CN110427593B - 基于工业大数据的smt印刷参数优化方法 - Google Patents
基于工业大数据的smt印刷参数优化方法 Download PDFInfo
- Publication number
- CN110427593B CN110427593B CN201910632485.9A CN201910632485A CN110427593B CN 110427593 B CN110427593 B CN 110427593B CN 201910632485 A CN201910632485 A CN 201910632485A CN 110427593 B CN110427593 B CN 110427593B
- Authority
- CN
- China
- Prior art keywords
- interval
- value
- data
- printing
- solder paste
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明提出了一种基于工业大数据的SMT印刷参数优化方法,旨在提高印刷参数优化效率,实现步骤为:获取包括印刷机设定数据和SPI检测结果数据的工业大数据集;对工业大数据集进行预处理;计算出每组印刷参数对应的锡膏体积区间、面积区间和高度区间,印刷参数数据和锡膏区间数据组成锡膏区间数据集;采用DE算法优化BP神经网络的初始权值、初始阈值和隐藏层节点数目,用锡膏区间数据集训练优化后的BP神经网络,构建每组印刷参数对应的锡膏区间的预测模型;设计印刷参数的正交表,通过预测模型获取正交表的最优水平组合作为最优的印刷参数。
Description
技术领域
本发明属于智能制造技术领域,涉及一种SMT印刷参数优化方法,具体涉及一种基于工业大数据的SMT印刷参数优化方法,可用于SMT生产过程中设定锡膏印刷参数。
背景技术
表面贴装技术(Surface Mounted Technology,SMT)是当前普遍采用的一种先进的电子组装技术,SMT是目前电子组装行业里最流行的一种技术,它通过钢网把锡膏印刷在PCB板的焊盘上,然后将无引脚或短引线表面组装元器件贴装到印刷锡膏后的PCB板的表面上,再通过回流焊或浸焊等方法元器件PCB板加以焊接组装。SMT在印刷阶段对印刷参数的调整属于精细调整,每个参数的调整范围很小,而且这时的印刷参数精调整并没有可参考的理论依据,往往都是依靠操作人员的工作经验。
所谓的印刷参数优化是指,对以SMT技术生产的PCB板,为了达到最佳的锡膏印刷效果,找出最优的印刷参数,用最优的印刷参数来印刷PCB板,从而提高锡膏印刷质量。
目前在SMT生产线上通常是靠人工经验设置印刷参数,首先初设一组印刷参数,试印刷几块板,用于判断该印刷参数设定的合理性,若该印刷参数设定合理,则利用该组印刷参数开始正式印刷,否则调整印刷参数,直至印刷参数设定合格为止,受人工经验的局限,这种方法往往无法找到最优印刷参数。
中北大学的张国佳2016年在其硕士论文《表贴技术参数优化工艺应用》中,采用正交试验法优化印刷参数。该方法的主要步骤是:确定印刷参数调整范围;在印刷参数调整范围内设计正交试验表;根据正交试验表进行印刷试验;运用极差分析法对试验结果进行分析,确定最佳印刷参数。该方法存在的不足之处是,需要通过试验来优化印刷参数,且优化的印刷参数只适用于某种类型的PCB板,其它类型的PCB板,需要设计新的正交试验,会影响现场生产效率。
随着制造业中工业化与信息化的融合,信息技术涵盖了制造过程的各个方面,二维码、条形码、工业传感器、工业自动控制系统、制造执行系统、企业资源计划管理系统、主数据管理系统、工业物联网等技术在工厂中被普遍使用,采集了生产活动中诸如产品制造过程数据、设备检测结果等数据,这些数据包含了产品生产过程中的大量信息。制造企业获取数据的速度、数量使企业的数据资源呈现出“大数据”特点。在工业大数据背景下,数据量爆发式增长,这为优化产品生产提供了可能。在工业大数据的支撑下,利用机器学习充分挖掘产品相关数据的信息,对提高产品质量和质量管理水平有重要的意义。
