CN110543616A - 基于工业大数据的smt锡膏印刷体积预测方法 - Google Patents

基于工业大数据的smt锡膏印刷体积预测方法 Download PDF

Info

Publication number
CN110543616A
CN110543616A CN201910632492.9A CN201910632492A CN110543616A CN 110543616 A CN110543616 A CN 110543616A CN 201910632492 A CN201910632492 A CN 201910632492A CN 110543616 A CN110543616 A CN 110543616A
Authority
CN
China
Prior art keywords
algorithm
solder paste
data
paste printing
neural network
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.)
Granted
Application number
CN201910632492.9A
Other languages
English (en)
Other versions
CN110543616B (zh
Inventor
孔宪光
常建涛
李名昊
王佩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Publication of CN110543616A publication Critical patent/CN110543616A/zh
Application granted granted Critical
Publication of CN110543616B publication Critical patent/CN110543616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)

Abstract

本发明公开了一种基于工业大数据的SMT锡膏印刷体积预测方法，解决了构造时间序列特征和对模型参数进行寻优的技术问题。实现包括：数据资源准备、选影响锡膏印刷体积的关键因素作特征、构造锡膏体积时间序列作为特征、提取样本数据、数据预处理、选择并优化预测算法、构建SMT焊盘锡膏印刷体积预测模型、训练并评价预测模型。本发明用AGNES算法确定RBF神经网络隐含层神经元个数和隐含层中心点，用PSO算法对AGNES算法和RBF神经网络算法中的关键参数寻优。本发明数据利用充分，数据处理高效，数据分析系统化，提高了印刷过程中的焊盘体积预测准确性，设计的预测模型为质量提供了有效的风险检测手段，用于保障SMT焊盘锡膏印刷质量。

