用于表面黏着技术制造工艺的生产质量诊断方法及系统
技术领域
本发明涉及一种应用于表面黏着技术制造工艺的生产质量诊断方法及系统,特别是涉及一种采用随机森林及决策树算法诊断表面黏着技术制造工艺的生产质量诊断方法及系统。
背景技术
表面黏着技术(Surface Mount Technology,SMT)制造工艺主要用于制造电路板组装(Printed Circuit Board Assembly,PCBA)。电路板在SMT制造工艺中依序用到的设备包括锡膏印刷机、锡膏检测设备、贴片机、回焊炉以及光学检测设备。
一般来说,在生产电路板的过程中,最终生产出的产品会经由光学检测设备(Automatic Optical Inspection,AOI)或者复判人员进行判定产品质量是否合格。当复判人员判断产品质量有缺陷时,需要回溯该缺陷主要是由SMT制造工艺中的哪一工站的设备所造成。然而,以现有技术来说,不容易直接判断缺陷的产生是前面哪一站的机台所造成,仅能仰赖设备工程师的经验来决定是否要调整设备机台或者检修。种种不确定因素将会浪费反复测试的时间与不必要的试做产品的浪费,并且会增加大量的资深设备工程师的人力需求。
因此,如何运用算法模型针对SMT制造工艺建立一生产质量诊断方法及系统,使产线人员能够通过该生产质量诊断方法及系统快速判断出造成产品缺陷的机台设备,是目前业界急需改善的问题。
发明内容
本发明所要解决的技术问题在于,针对现有技术的不足提供一种用于表面黏着技术(Surface Mount Technology,SMT)制造工艺的生产质量诊断方法,其包括:配置网页服务器处从SMT生产在线的多个工站取得对应于多个产品的多笔生产数据并进行存储;配置网页服务器对多笔生产数据进行预处理,以产生多笔预处理生产数据并存储于数据库服务器;以及配置运算服务器获取存储于数据库服务器中的多笔预处理生产数据,并执行缺陷诊断程序。缺陷诊断程序包括:将多笔预处理生产数据与多个诊断规则进行比对,以判断是否符合多个诊断规则,其中,多个诊断规则分别对应于多个权重,且多个诊断规则各自与多个工站的至少其中之一相关联;以及将对应于多个诊断规则中判断为符合者的多个权重取出,并依据多个诊断规则相关联的至少一工站,分别计算相关联的至少一工站造成该缺陷产品的几率,其中多个诊断规则是从经训练的随机森林模型中的多个决策树模型获取而得。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,进一步包括将各所述工站造成产品缺陷的几率存储于所述网页服务器,并且通过所述网页服务器的一应用程序接口显示出来。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,多个所述工站包括锡膏印刷机、锡膏检测设备、打件机、回焊炉以及光学检测设备。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,所述生产数据包括所述工站的生产参数、机台异常信息、检测结果以及人工复判结果。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,进一步包括建立所述随机森林模型,其包括下列步骤:取得多笔历史生产数据;随机挑选多笔所述历史生产数据中的一部分作为训练集,所述训练集具有多个特征单元,并且计算出各所述特征单元的熵值;通过所述特征单元的熵值计算出各所述特征单元的信息增益值,并且经由比对各所述特征单元的信息增益值选出一根节点与多个子节点;依据所述根节点与多个所述子节点产生所述决策树模型的其中之一;以及产生多个所述决策树模型,以组成所述随机森林模型。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,所述建立所述随机森林模型的步骤中,进一步包括下列步骤:将多笔所述历史生产数据以随机方式输入至所述随机森林模型进行训练,并在所述训练过程中计算出一召回率与一准确率,并分别判断所述召回率与所述准确率是否在一召回率预定范围与一准确率预定范围内以作为训练完成的条件;从所述训练完成的所述随机森林模型获取出多个所述诊断规则,其中,各所述诊断规则分别对应于一权重,且各所述诊断规则包括在多个所述工站造成的多个所述异常情况,各所述诊断规则会将所述权重平均分配给所述各个所述异常情况;以及将对应于多个所述异常情况中判断为符合者的多个所述权重取出,并依据多个所述异常情况相关联的至少一所述工站,将至少一所述工站的多个所述异常情况的多个所述权重相加并进行归一化,以得到所述缺陷产品的几率。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,所述建立所述随机森林模型的步骤中,进一步包括下列步骤:由多个所述决策树模型中的多个所述子节点获取出通过各所述子节点判断后的所述缺陷产品的数量;以及依据通过所述子节点的所述缺陷产品数量与所述缺陷产品的总数及所述产品总数的比例计算出各所述权重。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断方法,作为所述随机森林模型训练完成条件的所述召回率预定范围为所述召回率大于0.7,且所述准确率预定范围为所述准确率大于0.5。
