CN105372581A - 挠性电路板制造过程自动监测和智能分析系统及方法 - Google Patents

Abstract

本发明提供了挠性电路板制造过程自动监测和智能分析系统及方法。首先，系统包括基本资料模块、参数采集模块、综合数据库模块、智能数据分析模块以及监测显示与数据报表模块参数采集模块包括显微镜自动数据采集装置和铜厚测试装置；其次，通过显微镜自动数据采集装置采集刻蚀工序的线宽、线距和钻孔工序的孔径，采用铜厚测试装置测量铜厚，统计工序缺陷数据；最后，采用多元统计过程控制方法、神经网络和支持向量机为基本分析方法，对所采集的数据进行智能分析，预测工序和生产线异常，对产生的异常源进行识别。本发明实现对挠性电路板制造过程和质量的自动监控，提高工序稳定性和产品良率。

Description

挠性电路板制造过程自动监测和智能分析系统及方法

技术领域

本发明涉及挠性印制电路板(FlexiblePrintedCircuitBoard，简称挠性电路板)制造过程的自动监测和智能分析技术领域，具体涉及挠性电路板制造过程自动监测和智能分析系统及方法。

背景技术

挠性电路板被广泛应用于具有小型化、轻量化、可移动等要求的电子产品中，包括显示驱动芯片、摄像头模组、射频功能模组、微机电系统模组、指纹识别模组、金融IC卡等，涉及计算机、移动通讯、显示器、仪器仪表、医疗器械、智能卡等以及航空航天、国防军工等各个领域，在电子产品越来越小、越来越薄的发展趋势下，挠性电路板将进一步取代硬质电路板，迎来更大的发展空间。

挠性电路板制造加工工艺较为复杂，就一般的制造流程而言，需经过层压铜箔、贴感光干膜、激光直写曝光、显影、刻蚀、剥膜、激光钻孔、电镀铜、阻焊油墨、通断测试和成型等工序。其中，关键工序主要包括：刻蚀、激光钻孔、铜减薄等。

为了提高挠性电路板制造的稳定性和良率，在挠性电路板的制造过程中，可对挠性电路板关键工序的主要物理参数和缺陷进行自动监控，从而在出现关键工序异常时及时采取应急措施，降低产线故障的风险。这种自动监控系统将有助于降低企业成本，因而越来越受到企业的重视。挠性电路板关键工序的主要物理参数为线宽、线距和孔径大小；而涉及到的产品缺陷主要包括断路、短路、线路缺口、凸起、残铜等。对这些挠性电路板关键物理参数进行自动检测和监控，可及时发现关键工序的异常情况，并可对一定时间周期内的数据进行统计和分析，以改进和优化挠性电路板制造流程。

在现阶段的挠性电路板制造行业中，传统人工检测仍为检测的主要方法。但随着线宽线距越来越小，图像密度越来越高，传统人工检测因检测时间长、误报率高而无法满足产业需求。针对挠性电路板的关键工序，通过模式识别技术进行图像拼接和处理，将挠性电路板关键物理参数与存储在计算机内的标准参数进行对比，判断出关键工艺的状态异常，从而对异常工序进行处理，实现关键工序的自动化检测和监控。

发明内容

针对现有技术中存在的技术问题，本发明的目的是：提供一种对挠性电路板制造关键工序的生产过程进行自动监控、缺陷识别、缺陷原因分析的智能化监测与智能分析系统、装置及方法。

为实现上述目的，本发明所提供如下技术方案：

挠性电路板制造过程自动监测和智能分析系统，包括基本资料模块、数据采集模块、综合数据库模块、智能数据分析模块以及监测显示与数据报表模块。数据采集模块包括显微镜自动数据采集装置、铜厚测试装置和其他数据采集装置，主要用于采集挠性电路板制造过程各工序的关键物理参数以及挠性电路板质量数据；基本资料模块包括工序信息和质量检验规范，主要用于挠性电路板各工序质量和缺陷检验时作为评判和检验的标准信息资料；智能数据分析模块包括：采用多元统计过程的T²控制方法对单工序的异常情况进行预测，采用融合神经网络和支持向量机的方法预测挠性电路板制造整线的异常，采用基于遗传算法优化的神经网络对挠性电路板制造过程的异常源进行识别；主要实现对挠性电路板生产过程智能质量控制、生产过程的自动异常状态识别和异常定位，为维护人员排除异常故障提供参考；综合数据库模块主要用于存储数据采集模块所采集的数据、工序信息资料和质量检验规范信息以及智能分析模块所产生的分析结果和数据报表。