Description

基于工业大数据的SMT锡膏印刷体积预测方法
技术领域
本发明属于智能制造技术领域，尤其涉及表面贴装技术(Surface MountedTechnology,SMT)各个环节的工业大数据，具体是一种基于工业大数据的SMT 锡膏印刷体积预测方法，可用于锡膏体积质量的提前预判。
背景技术
上世纪八十年代出现了新的电子品生产制造技术——SMT，这一技术的出现对电子产品的生产产生了颠覆性的革新。截止目前对该技术研究和应用的热度只增不减，该技术集轻薄、短小、低成本、高可靠性以及多功能等众多优点于一身。
所谓的锡膏印刷体积预测是指以锡膏印刷完成后锡膏在焊盘的成型量为表征印刷质量优劣的关键质量特性，通过预测模型对印刷电路板(Printed Circuit Board，PCB)板重要位号上敏感封装下的特定焊盘的体积进行预测，根据预测值和目标值之间的偏差预判待制造产品的质量。锡膏印刷体积预测，可以解决传统统计过程控制(StatisticalProcess Control，SPC)方法的滞后性，在产品加工之前提前预测质量风险，提高生产效率，降低生产成本，特别是对一些新产品可以利用相似模型进行模拟计算，改善以往试生产的方式或减少试生产的次数，降低生产成本。
西安电子科技大学的肖长冬2010年在其硕士论文《RBF网络的改进及其在焊膏印刷厚度预测中的应用》中，提出了遗传算法和径向基(RBF)神经网络相结合的方法预测焊膏印刷厚度。首先在详细研究焊膏印刷结构特点和焊膏印刷工艺流程的基础上，分析抽取了影响焊膏印刷厚度的关键因素。其次，针对传统遗传算法的不足，提出了一种改进的遗传算法模型，改进了选择算子和自适应的交叉概率、变异概率。再次，利用改进的遗传算法优化RBF神经网络的隐节点数、中心和宽度，用最小均方误差算法计算输出权值，从而能够自动并高效地选取 RBF网络中心。最后将改进的RBF神经网络应用于焊膏印刷厚度预测，提出了基于RBF网络的焊膏印刷厚度预测模型。该论文在SMT产品生产线的质量预测方面还存在一些不足：1.大量的研究只是集中在算法的改进，以此提高预测准确性，并未将工业大数据的理念应用到分析过程中；2.对数据的理解程度不够，数据在应用过程中只是利用常见可量化的数据，并未考虑其他重要但不能直接量化的参数对印刷质量的影响；3.未能提出完善的质量预测分析框架，没有将制造业生产的特点融入到质量预测分析过程中，特别是工业数据的特点，如时序性，隐匿性等；4.未能深入考虑SMT质量预测的应用需求，SMT质量预测有较高的实时要求，对模型的适应性、计算能力等都有极高要求，一个静态的数据挖掘模型远达不到SMT产线的需求；5.海量高维数据的精加工研究不足，动态的提取样本数据是质量预测模型自适应动态调整的关键。
总之，现有技术对工业数据的利用不充分，没有充分利用各个生产环节的数据，对重要但是无法量化的数据没有加以使用；对工业数据处理效率低，处理高维数据速度慢，难以根据数据对模型进行动态调整；对工业数据进行系统性分析不够，大量研究集中在算法方面，没有考虑制造业生产数据的特点。
发明内容
针对背景技术所阐述的问题和现有技术的不足，本发明提出一种数据利用充分、数据处理高效、数据分析系统化的基于工业大数据的SMT锡膏印刷体积预测方法。
本发明是一种基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，实现焊盘锡膏印刷体积的预测过程，包括有如下步骤：
(1)数据资源准备：针对锡膏印刷阶段的焊盘体积涉及到的数据进行采集，数据采集范围涵盖前四个工位：物料准备、钢网检测、锡膏印刷和SPI检测，对所有可采集数据进行采集，采集的数据形成了原始数据集，原始数据集包含76 个字段，分为5类，环境参数、原材料属性参数、工艺参数、印刷过程状态参数、产品中间检测参数，产品中间检测参数中包括锡膏印刷体积数据；
(2)选择影响锡膏印刷体积的关键因素作为特征：在原始数据集中通过距离相关系数、弹性网络和人工经验三种方式分别选择出影响锡膏印刷体积的关键因素，然后综合选取三种方式中均出现的结果作为并集，并集作为最终的关键因素，为之后的SMT焊盘锡膏印刷体积预测模型提供输入特征；
(3)再构造锡膏体积时间序列作为特征：在原始数据集中用锡膏印刷体积数据构造一个时间序列，构造的时间序列中，t时刻的值为原始数据集t-1时刻的锡膏印刷体积值，所有的锡膏印刷体积数据形成一个时间序列，将时间序列作为之后SMT焊盘锡膏印刷体积预测模型的一个输入特征；
(4)提取样本数据：依据PCB板长在原始数据集中提取出不同的样本数据集，将板长划分为[0,200)、[200,400)、[400,600)三部分，在不同的板长范围内分别提取出不同的样本数据集，将不同的样本数据集按照一定比例划分为训练集、验证集和测试集，训练集和验证集的样本数量和占总样本的80％，记作m0，测试集占20％，记作m1，另外训练集的样本数量又占训练集和验证集的样本数量和m0的80％，验证集占m0的20％，为之后构建不同的SMT焊盘锡膏印刷体积预测模型做准备；
(5)数据预处理：在不同样本数据集下，对影响锡膏体积的关键因素和再构造的锡膏体积时间序列进行归一化处理，消除量纲之间的差异；
(6)选择并优化预测算法作为SMT焊盘锡膏印刷体积预测模型构建基础：选用径向基(Radial Basis Function,RBF)神经网络算法和层次聚类算法 (AgglomerativeNESting,AGNES)算法作为SMT焊盘锡膏印刷体积预测模型构建基础，用AGNES算法对RBF神经网络算法进行优化，并对AGNES算法的学习策略进行改进，对聚类簇数进行优化，通过距离度量来决定聚类簇数，形成改进的AGNES算法；
(7)构建SMT焊盘锡膏印刷体积预测模型：利用改进的AGNES算法优化的RBF神经网络算法构建SMT焊盘锡膏印刷体积预测模型，并用粒子群优化 (Particle SwarmOptimization,PSO)算法寻找最优的RBF神经网络算法的网络谱图结构和模型参数；
(8)训练并评价SMT焊盘锡膏印刷体积预测模型：在不同样本数据集下，以影响锡膏体积的关键因素和再构造的锡膏体积时间序列作为模型的输入，以锡膏印刷体积作为输出，训练SMT焊盘锡膏印刷体积预测模型，模型训练完成后，将测试集中的数据输入模型，得到测试集数据的体积预测值，将测试集的体积预测值与测试集的体积真实值进行对比，计算SMT焊盘锡膏印刷体积预测算法模型的准确性。
本发明与现有技术相比，具有以下优点：
(1)详细梳理了SMT工艺流程和SMT大数据资源，制定出SMT产品质量预测流程，主要包含数据资源准备、特征工程、样本数据提取、数据预处理、算法优化、质量预测模型构建，结合机理分析和特征选择方法确定了影响锡膏印刷质量的关键因素和预测的质量特性。
