CN110856437A - 一种smt生产过程控制图模式识别方法 - Google Patents

Abstract

本发明公开了一种SMT生产过程控制图模式识别方法，包括：获取SMT生产过程中当前阶段工序的控制点的关键质量参数，对关键质量参数进行预处理；对预处理后的关键质量参数进行小波分解，得到关键质量参数的高频信号和低频信号；将高频信号和低频信号输入至预训练好的多分类支持向量机中进行控制图模式的识别，同时根据高频信号和低频信号绘制控制图；根据多分类支持向量机输出的控制图模式的识别结果，利用统计过程控制方法得到异常模式下对应的异常原因、以及预测下一阶段工序的控制图模式变化趋势。本发明的SMT生产过程控制图模式识别方法，有效提高了SMT生产过程控制图识别的精度和能力。

Description

一种SMT生产过程控制图模式识别方法

技术领域

本申请属于质量状态监控领域，具体涉及一种SMT生产过程控制图模式识别方法。

背景技术

表面贴装技术(Surface Mounting Technology，简称SMT)生产过程质量管理控制作为现代智能装备制造业过程质量的核心技术之一，目前，SMT生产线主要由贴片机、印刷机、点胶机、波峰焊机、光学检测装置等组成，各环节独立工作，没有形成整生产线的闭环，导致SMT生产线车间透明度较低，数据采集密度较小，许多生产过程为黑匣子；质量管控没有覆盖全生产过程，质量控制不精准；车间设备互联性差，无车间级信息集成。

随着工业物联网技术的发展，针对SMT生产车间的可视化实时监控平台日益增多，将实时生产数据和设备运行状态数据采集回数据中心，实现对生产线及车间的实时监测。然而，这些可视化平台只实现了对各类数据的显示，虽然一定程度上方便了生产管理，但是本质上没有对生产过程质量进行提升，如何利用生产数据，基于大数据分析对SMT生产过程质量进行提高具有明显意义。而大部分现代SMT生产企业的制造执行系统(ManufacturingExecution System，MES)里储存了很多之前的质量过程数据，通过对这些历史数据的分析挖掘可以发现影响产品质量变化的因素以及制造过程的运行情况。SMT生产过程具有批量大、生产节拍快、工艺过程复杂等特点，其生产数据具有采样率高、更新速度快、样本量大、易受干扰等特点。传统分析方法难以处理多噪声和强干扰下的大量过程数据，在SMT生产过程中难以应用。因此，针对SMT生产过程数据特性，设计一套针对性的、高效的、智能的大数据处理方法，实现对生产质量的优化提升，具有非常好的研究意义和应用价值。

近年来，统计过程控制(Statistical Process Control,SPC)技术被大量运用于制造过程质量控制中，尤其是以控制图为代表的技术，使得事后根据质量检验结果来控制质量的滞后方法逐步转变为在制造过程事中控制的方法，根据控制图进行异常原因判断以及变化趋势预测，促使过程质量控制能力进一步提高。而随着SMT生产过程的自动化水平日益提升，工艺过程复杂程度也不断增加。如果只是基于传统分析方法的SPC进行过程质量管控难以处理多噪声和强干扰下的大量过程数据，已较难满足现实需求。

目前，针对SMT生产过程质量智能管控问题依然没有很好的解决方案。为此，针对上述痛点，亟需一种更好的SMT生产过程控制图模式识别方法。

发明内容

本申请的目的在于提供一种SMT生产过程控制图模式识别方法，有效提高了SMT生产过程控制图识别的精度和能力。

为实现上述目的，本申请所采取的技术方案为：

一种SMT生产过程控制图模式识别方法，所述SMT生产过程控制图模式识别方法，包括：

步骤1：获取SMT生产过程中当前阶段工序的控制点的关键质量参数，对所述关键质量参数进行预处理；

步骤2：对预处理后的关键质量参数进行小波分解，得到关键质量参数的高频信号和低频信号；

步骤3：将所述高频信号和低频信号输入至预训练好的多分类支持向量机中进行控制图模式的识别，同时根据高频信号和低频信号绘制控制图，所述控制图模式包括正常模式和异常模式，所述异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式；

步骤4：根据所述多分类支持向量机输出的控制图模式的识别结果，利用统计过程控制方法得到异常模式下对应的异常原因、以及预测下一阶段工序的控制图模式变化趋势。

作为优选，所述对关键质量参数进行预处理，包括：

步骤1.1：获取一组关键质量参数作为原始数据x，x＝(x₁,x₂,x₃,…,x_n)，n为原始数据x包含的数据个数，且n为奇数，计算原始数据x的均值

和标准差δ，如下：

当

时，则数据x_i为异常点，x_i为原始数据x中的第i个数据；

当数据x_i为异常点时，若数据x_i为正，则将数据x_i赋值为

若数据x_i为负，则将数据x_i赋值为

步骤1.2：若数据x_i缺失，即x_i＝0；或数据x_i缺少属性值，即x_i＝nlack；或数据x_i属性值不一致，即x_i＝nerror时，对数据x_i进行重新赋值，如下：