在SMT锡膏印刷过程中,需要充分利用生产线上产生的大量数据,高效地从数据中提取有用的信息,对锡膏印刷阶段的印刷参数进行优化,以此来提高锡膏印刷质量。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种基于工业大数据的SMT印刷参数优化方法,旨在提高印刷参数优化效率。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)获取包括印刷机设定数据和SPI检测结果数据的工业大数据集:
将SMT生产过程中锡膏印刷阶段印刷机设定的不同刮刀施加压力、刮刀施加速度和操作台分离速度的值组成的多组参数数据作为印刷机设定数据,将SPI检测机检测的与每组印刷机设定数据对应的印刷锡膏后的PCB板上锡膏的体积、面积和高度作为SPI检测结果数据,印刷机设定数据和SPI检测结果数据构成工业大数据集;
(2)对工业大数据集进行预处理:
(2a)对工业大数据集进行缺失值填充,得到无缺失值的数据集;
(2b)对无缺失值的数据集进行异常值剔除,得到无异常值的数据集;
(2c)对无异常值的数据集进行标准化处理,得到预处理后的数据集;
(3)获取锡膏区间数据集:
(3a)分别计算每组印刷参数数据对应的SPI检测结果数据中锡膏的体积、面积和高度数据的均值和标准差;
(3b)将锡膏体积的均值与三倍标准差的差、面积的均值与三倍标准差的差以及高度的均值与三倍标准差的差,分别作为体积区间、面积区间和高度区间的下限,将锡膏体积的均值与三倍标准差的和、面积的均值与三倍标准差的和以及高度的均值与三倍标准差的和,分别作为体积区间、面积区间和高度区间的上限,并将所有体积区间、面积区间和高度区间的上下限数据以及所有印刷参数数据的组合作为锡膏区间数据集;
(4)构建每组印刷参数对应的锡膏区间的预测模型:
采用DE算法对BP神经网络的初始权值、阈值和隐藏层节点数目进行优化,得到优化后的BP神经网络,并通过锡膏区间数据集中每组印刷机设定数据和对应的锡膏体积区间、面积区间和高度区间的上下限数据对优化后的BP神经网络进行训练,得到锡膏区间的预测模型;
(5)获取SMT印刷参数的优化结果:
(5a)在印刷参数允许的取值范围内,设计印刷参数的正交表;
(5b)采用锡膏区间的预测模型,对印刷参数的正交表中每组水平组合的锡膏的体积区间、面积区间和高度区间进行预测,得到每组水平组合对应的锡膏的体积区间、面积区间和高度区间的上限和下限预测值;
(5c)将体积区间上限与下限预测值的差的绝对值、面积区间上限与下限预测值的差的绝对值以及高度区间上限与下限预测值的差的绝对值,分别作为体积区间、面积区间和高度区间的大小值,并将该三个区间大小值的和作为每组水平组合对应的体积区间、面积区间和高度区间的大小值的和;
(5d)比较每组水平组合对应的体积区间、面积区间和高度区间的大小值的和,并将最小的体积区间、面积区间和高度区间的大小值的和对应的水平组合作为最优印刷参数。
本发明与现有技术相比,具有以下优点:
(1)本发明在获取SMT印刷参数的优化结果时,是通过锡膏区间的预测模型实现的,该预测模型通过获取的工业大数据集生成的锡膏区间数据集训练得到,在现有计算机的运行下,能够快速实现印刷参数的优化,与现有技术相比,有效提高了印刷参数优化效率。
(2)本发明在构建锡膏区间数据集时,不区分PCB板类型,提取每组印刷参数对应的锡膏体积、面积和高度数据,计算锡膏的体积区间、面积区间和高度区间,充分利用了数据中包含的不同类型PCB板的信息,使得通过锡膏区间数据集训练的锡膏区间预测模型能够针对任何类型的PCB板给出最优印刷参数,与现有技术相比,进一步提高了印刷参数的优化效率。
附图说明
图1是本发明的实现流程图;
图2是本发明中优化后的BP神经网络的实现流程图。
具体实施方式
下面结合附图和具体实施例,对本发明进行详细说明。
参照图1,本发明包括如下步骤:
步骤1)获取包括印刷机设定数据和SPI检测结果数据的工业大数据集:
锡膏印刷过程涉及各种印刷参数,有些印刷参数对锡膏印刷质量有直接的和主要的影响,主要包括刮刀施加压力、刮刀施加速度、操作台分离速度。
