CN113988438A - 一种基于ic载板生产流程的自检方法及系统 - Google Patents
一种基于ic载板生产流程的自检方法及系统 Download PDFInfo
- Publication number
- CN113988438A CN113988438A CN202111284071.5A CN202111284071A CN113988438A CN 113988438 A CN113988438 A CN 113988438A CN 202111284071 A CN202111284071 A CN 202111284071A CN 113988438 A CN113988438 A CN 113988438A
- Authority
- CN
- China
- Prior art keywords
- production
- self
- characteristic
- carrier plate
- checking
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 450
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 165
- 238000007726 management method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000013441 quality evaluation Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 45
- 238000007689 inspection Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009713 electroplating Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012536 packaging technology Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于IC载板生产流程的自检方法及系统,其中,所述方法包括:获得第一载板生产流程的第一自检环节信息;根据第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得第一生产特征损失函数;根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;根据所述第一聚类结果,构建生产流程自检方案;按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。解决了现有技术IC载板生产质量检测环节单一,检测结果数据不共享分析,导致影响载板生产质量且生产效率低的技术问题。
Description
技术领域
本发明涉及质量检测领域,尤其涉及一种基于IC载板生产流程的自检方法及系统。
背景技术
IC载板是随着半导体封装技术不断进步而发展起来的一项技术,指的是用于集成电路卡模块封装用的一种关键专用基础材料,主要起到保护芯片并作为集成电路芯片和外界接口的作用,其形式为带状,通常为金黄色,是IC封装中用于连接芯片与PCB板的重要材料。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术IC载板生产质量检测环节单一,检测结果数据不共享分析,导致影响载板生产质量且生产效率低的问题。
发明内容
本申请实施例通过提供一种基于IC载板生产流程的自检方法及系统,解决了现有技术IC载板生产质量检测环节单一,检测结果数据不共享分析,导致影响载板生产质量且生产效率低的技术问题,达到基于遗传算法对载板生产过程的每一个环节自检,通过自检生产特征数据进行共享分析,确定工艺自检方案,可精准预测载板生产环节质量,保证生产加工精度,进而提高载板生产质量和生产效率的技术效果。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。
第一方面,本申请实施例提供了一种基于IC载板生产流程的自检方法,所述方法包括:获得第一载板生产流程的第一自检环节信息,其中,所述第一自检环节信息来自第一自检装置,所述第一载板生产流程为IC载板的生产流程;获得所述第一自检装置的检测效率系数;根据所述第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数;根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;以此类推,获得第N载板生产流程的第N生产特征数据链;将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;根据所述第一聚类结果,构建生产流程自检方案;按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。
