习速度快、结构简单、泛用性能好等优点，对工业应用具有重要意义。为了避免选择数量众多的隐节点数和隐映射函数，KernelbasedRVFLK-RVFL，即基于核函数的随机向量泛函链网络被开发了出来，这被视为RVFL的核心，RVFL是用来快速学习和高效地建立DPS模型。由于复杂的嵌入式内核，K-RVFL应该有更多的能力来处理复杂的过程。[0115]为了分析现存动态模型的泛化能力，拉德马赫复杂度就被提出来寻找泛化误差界。Rademacher复杂度即拉德马赫复杂度，被广泛应用于估计分类模型和回归模型的复杂度。与Vapnik-ChervonenkisVC维度不同，拉德马赫复杂度不仅仅适用于二元函数，也可用于真值函数，而且事实也证明，他比VC维度效率更高。拉德马赫被成功的应用于分析基于核心的计算方法。但是，这种方法还没有用于DPS的建模。[0116]本实施例的建模方法中，K-RVFL被第一次应用到DPS的建模里。在时间与空间被分割的条件下，空间的基础函数会首先被PCA方式构建，而且降阶时态模型也可以用K-REVL方式估算出来。从而，温度分布的动态模型就可以在以时间和空间为坐标轴的图上建立出来。本模型对于实时工业应用来说是非常有效而且简单的。为了将本动态模型泛应用化，拉德马赫复杂度就被用来证明泛应用界限。与神经网络系统和最小二乘支持向量机LS-SVM比较起来，本模型有更加亮眼的表现和更快的学习速度。[0117]优选地，所述步骤三中，dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数MZL具体为：[0118]首先，定义时空数据TZ，t的统计平均值为，定义hix；^Ph2X在空间域Ω的内积为hiX，h2X=ΧωΙίιXh2Xdx;[0119]接着，将时空数据TZ，t和空间基函数的内积最大化：[0120][0121]subjecttoΦi·，Φi·=1，Φi·GL2Ω，i=1，…，n;[0122]PCA方法是从一组时空数据当中学习到空间基函数，其中约束Φ^Ο,Φ^·=1是为了保证空间基函数的唯一性;构造拉格朗日函数：[0123]J[i⑵]=〈（Φ⑵，ΤΖ，ΐ2_λφ⑵，Φ⑵）-1，[0124]其中，Z为坐标（Χ1，χ2，χ3，极值的必要条件是函数导数对于所有变化梦+渖eR为零，R表示实数域：[0125][0126]并利用任意函数ιΚΖ将条件简化为：[0127][0128]其中，RΖ，ξ=〈TZ，tTU，t是对称和正定的空间两点相关函数，从而将条件转化为以下特征值问题：[0129]C5i=Ai5i,[0130]其中，Ctk是时间两点矩阵：[0131][0132]δί=[δΗ，δ2ί，···，5Li]T是第i个特征向量；[0133]然后，通过求解CSi=Wi产生特征向量δΟ%...Jl及其相应的特征值A1J2,...，λί，和通过获得空间基函数；[0134]最后，把特征值按照从大到小的顺序排列:A1λ2，其中前η个最大特征值和的占比为：[0135][0136]选取ratiο彡0.99对应的值η作为空间基函数的阶数。[0137]PCA算法（即主成分分析算法对实际系统的机理过程无需知道，只需要实验数据便可以得到原系统的数学模型。因此这种方法广泛的应用在DPS建模应用当中。这种方法的建模思想主要是先对实验采集到的时空数据进行降维处理，通过求特征值特征向量问题来得到有限个数的空间基函数。[0138]优选地，所述步骤四中，构造基于核函数的随机向量函数连接的网络具体为：首先，定义具有K个隐藏节点的RVFL网络的输出函数为：[0139][zit-1|Gffh*Zit-1+bh]*β=〇t,t=2,...,L[0140]其中，Wh和bh是第h个隐藏节点的权重矩阵和偏差，将在随后的运行中随机生成并修复；[0141]Zit=[aitT，u⑴τ]，i=l，2,···，n;[0142]β是需要运行的输出权重矩阵，〇⑴是在时间点t的网络输出值，G·是一个非线性激活函数;并令Z1t=Zt，ait=a⑴；任何连续的目标函数fX都可以用RVFL来近似表示，[0143]误差方式为表示Frobenius范数；，[0144]接着，寻找使得[zt-1|GWh·Zt-1+bh]·P=at，t=2,···,L的Wh，bh和β;[0145]然后，定义矩阵H为[zt-1IG¾·zt-1+bh]，即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵，从而输出函数转换为：[0146]!!