刮刀施加压力实际是指刮刀下降的深度。刮刀施加压力过大,刮刀前部将变形,容易产生刮挖效应,且锡膏容易挤压到PCB板反面产生印刷不良,同时分解到垂直方向的压入力会影响刮刀角度;刮刀施加压力过小,在模板和PCB板接触之间容易出现空隙,导致锡膏不能有效到达模板开孔底部,不能很好沉积而影响印刷,同时会使钢网表面残留一层锡膏,容易造成印刷成型粘接等印刷缺陷。通常刮刀施加压力的设置和PCB板的尺寸有关。一般来说,PCB板越大,刮刀压力会适当大一些。
刮刀施加速度要设置合理,确保锡膏滚动并流进模板开口所需的时间。刮刀施加速度与锡膏粘稠度、刮刀施加压力等因素存在一定关系。刮刀速度与锡膏的粘稠度呈反比关系,PCB板上有窄间距,高密度图形时,速度要慢一些。如果刮刀施加速度过快,刮刀经过钢网开孔的时间就相对太短,锡膏不能充分渗入开孔中,容易造成锡膏成型不饱满或漏印等印刷缺陷,同时刮刀和PCB板之间的摩擦所产生的热量容易改变锡膏黏度,造成不可控的印刷质量缺陷,刮刀速度过慢时会造成锡膏渗溢,容易造成锡膏成型边缘不锐利或不整齐以及玷污PCB板等缺陷。一般来说,焊盘间距越细,刮刀速度越小,PCB板越大,刮刀速度也会适当慢一些。
操作台分离速度是钢网与PCB板的分离的速度。操作台分离速度设置不合理易造成不同的印刷缺陷,操作台分离速度过大,锡膏可能因空气压力造成坍塌,容易形成连锡等缺陷。操作台分离速度过小,锡膏与钢网孔壁之间的粘附力大于锡膏与PCB底板焊垫之间的粘附力,容易造成锡膏依附在钢网开口壁内侧,造成印刷外形不良缺陷。
本发明将SMT生产过程中锡膏印刷阶段印刷机设定的不同刮刀施加压力、刮刀施加速度和操作台分离速度的值组成的多组参数数据作为印刷机设定数据,将SPI检测机检测的与每组印刷机设定数据对应的印刷锡膏后的PCB板上锡膏的体积、面积和高度作为SPI检测结果数据,印刷机设定数据和SPI检测结果数据构成工业大数据集,工业大数据集如表1所示:
表1
步骤2)对工业大数据集进行预处理:
步骤2a)采集的印刷机设定数据和SPI检测结果数据中存在缺失值,本发明对工业大数据集中缺失的部分进行平均值填充处理,用印刷机设定数据、SPI检测数据中的未缺失数据的平均值代替缺失值,充分保留了数据中的信息,得到无缺失值的数据集;
步骤2b)本发明采用6σ原则对无缺失值的数据集进行异常值剔除处理,将印刷机设定数据、SPI检测数据中超出均值3倍标准差的数据剔除,消除了数据中噪声的干扰,得到无异常值的数据集;
步骤2c)为了消除数据量纲之间的差异,本发明对无异常值的数据集进行标准化处理,使得所有数据在同一参考系下,得到预处理后的数据集。本发明采用Z-Score标准化,Z-Score标准化利用每个特征的均值和方差对该特征数据进行处理,处理后的数据呈标准正态分布,均值为0,方差为1。Z-Score标准化的公式为:
其中,x为变量的数值,μ是变量的数值的均值,σ为变量的数值的方差。
步骤3)获取锡膏区间数据集:
步骤3a)实际印刷锡膏时,每组印刷参数组合要印刷很多PCB板,锡膏印刷完成后,每一块PCB板上有很多锡膏,每个锡膏对应一条锡膏的体积、面积、高度数据,所以一组印刷参数组合对应多条数据,少则几十条,多则几千条,这些数据近似呈现正态分布。本发明采用6σ原则确定的区间来评价印刷效果,即提取每组印刷参数组合对应的体积、面积、高度数据,用6σ原则分别确定体积区间、面积区间、高度区间,用均值的三倍标准差范围确定体积区间、面积区间和高度区间。本发明用区间上限减去区间下限作为区间的大小,区间越小,表明印刷越稳定,因此,区间越小越好。
本发明分别计算每组印刷参数数据对应的SPI检测结果数据中锡膏的体积、面积和高度数据的均值和标准差;
步骤3b)本发明将锡膏体积的均值与三倍标准差的差、面积的均值与三倍标准差的差以及高度的均值与三倍标准差的差,分别作为体积、面积和高度区间的下限,将锡膏体积的均值与三倍标准差的和、面积的均值与三倍标准差的和以及高度的均值与三倍标准差的和,分别作为体积区间、面积区间和高度区间的上限,并将所有体积区间、面积区间和高度区间的上下限数据以及所有印刷参数数据的组合作为锡膏区间数据集,锡膏区间数据集如表2所示:
表2
步骤4)构建每组印刷参数对应的锡膏区间的预测模型:
BP神经网络是一个梯度下降的学习算法,利用BP神经网络进行建模时,需要先随机初始化BP神经网络的权值和阈值,利用训练样本,通过BP神经网络输出值与实际值的均方误差反向传播来调节BP神经网络的权值和阈值,使得均方误差梯度下降,当误差低于设定的目标时,BP神经网络的权值和阈值确定下来,即BP神经网络的训练过程结束。BP神经网络的缺点是初始的权值和阈值影响很大,训练结果极易陷入局部极小点,而不是全局最优,使得网络的预测准确度不能达到很高的程度。BP神经网络的隐藏层往往是根据经验公式设定,这样带有盲目性,会影响BP神经网络的准确性。
为了克服BP神经网络易陷入局部极小点的缺点以及依靠经验设置隐藏层节点的盲目性,本发明用DE算法优化BP神经网络的初始权值、阈值和隐藏层节点数目。DE算法是一种随机启发式搜索算法,其基于差分的变异和交叉操作产生新的个体,然后将新产生个体与原来个体的适应值进行比较,适应值较优的个体将保存下来,且能利用个体局部信息和群体全局信息协同搜索,以其实用性、鲁棒性和强大的全局寻优能力在许多领域都有很好的应用。
本发明采用DE算法对BP神经网络的初始权值、阈值和隐藏层节点数目进行优化,得到优化后的BP神经网络,并通过锡膏区间数据集中每组印刷机设定数据和对应的锡膏体积、面积和高度区间的上下限数据对优化后的BP神经网络进行训练,得到锡膏体积、面积和高度区间的预测模型。
参加图2,采用DE算法对BP神经网络的初始权值、阈值和隐藏层节点数目进行优化的实现步骤为:
步骤4a)确定DE算法的适应度函数g(·):
将均方误差作为DE算法在BP神经网络参数寻优过程中的适应度函数g(·):
其中,y'是样本预测值,y是样本真实值,m是样本数目,i是样本序号;
g(·)越小越好,表示预测值越接近真实值。
步骤4b)设置DE算法参数:
设置DE算法的种群最大更新次数为n,n大于1,种群规模为s,s大于3,寻找BP神经网络最优的初始权值、初始阈值和隐藏层节点数目的寻优区间分别为[lw,uw]、[lt、ut]和[lh、uh],lw为初始权值的取值下限,uw为初始权值的取值上限,lt为初始阈值的取值下限,ut为初始阈值的取值下限,lh为隐藏层节点数目的下限,uh为隐藏层节点数目的上限。本发明中取n=1000、s=100、lw=-1、uw=-1、lt=-1、ut=-1、lh=4、uh=15;
步骤4c)初始化种群:
DE算法在寻优区间[lw,uw]、[lt、ut]和[lh、uh]内分别随机生成BP神经网络初始权值、初始阈值和隐藏层节点数目组成个体,产生s个个体,得到初始化的种群;
步骤4e)获取下一代种群:
DE算法对种群中的个体施加变异操作生成变异个体,对种群中的个体和变异个体施加交叉操作生成试验个体,对种群中的个体和试验个体施加选择操作,使得一部分试验个体置换种群中的个体,实现对种群的更新,得到下一代种群,并记录种群更新的次数j;
步骤4f)DE算法判断种群更新次数j是否与种群最大更新次数n相等,若是,采用适应度函数g(·)计算种群中个体的适应度值,并将适应度值最小的个体作为最优个体,否则,返回步骤(4e),并执行步骤(4e)-(4f)。
步骤5)获取SMT印刷参数的优化结果:
步骤5a)SMT生产线上有印刷参数的设定范围,本发明在印刷参数允许的设定范围内,设计印刷参数的正交表。本发明根据正交性从印刷参数设定范围中选出部分有代表性的点形成正交表,用来找出最优的印刷参数,这些代表性的点具备均匀分散,整齐可比的特点。
正交表每一列中,不同的数值出现的次数相等,任意两列中数值的排列方式齐全而且均衡,这充分的体现了正交表均匀分散、整齐可比的特点。通俗的说,正交表中每个因素的每个水平与另一个因素各水平各碰一次,这就是正交性。
设计印刷参数的正交表的实现步骤为:
步骤5a1)确定印刷参数的取值范围:根据人工经验确定印刷参数中刮刀施加压力、刮刀施加速度和操作台分离速度的取值范围分别为[lsp,usp]、[lss、uss]和[lwss、uwss],本发明确定lsp=0.5、usp=1.5、lss=2、uss=4、lwss=4、uwss=16;
步骤5a2)确定印刷参数的水平数:确定刮刀施加压力、刮刀施加速度和操作台分离速度的水平数h,本发明将水平数h确定为3;