进一步地，所述的基本资料模块的工序信息主要包括：1)工序人员名单，记录工序工作人员及其负责工序；2)设备信息，包括设备的名称、类别和型号等基本信息；基本资料模块的质量检验规范包括：IPC-6013B《挠性印制板的鉴定及性能规范》、企业内部制定的质量检验规程等。

进一步地，所述的显微镜自动数据采集装置包括：上位机系统和显微镜检测平台。上位机系统包括运动控制模块和显微镜视觉控制处理模块。显微镜检测平台包括电动精密载物台、变换杆、电机控制箱、显微镜固定支架、显微镜、光源和数字摄像头。显微镜安装在显微镜固定支架上，数字摄像头安装在显微镜上方，光源安装在显微镜正后方，电动精密载物台安装在显微镜的正下方，且与电机控制箱连接。显微镜视觉控制处理模块与数字摄像头相连接，运动控制模块与电机控制箱相连接。电机控制箱内安装有伺服驱动器、电源，伺服驱动器通过控制卡与上位机连接。

进一步地，所述上位机系统通过运动控制模块和显微镜视觉控制处理模块采集图像，并识别出各关键工序对应的挠性电路板关键物理参数和缺陷数据。其中，所述显微镜自动数据采集装置对应的挠性电路板关键工序为刻蚀工序和激光钻孔工序；关键物理参数包括线宽、线距、孔径大小等；缺陷数据主要包括断路、短路、线路缺口、凸起、残铜等。

进一步地，所述上位机系统包含运动控制模块，负责移动放置挠性电路板的电动精密载物台。上位机通过运动控制模块发出采集图像命令后，电机控制箱内伺服驱动器驱动伺服电机，分别控制X、Y轴运动导轨移动电动精密载物台，配合数字摄像头、光源采集图像。

进一步地，所述上位机系统包含显微镜视觉控制处理模块，负责控制数字摄像头通过显微镜放大后获取挠性电路板局部图像、图像拼接和图像处理，并根据挠性电路板工序的生产过程标准数据，实现对数据的比较，最终显示带有缺陷区域及具体缺陷细节的挠性电路板图像。

进一步地，所述的铜厚测试装置包括铜厚测量仪器和数据通信软件，铜厚测量仪主要用于测量铜箔的厚度，数据通信软件主要用于数据的铜厚数据的采集和传输。

进一步地，所述的综合数据库主要用于存放关键工序的基本信息、采集的初始数据以及数据的统计信息和进行智能分析的最终结果，包括各物理参数的统计信息、工序或者产线是否异常的诊断结果和存在异常时的异常源信息；所有数据信息，最终以报表的形式存放在数据库中，供工程师和管理人员实时查询。

所述的挠性电路板制造过程自动监测和智能分析系统的监测和分析方法，包括对挠性电路板制造过程的铜减薄、蚀刻、钻孔等关键工序的监控，具体包括以下步骤：

1、根据用户选择查看的工序，该算法将从数据库模块查询并读取相应的参数数据集。

2、待步骤1完成后，根据该数据集所包含的数据类型判断是否进行预处理，如果是计量值类型，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型，则将参数数据进行比例化处理。

3、待步骤2完成后，根据参数变量类别和标准化后的数据，建立多变量统计T²模型，对所选择工序的异常情况进行可视化监控。如果T²控制图检测到生产异常波动是失控状态，则发出警报并且上传到监控显示与数据报表模块，否则不作出反应。

对挠性电路板制造过程的全工序的异常识别设计一种智能分析方法，包括以下步骤：

1、根据用户选择，读取挠性电路板制造全工序异常识别的训练数据或者待监控数据。根据数据集所包含的数据类型判断是否进行预处理，如果是计量值类型(包括线宽、线距、孔径和孔圆度)，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型(包括各种缺陷在统计时间内的发生的个数)，则将参数数据进行比例化处理。

2、待步骤1完成后，神经网络方法提取特征。

3、待步骤2完成后，如果用户选择训练模型，则用正常和异常的特征数据，训练支持向量机模型，采用高斯核函数并且使用网格法确定相关参数，从而完成支持向量机模型的建立。否则，按照步骤4进行数据的智能分析。

