CN112733431A - 基于人工神经网络的回流焊参数智能生成方法 - Google Patents

基于人工神经网络的回流焊参数智能生成方法 Download PDF

Info

Publication number
CN112733431A
CN112733431A CN202011525044.8A CN202011525044A CN112733431A CN 112733431 A CN112733431 A CN 112733431A CN 202011525044 A CN202011525044 A CN 202011525044A CN 112733431 A CN112733431 A CN 112733431A
Authority
CN
China
Prior art keywords
neural network
artificial neural
reflow soldering
data
product
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
CN202011525044.8A
Other languages
English (en)
Other versions
CN112733431B (zh
Inventor
李宇轩
陈梁
贾伏龙
崔洪波
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.)
CETC 55 Research Institute
Original Assignee
CETC 55 Research Institute
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 CETC 55 Research Institute filed Critical CETC 55 Research Institute
Priority to CN202011525044.8A priority Critical patent/CN112733431B/zh
Publication of CN112733431A publication Critical patent/CN112733431A/zh
Application granted granted Critical
Publication of CN112733431B publication Critical patent/CN112733431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)

Abstract

本发明涉及一种基于人工神经网络及相关新型数据处理模型的回流焊参数生成方法，面向组件类产品中电路板、接插件以及元器件的热风回流焊任务，首先收集既往产品特征数据以及对应的回流焊设置数据作为原始数据包，根据产品特征采用“集总热阻热容分层传热模型”或者“外部包围复合传热模型”进行输入数据的处理，再根据焊料助焊剂特征采用“助焊剂过渡热响应模型”进行输出数据的处理。采用处理完的输入输出数据训练神经网络，得到具有分析能力的神经网络。当出现新的设置任务时，只需要提取产品特征数据，通过预处理、人工神经网络以及后处理，就可以快速生成一组合理的回流焊设置参数，尤其适用于产品种类繁多、产品之间差异大的生产场景。