•0=¥，其中¥=[®，···#^]、[0147]基于最小范数最小二乘理论，输出权重矩阵用下式计算：[0148]其中表穆尔-彭罗斯M-P矩阵η的广义逆；[0149]使用正交投影法计算矩阵H的广义逆Ht:[0150]当HtH是非奇异，则[0151]当11#是非奇异，则[0152]在K-RVFL中，如果给定相应的核函数，则不需要知道增强节点的数目及其相应的激活函数。图3显示的是K-RVFL网络的线性流程，同时箭头方向也说明了所有层都相互连通。[0153]优选地，所述步骤四中，K-RVFL网络逼近常微分方程模型ai⑴具体为：[0154]首先，由于步骤三确定了空间基函数人而无需输入增强节点的数目及其相应的激活函数；[0155]为避免奇点出现，将正数1C添加进对角矩阵妒!1，从而新的输出权重β为〃1+叫《'在随机向M函数连接网络中相应的输出结果为[0156]或者，将正数1C添加进对角矩阵!1妒中，从而新的输出权重β为在随机向M函数连接网络中相应的输出结果为[0157]定义，J11=Zt，h2=h2ζt=[GWi·ζt+bi…G¾·ζt+bi0]，H=[HiIH2]，其中:Hl=[Z1，...，ZL-I]TL-IX5，[0158][0159]从而输出结果转换为：[0160][0161]核矩阵为4=H1hI.,Ωt,T=〈zt，ζτ=Kzt，ζτ;[0162][0163]K是线性核函数，f为高斯核函数.从而K-RVFL的输出结果用以下公式计算：[0164][0165]第i个常微分方程模型ai⑴为：[0166][0167]其中，[0168]优选地，所述步骤五的温度时空分布模型为：[0169][0170]优选地，还包括:步骤六，使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界，[0171]若满足损失函数I|队|Kp1，那么对于任意的Se0，1，都存在至少ι-δ的概率使得所有的f、e都满足：[0172][0173]其中：：pi表示:ξ使用损失函数1的预期风险，[0174]表示使用损失函数1的经验风险，[0175]若IIβίII彡Pi，则温度时空分布模型的Rademacher复杂度的边界条件H为：[0176][0177]拉德马赫复杂度可以用来衡量一类函数的丰富度，同时也可以减少基于样本误差所产生的估计错误。与Vapnik-Chervonenkis维度只能用于二元函数不同，拉德马赫复杂度也可以用于其他的学习算法，比如基于核的算法。[0178]步骤七的具体过程为:通过使用Rademacher复杂度的概念，可以证明：[0179]假设平方损耗函数It-I2是一个具有常数的Lipschitz函数D=2A+IITII~。然后拉德马赫复杂度的损耗函数集‘可以表达为：[0180]增加引理1:对于任意的δε〇，1，在长度为m的测试样本上具有至少l-δ的概率，对于所有的$属于H内的都满足：[0181][0182]从而得出下式，其右边的最后两项相加为一个常数：[0183][0184]假设〇1，...，〇m是相互独立的且均匀的取自拉德马赫复杂度随机变量取值范围-U，1}内的值。与之相对应样本的拉德马赫复杂度经验边界条件H定义如下：[0186]当贝Ij[0187]Ai和是相对应积分算子的特征值，hy和RjO相应特征空间的任意函数。[0188]实施例二[0189]本实施例通过进行实时实验来验证所提出的建模方法。