CN112464553A - 一种微波介质板可加工性诊断专家系统 - Google Patents
一种微波介质板可加工性诊断专家系统 Download PDFInfo
- Publication number
- CN112464553A CN112464553A CN202011204920.7A CN202011204920A CN112464553A CN 112464553 A CN112464553 A CN 112464553A CN 202011204920 A CN202011204920 A CN 202011204920A CN 112464553 A CN112464553 A CN 112464553A
- Authority
- CN
- China
- Prior art keywords
- module
- microwave dielectric
- machinability
- processing
- parameter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种微波介质板可加工性诊断专家系统,属于微波介质板可加工性评价技术领域,包括登陆模块、微波介质板材料管理模块、加工设备工具管理模块、加工参数数据库模块、可加工性判定模块、工艺参数优化模块、参数确认模块和工艺效果评价模块八个模块组成。本发明针对新型微波介质板提供一种可加工性诊断方法,为各微带板加工厂商提供科学、有效的加工工艺方法和参数,解决了现有可加工性诊断缺乏理论依据、工艺参数缺乏优化方向、未考虑不同设备对同一对象加工难易度的差别、由于参数选择不当在加工过程中出现成品率低、生产效率低、加工成本增高等问题;训练误差可小于8%,使加工合格率提升20%以上。
Description
技术领域
本发明涉及微波介质板可加工性评价技术领域,具体涉及一种微波介质板可加工性诊断专家系统。
背景技术
微波介质板是加工微波电路板的基体材料,不仅是微波元器件的载体,而且是实现组件内部互连和电讯功能的电气互连媒介,是组件的核心组成部分。随着国内自处可控微波介质板的陆续问世,微带板加工厂商面临着越来越多对新微波介质板材料的可加工性诊断问题。
由于大部分厂商缺乏从介质板材料组成、成型与加工工艺间的综合关联认识,只能根据材料产品说明书中提供的性能,结合已有国外产品的基础加工数据,定性得到“可加工”或“不可加工”两种极限情况的评价,而对加工参数的区别无法定量评价。因此容易在加工过程中出现成品率低、生产效率低、加工成本增高的问题。
此外,由于微波介质板的性能测试方法尚未统一,可能导致其加工中涉及的参数与产品说明中的指标有一定差异,加工出的产品无法满足使用要求。因缺乏可加工性指导方法和参数优化的具体方向,在资源有限的情况下,只能得到“不可加工”结论。
上述两种情况大量发生,一方面限制了部分国内微波介质板的推广使用,一方面使部分国内微波介质板的生产过程缺乏稳定性和可持续性。
因此,亟需建立一种针对新型国内微波介质板的可加工性诊断方法,为各微带板加工厂商提供科学、有效的加工工艺方法和参数。
专家系统一种模拟人类专家解决领域问题的计算机程序系统,运用特定领域的专门知识,通过推理来模拟通常由人类专家才能解决的各种复杂的、具体的问题,并有学习功能即能自动增长解决问题所需的知识。通过诊断型专家系统的知识库、推论器,通过反复迭代学习,可提供科学、有效的定性和定量的可加工性诊断。该类型的专家系统已成功应用于压力机故障诊断、干熄炉内衬耐火材料损坏情况诊断和维修等领域,但在微波介质板加工领域尚属空白。因此,提出一种微波介质板可加工性诊断专家系统。
发明内容
本发明所要解决的技术问题在于:如何解决现有微波介质板可加工性诊断缺乏理论依据、工艺参数缺乏优化方向等问题,提供了一种微波介质板可加工性诊断专家系统。
本发明是通过以下技术方案解决上述技术问题的,本发明包括微波介质板材料管理模块、加工设备工具管理模块、加工参数数据库模块、可加工性判定模块、工艺参数优化模块、参数确认模块、工艺效果评价模块;
所述微波介质板材料管理模块,用于提供微波介质板材的各类性能参数数据库;
所述加工设备工具管理模块,用于提供不同种类的加工设备工具选择;
所述加工参数数据库模块,用于提供与加工设备工具对的各种加工工艺参数数据库;