另一方面,本申请还提供了一种基于IC载板生产流程的自检系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一载板生产流程的第一自检环节信息,其中,所述第一自检环节信息来自第一自检装置,所述第一载板生产流程为IC载板的生产流程;第二获得单元,所述第二获得单元用于获得所述第一自检装置的检测效率系数;第三获得单元,所述第三获得单元用于根据所述第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数;第四获得单元,所述第四获得单元用于根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;第五获得单元,所述第五获得单元用于以此类推,获得第N载板生产流程的第N生产特征数据链;第六获得单元,所述第六获得单元用于将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;第一构建单元,所述第一构建单元用于根据所述第一聚类结果,构建生产流程自检方案;第一管理单元,所述第一管理单元用于按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一载板生产流程的第一自检环节信息;根据第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数;根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;以此类推,获得第N载板生产流程的第N生产特征数据链;将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;根据所述第一聚类结果,构建生产流程自检方案;按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。进而达到基于遗传算法对载板生产过程的每一个环节自检,通过自检生产特征数据进行共享分析,确定工艺自检方案,可精准预测载板生产环节质量,保证生产加工精度,进而提高载板生产质量和生产效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于IC载板生产流程的自检方法的流程示意图;
图2为本申请实施例一种基于IC载板生产流程的自检方法中获得第一自检装置的检测效率系数的流程示意图;
图3为本申请实施例一种基于IC载板生产流程的自检方法中对第二生产特征参数进行调整的流程示意图;
图4为本申请实施例一种基于IC载板生产流程的自检方法中构建第一载板生产流程的第一生产特征区间的流程示意图;
图5为本申请实施例一种基于IC载板生产流程的自检方法中对第二质量评估结果进行关联修正的流程示意图;
图6为本申请实施例一种基于IC载板生产流程的自检系统的结构示意图;
图7为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第一构建单元17,第一管理单元18,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作装置1151,应用程序1152和用户接口1160。
具体实施方式
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示,本申请实施例提供了一种基于IC载板生产流程的自检方法,其中,所述方法包括:
步骤S100:获得第一载板生产流程的第一自检环节信息,其中,所述第一自检环节信息来自第一自检装置,所述第一载板生产流程为IC载板的生产流程;
具体而言,IC载板是随着半导体封装技术不断进步而发展起来的一项技术,指的是用于集成电路卡模块封装用的一种关键专用基础材料,主要起到保护芯片并作为集成电路芯片和外界接口的作用,其形式为带状,通常为金黄色,是IC封装中用于连接芯片与PCB板的重要材料。所述第一载板生产流程为IC载板的生产流程,包括IC载板的各设计参数,印制板线路图形设计制作、激光钻孔加工、电镀工艺、表面处理等。所述第一自检环节信息来自第一自检装置,自检环节是IC载板生产流程中的各生产检测环节,用于检测包括载板外观、图形正确性、生产缺陷、加工精度、尺寸检测、性能检测等,所述第一自检装置是加载安装在载板生产流程中的检测装置,用于检测载板各生产环节的质量,达到对载板进行实时生产质量检测,进而保证载板生产质量和生产效率。
步骤S200:获得所述第一自检装置的检测效率系数;
如图2所示,进一步而言,其中,所述获得所述第一自检装置的检测效率系数,本申请实施例步骤S200还包括:
步骤S210:获得所述第一自检装置的检测效率系数的取值阈值;
步骤S220:从所述第一自检装置的检测效率系数的取值阈值中随机获得M个检测效率系数;
步骤S230:根据遗传算法对所述M个检测效率系数进行计算,获得M个预测生产特征曲线,其中,所述M个预测生产特征曲线与所述M个检测效率系数一一对应;
