融合設備狀態和產品要求的電解銅箔制造工藝參數優化

.

收稿日期：2024-01-05。

作者簡介：姜洪權（1978—），男，副教授，博士生導師。

基金項目：國家重點研發計劃資助項目（2021YFB3400800）。

網絡出版時間：2024-04-02""" 網絡出版地址：https：∥link.cnki.net/urlid/61.1069.T.20240402.1130.004

摘要：針對當前電解銅箔制造工藝參數的優化僅考慮產品要求的問題，提出了一種融合設備狀態和產品要求的電解銅箔制造工藝參數優化方法。首先，為辨識銅箔制造中工藝、設備與產品參數之間的非線性關系，建立了基于神經網絡的“工藝-設備”與產品參數的映射模型，并通過構建當前生產模式與歷史生產模式的相似性度量方法，確定當前工藝參數的優化初始點；然后，基于所建立的映射模型、設備狀態和產品要求構建多目標約束函數，并利用遺傳算法優化工藝參數，獲得同時滿足設備狀態和產品要求的最佳工藝參數。企業的生產驗證表明：相較于僅考慮產品要求的工藝優化方法，所提方法優化后的工藝參數能在相同的設備狀態下獲得質量更好的產品，在常溫/高溫抗拉強度、常溫/高溫延伸率和樹脂剝離強度這5項關鍵指標上，分別提升了6.1MPa、6.1MPa、1.9%、0.7%和0.22N/mm，生箔制備和表面處理的生產效率也提高了2.65%和7.5%，能夠有效保證并提高銅箔的質量和生產效益。

關鍵詞：電解銅箔；設備狀態；產品要求；多目標約束；工藝優化

中圖分類號：TN41；TP391" 文獻標志碼：A

DOI：10.7652/xjtuxb202407017" 文章編號：0253-987X（2024）07-0179-12

Optimization of Electrolytic Copper Foil Manufacturing Process

Parameters by Integrating Equipment Status and Product Requirements

JIANG Hongquan1， HUANG Kaicheng1， ZHOU Zhi1， MIAO Dong2， CHEN Fumin1，

GAO Jianmin1， YANG Xiangkui3， ZHU Yigang3

（1. State Key Laboratory for Manufacturing Systems Engineering， Xi’an Jiaotong University， Xi’an 710049， China;

2. Xi’an Taijin Xinneng Technology Co.， Ltd.， Xi’an 710001， China;

3. Shandong Jinbao Electronics Co.， Ltd.， Zhaoyuan， Shandong 265400， China）

Abstract：Aiming at the problem that the current optimization methods of electrolytic copper foil manufacturing process parameters simply consider product requirements， an optimization method of electrolytic copper foil manufacturing process parameters by integrating equipment status and product requirements is proposed. Firstly， in order to identify the nonlinear relationship among process， equipment， and product parameters in the copper foil manufacturing， a mapping model of “process-equipment” and product parameters is established based on neural network. By constructing the similarity measurement method between the current production mode and the historical production mode， the optimization starting point of the current process parameters is determined. Furthermore， based on the established mapping model， equipment status， and product requirements， a multi-objective constraints function is constructed， and genetic algorithm is used to optimize the process parameters， aiming to achieve the optimal process parameters that meet both equipment status and product requirements. Through the verification in the production of enterprises， it is shown that， compared with the process optimization method that only considers product requirements， the optimized process parameters can yield products with higher quality under the same equipment status， increasing the five key indicators of normal temperature and high temperature tensile strength， normal temperature and high temperature elongation， and resin peeling strength by 6.1MPa， 6.1MPa， 1.9%， 0.7%， and 0.22N/mm respectively. Additionally， the production efficiency of raw foil preparation and surface treatment increase by 2.65% and 7.5% respectively. The research results can effectively ensure and improve the quality and production efficiency of copper foil.

Keywords：electrolytic copper foil; equipment status; product requirements; multi-objective constraints; process optimization

電解銅箔是覆銅板（CCL）、印制線路板（PCB）和電池集流體等產品的關鍵基礎材料［1］。新能源、5G通信及大數據等產業的發展，對電解銅箔的需求飛速增長，同時對其產品質量、服役性能及制造效率等提出更高的要求［2］。電解銅箔的制造系統一般由溶銅系統、生箔機及表面處理機等核心制造單元組成，是一個典型的流程性強、工藝耦合性高的復雜制造過程［3］。銅箔產品質量的管控不僅包括生產人員、原材料和生產環境等［4］，而且需要對工藝參數進行設計與優化［5］，只有這樣才能保證銅箔產品的穩定質量及高效生產。因此，電解銅箔制造過程中的工藝參數設計與優化已成為企業急需解決的問題。