Description

基于人工神经网络的回流焊参数智能生成方法
技术领域
本发明是一种基于人工神经网络的回流焊参数智能生成方法，属于软钎焊表面组装技术领域。
背景技术
回流焊广泛应用于软钎焊领域，是表面组装(SMT)行业中必不可少的焊接设备。目前，行业中多使用以多温区累进、产品流水式前进为特征的热风或红外回流焊炉，对于体积大热容大的产品也会使用封闭的气相回流焊。链式传动的网带回流焊炉生产效率高、通用性强；缺点是产品在前进过程中温区不断变化，产品整体的温度很难与设置温度相一致。如果产品含有大体积、大热容的金属屏蔽盖、壳体或者底板，这类现象更加明显。
对于设置温度与实际温度不一致，大体积产品内部不能完成温度均匀化的问题，标准多推荐采用实测产品温度、再调整热风回流焊炉设置来反复试错，这也是行业内普遍采用的做法。即根据经验设置一组回流焊设置(包括各温区温度，风频带速等)，然后用样品实测一次，对照实测焊接热循环与期望焊接热循环，再调整各温区的温度设置，再实测，再调整……最终达到理想的效果。
当产品种类较少，产品与产品之间差异不大时，人工试错法并不会影响效率。当产品种类繁多，材质多种多样，产品与产品之间质量体积差异在十几倍甚至几十倍时，依据人工经验进行试错经常要3～7次才能达到理想的效果，严重拖累效率。另外，如此做法过于依赖熟练员工经验，新员工没有经验积累，遇到全新的产品甚至无从下手。
目前有学者采用人工神经网络，研究了回流焊设置与回流焊焊接热循环特征区域之间的关系，但这类研究并不能给出一组合理的初始设置。市场上也有少量相关的温区设置预测工具，但多是针对印制电路板上元器件焊接的，大金属壳体类产品并不适用。鉴于热风回流焊传热过程蕴含着复杂的对流换热，采用有限元进行传热学仿真虽然能较为精确地求解，但是需要较长时间，不能快速反应。对于产品多品种、差异大的应用场景，需要解决热风回流焊温区及相关参数的设置问题，系统应该根据不同产品迅速生成一组推荐设置，这一自动生成的过程应该具有一定的人的智能。
人工神经网络是计算机领域中模仿人脑神经系统的计算网络，按照一定的连接方式构建出的虚拟神经网络，这一虚拟网络具有对数据进行模拟或者分类的功能。在有导师的学习中，人工神经网络能够对不在训练域中的输入数据产生合理的输出，这就是人工神经网络的泛化能力。人工神经网络逐渐在内在机理复杂的工业生产领域大量应用。
发明内容
本发明提出的是一种基于人工神经网络的回流焊参数智能生成方法，其目的在于针对现有技术存在的缺陷，利用既往数据，构建人工神经网络，网络附带前后端的新型数据处理模型。人工神经网络搭建完成后输入新产品的特征，经过预处理，人工神经网络以及后处理，就能快速生成一组热风回流焊参数设置。
本发明的技术解决方案：基于人工神经网络的回流焊参数智能生成方法，包括以下步骤：
(1)训练数据的收集：收集既有的产品特征数据以及相对应的回流焊设置数据，组成原始训练数据包；
(2)训练数据的处理：按照“集总热阻热容分层传热模型”或者“外部包围复合传热模型”对产品特征数据进行处理，作为输入数据，按照“助焊剂过渡热响应模型”对回流焊设置数据进行处理，作为输出数据；
(3)训练人工神经网络：搭建人工神经网络，用输入输出数据对人工神经网络进行训练，反复迭代，确定各节点间的连接权值及节点的阈值，得到成熟的人工神经网络；
(4)智能生成回流焊设置：接收到一个新产品时，提取产品特征数据，先按照“集总热阻热容分层传热模型”或“外部包围复合传热模型”进行预处理，归一化，再用成熟的人工神经网络进行分析，最后采用“助焊剂过渡热响应模型”进行后处理，解除归一化，得到新产品的回流焊设置。
所述步骤(1)训练数据的收集，所述数据为反映产品特征以及能确保回流焊正常运行的原始数据，包括产品的材质、焊料熔点、外形尺寸、各部位质量、PCB板元器件密度、尺寸、质量以及回流焊的各温区温度、风频、网带速度等。
所述步骤(2)训练数据的处理，对于压块、电路板、焊料片以及壳体(衬板)这类层压特征的产品，采用“集总热阻热容分层传热模型”处理产品特征数据，得到复合热阻、整体热容、有效受热面积以及传热深度四个关键输入，模型的传热学计算公式如下：
Figure BDA0002850316810000031
式中R是复合热阻，n是上下层材料种类数，m是对应材料的质量，p是对应材料的密度，λ是对应材料的热导率，S是对应产品整体底面积；
Figure BDA0002850316810000032
式中Z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；
Figure BDA0002850316810000033
式中D是有效受热面积，S是对应产品整体底面积，G是表面开孔镂空的面积；
P＝0.9H
式中P是传热深度，H是对应产品高度；