为了解决上述的技术问题,本发明所采用的其中一技术方案是提供一种用于表面黏着技术(Surface Mount Technology,SMT)制造工艺的生产质量诊断系统,其包括:SMT生产线,具有多个工站;网页服务器,用以从SMT生产在线的多个工站取得对应于多个产品的多笔生产数据,并且对多笔生产数据进行预处理,以产生多笔预处理生产数据;数据库服务器,用以存储多笔预处理生产数据;以及运算服务器,获取存储于数据库服务器中的多笔预处理生产数据,并执行缺陷诊断程序。缺陷诊断程序包括:将多笔预处理生产数据与多个诊断规则进行比对,以判断是否符合多个诊断规则,其中,多个诊断规则分别对应于多个权重,且多个诊断规则各自与多个工站的至少其中之一相关联;以及将对应于多个诊断规则中判断为符合者的多个权重取出,并依据多个诊断规则相关联的至少一工站,分别计算相关联的至少一工站造成缺陷产品的几率,其中多个诊断规则是从经训练的随机森林模型中的多个决策树模型获取而得。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,所述网页服务器还用以存储各所述工站造成产品缺陷的几率,并且所述网页服务器包括一应用程序接口,用以显示各所述工站造成产品缺陷的几率。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,所述工站包括锡膏印刷机、锡膏检测设备、打件机、回焊炉以及光学检测设备。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,所述生产数据包括所述工站的生产参数、机台异常信息、检测结果以及人工复判结果。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,所述运算服务器进一步建立所述随机森林模型,其包括下列步骤:取得多笔历史生产数据;随机挑选多笔所述历史生产数据中的一部分作为训练集,所述训练集具有多个特征单元,并且计算出各所述特征单元的熵值;通过所述特征单元的熵值计算出各所述特征单元的信息增益值,并且经由比对各所述特征单元的信息增益值选出一根节点与多个子节点依据所述根节点与多个所述子节点产生所述决策树模型的其中之一;以及产生多个所述决策树模型,以组成所述随机森林模型。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,所述运算服务器进一步建立所述随机森林模型,进一步包括下列步骤:将多笔所述历史生产数据以随机方式输入至所述随机森林模型进行训练,并在所述训练过程中计算出一召回率与一准确率,并分别判断所述召回率与所述准确率是否在一召回率预定范围与一准确率预定范围内以作为训练完成的条件;从所述训练完成的所述随机森林模型获取出多个所述诊断规则,其中,各所述诊断规则分别对应于一权重,且各所述诊断规则包括在多个所述工站造成的多个所述异常情况,各所述诊断规则会将所述权重平均分配给所述各个所述异常情况;以及将对应于多个所述异常情况中判断为符合者的多个所述权重取出,并依据多个所述异常情况相关联的至少一所述工站,将至少一所述工站的多个所述异常情况的多个所述权重相加并进行归一化,以得到所述缺陷产品的几率。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,所述运算服务器进一步建立所述随机森林模型,进一步包括下列步骤:由多个所述决策树模型中的多个所述子节点获取出通过各所述子节点判断后的所述缺陷产品的数量;以及依据通过所述子节点的所述缺陷产品数量与所述缺陷产品的总数及所述产品总数的比例计算出各所述权重。
优选地,本发明提供的用于SMT制造工艺的生产质量诊断系统,作为所述随机森林模型训练完成条件的所述召回率预定范围为所述召回率大于0.7,且所述准确率预定范围为所述准确率大于0.5。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明实施例的用于SMT制造工艺的生产质量诊断系统的示意图。
图2为本发明实施例的用于SMT制造工艺的生产质量诊断方法的步骤S1~S3的流程图。
图3为本发明实施例的用于SMT制造工艺的生产质量诊断方法的步骤S31~S32的流程图。
图4为本发明实施例的用于SMT制造工艺的生产质量诊断方法的步骤M1~M7的流程图。