所述可加工性判定模块,用于通过用户选择的新型微波介质板材的性能、设备工具,结合所述加工参数数据库模块的可加工范围,通过BP神经网络预测新型微波介质板材是否可加工;
所述工艺参数优化模块,用于对已通过可加工性判断的微波介质板,在所述微波介质板材料管理模块和所述加工设备工具管理模块相关参数给定的前提下,通过BP神经网络预测各工序的初始参数;
所述参数确认模块,用于确认采用专家系统提供的工艺参数或针对具体参数进行人工修改的工艺参数,确认后以用户选择的数据格式,输出工艺参数;
所述工艺效果评价模块,用于根据所述微波介质板材料管理模块和所述参数确认模块的输入数据,通过BP神经网络预测各工序的实施效果;
所述加工设备工具管理模块与所述加工参数数据库模块连接,所述微波介质板材料管理模块、所述加工参数数据库模块并行设置分别与所述可加工性判定模块连接,所述可加工性判定模块、所述工艺参数优化模块、所述参数确认模块、所述工艺效果评价模块依次连接。
更进一步地,所述微波介质板可加工性诊断专家系统还包括登陆模块,所述登陆模块用于进行提供新用户的注册;并为用户登陆到专家系统提供操作权限;以及对专家系统中的用户进行管理,所述登陆模块分别与所述微波介质板材料管理模块、所述加工设备工具管理模块连接。
更进一步地,所述微波介质板材料管理模块包括六个数据库,分别为尺寸选择数据库、测试方法数据库、外观性能数据库、电性能数据库、物理化学性能数据库以及热性能数据库。
更进一步地,所述加工设备工具管理模块包括六个子模块,分别为机械加工线体选择模块、孔化电镀线体选择模块、图形制作线体选择模块、层压线体选择模块、表面涂镀线体选择模块以及三防和字符线体选择模块。
更进一步地,所述加工参数数据库模块包括六个数据库,分别为机械加工工艺参数数据库、孔化电镀工艺参数数据库、图形制作工艺参数数据库、层压工艺参数数据库、表面涂镀工艺参数数据库以及三防和字符工艺参数数据库。
更进一步地,所述工艺效果评价模块包括九个预测模块,分别为外型质量预测模块、钻孔质量预测模块、图形及线条质量预测模块、层间质量预测模块、侧边金属化质量预测模块、盲槽质量预测模块、表面涂镀质量预测模块、三防及字符质量预测模块、可靠性预测模块。
更进一步地,所述工艺效果评价模块还包括反馈学习模块,所述反馈学习模块用于根据所述参数确认模块输出的工艺参数,反馈加工后的性能,使专家系统进行自我学习和修正,并将修正后的数据自动加入加工参数数据库模块。
更进一步地,所述可加工性判定模块,根据设定的诊断规则,按推理和冲突消解策略对可加工性进行推理,得出可加工或不可加工的结论。
更进一步地,所述诊断规则为通过BP神经网络建立预测模型,将微波介质板材料管理模块的全部因素作为BP神经网络模型的输入数据,将加工参数数据库模块的全部因素作为BP神经网络模型的输出数据,采用三层BP神经网络下多输入单输出的映射模式,将加工参数数据库模块的每个因素设置为单个输出层节点数,其中,BP神经网络的隐含层的激励函数采用S型函数Sigmoid,输出层采用线性激励函数Pureline。
更进一步地,在所述工艺效果评价模块中,每个预测模块提供了一定数据量随机选取的训练样本,选择需要预测的性能效果参量,选择BP神经网络的隐含层和输出层激励函数以及自适应学习速率的自适应函数,设定BP神经网络的训练精度、训练次数、学习速率、动量因子,显示出BP神经网络的训练误差,对各工序的实施效果进行预测。
本发明相比现有技术具有以下优点:
第一,本发明中的微波介质板可加工性诊断专家系统,能够对已知性能的新型微波介质板提供可加工性诊断依据,为大量新型微波介质板的应用提供技术支持,解决了微带板加工厂商无法提供可加工性有效依据的问题。
第二,本发明中的微波介质板可加工性诊断专家系统,通过真实数据库和BP神经网络模型计算,获得能否加工的结论,对判定不可加工的微波介质板,有效节约了后续验证成本和验证时间;同时能够根据新型微波介质板的性能自动提供工艺加工参数,在多次自主学习和迭代后,训练误差可小于8%,提高了新材料的验证效率,节约了验证成本和验证时间。
第三,本发明中的微波介质板可加工性诊断专家系统,通过加工设备工具管理模块可根据每台设备的特性针对性的提供加工参数建议,解决了传统工艺参数未考虑不同设备对同一对象加工难易度的问题,使加工合格率提升20%以上。