即数据x_i缺失或缺少属性值时，将均值赋值给该数据，若数据x_i属性值不一致时，则将原始数据的中位数赋值给该数据，且若数据x_i缺失、缺少属性值或属性值不一致时，则在计算原始数据x的均值

和标准差δ时忽略该数据。

作为优选，所述对预处理后的关键质量参数机进行小波分解，得到高频信号和低频信号，包括：

建立M级小波变换如下：

式中，x(n)包含计算得到的高频信号和低频信号，n为原始数据x包含的数据个数，w_aM和w_bm为小波系数，A_M(n)为Haar小波基函数，B_m(n)为Morlet小波基函数。

本申请提供的SMT生产过程控制图模式识别方法采用预处理去除关键质量参数中的干扰“噪音”和无关信息，提高模式识别的精度，并且将预处理后的数据进行小波分解，得到针对性更高的高频信号和低频信号，利用多分类支持向量机先对高频信号和低频信号进行分类，再根据分类后的结果判断生成过程中是否出现异常或将要出现异常，以及时作出异常处理或根据预判阻止异常情况的出现，克服了统计过程控制方法存在的数据处理能力有限的缺点，同时采用预分类的方式也提高了模式识别准确度。

附图说明

图1为本申请的SMT生产过程控制图模式识别方法的流程图；

图2为本申请的预处理流程图；

图3为本申请控制图异常模式的表现形式和异常原因的一种实施例示意图；

图4为本申请的SMT生产过程控制图模式识别方法的应用流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

如图1所示，其中一个实施例中提供一种SMT生产过程控制图模式识别方法，该方法包括以下步骤：

步骤1：获取SMT生产过程中当前阶段工序的控制点的关键质量参数，对所述关键质量参数进行预处理。

SMT生产过程中控制点为生产过程中的重要监视点，根据重要监视点的数据获取可使最终识别得到的控制图模式与实际生产过程更加匹配，提高控制图模式的真实性。控制点根据生产过程的实际监控需求进行设置，例如在生产过程的关键阶段工序后设置控制点。

由于直接获取的关键质量参数中可能存在人为因素或制造环境引起的干扰信息和无关信息，故需要对数据进行预处理，以得到更加纯净的数据信息。

数据预处理时可采用特征选择、标准化或正则化等方式，为了得到与原始数据匹配度更高的预处理后的数据，在一个实施例中，如图2所示，提供一种预处理方法包括：

步骤1.1：获取一组关键质量参数作为原始数据x，x＝(x₁,x₂,x₃,…,x_n)，n为原始数据x包含的数据个数，且n为奇数，计算原始数据x的均值x和标准差δ，如下：

当

时，则数据x_i为异常点，x_i为原始数据x中的第i个数据；

当数据x_i为异常点时，若数据x_i为正，则将数据x_i赋值为

若数据x_i为负，则将数据x_i赋值为

本实施例在预处理中针对异常点采用标准差进行替换，而不是直接去除异常点，该方法不仅可避免因数据异常而无法分解，同时保留原有的数据个数，保持数据的多样性以及全面性。进一步的采用标准差进行替换时，保留了原数据的正负特性，避免影响整组数据的变化趋势。

步骤1.2：若数据x_i缺失，即x_i＝0，或数据x_i缺少属性值，即x_i＝nlack，或数据x_i属性值不一致，即x_i＝nerror时，对数据x_i进行重新赋值，如下：

即数据x_i缺失或缺少属性值时，将均值赋值给该数据(均值填充)，若数据x_i属性值不一致时，则将原始数据的中位数赋值给该数据(中位数填充)，避免因数据缺失、缺少属性或属性值不一致而无法进行数据分解。

本实施例在对数据x_i进行重新赋值时，根据数据的表现不同而采取不同的赋值方式，降低修复后的数据对整组数据的影响，尽可能保持预处理后最终得到的数据仍能够较好的反映当前生产过程的情况。

需要说明的是，且若数据x_i缺失、缺少属性值或属性值不一致时，则在计算原始数据x的均值x和标准差δ时忽略该数据。并且本实施例中数据的属性值应理解为数据的表征的物理属性，比如焊膏印刷的刮刀压力大小、刮刀速度快慢、炉温和PCB表面温度高低等。数据属性值根据其物理意义来判断。