对于大壳体包围，内部电路板密布元器件的产品，采用“外部包围复合传热模型”处理产品特征数据，得到外围热导率、整体热容、有效受热面积以及传热深度四个关键输入，模型的传热学计算公式如下：
Figure BDA0002850316810000034
式中λf是外围热导率，n是外围材料种类数，λ是对应材料的热导率；
Figure BDA0002850316810000035
式中Z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；
D＝LW+2LH+2WH
式中D是有效受热面积，L是对应产品的长，W是对应产品的宽，H是对应产品的高；
Figure BDA0002850316810000041
式中P是传热深度，n是外围材料的种类，T是对应外围材料的壁厚；
将关键输入进行归一化，使各关键输入成比例地落在[0，1]内，最后按照“助焊剂过渡热响应模型”在考虑传热过程延迟量的前提下处理回流焊的设置，得到初始温度T0，升温阶段阶梯值D，保温值T1，峰值温度T2与峰值温度T3五个关键输出，将关键输出进行归一化，使各关键输出成比例地落在[0，1]。
所述步骤(2)训练数据的处理，对于体积小但表面曲折、比表面积大的产品，关键输入还包括表面等效的对流换热系数以及上下表面的封闭系数。
所述步骤(3)训练人工神经网络，所述人工神经网络为层次型网络，输入节点数对应着关键输入的个数，输出节点数对应着独立输出的个数，所述人工神经网络可采用赫布学习规则、LM算法或者贝叶斯正则化算法进行训练。
所述人工神经网络选用单隐层人工神经网络，隐层节点数量介于输入节点与输出节点之间。
所述步骤(4)智能生成回流焊设置，可以通过计算机应用程序的形式与人交互；输入产品特征，按顺序经过预处理、人工神经网络处理，后处理，最后解除归一化得到一组回流焊设置。
本发明的有益效果：
利用既往数据，构建人工神经网络及其附属的前后数据处理模型，构建完成后输入产品特征数据，就可以迅速得出一组合理的回流焊参数生成方法，特别适用于产品种类繁多、产品之间差异大的定制化生产场景。
附图说明
附图1是基于人工神经网络的回流焊参数智能生成方法的数据流示意图。
具体实施方式
下面结合附图对本发明技术方案进一步说明
如附图1所示，基于人工神经网络的回流焊参数智能生成方法，包括以下步骤：
(1)训练数据的收集：收集既有的产品特征数据以及相对应的回流焊设置数据，组成原始训练数据包；
(2)训练数据的处理：按照“集总热阻热容分层传热模型”或者“外部包围复合传热模型”对产品特征数据进行处理，作为输入数据，按照“助焊剂过渡热响应模型”对回流焊设置数据进行处理，作为输出数据；
(3)训练人工神经网络：搭建人工神经网络，用输入输出数据对人工神经网络进行训练，反复迭代，确定各节点间的连接权值及节点的阈值，得到成熟的人工神经网络；
(4)智能生成回流焊设置：接收到一个新产品时，提取产品特征数据，先按照“集总热阻热容分层传热模型”或“外部包围复合传热模型”进行预处理，归一化，再用成熟的人工神经网络进行分析，最后采用“助焊剂过渡热响应模型”进行后处理，解除归一化，得到新产品的回流焊设置。
实施例1
通过铝压块将FR4电路板焊接在黄铜壳体内，采用网带传送的流水式热风回流焊，焊料片为SAC305。这类产品属于“集总热阻热容分层传热模型”和“助焊剂过渡热响应模型”的处理范畴。
首先需要构建这一回流焊参数的人工神经网络，之后才能利用人工神经网络生成新产品的回流焊设置。整理出一款八温区热风回流焊炉对于这类问题的成熟数据，整理出既往各种材料的压块、电路板以及壳体的尺寸、质量、热导率、比热容等产品特征数据。按照“集总热阻热容分层传热模型”中的以下公式对原始数据进行处理：
Figure BDA0002850316810000051
式中R是复合热阻，n是上下层材料种类数，m是对应材料的质量，ρ是对应材料的密度，λ是对应材料的热导率，S是对应产品整体底面积；
Figure BDA0002850316810000052
式中Z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；
Figure BDA0002850316810000053
式中D是有效受热面积，S是对应产品整体底面积，G是表面开孔镂空的面积；
P＝0.9H
式中P是传热深度，H是对应产品高度；
计算出复合热阻R、整体热容Z、有效受热面积、传热深度这4个关键输入。
默认上下温区设置温度相等，原始数据中的回流焊设置一共有10个，分别是T1、T2、T3、T4、T5、T6、T7、T8以及风频f和网带速度为v。根据“助焊剂过渡热响应模型”，温区1到温区3为升温阶段，温度为等差数列，设温区之间的温差为D1；温区4到温区6为保温阶段，温度相等；温区7到温区8对应焊料熔化阶段，设定温度相等。因此，最后实际的关键输出共6个，分别是T1、D1、T4、T7以及风频f和网带速度v。