(2)提出一种基于时序特性的特征重构方式，用t-1时刻的产品质量特性作为t时刻待预测产品的输入，最小化一些重要不可控不可采集因素的信息损失。提出用可控可采集的离散定性和离散定量小要素对原始数据切分，确定了根据 PCB板长提取数据集的依据，提高了模型预测准确率。
(3)提出了对AGNES算法的改进策略，将对聚类簇数的寻优转化为寻找最佳的聚类类间间距；提出用AGNES算法分析数据特点确定RBF神经网络隐含层神经元个数和隐含层中心点的方式；提出用PSO算法对AGNES算法和RBF 神经网络算法中的关键参数进行寻优，综合形成了基于改进的AGNES和PSO 优化的RBF神经网络的质量预测模型。
附图说明
图1是本发明SMT锡膏印刷焊盘体积预测模型流程图；
图2是本发明中SMT锡膏印刷焊盘体积预测模型网络拓扑结构的流程图；
图3是本发明中最小距离度量方法的直观示意图；
图4是本发明中弹性网络特征重要度评价；
图5是本发明中弹性网络不同特征下相对误差变化曲线；
图6是本发明中数据集聚类的层次结构图。
具体实施方式
下面结合附图1对本发明进行详细说明：
实施例1：
现有技术对工业数据的利用不充分，没有充分利用各个生产环节的数据，对重要但是无法量化的数据更没有加以使用；对工业数据处理效率低，处理高维数据速度慢，难以根据数据对模型进行动态调整；对工业数据进行系统性分析不够，大量研究集中在算法方面，没有考虑制造业生产数据的特点。
在SMT焊盘锡膏预测中，需要提出一套SMT质量预测分析总体框架，将工业大数据技术和传统机理分析进行较为完善的结合，综合考虑工业数据的特点，对数据资源进行深度分析，并对锡膏印刷体积预测进行建模，为质量管理人员和现场操作人员提供有效的风险检测手段。
本发明针对这种现状，提出了一种基于工业大数据的SMT锡膏印刷体积预测方法，参见图1，实现焊盘锡膏印刷体积的预测过程，包括有如下步骤：
(1)数据资源准备：本发明分析的重点是锡膏印刷环节，而分析的数据资源又涉及与锡膏印刷相衔接的前后工序，本发明对锡膏印刷阶段的焊盘锡膏印刷体积涉及到的数据进行采集，数据采集范围涵盖四个工位：物料准备、钢网检测、锡膏印刷和SPI检测，对所有可采集数据进行采集，采集的数据形成了原始数据集，原始数据集包含76个字段，分为5类：环境参数、原材料属性参数、工艺参数、印刷过程状态参数、产品中间检测参数。产品中间检测参数中包括锡膏印刷体积数据。有的数据通过传感器采集，有的数据通过人员输入采集。
各类数据属性之间存在一定的物理逻辑关系，如锡膏作用于PCB板；PCB 板上涵盖封装，位号和焊盘的层级关系，SPI检测值是针对焊盘进行的。
(2)选择影响锡膏印刷体积的关键因素作为特征：
在原始数据集中通过距离相关系数、弹性网络和人工经验三种方式分别选择出影响锡膏印刷体积的关键因素，然后综合选取三种方式中出现的结果作为并集，并集作为最终的关键因素，为之后的SMT焊盘锡膏印刷体积预测模型提供输入特征。本发明中关键因素有刮刀施加压力、刮刀施加速度等；综合选取是指关键因素在三种选取方式中出现则可进入并集中。本发明选择对印刷体积有影响的数据作为特征。
(2.1)人工经验
在PCB板印刷过程中，需要将影响锡膏印刷体积较小的其它要素(PCB板长度、钢网材料等)区分出来。SMT锡膏印刷焊盘体积的影响因素主要包括印刷工艺参数，环境要素和其它要素三方面。
(2.1.1)印刷工艺参数
SPI印刷过程复杂多变关系到很多印刷参数，并且它们之间相互作用，除了它们自身对焊盘印刷质量有直接的和主要的作用，重点包括刮刀施加压力，刮刀施加速度、刮刀操作角度等，还需要考虑交互项带来的干扰。
(2.1.2)环境要素
温度和湿度主要分为SPI印刷机内印刷过程温度和湿度，以及工厂内的温度和湿度。温度和湿度对焊膏的黏度有重要影响。黏度太小，易造成锡膏在PCB 板上流动，影响锡膏在焊盘的成型，造成外形不良。黏度过大，会造成锡膏和钢网在分离时困难，锡膏下落不充分容易形成体积小，漏印或其他印刷缺陷。锡膏的黏度随温度的升高而明显下降，通常，环境温度理想值是23℃。湿度过低，锡膏易干，但湿度过高，锡膏松香有吸水性，会影响锡膏的流动性。
(2.1.3)其它要素
其它要素对制造质量的优劣有很重要的影响，其它要素分为可控可采集参数和不可控不可采集参数，可控可采集参数又可以根据参数取值类型分为离散型定性数据和离散型定量数据。其它要素见表2.1：
表2.1其它要素数据分类
(2.2)距离相关系数
距离相关系数是为了克服person相关系数的弱点而生的，在一些情况下，即便两个变量的person相关系数为0，也不能断定这两个变量是相互独立的，它们可能非线性相关，但如果距离相关系数为0，就可以说这两个变量是独立的。距离相关系数取值在[0,1]内，它与Pearson相关系数相比，主要是衡量非线性相关的程度。
(2.3)弹性网络
弹性网络(Elastic Net)是一种线性回归模型，但该模型同时引入了L1正则项和L2正则项作为正则化矩阵。弹性网是对岭回归和套索回归两者的集成，同时起到回归系数收缩与变量筛选的功能，所以通过弹性网建立回归模型，对焊盘体积进行预测，筛选关键特征既考虑了特征之间交互项的相互作用，又考虑了和预测标签之间的相关程度。
(3)再构造锡膏体积时间序列作为特征：SMT是典型的高精度串行生产线，制造过程具有时变性和非线性，是一个多因素相互耦合的复杂动态变化过程，需要考虑因素之间交互项的影响。生产线信息化系统实时采集到的质量特征参数序列本质上是时间序列，这些序列数据会间接的反映出加工设备随时间的变化、工序之间的误差累积、原材料随时间变化引起的微变等一系列工艺系统对产品质量特性影响的某种规律。因此，在运用数据挖掘算法对制造业数据进行分析时一定要考虑随时间变化因素中一些不可控的、无法采集的信息对最终结果的影响。
除突发性或意外性的不可控因素，其他不可控因素的信息往往很难定量度量，通常也无法采集相关数据，为避免这部分信息的损失，将如生产设备随时间变化带来的常规可靠性衰退、锡膏特性随时间变化的变化等不可控因素的信息用其他数据间接表示，纳入到模型输入中，将信息损失最小化。
时间因素作为合理存在的不可控影响因素必然作用到产品生产过程中，在充分考虑时间因素的情况下，本发明构建新的特征来间接的、综合的反映这些不可控影响因素，最小化信息损失，本发明在原始数据集中用锡膏印刷体积数据构造一个时间序列，构造的时间序列中，t时刻的值为原始数据集t-1时刻的锡膏印刷体积值，所有的锡膏印刷体积数据形成一个时间序列，将时间序列作为之后 SMT焊盘锡膏印刷体积预测模型的一个输入特征。