4、待步骤2完成后，使用支持向量机模型对加工工序的批数据进行监控。如果检测到生产异常波动是失控状态，则发出警报并且上传到监控显示与数据报表模块，否则不作出反应。

所述一种对挠性电路板生产工序监控的异常源识别(异常定位)算法，包括以下步骤：

1、根据用户选择，读取挠性电路板制造全工序异常定位的训练数据或者待监控数据。从数据库模块查询并读取所涉及的挠性电路板制造过程关键参数数据，组成批数据。判断该批数据是否进行预处理，如果是计量值类型需要预处理，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型则不处理。

2、待步骤1完成后，如果用户选择训练模型，则对预处理后的特征数据集建立融合遗传算法和深度学习神经网络的异常源识别模型。遗传算法采用二进制编码技术，以总误差平方函数作为适应度函数，通过选择、交叉、变异等进化算子，选择优化的深度学习神经网络的结构和权值。否则，按照步骤3进行数据的智能分析。

3、待步骤2完成后，使用2建立的异常源识别模型对挠性电路板制造过程全工序进行监控，如果出现异常波动，则根据异常源识别模型输出结果可以定位到失控异常发生的工序并将结果发送到监控显示与数据报表模块，否则不作出反应。

所述显微镜自动数据采集装置的挠性电路板质量评价方法，其特征在于，包括以下步骤：

1、将挠性电路板放置在电动精密载物台，并用固定装置固定后，操作人员登录上位机系统，打开光源，并在手动对焦后通过变换杆切换到数字摄像头采图模式。

2、待步骤1完成后，伺服电机驱动导轨移动电动精密载物台，使系统回到检测原点。

3、待步骤2完成后，由操作人员输入或在数据库中下载待检测的挠性电路板的标准文件，如Gerber文件、CAD文件等，然后解析挠性电路板标准文件，得到标准图和质量评价所需的标准数据。

4、待步骤3完成后，数字摄像头采集图像，伺服电机移动X、Y轴运动导轨，使系统识别并对准基准点。

5、待步骤4完成后，运动控制模块控制电机控制箱内的伺服驱动器驱动伺服电机，通过移动X、Y轴运动导轨移动电动精密载物台。按照从左到右，从上而下的顺序，由数字摄像头通过显微镜放大后，对待测挠性电路板进行局部采图，与此同时，显微镜视觉控制处理模块待测挠性电路板的局部图进行预处理，随后使用基于特征模板匹配特征点的拼接方法进行图像拼接，并完成图像的平滑处理，如此重复采图、拼接，直到把挠性电路板扫描完毕，最终得到待测挠性电路板的全局图。

6、待步骤5完成后，对图像进行二值化和连通域的查找，并以连通域统计质心及面积为匹配标准与电路图模板中的连通域进行对比判定不匹配区域(缺陷区域)；使用细化方法检测线宽和线距；使用霍夫变换识别圆孔位置，并根据面积信息获取孔径大小。与标准图和标准数据中的线宽、线距、孔径大小对比，获取质量评价信息；采用对比法对断路、短路、残铜等缺陷进行识别。

7、待步骤6完成后，上位机系统显示缺陷区域及具体缺陷细节的全图图像，并根据预录阈值信息，提出告警，以便操作人员及时对异常工序进行处理。

8、待步骤7完成后，上位机系统将检测结果存储在本地计算机中，并将相关图像、质量评价信息、缺陷信息、缺陷数据上传至综合数据库模块中，以待后续统计处理。

本发明是通过对关键工序对应的挠性电路板关键物理参数的采集、监测和智能分析，实现对挠性电路板制造过程关键工序的生产过程进行自动监控、缺陷识别、缺陷原因分析的全智能化监测与智能分析。

本发明相对现有技术具有如下的积极优点和效果：

1、使用自动化的装置及系统对挠性电路板的制造过程进行自动化监测与分析，相较于传统的人工检测，不仅降低了检测的误报率、增加了检测的类别，而且还可以大大提高挠性电路板生产效率和自动化水平。

2、将显微镜和精密电动平台引入到挠性电路板关键工序的监测中，一方面有效的提高了系统监测对象的精度，另一方面简化了检测工艺，提高了系统检测的效率。

3、使用统计过程控制、神经网络等方法实现了智能化的质量监控和故障诊断，从而更为有效的保证挠性电路板生产的质量，提高生产过程故障诊断的能力。

附图说明

图1是挠性电路板制造过程自动监测和智能分析系统原理框图；

图2为显微镜自动数据采集装置立体示意图；

图3为显微镜自动数据采集装置的结构框图；

图4为挠性电路板制造过程自动监测和智能分析系统的具体实现图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方法不限于此，需指出的是，以下若有未特别详细说明之过程，均是本领域技术人员可以根据惯常做法实现的。

实施例

如图1所示，本挠性电路板制造过程自动监测和智能分析系统包括基本资料模块、数据采集模块、综合数据库模块、智能数据分析模块以及监测显示与数据报表模块。数据采集模块包括显微镜自动数据采集装置、铜厚测试装置和其他数据采集装置，主要用于采集挠性电路板制造过程各工序的关键物理参数以及挠性电路板质量数据；基本资料模块包括工序信息和质量检验规范，主要用于挠性电路板各工序质量和缺陷检验时作为评判和检验的标准信息资料；智能数据分析模块包括统计过程控制算法识别异常状态、融合神经网络和支持向量机算法自动识别异常、基于遗传算法优化的神经网络深度学习方法对挠性电路板生产工序异常源识别(异常定位)，主要实现对挠性电路板生产过程智能质量控制、生产过程的自动异常状态识别和异常定位，为维护人员排除异常故障提供参考；综合数据库模块主要用于存储数据采集模块所采集的数据、工序信息资料和质量检验规范信息以及智能分析模块所产生的分析结果和数据报表。

工序信息主要包括工序的人员、设备等信息。所述的质量检验规范主要包括：IPC-6013B《挠性印制板的鉴定及性能规范》、企业内部制定的质量检验规程等。

如图2所示，显微镜自动数据采集装置包括上位机系统和显微镜检测平台。上位机系统包括运动控制模块和显微镜视觉控制处理模块。显微镜检测平台包括电动精密载物台1、变换杆3、电机控制箱11、显微镜固定支架6、显微镜5、光源2和数字摄像头4。其中，电动精密载物台1包括X轴伺服电机10、Y轴伺服电机13、X轴运动导轨7、Y轴运动导轨12。显微镜5安装在显微镜固定支架6上，数字摄像头4安装在显微镜5的上方，光源2安装在显微镜5正后方，电动精密载物台1安装在显微镜5的正下方，且与电机控制箱11连接。

如图3显微镜视觉控制处理模块与数字摄像头相连接，运动控制模块与电机控制箱相连接。电机控制箱内安装有伺服驱动器、电源，伺服驱动器通过控制卡与上位机连接。

本实例所述显微镜检测平台使用Basler公司的piA2400型的数字摄像头、使用型号为MJ51显微镜和带蓝色滤光片的卤素灯光源。电动精密载物台使用松下的伺服电机和伺服驱动器，并且使用固高科技(深圳)有限公司的GTS-400-PV型运动控制卡与上位机连接。

如图4所示，本挠性电路板制造过程自动监测和智能分析系统采用分布式结构来构建系统。显微镜自动数据采集采集主要负责对蚀刻工序和钻孔工序关键参数和缺陷的数据采集；铜厚测试装置主要用于铜减薄工序关键参数的数据采集。蚀刻工序监控站、铜减薄工序监控站和钻孔工序监控站则分别实现对蚀刻工序、铜减薄工序和钻孔工序各关键参数和缺陷数据的现场的自动监控和智能分析。数据库服务器主要用于存放系统用户数据以及监控与智能分析的历史数据等。品质部监控室的工作任务则主要实现各工序的数据查看、监控以及工序综合数据的智能分析和故障诊断。总经理办公监控室则主要实现对各工序的数据查看、监控以及工序综合数据分析和故障诊断结果的查看。

本实例所述显微镜自动数据采集装置对应的挠性电路板关键工序为刻蚀工序和激光钻孔工序；关键物理参数包括线宽、线距、孔径大小等；缺陷数据主要包括断路、短路、线路缺口、凸起、残铜等。

显微镜自动数据采集装置的上位机系统包含运动控制模块，负责移动放置挠性电路板的电动精密载物台。上位机通过运动控制模块发出采集图像命令后，电机控制箱内伺服驱动器驱动伺服电机，分别控制X、Y轴运动导轨移动电动精密载物台，配合数字摄像头、光源采集图像。