假设这些成熟的数据一共有100组。
按照误差反传神经网络的模型搭建神经网络，输入层节点数为4个，隐层节点数为5个，输出层节点数为6个。选用L-M算法进行训练，训练得到的均方误差为0.007，认为这一神经网络符合要求，训练结束。
按照以上数据处理流程搭建软件，做好数据存储与交互的接口，可以开始解决类似问题。
测量得铝压块的尺寸为30×20×6mm，铝压块质量为18g；测量得FR4电路板的尺寸为32×23mm，电路板质量为10g；测量黄铜壳体的尺寸为50×43.2×9mm，质量为58g。将测量结果输入软件之中，开始智能生成。输入数据先经过“集总热阻热容分层传热模型”计算出复合热阻R、整体热容Z、有效受热面积D、传热深度P这4个关键输入，归一化之后将4个关键输入传递到人工神经网络，神经网络处理之后得到6个关键输出。关键输出通过“助焊剂过渡热响应模型”处理，解除归一化之后，得到了T1＝90℃、T2＝121℃、T3＝152℃、T4＝173℃、T5＝173℃、T6＝173℃、T7＝229℃、T8＝229℃以及风频f＝43Hz和网带速度为v＝638mm/min。操作人员审核结束后，点击按钮将设置下发给回流焊炉执行。
将热电偶固定在样品待焊区域上，然后将样品放入热风回流焊炉中，实测焊接热循环。如果焊接热循环符合要求，那么直接进行生产；如果焊接热循环与要求的略有差异，则根据差异部分略微调整设置，重新测试焊接热循环。
实施例2
现有一个可伐壳体，壳体壁厚及底面厚度都在5mm以上，壳体腔体内底部已经用螺钉固定好了一块电路板，现在要在电路板上面焊接元器件。采用网带传送的流水式热风回流焊，焊料片为SAC305。这类产品属于“外部包围复合传热模型”和“助焊剂过渡热响应模型”的处理范畴。
首先需要构建这一回流焊参数的人工神经网络，之后才能利用人工神经网络生成新产品的回流焊设置。整理出一款八温区热风回流焊炉对于这类问题的成熟数据，整理出既往壳体以及电路板的材质、尺寸、质量、热导率、比热容等产品特征数据。按照“集总热阻热容分层传热模型”中的以下公式对原始数据进行处理：
Figure BDA0002850316810000071
式中λf是外围热导率，n是外围材料种类数，λ是对应材料的热导率；
Figure BDA0002850316810000072
式中Z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；
D＝LW+2LH+2WH
式中D是有效受热面积，L是对应产品的长，W是对应产品的宽，H是对应产品的高；
Figure BDA0002850316810000073
式中P是传热深度，n是外围材料的种类，T是对应外围材料的壁厚；
计算出外围热导率λf、整体热容Z、有效受热面积D、传热深度P这4个关键输入。
默认上下温区设置温度相等，原始数据中的回流焊设置一共有10个，分别是T1、T2、T3、T4、T5、T6、T7、T8以及风频f和网带速度为v。根据“助焊剂过渡热响应模型”，温区1到温区3为升温阶段，温度为等差数列，设温区之间的温差为D1；温区4到温区6为保温阶段，温度相等；温区7到温区8对应焊料熔化阶段，设定温度相等。因此，最后实际的关键输出共6个，分别是T1、D1、T4、T7以及风频f和网带速度v。
假设这些成熟的数据一共有100组。
按照误差反传神经网络的模型搭建神经网络，输入层节点数为4个，隐层节点数为5个，输出层节点数为6个。选用L-M算法进行训练，训练得到的均方误差为0.009，认为这一神经网络符合要求，训练结束。
按照以上数据处理流程搭建软件，做好数据存储与交互的接口，可以开始解决类似问题。
测量壳体的尺寸为43×43×26mm，壳体质量为218g、测量电路板的尺寸为27×27mm与质量为55g。将测量结果输入软件之中，开始智能生成。输入数据先经过“外部包围复合传热模型”计算出外围热导率λf、整体热容Z、有效受热面积D、传热深度P这4个关键输入，归一化之后将4个关键输入传递到人工神经网络，神经网络处理之后得到6个关键输出。关键输出通过“助焊剂过渡热响应模型”处理，解除归一化之后，就得到了T1＝100℃、T2＝138℃、T3＝176℃、T4＝209℃、T5＝209℃、T6＝209℃、T7＝267℃、T8＝267℃以及风频f＝49Hz和网带速度为v＝531mm/min。操作人员审核结束后，点击按钮将设置下发给回流焊炉执行。
将热电偶固定在样品待焊区域上，然后将样品放入热风回流焊炉中，实测焊接热循环。如果焊接热循环符合要求，那么直接进行生产；如果焊接热循环与要求的略有差异，则根据差异部分略微调整设置，重新测试焊接热循环。