步骤5a3)计算出刮刀施加压力、刮刀施加速度和操作台分离速度在取值范围内的取值距离分别为本发明计算出取值距离分别为0.5、1、6,在刮刀施加压力、刮刀施加速度和操作台分离速度的取值范围内按照取值距离分别取出3个值,本发明取出的刮刀施加压力的三个值为0.5、1和1.5,取出的刮刀施加速度的三个值为2、3和4,取出的操作台分离速度的三个值为4、10和16;
步骤5a4)按照等水平正交性原则刮刀施加压力、刮刀施加速度和操作台分离速度的取值进行组合,得到由多组水平组合组成的印刷参数的正交表,印刷参数的正交表如表3所示:
表3
水平组合 | 刮刀施加压力 | 刮刀施加速度 | 操作台分离速度 |
水平组合1 | 0.5 | 2 | 4 |
水平组合2 | 0.5 | 3 | 10 |
水平组合3 | 0.5 | 4 | 16 |
水平组合4 | 1 | 2 | 10 |
水平组合5 | 1 | 3 | 16 |
水平组合6 | 1 | 4 | 4 |
水平组合7 | 1.5 | 2 | 16 |
水平组合8 | 1.5 | 3 | 4 |
水平组合9 | 1.5 | 4 | 10 |
步骤5b)采用锡膏区间的预测模型,对印刷参数的正交表中每组水平组合的锡膏的体积区间、面积区间和高度区间进行预测,得到每组水平组合对应的锡膏的体积区间、面积区间和高度区间的上限和下限预测值;
步骤5c)由于锡膏的体积、面积和高度都反映了锡膏印刷的效果,因此本发明综合考虑体积区间、面积区间和高度区间的大小,将体积区间上限与下限预测值的差的绝对值、面积区间上限与下限预测值的差的绝对值以及高度区间上限与下限预测值的差的绝对值,分别作为体积区间、面积区间和高度区间的大小值,并将该三个区间大小值的和作为每组水平组合对应的体积区间、面积区间和高度区间的大小值的和,得到印刷参数的正交表的预测情况如表4所示:
表4
步骤5d)本发明通过比较每组水平组合对应的体积区间、面积区间和高度区间的大小值的和,将最小的体积区间、面积区间和高度区间的大小值的和对应的水平组合作为最优印刷参数,由表4可知水平组合5为最优印刷参数,即刮刀施加压力为1,刮刀施加速度为3,操作台分离速度为16。
Claims (3)
1.一种基于工业大数据的SMT印刷参数优化方法,其特征在于,包括如下步骤:
(1)获取包括印刷机设定数据和SPI检测结果数据的工业大数据集:
将SMT生产过程中锡膏印刷阶段印刷机设定的不同刮刀施加压力、刮刀施加速度和操作台分离速度的值组成的多组参数数据作为印刷机设定数据,将SPI检测机检测的与每组印刷机设定数据对应的印刷锡膏后的PCB板上锡膏的体积、面积和高度作为SPI检测结果数据,印刷机设定数据和SPI检测结果数据构成工业大数据集;
(2)对工业大数据集进行预处理:
(2a)对工业大数据集进行缺失值填充,得到无缺失值的数据集;
(2b)对无缺失值的数据集进行异常值剔除,得到无异常值的数据集;
(2c)对无异常值的数据集进行标准化处理,得到预处理后的数据集;
(3)获取锡膏区间数据集:
(3a)分别计算每组印刷参数数据对应的SPI检测结果数据中锡膏的体积、面积和高度数据的均值和标准差;
(3b)将锡膏体积的均值与三倍标准差的差、面积的均值与三倍标准差的差以及高度的均值与三倍标准差的差,分别作为体积区间、面积区间和高度区间的下限,将锡膏体积的均值与三倍标准差的和、面积的均值与三倍标准差的和以及高度的均值与三倍标准差的和,分别作为体积区间、面积区间和高度区间的上限,并将所有体积区间、面积区间和高度区间的上下限数据以及所有印刷参数数据的组合作为锡膏区间数据集;
(4)构建每组印刷参数对应的锡膏区间的预测模型:
采用DE算法对BP神经网络的初始权值、阈值和隐藏层节点数目进行优化,得到优化后的BP神经网络,并通过锡膏区间数据集中每组印刷机设定数据和对应的锡膏体积区间、面积区间和高度区间的上下限数据对优化后的BP神经网络进行训练,得到锡膏区间的预测模型;
(5)获取SMT印刷参数的优化结果:
(5a)在印刷参数允许的取值范围内,设计印刷参数的正交表;
(5b)采用锡膏区间的预测模型,对印刷参数的正交表中每组水平组合的锡膏的体积区间、面积区间和高度区间进行预测,得到每组水平组合对应的锡膏的体积区间、面积区间和高度区间的上限和下限预测值;