當前，針對銅箔制造工藝優化主要采用基于實驗設計的方法［6-8］。例如，彭雪嵩等［9］通過正交試驗研究了3種添加劑對銅箔粗化效果的影響，發現優化后的添加劑組合能有效提高銅箔的剝離強度；由宏偉［10］通過正交試驗研究了可制備出高溫抗氧化性Ni-Mo合金鍍層的電沉積工藝參數以及具有高剝離強度的表面粗化工藝參數的優化方法；文雯［11］通過單因素實驗確定出最優的超薄銅箔鍍液體系，并經正交試驗優化3種添加劑的濃度，得到了制備表面光滑、無針孔的高質量超薄銅箔的工藝參數；Li等［12］通過單因素實驗，研究了不同銅離子質量濃度對銅箔結構和力學性能的影響，得出當銅離子質量濃度為84g/L時，銅箔表面的顆粒均勻且力學性能最佳；文獻［13］、［14］分別通過單因素實驗和正交試驗對單一添加劑的濃度及多種添加劑的組合濃度進行優化研究，均得到了低表面粗糙度和高抗拉強度的銅箔產品。上述基于實驗設計的方法具有很好的應用價值，可以辨識過程因素與工藝設計目標的關聯關系，提高實驗過程效率，但是這類方法主要考慮到銅箔產品的質量特性要求，對于工藝參數是否匹配生產設備的狀態信息缺乏考慮。

隨著大數據、機器學習和深度學習等技術的發展，基于數據驅動的參數優化方法逐漸受到關注。例如，在銅箔工藝優化中，易光斌［15］基于歷史數據，建立了粗糙度、抗拉強度和延伸率等產品參數與電流密度、銅濃度等工藝參數之間的關系式，并以此進行工藝優化；劉耀［16］分析并建立了基于多項式擬合的銅箔粗糙度、抗拉強度和剝離強度等質量指標與3種添加劑濃度的關聯關系及工藝優化方法；周杰等［17］提出基于隨機森林和改進競爭群算法的銅箔電解過程能耗優化算法，解決了銅箔電解過程中能耗高及建模困難問題。在其他場景的工藝優化中，Plathottam等［18］采用深度強化學習對不同原料成分組合的溶劑萃取工藝進行了優化設計；劉孝保等［19］基于集成學習和改進粒子群算法對多工序工藝參數進行優化；Abdullah等［20］采用神經網絡和遺傳算法優化蘋果汁的提取工藝，提高了蘋果汁質量。可以看出，基于數據驅動的方法符合當前制造過程信息化、智能化的發展需求，可以依據優化目標要求柔性制定數據分析方法，但是其主要難點是明確工藝、產品及制造過程之間的相互關系。同時，上述方法在多工藝參數和多產品參數的工藝優化中容易出現矛盾點，即某一維度的工藝參數可能會造成兩個不同產品參數分別為最好和最差。

一般地，在電解銅箔實際制造過程中，技術人員不僅要依據銅箔產品質量要求制定工藝（如產品的厚度、表面粗糙度以及抗拉強度等［21］），還要考慮生產線中核心設備狀態的約束。實際上，在制造過程中，溶銅系統、生箔機和表面處理機等設備的狀態會對銅箔質量產生重大影響，即使是在同一產品要求和同一生產線環境下，由于設備運行狀態微觀變化，產品的制造工藝參數也不完全相同，往往需要依據這些核心設備狀態進行工藝優化調整。由此可見，若僅考慮核心生產設備的狀態對工藝進行設計與優化，則難以生產出預期質量的銅箔產品，而僅基于產品質量要求來優化工藝，則難以在不同設備狀態下實現銅箔產品的高效益、高質量以及穩定生產。因此，綜合考慮設備狀態及產品要求對銅箔制造工藝進行優化，對于提高銅箔制造的穩定性、生產效益和智能化等具有重大意義。顯然，現有工藝優化技術忽視了這一領域特征，缺乏“核心設備狀態+產品質量要求”的工藝優化技術體系。

針對以上問題，本文以電解銅箔的生產制造為應用背景，提出了一種融合設備狀態和產品要求的電解銅箔制造工藝參數優化方法。首先，利用歷史積累的制造過程數據建立了“工藝-設備”與產品參數的映射模型；然后，構建了當前生產模式與歷史生產模式之間的相似性度量方法，以確定當前工藝參數的優化初始范圍；最后，融合當前設備狀態和產品質量要求構建多目標約束函數，實現對工藝參數的優化，從而得到可同時滿足設備狀態信息與產品質量要求的最優制造工藝參數。

1" 電解銅箔制造工藝優化問題分析

電解銅箔的生產制造流程如圖1所示，分為溶銅造液、生箔制備、表面處理以及分切包裝4道工序［22-23］。完成銅箔制造后與樹脂等材料壓合形成基板可應用于下游產業。一般地，銅箔制造系統主要由溶銅系統、生箔機及表面處理機等設備單元組成，各單元之間具有密切的工藝關聯性和耦合性。為實現制造過程狀態及工藝優化問題分析，本文建立了如圖2所示的制造過程數據邏輯關系，即以工藝參數和設備參數作為制造過程輸入數據，以產品參數作為制造過程輸出數據。實際上，這3類數據也是整個銅箔制造過程中最核心的管控要素。表1所示為典型電解銅箔制造過程數據的主要參數。