(4)提取样本数据：SMT生产线具有典型的多批次小批量生产的特点，PCB 板长的变化范围比较大，PCB板在实际加工过程中的受力情况、形变情况和PCB 板的大小有很大关系，因此在保证封装类型、钢网类型、刮刀类型等其它因素不变的情况下，根据PCB板长对数据集进行划分是很有必要的。
本发明充分考虑不同尺寸PCB板的影响对数据进行提取，本发明依据PCB 板长在原始数据集中提取出不同的样本数据集，将板长划分为[0,200)、[200,400)、 [400,600)三部分，在不同的板长范围内分别提取出不同的样本数据集，将不同的样本数据集按照一定比例划分为训练集、验证集和测试集，训练集和验证集的样本数量和占总样本的80％，记作m0，测试集占20％，记作m1，另外训练集的样本数量又占训练集和验证集的样本数量和m0的80％，验证集占m0的20％，为之后构建不同的SMT焊盘锡膏印刷体积预测模型做准备，提高预测准确性。
(5)数据预处理：本发明主要用到了数据归一化，也称为特征数据无量纲化，在不同样本数据集下，对影响锡膏体积的关键因素和再构造的锡膏体积时间序列进行归一化处理，消除量纲之间的差异，不同样本数据集是根据不同板长提取的数据集。
数据归一化是为了消除量纲之间的差异，使得所有数据在同一参考系下，本发明中采用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。
其中，x为特征中的数据，μ是特征的均值，σ为特征的方差。
(6)选择并优化预测算法作为SMT焊盘锡膏印刷体积预测模型构建基础：充分考虑业务数据特点和计算性能等需求下，选择合适的相关算法实现模型构建，本发明中选用RBF神经网络算法和AGNES算法作为SMT焊盘锡膏印刷体积预测模型构建基础，用AGNES算法对RBF神经网络算法进行优化，并对 AGNES算法的学习策略进行改进，对聚类簇数进行优化，通过距离度量来决定聚类簇数，形成改进的AGNES算法。
(7)构建SMT焊盘锡膏印刷体积预测模型：利用改进的AGNES算法优化的RBF神经网络算法构建SMT焊盘锡膏印刷体积预测模型，并用PSO算法寻找最优的RBF神经网络算法的网络谱图结构和模型参数，构建的SMT焊盘锡膏印刷体积预测模型结构如图2。
(8)训练并评价SMT焊盘锡膏印刷体积预测模型：在不同样本数据集下，以影响锡膏体积的关键因素和再构造的锡膏体积时间序列作为模型的输入，以锡膏印刷体积作为输出，用训练集和验证集训练SMT焊盘锡膏印刷体积预测模型，寻找模型最优参数，提高模型的预测准确率；模型训练完成后，将测试集中的数据输入模型，得到测试集数据的体积预测值，将测试集的体积预测值与测试集的体积真实值进行对比，计算SMT焊盘锡膏印刷体积预测算法模型的准确性。
本发明详细梳理了SMT工艺流程和SMT大数据资源，制定出SMT产品质量预测流程，主要包含数据资源准备、特征工程、样本数据提取、数据预处理、算法优化、质量预测模型构建，结合机理分析和特征选择方法确定了影响锡膏印刷质量的关键因素和预测的质量特性，提出了一种基于时序特性的特征重构方式，最小化一些重要不可控不可采集因素的信息损失，确定了根据PCB板长来提取样本数据，提出了对AGNES算法的改进策略，将对聚类簇数的寻优转化为寻找最佳的聚类类间间距，提出了用AGNES算法分析数据特点确定RBF神经网络隐含层神经元个数和隐含层中心点的方式，提出了用PSO算法对RBF神经网络算法和AGNES算法中的关键参数进行寻优，综合形成了基于改进的AGNES 和PSO优化的RBF神经网络的质量预测模型，并对模型进行了训练和评价。
实施例2
基于工业大数据的SMT锡膏印刷体积预测方法同实施例1，步骤(6)中所述改进的AGNES算法是改进的凝聚的层次聚类算法，本发明中改进的AGNES 算法的实现具体包括如下步骤：
(6a)确定AGNES算法函数和参数：确定聚类相似度度量函数d、距离度量函数dist和聚类类间间距λ，初始样本数据集中每一个样本为一个簇类；
(6b)计算距离矩阵：利用聚类相似度度量函数d、距离度量函数dist，计算每个簇之间的距离，形成距离矩阵M；
(6c)划分簇类：将距离矩阵M和类间间距λ进行比较，将样本划分到不同簇类；因为类间间距λ为实数，与聚类数目相比，取值范围变大；
(6d)迭代计算距离矩阵：重复步骤(6b)和(6c)，直到距离矩阵M不变。
AGNES算法最初将每个对象作为一个簇，然后这些簇根据某些准则被一步步地合并，两个簇间的相似度有多种不同的计算方法，聚类的合并过程反复进行直到所有的对象最终满足簇数目。本发明中改进的AGNES算法将对聚类簇数的寻优转化为寻找最佳的聚类类间间距，通过确定一个较合理的聚类类间间距，在 AGNES算法学习过程中，将数据进行划分，从而确定聚类簇数。
实施例3
基于工业大数据的SMT锡膏印刷体积预测方法同实施例1-2，步骤(7)所述的构建SMT焊盘锡膏印刷体积预测模型，是基于PSO优化的AGNES-RBF产品质量预测模型，构建SMT焊盘锡膏印刷体积预测模型包括如下步骤：
(7a)确定PSO算法、AGNES算法和RBF神经网络算法的函数
首先，确定PSO算法在AGNES算法参数寻优过程中的适应度函数，此处采用均方误差作为最优参数的评价标准：
其中，y'是模型预测值，y是真实值，最优参数的评价标准g(·)越小越好，代表模型预测值和真实值两者之间差异越接近。
接着，确定AGNES算法的相似度度量方法为最小距离：
其中，Ci表示i类，Cj表示j类，xi为i类中的样本，xj为j类中的样本。
最小距离度量方法的直观示意图如图3，两类之间最近的两点之间的距离为两类的距离。
确定AGNES算法的距离计算方式为欧氏距离：
其中，xiu为样本xi的第u个分量，xju为样本xj的第u个分量，n为样本长度；
本发明改进的AGNES算法是为了优化RBF神经网络算法，确定RBF神经网络隐含层神经元个数和隐含层中心点。
最后，确定RBF神经网络算法的径向基函数为高斯径向基核函数：
其中，x为样本，ci为第i类的中心点，σi径向基函数的基宽，p为隐藏层神经元个数；
确定RBF神经网络算法的输出层激活函数h(·)为线性函数：
h(xin)＝xin
其中，xin为RBF神经网络算法输出层的输入。
本发明改进了AGNES算法的学习策略，将聚类策略由簇数转变为类间间距，增强了RBF神经网络隐含层神经元个数选择的合理性和灵活性，利用PSO算法搜寻最佳的AGNES算法的聚类类间间距和RBF神经网络算法的重叠系数，避免采用人工经验设置初始值带来的局限性和盲目性。
(7b)设置AGNES算法和RBF神经网络算法参数的寻优区间
