随着柔性材料加工技术快速发展,柔性薄膜材料的制备工艺也不断得到完善。新型柔性薄膜材料制品,如柔性电路板、太阳能电池薄膜等在各个行业的使用日益增多。柔性材料卷对卷设备(Roll to Roll,R2R)作为薄膜材料的主要生产设备之一,被广泛应用到柔性电路板(Flexible Printed Circuit,FPC)、有机发光二极管(Organic Light-Emitting Diode,OLED)、太阳能电池薄膜、干粘合剂等柔性薄膜材料的制备生产当中。卷对卷加工设备过程具有高速、高精度、持续生产的特点。当其核心零部件发生性能衰退,加工精度将大幅度下降,引起柔性薄膜产品的变形,使得良品率降低,造成经济损失。非常有必要对卷对卷设备进行预测性维护。辊轴作为卷对卷设备的关键部件,其性能退化对设备整体的影响巨大,会导致设备出现故障问题,从而设备停机造成重大损失。故对辊轴进行性能衰退预测获得其健康状态非常必要。柔性电路板R2R连续制造系统工作速度快,若某一工位发生质量问题将导致最终成品报废,并影响相关设备寿命。目前大多数的卷对卷加工控制还是依据操作员的生产经验进行,而这些经验知识是通过简单统计现场生产数据资料得到的。由于现场工况条件复杂,且操作员的技术素质不平均,使得卷对卷加工控制的稳定性、准确性低于生产要求。基于数据驱动的卷对卷加工智能控制决策研究需要提上日程。本论文以“基于设备健康状态的卷对卷加工控制智能决策方法”为题,结合人工智能方法,探究辊轴性能衰退的主要影响因素,特别是与辊轴振动特征量的关系。针对柔性电路板R2R加工系统建立其结构模型用于做力学分析,重点研究柔性电路板加工辊轴性能衰退预测建模方法及其加工控制RS决策方法。论文解决的主要问题包括:(一)对柔性电路板R2R制造系统的工艺流程进行分析,并建立柔性电路板加工系统模型。对柔性电路板加工过程中的辊轴进行力学分析,并针对驱动辊轴模块进行有限元仿真。推断辊轴可能出现的性能退化情况,以及对柔性电路板加工过程可能产生的影响。(二)针对辊轴性能衰退问题,提出一种结合LSTM和SVM的神经网络预测模型,对卷对卷设备的健康状态进行预测。用历史数据对模型进行训练,将辊轴振动特征量作为输入,通过神经网络模型内部神经元的参数调整完成对样本的性能等级分类,输出设备健康状态。并通过实验证明LSTM-SVM模型在预测精度和速度上的优越性。(三)根据柔性电路板卷对卷加工设备加工控制决策需求,结合设备健康状态提出一种柔性电路板加工控制RS决策方法。根据柔性电路板加工系统的加工质量影响因素,通过历史健康状态数据,建立加工控制RS决策模型。