首先，搭建芯片固化炉温度控制平台，如图1所示，在芯片固化炉1的炉腔底部安装引线框架2,在引线框架2的上表面均匀布置16个相同规格的热电偶传感器3,热电偶传感器3的详细布置位置如图2所示。在引线框架2的上方均匀布置四个相同规格的加热器4，每个加热器4的功率为700w，热电偶传感器3均匀的布置在加热器4下方5_的同一水平面上。每个加热器4由一个脉宽调制信号和一个功率放大器提供输入信号使芯片固化炉1进行固化工作。由dSPACE实时仿真，平台采集所有热电偶传感器3的温度数据。采样间隔为At=IOs,每个热电偶传感器3都采集了1600组温度数据。其中（热电偶传感器si至s6和s8至sl6的前1000个数据用于估计模型，后600个数据用于测试模型。为了评估未测试区域的模型性能，使用来自热电偶传感器s7的数据进行对比。dSPACE实时仿真平台是以内容管理发布为设计目标，遵循BSD协议的开放源代码数字存储系统，可以收集、存储、索引、保存和重新发布任何数字格式、层次结构的永久标识符研究数据。[0190]通过PCA算法分解，前三个空间基函数用于时间与空间分离，如图5a至5c所7Jnο[0191]在时间与空间分离的情况下，K-RVFL用来对三个常微分方程模型进行近似模拟。在空间内的动态方面，16000秒内测得的温度分布7\Ζ，ί和绝对相对误差示分布显示于图6和图7中。热电偶传感器s2及其模型的测量结果如图8所示。由此可知，本模型模拟度高，而且，如图9所示，该模型在未经训练的位置即热电偶传感器s7也表现得非常好。[0192]为了能够测试出反映拉德马赫复杂性定理的方法的泛化界限，用95%的置信度δ=0.05计算。计算结果为5.0269,同时预期的风险为3.1733.仿真的结果与本实施例以拉德马赫复杂度为基础的方案是相符的。[0193]为了与现有的神经网络NN建模方法和LS-SVM建模方法比较，以下标准用于评估模型性能：[0194]时间归一化绝对误差：其中:，[0195]绝对相对误差：[0196]均方根误差:[0197]R平方关系：[0198]三种方式的模拟时间和均方根误差如表1所示，时间归一化绝对误差如图10所示，与未经训练的热电偶传感器s7的绝对相对误差比较如图11所示，其R平方关系比较如表2所示。由此可知，在固化过程中本实施例提出的建模方法比另外两种现有建模方法具有明显的优越性，仿真速度快，模型预测精度高。[0202]表2[0203]以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

权利要求：1.一种基于K-RVFL的固化热过程时空建模方法，其特征在于：步骤一，搭建芯片固化炉温度控制平台，在芯片固化炉的炉腔底部安装引线框架，在引线框架的上表面均匀布置多个热电偶传感器，并由dSPACE实时仿真平台采集所有热电偶传感器的温度数据，还在引线框架的上方均匀布置多个加热器，每个加热器由一个脉宽调制信号和一个功率放大器提供输入信号.使芯片固化炉进行固化工作；步骤二，dSPACE实时仿真平台统计所有热电偶传感器的温度数据，得到芯片固化炉在固化工作状态下的温度分布随时间变化的时空数据，并将所述时空数据定义为：{TZ，tIZ=XI，X2，X3，t=1，···，L}，其中，Z=X1，X2，X3为空间指标，L为时间长度，从而TZ，t为在位置Z=X1，X2，X3和时间t的温度；步骤三，dSPACE实时仿真平台通过PCA算法（即主成分分析算法）学习一组表征空间非线性特征的空间基函数，从而将步骤二采集到的时空数据TZ，t解耦为：其中，t为时空数据TZ，t的常微分方程模型，η为常微分方程模型的阶数；步骤四，dSPACE实时仿真平台使用基于核函数的随机向量函数连接网络（S卩K-RVFL网络逼近常微分方程模型⑴；步骤五，dSPACE实时仿真平台通过整合所述空间基函数和所述常微分方程模型⑴，时空合成获得芯片固化炉在固化工作状态下的温度时空分布模型。2.