(5c)将体积区间上限与下限预测值的差的绝对值、面积区间上限与下限预测值的差的绝对值以及高度区间上限与下限预测值的差的绝对值,分别作为体积区间、面积区间和高度区间的大小值,并将该三个区间大小值的和作为每组水平组合对应的体积区间、面积区间和高度区间的大小值的和;
(5d)比较每组水平组合对应的体积区间、面积区间和高度区间的大小值的和,并将最小的体积区间、面积区间和高度区间的大小值的和对应的水平组合作为最优印刷参数。
2.根据权利要求1所述的基于工业大数据的SMT印刷参数优化方法,其特征在于,步骤(4)中所述的采用DE算法对BP神经网络的初始权值、阈值和隐藏层节点数目进行优化,实现步骤为:
(4a)确定DE算法的适应度函数g(·):
将均方误差作为DE算法在BP神经网络参数寻优过程中的适应度函数g(·):
其中,y'是样本预测值,y是样本真实值,m是样本数目,i是样本序号;
(4b)设置DE算法参数:
设置DE算法的种群最大更新次数为n,n大于1,种群规模为s,s大于3,寻找BP神经网络最优的初始权值、初始阈值和隐藏层节点数目的寻优区间分别为[lw,uw]、[lt、ut]和[lh、uh],lw为初始权值的取值下限,uw为初始权值的取值上限,lt为初始阈值的取值下限,ut为初始阈值的取值上限,lh为隐藏层节点数目的下限,uh为隐藏层节点数目的上限;
(4c)DE算法对种群进行初始化:
DE算法在寻优区间[lw,uw]、[lt、ut]和[lh、uh]内分别随机生成s个BP神经网络初始权值、初始阈值和隐藏层节点数目,每个初始权值、初始阈值和隐藏层节点数目组成种群个体,得到由s个种群个体组成的种群;
(4e)获取下一代种群:
DE算法从种群中每次随机选取三个种群个体,共选取s次,对每次选取的三个种群个体进行变异,得到s个变异个体,并将种群中的每个种群个体随机与一个变异个体对应,得到s组个体组合,再对每组个体组合中的种群个体与变异个体进行交叉,得到s个种群个体对应的试验个体,然后对每组种群个体和对应的试验个体施加选择操作得到存活个体,选择出的s个存活个体组成下一代种群,实现对种群的更新,并记录种群更新的次数j;
(4f)DE算法判断种群更新次数j是否与种群最大更新次数n相等,若是,采用适应度函数g(·)计算种群中个体的适应度值,并将适应度值最小的个体作为最优个体,否则,返回步骤(4e),并执行步骤(4e)-(4f)。
3.根据权利要求1所述的基于工业大数据的SMT印刷参数优化方法,其特征在于,步骤(5a)中所述的设计印刷参数的正交表,实现步骤为:
(5a1)确定印刷参数的取值范围和水平数:
确定印刷参数中刮刀施加压力、刮刀施加速度和操作台分离速度的取值范围分别为[lsp,usp]、[lss、uss]和[lwss、uwss],刮刀施加压力、刮刀施加速度和操作台分离速度的水平数h;
(5a2)对印刷参数进行取值:
(5a3)获取印刷参数的正交表:
按照等水平正交性原则对h个刮刀施加压力、h个刮刀施加速度值和h个操作台分离速度的取值进行组合,得到由多组水平组合组成的印刷参数的正交表。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554598 | 2018-12-19 | ||
CN2018115545983 | 2018-12-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427593A CN110427593A (zh) | 2019-11-08 |
CN110427593B true CN110427593B (zh) | 2022-12-02 |
Family
ID=68409382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910632485.9A Active CN110427593B (zh) | 2018-12-19 | 2019-07-13 | 基于工业大数据的smt印刷参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427593B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI715289B (zh) * | 2019-11-14 | 2021-01-01 | 新加坡商鴻運科股份有限公司 | 產品印刷參數設定裝置、方法及電腦可讀取存儲介質 |