图5为本发明实施例的用于SMT制造工艺的生产质量诊断方法的决策树模型的示意图。
图6为本发明实施例的用于SMT制造工艺的生产质量诊断方法的随机森林模型的示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明所公开有关“用于SMT制造工艺的生产质量诊断方法”以及“用于SMT制造工艺的生产质量诊断系统”的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不背离本发明的构思下进行各种修改与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。另外,应当可以理解的是,虽然本文中可能会使用到“第一”、“第二”、“第三”等术语来描述各种组件,但这些组件不应受这些术语的限制。这些术语主要是用以区分一组件与另一组件。另外,本文中所使用的术语“或”,应视实际情况可能包括相关联的列出项目中的任一个或者多个的组合。另外,本文中所使用的术语“或”,应视实际情况可能包括相关联的列出项目中的任一个或者多个的组合。
[实施例]
参阅图1,图1为本发明的用于表面黏着技术(Surface Mount Technology,SMT)制造工艺的生产质量诊断系统的示意图。如图1所示,本发明第一实施例提供一种用于SMT制造工艺的生产质量诊断系统,包括SMT生产线1、网页服务器2、数据库服务器3以及运算服务器4。SMT生产线1中会包含多个工站,每个工站都具有对应的制造设备。SMT生产线1主要包含了SMT制造工艺中的各工站所用到的设备,例如锡膏印刷机(Solder paste printer)11、锡膏检测设备(Solder Paste Inspector,SPI)12、打件机(Mounter)13、回焊炉(ReflowOven)14以及光学检测设备(Auto Optical Inspection,AOI)15。然而,本发明不以上述所举的例子为限。
网页服务器2用以从SMT生产线1上的多个工站取得对应于多个产品的多笔生产数据A0,并且对多笔生产数据A0进行预处理,以产生多笔预处理生产数据A1。数据库服务器3用以存储多笔预处理生产数据A1。接着,运算服务器4获取数据库服务器3中的多笔预处理生产数据A1,并执行缺陷诊断程序S3,以计算出各工站造成产品缺陷的几率。关于缺陷诊断程序S3的详细流程在之后会详加叙述。另外,网页服务器2会将各工站造成产品缺陷的几率存储起来,且网页服务器2包括应用程序接口21,可将各工站造成产品缺陷的几率以各种形式显示出来让用户知悉。需说明的是,应用程序接口21除了可显示出各工站造成产品缺陷的几率,也可以显示出依据各工站造成产品缺陷的几率得到的诊断结果,例如各工站对应的机台设备产生异常信息的比例,以及单日缺陷产品的报表统计,但本发明不以此为限。
需说明的是,上述提到的预处理的方式是指将产品在各工站生产过程中所产生的生产参数、机台异常信息与由光学检测设备15取得确定的产品检测结果进行串接整合以得到预处理生产数据A1。
在本发明中,生产数据A0包括各工站所对应的制造设备在生产过程中产生的生产参数以及机台异常信息。或者,生产数据A0也包括经由各工站产出产品之后,在检测设备(锡膏检测设备12及光学检测设备15)的检测结果以及人工复判结果。
具体来说,本发明的用于SMT制造工艺的生产质量诊断方法,具体可适用于前述实施例提到的用于SMT制造工艺的生产质量诊断系统,但本发明不限于此。可进一步参照图2,其为本发明的用于SMT制造工艺的生产质量诊断方法的步骤S1~S3的流程图。如图2所示,用于SMT制造工艺的生产质量诊断方法包括以下步骤:
步骤S1:配置网页服务器2从SMT生产线1上的多个工站取得对应于多个产品的多笔生产数据A0并进行存储。
步骤S2:配置网页服务器2对多笔生产数据A0进行预处理,以产生多笔预处理生产数据A1并存储于数据库服务器3。
步骤S3:配置运算服务器4获取存储于数据库服务器3中的多笔预处理生产数据A1,并执行缺陷诊断程序。
可进一步参考图3,图3为本发明的用于SMT制造工艺的生产质量诊断方法的步骤S31~S32的流程图。其中,在步骤S3中提及的缺陷诊断程序,其流程如图3所示,可包括:
步骤S31:将多笔预处理生产数据A1与多个诊断规则进行比对,以判断是否符合多个诊断规则,其中,多个诊断规则分别对应于多个权重,且多个诊断规则各自与多个工站的至少其中之一相关联。
步骤S32:将对应于多个诊断规则中判断为符合者的多个权重取出,并依据多个诊断规则相关联的至少一工站,分别计算相关联的至少一工站造成缺陷产品的几率,其中多个诊断规则是从经训练的随机森林模型中的多个决策树模型获取而得。
以下针对步骤S32中的随机森林模型进一步详细说明。请参考图4,其为本发明的用于SMT制造工艺的生产质量诊断方法的步骤M1~M7的流程图。在步骤S32中的随机森林模型,可通过如图4所示的下列步骤来建立模型,包括:
步骤M1:取得多笔历史生产数据,随机挑选多笔历史生产数据中的一部分作为训练集,训练集具有多个特征单元,并且计算出各特征单元的熵值。历史生产数据与生产数据A0都是由各工站所对应的制造设备在生产过程中产生的生产参数以及机台异常信息,或是经由各工站产出产品之后,在检测设备(锡膏检测设备及光学检测设备)的检测结果以及人工复判结果。若将训练集视为母集合,则特征单元指的是训练集中依据生产参数、机台异常信息、设备检测结果或是人工复判结果的其中之一所分割(或者说分类)出的子集合。训练集的熵值(E0)与特征单元C的熵值(E)依据以下式(1)至式(3)获得:
E0=-p(NG)log2 p(NG)-p(Pass)log2 p(Pass).......式(1);
HT/F=-p(NG)log2 p(NG)-p(Pass)log2 p(Pass)...式(2);
E=p(T)×HT+p(F)×HF............................................式(3);
其中,式(1)至式(3)中,p(X)是表示在X状态下的几率,HT/F可表示HT或是HF(两者计算式相同)。举例来说,若特征单元是依据其中一机台异常信息进行分类,那么HT表示符合该机台异常信息的特征单元(子集合)的熵值,HF表示不符合该机台异常信息的特征单元(子集合)的熵值。
步骤M2:通过训练集与特征单元的熵值计算出各特征单元的信息增益值(Information Gain),并且经由比对各特征单元的信息增益值选出一根节点与多个子节点,并且依据根节点与多个子节点产生决策树模型的其中之一。各特征单元的信息增益值G(Information Gain)依据下式(4)获得:
G=E0-E......................................................式(4);
熵值(Entropy)的意义为数据的不确定性,信息增益值(Information Gain)的意义为依据所选取的特征单元属性进行分割(分类)的获利。信息增益值愈大,表示各特征单元(子集合)内的数据不确定性愈小,用来分类数据会愈佳,愈适合做为训练集的分割节点。因此,根据所计算出的各特征单元的信息增益值依序选出一根节点以及多个子节点,再依据根节点与多个子节点产生决策树模型。
参阅图5所示,图5为本发明的用于SMT制造工艺的生产质量诊断方法的决策树模型的示意图。将训练集通过根节点T0分类成符合(True)者的子集合与不符合(False)者的子集合,符合者即为特征单元1,不符合者即为特征单元2。接着,再通过子节点T1将特征单元2继续分类成符合(True)者的子集合与不符合(False)者的子集合,符合者即为特征单元2-1,不符合者即为特征单元2-2,而每个特征单元其所内含的历史生产数据都是各工站在制造产品的过程中产生,因此特征单元所内含的历史生产数据皆会有对应的良好产品数量(判断为PASS的数目)与缺陷产品数量(即判断为NG的数目)。举例来说,若是历史生产数据报含了打件机辨识错误超过3次的情况,那么所生产出的产品必定会有对应这情况的良好产品数量(打件机辨识错误不到3次,判断为PASS)与缺陷产品数量(打件机辨识错误超过3次,判断为NG)。
步骤M3:依照步骤M1与M2建立出多个决策树模型,以组成一随机森林模型。举例来说,在本发明中所产生的随机森林模型包括10个决策树模型,但本发明不以此为限。
步骤M4:将多笔历史生产数据以随机方式输入至随机森林模型中进行训练,并在训练过程中计算出一召回率(True Positive Rate,TPR)与一准确率(Accuracy)。
步骤M5:随机森林模型训练完成的条件,是根据每回合计算出来召回率与准确率决定。因此,通过分别判断每回合所计算出的召回率与准确率是否在召回率预定范围与准确率预定范围内以作为训练完成的条件。召回率与准确率的计算公式是依照混淆矩阵(Confusion Matrix)计算而得,如下式(5)及式(6)所示,其为对应的计算公式:
TPR=TP(TP+FP)…………………………………………式(5);
TPR:True Positive Rate:召回率(或称真阳率),所有判断为阳性的样本数(即历史生产数据)当中,真正为阳性的样本数比率。
Accuracy=(TP+TN)/(TP+TN+FN+FP)…………………式(6);
Accuracy:准确率:预测结果为正确的样本数比率。
混淆矩阵(Confusion Matrix)如下表所示:
|
Predict Positive(预测正) |
Predict Negative(预测负) |
Actual Positive(真实正) |
TP |
FN |
Actual Negative(真实负) |
FP |
TN |