Claims (9)

1.基于人工神经网络的回流焊参数智能生成方法，其特征包括以下步骤：
(1)训练数据的收集：收集既有的产品特征数据以及相对应的回流焊设置数据，组成原始训练数据包；
(2)训练数据的处理：按照传热模型对产品特征数据进行处理，作为输入数据，按照响应模型对回流焊设置数据进行处理，作为输出数据；
(3)训练人工神经网络：搭建人工神经网络，用输入输出数据对人工神经网络进行训练，反复迭代，确定各节点间的连接权值及节点的阈值，得到成熟的人工神经网络；
(4)智能生成回流焊设置：通过计算机应用程序的形式与人交互，输入产品特征，按顺序经过数据预处理、人工神经网络处理、数据后处理，最后得到回流焊参数。
2.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(1)训练数据的收集，所述数据为反映产品特征以及能确保回流焊正常运行的原始数据，如产品的材质、焊料熔点、外形尺寸、各部位质量、PCB板元器件密度、尺寸、质量以及回流焊的各温区温度、风频、网带速度。
3.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(2)训练数据的处理，对于层压特征的产品如压块、电路板、焊料片以及壳体、衬板，采用“集总热阻热容分层传热模型”处理产品特征数据，得到复合热阻、整体热容、有效受热面积以及传热深度四个关键输入，模型的传热学计算公式如下：
Figure FDA0002850316800000011
式中R是复合热阻，n是上下层材料种类数，m是对应材料的质量，ρ是对应材料的密度，λ是对应材料的热导率，S是对应产品整体底面积；
Figure FDA0002850316800000012
式中Z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；
Figure FDA0002850316800000021
式中D是有效受热面积，S是对应产品整体底面积，G是表面开孔镂空的面积；
P＝0.9H
式中P是传热深度，H是对应产品高度；
将关键输入进行归一化，使各关键输入成比例地落在[0，1]内。
4.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(2)训练数据的处理，对于大壳体包围，内部电路板密布元器件的产品，采用“外部包围复合传热模型”处理产品特征数据，得到外围热导率、整体热容、有效受热面积以及传热深度四个关键输入，模型的传热学计算公式如下：
Figure FDA0002850316800000022
式中λf是外围热导率，n是外围材料种类数，λ是对应材料的热导率；
Figure FDA0002850316800000023
式中Z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；
D＝LW+2LH+2WH
式中D是有效受热面积，L是对应产品的长，W是对应产品的宽，H是对应产品的高；
Figure FDA0002850316800000024
式中P是传热深度，n是外围材料的种类，T是对应外围材料的壁厚；
将关键输入进行归一化，使各关键输入成比例地落在[0，1]内。
5.根据权利要求2或3所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(2)训练数据的处理，对于体积小但表面曲折、比表面积大的产品，所述关键输入还包括表面等效的对流换热系数以及上下表面的封闭系数。
6.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(2)训练数据的处理，按照“助焊剂过渡热响应模型”在考虑传热过程延迟量的前提下处理回流焊的设置，得到若干个关键输出如初始温度T0，升温阶段阶梯值D，保温值T1，峰值温度T2与峰值温度T3，将关键输出进行归一化，使各关键输出成比例地落在[0，1]。
7.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(3)训练人工神经网络，所述人工神经网络为层次型网络，输入节点数对应着关键输入的个数，输出节点数对应着独立输出的个数，所述人工神经网络可采用赫布学习规则、LM算法或者贝叶斯正则化算法进行训练。
8.根据权利要求7所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述人工神经网络选用单隐层人工神经网络，隐层节点数量介于输入节点与输出节点之间。
9.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法，其特征是所述步骤(4)智能生成回流焊设置，接收到一个新产品时，提取产品特征数据，先按照步骤(2)传热模型对输入数据进行预处理，归一化，再用步骤(3)得到的成熟的人工神经网络进行分析，最后按照步骤(2)响应模型进行后处理，解除归一化，得到新产品的回流焊参数。
CN202011525044.8A 2020-12-22 2020-12-22 基于人工神经网络的回流焊参数智能生产方法 Active CN112733431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011525044.8A CN112733431B (zh) 2020-12-22 2020-12-22 基于人工神经网络的回流焊参数智能生产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011525044.8A CN112733431B (zh) 2020-12-22 2020-12-22 基于人工神经网络的回流焊参数智能生产方法