（1）工藝參數（A）：主要包括溶銅造液工序中的各種溶液的狀態參數（如濃度、溫度和流量等）、生箔機和表面處理機上的電流、電壓、轉速等參數。這些參數通常是影響銅箔產品質量的關鍵核心要素，本文使用A=（a1，a2，…，am1）表示，常見工藝參數如表1“工藝參數（A）”所示。

（2）設備參數（B）：主要指設備固有的特征參數。為便于論述，本文重點關注生箔機和表面處理機這兩套核心生產設備的參數。一般地，影響產品質量的設備參數有直徑、幅寬、極距等，這些參數隨著生產的進行一般會發生漸變，進而影響產品質量狀態。本文使用B=（b1，b2，…，bm2）表示設備參數，常見設備參數如表1“設備參數（B）”所示。

（3）產品參數（C）：主要包括最終銅箔成品所要達到的各項性能指標參數，一般有厚度、表面粗糙度和抗拉強度等，本文用C=（c1，c2，…，cm3）表示，關鍵產品參數如表1“產品參數（C）”所示。

依據以上工藝參數、設備參數和產品參數的定義及內容，優化電解銅箔的制造工藝參數時需要解決以下問題。

（1）工藝參數和設備參數對產品參數的影響關系辨識及初始工藝參數確定問題。首先，由圖1及表1可知，銅箔制造過程復雜，產品質量影響因素多，且產品質量必然受到制造工藝和生產設備狀態的雙重影響，尤其是在相同的制造工藝下，核心生產設備的參數變化也將導致產品的質量狀態發生變化。因此，在進行工藝優化時需要明確工藝參數、設備參數這兩種參數對產品質量的影響機制，即需要構建“工藝-設備”與產品參數之間的非線性映射關系，進而實現對工藝參數的約束和反饋調節。再者，如表1所示，一般地，在生產設備特征與產品質量特征確定的情況下，生產工藝參數將是確定的，即可以將生產設備特征與產品質量特征構成的模式定義為生產模式參數D={B，C}。由于企業在長期生產中積累了大量的生產模式參數集{D1，D2，…，DN}及對應的工藝參數集{A1，A2，…，AN}，N為數據集的樣本個數，因此在優化工藝時依據當前生產模式參數D0（假設D0與{D1，D2，…，Dn}的子集{Dj，Dk，…，Dl}的相似性較高），借鑒歷史積累的生產模式參數{D1，D2，…，DN}中對應的工藝參數{Aj，Ak，…，Al}（下標j、k，…，l表示數據個數為不定值），可以有效解決初始工藝參數集的確定問題。

（2）工藝參數的多目標優化函數構建及工藝參數求解問題。由圖1和圖2可知，電解銅箔制造過程的核心是通過制定合適的工藝參數，在特定的生產設備狀態下生產出質量最優的銅箔產品，因此需要融合相應的生產設備狀態和產品質量要求對工藝參數的優化進行約束，即構建合適的工藝參數優化目標函數，使得優化后的工藝參數盡可能匹配當前的生產設備狀態，并提高銅箔產品的關鍵質量指標和生產效益。工藝參數的優化求解主要過程是：在確定初始工藝參數集的基礎上，依據“工藝-設備”與產品參數的映射關系及多目標函數的共同約束下進行求解。因此，如何建立可以包括上述要求的求解流程及算法也是需要解決的問題。

2" 融合設備狀態和產品要求的工藝參數優化

2.1" 工藝參數優化技術框架

依據第1節的問題分析，提出一種融合設備狀態和產品要求的電解銅箔制造工藝參數優化方法，其技術框架如圖3所示，實現步驟如下：

（1）構建優良制造過程數據集：依據表1的數據示例，通過整理歷史積累的產品參數較優的制造過程數據，形成電解銅箔的優良制造過程數據集{A1，B1，C1}，{A2，B2，C2}，…，{AN，BN，CN}；

（2）建立“工藝-設備”與產品參數之間的映射模型：利用優良制造過程數據集，建立工藝參數（A）和設備參數（B）與產品參數（C）的映射模型，即C=f（A，B），從而建立“工藝-設備”與產品參數之間的非線性映射關系；

（3）當前生產模式的相似性度量：根據當前的設備參數B0和產品參數C0確定當前生產模式D0，并在優良制造過程數據集中進行生產模式的相似性度量，從而獲取與D0相似性較高的歷史生產模式{Dj，Dk，…，Dl}及對應的工藝參數集{Aj，Ak…，Al}；

（4）基于多目標函數的工藝優化：基于步驟2構建的映射模型C=f（A，B），構建多目標約束優化函數fiB0，C0（A），并將步驟3的工藝參數集{Aj，Ak，…，Al作為優化起點，然后通過優化算法得到最優工藝參數Aop，實現工藝參數的設計及優化。

