本发明属于人工智能技术领域，具体涉及一种基于大数据技术的led生产工艺优化方法。
背景技术：
任何光都可以用红、绿、蓝这3种色光按不同的比例混合而成，这就是三原色原理。三原色的原理可解释如下：自然界的任何光色都可以由3种光色按不同的比例混合而成；三原色之间是相互独立的，任何一种光色都不能由其余的两种光色来组成；混合色的饱和度由3种光色的比例来决定；混合色的亮度为3种光色的亮度之和。例如这三种光以相同的比例混合、且达到一定的亮度，就呈现白色(白光)；若三种光的亮度均为零，就是黑色，黄光就可以通过一定亮度的绿光和红光按照相同比例混合形成，当然，白光也可以通过一定亮度的黄光和蓝光混合形成。。
目前，制造白光led有三种途径，分别为：①采用r、g、b三原色合成白光，②通过uvled激发r、g、b荧光粉，③通过蓝光led芯片激发黄色荧光粉形成。现今，led行业制造白光led产品最普遍的方式是第三种，即将具有一定波段的红色荧光粉和绿色荧光粉的混合物，与环氧树脂或硅胶均匀搅拌混合后，通过点胶，灌封在蓝光led芯片四周，芯片蓝光与荧光粉受激发生成的黄光混合形成白光。制造白光led产品，在点胶环节一般要经过配胶、灌胶两个重要阶段，在配胶阶段，一般根据给定的胶粉配比比例进行配制即可，灌胶阶段则是通过将混合有荧光粉的胶装入胶管之中，通过点胶机控制点胶用量，逐滴滴在蓝光芯片上。
然而，在制造白光led产品的点胶环节，胶水中的荧光粉颗粒受重力影响，会随着时间的推移在点胶过程中会发生沉降，因此对于同一管胶水，底部的荧光粉浓度往往大于顶部。这就导致连续点胶过程中，不同芯片上的胶水用量虽然一致，但是荧光粉浓度会随时间推移而衰减，致使相同体积荧光粉胶中的荧光粉颗粒数发生变化。而荧光粉颗粒正是红光和绿光的发光光源，从而导致同批次中不同芯片的发光水平难以保持一致。
技术实现要素：
为了解决现有技术中存在的上述问题，本发明提供了一种基于大数据技术的led生产工艺优化方法。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种基于大数据技术的led生产工艺优化方法，包括：
s1、建立点胶数据模型，其中，所述点胶数据模型用于表征原始物料参数与原始点胶量的对应关系；
s2、通过所述点胶数据模型获取当前点胶量；
s3、通过所述当前点胶量得到led产品。
在本发明的一个实施例中，步骤s1包括：
s11、采集多组原始生产数据；
s12、获取每组原始生产数据对应的所述原始物料参数；
s13、获取所述每组原始生产数据对应的所述原始点胶量；
s14、将所述多组原始生产数据对应的所述原始物料参数与所述多组原始生产数据对应的所述原始点胶量进行匹配，获得所述点胶数据模型。
在本发明的一个实施例中，所述原始生产数据包括原始物料参数、原始物料用量产生的误差数据、初始胶量浓度数据、生产过程中胶量的浓度变化数据、胶量的补偿数据、工艺条件数据、产品生产的时长数据和原始产品良率数据。
在本发明的一个实施例中，步骤s13包括：
s131、建立所述每组原始生产数据对应的不同初始胶量的胶量曲线；
s132、建立所述每组原始生产数据对应的不同胶量补偿量的补偿曲线；
s132、根据所述胶量曲线和所述补偿曲线获取所述原始点胶量。
在本发明的一个实施例中，步骤s2包括：
s21、获取当前物料参数；
s22、获取当前产品需求；
s23、通过所述当前物料参数、所述当前产品需求和所述点胶数据模型获取所述当前点胶量。
在本发明的一个实施例中，所述当前点胶量包括当前初始胶量浓度、当前胶量补偿量和当前胶量阈值范围。
在本发明的一个实施例中，所述当前胶量阈值范围包括当前胶量浓度阈值范围和当前生产时长阈值范围。
在本发明的一个实施例中，步骤s3包括：
s31、获取实时胶量浓度；
s32、获取实时生产时长；
s33、通过所述实时胶量浓度和所述实时生产时长得到led产品；其中，
若所述实时胶量浓度在所述当前胶量浓度阈值范围内且所述实时生产时长在所述当前生产时长阈值范围内，则继续生产；
否则，产生报警信息，停止所述led产品生产。
在本发明的一个实施例中，步骤s31包括：
s311、获取荧光粉的吸收光谱；
s312、根据所述吸收光谱得到所述实时胶量浓度。
在本发明的一个实施例中，步骤s3之后还包括：
sx1、获取所述led产品的当前产品良率数据；