为AGNES算法的聚类类间间距λ和RBF神经网络算法的重叠系数α设置寻优区间。其中聚类类间间距λ的取值范围应小于等于样本间最大距离distimax，大于等于样本间最小距离distimin，聚类类间间距过小，聚类数目过多，聚类类间间距过大，聚类数目过少，聚类类间间距的寻优区间一般需根据样本数据进行确定，重叠系数α的取值范围通常大于0，本发明中取为[0.1,5]。
(7c)用PSO算法在寻优区间内进行迭代寻优
设置PSO算法的迭代终止次数n，对AGNES算法的聚类类间间距λ和RBF 神经网络算法的重叠系数α在寻优区间内迭代寻优，记录迭代次数k，用PSO算法生成λ和α；
(7d)用AGNES算法优化RBF神经网络算法
根据PSO算法中得到的聚类类间间距λ确定RBF神经网络的隐藏层神经元个数p和RBF神经网络径向基函数的中心点ci，根据PSO算法中得到的重叠系数α和RBF神经网络径向基函数的中心点ci确定RBF神经网络径向基函数的基宽σi。
(7e)计算λ和α对应的适应度函数的值
将中心点ci和基宽σi代入径向基函数中，由径向基函数和激活函数计算出样本的预测值y'，根据适应度函数的值获得均方误差g(·)。
(7f)得到AGNES算法的最优参数
当迭代次数k<n时重复执行(7c)、(7d)、(7e)，当粒子群优化算法寻优次数达到n时迭代结束，获取最小适应度函数的值g(·)min对应的λopt和αopt为 AGNES算法和RBF神经网络算法的最佳参数，λopt和αopt即为PSO算法迭代寻优得到的最优参数。
(7g)构建SMT焊盘锡膏印刷体积预测模型
按照步骤(7d)分别计算最佳参数λopt和αopt对应下的RBF神经网络的隐藏层神经元个数p，中心点ci，基宽σi，模型构建完成。
本发明提出了对AGNES算法的改进策略，将对聚类簇数的寻优转化为寻找最佳的聚类类间间距，提出了用AGNES算法确定RBF神经网络隐含层神经元个数和隐含层中心点的方式，提出了用PSO算法对AGNES算法和RBF算法中的关键参数进行寻优，综合形成了基于改进的AGNES和PSO优化的RBF神经网络的质量预测模型。
下面利用从生产现场采集的数据证明本发明的可行性和准确性。
实施例4
基于工业大数据的SMT锡膏印刷体积预测方法同实施例1-3。
实例验证
选取该企业SMT产品中封装类型为0.7QFN的焊盘进行分析，总共采集到的原始数据总共295915条，数据资源涵盖物料准备和钢网检测工位的16个原材料属性参数，锡膏印刷工位的15个印刷工艺参数、2个加工环境参数和40个过程状态参数，以及SPI检测工位的3个焊盘检测参数，共计76个特征参数，实例验证原始数据集部分数据展示见表1。
表1实例验证原始数据集
1.特征选择
1.1基于距离相关系数筛选特征
因为工程中因素之间的关系往往是非线性的，距离相关系数能更准确的度量因素之间的相关程度。原始特征包含73个(不含检测项，锡膏体积、面积和高度)，通过机理分析剔除极不相关的54个特征后计算特征和目标特性之间的距离相关系数见表2。
表2各个特征与焊盘体积之间的相关系数
影响因素 X1坐标 Y1坐标 X2轴坐标 Y2轴坐标
距离相关系数 0.16993947 0.11973054 0.19154765 0.13604085
影响因素 操作台印刷高度补偿 操作台分离速度 操作台分离距离 操作台分离延迟
距离相关系数 0.42271894 0.06088369 0.12805404 0.06241684
影响因素 刮刀分开速度 刮刀分开距离 开始偏移 刮刀施加压力
距离相关系数 0.08892693 0.10167110 0.06791884 0.19020741
影响因素 刮刀施加速度 清洗提供时间 擦纸等候距离 清洗施加速度
距离相关系数 0.30827147 0.10299433 0.08974691 0.14095868
影响因素 刮刀平均施加压力 刮刀最小施加压力 刮刀最大施加压力
距离相关系数 0.10204079 0.17674308 0.15044801
通过表2可以看出，工业中实际数据相关程度系数相比理论而言相差较多，单从理论上讲，相关系数大于0.2才认为是相关的，而工业数据中有些因素的相关系数比较小，但还是有影响的，所以本发明选择相关系数大于0.15的特征作为关键特征，具体的特征内容见表3。
表3距离关键系数-关键特征具体内容
特征编号 1 2 3 4
特征名称 X1坐标 X2坐标 刮刀施加压力 刮刀施加速度
特征编号 5 6 7
特征名称 操作台印刷高度补偿 刮刀最小施加压力 刮刀最大施加压力
1.2基于弹性网络筛选特征
利用弹性网络建立回归模型计算各个特征的相关系数，评价结果具体内容见表4：
表4弹性网络模型特征相关系数评价表
影响因素 X1坐标 Y1坐标 X2坐标 Y2坐标
距离相关系数 172.049630 -94.306740 186.957502 -68.392275
影响因素 操作台印刷高度补偿 操作台分离速度 操作台分离距离 操作台分离延迟
距离相关系数 -274.726100 15.337843 -120.607793 -15.575079
影响因素 刮刀分开速度 刮刀分开距离 开始偏移 刮刀施加压力
距离相关系数 -113.064588 73.505951 17.960745 -737.607582
影响因素 刮刀施加速度 清洗提供时间 擦纸等候距离 清洗施加速度
距离相关系数 -91.361851 -130.854249 9.612601 46.314148
影响因素 刮刀平均施加压力 刮刀最小施加压力 刮刀最大施加压力
距离相关系数 24.241686 562.741817 266.918045
参见图4是弹性网络模型下，各特征重要度的可视化展示，每条线越靠近x 轴代表该特征重要程度越低，越远离x轴代表该特征越重要，即特征相关系数的绝对值越大该特征越重要。
本发明设置不同的相关系数阈值筛选特征，用筛选后的特征训练模型计算该特征组合下的相对误差。图5是不同相关系数阈值对应的相对误差变化折线图，在图中可以看到，随着特征的减少相对误差先减小后增大，相关系数阈值为150 时筛选出的特征组合对应的相对误差最小，因此确定相关系数阈值为150，筛选出的特征见表5：
表5弹性网络-关键特征具体内容
特征编号 1 2 3
特征名称 X1坐标 X2坐标 操作台印刷高度补偿
特征编号 4 5 6
特征名称 刮刀施加压力 刮刀最小施加压力 刮刀最大施加压力
1.3基于专家经验筛选特征
本发明还结合生产线工艺人员经验和其他学者对影响锡膏体积印刷质量的关键特征的研究成果认为，影响锡膏印刷质量特性的关键特征有6个，具体见表 4所示：
表6专家经验-关键特征具体内容