CN112801328B (zh) * | 2019-11-14 | 2023-10-31 | 富联精密电子(天津)有限公司 | 产品印刷参数设定装置、方法及计算机可读存储介质 |
CN113935261A (zh) * | 2020-07-14 | 2022-01-14 | 深南电路股份有限公司 | 插损评估方法、装置、计算机设备及存储介质 |
CN114375107A (zh) * | 2020-10-15 | 2022-04-19 | 中兴通讯股份有限公司 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
CN115526093A (zh) * | 2021-06-24 | 2022-12-27 | 中兴通讯股份有限公司 | Smt印刷参数优化模型的训练方法、设备和存储介质 |
TWI799104B (zh) * | 2022-01-24 | 2023-04-11 | 和碩聯合科技股份有限公司 | 最佳化參數的產生方法及產生裝置 |
CN115099160B (zh) * | 2022-07-18 | 2024-04-19 | 西安电子科技大学 | 基于特征重构和猫群算法的smt工艺参数优化方法 |
CN117202532B (zh) * | 2023-09-09 | 2024-04-05 | 北京强云创新科技有限公司 | 一种smt工艺的优化控制方法及系统 |
CN117312802B (zh) * | 2023-11-29 | 2024-03-22 | 安徽大学 | 基于人机融合的smt产线关键工艺参数优化方法及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5991435A (en) * | 1992-06-30 | 1999-11-23 | Matsushita Electric Industrial Co., Ltd. | Inspecting apparatus of mounting state of component or printing state of cream solder in mounting line of electronic component |
WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
CN108960306A (zh) * | 2018-06-22 | 2018-12-07 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
-
2019
- 2019-07-13 CN CN201910632485.9A patent/CN110427593B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5991435A (en) * | 1992-06-30 | 1999-11-23 | Matsushita Electric Industrial Co., Ltd. | Inspecting apparatus of mounting state of component or printing state of cream solder in mounting line of electronic component |
WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
CN108960306A (zh) * | 2018-06-22 | 2018-12-07 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110427593A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427593B (zh) | 基于工业大数据的smt印刷参数优化方法 | |
