面向电解铜箔电沉积工艺参数设定的两阶段联邦优化框架

《Electronics》：A Two-Phase Federated Optimization Framework for Process Parameter Settings of Electrodeposition

　　

电解铜箔（ECF）电沉积的工艺参数设定面临单个生产域内数据不足以及跨域数据共享壁垒的挑战。协调联邦预测器训练与客户端侧工艺参数搜索在跨域ECF生产中仍是一个实际难题。研究人员提出FedO，一种用于ECF电沉积工艺参数设定的两阶段联邦优化框架。该方法通过一种独立于优化器内部结构的聚合程序，协调联邦能耗（EC）预测器训练与本地工艺参数搜索。该框架分两个阶段运行：本地自主优化阶段，客户端生成高质量初始解；随后是联邦协同优化阶段，全局聚合整合跨域知识。此外，研究人员引入自适应参数筛选、动态学习率衰减与精英保留策略以增强泛化性和稳定性。实验结果表明，所提框架优于现有方法，并与六种测试优化器兼容。

**一、研究背景与问题**

电解铜箔（ECF）是印刷电路板、锂离子电池、新能源汽车及储能系统等领域的关键基础材料。其电沉积过程涉及离子迁移、电子传递与界面反应等复杂物理化学现象，并常伴随析氢副反应，显著降低电流效率，进而增加能耗（EC）与碳排放。传统节能策略包括电解液参数优化与非电解液工艺调整，但实际实施高度依赖操作人员的经验与技术。人工智能驱动的数据方法虽在能耗预测和参数优化中展现了潜力，但单个企业数据量有限、工况覆盖不足，且跨域数据呈非独立同分布（non-IID）特性，导致预测器泛化能力不足。联邦学习通过多客户端本地训练与全局参数聚合可突破数据孤岛，然而如何协调联邦预测器训练与客户端侧工艺参数搜索仍是跨域ECF生产中的实际难题，亟需设计灵活的两阶段联邦优化机制。

**二、研究内容与总体结论**

研究人员提出FedO，一种面向ECF电沉积工艺参数设定的两阶段联邦优化框架。该框架将本地自主优化与联邦协同优化相结合，仅聚合EC预测器参数，优化器特定参数与搜索状态保留于本地，从而实现了预测器训练与客户端工艺参数搜索的解耦。实验表明，FedO在预测精度与参数优化性能上均优于独立本地训练基线，并与六种测试优化器兼容，为ECF行业绿色制造提供了可行的离线工艺参数预设优化方案。

**三、关键技术方法**

研究人员采用的关键技术包括：两阶段联邦优化机制，本地自主优化阶段利用客户端本地数据生成高质量初始解，联邦协同优化阶段通过加权聚合整合跨域知识；自适应参数筛选策略，依据本地验证集均方误差（MSE）选取每轮最优参数；动态学习率衰减策略，每全局轮次更新学习率以增强训练稳定性；精英保留策略，以最终选定预测器统一重估历史候选解并保留最优者。集成的六种优化器包括粒子群优化（PSO）、模拟退火（SA）、鲸鱼优化算法（WOA）、随机梯度下降（SGD）、贝叶斯优化（BO）和遗传算法（GA）。实验数据源自某中国ECF制造商18个月实际生产过程的133,660个有效样本，按设备编号划分为两客户端（各24台机器）与六客户端（各8台机器）两种分区，本地数据按60%、20%、20%划分训练、验证与测试集。

**四、研究结果**

*4.1 优化器性能分析*
在两客户端非IID环境下集成六种优化器进行槽电压最小化实验，所有算法均于150轮通信后稳定收敛，证实FedO与六种优化器兼容。

*4.2 预测器性能分析*
与独立本地训练基线相比，FedO显著提升预测精度：客户端0的决定系数R²由0.6765提升至0.9185，客户端1由0.3697提升至0.9200，说明FedAvg聚合与自适应参数筛选有效增强了模型泛化能力。

*4.3 与基线方法比较*
与FBO、标准FedAvg后接本地优化、独立本地优化和池化数据集中优化等基线相比，FedO在两种客户端上均获得更低平均预测槽电压。以相对最差方法的降幅计，FedO六种优化器的平均指标在客户端0为29.53%，高于独立本地优化的19.94%。但各联邦方法的相对性能随优化器与客户端条件变化，无单一方法在所有配置下均占优。

*4.4 消融实验*
在Fed-PSO两客户端设置中，移除自适应参数筛选后平均R²由0.9185/0.9200降至0.8934/0.9051，预测电压升高0.0734 V与0.0618 V；移除精英保留后预测器R²不变，但平均预测电压升高0.0291 V与0.0125 V且标准差增大，验证了两种策略分别对预测器参数选择与最终候选选择作出的贡献。

*4.5 多客户端实验*
六客户端分区下，FedO在所有客户端上均获得低于独立本地优化的预测槽电压，Fed-GA与Fed-PSO在客户端1分别实现0.3537 V（10.3%）与0.3405 V（10.0%）降幅，Fed-WOA相对降幅为7.60%~36.49%。

*4.6 鲁棒性分析*
向单客户端槽电压标签注入信噪比（SNR）为-4、-2、0、1、5、10 dB的高斯噪声后，FedO在七个SNR水平上的平均绝对偏差相对独立本地优化降低72.70%~87.01%，但该优势并非每个优化器在每个噪声水平下均存在。

*4.7 执行效率与敏感性分析*
两客户端和六客户端设置下350轮总运行时间为8493.38~24342.83 s（约2.36~6.76 h）。Fed-SGD总耗时最短，Fed-PSO仅多3.05%耗时但预测电压更低，兼顾计算成本与性能。敏感性分析显示，阶段切换轮次、本地迭代数E、衰减系数与初始学习率的参考配置在测试设置中获得较高的平均池化测试R²和较低的预测电压。

**五、讨论与结论**

讨论部分指出，FedO在测试的两客户端与六客户端设置中有效，但在更强数据异质性下的可扩展性仍需进一步研究。当前实现不包含安全聚合或差分隐私（DP），不提供正式隐私保证；FedO基于固定历史数据进行离线优化，尚未验证在线自适应能力，且当前优化目标仅最小化预测槽电压，未显式纳入抗拉强度与延伸率约束，因此结果不构成质量可行性或实际过程节能的证明。未来工作将引入质量预测器与多目标优化，并探讨向铝电解、锌电解、电镀及化工制造等领域的扩展。

结论部分认为，FedO通过两阶段机制及自适应参数筛选、学习率衰减和精英保留策略，实现了跨客户端协调的ECF电沉积离线工艺参数预设优化。其聚合过程独立于优化器内部结构，已验证与六种优化器的兼容性。评估中，FedO改善了预测性能，六种优化器在两种客户端上均获得低于独立本地对应方法的平均预测槽电压；与FBO及标准FedAvg后接本地优化的比较表明相对性能依赖优化器与客户端条件；噪声实验亦显示平均偏差更小，但并非所有配置下均具优势。上述结果支持FedO在测试条件下基于预测器的优化的有效性。