特征编号 1 2 3 4
特征名称 刮刀最小施加压力 刮刀最大施加压力 刮刀施加压力 刮刀施加速度
1.4综合分析
结合距离相关系数，弹性网络以及专家经验三种方法对SMT技术锡膏体积影响因素的分析结果，综合选取上述三种方法三者中出现的特征作为最终的关键特征，具体选择结果见表7：
表7最终选定的关键特征
特征编号 1 2 3 4
特征名称 X1坐标 X2坐标 刮刀施加压力 刮刀施加速度
特征编号 5 6 7
特征名称 操作台印刷高度补偿 刮刀最小施加压力 刮刀最大施加压力
2.基于时序特性的特征重构
根据表7的关键特征组合对原始数据进行去重处理，约简后的数据集样本数为1772条，在数据集中用锡膏印刷体积数据构造一个时间序列，构造的时间序列中，t时刻的值为原始数据集t-1时刻的锡膏印刷体积值，所有的锡膏印刷体积数据形成一个时间序列，将时间序列作为模型的一个输入特征。
包含时间序列特征的数据集具体内容展示见表8所示：
表8包含时间序列特征的数据集
3.提取样本数据
pcb板依据[0,200)、[200,400)、[400,600)三个范围被划分为小板、中板、大板，在保证封装类型、钢网类型、刮刀类型等其它因素不变的情况下，在不同的板长范围内分别提取出不同的样本数据集。
4.数据预处理
利用公式(1)对数据集进行Z-score归一化处理，消除量纲之间的差异，把所有特征分布映射为标准正态分布。
5.构建SMT产品质量预测模型
5.1模型输入输出
提取PCB板长在[200,400)范围内的数据，并利用锡膏体积数据构造时间序列特征，数据共1211条，将构建好的数据集切分为训练集、验证集和测试集三部分，训练集和验证集之和占总数据集的80％，测试集为20％，其中，训练集和验证集的划分比同样为0.8:0.2，用训练集和验证集寻找模型参数，用测试集评价模型，计算模型的准确度。模型输入特征包括综合距离相关系数、弹性网络、专家经验选出的7个特征和锡膏体积时间序列特征，一共8个特征，输出为SMT 产品的焊盘锡膏印刷体积。
5.2模型算法
为验证AGNES和PSO优化的RBF预测方法的性能，构建三个SMT质量预测模型对同一数据集进行预测，本发明中构建三个预测模型的方法分别是：① RBF神经网络；②AGNES-RBF二次预测方法；③AGNES和PSO优化的RBF 二次预测方法。本例中分别对三种方法进行了预测建模，并进行对比。
5.3确定模型参数
5.3.1 RBF神经网络方法的参数
RBF神经网络模型的构建是调用R中的RSNNS包，函数中的参数根据经验设置，设置隐含层神经元个数size＝25，迭代次数maxit＝100，初始化参数 initFuncParams＝c(0,1,0,0.02,0.04)，学习函数参数learnFuncParams＝ c(1e-05,0,1e-05,0.1,0.8)。
5.3.2 AGNES-RBF二次预测方法的参数
AGNES-RBF二次预测方法模型中λ和α结合经验进行设置，设置λ＝4、α＝1。
5.3.3 AGNES和PSO优化的RBF二次预测方法的参数
5.3.3.1 AGNES算法类间间距和重叠系数
AGNES和PSO优化的RBF预测方法模型中，λ的优化区间是[0.1,5]，α的优化区间是[0.1,5]，种群规模popSize＝100,迭代次数iters＝25优化后的最佳参数取值分别为：类间间距λ＝3.232558，重叠系数α＝3.045536。
5.3.3.2 RBF神经网络隐含层神经元个数
通过PSO算法得到最佳类间间距λ＝3.232558，聚类效果见图6所示，最终将数据划分为54簇，图6中底部等高的方框即为被划分的簇类，簇类数目为54，即预测模型中隐含层有54个神经元个数。
5.4基于不同预测方法的模型预测结果对比分析
三个模型预测结果的相对误差见表9所示：
表9不同预测方法的预测相对误差
预测方法 RBF AGNES-RBF PSO-AGNES-RBF
平均相对误差 10.37％ 11.04％ 6.57％
从表9中可以看出，基于AGNES和PSO优化的RBF预测方法构建出的模型预测平均相对误差为6.57％，表现最优，同时误差小于10％，准确率满足工业工程的实践要求。
6.基于构造锡膏体积时间序列特征的预测结果对比分析
6.1模型输入
本发明中提出加入锡膏体积时间序列特征的分析思路，现在通过构建两个数据集A和B对其进行验证。两个数据集来源于同一批PCB板长为[200,400]的SMT印刷产品，数据集A和数据集B共同的输入特征是表7的内容，但是数据集A不包含锡膏体积时间序列特征，数据集B包含锡膏体积时间序列特征。
训练过程中将构建好的数据集切分为训练集、验证集和测试集三部分，训练集和验证集之和占数据集的80％，测试集为20％，其中，训练集和验证集的划分比同样为0.8:0.2。
6.2模型方法及结果分析
利用本文提出的基于AGNES和PSO优化的RBF预测方法分别对数据集A 和数据集B进行预测，预测结果的相对误差见表10所示：
表10是否包含锡膏体积时间序列特征的预测相对误差
数据集 数据集A 数据集B
平均相对误差 11.82％ 6.57％
从表10可以看出，在其他要素相同情况下，加入锡膏体积时间序列特征的数据集B的测试集拟合效果整体较好，预测准确率也明显优于不加入锡膏体积时间特征的数据集A。
本发明结合企业的实际数据进行了重点研究和验证，包括特征工程、样本数据提取、数据预处理和锡膏印刷体积预测模型的构建，证明了本发明中分析思路的可行性，以及构造的质量预测模型有很高的准确性。
综上所述，本发明公开的基于工业大数据的SMT锡膏印刷体积预测方法，解决了构造时间序列特征和对模型参数进行寻优的问题。实现包括：数据资源准备、选择影响锡膏印刷体积的关键因素作为特征、再构造锡膏体积时间序列作为特征、提取样本数据、数据预处理、选择并优化预测算法作为SMT焊盘锡膏印刷体积预测模型构建基础、构建SMT焊盘锡膏印刷体积预测模型、训练并评价 SMT焊盘锡膏印刷体积预测模型八大步骤。预测模型中，再构造锡膏体积时间序列作为特征在原始数据集中用锡膏印刷体积数据构造了一个时间序列，将时间序列作为之后SMT焊盘锡膏印刷体积预测模型的一个输入特征；预测模型构建时，提出了用AGNES算法确定RBF神经网络隐含层神经元个数和隐含层中心点的方式，提出了用PSO算法对AGNES算法和RBF神经网络算法中的关键参数进行寻优。本发明数据利用充分，数据处理高效，数据分析系统化。本发明的预测方法提高了算法预测的准确性和学习过程的自主性，设计的锡膏印刷体积预测模型，为质量管理人员和现场操作人员提供了有效的风险检测手段，提高了对印刷过程中的焊盘体积进行准确预测的能力。