根据权利要求1所述的基于K-RVFL的固化热过程时空建模方法，其特征在于，所述步骤三中，dSPACE实时仿真平台通过PCA算法学习一组表征空间非线性特征的空间基函数具体为：首先，定义时空数据TZ，t的统计平均值为定义hiX和h2X在空间域Ω的内积为hiX，h2X=JohiXh2Xdx;接着，将时空数据TZ，t和空间基函数的内积最大化：subjectΐοΦι·,Φί·=1,Φί·GL2Q,ί=1,···,η；构造拉格朗日函数：•ΚΦ⑵]=〈（Φ⑵，ΤΖ，ΐ2-λφ⑵，Φ⑵）-I，其中，Z为坐标X1，X2，X3，极值的必要条件是函数导数对于所有变化Φ+響εΖ?Ωη!eR为零：并利用任意函数Φ⑵将条件简化为：其中，RZ，|=〈1'2,〇1'|，〇是对称和正定的空间两点相关函数，从而将条件转化为以下特征值问题：〇δι=λίδί,其中，Ctk是时间两点矩阵：δί=[5u，52i，···，5Li]T是第i个特征向量；然后，通过求解CSi=AiSi产生特征向量S1J2,...，5L及其相应的特征值A1J2,...，λ^，和通过获得空间基函数；最后，把特征值按照从大到小的顺序排列:A1λ2…，其中前η个最大特征值和的占比为：选取rati〇彡0.99对应的值η作为空间基函数的阶数。3.根据权利要求2所述的基于K-RVFL的固化热过程时空建模方法，其特征在于，所述步骤四中，构造基于核函数的随机向量函数连接的网络具体为：首先，定义具有K个隐藏节点的RVFL网络的输出函数为：[zit-l|Gffh·Zit-l+bh]·β=〇ΐ,t=2,...,L其中，Wh和bh是第h个隐藏节点的权重矩阵和偏差，将在随后的运行中随机生成并修复；Zit=[aitT,utT],i=l,2,...,η；β是需要运行的输出权重矩阵，。⑴是在时间点t的网络输出值，G·是一个非线性激活函数;并令Zi⑴=zt，ait=a⑴；误差方式为表示Frobenius范数；接着，寻找使得[zt_l|GWh·zt_l+bh]·P=at，t=2,···，L的Wh，bh和β;然后，定义矩阵H为[zt-1|GWh·zt-l+bh]，即矩阵H为包含了增强成分的所有输入向量的扩展输入矩阵，从而输出函数转换为：!!•0=¥，其中¥=[2，...，〇]、基于最小范数最小二乘理论，输出权重矩阵用下式计算：其中Ht代表穆尔-彭罗斯M-P矩阵H的广义逆；使用正交投影法计算矩阵H的广义逆FT.当HtH是非奇异，则当11#是非奇异，则4.根据权利要求3所述的基于K-RVFL的固化热过程时空建模方法，其特征在于，所述步骤四中，K-RVFL网络逼近常微分方程模型ai⑴具体为：首先，由于步骤三确定了空间基函数从而无需输入增强节点的数目及其相应的激活函数；为避免奇点出现，将正数1C添加进对角矩阵妒!1，从而新的输出权重β为在随机向M函数连接网络中相应的输出结果为或者，将正数lc添加进对角矩阵HHt中，从而新的输出权重β为在随机向M函数连接网络中相应的输出结果为Y=[a⑵，···，aL]τ;定义，hi=zt，h2=h2z⑴）=[GWi·zt+bi…GWk·zt+bi〇]，H=[H1IH2]，其中：Hi=[zI，···，zL-I]tl-ix5，从而输出结果转换为：核矩阵为：K是线性核函数，f为高斯核函数.从而K-RVFL的输出结果用以下公式计算：第i个常微分方程模型m⑴为：其中，5.根据权利要求4所述的基于K-RVFL的固化热过程时空建模方法，其特征在于，所述步骤五的温度时空分布模型为：6.根据权利要求5所述的基于K-RVFL的固化热过程时空建模方法，其特征在于，还包括：步骤六，使用Rademacher复杂度来度量所述温度时空分布模型的期望误差的上界，若满足损失函数」1队11Sp1，那么对于任意的δε0，1，都存在至少ι-δ的概率使得所有的都满足：其中：£表示f使用损失函数1的预期风险，表示：ξ使用损失函数1的经验风险，若II队II彡Pi，则温度时空分布模型的Rademacher复杂度的边界条件H为：

百度查询： 广东工业大学 一种基于K-RVFL的固化热过程时空建模方法