步骤S240:获得所述第一载板生产流程的实际生产特征曲线;
步骤S250:比较所述M个预测生产特征曲线与所述实际生产特征曲线,获得所述第一自检装置的检测效率系数,其中,所述第一自检装置的检测效率系数相对应的预测生产特征曲线与所述实际生产特征曲线的相似度最大。
具体而言,所述第一自检装置的检测效率系数为载板自检装置的检测准确率和检测灵敏度,效率系数越大,表明自检装置的准确率越高,所述取值阈值是自检装置检测效率的波动范围。遗传算法的本质是在解空间中不断进行随机搜索,在搜索过程中不断地产生新的解,并保留更优解的算法,其实现难度较低,并且能够在短时间内获得较为满意的结果。遗传算法在使用时直接对结构对象进行操作,不存在求导和函数连续性的限定,并且具有内在的隐并行性和更好的全局寻优能力,采用概率化的寻优方法,不需要确定规则就能自动获取和指导优化的搜索空间,自适应地调整搜索方向,故作为一种搜索算法广泛应用于各个领域。从所述第一自检装置的检测效率系数的取值阈值中随机获得M个检测效率系数,根据遗传算法对所述M个检测效率系数进行计算,获得对应M个预测生产特征曲线,且所述M个预测生产特征曲线与所述M个检测效率系数一一对应,生产特征是自检装置检测的各载板生产质量参数。所述第一载板生产流程的实际生产特征曲线为所述第一载板进行实际生产的质量记录数据,通过比较所述M个预测生产特征曲线与所述实际生产特征曲线,获得相似度最接近的预测值,与之对应的检测效率系数即为所述第一自检装置的检测效率系数,使得获得的对应检测效率系数更加准确,为后续载板生产参数的调整提供更为精准的检测数据的技术效果。
步骤S300:根据所述第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数;
具体而言,所述第一载板生产流程的检测节点特征数据是指所述第一自检装置在生产过程中检测得到的任一时刻的生产质量参数信息,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数。在本申请实施例中,损失函数用于将所述第一载板生产流程的取值映射为非负实数以表示生产特征数据的变化,常用的损失函数有0-1损失函数、MSE均方误差损失函数、SVM合页损失函数、绝对值损失函数、log对数损失函数等,采用不同损失函数,对模型的影响是不同的。通过最小化损失函数,使模型达到收敛状态,减少模型预测值的误差,以达到准确预估的目的。
步骤S400:根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;
具体而言,所述第一载板生产流程的生产特征信息并非离散于特定时间点,而是在一定时间内连续。所述第一载板生产流程的第一生产特征数据链包含了载板从初始生产特征节点的各项质量检测指标数据直到当前生产特征节点的各项质量检测指标数据,其内容全面覆盖了所述第一载板在生产过程中的任意时刻特征信息,从本质上讲,获得所述第一生产特征数据链旨在实现信息数据高效、安全传输,对于载板生产来说,更是起到了提高数据分析速度的作用。
步骤S500:以此类推,获得第N载板生产流程的第N生产特征数据链;
具体而言,以此类推,根据获得上述第一生产特征数据链的过程,获得第二生产特征数据链直至获得第N载板生产流程的第N生产特征数据链,通过递归函数对程序进行多次调用,实现初始生产特征的不断完善,以达成精准预测的目的,为预测IC载板的实时生产特征奠定了庞大的数据基础,分析数据的数量越多,所得到的预测结果将越准确。
步骤S600:将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;
步骤S700:根据所述第一聚类结果,构建生产流程自检方案;
具体而言,根据第一生产特征数据链直到第N生产特征数据链中发现的描述对象及其关系的信息,将数据对象分组,其目的是组内的对象相互之间相关,而不同组中的对象不相关的,通过探索和挖掘数据中的潜在差异和联系,将数据进行聚类分析,组内相似性越大,组间差距越大,说明聚类效果越好。聚类是一种非监督学习方法,它不需要任何形式的标签,而是基于数据本身的结构推测出簇标签。通过聚类分析、特征工程、建模调参的步骤可获得第一聚类结果,所述第一聚类结果为聚类后按相关特征划分的各个簇的数量,通过聚类分析,构建所述生产流程自检方案,即对IC载板在生产流程中进行自检方案分析,使得载板自检方案更加适合生产流程,进而保证载板加工精度和生产质量。
步骤S800:按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。
具体而言,按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理,如根据生产自检结果对后续生产流程参数进行调整,达到基于遗传算法对载板生产过程的每一个环节自检,通过自检生产特征数据进行共享分析,确定工艺自检方案,可精准预测载板生产环节质量,保证生产加工精度,进而提高载板生产质量和生产效率。
如图3所示,进一步而言,本申请实施例还包括:
步骤S910:构建所述第一载板生产流程的第一生产特征区间;
步骤S920:获得所述第一载板生产流程的第二检测节点特征;
步骤S930:将所述第二检测节点特征输入所述第一生产特征区间,获得第二评估质量结果,其中,所述第二质量评估结果与所述第二检测节点特征相对应;
步骤S940:根判断所述第二质量评估结果是否为最佳质量评估结果,获得第一判断结果;
步骤S950:根据所述第一判断结果,对第二生产特征参数进行调整,所述第二生产特征参数是针对所述第二检测节点特征制定的生产参数。
具体而言,构建所述第一载板生产流程的第一生产特征区间,所述第一生产特征区间包含所述第一载板生产流程的第二检测节点特征的全部取值和所述第二检测节点特征与所述第二质量评估结果的全部映射关系,所述第二检测节点特征是载板生产流程的第二生产检测环节。通过对所述第二检测节点特征进行评估得到第二质量评估结果,将所述第二检测节点特征输入所述第一生产特征区间,可获得与之对应的第二质量评估结果。所述第二质量评估结果用于判断所述第二检测节点特征是否为预期的最佳评估生产质量,当所述第二质量评估结果为最佳评估生产质量,获得第一判断结果。根据所述第一判断结果,对第二生产特征参数进行调整,所述第二生产特征参数是针对所述第二检测节点特征制定的生产参数。所述第一判断结果可以看作对所述第二检测节点特征态的“奖励”,当所述第二检测节点特征满足了一定的要求,便认定为最佳评估生产质量结果并获得相应的“奖励”以支持其下一步动作,而“奖励”的内容是对所述第二检测节点特征做出调整的依据,“下一步动作”指根据上述依据对所述第二检测节点特征做出相应调整,进而保证了数据分析过程按照预定的路线发展,以优化载板生产流程中的生产参数,提高后续载板的生产质量。
如图4所示,进一步而言,其中,所述构建所述第一载板生产流程的第一生产特征区间,本申请实施例步骤S910还包括:
步骤S911:基于所述生产流程自检方案,获得所述第一载板生产流程的第一检测节点特征和所述第一自检装置对所述第一检测节点特征进行自检的第一生产特征参数;
步骤S912:将所述第一生产特征参数和所述第一检测节点特征输入生产质量评估模型,获得第一质量评估结果;
步骤S913:根据所述第一质量评估结果,获得第二检测节点特征,所述第二检测节点特征为所述第一检测节点特征在所述第一生产特征参数之后的检测节点特征;
步骤S914:直到获得第N质量评估结果,第N检测节点特征和第N生产特征参数,构建所述第一载板生产流程的第一生产特征区间。
具体而言,基于所述生产流程自检方案,所述第一检测节点特征为所述第一载板在生产过程中任一时刻的检测生产特征,所述第一生产特征参数为所述第一自检装置对所述第一检测节点特征进行自检的获得的生产特征参数。所述生产质量评估模型为机器学习中的神经网络模型,用于对载板进行生产质量评估,将所述第一生产特征参数和所述第一检测节点特征输入生产质量评估模型,获得所述模型的训练输出结果即第一质量评估结果,根据所述第一评估结果,可获得第二检测节点特征,所述第二检测节点特征为所述第一检测节点特征在所述第一生产特征参数之后的检测节点质量特征,即在所述第一载板进行第一生产特征参数生产后,提取所述第二检测节点特征,可用于评估所述第一生产特征参数的生产质量效果。通过第一质量评估结果,第一检测节点特征和第一生产特征参数直到第N质量评估结果,第N检测节点特征和第N生产特征参数,可进行所述第一载板生产流程的第一生产特征区间的构建,进而优化载板生产流程中的生产参数,以提高后续载板的生产质量和生产效率。
如图5所示,进一步而言,本申请实施例S950还包括:
步骤S951:获得各检测节点特征相互之间的第一关联度;
步骤S952:根据预定载板生产标准,获得预定关联度阈值;
步骤S953:判断所述第一关联度是否在所述预定关联度阈值之内;
步骤S954:如果所述第一关联度在所述预定关联度阈值之内,获得第一修正指令;
步骤S955:根据所述第一修正指令,对所述第二质量评估结果进行关联修正。
具体而言,所述各检测节点特征相互之间的第一关联度为IC载板各检测流程节点之间的关联程度,如通孔加工环节和电镀工艺环节的质量检测关联程度较大,载板通孔要起到层间互联作用,孔内必须金属化导通。各检测环节间的关联度会对载板质量评估产生影响,所述预定载板生产标准为IC载板生产流程需要满足的质量标准,所述预定关联度阈值为按照所述预定载板生产标准,影响各生产检测环节载板质量的关联度范围大小。判断所述第一关联度是否在所述预定关联度阈值之内,如果所述第一关联度在所述预定关联度阈值之内,表明该生产检测环节之间关联程度会影响载板生产质量评估结果。根据所述第一修正指令,对所述第二质量评估结果进行关联修正,结合各生产检测环节之间的关联对载板生产质量进行评估,可精准预测载板生产环节质量,进而保证生产加工精度,提高载板生产质量和生产效率的技术效果。
进一步而言,本申请实施例步骤S914还包括:
步骤S9141:基于所述第一载板生产流程,获得各检测节点特征分别对应的各质量权重值,其中,所述各质量权重值之和为1;