Publications (2)

Publication Number Publication Date
CN112733431A true CN112733431A (zh) 2021-04-30
CN112733431B CN112733431B (zh) 2023-06-02

Family

ID=75605131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011525044.8A Active CN112733431B (zh) 2020-12-22 2020-12-22 基于人工神经网络的回流焊参数智能生产方法

Country Status (1)

Country Link
CN (1) CN112733431B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114063668A (zh) * 2021-11-01 2022-02-18 深圳市卡博尔科技有限公司 一种miniLED线路板的生产温度智能控制的方法及系统
CN117620345A (zh) * 2023-12-28 2024-03-01 诚联恺达科技有限公司 一种真空回流焊炉的数据记录系统
CN117620345B (zh) * 2023-12-28 2024-06-07 诚联恺达科技有限公司 一种真空回流焊炉的数据记录系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5439160A (en) * 1993-03-31 1995-08-08 Siemens Corporate Research, Inc. Method and apparatus for obtaining reflow oven settings for soldering a PCB

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5439160A (en) * 1993-03-31 1995-08-08 Siemens Corporate Research, Inc. Method and apparatus for obtaining reflow oven settings for soldering a PCB

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114063668A (zh) * 2021-11-01 2022-02-18 深圳市卡博尔科技有限公司 一种miniLED线路板的生产温度智能控制的方法及系统
CN117620345A (zh) * 2023-12-28 2024-03-01 诚联恺达科技有限公司 一种真空回流焊炉的数据记录系统
CN117620345B (zh) * 2023-12-28 2024-06-07 诚联恺达科技有限公司 一种真空回流焊炉的数据记录系统

Also Published As

Publication number Publication date
CN112733431B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
Tsai et al. Optimal laser-cutting parameters for QFN packages by utilizing artificial neural networks and genetic algorithm
CN112733431A (zh) 基于人工神经网络的回流焊参数智能生成方法
Li et al. Function chain neural network prediction on heat transfer performance of oscillating heat pipe based on grey relational analysis
CN110866358A (zh) 基于实测温度数据的再流焊接工艺仿真模型修正方法
CN106529051A (zh) 一种单丝埋弧焊数值模拟热源模型参数的确定方法
CN111488714A (zh) 一种热风再流焊喷嘴风速准确计算方法
Li et al. Noncontact reflow oven thermal profile prediction based on artificial neural network
CN106442470A (zh) 一种基于激光诱导击穿光谱和遗传神经网络的煤质特性定量分析方法
CN113255255A (zh) 一种集成电路热真空试验系统
CN112270109B (zh) 一种高温碳化炉中石墨棒加热性能的模拟方法
Agyei-Agyemang et al. Numerical modeling of a hot plate stove for peanut roasting
CN112632856A (zh) 回焊炉的传送带速度及温度控制方法
CN107203662A (zh) 一种电子设备舱室的温度预测模型建立方法及装置
Xu et al. Rapid assessment of quality changes in french fries during deep-frying based on FTIR spectroscopy combined with artificial neural network
JP2006252113A (ja) 基板解析方法及び装置及び基板解析用プログラム及びそれを記録した記録媒体
EP1457771A2 (en) Flame propagation modeling method
CN115563736A (zh) 一种透平叶片电弧增材实时温度场预测方法
CN109211311A (zh) 一种基于不同生产线加工的烟草烘丝工序质量一致性评价方法
CN114266178A (zh) 一种功率器件健康状态评估方法和系统
CN111881585B (zh) 一种面向多品种小批量的回流炉温度曲线设置方法
CN112035957B (zh) 一种空空中冷器性能预测方法
JP2008268377A (ja) 微粉炭燃焼シミュレーション方法及び微粉炭燃焼シミュレーション装置
Veiseh et al. Prediction of effective thermal conductivity of moistened insulation materials by neural network
Fang et al. Improving the temperature field model of hot air reflow soldering based on reverse problem analysis
WO2024077587A1 (zh) 电池性能预测方法与电池性能分布预测方法

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