sx2、将所述当前产品良率数据与所述原始产品良率数据进行对比；
若所述当前产品良率数据比所述原始产品良率数据良率高，则将所述当前点胶量作为所述原始点胶量。
与现有技术相比，本发明的有益效果：
(1)通过该点胶数据模型可以有效的降低荧光粉沉降对生产led产品发光特性的影响，使led产品发光水平保持一致；
(2)该方法能够有效的提升量产阶段led色坐标集中程度和主色区的落bin率，提升投入产出比和产能，增加出货率，降低生产成本；
(3)通过在点胶过程中实时监测胶量浓度，如果胶量浓度超出阈值范围时或在线时长超出阈值范围，则及时发现并报警，增加了产品的生产良率。
附图说明
图1为本发明实施例提供的一种基于大数据技术的led生产工艺优化方法的流程示意图；
图2为本发明实施例提供的一种基于大数据技术的led生产工艺优化方法的获取实时胶量浓度流程示意图；
图3为本发明实施例提供的一种基于大数据技术的led生产工艺优化方法的点胶异常报警处理流程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1，图1为本发明实施例提供的一种基于大数据技术的led生产工艺优化方法的流程示意图；图2为本发明实施例提供的一种基于大数据技术的led生产工艺优化方法的获取实时胶量浓度流程示意图；图3为本发明实施例提供的一种基于大数据技术的led生产工艺优化方法的点胶异常报警处理流程示意图。rgb三原色指色彩中不能再分解的三种基本颜色，分别是红(r)、绿(g)、蓝(b)，将这三种颜色按照不同比例混合，可以调配出自然界中绝大部分色彩。根据上述rgb三原色原理，任何光都可以用红r(λ)、绿g(λ)、蓝g(λ)三种色光按不同的比例混合而成。那么当任意颜色光c(λ)与红r(λ)、绿g(λ)、蓝b(λ)混合匹配时可写出如下rgb三原色的物理模型：
c(λ)＝rr(λ)+gg(λ)+bb(λ)
r、g、b分别代表各个颜色光的比例，1＝r+b+g。当r＝g＝b时，将配出标准白光，从色彩角度来说三原色等量混合可以得到标准白光,此时红光波长λr＝700nm，绿光波长λg＝546.1nm,蓝光波长λb＝435.8nm。同理，从led封装原理来说，蓝光芯片发出波长为435.8nm的蓝光与红色荧光粉激发出700nm的红光和绿色荧光粉激发出546.1nm的绿光等量混合也可以得到标准白光。
但是，对白光led封装来说，这只是一个理想的物理模型，没有考虑实际生产中的各种误差影响。在led封装过程中使用的蓝光芯片，波长误差范围为2.5nm，荧光粉激发的黄光波长，也在一个区间范围，荧光粉发光的亮度同时还受荧光粉颗粒粒径和数量的影响；在配胶环节，荧光粉称重时还受电子称精度影响，导致物料配比还存在误差，也会影响亮度；当然，点胶时点胶机精度和荧光粉浓度变化也会影响led发光特性。因此，实际生产中必须考虑这些误差带来影响，对于白光led封装来说，该物理模型可修正如下：
其中，
根据上述修正模型可知，只要掌控模型中可变因子，并对其它误差进行补偿，就可以实现对led发光特性的自由掌控。但是在led封装过程，影响发光特性的因素非常多，除对于芯片、荧光粉、a/b胶等物料和点胶机等因子带来误差外，还有很多因素没有被纳入上述物理模型的考虑范围，因此，以单纯的物理模型是无法处理对点胶胶量优化，或者说物理模型不能准确的给出优化建议，所以需要建立基于大数据的分析模型，利用大数据分析模型可以给出精准、可持续改进的点胶胶量优化建议。
如图1所示，一种基于大数据技术的led生产工艺优化方法的流包括：s1、建立点胶数据模型，所述点胶数据模型用于表征原始物料参数与原始点胶量的对应关系；s2、通过所述点胶数据模型获取当前点胶量；s3、通过所述当前点胶量得到led产品。
优选地，建立点胶数据模型首先要采集多组历史点胶数据，通过对历史点胶数据获取其中的原始生产数据，并提取当中的原始物料参数，并将原始物料参数存储。其中，生产同一批次的产品的生产数据为一组历史点胶数据。
优选地，原始生产数据包括原始物料参数，即芯片、荧光粉、支架、a/b胶、抗沉淀粉等的主要特性参数，以及芯片的亮度和波长等参数；原始物料用量产生的误差数据，即配胶过程中荧光粉、a/b胶、抗沉淀粉等物料的实际用量与理论用量之间的误差数据；生产过程中胶量的浓度变化数据，即荧光粉在室温下受重力影响发生的沉降数据；初始胶量浓度数据，即生产刚开始的胶量浓度数据；胶量的补偿数据，即随着生产胶量浓度变化后补偿胶量的数据；工艺条件数据，即生产过程中的地环境温湿度等数据，以及产品生产的时长数据和原始产品良率数据等。