CN110543616B (zh) | 基于工业大数据的smt锡膏印刷体积预测方法 | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
DE102017010799A1 (de) | Maschinenlernvorrichtung und Robotersystem zum Lernen einer Bearbeitungsreihenfolge eines Laserbearbeitungsroboters und Maschinenlernverfahren dafür | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
EP2842402B1 (de) | Zuordnung von leiterplatten auf bestückungslinien | |
CN115099147A (zh) | 一种基于smt产线的工艺分析及智能决策方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN110991495B (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
CN115526093A (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
Wang et al. | Recurrent neural network-based stencil cleaning cycle predictive modeling | |
CN114861120A (zh) | 浮选泡沫品位计算方法、装置、电子设备及介质 | |
CN109871978B (zh) | 一种pcb订单合格率预测方法、装置及可读存储介质 | |
CN114386191A (zh) | 检测齿轮啮合的方法、随机森林模型、训练方法及系统 | |
CN107506515B (zh) | Pcb加投率计算模型构建方法和装置 | |
CN110457731A (zh) | 一种应用于直升机动部件振动趋势分析的方法 | |
US11635743B2 (en) | Parameters suggestion system of solder paste screen printer including method, device employing method, and non-transitory storage | |
CN115099160B (zh) | 基于特征重构和猫群算法的smt工艺参数优化方法 | |
Al-Refaie | Optimizing SMT performance using comparisons of efficiency between different systems technique in DEA | |
CN112182746A (zh) | 一种基于云计算的吸能盒碰撞性能参数优化方法 | |
CN112906243A (zh) | 一种基于变差函数的多点地质统计建模参数优选方法 | |
CN109376770B (zh) | 一种应用于底片检查机的网格区域识别方法及装置 | |
GB2620345A (en) | Casing wear and pipe defect determination using digital images | |
DE102019100762A1 (de) | Vorrichtung und verfahren für entwurf und herstellung eines sprühkopfs | |
CN108566254A (zh) | 一种频谱感知方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |