生成丝网印刷机的控制参数的装置及方法
技术领域
本公开涉及生成在基板印刷焊膏的丝网印刷机的控制参数的装置、记录介质及方法。
本发明从作为产业通商资源部的机器人产业融合核心技术开发项目的组成部分而执行的研究导出[课题固有编号:10077589,研究课题名:基于机器学习的SMT优化系统技术开发]
背景技术
一般而言,在印刷电路板上贴装电子部件的工序按以下顺序执行:通过焊料印刷装置(即,丝网印刷机装备),在印刷电路板的焊盘上涂覆焊料,通过焊料检查装置检查涂覆的焊料的状态后,将电子部件贴装于涂覆有焊料的印刷电路板。
丝网印刷机使印刷电路板位于用于固定印刷电路板(裸基板)的工作台,使镂空掩模对齐于印刷电路板,以便镂空掩模的开口部位于对应的印刷电路板的焊盘上。然后,丝网印刷机基于控制参数,控制刮刀片的压力及移动速度等,使刮刀片移动,控制镂空掩模与印刷电路板的分离速度,使镂空掩模从印刷电路板分离。
发明内容
解决的技术问题
在通过丝网印刷机而印刷焊膏方面,根据控制参数,可以使印刷电路板的焊盘上印刷的焊膏的量比基准更少或更多地印刷,焊膏可能无法印刷于希望的位置。另一方面,根据丝网印刷机的周围环境(例如,温度、湿度等)或镂空掩模的种类,在印刷电路板的焊盘上印刷的焊料也会发生不良。
本公开的多样实施例可以提供一种用于解决上述问题或其他问题并利用描写丝网印刷机实际环境的模拟模型来生成控制丝网印刷机的控制参数的装置、记录介质及方法。
技术方案
在本公开的一个实施例中,生成丝网印刷机的控制参数的装置可以包括:存储器,其存储基于丝网印刷机的多个控制参数而导出对焊膏印刷状态的预测检查信息的模拟模型;通信电路,其接收对基于第一控制参数而借助于丝网印刷机印刷的多个焊膏的第一检查信息;及处理器,其与存储器及通信电路电气连接;处理器可以将第一控制参数应用于模拟模型,获得对焊膏印刷状态的第一预测检查信息,基于第一预测检查信息,生成多个候选控制参数,基于第一检查信息及第一预测检查信息,在多个候选控制参数中决定多个第二控制参数,通过通信电路,将多个第二控制参数发送给丝网印刷机。
根据一个实施例,第一参数及第二控制参数可以分别包括施加于刮刀片的压力、刮刀片的移动速度或镂空掩模与基板间的分离速度中至少一个。
根据一个实施例,第一检查信息可以包括借助于丝网印刷机而印刷的多个焊膏各自的体积、面积、高度、宽度或梯度中至少一个。
根据一个实施例,第一预测检查信息可以包括焊膏的体积、面积、高度、宽度或梯度中至少一个。
根据一个实施例,处理器可以算出第一检查信息与第一预测检查信息间的差异,比较算出的差异与预先设置的临界值,如果判断为算出的差异超出预先设置的临界值,则可以利用第一检查信息和第一预测检查信息,更新模拟模型。
根据一个实施例,模拟模型可以包括基于机器学习的回归模型,所述回归模型基于丝网印刷机的多个控制参数进行学习,以便导出代表预测的焊膏印刷状态的预测检查信息。
根据一个实施例,存储器可以还存储用于生成对丝网印刷机的多个候选控制参数的优化算法及搜索算法,处理器可以将第一预测检查信息应用于优化算法,生成多个第一候选控制参数,将第一预测检查信息应用于搜索算法,生成多个第二候选控制参数。
根据一个实施例,处理器可以算出第一检查信息与第一预测检查信息间的差异,比较算出的差异与预先设置的临界值,基于比较结果,在多个第一候选控制参数及多个第二候选控制参数中决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异超出预先设置的临界值,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中,选择比第一个数大的第二个数的第二候选控制参数,基于选择的第一候选控制参数及选择的第二候选控制参数,决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中选择比第一个数小的第二个数的第二候选控制参数,基于选择的第一候选控制参数及选择的第二候选控制参数,决定多个第二控制参数。
根据一个实施例,存储器可以还存储用于生成对丝网印刷机的多个候选控制参数的优化算法及基于机器学习的强化学习算法,处理器可以将第一预测检查信息应用于优化算法,生成多个第一候选控制参数,将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第二候选控制参数。
根据一个实施例,处理器可以算出第一检查信息与第一预测检查信息间的差异,比较算出的差异与预先设置的临界值,基于比较结果,在多个第一候选控制参数及多个第二候选控制参数中决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异超出预先设置的临界值,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中,选择比第一个数大的第二个数的第二候选控制参数,基于选择的第一候选控制参数及选择的第二候选控制参数,决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中选择比第一个数小的第二个数的第二候选控制参数,基于选择的第一候选控制参数及选择的第二候选控制参数,决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以基于模拟模型,更新机器学习强化学习算法。
根据一个实施例,存储器可以还存储用于生成对丝网印刷机的多个候选控制参数的搜索算法及基于机器学习的强化学习算法,处理器可以将第一预测检查信息应用于搜索算法,生成多个第一候选控制参数,将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第二候选控制参数。
根据一个实施例,处理器可以算出第一检查信息与第一预测检查信息间的差异,比较算出的差异与预先设置的临界值,基于比较结果,在多个第一候选控制参数及多个第二候选控制参数中决定所述多个第二控制参数。
根据一个实施例,如果判断为算出的差异超出预先设置的临界值,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中,选择比第一个数大的第二个数的第二候选控制参数,基于选择的第一候选控制参数及选择的第二候选控制参数,决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中选择比第一个数小的第二个数的第二候选控制参数,基于选择的第一候选控制参数及选择的第二候选控制参数,生成多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以基于模拟模型,更新机器学习强化学习算法。
根据一个实施例,存储器可以还存储用于生成对丝网印刷机的多个候选控制参数的优化算法、搜索算法及基于机器学习的强化学习算法,处理器可以将第一预测检查信息应用于优化算法,生成多个第一候选控制参数,将第一预测检查信息应用于搜索算法,生成多个第二候选控制参数,将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第三候选控制参数。
根据一个实施例,处理器可以算出第一检查信息与第一预测检查信息间的差异,比较算出的差异与预先设置的临界值,基于比较结果,在多个第一候选控制参数、多个第二候选控制参数及多个第三候选控制参数中,决定多个第二控制参数。
根据一个实施例,如果判断为算出的差异超出预先设置的临界值,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中,选择比第一个数大的第二个数的第二候选控制参数,在多个第三候选控制参数中选择第二个数的第三候选控制参数,基于选择的第一候选控制参数、选择的第二候选控制参数及选择的第三候选控制参数,决定所述多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中选择比第一个数小的第二个数的第二候选控制参数,在多个第三候选控制参数中选择第二个数的第三候选控制参数,基于选择的第一候选控制参数、选择的第二候选控制参数及选择的第三候选控制参数,决定所述多个第二控制参数。
根据一个实施例,如果判断为算出的差异为预先设置的临界值以下,则处理器可以基于模拟模型,更新机器学习强化学习算法。
根据一个实施例,通信电路可以接收与多个第二控制参数分别对应的第二检查信息,处理器可以将多个第二控制参数分别应用于模拟模型,获得对焊膏印刷状态的第二预测检查信息。
根据一个实施例,处理器可以算出第二检查信息与第二预测检查信息间的差异的平均值,如果算出的平均值与预先设置的值对应,则在多个第二控制参数中选择任意一个第二控制参数,将选择的第二控制参数通过通信电路发送给丝网印刷机。
根据一个实施例,处理器可以算出关于多个第二控制参数各自的Z得分,在算出的Z得分中选择具有最高Z得分的第二控制参数。
在本公开另一实施例中,就记录用于在计算机上执行的程序的非暂时性计算机可读记录介质而言,程序可以包括在借助于处理器而运行时,使处理器执行如下步骤的可运行命令:将丝网印刷机的第一控制参数,应用于基于丝网印刷机的多个控制参数而导出对焊膏印刷状态的预测检查信息的模拟模型,获得对焊膏印刷状态的第一预测检查信息的步骤;接收对基于第一控制参数而借助于丝网印刷机印刷的多个焊膏的第一检查信息的步骤;基于第一预测检查信息而生成多个候选控制参数的步骤;基于第一检查信息与第一预测检查信息,在多个候选控制参数中决定多个第二控制参数的步骤;将多个第二控制参数发送给丝网印刷机的步骤。
根据一个实施例,程序可以还包括使处理器执行如下步骤的可运行命令:算出第一检查信息与第一预测检查信息间的差异的步骤;比较算出的差异与预先设置的临界值的步骤;如果判断为算出的差异超出预先设置的临界值,则利用第一检查信息和第一预测检查信息,更新模拟模型的步骤。
根据一个实施例,基于第一预测检查信息而生成多个候选控制参数的步骤可以包括:将第一预测检查信息应用于优化算法,生成多个第一候选控制参数的步骤;将第一预测检查信息应用于搜索算法,生成多个第二候选控制参数的步骤;将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第三候选控制参数的步骤。
根据一个实施例,程序可以还包括使处理器执行如下步骤的可运行命令:接收对基于多个第二控制参数、借助于丝网印刷机而印刷的多个焊膏的第二检查信息的步骤;将多个第二控制参数分别应用于模拟模型,获得对焊膏印刷状态的第二预测检查信息的步骤;算出第二检查信息与第二预测检查信息间的差异的平均值的步骤;如果算出的平均值与预先设置的值对应,则在多个第二控制参数中选择任意一个第二控制参数的步骤;将选择的第二控制参数发送给丝网印刷机的步骤。
在本公开又一实施例中,生成丝网印刷机的控制参数的方法可以包括:将丝网印刷机的第一控制参数,应用于基于丝网印刷机的多个控制参数而导出对焊膏印刷状态的预测检查信息的模拟模型,获得对焊膏印刷状态的第一预测检查信息的步骤;接收对基于第一控制参数、借助于丝网印刷机而印刷的多个焊膏的第一检查信息的步骤;基于第一预测检查信息而生成多个候选控制参数的步骤;基于第一检查信息与第一预测检查信息,在多个候选控制参数中决定多个第二控制参数的步骤;将多个第二控制参数发送给丝网印刷机的步骤。
发明效果
根据本公开的多样实施例,可以利用描写丝网印刷机的实际环境的回归模型,生成对丝网印刷机的控制参数。因此,丝网印刷机可以基于生成的控制参数,在印刷电路板(裸基板)印刷焊膏,从而使在印刷电路板印刷的焊膏的不良减少。
附图说明
图1是概略地显示本公开一个实施例的检查系统构成的框图。
图2a至图2d是显示本公开一个实施例的处理器的构成的框图。
图3是显示本公开一个实施例的第一预测检查信息的示例图。
图4是显示本公开一个实施例的搜索算法的示例图。
图5是根据本公开一个实施例显示提供多个第二控制参数的方法的流程图。
图6是根据本公开一个实施例显示生成第一预测检查信息的方法的流程图。
图7是根据本公开一个实施例显示提供第一检查信息的方法的流程图。
图8是根据本公开一个实施例显示更新模拟模型及强化学习算法的方法的流程图。
图9是根据本公开一个实施例显示决定多个第二控制参数的方法的流程图。
图10是显示本公开一个实施例的多个候选控制参数的示例图。
图11是根据本公开一个实施例显示在多个控制参数中选择最佳控制参数的方法的流程图。
具体实施方式
本发明的实施例是为了说明本发明技术思想的目的而示例性提出的。本公开的权利范围不限定于以下提示的实施例或对这些实施例的具体说明。
只要未不同地定义,本公开中使用的所有技术术语及科学术语具有本公开所属技术领域的普通技术人员一般理解的意义。本公开中使用的所有术语是出于更明确地说明本公开的目的而选择的,并非是为了限制本公开的权利范围而选择的。
本发明中使用的诸如“包括的”、“具备的”、“具有的”等表达,只要在包含相应表达的语句或文章中未不同地提及,应理解为具有包括其他实施例的可能性的开放型术语(open-ended terms)。
只要未提及不同,本公开中记述的单数型的表达可以还一同包括复数型的意义,这也同样适用权利要求书中记载的单数型的表达。
本发明使用的“第一”、“第二”等表达,用于相互区分多个构成要素,并非限定相应构成要素的顺序或重要度。
本公开中使用的术语“部”意味着诸如软件、FPGA(field-programmable gatearray,现场可编程门阵列)、ASIC(application specific integrated circuit,专用集成电路)的硬件构成要素。但是,“部”并非限定于硬件及软件。“部”既可以构成得位于可寻址的存储介质中,也可以构成得使一个或其以上的处理器运行。因此,作为一个示例,“部”包括诸如软件构成要素、客体指向软件构成要素、集群构成要素及任务构成要素的构成要素,处理器,函数,属性,程序,子程序,程序代码的片段,驱动器,固件,微码,电路,数据,数据库,数据结构,工作台,陈列及变数。构成要素和“部”内提供的功能可以由更小数量的构成要素及“部”结合,或分离成追加的构成要素和“部”。
本公开中使用的“基于~”字样的表达,用于记述对包含相应表达的语句或文章中记述的决定或判断的行为或动作施加影响的一个以上因子,该表达不排除对决定或判断的行为或动作施加影响的追加因子。
在本公开中,当提及某种构成要素“连接于”或“接入于”其他构成要素时,应理解为既可以是某种构成要素直接连接于或接入于其他构成要素,也可以是以新的其他构成要素为媒介连接或接入。
下面参照附图,详细说明本公开的实施例。在附图中,对相同或对应的构成要素,赋予相同的附图标记。另外,在以下实施例的说明中,可以省略重复记述相同或对应的构成要素。但是,即使省略关于构成要素的记述,也并不是说某个实施例中不包括这种构成要素。
图1是概略地显示本公开一个实施例的检查系统构成的框图。如果参照图1,检查系统100可以包括丝网印刷机110及控制参数生成装置120。
丝网印刷机110在从外部移送基板(裸基板)(以下称为“印刷电路板”)后,在移送的印刷电路板的多个焊盘上印刷焊膏。丝网印刷机110可以包括刮刀片和镂空掩模。丝网印刷机110可以使刮刀片移动,通过镂空掩模的多个开口部,将焊膏印刷在位于镂空掩模下部的印刷电路板。
在一个实施例中,丝网印刷机110可以根据控制参数,在印刷电路板的多个焊盘上印刷焊膏。例如,控制参数可以包括施加于刮刀片的压力、刮刀片的移动速度或镂空掩模与印刷电路板间的分离速度中至少一个,但并非必须限定于此,可以包括与焊膏印刷相关的多样参数。
控制参数生成装置120可以通过无线通信或有线通信,通过网络(图上未示出)与丝网印刷机110连接。无线通信例如可以包括蜂窝通信(例:LTE(长期演进)、LTE-A(高级长期演进)、CDMA(code division multiple access,码分多址)、WCDMA(wideband CDMA,宽带码分多址)、UMTS(universal mobile telecommunications system,通用移动通信系统)、WiBro(Wireless Broadband,无线宽带)等)。另外,无线通信可以包括近距离无线通信(例:WiFi(wireless fidelity,无线保真)、LiFi(light fidelity,光保真)、蓝牙、低功率蓝牙(BLE)、无线个域网(Zigbee)、NFC(near field communication,近场通信)等)。另外,可以连接丝网印刷机110及检查装置121与处理器124间的通信线路,连接设置得在相互间进行数据通信。
在一个实施例中,控制参数生成装置120可以包括检查装置121、存储器122、通信电路123及处理器124。在图1中,虽然图示了检查装置121包含于控制参数生成装置120内,但并非必须限定于此。例如,检查装置121可以与控制参数生成装置120独立地构成。另外,在图1中,虽然图示了存储器122及处理器124独立于检查装置121而构成,但并非必须限定于此。在一个实施例中,存储器122及处理器124可以包含于检查装置121内。在一个实施例中,存储器122及处理器124作为统合服务器,可以存在于SMT线上,可以通过有线或无线通信而位于外部。
如果从丝网印刷机110移送了印刷有焊膏的印刷电路板,则检查装置(SPI、solderpaste inspection)121可以在移送的印刷电路板中检查焊膏印刷状态。例如,检查装置121可以向印刷有焊膏的印刷电路板照射光,接收从印刷电路板反射的光,获得关于印刷电路板的图像数据。
另外,检查装置121可以比较关于印刷电路板的图像数据和用于判断焊膏印刷状态良好或不良的基准数据,检查印刷电路板印刷的焊膏是否不良。例如,检查装置121检查印刷电路板印刷的焊膏是否在正确位置定量印刷,从而可以检查焊膏是否不良,生成代表检查结果的检查信息。
在一个实施例中,检查信息可以包括借助于丝网印刷机110而印刷的焊膏的体积、面积、高度、宽度或梯度中至少一个。
存储器122可以存储模拟模型,所述模拟模型基于丝网印刷机110的多个控制参数,导出对焊膏印刷状态的预测检查信息。在一个实施例中,模拟模型可以包括基于机器学习的回归模型,所述基于机器学习的回归模型基于丝网印刷机110的多个控制参数进行学习,以便导出代表预测的焊膏印刷状态的预测检查信息。例如,基于机器学习的回归模型作为描写丝网印刷机110的实际环境的基于机器学习的模型,可以是根据环境变化而适应性地变化的模型。例如,基于机器学习的回归模型基于丝网印刷机110的控制参数、检查装置121的检查信息进行学习,学习的结果,可以生成对焊膏印刷状态的预测信息。另外,基于机器学习的回归模型可以基于控制参数及检查信息以及印刷变数信息进行学习。
在一个实施例中,预测检查信息可以包括焊膏的体积、面积、高度、宽度或梯度中至少一个。不过,其目的只是说明,并非限定于此,可通过检查装置121进行检查的与焊膏相关的多样信息可以用作预测检查信息。
在一个实施例中,印刷变数信息显示出因丝网印刷机110导致的焊膏的印刷变数,可以包括丝网印刷机110的周边温度、丝网印刷机110的周边湿度、印刷电路板的焊盘各自的形状、印刷电路板的焊盘各自的面积比(area ratio)或印刷电路板的焊盘各自的纵横比(aspect ratio)中至少一个。不过,其目的只是说明,并非限定于此,对丝网印刷机110执行的焊膏印刷产生影响的多样因素可以用作印刷变数信息。
另外,存储器122可以还存储用于生成对丝网印刷机110的多个候选控制参数的优化算法、搜索算法及基于机器学习的强化学习算法中至少2个算法。在一个实施例中,存储器122可以存储优化算法及搜索算法。在另一实施例中,存储器122可以包括优化算法及基于机器学习的强化学习算法。在又一实施例中,存储器122可以存储搜索算法及基于机器学习的强化学习算法。在又一实施例中,存储器122可以存储优化算法、搜索算法及基于机器学习的强化学习算法。
在一个实施例中,存储器122可以包括磁盘(例如,磁带、软盘、硬盘等)、光盘(例如,CD、DVD等)、半导体存储器(例如,RAM、ROM、闪速存储器、包括闪速存储器的USB或SD卡等)。不过,其目的只是说明,并非限定于此。
通信电路123可以通过网络连接于丝网印刷机110及检查装置121。在一个实施例中,通信电路123可以从检查装置121接收检查信息。另外,通信电路123可以将处理器124生成的控制参数传输给丝网印刷机110。
处理器124可以与存储器122及通信电路123电气连接。另外,处理器124可以加载存储器122中存储的模拟模型,将控制参数应用于加载的模拟模型,获得显示出预测的焊膏印刷状态的预测检查信息。另外,处理器124基于预测检查信息,生成多个候选控制参数,基于检查信息及预测检查信息,在多个候选控制参数中选择多个控制参数。多个控制参数可以通过通信电路123向丝网印刷机110发送。
在一个实施例中,处理器124如图2a所示,可以包括模拟模型部210、优化算法部220、搜索算法部230、强化学习算法部240及参数决定部250。
模拟模型部210可以加载存储器122中存储的模拟模型,将第一控制参数应用于模拟模型而生成预测检查信息(以下称为“第一预测检查信息”)。在一个实施例中,第一控制参数可以包括施加于丝网印刷机110的刮刀片的压力、刮刀片的移动速度或镂空掩模与印刷电路板间的分离速度中至少一个。另外,模拟模型部210可以基于与第一控制参数对应的检查信息(以下称为“第一检查信息”)及第一预测检查信息,更新存储器122中存储的模拟模型。
图3是显示本公开一个实施例的第一预测检查信息的示例图。在图3中,可以显示出当包括刮刀片的移动速度(印刷速度)及施加于刮刀片的压力在内的第一控制参数应用于本实施例的基于机器学习的回归模型时生成的第一预测检查信息(例如,焊膏的体积)。这种第一预测检查信息可以与检查装置121的检查信息一同用于生成丝网印刷机110的控制参数。另一方面,回报(reward)代表焊膏的印刷品质指数,品质指数可以包括焊料涂覆的体积、平均体积、体积标准偏差、工序能力指数(CPIK)、Z得分(Z-score)、累积分布函数(Cumulative Distribution Function)等。在图3中,回报代表锡涂覆体积。
优化算法部220可以加载存储器122中存储的优化算法,将模拟模型部210生成的第一预测检查信息应用于优化算法,生成多个候选控制参数(以下称为“第一候选控制参数”)。在一个实施例中,优化算法可以包括数学的优化方法,例如,梯度下降法(gradientdescent)、退火法(simulated annealing)等。基于机器学习的回归模型与实际焊膏印刷工序间的一致率越高,这种优化算法可以生成越接近最佳控制参数的第一候选控制参数。
搜索算法部230可以加载存储器122中存储的搜索算法,将模拟模型部210生成的第一预测检查信息应用于搜索算法,生成多个候选控制参数(以下称为“第二候选控制参数”)。在一个实施例中,搜索算法可以是在给定的数据集合中寻找满足某种条件或性质的数据的算法。例如,搜索算法部230如图4所示,将第一预测检查信息420应用于搜索算法,从而可以以第一预测检查信息420为基准,选择4个预测检查信息410,检索位于选择的4个预测检查信息410的中心的预测检查信息430,将与检测的预测检查信息430相应的控制参数,生成为与第一预测检查信息420相应的第二候选控制参数。
强化学习算法部240可以加载存储器122中存储的基于机器学习的强化学习算法,将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个候选控制参数(以下称为“第三候选控制参数”)。在一个实施例中,基于机器学习的强化学习算法作为选择在某种状态可进行的行动之一并在行动后接受对该行动结果补偿的算法,可以学习控制参数的调整政策,推荐与第一预测检查信息对应的候选控制参数。例如,基于机器学习的强化学习算法可以包括Q学习(Deep-Q-Network)算法、深度Q网络(Deep-Q-Network,DQN)算法等。
参数决定部250可以基于多个第一候选控制参数、多个第二候选控制参数及多个第三候选控制参数,生成多个控制参数(以下称为“第二控制参数”)。在一个实施例中,参数决定部250可以基于第一检查信息及第一预测检查信息,在多个第一候选控制参数、多个第二候选控制参数及多个第三候选控制参数中生成多个第二控制参数。
在另一实施例中,处理器124如图2b所示,可以包括模拟模型部210、优化算法部220、搜索算法部230及参数决定部250。在本实施例中,参数决定部250可以基于优化算法部220生成的多个第一候选控制参数及搜索算法部230生成的多个第二候选控制参数,生成多个第二控制参数。
在又一实施例中,处理器124如图2c所示,可以包括模拟模型部210、优化算法部220、强化学习算法部240及参数决定部250。在本实施例中,参数决定部250可以基于优化算法部220生成的多个第一候选控制参数及强化学习算法部240生成的多个第三候选控制参数,生成多个第二控制参数。
在又一实施例中,处理器124如图2d所示,可以包括模拟模型部210、搜索算法部230、强化学习算法部240及参数决定部250。在本实施例中,参数决定部250可以基于搜索算法部230生成的多个第二候选控制参数及强化学习算法部240生成的多个第三候选控制参数,生成多个第二控制参数。
在本公开图示的流程图中,依次说明了进程步骤、方法步骤、算法等,但这些进程、方法及算法可以构成得按任意适合的顺序运转。换句话说,本公开的多样实施例中说明的进程、方法及算法的步骤无需按本公开中记述的顺序执行。另外,虽然说明的是一部分步骤按非同时方式执行的情形,但在其他实施例中,这种一部分步骤可以同时执行。另外,附图中描写的进程示例并不意味着举例的进程排除对其的不同变化及修订,不意味着举例的进程或其步骤中任意一个是本公开的多样实施例中一个以上所必需的,不意味着举例的进程是优选的。
图5是根据本公开一个实施例显示提供多个控制参数的方法的流程图。
在步骤S502中,处理器124可以基于第一控制参数而获得第一预测检查信息。例如,处理器124可以将第一控制参数应用于模拟模型而获得第一预测检查信息。
在步骤S504中,处理器124可以接收与第一控制参数对应的第一检查信息。在一个实施例中,第一检查信息可以包括焊膏的体积、面积、高度、宽度或梯度中至少一个。例如,处理器124可以通过通信电路123而从检查装置121接收与第一控制参数对应的第一检查信息。
在步骤S506中,处理器124可以基于第一预测检查信息而生成多个候选控制参数。在一个实施例中,处理器124可以将第一预测检查信息应用于存储器122中存储的优化算法及搜索算法,生成多个候选控制参数。在另一实施例中,处理器124可以将第一预测检查信息应用于存储器122中存储的优化算法及基于机器学习的强化学习算法,生成多个候选控制参数。在又一实施例中,处理器124可以将第一预测检查信息应用于存储器122中存储的搜索算法及基于机器学习的强化学习算法,生成多个候选控制参数。在又一实施例中,处理器124可以将第一预测检查信息应用于存储器122中存储的优化算法、搜索算法及基于机器学习的强化学习算法,生成多个候选控制参数。
在步骤S508中,处理器124可以基于第一检查信息及第一预测检查信息,从多个候选控制参数生成多个第二控制参数。例如,处理器124可以基于第一检查信息及第一预测检查信息,在多个候选控制参数中选择多个第二控制参数。
在步骤S510中,处理器124可以将多个第二控制参数发送给丝网印刷机110。例如,处理器124可以通过通信电路123,将多个第二控制参数发送给丝网印刷机110。
图6是根据本公开一个实施例显示生成第一预测检查信息的方法的流程图。
在步骤S602中,处理器124可以接收第一控制参数。在一个实施例中,第一控制参数可以通过检查系统100的使用者输入部(图上未示出)而接收。在另一实施例中,第一控制参数可以从丝网印刷机110,通过通信电路123而接收。
在步骤S604中,处理器124可以加载模拟模型。在一个实施例中,处理器124的模拟模型部210可以随着第一控制参数的接收而连接于存储器122,加载存储器122中存储的模拟模型。
在步骤S606中,处理器124可以将第一控制参数应用于加载的模拟模型。在一个实施例中,处理器124的模拟模型部210可以将第一控制参数应用于模拟模型。
在步骤S608中,处理器124可以生成与第一控制参数对应的对焊膏印刷状态的第一预测检查信息。在一个实施例中,第一预测检查信息可以作为模拟模型的输出而生成。例如,处理器124的模拟模型部210将第一控制参数输入于模拟模型,从而如图3所示,可以生成与第一控制参数对应的第一预测检查信息。
图7是根据本公开一个实施例显示生成第一检查信息的方法的流程图。
在步骤S702中,丝网印刷机110可以接收印刷电路板。在一个实施例中,要印刷焊膏的印刷电路板可以从外部移送到丝网印刷机110。
在步骤S704中,丝网印刷机110可以基于第一控制参数,在移送的印刷电路板印刷焊膏。在一个实施例中,丝网印刷机110可以将第一控制参数设置为丝网印刷机110的控制参数,根据设置的第一控制参数,在印刷电路板的多个焊盘分别印刷焊膏。
在步骤S706中,检查装置121可以接收印刷了焊膏的印刷电路板。在一个实施例中,借助于丝网印刷机110而完成焊膏印刷的印刷电路板可以移送到检查装置121。
在步骤S708中,检查装置121可以检查印刷了焊膏的印刷电路板的印刷状态。在一个实施例中,检查装置121可以向印刷了焊膏的印刷电路板照射光,接收从印刷电路板反射的光,获得与印刷电路板对应的图像数据。另外,检查装置121可以基于能够检查焊膏印刷状态的良好或不良的基准数据,针对图像数据检查焊膏印刷状态(例如,体积、面积、高度、宽度或梯度中至少一个)。
在步骤S710中,检查装置121可以生成与第一控制参数对应的第一检查信息。在一个实施例中,检查装置121可以生成检查根据第一控制参数、借助于丝网印刷机110而在印刷电路板印刷的焊膏印刷状态的第一检查信息(例如,对焊膏的体积、面积、高度、宽度或梯度中至少一个的检查信息)。
在步骤S712中,检查装置121可以将第一检查信息发送给通信电路123。
图8是根据本公开一个实施例,显示更新模拟模型及强化学习算法的方法的流程图。
在步骤S802中,处理器124可以接收第一检查信息。在一个实施例中,处理器124的参数决定部250可以从检查装置121,通过通信电路123接收第一检查信息。
在步骤S804中,处理器124可以算出第一检查信息与第一预测检查信息间的差异。在一个实施例中,第一检查信息与第一预测检查信息间的差异可以根据下面数学式1而算出。
【数学式1】
在数学式1中,E代表差异,BR代表检查信息,R(BP)代表预测信息,n代表控制参数的个数(即,丝网印刷机110印刷焊膏的印刷电路板的个数)。
例如,处理器124的参数决定部250将第一检查信息代入数学式1的BR,将第一预测检查信息代入数学式1的R(BP),将第一控制参数的个数代入数学式1的n(例如,n=1),从而可以算出第一检查信息与第一预测检查信息间的差异。
在步骤S806中,处理器124可以将第一检查信息与第一预测检查信息间的差异同预先设置的临界值比较,在步骤S808中,处理器124可以判断第一检查信息与第一预测检查信息间的差异是否为预先设置的临界值以下。例如,处理器124的参数决定部250可以比较算出的差异与预先设置的临界值,判断算出的差异是否为预先设置的临界值以下。
在步骤S808中,如果判断为第一检查信息与第一预测检查信息间的差异超过预先设置的临界值,则在步骤S810中,处理器124可以基于第一检查信息及第一预测检查信息,更新模拟模型。例如,处理器124的参数决定部250可以针对存储器122中存储的模拟模型,将与第一控制参数相应的第一预测检查信息更新为第一检查信息。
另一方面,在步骤S808中,如果判断为第一检查信息与第一预测检查信息间的差异为预先设置的临界值以下,则在步骤S812中,处理器124可以基于模拟模型,更新基于机器学习的强化学习算法。例如,处理器124的参数决定部250可以将存储器122中存储的模拟模型的多个控制参数及与之对应的预测检查信息,应用于存储器122中存储的基于机器学习的强化学习算法,更新基于机器学习的强化学习算法。
图9是根据本公开一个实施例显示决定多个第二控制参数的方法的流程图。
在步骤S902中,处理器124可以将第一预测检查信息应用于优化算法,生成多个候选控制参数(以下称为“第一候选控制参数”),在步骤S904中,处理器124可以将第一预测检查信息应用于搜索算法,生成多个候选控制参数(以下称为“第二候选控制参数”),在步骤S906中,处理器124可以将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个候选控制参数(以下称为“第三候选控制参数”)。
例如,处理器124的优化算法部220可以从存储器122加载优化算法,将模拟模型部210生成的第一预测检查信息应用于优化算法,生成多个第一候选控制参数。另外,处理器124的搜索算法部230可以从存储器122加载搜索算法,将模拟模型部210生成的第一预测检查信息应用于搜索算法,生成多个第二候选控制参数。另外,处理器124的强化学习算法部240可以从存储器122加载基于机器学习的强化学习算法,将第一控制参数及模拟模型部210生成的第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第三候选控制参数。
在步骤S908中,处理器124可以将第一检查信息与第一预测检查信息间的差异同预先设置的临界值比较,判断第一检查信息与第一预测检查信息间的差异是否为预先设置的临界值以下。
在步骤S908中,如果判断为第一检查信息与第一预测检查信息间的差异超过预先设置的临界值,则在步骤S910中,处理器124可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在步骤S912中,处理器124可以在多个第二候选控制参数中选择比第一个数大的第二个数的第二候选控制参数,在步骤S914中,处理器124可以在多个第三候选控制参数中,选择第二个数的第三候选控制参数。
例如,处理器124的参数决定部250可以如图10所示,使多个第一候选控制参数对齐。在一个实施例中,参数决定部250可以针对多个第一候选控制参数分别求出工序能力指数(CPK),算出所求出的工序能力指数的Z得分,根据算出的Z得分,使多个第一候选控制参数对齐。参数决定部250可以在图10所示的多个第一候选控制参数(PO1至PO10)中选择第一个数(例如,2个)的第一候选控制参数(PO1至PO2)。
另外,参数决定部250可以针对多个第二候选控制参数分别求出工序能力指数,算出所求出的工序能力指数的Z得分,根据算出的Z得分,使多个第二候选控制参数如图10所示对齐。参数决定部250可以在图10所示的多个第二候选控制参数(PL1至PL10)中选择比第一个数大的第二个数(例如,4个)的第二候选控制参数(PL1至PL4)。
另外,参数决定部250可以针对多个第三候选控制参数分别求出工序能力指数,算出所求出的工序能力指数的Z得分,根据算出的Z得分,使多个第三候选控制参数如图10所示对齐。参数决定部250可以在图10中图示的多个第三候选控制参数(PR1至PR10)中选择第二个数(例如,4个)的第三候选控制参数(PR1至PR4)。
另一方面,在步骤S908中,如果判断为第一检查信息与第一预测检查信息间的差异为预先设置的临界值以下,则在步骤S916中,处理器124可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在步骤S918中,处理器124可以在多个第二候选控制参数中,选择比第一个数小的第二个数的第二候选控制参数,在步骤S920,处理器124可以在多个第三候选控制参数中选择第二个数的第三候选控制参数。
例如,处理器124的参数决定部250可以针对多个第一候选控制参数分别求出工序能力指数,算出所求出的工序能力指数的Z得分,根据算出的Z得分,使多个第一候选控制参数如图10所示对齐。参数决定部250可以在图10所示的多个第一候选控制参数(PO1至PO10)中,选择第一个数(例如,8个)的第一候选控制参数(PO1至PO8)。
另外,参数决定部250可以针对多个第二候选控制参数分别求出工序能力指数,算出所求出的工序能力指数的Z得分,根据算出的Z得分,使多个第二候选控制参数如图10所示对齐。参数决定部250可以在图10所示的多个第二候选控制参数(PL1至PL10)中,选择比第一个数小的第二个数(例如,1个)的第二候选控制参数PL1。
另外,参数决定部250可以针对多个第三候选控制参数分别求出工序能力指数,算出所求出的工序能力指数的Z得分,根据算出的Z得分,使多个第三候选控制参数如图10所示对齐。参数决定部250可以在图10所示的多个第三候选控制参数(PR1至PR10)中,选择第二个数(例如,1个)的第三候选控制参数PR1。
在步骤S922中,处理器124可以基于选择的第一候选控制参数、选择的第二候选控制参数及选择的第三候选控制参数,决定多个第二控制参数。在一个实施例中,处理器124的参数决定部250可以基于选择的第一候选控制参数PO1至PO2、选择的第二候选控制参数(PL1至PL4)及选择的第三候选控制参数PR1至PR4,决定多个第二控制参数P01、P02、PL1、PL2、PL3、PL4、PR、PR2、PR3、PR4。在另一实施例中,参数决定部250可以基于选择的第一候选控制参数(PO1至PO8)、选择的第二候选控制参数PL1及第三候选控制参数PR1,决定多个第二控制参数P01、P02、P03、PO4、PO5、PO6、PO7、PO8、PL1、PR1。
在前述实施例中,说明了基于多个第一候选控制参数、多个第二候选控制参数及多个第三候选控制参数,决定多个第二控制参数,但并非必须限定于此。
在另一实施例中,处理器124可以将第一预测检查信息应用于优化算法,生成多个第一候选控制参数,将第一预测检查信息应用于搜索算法,生成多个第二候选控制参数。如果判断为第一检查信息与第一预测检查信息间的差异超过预先设置的临界值,则处理器124在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第二候选控制参数中选择比第一个数大的第二个数的第二候选控制参数。另一方面,如果判断为第一检查信息与第一预测检查信息间的差异为预先设置的临界值以下,则处理器124可以在多个第一候选控制参数中,选择第一个数的第一候选控制参数,在多个第二候选控制参数中,选择比第一个数小的第二个数的第二候选控制参数。处理器124可以基于选择的第一候选控制参数及选择的第二候选控制参数,生成多个第二控制参数。
在又一实施例中,处理器124可以将第一预测检查信息应用于优化算法,生成多个第一候选控制参数,将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第三候选控制参数。如果判断为第一检查信息与第一预测检查信息间的差异超过预先设置的临界值,则处理器124可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第三候选控制参数中选择比第一个数大的第二个数的第三候选控制参数。另一方面,如果判断为第一检查信息与第一预测检查信息间的差异为预先设置的临界值以下,则处理器124可以在多个第一候选控制参数中选择第一个数的第一候选控制参数,在多个第三候选控制参数中选择比第一个数小的第二个数的第三候选控制参数。处理器124可以基于选择的第一候选控制参数及选择的第三候选控制参数,生成多个第二控制参数。
在又一实施例中,处理器124可以将第一预测检查信息应用于搜索算法,生成多个第二候选控制参数,将第一控制参数及第一预测检查信息应用于基于机器学习的强化学习算法,生成多个第三候选控制参数。如果判断为第一检查信息与第一预测检查信息间的差异超过预先设置的临界值,则处理器124可以在多个第二候选控制参数中选择第一个数的第二候选控制参数,在多个第三候选控制参数中选择比第一个数大的第二个数的第三候选控制参数。另一方面,如果判断为第一检查信息与第一预测检查信息间的差异为预先设置的临界值以下,则处理器124可以在多个第二候选控制参数中选择第一个数的第二候选控制参数,在多个第三候选控制参数中,选择比第一个数小的第二个数的第三候选控制参数。处理器124可以基于选择的第二候选控制参数及选择的第三候选控制参数,生成多个第二控制参数。
图11是根据本公开一个实施例显示在多个控制参数中选择1个控制参数的方法的流程图。
在步骤S1102中,处理器124可以基于模拟模型,生成与多个第二控制参数分别相应的第二预测检查信息。例如,处理器124的模拟模型部210可以从存储器122加载模拟模型,将多个第二参数分别应用于模拟模型,生成与多个第二控制参数分别相应的第二预测检查信息。
在步骤S1104中,处理器124可以接收与多个第二控制参数分别相应的第二检查信息。在一个实施例中,处理器124的参数决定部250可以从检查装置121,通过通信电路123,接收与多个第二参数分别相应的第二检查信息。例如,丝网印刷机110可以基于多个第二控制参数,分别在印刷电路板印刷焊膏,检查装置121可以检查多个印刷电路板各自的焊膏,生成与多个第二控制参数分别相应的第二检查信息。检查装置121可以将生成的第二检查信息传输给通信电路123。因此,参数决定部250可以通过通信电路123,接收与多个第二控制参数分别相应的第二检查信息。
在步骤S1106中,处理器124可以算出第二检查信息与第二预测检查信息间的差异的平均值。在一个实施例中,第二检查信息与第二预测检查信息间的差异的平均值可以通过数学式1算出。例如,处理器124的参数决定部250可以将与多个第二控制参数分别相应的第二检查信息代入数学式1的BR,将与多个第二控制参数分别相应的第二预测检查信息代入数学式1的R(BP),将第二控制参数的个数代入数学式1的n,从而可以算出第二检查信息与第二预测检查信息间的差异的平均值。
在步骤S1108中,处理器124可以判断算出的差异的平均值是否与预先设置的值对应。在一个实施例中,处理器124的参数决定部250可以判断算出的差异的平均值是否收敛为预先设置的值。例如,预先设置的值可以为0,但并非必须限定于此。
在步骤S1108中,如果判断为算出的差异的平均值与预先设置的值对应(即,收敛为预先设置的值),则在步骤S1110中,处理器124可以在多个第二控制参数中选择1个控制参数(以下称为“最佳控制参数”)。例如,处理器124的参数决定部250可以在多个第二控制参数P01、P02、P03、PO4、PO5、PO6、PO7、PO8、PL1、PR1中,将Z得分最高的控制参数P01选择为最佳控制参数。
在步骤S1112中,处理器124可以将选择的最佳控制参数传输给丝网印刷机110。在一个实施例中,处理器124的参数决定部250可以通过通信电路123,将最佳控制参数传输给丝网印刷机110。因此,丝网印刷机110基于最佳控制参数,在印刷电路板印刷焊膏,从而可以减小印刷电路板的不良。
另一方面,在步骤S1108中,如果判断为算出的差异的平均值未收敛为预先设置的值,则可以针对多个第二控制参数,分别执行图9的步骤S908至步骤S922。
所述方法通过特定实施例进行了说明,但所述方法也可以在计算机可读的记录介质中,以计算机可读的代码体现。计算机可读的记录介质包括存储可借助于计算机系统而读取的数据的所有种类的记录装置。作为计算机可读的记录介质的示例,有ROM、RAM、CD-ROM、磁带、软盘、光数据存储装置等。另外,计算机可读记录介质分散于以网络连接的计算机系统,以分散方式存储计算机可读代码并运行。而且,体现所述实施例所需的功能性(functional)程序、代码及代码片段,可以由本公开所属技术领域的程序员容易地推导。
以上根据一部分实施例和附图图示的示例,说明了本公开的技术思想,但本公开所属技术领域的技术人员可以理解,在不超出本公开的技术思想及范围的范围内,可以实现多样的置换、变形及变更。另外,这种置换、变形及变更应视为属于附带的权利要求书。