2.2" “工藝設備”與產品的映射模型及初始工藝參數集確定

如第1節問題分析所述，“工藝-設備”與產品參數之間存在著非線性映射關系，這是影響產品質量的重要約束。例如，在銅箔產品制造過程中，一般根據標稱厚度或標稱單位面積質量、抗拉強度、延伸率等產品參數（C），選擇調整生箔機上的陰極輥直徑、極距等設備參數（B），不斷調整電流、溶液流量、張

力、陰極輥轉速、粗化、固化、防氧化等工藝參數（A），從而完成銅箔的生產［3，5］。因此，“工藝-設備”與產品參數的映射模型不僅包含了工藝、設備對產品的影響機制，也是一種典型的多輸入-多輸出映射關系。BP神經網絡是一種誤差反向傳播的多層前饋神經網絡，可學習和貯存大量的輸入-輸出模式映射關系。通過梯度下降法和誤差反向傳播法，可快速利用已知的映射模式數據對BP神經網絡進行訓練，自此網絡就具有了輸入與輸出之間的映射能力［24］。由此可見，BP神經網絡能夠快速對新數據進行學習，能夠極好地滿足銅箔的實際生產需求。

針對以上特點，利用BP神經網絡構建這種多輸入-多輸出映射關系［24］，建立工藝參數（A）、設備參數（B）與產品參數（C）的映射模型C=f（A，B），如圖4所示。

由圖4可見，該模型由1個輸入層、2個隱藏層和1個輸出層組成。H1，j和H2，m分別表示隱藏層1中的第j個神經元、隱藏層2中的第n個神經元。其中，輸入層由工藝參數（A）和設備參數（B）構成，輸出層為除去標稱厚度、機械厚度、標稱單位面積質量、單位面積質量和寬度5個參數外的其余9項產品參數（C）。可以看出，通過建立映射模型C=f（A，B），既可利用歷史積累的過程數據，也可以提取“工藝-設備”與產品參數的影響關系，并為后續構建多目標約束優化函數提供依據。

此外，如第1節所述，充分利用歷史制造過程數據中積累的固有生產規律，有助于提高工藝參數的優化質量。在積累的優良制造過程數據集中，由圖3 可知，儲存著大量生產模式參數（D）與工藝參數（A）的數據對即{D1，D2，…，DN∶A1，A2，…，AN}，通過對當前生產模式D0與歷史生產模式D1，D2，…，DN進行相似性度量，可以從優良制造過程數據集中匹配出具有一定生產規律和知識的初始工藝參數。由表1可知，生產模式參數D={B，C}是高維空間數據，而傳統基于空間距離的相似性度量，在高維數據空間中易出現維度災難［25］問題，無法準確表征高維數據間的相似性。因此，本文采用文獻［26］所述的相似性度量函數Esim（X，Y），定義如下

Esim（X，Y）=1d∑di=1ωiexp－xi－yixi－yi+xi+yi/2 （1）

式中：X=（x1，x2，…，xd）、Y=（y1，y2，…，yd）為d維數據點；ωi為維度權重。Esim（X，Y）∈［0，1］，當取0和1時，分別表示X和Y相似性最低和最高。

通過上述相似性度量，可以獲得與D0相似性較高的歷史生產模式{Dj，Dk，…，Dl}及對應的工藝參數集{Aj，Ak，…，Al}，作為D0條件下的工藝優化的初始參數集。

2.3" 工藝優化多目標函數構建

工藝優化的最終目標是生產出質量最佳的產品。一般地，銅箔的關鍵質量指標包括厚度、單位面積質量、S面粗糙度（Ra）和M面粗糙度（Rz）等，要求厚度偏差和單位面積質量偏差越小越好，抗拉強度、延伸率和樹脂剝離強度越大越好［3，5］，且有較高生產效率。綜上所述，在當前設備參數B0和產品參數C0的條件下，建立工藝優化所需的4項目標函數具體如下。

（1）最小目標函數。構建表面粗糙度、厚度偏差和單位面積質量偏差最小目標函數

f1B0，C0（A）=14∑4i=111+α1+（c0i－c′0i） （2）

式中：優化工藝參數A=（a1，a2，…，a26）與當前設備參數B0=（b01，b02，…，b015）作為映射模型的輸入向量；C′0=f（A，B0）=（c′01，c′02，…，c′09）為映射模型的輸出向量，第1、2、8、9個輸出分別為S面Ra、M面Rz、厚度偏差和單位面積質量偏差的預測值；C0=（c01，c02，…，c09）為當前產品參數，第1、2、8、9個參數分別為S面Ra、M面Rz、厚度偏差和單位面積質量偏差；α1為范圍控制參數，取α1=c0i，i=1，2，8，9。該函數越小，表明在當前設備狀態下這4項產品參數越符合既定的產品質量要求。

（2）最大目標函數。構建抗拉強度、延伸率和樹脂剝離強度最大目標函數

f2B0，C0（A）=15∑5i=111+α2+（c′0i－c0i） （3）

式中：C′0=f（A，B0）=（c′01，c′02，…，c′09）為映射模型的輸出向量，第3至7個輸出分別為常溫/高溫抗拉強度、常溫/高溫延伸率和樹脂剝離強度的預測值；C0=（c01，c02，…，c09）為當前產品參數，第3至7個參數分別為常溫/高溫抗拉強度、常溫/高溫延伸率和樹脂剝離強度；α2為范圍控制參數，取α2=0.5c0i，i=3，4，5，6，7。該函數越小，表明在當前設備狀態下這5項產品參數越符合既定的產品質量要求。

（3）產品規格目標函數。為滿足特定厚度和單位面積質量的電解銅箔生產，構建產品規格目標函數［3］

f3B0，C0（A）=πDα3IgI60n1－Wmg（4）

式中：I、n1為待優化工藝參數A=（a1，a2，…，a26）中的某一參數，I=a5為生產電流，單位為A，n1=a7為陰極輥轉速，單位為m/min；D、W為當前設備參數B0=（b01，b02…，b015）中的某一參數，D為陰極輥直徑，單位為m，W為陰極輥幅寬，單位為m；mg為當前的標稱單位面積質量，單位為g/m2；gI為電流效率，取0.975；α3為生箔機設備常數，取1.33kg/（kA·h）。該函數越小，表明在當前設備狀態下厚度和單位面積質量越符合既定的產品規格要求。

（4）生產效率目標函數。在滿足產品質量要求下，為提高生產效率，構建生產效率目標函數

f4B0，C0（A）=121.9+n1－2200+n2－10400－1（5）

式中：n1、n2為待優化工藝參數A=（a1，a2，…，a26）中的某一參數，n1=a7≥2為陰極輥轉速，單位為m/min，n2=a26≥10為表面處理機轉速，單位為m/min。該函數取值越小代表生產效率越高。

2.4" 綜合設備狀態及產品要求的工藝參數優化

由2.2及2.3小節可以獲得映射模型C=f（A，B）以及4項優化約束目標函數。由于映射模型C=f（A，B）為復雜非線性關系，且上述4項目標函數存在難以或無法求導問題，因此本文采用遺傳算法進行工藝參數優化求解。

遺傳算法（GA）是一種借鑒生物界自然選擇和遺傳機制的算法。其主要思路是從初始種群開始，通過選擇、交叉和變異產生適應度更高的種群，使種群不斷進化，最后收斂得到適應度最高的種群，從而求得最優解［27-28］。由于遺傳算法中對個體擇優選擇的依據是個體的適應度，因此需將多目標函數轉化為單適應度函數。依據2.3小節中的4項目標函數建立如下所示的適應度函數

FitB0，C0（A）=∑4i=1wifiB0，C0（A） （6）

式中：wi為權重參數。FitB0，C0（A）取值越低，代表個體的適應度越高，被淘汰的概率越低。由于4項目標函數都為最小化問題，即目標函數越小，對應的工藝參數的適應度越高。

綜合2.2及2.3小節等內容，本文提出的工藝參數優化算法流程如圖5所示。

具體實現步驟如下：

步驟1" 獲取當前的設備參數B0和產品參數C0，并依此確定當前的生產模式參數D0；

步驟2" 基于優良制造過程數據集，構建訓練集和測試集，并對“工藝-設備”與產品參數的映射模型C=f（A，B）進行訓練，終止訓練條件為損失誤差小于目標值或訓練輪次大于設定值；

步驟3" 基于步驟1獲取的參數B0和C0以及步驟2訓練得到的映射模型C=f（A，B），構建工藝優化的多目標函數fiB0，C0（A）；

步驟4" 將多目標函數轉化為單適應度函數，建立綜合適應度函數FitB0，C0（A）；

步驟5" 利用Esim（X，Y）函數在優良制造過程數據集中進行數據匹配，獲取與當前生產模式D0相似性較高的歷史生產模式{Dj，Dk，…，Dl}及對應的工藝數據集{Aj，Ak，…，Al}，將其作為遺傳算法的初代種群；

步驟6" 通過遺傳算法的選擇、交叉和變異等操作，獲取適應度函數FitB0，C0（A）較高的子代種群，使其不斷繁衍進化；

步驟7" 當適應度函數不再變化或者遺傳代數超過設定值時，算法終止，輸出適應度最佳的工藝參數Aop。

3" 實例驗證與分析

3.1" 銅箔制造過程實例數據概述

本文利用某企業在2022年10月生產的15、18、35μm這3種標稱厚度的優良制造過程數據集進行驗證，數據集共計793條數據。典型示例數據如表2～表4所示。需要說明的是，以表2的工藝參數和表3的設備參數作為制造過程輸入，生產完成后得到的制造過程輸出即為表4所示的產品參數。

3.2" “工藝設備”與產品的映射模型預測效果分析

根據2.2小節構建的“工藝-設備”與產品參數的映射模型，使用上述793條數據對其進行訓練和測試，訓練集和測試集的比例為8∶2，并使用Min-Max法對數據進行標準化［29］。為保證模型能對數據進行非線性映射，使用Tanh函數為隱藏層激活函數，Linear函數為輸出層激活函數，輸入層和輸出層節點分別為41和9，隱藏層1和2的節點分別為50和20。

圖6（a）和（b）分別為映射模型在測試集上的9項產品參數的預測值與真實值間的誤差分布和回歸分析。由圖6（a）的誤差直方圖分布可知，對于9項產品參數的誤差集中出現在0附近，且誤差較大值出現的頻數較低；結合圖6（b）的回歸分析可知，9項產品參數的預測值與真實值間的皮爾遜相關系數R［30］為0.999131，且預測值與真實值十分接近。由此可見，基于神經網絡構建的“工藝-設備”與產品參數的映射模型具有較高的預測精度，有利于構建準確的多目標約束優化函數，提高工藝參數的優化質量。

3.3" 工藝參數優化結果分析

本節依據2.4小節所述的工藝優化流程進行實例分析。其中，設備參數B0和產品參數C0如表3和表4所示，優化前的工藝參數為表2所示。表3和表4構成當前生產模式參數D0，在793條數據中將與該生產模式Esim（X，Y）相似性高于85%的歷史生產模式集{Dj，Dk，…，Dl}對應的工藝參數集{Aj，Ak，…，Al}作為遺傳算法的初始種群，得到的初始種群規模為50，其中的部分工藝參數如表5所示。

在基于遺傳算法的求解過程中，設定初代種群規模為50，子代種群規模為20，最大遺傳代數為100，交叉概率為0.85，變異概率為0.05。迭代過程中，子代種群適應度函數的最小值和平均值的變化如圖7所示。隨著迭代次數的增加，適應度函數的最小值和平均值逐漸下降，在第50代，適應度函數的最小值和平均值趨于一致，種群具有最佳的適應度。經過遺傳算法優化得到的適應度函數最佳的工藝參數Aop如表6所示。

經企業使用最優工藝參數Aop進行銅箔的試驗生產驗證，得到優化前后13項關鍵產品參數的對比如圖8所示，其中銅箔產品的寬度仍為1280mm。由圖8可知，優化后得到的銅箔產品的厚度偏差、單位面積質量偏差、S面Ra和M面Rz分別為9.56%、2.16%、0.27μm和6.12μm，雖然較優化前的產品指標（即8.33%、1.38%、0.25μm和5.85μm）有一定的增大，但是差值分別為1.23%、0.78%、0.02μm和0.27μm，變化相對較小。根據電解銅箔行業的相關標準，如IPC 4562A、GB/T 5230［31］以及SJ/T 11483等，這4項產品參數仍能滿足相關指標的技術要求，亦可保證銅箔產品在常規場景條件下的使用及服役性能；但是銅箔產品的常溫/高溫抗拉強度、常溫/高溫延伸率以及樹脂剝離強度5項更加關鍵的性能指標都有明顯的提升，從優化前的340.5MPa、200.3MPa、6.0%、4.5%和1.5N/mm分別提升到優化后的346.6MPa、206.4MPa、7.9%、5.2%和1.72N/mm，提升值分別為6.1MPa、6.1MPa、1.9%、0.7%和0.22N/mm，顯著提高了銅箔產品在高溫、高濕以高頻等嚴苛場景下的使用服役性能。

根據表2和表6優化前后工藝參數的對比可知，優化后的陰極輥轉速和表面處理機轉速分別為4.26m/min和21.5m/min，相較于優化前（即4.15、20m/min）有一定的增大，生箔制備工序和表面處理工序的效率分別提升了2.65%和7.5%，在大批量生產條件下將能夠明顯提高銅箔產品的生產效率。同時也可以看出，優化后的部分工藝參數基本沒有發生變化，如溶液流量、添加劑濃度和添加劑流量等，而硫酸銅濃度、硫酸濃度、生產電流和陰極輥轉速等關鍵參數的變化則相對明顯，這一特點與企業在實際銅箔制造過程中需不斷調整關鍵參數（主要為濃度、電流和轉速）以使得銅箔產品的質量達到最佳的情況是一致的，也間接說明了通過積累并構建優良制造過程數據集對工藝參數進行優化，更加符合銅箔企業的生產需求及特點。

4" 結" 論

本文以電解銅箔的制造為背景，提出一種融合設備狀態和產品要求的電解銅箔制造工藝參數優化方法，并通過企業的生產驗證了該方法的有效性，得到主要結論如下。

（1）本文以企業的實際生產數據為對象，基于BP神經網絡建立了“工藝-設備”與產品參數的映射模型，克服了傳統的參數擬合方法難以進行多輸入和多輸出間映射模型的構建。

（2）本文提出的“工藝-設備”與產品參數的映射模型、多目標約束函數和優化算法流程，融合了企業優化工藝的實踐邏輯。企業的生產驗證表明，相較于僅考慮產品要求的工藝優化方法，采用本文方法優化后的工藝參數能在同一設備狀態下得到質量更好的銅箔產品，在常溫/高溫抗拉強度、常溫/高溫延伸率和樹脂剝離強度這5項關鍵指標上，提升值分別為6.1MPa、6.1MPa、1.9%、0.7%和0.22N/mm，且生箔制備和表面處理的生產速度提高到4.26和21.5m/min，效率提升了2.65%和7.5%，具有更高的生產效益。

本文方法具有一定的普適性，在技術層面上可以推廣到擠吹塑、壓鑄、焊接及沖壓等與設備狀態和產品質量密切相關的制造領域。

參考文獻：

［1］祝大同. 高頻高速PCB用銅箔技術與品種的新發展 ［J］. 印制電路資訊， 2019（1）： 68-75.

ZHU Datong. New development of copper foil technology and varieties for high frequency and high speed PCB ［J］. Printed Circuit Board Information，2019（1）： 68-75.

［2］張惠源. 鋰電銅箔發展現狀及市場的研究 ［J］. 環渤海經濟瞭望， 2018（11）： 49.

ZHANG Huiyuan. Research on the development status and market of lithium copper foil ［J］. Economic Outlook the Bohai Sea， 2018（11）： 49.

［3］金榮濤. 電解銅箔生產 ［M］. 長沙： 中南大學出版社， 2010.

［4］JURAN J M， DE FEO J A. 朱蘭質量手冊 ［M］. 焦叔斌， 蘇強， 楊坤， 等， 譯. 6版. 北京： 中國人民大學出版社， 2014.

［5］楊祥魁， 劉建廣， 徐樹民， 等. 銅箔制程對CCL及PCB要求的應對 ［J］. 印制電路信息， 2012（1）： 9-14.

YANG Xiangkui， LIU Jianguang， XU Shumin， et al. Production process of copper foils to meet requirements of CCL and PCB ［J］. Printed Circuit Information， 2012（1）： 9-14.

［6］馬逢時， 周暐， 劉傳冰. 六西格瑪管理統計指南 ［M］. 3版. 北京： 中國人民大學出版社， 2018.

［7］凌羽， 張少強， 盧偉偉， 等. 低輪廓電解銅箔制備工藝參數的優化 ［J］. 電鍍與涂飾， 2023， 42（20）： 11-20.

LING Yu， ZHANG Shaoqiang， LU Weiwei， et al. Optimization of process parameters for preparation of low-profile electrolytic copper foil ［J］. Electroplating amp; Finishing， 2023， 42（20）： 11-20.

［8］樊斌鋒， 王緒軍， 王慶福， 等. 添加劑對極薄鋰電銅箔電沉積過程的影響 ［J］. 電鍍與精飾， 2023， 45（5）： 85-89.

FAN Binfeng， WANG Xujun， WANG Qingfu， et al. Effect of additives on electrodeposition of very thin lithium copper foil ［J］. Plating amp; Finishing， 2023， 45（5）： 85-89.

［9］彭雪嵩， 由宏偉， 李蘭晨， 等. 鉬酸鈉-HEC-SPS復合添加劑對電解銅箔粗化效果的影響 ［J］. 電鍍與涂飾， 2023， 42（17）： 56-67.

PENG Xuesong， YOU Hongwei， LI Lanchen， et al. Effect of a composite additive comprising sodium molybdate， HEC，and SPS on roughening of electrolytic copper foil ［J］. Electroplating amp; Finishing， 2023， 42（17）： 56-67.

［10］由宏偉. 高性能電解銅箔的表面處理工藝研究 ［D］. 哈爾濱： 哈爾濱工業大學， 2022.

［11］文雯. 高頻超薄載體銅箔制作及應用研究 ［D］. 成都： 電子科技大學， 2022.

［12］LI Yanfeng， HUANG Guojie， YIN Xiangqian， et al. Effect of copper ion concentration on microstructure and mechanical properties of electrolytic copper foil ［J］. IOP Conference Series： Materials Science and Engineering， 2018， 381（1）： 012166.

［13］LIU Lingling， BU Yeqiang， SUN Yue， et al. Trace bis-（3-sulfopropyl）-disulfide enhanced electrodeposited copper foils ［J］. Journal of Materials Science amp; Technology， 2021， 74： 237-245.

［14］YANG Lei， WENG Wei， ZHU Huanlin， et al. Preparing ultra-thin copper foil as current collector for improving the LIBs performances with reduced carbon footprint ［J］. Materials Today Communications， 2023， 35： 105952.