优选地，通过原始生产数据分析，采集每组原始生产数据则对应的不同初始点胶量，然后建立原始物料参数与初始点胶量的胶量曲线。同理，通过原始生产数据分析，采集每组原始生产数据对应生产过程中随着胶水浓度变化而补偿不同胶量的补偿量数据，并建立原始物料参数与补偿量的补偿曲线，最后采集每组历史对应的胶量阈值，即生产合格产品的胶量浓度范围和生产时长阈值范围。
优选地，根据胶量曲线和补偿曲线，获取最优的初始胶量和生产过程中的胶量补偿量，即原始点胶量并将之存储。
优选地，将每组原始生产数据对应的原始物料参数与每组原始生产数据对应的原始点胶量进行匹配，使之一一对应，同理，将多组原始物料参数与多组原始点胶量进行匹配，获得点胶数据模型。
优选地，获取生产所需的当前物料参数，即获取当前的芯片、荧光粉、支架、a/b胶、抗沉淀粉等的主要特性参数；然后，获取需要生产产品的需求，即需要生产产品的发光特性以及波长等数据；最后将这些数据输入点胶数据模型，则点胶数据模型输出当前物料模型对应的当前点胶量。
优选地，当前点胶量包括当前初始胶量浓度，当前胶量补偿量和当前胶量阈值范围，其中，当前胶量阈值范围包括当前胶量浓度阈值范围和当前生产时长阈值范围。
优选地，点胶工艺所使用的胶水是由a/b胶、荧光粉、抗沉淀粉配制成固液共存的混合物，呈流体状态。然后，在室温下，将上述的荧光粉胶水装入胶管之中，通过点胶机控制点胶用量，逐滴滴在蓝光芯片上。其中，胶管呈圆柱管状，在最下方有点胶针头。
优选地，点胶机点胶的基本原理是，点胶机压缩空气送入针筒，将胶压进与活塞室相连的进给管中，当活塞处于上冲程时，活塞室中填满胶，当活塞向下推进滴胶针头时，胶从针嘴压出。滴出的胶量由活塞下冲的距离决定。
优选地，通过当前点胶量得到led产品，首先，点胶开始后，就立即开始对胶水浓度进行实时监控，并获取实时胶量浓度，其中，实时胶量浓度是通过浓度测量装置获取。然后在实时采集点胶时间，即获取实时生产时长，然后根据实时胶量浓度和实时生产时长得到led产品。
优选地，如果监测的实时胶量浓度与胶量数据模型输出数据存在较大差异是，则重新根据数据模型输入实时胶量浓度，重新调整点胶机的出胶量，之后继续监控。
优选地，如图2所示，获取实时胶量浓度包括获取荧光粉的吸收光谱；根据所述吸收光谱得到所述实时胶量浓度。其中，获取荧光粉吸收光谱通常由光谱测试仪测定，也可由荧光粉生产厂家提供。
优选地，当前胶量阈值范围包括当前胶量浓度阈值范围和当前生产时长阈值范围。
优选地，点胶数据模型会输出当前胶量阈值范围，如果超出阈值范围，则会在点胶作业过程中触发警报，点胶系统给出报警信息。在收到报警信息后，会自动暂停点胶机，并触发相应的报警系统(如安灯系统)进行报警以及通知相应人员。报警信息还包含发出报警原因以及该如何处理该异常的建议，比如当前胶粉不满足要求，会给出需要从新配胶建议；底部浓度较大时，会建议再次搅拌；或者当前胶水在线时长超时，也会建议再次搅拌等。
优选地，如图3所示，点胶开始后，就立即开始对胶量浓度进行实时监控，通过点胶数据模型分析预测浓度变化趋势并获取当前胶量阈值范围，如果当前浓度未超出警戒线，即未超出当前胶量阈值范围，则无需调整胶量，继续监控实时胶量浓度；如果实时胶量浓度超出警戒线，即出现异常，则自动自暂停点胶机，并自动报警及给出异常处理建议，同时通知操作员，结束本次点胶。
优选地，在生产led产品之后，采集当前产品的良率数据，并将当前产品良率数据与原始产品良率数据进行对比；若所述当前产品良率数据比所述原始产品良率数据良率高，则将所述当前点胶量作为所述原始点胶量。
本发明提供的实施例通过建立数据模型，获取当前点胶量，并通过当前点较量生产led产品，有效的降低荧光粉沉降对生产led产品发光特性的影响，使led产品发光水平保持一致，有效的提升量产阶段led色坐标集中程度和主色区的落bin率，提升投入产出比和产能，增加出货率，降低生产成本。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。