TP(True Positive):真实与预测相符同为正(真阳性)。
TN(True Negative):真实与预测同为负(真阴性)。
FP(False Positive):真实为负,预测误判为正(伪阳性)。
FN(False Negative):真实为正,预测误判为负(伪阴性)。
另外,在本发明中,作为随机森林模型训练完成条件的召回率预定范围为大于0.7,即TPR>0.7;而准确率预定范围为准确率大于0.5,即Accuracy>0.5。若在训练过程中计算得到的召回率大于0.7且准确率大于0.5,则判断随机森林模型的训练完成,否则将回到步骤M4继续输入历史生产数据进行训练。
步骤M6:当随机森林模型已训练完成,其中的多个决策树模型中的各个决策树模型从最初的根节点到最末的子节点的分割(分类)路径即为诊断规则。换言之,从训练完成的随机森林模型中可获取出多个诊断规则。在多个诊断规则中,若将历史生产数据经由诊断规则诊断后,在诊断规则最末端的子节点(称为leaf)的历史生产数据判断为NG的数目大于判断为PASS的数目,那么此诊断规则即为用来判断产品是否NG的诊断规则,将其保留。
需说明的是,由于各个诊断规则包括了多个节点(根节点与子节点),即表示各诊断规则包括在多个工站造成的多个异常情况。各诊断规则分别对应于一权重(Weight),各诊断规则会将其对应的权重平均分配给各个异常情况。
关于各诊断规则所对应的权重的计算方法,是先由诊断规则中的多个子节点获取出通过各子节点判断后的缺陷产品的数量,再依据缺陷产品数量与缺陷产品总数以及产品总数的比例计算出各权重并且加以存储。权重(Weight)的计算方式如下式(7)、式(8)及式(9)所示:
Weight=2/(1/p1+1/P2)………………………………式(7);
p1=(在leaf的NG数量)/(NG总数)…………………………式(8);
p2=(在leaf的NG数量)/(leaf中NG+Pass总数)…………式(9);
步骤M7:参阅图6所示,图6为本发明的用于SMT制造工艺的生产质量诊断方法的随机森林模型的示意图。随机森林模型包含多个决策树模型,每个决策树模型都是经过一训练集的训练并建立而成。在本发明中,随机森林模型包含10个决策树模型。运用上述已训练完成的随机森林模型进行分析。先从SMT生产线1上的多个工站取得对应于多个产品的多笔生产数据A0,并且对多笔生产数据A0进行预处理,以产生多笔预处理生产数据A1。将多笔预处理生产数据A1通过已训练完成的随机森林模型分析,即将多笔预处理生产数据A1以随机方式丢入任一个由其中一训练集训练完成的决策树模型进行分类。多笔预处理生产数据A1经过各诊断规则的筛检,筛选出对应于多个异常情况中判断为符合者(即出现NG)。接着,将对应于多个异常情况中判断为符合者(即出现NG)的多个权重取出,并依据多个异常情况相关联的至少一工站,将至少一工站的多个异常情况的多个权重相加并进行归一化,以得到缺陷产品的几率。
举例来说,将本发明的预处理生产数据A1经由上述随机森林模型的分析流程获得的诊断规则如下表所列:
在符合状态(Match)一栏中为True的项目即为上述所说的符合者(即出现NG)。例如,如果多笔预处理生产数据A1里有出现“NG”的产品,并且在多个打件机13中的第一打件机在打件时出现组件辨识错误3次(即上表的mount1_stage1__event_recog_error=3),符合诊断规则的condition里面大于或等于0.5的条件,即辨识为“True”。将判断为符合者(即出现NG)的多个权重取出,并且依据相同工站(机台)将权重相加,并且进行归一化,即得到各工站造成缺陷的几率。举例来说,最后经由归一化获得的结果可如下表所列:
由上表可知,第一打件机(mount1)造成缺陷产品的几率最高。
本发明的其中一有益效果在于,本发明所提供的用于表面黏着技术(SurfaceMount Technology,SMT)制造工艺的生产质量诊断方法及系统,其能通过网页服务器2、数据库服务器3以及运算服务器4的建置,对SMT生产线1进行有效率的缺陷诊断分析。由于在运算服务器4中建立且训练而成的随机森林模型,能够让之后在SMT生产线1上产生的生产数据通过随机森林模型计算出各工站造成产品缺陷的几率。接着,再通过网页服务器2直接提供给产线工程师缺陷肇因发生在特定站别的几率、机台产出异常信息比例以及缺陷报表统计等相关诊断结果。产线工程师可通过这些诊断结果,直接针对产生缺陷的工站所对应的机台设备进行检修,节省以往需要逐一检查各站的时间成本以及维修各站的零件更换成本。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的权利要求书的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的权利要求书的保护范围内。