附图说明
图1是本发明实施例二中微波介质板可加工性诊断专家系统的操作流程示意图;
图2是本发明实施例二中微波介质板可加工性诊断专家系统的推理机流程示意图;
图3是本发明实施例二中微波介质板材料管理模块示意图;
图4是本发明实施例二中加工设备工具管理模块操作示意图;
图5是本发明实施例二中钻头转速预测BP神经网络模型示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
本实施例提供一种技术方案:一种微波介质板可加工性诊断专家系统,包括:
(1)登陆模块:提供新用户的注册、并为用户登陆到专家系统提供操作权限、以及对系统中的用户进行管理等功能。
(2)微波介质板材料管理模块:主要包括微波介质板材的尺寸选择数据库、测试方法数据库、外观性能数据库、电性能数据库、物理化学性能数据库以及热性能数据库六个子模块,一般用户和管理员均可向这六个数据库中添加、删除和修改数据等操作,该数据库中的数据主要提供给可加工性判定模块和工艺参数优化模块调用。
(3)加工设备工具管理模块:主要包括机械加工线体选择、孔化电镀线体选择、图形制作线体选择、层压线体选择、表面涂镀线体选择以及三防和字符线体选择六个子模块,管理员可向这六个加工设备工具数据库中添加、删除和修改数据等操作,一般用户只有选择调用权限,加工设备工具数据库中的数据主要提供给加工参数数据库模块调用。
(4)加工参数数据库模块:主要包括机械加工工艺参数数据库、孔化电镀工艺参数数据库、图形制作工艺参数数据库、层压工艺参数数据库、表面涂镀工艺参数数据库以及三防和字符工艺参数数据库六个子模块,一般用户和管理员均可向这六个工艺参数数据库中添加、删除和修改数据等操作,工艺参数数据库中的数据结合微波介质板材料管理模块的数据,一并提供给可加工性判定模块和工艺参数优化模块调用。
(5)可加工性判定模块:通过用户选择的新型微波介质板材的性能、设备工具,结合加工参数数据库模块的可加工范围,通过BP神经网络预测新型微波介质板材是否可加工。
(6)工艺参数优化模块:对通过可加工性判断的微波介质板材,在微波介质板材料管理模块和加工设备工具管理模块相关参数给定的前提下,通过BP神经网络预测各工序的初始参数。
(7)参数确认模块:默认为确认采用专家系统提供的工艺参数,修改为针对具体参数进行人工修改。确认后专家系统以用户选择的数据格式,输出工艺参数。
(8)工艺效果评价模块:主要包括外型质量预测、钻孔质量预测、图形及线条质量预测、层间质量预测、侧边金属化质量预测、盲槽质量预测、表面涂镀质量预测、三防及字符质量预测、可靠性预测以及反馈学习十个子模块,前九个模块根据微波介质板材料管理模块和参数确认模块的输入数据,通过BP神经网络预测各工序的实施效果。第十个模块为用户根据所述参数确认模块输出的工艺参数,反馈加工后的性能,专家系统进行自我学习和修正,并将修正后的数据自动加入加工参数数据库模块。
在所述登陆模块中,采用C/S模式,设置一个系统数据库和多个客户端。
在所述微波介质板材料管理模块中,分别与加工参数数据库模块、可加工性判定模块、工艺参数优化模块相连,它包含所要解决问题领域中的事实。
在所述微波介质板材料管理模块中,微波介质板材的尺寸选择数据库包含介质板的长宽尺寸(mm)及其公差、厚度(mm)及其公差、不垂直度、尺寸稳定性、拼板模式等数据。
在所述微波介质板材料管理模块中,微波介质板材的测试方法数据库包含IPC-TM-650、GB/T36476-2018、GB/T4722-2017、GJB2142A-2011、GJB1651-1993、QJ1888A-2006等测试标准及其细则标准。
在所述微波介质板材料管理模块中,微波介质板材的外观性能数据库包括凹坑和压痕、皱折、开裂、划痕、铜箔和介质层的颜色等,以及上述性能的可接收、不可接收图片信息等数据。
在所述微波介质板材料管理模块中,微波介质板材的电性能数据库包括相对介电常数和损耗因子、介电常数温度系数、电气强度、体积电阻率和表面电阻率等数据。
在所述微波介质板材料管理模块中,微波介质板材的物理化学性能数据库包括抗剥强度、可焊性、吸水率、密度、硬度、拉伸模量、压缩模量、阻燃性等数据。
在所述微波介质板材料管理模块中,微波介质板材的热性能数据库包括热膨胀系数、热分解温度、导热系数等数据。
在所述加工设备工具管理模块中,是加工参数数据库模块的前期输入条件,只有选定加工设备,才能在加工参数数据库模块中授权获得对应加工参数。
在所述加工设备工具管理模块中,机械加工线体选择主要包括数控钻床型号、数控铣床型号、激光钻孔机型号、X-RAY钻靶机型号、上销钉机型号、打磨机型号、铣刀型号、钻头型号、垫板型号等数据。
在所述加工设备工具管理模块中,孔化电镀线体选择主要包括等离子改性机型号、孔金属化自动生产线型号、电镀线型号、酸洗线型号等数据。
在所述加工设备工具管理模块中,图形制作线体选择主要包括碱性蚀刻机型号、酸性蚀刻机型号、退铅锡机型号、去膜机型号、曝光机型号、丝印机型号、显影机型号、晒版机型号等数据。
在所述加工设备工具管理模块中,层压线体选择主要包括高温真空压机型号、四槽冲孔机型号、半固化片冲孔机型号、半固化片剪切机型号、热熔机型号等数据。
在所述加工设备工具管理模块中,表面涂镀线体选择主要包括电镀线型号。
在所述加工设备工具管理模块中,三防和字符线体选择主要包括自动喷墨机型号、恒温鼓风烘箱型号等数据。
所述加工参数数据库模块,分别与微波介质板材料管理模块、可加工性判定模块、工艺参数优化模块相连,它同样包含所要解决问题领域中的事实。
在所述加工参数数据库模块中,机械加工工艺参数数据库主要包括铣刀刀径(mm)、铣刀转速(krpm)、铣刀走刀速度(mm/min)、铣刀下刀速度(mm/min)、铣刀回刀速度(mm/s)、钻头刀径(mm)、钻头转速(krpm)、钻头进刀速(mm/min)、钻头退刀速(mm/min)等数据。
在所述加工参数数据库模块中,孔化电镀工艺参数数据库主要包括电镀液牌号、氢氧化钠浓度、膨松剂牌号、膨松剂浓度、水洗时间、酸性凹蚀剂浓度、中和剂浓度、调整剂浓度、清洁剂浓度、微蚀剂浓度、预浸时间、孔化时间、电镀时间、电镀次数、超声波振动功率、烘干时间等数据。
在所述加工参数数据库模块中,图形制作工艺参数数据库主要包括去油剂浓度、水洗时间、微蚀剂浓度、酸洗时间、电镀时间、干膜牌号、湿膜牌号、贴膜速录、烘板温度、曝光功率、曝光时间、显影剂牌号、显影剂浓度、电流大小、烘干时间等数据。
在所述加工参数数据库模块中,层压工艺参数数据库主要包括叠板次序、叠板材料选择、温区设置、温区温度设置、时间、压力、升温速率、压力斜率、真空度等数据。
在所述加工参数数据库模块中,表面涂镀工艺参数数据库主要包括电镀液牌号、化学镀液牌号、电镀时间、化学镀时间、电流大小、水洗时间、烘干时间等数据。
在所述加工参数数据库模块中,三防和字符工艺参数数据库主要包括阻焊牌号、油墨牌号、丝印速度、喷印速度、张力、烘干温度、烘干时间、显影剂牌号、显影剂浓度等数据。
所述可加工性判定模块,根据当前的用户输入,调用微波介质板材料管理模块、加工设备工具管理模块和加工参数数据库模块中的事实,根据设定的诊断规则,按推理和冲突消解策略对可加工性进行推理,从而得出可加工或不可加工的结论。
在所述可加工性判定模块中,诊断规则为通过BP神经网络建立预测模型,将微波介质板材料管理模块的全部因素作为BP神经网络模型的输入数据,将加工参数数据库模块的全部因素作为BP神经网络模型的输出数据,采用三层BP神经网络下多输入单输出的映射模式,将加工参数数据库模块的每个因素设置为单个输出层节点数,提高模型预测数据的准确性。BP神经网络的隐含层的激励函数采用S型函数Sigmoid,输出层采用线性激励函数Pureline,BP神经网络的初始学习速率为1,动量因子为0.95,训练精度要求为10-2。
在所述工艺参数优化模块中,根据可加工性判定模块的计算,在加工参数数据库模块的数据库范围内,提供计算得到的新工艺参数体系。
在所述工艺效果评价模块中,每个质量预测子模块提供了随机选取一定数据量的训练样本,选择需要预测的性能效果参量,选择BP神经网络的隐含层和输出层激励函数(传递函数)以及自适应学习速率的自适应函数,设定BP神经网络的训练精度、训练次数、学习速率、动量因子,并可以显示出BP神经网络的训练误差。
在所述工艺效果评价模块中,将工艺参数优化模块给出的参数实际加工后的性能输入反馈学习模块,与评估值进行对比,根据对比结果选择是否将训练的BP神经网络模型的权值和阈值保存起来,可用于后续的性能预测,降低训练误差。
实施例二
如图1所示,用户登录微波介质板可加工性诊断专家系统。
如图3所示,在微波介质板材料管理模块中录入新微波介质板材料的信息如下表1所示。
表1新型微波介质板性能表
如图4所示,在加工设备工具管理模块选择机械加工线体,并选择WK3000钻床、去毛刺机ADT900以及0.25mm的钻头。
选择加工参数数据库模块中,机械加工工艺参数数据库里的钻头转速、钻头进刀速、钻头退刀速三项工艺参数,点击进入可加工性判定模块。
可加工性判定模块通过BP神经网络建立预测模型,表1的参数作为BP神经网络模型的输入数据,将钻头转速、钻头进刀速、钻头退刀速作为三项BP神经网络模型的单个输出层节点,采用三层BP神经网络下多输入单输出的映射模式。
因此在建立机械加工工艺参数预测模型时,将弹性模量、剪切强度、硬质点数、Z轴热膨胀系数、XY轴热膨胀系数、吸水率、拉伸强度以及翘曲度这8个因素作为BP神经网络模型的输入数据;将钻头转速、钻头进刀速、钻头退刀速这3个因素分别作为BP神经网络模型的单一输出数据。
在输入层节点数为8,输出层节点数为1的情况下,根据上式可以计算出隐含层节点数为12,其中n代表n维空间,m代表m维空间,J为n维空间到m维空间的映射。隐含层的激励函数采用S型函数Sigmoid,输出层采用线性激励函数Pureline,该网络的初始学习速率为1,动量因子为0.95,训练精度要求为10-2。
在选定钻头转速、钻头进刀速、钻头退刀速三个训练样本集后,首先将训练样本集中的数据分别读入两个用于存放训练样本数据二维动态链表m_XExamples和m_YExamples,其中m_XExamples用于存放训练样本的输入数据,m_YExamples用于存放训练样本的输出数据,其在后续训练过程中将作为期望输出数据与BP神经网络的实际输出数据进行比较;然后会对训练过程中所需的相关参数进行设置,比如:最大训练次数time、学习精度eps、隐含层节点数、初始学习速率η、动量因子α、权值矩阵以及阈值矩阵等;其中隐含层权值矩阵为W1,隐含层阈值矩阵为thrH,输出层权值矩阵为W2,输出层阈值矩阵为thrO。
将输入数据动态链表m_XExamples中的样本输入数据按照下式转换成隐含层节点的输出,与隐含层权值矩阵W1和阈值矩阵thrH进行计算:
其中,k=0,1,2,…q;vki为输入层与隐含层之间的权值,f1()为隐含层的激励函数,bk为隐含层中神经元的阈值。
计算结果存储在隐含层输出矩阵Ohidden中;再使用Ohidden矩阵中的数据作为输出层的输入数据,与输出层权值矩阵W2和输出层阈值矩阵thrO按照下式进行计算:
其中,j=0,1,2,…m;wjk为隐含层与输出层之间的权值,f2()为输出层的激励函数,aj为输出层中神经元的阈值。输出的数据存放在Ooutput中,作为BP神经网络前向计算过程的实际输出数据。
BP神经网络训练过程中的前向计算阶段完成后,将结合存放于Ooutput中网络实际输出数据和m_YExamples中的样本期望输出数据,计算出BP神经网络的全局误差,如果全局误差超过预先设定的学习精度eps,结合输出层实际输出数据与期望输出数据之间的差值反向计算出隐含层的数据差值,并分别存放在矩阵betaO和betaH中。然后显示出样本集中实际输出、期望输出和误差率列表,用户可以根据误差列表判断该神经网络模型是否可以应用于后续实际生产过程中的加工参数预测。如果模型不能满足要求则会根据误差列表适当地调整相关训练参数和训练样本集,进行神经网络模型的重新训练;反之,则将该模型中隐含层和输出层的权值和阈值矩阵保存下来,用于后续生产过程中的性能预测。
当加工参数处于加工参数数据库模块中的阈值之内时,可加工性判定模块给出“可加工”的判定;反之,可加工性判定模块给出“不可加工”的判定。“可加工”之后,用户可在工艺参数优化模块中获得初始工艺参数,如下表2所示。
表2BP神经网络预测的机械加工参数
用户在参数确认模块确认上表中的值,直接输出或手动修改后输出成Gerb文件,可直接导入钻床进行参数赋值。
实际加工前,用户可通过工艺效果评价模块中的钻孔质量预测,对孔壁粗糙度、毛刺长度指标进行预测。本实施例中预测的孔壁粗糙度为≤20um,毛刺长度为≤15um。
在进行孔壁粗糙度、刺长度的钻孔质量预测时,首先建立钻孔质量预测模型,该钻孔质量预测模型同样基于与机械加工工艺参数预测模型相同的三层BP神经网络模型,钻孔质量预测模型的预测逻辑机械加工工艺参数预测模型相同,在钻孔质量预测模型中,输入层节点为机械加工工艺参数预测模型中8个对应增加为11个,增加的三个节点分别对应钻头转速、钻头进刀速、钻头退刀速这三个因素,此时的钻头转速、钻头进刀速、钻头退刀速即为由机械加工工艺参数预测模型预测得到的结果;并且钻孔质量预测模型的输出层节点调整为两个,分别对应孔壁粗糙度、毛刺长度。钻孔质量预测模型的训练过程参照机械加工工艺参数预测模型的训练过程,训练过程中所需的相关参数根据实际需求设置。
按照上述参数钻孔后,将测试结果录入工艺效果评价模块中的反馈学习模块,与评估值进行对比,将训练的BP神经网络模型的权值和阈值保存起来,用于后续的性能预测,降低训练误差。
实际钻孔后的孔壁粗糙度为≤19um,毛刺长度为≤16um,预测误差分别为5%和6.7%,满足GJB9491的要求,成品率>95%,有较好的可加工性。
综上所述,上述实施例的微波介质板可加工性诊断专家系统,针对新型微波介质板提供一种可加工性诊断方法,为各微带板加工厂商提供科学、有效的加工工艺方法和参数,解决了现有可加工性诊断缺乏理论依据、工艺参数缺乏优化方向、未考虑不同设备对同一对象加工难易度的差别、由于参数选择不当在加工过程中出现成品率低、生产效率低、加工成本增高等问题;训练误差可小于8%,使加工合格率提升20%以上。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种微波介质板可加工性诊断专家系统,其特征在于:包括微波介质板材料管理模块、加工设备工具管理模块、加工参数数据库模块、可加工性判定模块、工艺参数优化模块、参数确认模块、工艺效果评价模块;
所述微波介质板材料管理模块,用于提供微波介质板材的各类性能参数数据库;
所述加工设备工具管理模块,用于提供不同种类的加工设备工具选择;
所述加工参数数据库模块,用于提供与加工设备工具对的各种加工工艺参数数据库;
所述可加工性判定模块,用于通过用户选择的新型微波介质板材的性能、设备工具,结合所述加工参数数据库模块的可加工范围,通过BP神经网络预测新型微波介质板材是否可加工;
所述工艺参数优化模块,用于对已通过可加工性判断的微波介质板,在所述微波介质板材料管理模块和所述加工设备工具管理模块相关参数给定的前提下,通过BP神经网络预测各工序的初始参数;
所述参数确认模块,用于确认采用专家系统提供的工艺参数或针对具体参数进行人工修改的工艺参数,确认后以用户选择的数据格式,输出工艺参数;
所述工艺效果评价模块,用于根据所述微波介质板材料管理模块和所述参数确认模块的输入数据,通过BP神经网络预测各工序的实施效果;
所述加工设备工具管理模块与所述加工参数数据库模块连接,所述微波介质板材料管理模块、所述加工参数数据库模块并行设置分别与所述可加工性判定模块连接,所述可加工性判定模块、所述工艺参数优化模块、所述参数确认模块、所述工艺效果评价模块依次连接。
2.根据权利要求1所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述专家系统还包括登陆模块,所述登陆模块用于进行提供新用户的注册;并为用户登陆到专家系统提供操作权限;以及对专家系统中的用户进行管理,所述登陆模块分别与所述微波介质板材料管理模块、所述加工设备工具管理模块连接。
3.根据权利要求2所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述微波介质板材料管理模块包括六个数据库,分别为尺寸选择数据库、测试方法数据库、外观性能数据库、电性能数据库、物理化学性能数据库以及热性能数据库。
4.根据权利要求3所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述加工设备工具管理模块包括六个子模块,分别为机械加工线体选择模块、孔化电镀线体选择模块、图形制作线体选择模块、层压线体选择模块、表面涂镀线体选择模块以及三防和字符线体选择模块。
5.根据权利要求4所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述加工参数数据库模块包括六个数据库,分别为机械加工工艺参数数据库、孔化电镀工艺参数数据库、图形制作工艺参数数据库、层压工艺参数数据库、表面涂镀工艺参数数据库以及三防和字符工艺参数数据库。
6.根据权利要求5所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述工艺效果评价模块包括九个预测模块,分别为外型质量预测模块、钻孔质量预测模块、图形及线条质量预测模块、层间质量预测模块、侧边金属化质量预测模块、盲槽质量预测模块、表面涂镀质量预测模块、三防及字符质量预测模块、可靠性预测模块。
7.根据权利要求6所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述工艺效果评价模块还包括反馈学习模块,所述反馈学习模块用于根据所述参数确认模块输出的工艺参数,反馈加工后的性能,使专家系统进行自我学习和修正,并将修正后的数据自动加入加工参数数据库模块。
8.根据权利要求7所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述可加工性判定模块,根据设定的诊断规则,按推理和冲突消解策略对可加工性进行推理,得出可加工或不可加工的结论。
9.根据权利要求8所述的一种微波介质板可加工性诊断专家系统,其特征在于:所述诊断规则为通过BP神经网络建立预测模型,将微波介质板材料管理模块的全部因素作为BP神经网络模型的输入数据,将加工参数数据库模块的全部因素作为BP神经网络模型的输出数据,采用三层BP神经网络下多输入单输出的映射模式,将加工参数数据库模块的每个因素设置为单个输出层节点数,其中,BP神经网络的隐含层的激励函数采用S型函数Sigmoid,输出层采用线性激励函数Pureline。
10.根据权利要求9所述的一种微波介质板可加工性诊断专家系统,其特征在于:在所述工艺效果评价模块中,每个预测模块提供了一定数据量随机选取的训练样本,选择需要预测的性能效果参量,选择BP神经网络的隐含层和输出层激励函数以及自适应学习速率的自适应函数,设定BP神经网络的训练精度、训练次数、学习速率、动量因子,显示出BP神经网络的训练误差,对各工序的实施效果进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204920.7A CN112464553B (zh) | 2020-11-02 | 2020-11-02 | 一种微波介质板可加工性诊断专家系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204920.7A CN112464553B (zh) | 2020-11-02 | 2020-11-02 | 一种微波介质板可加工性诊断专家系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464553A true CN112464553A (zh) | 2021-03-09 |
CN112464553B CN112464553B (zh) | 2022-12-16 |
Family
ID=74835849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011204920.7A Active CN112464553B (zh) | 2020-11-02 | 2020-11-02 | 一种微波介质板可加工性诊断专家系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464553B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379933A (zh) * | 2021-07-01 | 2021-09-10 | 南通市紫日机械有限公司 | 一种基于人工智能的金属板材自动化加工系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
CN105445646A (zh) * | 2015-12-14 | 2016-03-30 | 国家电网公司 | 基于神经网络专家系统的模数电路故障诊断的测试方法 |
-
2020
- 2020-11-02 CN CN202011204920.7A patent/CN112464553B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
CN105445646A (zh) * | 2015-12-14 | 2016-03-30 | 国家电网公司 | 基于神经网络专家系统的模数电路故障诊断的测试方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379933A (zh) * | 2021-07-01 | 2021-09-10 | 南通市紫日机械有限公司 | 一种基于人工智能的金属板材自动化加工系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112464553B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101951728B (zh) | 一种硬制线路板代替软性线路板的生产方法 | |
CN106455293B (zh) | 一种尺寸为500mm*800mm以上多层大尺寸高速背板的制作方法 | |
CN100553414C (zh) | 多层式高密度互连印刷线路板的制作方法 | |
CN108513458B (zh) | 一种超厚5g天线pcb模块加工方法 | |
CN112464553B (zh) | 一种微波介质板可加工性诊断专家系统 | |
CN106406531B (zh) | 一种vr虚拟印刷电路板制造工厂的方法 | |
CN103079350A (zh) | 印制板的盲槽内图形的加工方法 | |
CN110505770B (zh) | 多层夹芯金属基电路板生产方法 | |
CN201142786Y (zh) | 一种高频金属基印制板的制造系统 | |
CN110557905A (zh) | 一种基于不流动pp结构的线路板制板方法 | |
CN108388202A (zh) | 基于历史运行故障数据的数控机床可靠性预估方法 | |
CN105682376B (zh) | 一种厚铜高纵横比小孔径主板制作工艺 | |
CN115734468A (zh) | 一种新型铝基双面覆铝箔板及其制作工艺 | |
CN115422881A (zh) | 一种减小印制电路板翘曲的叠层结构优化方法和系统 | |
Siddhaye et al. | Integration of environmental factors in process modelling for printed circuit board manufacturing. II. Fabrication | |
Mircea | Main aspects concerning PCB manufacturing optimization | |
Obe et al. | A low-cost printed circuit board design technique and processes using ferric chloride solution | |
CN100579334C (zh) | 防止蚀刻剂侵蚀铝基板的电路板制作过程 | |
CN111263536A (zh) | 一种多层印制电路板生产方法 | |
Giachetti et al. | A design-centric activity-based cost estimation model for PCB fabrication | |
CN220139810U (zh) | 一种新型铝基双面覆铝箔板 | |
CN209861244U (zh) | 一种层间精度控制的多阶盲埋孔pcb板结构 | |
CN117177447A (zh) | 一种pth半孔电路板制作方法及pth半孔电路板 | |
CN106912163A (zh) | 小间距p2.5双层线路板制作工艺 | |
CN108471679B (zh) | 一种高密度布线的pcb的加工方法 |
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 |