显微镜自动数据采集装置的上位机系统还包含显微镜视觉控制处理模块，负责控制数字摄像头通过显微镜放大后获取挠性电路板局部图像、图像拼接和图像处理，并根据挠性电路板个工序的生产过程标准数据，实现对数据的比较，最终显示带有缺陷区域及具体缺陷细节的挠性电路板图像。

显微镜自动数据采集装置的挠性电路板质量评价方法，包括以下步骤：

1、将挠性电路板放置在电动精密载物台，并用固定装置固定后，操作人员登录上位机系统，打开光源，并在手动对焦后通过变换杆切换到数字摄像头采图模式。

2、待步骤1完成后，伺服电机驱动导轨移动电动精密载物台，使系统回到检测原点。

3、待步骤2完成后，由操作人员输入或在数据库中下载待检测的挠性电路板的标准文件，如Gerber文件、CAD文件等，然后解析挠性电路板标准文件，得到标准图和质量评价所需的标准数据。

4、待步骤3完成后，数字摄像头采集图像，伺服电机移动X、Y轴运动导轨，使系统识别并对准基准点。

5、待步骤4完成后，运动控制模块控制电机控制箱内的伺服驱动器驱动伺服电机，通过移动X、Y轴运动导轨移动电动精密载物台。按照从左到右，从上而下的顺序，由数字摄像头通过显微镜放大后，对待测挠性电路板进行局部采图，与此同时，显微镜视觉控制处理模块待测挠性电路板的局部图进行预处理，随后使用基于特征模板匹配特征点的拼接方法进行图像拼接，并完成图像的平滑处理，如此重复采图、拼接，直到把挠性电路板扫描完毕，最终得到待测挠性电路板的全局图。

6、待步骤5完成后，对图像进行二值化和连通域的查找，并以连通域统计质心及面积为匹配标准与电路图模板中的连通域进行对比判定不匹配区域(缺陷区域)；使用细化方法检测线宽和线距；使用霍夫变换识别圆孔位置，并根据面积信息获取孔径大小。与标准图和标准数据中的的线宽、线距、孔径大小对比，获取质量评价信息；采用对比法对断路、短路、残铜等缺陷进行识别。

7、待步骤6完成后，上位机系统显示缺陷区域及具体缺陷细节的全图图像，并根据预录阈值信息，提出告警，以便操作人员及时对异常工序进行处理。

8、待步骤7完成后，上位机系统将检测结果存储在本地计算机中，并将相关图像、质量评价信息、缺陷信息、缺陷数据上传至综合数据库模块中，以待后续统计处理。

本实例的铜厚测试装置包括铜厚测量仪器和数据通信软件，铜厚测量仪主要用于测量铜箔的厚度，数据通信软件主要用于数据的铜厚数据的采集和传输。

本实例的综合数据库主要用于存放关键工序的基本信息、采集的初始数据以及自动监测和智能分析推理过程中得到的各种中间信息和解决问题后输出结果信息。智能分析的结果，最终以报表的形式存放在数据库中，供工程师和管理人员实时查询。

本实例对挠性电路板制造过程的铜减薄、蚀刻、钻孔等关键工序设计一种多元统计过程监控方法，包括以下步骤：

1、根据用户选择查看的工序，该算法将从数据库模块查询并读取相应的参数数据集。

2、待步骤1完成后，根据该数据集所包含的数据类型判断是否进行预处理，如果是计量值类型，如蚀刻工序的线宽、线距，钻孔工序的圆度、位置和镀铜工序的铜厚等，则将参数数据集中的所有数据进行标准化预处理。设参数i采集n个数据，表示为{x_i1,…,x_in}，计算其平均值和标准差s_i，则标准化处理后的数据x′_ij为：

$x_{ij}^{\′}=\frac{x_{ij}-{\stackrel{\‾}{x}}_i}{s_i}$

如果是计数值类型，如发生断路、短路、线路缺口、凸起、残铜缺陷的电路板个数，则将参数数据进行比例化处理，即用发生某个缺陷的电路板个数除以生产的总电路板个数。

3、待步骤2完成后，根据参数变量类别和标准化后的数据，建立多变量统计χ²模型，对所选择工序的异常情况进行可视化监控。以钻孔工序为例，关键物理参数为孔径大小和孔的圆度两个参数，计算采集的n组孔径大小和圆度数据(即属性个数p＝2)，表示为x_i＝(x_i1，x_i2)(i＝1，2，…，n)，计算两种数据均值然后计算属性j和h之间的协方差s_jh(j,h＝1,2)和对应的协方差矩阵S为

$s_{jh}=\frac{1}{n-1}{\Σ}_{i=1}^n(x_{ij}-{\stackrel{\‾}{x}}_j)(x_{ih}-{\stackrel{\‾}{x}}_h)$

$S=\left(\begin{array}{cc}{s}_{11}& s_{12}\\ s_{12}& s_{22}\end{array}\right)$

和第i个T²统计量，将与上下限比较：

$LCL=\frac{{(n-1)}^2}{n}B\left(1-\frac{\mathrm{\α}}{2};\frac{p}{2};\frac{n-p-1}{2}\right);UCL=\frac{{(n-1)}^2}{n}B\left(\frac{\mathrm{\α}}{2};\frac{p}{2};\frac{n-p-1}{2}\right)$ (其中，B(·)为参数为的β分布，1-α为置信水平)。最后，以n为横轴，纵轴绘制T²控制图，根据是否超过控制限判断产品质量是否失控。如果数据超过上下控制界限，则检测到生产异常波动是失控状态，则发出警报并且上传到监控显示与数据报表模块，否则不作出反应。

本实例对挠性电路板制造过程的全工序的异常识别设计一种智能分析方法，包括以下步骤：

1、根据用户选择，读取挠性电路板制造全工序异常识别的训练数据或者待监控数据。根据数据集所包含的数据类型判断是否进行预处理，如果是计量值类型，则将参数数据集中的所有数据进行标准化预处理，如果是计数型，则将参数数据进行比例化处理。

2、待步骤1完成后，采用神经网络方法(如3层结构的BP网络)提取特征，即输入挠性电路板制造过程所有工序的关键参数，输出影响挠性电路板质量的主要特征数据。

3、待步骤2完成后，如果用户选择训练模型，则用正常和异常的特征数据，训练支持向量机模型，采用高斯核函数并且使用网格法确定模型中的惩罚参数C和高斯核参数γ，从而完成支持向量机模型的建立。否则，按照步骤4进行数据的智能分析。

4、待步骤2完成后，使用支持向量机模型对加工工序的批数据进行监控。如果检测到生产异常波动是失控状态，则发出警报并且上传到监控显示与数据报表模块，否则不作出反应。

本实例设计一种对挠性电路板生产工序监控的异常源识别(异常定位)算法，包括以下步骤：

1、根据用户选择，读取挠性电路板制造全工序异常定位的训练数据或者待监控数据。从数据库模块查询并读取所涉及的挠性电路板制造过程关键参数数据，组成批数据。判断该批数据是否进行预处理，如果是计量值类型需要预处理，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型则不处理。

2、待步骤1完成后，如果用户选择训练模型，则对预处理后的特征数据集建立融合遗传算法的神经网络异常源识别模型。遗传算法采用二进制编码技术，以总误差平方函数作为适应度函数，通过选择、交叉、变异等进化算子，选择优化的神经网络的结构和权值。否则，按照步骤3进行数据的智能分析。

3、待步骤2完成后，使用2建立的异常源识别模型对挠性电路板制造过程全工序进行监控，如果出现异常波动，则根据异常源识别模型输出结果可以定位到失控异常发生的工序并将结果发送到监控显示与数据报表模块，否则不作出反应。如上所述，便可较好地实现本发明。

Claims (10)

1.挠性电路板制造过程自动监测和智能分析系统，包括基本资料模块、参数采集模块、综合数据库模块、智能数据分析模块以及监测显示与数据报表模块，其特征在于：参数采集模块包括显微镜自动数据采集装置和铜厚测试装置，主要用于采集挠性电路板制造过程关键工序的关键物理参数以及挠性电路板质量数据；基本资料模块包括工序信息和质量检验规范，主要用于挠性电路板各工序质量和缺陷检验时作为评判和检验的标准信息资料；智能数据分析模块包括：采用多元统计过程的T²控制方法对单工序的异常情况进行预测，采用融合神经网络和支持向量机的方法预测挠性电路板制造整线的异常，采用基于遗传算法优化的神经网络对挠性电路板制造过程的异常源进行识别，主要实现对挠性电路板生产过程智能质量控制、生产过程的自动异常状态识别和异常定位，为维护人员排除异常故障提供参考；综合数据库模块主要用于存储数据采集模块所采集的数据、工序信息资料和质量检验规范信息以及智能分析模块所产生的分析结果和数据报表。

2.根据权利要求1所述的一种挠性电路板制造过程自动监测和智能分析系统，其特征在于：基本资料模块的工序信息主要包括：1）工序人员名单，记录工序工作人员及其负责工序；2）设备信息，包括设备的名称、类别和型号等基本信息；基本资料模块的质量检验规范包括：质量检验规范IPC-6013B《挠性印制板的鉴定及性能规范》、企业内部制定的质量检验规程。

3.根据权利要求1所述的一种挠性电路板制造过程自动监测和智能分析系统，其特征在于：显微镜自动数据采集装置包括：上位机系统和显微镜检测平台；上位机系统包括运动控制模块和显微镜视觉控制处理模块；显微镜检测平台包括电动精密载物台、变换杆、电机控制箱、显微镜固定支架、显微镜、光源和数字摄像头；显微镜安装在显微镜固定支架上，数字摄像头安装在显微镜上方，光源安装在显微镜正后方，电动精密载物台安装在显微镜的正下方，且与电机控制箱连接；显微镜视觉控制处理模块与数字摄像头相连接，运动控制模块与电机控制箱相连接；电机控制箱内安装有伺服驱动器、电源，伺服驱动器通过控制卡与上位机连接。

4.根据权利要求3所述的一种挠性电路板制造过程自动监测和智能分析系统，其特征在于显微镜自动数据采集装置的所述上位机系统通过运动控制模块和显微镜视觉控制处理模块采集图像，并识别出各关键工序对应的挠性电路板关键物理参数和缺陷数据；其中，所述显微镜自动数据采集装置对应的挠性电路板关键工序为刻蚀工序和激光钻孔工序；关键物理参数包括线宽、线距、孔径大小；缺陷数据主要包括断路、短路、线路缺口、凸起和残铜。

5.根据权利要求3所述的一种挠性电路板制造过程自动监测和智能分析系统，其特征在于所述上位机系统包含运动控制模块，负责移动放置挠性电路板的电动精密载物台；上位机通过运动控制模块发出采集图像命令后，电机控制箱内伺服驱动器驱动伺服电机，分别控制X、Y轴运动导轨移动电动精密载物台，配合数字摄像头、光源采集图像；

所述上位机系统还包含显微镜视觉控制处理模块，负责控制数字摄像头通过显微镜放大后获取挠性电路板局部图像、图像拼接和图像处理，并根据挠性电路板工序的生产过程标准数据，实现对数据的比较，最终显示带有缺陷区域及具体缺陷细节的挠性电路板图像。

6.根据权利要求1所述的一种挠性电路板制造过程自动监测和智能分析系统，其特征在于：铜厚测试装置包括铜厚测量仪器和数据通信软件，铜厚测量仪主要用于测量铜箔的厚度，数据通信软件主要用于数据的铜厚数据的采集和传输。

7.根据权利要求1所述的一种挠性电路板制造过程自动监测和智能分析系统，其特征在于：所述综合数据库模块主要用于存放关键工序的基本信息、采集的初始数据以及对数据的统计信息和进行智能分析的最终结果，包括各物理参数的统计信息、工序或者生产线是否异常的诊断结果和存在异常时的异常源信息；所有数据信息，最终以报表的形式存放在数据库中，供工程师和管理人员实时查询。

8.利用权利要求1所述的挠性电路板制造过程自动监测和智能分析系统的监测和分析方法，其特征在于：对挠性电路板制造过程的铜减薄、蚀刻、钻孔等关键工序的监控，包括以下步骤：

8.1根据用户选择查看的工序，从数据库模块查询并读取相应的参数数据集；

8.2待步骤8.1完成后，根据该数据集所包含的数据类型判断是否进行预处理，如果是计量值类型，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型，则将参数数据进行比例化处理；

8.3待步骤8.2完成后，根据参数变量类别和标准化后的数据，建立多变量统计的控制图模型，对所选择工序的异常情况进行可视化监控；如果控制图检测到生产异常波动是失控状态，则发出警报并且上传到监控显示与数据报表模块，否则不作出反应；

对挠性电路板制造过程的全工序的异常识别进行智能分析，包括以下步骤：

8.4根据用户选择，读取挠性电路板制造全工序异常识别的训练数据或者待监控数据；根据数据集所包含的数据类型判断是否进行预处理，如果是计量值类型，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型，则将参数数据进行比例化处理；

8.5待步骤8.4完成后，神经网络方法提取数据特征；

8.6待步骤8.5完成后，如果用户选择训练模型，则用正常和异常的特征数据训练支持向量机模型，采用高斯核函数并且使用网格法确定相关参数，从而完成支持向量机模型的建立，否则，按照步骤8.7进行数据的智能分析；

8.7待步骤8.5完成后，使用支持向量机模型对加工工序的批数据进行监控；如果检测到生产异常波动是失控状态，则发出警报并且上传到监控显示与数据报表模块，否则不作出反应。

9.根据权利要求8所述的方法，其特征在于：还包括对挠性电路板制造工序监控的异常源识别即异常定位，实现全工序中异常工序和异常变量的定位，具体包括以下步骤：

9.1根据用户选择，读取挠性电路板制造全工序异常定位的训练数据或者待监控数据；从数据库模块查询并读取所涉及的挠性电路板制造过程关键参数数据，组成批数据；判断该批数据是否进行预处理，如果是计量值类型需要预处理，则将参数数据集中的所有数据进行标准化预处理，如果是计数类型则不处理；

9.2待步骤9.1完成后，如果用户选择训练模型，则对预处理后的特征数据集建立融合遗传算法和深度学习神经网络的异常源识别模型；遗传算法采用二进制编码技术，以总误差平方函数作为适应度函数，通过选择、交叉、变异进化算子，选择优化的深度学习神经网络的结构和权值；否则，按照步骤9.3进行数据的智能分析；

9.3待步骤9.2完成后，使用9.2建立的异常源识别模型对挠性电路板制造过程全工序进行监控，如果出现异常波动，则根据异常源识别模型输出结果可以定位到失控异常发生的工序并将结果发送到监控显示与数据报表模块，否则不作出反应。

10.根据权利要求8所述的方法，其特征在于：还包括使用所述显微镜自动数据采集装置的挠性电路板质量评价的过程，具体包括以下步骤：

10.1将挠性电路板放置在电动精密载物台，并用固定装置固定后，操作人员登录上位机系统，打开光源，并在手动对焦后通过变换杆切换到数字摄像头采图模式；

10.2待步骤10.1完成后，伺服电机驱动导轨移动电动精密载物台，使系统回到检测原点；

10.3待步骤10.2完成后，由操作人员输入或在数据库中下载待检测的挠性电路板的标准文件，标准文件包括Gerber文件、CAD文件，然后解析挠性电路板标准文件，得到标准图和质量评价所需的标准数据；

10.4待步骤10.3完成后，数字摄像头采集图像，伺服电机移动X、Y轴运动导轨，使系统识别并对准基准点；

10.5待步骤10.4完成后，运动控制模块控制电机控制箱内的伺服驱动器驱动伺服电机，通过移动X、Y轴运动导轨移动电动精密载物台，按照从左到右，从上而下的顺序，由数字摄像头通过显微镜放大后，对待测挠性电路板进行局部采图，与此同时，显微镜视觉控制处理模块待测挠性电路板的局部图进行预处理，随后使用基于特征模板匹配特征点的拼接方法进行图像拼接，并完成图像的平滑处理，如此重复采图、拼接，直到把挠性电路板扫描完毕，最终得到待测挠性电路板的全局图；

10.6待步骤10.5完成后，对图像进行二值化和连通域的查找，并以连通域统计质心及面积为匹配标准与电路图模板中的连通域进行对比判定不匹配区域即缺陷区域；使用细化方法检测线宽和线距；使用霍夫变换识别圆孔位置，并根据面积信息获取孔径大小；与标准图和标准数据中的线宽、线距、孔径大小对比，获取质量评价信息；采用对比法对断路、短路、残铜缺陷进行识别；

10.7待步骤10.6完成后，上位机系统显示缺陷区域及具体缺陷细节的全图图像，并根据预录阈值信息，提出告警，以便操作人员及时对异常工序进行处理；

10.8待步骤10.7完成后，上位机系统将检测结果存储在本地计算机中，并将相关图像、质量评价信息、缺陷信息、缺陷数据上传至综合数据库模块中，以待后续统计处理。