［15］易光斌. 電解銅箔組織性能及其翹曲產生機理研究 ［D］. 南昌： 南昌大學， 2014.

［16］劉耀. 極薄載體銅箔制備及高抗剝離表面處理技術研究 ［D］. 贛州： 江西理工大學， 2021.

［17］周杰， 顧偉偉， 張建， 等. 基于隨機森林和改進競爭群算法的銅電解過程能耗優化 ［J］. 中國有色冶金， 2023， 52（1）： 60-67.

ZHOU Jie， GU Weiwei， ZHANG Jian， et al. Energy consumption optimization of copper electrolysis process based on random forest and improved competitive group algorithm ［J］. China Nonferrous Metallurgy， 2023， 52（1）： 60-67.

［18］PLATHOTTAM S J， RICHEY B， CURRY G， et al. Solvent extraction process design using deep reinforcement learning ［J］. Journal of Advanced Manufacturing and Processing， 2021， 3（2）： e10079.

［19］劉孝保， 嚴清秀， 易斌， 等. 基于集成學習和改進粒子群優化算法的流程制造工藝參數優化 ［J］. 中國機械工程， 2023， 34（23）： 2842-2853.

LIU Xiaobao， YAN Qingxiu， YI Bin， et al. Optimization of process parameters in process manufacturing based on ensemble learning and improved particle swarm optimization algorithm ［J］. China Mechanical Engineering， 2023， 34（23）： 2842-2853.

［20］ABDULLAH S， PRADHAN R C， PRADHAN D， et al. Modeling and optimization of pectinase-assisted low-temperature extraction of cashew apple juice using artificial neural network coupled with genetic algorithm ［J］. Food Chemistry， 2021， 339： 127862.

［21］楊森. 鋰電池用高性能超薄電解銅箔的研究 ［D］. 常州： 常州大學， 2022.

［22］HONDA M， MAENISHIHARA O， SHIBUYA Y. Method of manufacturing copper foil with carrier， laminate， method of manufacturing printed wiring board and method of manufacturing electronic device： JP 6546836B2 ［P］. 2019-07-17.

［23］NAKAJIMA D， HANADA T， YOSHIKAWA K， et al. Ultra-thin copper foil with carrier， method for producing the same， copper-clad laminate and printed wiring board： JP 6650923B2 ［P］. 2020-02-19.

［24］梁超， 張熊， 米高陽， 等. 基于神經網絡與遺傳算法的鋁合金激光擺動焊工藝參數優化 ［J］. 電焊機， 2022， 52（8）： 43-49.

LIANG Chao， ZHANG Xiong， MI Gaoyang， et al. Optimal design for laser oscillating welding process parameter based on artificial neural networks and genetic algorithm for aluminum alloy ［J］. Electric Welding Machine， 2022， 52（8）：43-49.

［25］姜洪權， 王崗， 高建民， 等. 一種適用于高維非線性特征數據的聚類算法及應用 ［J］. 西安交通大學學報， 2017， 51（12）： 49-55.

JIANG Hongquan， WANG Gang， GAO Jianmin， et al. A clustering algorithm for high-dimensional nonlinear feature data with applications ［J］. Journal of Xi’an Jiaotong University， 2017， 51（12）： 49-55.

［26］王曉陽， 張洪淵， 沈良忠， 等. 基于相似性度量的高維數據聚類算法研究 ［J］. 計算機技術與發展， 2013， 23（5）： 30-33.

WANG Xiaoyang， ZHANG Hongyuan， SHEN Liangzhong， et al. Research on high dimensional clustering algorithm based on similarity measurement ［J］. Computer Technology and Development， 2013， 23（5）： 30-33.

［27］雷英杰， 張善文. MATLAB遺傳算法工具箱及應用 ［M］. 2版. 西安： 西安電子科技大學出版社， 2014.

［28］黃明華， 劉廣新， 何雅玲， 等. 基于遺傳算法的太陽能煙囪發電站結構優化 ［J］. 西安交通大學學報， 2021， 55（10）： 1-10.

HUANG Minghua， LIU Guangxin， HE Yaling， et al. Structural optimization of solar chimney power plant by a genetic algorithm ［J］. Journal of Xi’an Jiaotong University， 2021， 55（10）： 1-10.

［29］周志華. 機器學習 ［M］. 北京： 清華大學出版社， 2016.

［30］陶洋， 祝小鈞， 楊柳. 基于皮爾遜相關系數和信息熵的多傳感器數據融合 ［J］. 小型微型計算機系統， 2023， 44（5）： 1075-1080.

TAO Yang， ZHU Xiaojun， YANG Liu. Multi-sensor data fusion based on Pearson coefficient and information entropy ［J］. Journal of Chinese Computer Systems， 2023， 44（5）： 1075-1080.

［31］國家市場監督管理總局， 國家標準化管理委員會. 印制板用電解銅箔： GB/T 5230—2020 ［S］. 北京： 中國標準出版社， 2020.

（編輯" 亢列梅）