Claims (3)

1.一种基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，实现焊盘锡膏印刷体积的预测过程，包括有如下步骤：
(1)数据资源准备：针对锡膏印刷阶段的焊盘锡膏印刷体积涉及到的数据进行采集，数据采集范围涵盖四个工位：物料准备、钢网检测、锡膏印刷和SPI检测，对所有可采集数据进行采集，采集的数据形成了原始数据集，原始数据集包含76个字段，分为5类，环境参数、原材料属性参数、工艺参数、印刷过程状态参数、产品中间检测参数，产品中间检测参数中包括锡膏印刷体积数据；
(2)选择影响锡膏印刷体积的关键因素作为特征：在原始数据集中通过距离相关系数、弹性网络和人工经验三种方式分别选择出影响锡膏印刷体积的关键因素，然后综合选取三种方式中出现的结果作为并集，并集作为最终的关键因素，为之后的SMT焊盘锡膏印刷体积预测模型提供输入特征；
(3)再构造锡膏体积时间序列作为特征：在原始数据集中用锡膏印刷体积数据构造一个时间序列，构造的时间序列中，t时刻的值为原始数据集t-1时刻的锡膏印刷体积值，所有的锡膏印刷体积数据形成一个时间序列，将时间序列作为之后SMT焊盘锡膏印刷体积预测模型的一个输入特征；
(4)提取样本数据：依据PCB板长在原始数据集中提取出不同的样本数据集，将板长划分为[0,200)、[200,400)、[400,600)三部分，在不同的板长范围内分别提取出不同的样本数据集，将不同的样本数据集按照一定比例划分为训练集、验证集和测试集，训练集和验证集的样本数量和占总样本的80％，记作m0，测试集占20％，记作m1，另外训练集的样本数量又占训练集和验证集的样本数量和m0的80％，验证集占m0的20％，为之后构建不同的SMT焊盘锡膏印刷体积预测模型做准备；
(5)数据预处理：在不同样本数据集下，对影响锡膏体积的关键因素和再构造的锡膏体积时间序列进行归一化处理，消除量纲之间的差异；不同样本数据集是根据不同板长提取的数据集；
(6)选择并优化预测算法作为SMT焊盘锡膏印刷体积预测模型构建基础：选用RBF神经网络算法和AGNES算法作为SMT焊盘锡膏印刷体积预测模型构建基础，用AGNES算法对RBF神经网络算法进行优化，并对AGNES算法的学习策略进行改进，对聚类簇数进行优化，通过距离度量来决定聚类簇数，形成改进的AGNES算法；
(7)构建SMT焊盘锡膏印刷体积预测模型：利用改进的AGNES算法优化的RBF神经网络算法构建SMT焊盘锡膏印刷体积预测模型，并用PSO算法寻找最优的RBF神经网络算法的网络谱图结构和模型参数；
(8)训练并评价SMT焊盘锡膏印刷体积预测模型：在不同样本数据集下，以影响锡膏体积的关键因素和再构造的锡膏体积时间序列作为模型的输入，以锡膏印刷体积作为输出，训练SMT焊盘锡膏印刷体积预测模型，模型训练完成后，将测试集中的数据输入模型，得到测试集数据的体积预测值，将测试集的体积预测值与测试集的体积真实值进行对比，计算SMT焊盘锡膏印刷体积预测算法模型的准确性。
2.根据权利要求1所述的基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，步骤(6)中所述改进的AGNES算法，其实现具体包括如下步骤：
(6a)确定AGNES算法参数和函数：确定聚类相似度度量函数d、距离度量函数dist和聚类类间间距λ，初始样本数据集中每一个样本为一个簇类；
(6b)计算距离矩阵：利用聚类相似度度量函数d、距离度量函数dist，计算每个簇之间的距离，形成距离矩阵M；
(6c)划分簇类：将距离矩阵M和类间间距λ进行比较，将样本划分到不同簇类；
(6d)迭代计算距离矩阵：重复步骤(6b)和(6c)，直到距离矩阵M不变。
3.根据权利要求1所述的基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，步骤(7)所述的构建SMT焊盘锡膏印刷体积预测模型，包括如下步骤：
(7a)确定PSO算法、AGNES算法和RBF神经网络算法的函数：确定PSO算法在AGNES算法参数寻优过程中的适应度函数，采用均方误差作为最优参数的评价标准：
其中，y'是模型预测值，y是真实值，g(·)越小越好，代表两者之间差异越小越接近；
确定AGNES算法的相似度度量方法为最小距离：
其中，Ci表示i类，Cj表示j类，xi为i类中的样本，xj为j类中的样本；
确定AGNES算法的距离计算方式为欧氏距离：
其中，xiu为样本xi的第u个分量，xju为样本xj的第u个分量，n为样本长度；
确定RBF神经网络算法的径向基函数为高斯径向基核函数：
其中，x为样本，ci为第i类的中心点，σi径向基函数的基宽，p为隐藏层神经元个数；
确定RBF神经网络算法的输出层激活函数h(·)为线性函数：
h(xin)＝xin
其中，xin为RBF神经网络算法输出层的输入；
(7b)设置AGNES算法和RBF神经网络算法参数寻优区间：为AGNES算法的聚类类间间距λ和RBF神经网络算法的重叠系数α设置寻优区间，其中聚类类间间距λ的取值范围应小于等于样本间最大距离distimax，大于等于样本间最小距离distimin，重叠系数α的取值范围通常大于0；
(7c)用PSO算法对AGNES算法和RBF神经网络算法参数进行迭代寻优：设置PSO算法的迭代终止次数n'，记录迭代次数k，对AGNES算法的聚类类间间距λ和RBF神经网络算法的重叠系数α在寻优区间内迭代寻优，用PSO算法生成λ和α；
(7d)用AGNES算法优化RBF神经网络算法：根据PSO算法中得到的聚类类间间距λ确定RBF神经网络的隐藏层神经元个数p和RBF神经网络径向基函数的中心点ci，根据PSO算法中得到的重叠系数α和RBF神经网络径向基函数的中心点ci确定RBF神经网络径向基函数的基宽σi；
(7e)计算λ和α对应的适应度函数的值：将中心点ci和基宽σi代入径向基函数中，由径向基函数和激活函数计算出样本的预测值y'，根据适应度函数的值获得均方误差g(·)；
(7f)得到AGNES算法的最优参数：当迭代次数k＜n'时重复执行(7c)、(7d)、(7e)，当粒子群优化算法寻优次数达到n'时迭代结束，获取最小适应度函数的值g(·)min对应的λopt和αopt为AGNES算法和RBF神经网路算法的最佳参数；
(7g)构建SMT焊盘锡膏印刷体积预测模型：按照步骤(7d)分别计算最佳参数λopt和αopt对应下的RBF神经网络的隐藏层神经元个数p，中心点ci，基宽σi，模型构建完成。
CN201910632492.9A 2018-12-26 2019-07-13 基于工业大数据的smt锡膏印刷体积预测方法 Active CN110543616B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811601893 2018-12-26
CN201811601893X 2018-12-26

Publications (2)

Publication Number Publication Date
CN110543616A true CN110543616A (zh) 2019-12-06
CN110543616B CN110543616B (zh) 2022-12-02

Family

ID=68709889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910632492.9A Active CN110543616B (zh) 2018-12-26 2019-07-13 基于工业大数据的smt锡膏印刷体积预测方法

Country Status (1)

Country Link
CN (1) CN110543616B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051830A (zh) * 2021-04-01 2021-06-29 重庆大学 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
CN113094980A (zh) * 2021-03-26 2021-07-09 西安交通大学 一种基于iga-dnn的焊膏印刷质量预测方法及系统
CN114139839A (zh) * 2022-02-08 2022-03-04 希望知舟技术(深圳)有限公司 一种基于工况的机器学习方法及相关装置
WO2022078404A1 (zh) * 2020-10-15 2022-04-21 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
CN114964594A (zh) * 2022-04-28 2022-08-30 海门市恒昌织带有限公司 一种基于工业数据处理的安全织带染色质量检测方法
CN115099160A (zh) * 2022-07-18 2022-09-23 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
CN115258323A (zh) * 2021-04-29 2022-11-01 北京小米移动软件有限公司 撕膜控制方法、装置、电子设备及存储介质
WO2022267509A1 (zh) * 2021-06-24 2022-12-29 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
CN117202532A (zh) * 2023-09-09 2023-12-08 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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0744699A1 (en) * 1995-05-22 1996-11-27 Eastman Kodak Company Neural network solder paste inspection system
WO2004063831A2 (en) * 2003-01-15 2004-07-29 Bracco Imaging S.P.A. System and method for optimization of a database for the training and testing of prediction algorithms
CN104361393A (zh) * 2014-09-06 2015-02-18 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0744699A1 (en) * 1995-05-22 1996-11-27 Eastman Kodak Company Neural network solder paste inspection system
WO2004063831A2 (en) * 2003-01-15 2004-07-29 Bracco Imaging S.P.A. System and method for optimization of a database for the training and testing of prediction algorithms
CN104361393A (zh) * 2014-09-06 2015-02-18 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022078404A1 (zh) * 2020-10-15 2022-04-21 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
CN113094980A (zh) * 2021-03-26 2021-07-09 西安交通大学 一种基于iga-dnn的焊膏印刷质量预测方法及系统
CN113051830A (zh) * 2021-04-01 2021-06-29 重庆大学 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
CN115258323A (zh) * 2021-04-29 2022-11-01 北京小米移动软件有限公司 撕膜控制方法、装置、电子设备及存储介质
WO2022267509A1 (zh) * 2021-06-24 2022-12-29 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
CN114139839A (zh) * 2022-02-08 2022-03-04 希望知舟技术(深圳)有限公司 一种基于工况的机器学习方法及相关装置
CN114964594A (zh) * 2022-04-28 2022-08-30 海门市恒昌织带有限公司 一种基于工业数据处理的安全织带染色质量检测方法
CN115099160A (zh) * 2022-07-18 2022-09-23 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
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
CN117202532A (zh) * 2023-09-09 2023-12-08 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
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

Also Published As

Publication number Publication date
CN110543616B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
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
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN109934615B (zh) 基于深度稀疏网络的产品营销方法
CN113506009B (zh) 一种基于智慧云服务的设备管理方法及系统
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
Tsai Development of a soldering quality classifier system using a hybrid data mining approach
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
CN113515512A (zh) 一种工业互联网平台数据的质量治理及提升方法
CN114066073A (zh) 电网负荷预测方法
CN111008726A (zh) 一种电力负荷预测中类图片转换方法
CN111199493A (zh) 一种基于客户缴费信息及征信信息的欠费风险识别方法
CN108563201B (zh) 一种dmaic驱动的小批量零件加工工艺过程质量改进方法
CN113052395A (zh) 融合网络特征的神经网络预测金融数据的方法
CN116776245A (zh) 一种基于机器学习的三相逆变器设备故障诊断方法
CN111861002A (zh) 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法
CN116681453A (zh) 一种基于用户需求的外贸营销信息智能布设方法及系统
CN113610575B (zh) 一种产品销量的预测方法及预测系统
CN116307489A (zh) 一种基于用户行为建模的可视化动态分析方法及系统
CN113554010B (zh) 一种电网线路故障识别模型训练方法
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
CN113537553A (zh) 一种区域配电网负荷需求混合预测方法
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN113742472B (zh) 一种基于客服营销场景下的数据挖掘方法及装置

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