步骤2：对预处理后的关键质量参数进行小波分解，得到关键质量参数的高频信号和低频信号。

采用小波分解进行数据处理包括：

建立M级小波变换如下：

式中，x(n)包含计算得到的高频信号和低频信号，n为原始数据x包含的数据个数，w_aM和w_bm为小波系数，A_M(n)为Haar小波基函数，B_m(n)为Morlet小波基函数。

计算得到的高频信号和低频信号包含了SMT生产过程不同时间尺度的信息，低频信号可能包含了焊膏印刷的刮刀压力、刮刀速度、炉温和PCB表面温度等趋势和阶跃信号，这些信号会影响贴片质量，是变化较缓慢的物理量；而高频信号则可能包含了设备故障、工人操作失误、加工方法改变等突变的周期信号和噪声信号。

采用M级小波变换能够更好的分解SMT生成过程中不同时间尺度的信息，相当于将生成过程中的信息进行了第一次分类处理。

步骤3：将所述高频信号和低频信号输入至预训练好的多分类支持向量机中进行控制图模式的识别，同时根据高频信号和低频信号绘制控制图。

如图3所示，本实施例中涉及的控制图模式包括正常模式和异常模式，异常模式包括周期模式、阶跃模式和趋势模式，其中阶跃模式包括向上阶跃模式和向下阶跃模式，趋势模式包括上升趋势模式和下降趋势模式。

其中，周期模式的表现形式为在控制图上呈现周期性变化，产生该异常的原因一般为人或设备周期性轮转、调产或换线，设备电压波动等。

阶跃模式的表现形式为控制图上的点突然向上或向下偏移，产生该异常的原因一般为PCB设计出现镂空，感应不到，进板不畅等；或印刷速度下降即效率较低，品质不高，出现毛刺；或光学识别系统和整件姿态检测传感器出现异常；或操作员供熟练程度影响等。

趋势模式的表现形式为控制图上的点分布连续朝一个方向增大或减少，产生该异常的原因一般为程序设计参数设置异常；系统参数设置异常；贴片机吸嘴因周围环境或气源不纯净被污染堵塞而发黑，一方面是气源回路泄压，如橡胶气管老化、破裂，密封件老化、磨损以及吸嘴长时间使用后磨损等，另一方面是因胶粘剂或外部环境中的粉尘，导致无法吸料并出现抛料；供料异常，如取料位不对，料模有异物卡住并出现抛料等。

多分类支持向量机对控制图模式进行识别，将高频信号和低频信号分类为与控制图更加匹配的模式，相当于将生成过程中的信息进行了第二次分类处理，采用多次分类处理的方式不仅可提高最终的分类结果，还便于后续确定异常原因。

在对多分类支持向量机(OVRSVM)进行预训练时，可通过蒙特卡罗方法生成六种控制图模式的特征数据作为训练样本数据，依次把某一种特征数据归为一类，把剩余的特征数据归为另一类进行预训练。这种方式利用k种参数构造出了k个支持向量机(SVM)，分类时将未知质量参数样本分类为具有最大分类函数值的另一类。

需要指出的是，每次识别时获取的一组关键质量参数为一定时间内的数据，此处提及的一定时间一般采用一个生产周期(以产生一定量的数据并能给出相应智能决策为准，在SMT大数据生产中一般是24小时及以上)。

同时正常、周期、趋势、阶跃等模式也是在一定时间的变化形式，但是此处提及的一定时间一般是5-10分钟，根据实际生产需要实时调整，即一组关键质量参数能够得到多个小时间段内的变化形式。由于数据变化存在突变性，故在相应时间内产生的变化形式除了单独变化变化外，还有多种形式组合，比如周期+趋势，周期+阶跃，趋势+阶跃等。

步骤4：根据所述多分类支持向量机输出的控制图模式的识别结果，利用统计过程控制方法得到异常模式下对应的异常原因、以及预测下一阶段工序的控制图模式变化趋势。

由于异常模式下的周期模式、阶跃模式趋势模式分别对应有不同的表现形式以及产生该异常的原因，故在步骤3识别到异常模式后，步骤4中采用现有的统计过程控制方法进一步得到对应于不同类别的异常模式的异常原因，并且根据异常原因给出改进措施与建议，便于快速排除生成过程中的异常情况，提高质量管控。

在给出异常原因的同时会预测下一阶段工序的控制图变化趋势，便于提前掌控生产过程，从而提前做好相应的准备，防止突发事故。

进行控制图模式识别并在异常时报警或提前报警可提高生产过程异常情况处理的及时性和前瞻性。根据本实施例的SMT生产过程控制图模式识别方法的应用可得：15％的缺陷率为元件未对齐；10％的缺陷率为极性错误；5％的缺陷率为漏装、损坏或一般常见的缺陷。

并且上述缺陷存在的原因通常如下：针对元件未对齐的缺陷，通常是贴装机在操作中有偏移，导致给出的数据存在许多的不一致性，若对机器的贴装头和基准定位器进行精细调整，就可将元件未对齐缺陷率从15％降到3％。

针对极性错误的缺陷，通常90％极性错误率的不合格元件是杆式喂料器中或喂料盘上的集成电路，其中3％的集成电路其极性标志的方向装错。

针对漏装、损坏或一般常见的缺陷，发现细间距元件由于在运输中的包装不妥，导致元件损坏，为此，在将这些元件装到贴装机之前，必须进行检查。此外，没有为操作人员提供如何将这些集成电路安装到喂料盘上的说明文件，即使装到喂料盘上的所有元件都朝着一个方向，极性可能存在反向问题。如果在第一个元件上没有发现这种现象，在发现缺陷之后，整个一批已进入操作，使得每块板都得进行返修，所以对异常情况的及时判断和处理是很有必要的。

如图4所示，在应用了本实施例的SMT生产过程控制图模式识别方法后的SMT生成流程为：在确定关键工序节点和参数基础上，进行实验设计，进而优化工艺条件和相应工艺参数采集。根据过程受控状态分析判断，如果存在工艺不满足要求或者存在失控或失控倾向，重新回归实验设计，直到满足条件后方可进行下一道工序。

过程受控状态分析得到的分析结果即为本实施例的控制图模式识别得到的异常判断和预测下一阶段的变化趋势。从而严格把控每一道工序的质量，提升生成过程质量监控以及产品合格率。

本实施例的SMT生产过程控制图模式识别方法，首先采集SMT控制点关键质量参数，对原始的关键质量参数做预处理，根据数据出现缺失、缺少属性值或者属性值不一致采用不同的填充机制，处理人为因素和制造环境在原始数据中混杂的干扰“噪音”和无关信息；其次分别采用基于高通、低通滤波器的M级小波分解方法进行SMT质量特征数据分解，获取高频、低频两种信号，其包含了SMT生产过程不同时间尺度的信息；然后分别把高频、低频信号作为多分类支持向量机的输入进行周期、趋势和阶跃模式的识别；最后根据得到对应的类别进行SMT生产过程控制图模式识别。本方法有效的提高了SMT生产过程控制图识别精度与能力。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种SMT生产过程控制图模式识别方法，其特征在于，所述SMT生产过程控制图模式识别方法，包括：

步骤1：获取SMT生产过程中当前阶段工序的控制点的关键质量参数，对所述关键质量参数进行预处理；

步骤2：对预处理后的关键质量参数进行小波分解，得到关键质量参数的高频信号和低频信号；

步骤3：将所述高频信号和低频信号输入至预训练好的多分类支持向量机中进行控制图模式的识别，同时根据高频信号和低频信号绘制控制图，所述控制图模式包括正常模式和异常模式，所述异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式；

步骤4：根据所述多分类支持向量机输出的控制图模式的识别结果，利用统计过程控制方法得到异常模式下对应的异常原因、以及预测下一阶段工序的控制图模式变化趋势。

2.如权利要求1所述的SMT生产过程控制图模式识别方法，其特征在于，所述对关键质量参数进行预处理，包括：

步骤1.1：获取一组关键质量参数作为原始数据x，x＝(x₁,x₂,x₃,…,x_n)，n为原始数据x包含的数据个数，且n为奇数，计算原始数据x的均值

和标准差δ，如下：

当

时，则数据x_i为异常点，x_i为原始数据x中的第i个数据；

当数据x_i为异常点时，若数据x_i为正，则将数据x_i赋值为

若数据x_i为负，则将数据x_i赋值为

步骤1.2：若数据x_i缺失，即x_i＝0；或数据x_i缺少属性值，即x_i＝nlack；或数据x_i属性值不一致，即x_i＝nerror时，对数据x_i进行重新赋值，如下：

即数据x_i缺失或缺少属性值时，将均值赋值给该数据，若数据x_i属性值不一致时，则将原始数据的中位数赋值给该数据，且若数据x_i缺失、缺少属性值或属性值不一致时，则在计算原始数据x的均值和标准差δ时忽略该数据。

3.如权利要求1所述的SMT生产过程控制图模式识别方法，其特征在于，所述对预处理后的关键质量参数进行小波分解，得到高频信号和低频信号，包括：

建立M级小波变换如下：

式中，x(n)包含计算得到的高频信号和低频信号，n为原始数据x包含的数据个数，w_aM和w_bm为小波系数，A_M(n)为Haar小波基函数，B_m(n)为Morlet小波基函数。

Images