步骤S9142:根据所述各质量权重值对所述生产质量评估模型进行强化训练,获得强化生产质量评估模型;
步骤S9143:根据所述强化生产质量评估模型,获得第一更新质量评估结果。
具体而言,基于所述第一载板生产流程,获得所述各检测节点特征分别对应的各质量权重值,即各检测节点特征占载板质量评估结果的重要程度,权值越大,表明其节点特征重要程度越大,且所述各质量权重值之和为1。所述强化生产质量评估模型是基于所述各质量权重值对所述生产质量评估模型进行强化训练获得的对应评估模型,所述各质量权重值需要进行二次增量学习,由于载板生产质量评估需要结合所述生产质量评估模型的旧训练数据以完成综合的增量学习结果,因此,将所述各质量权重值进行增量学习后能够保留所述生产质量评估模型的基础性能,并且完成对应的增量学习,进而基于所述强化生产质量评估模型,获得对应的输出信息即所述第一更新质量评估结果,其中,所述强化生产质量评估模型为增量学习后的更新后的模型,从而达到了对于延时特征进行增量学习,以提高生产质量评估结果更新性能的技术效果。
进一步而言,本申请实施例还包括:
步骤S1010:基于加密算法,对所述第一生产特征数据链型直到所述第N生产特征数据链进行数据加密,获得加密后的各生产特征数据链;
步骤S1020:将所述加密后的各生产特征数据链通过分布式存储,集成存储至第一载板自检单元中。
具体而言,为保障数据安全性对所述第一生产特征数据链型直到所述第N生产特征数据链进行加密,加密的基本过程就是对原来为明文的文件或数据按某种算法进行处理,使其成为不可读的一段代码为“密文”,使其只能在输入相应的密钥之后才能显示出原容,通过这样的途径来达到保护数据不被非法人窃取、阅读的目的。基于加密算法,获得加密后的各生产特征数据链,加密算法包括DES、3DES、IDEA国际数据加密算法等。将所述加密后的各生产特征数据链通过分布式存储,集成存储至第一载板自检单元中,所述第一载板自检单元用以对IC载板的各生产特征数据链信息进行存储存档。所述分布式存储为一种数据存储技术,通过网络使用企业中的每台机器上的磁盘空间,并将这些分散的存储资源构成一个虚拟的存储设备,数据分散的存储在企业的各个角落,通过区块链的方式将信息存储到一个存储单元里,达到提升溯源不可更改性和安全性的效果。
综上所述,本申请实施例所提供的一种基于IC载板生产流程的自检方法及系统具有如下技术效果:
由于采用了获得第一载板生产流程的第一自检环节信息;根据第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数;根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;以此类推,获得第N载板生产流程的第N生产特征数据链;将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;根据所述第一聚类结果,构建生产流程自检方案;按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。进而达到基于遗传算法对载板生产过程的每一个环节自检,通过自检生产特征数据进行共享分析,确定工艺自检方案,可精准预测载板生产环节质量,保证生产加工精度,进而提高载板生产质量和生产效率的技术效果。
实施例二
基于与前述实施例中一种基于IC载板生产流程的自检方法同样发明构思,本发明还提供了一种基于IC载板生产流程的自检系统,如图6所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一载板生产流程的第一自检环节信息,其中,所述第一自检环节信息来自第一自检装置,所述第一载板生产流程为IC载板的生产流程;
第二获得单元12,所述第二获得单元12用于获得所述第一自检装置的检测效率系数;
第三获得单元13,所述第三获得单元13用于根据所述第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数;
第四获得单元14,所述第四获得单元14用于根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;
第五获得单元15,所述第五获得单元15用于以此类推,获得第N载板生产流程的第N生产特征数据链;
第六获得单元16,所述第六获得单元16用于将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;
第一构建单元17,所述第一构建单元17用于根据所述第一聚类结果,构建生产流程自检方案;
第一管理单元18,所述第一管理单元18用于按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于获得所述第一自检装置的检测效率系数的取值阈值;
第八获得单元,所述第八获得单元用于从所述第一自检装置的检测效率系数的取值阈值中随机获得M个检测效率系数;
第九获得单元,所述第九获得单元用于根据遗传算法对所述M个检测效率系数进行计算,获得M个预测生产特征曲线,其中,所述M个预测生产特征曲线与所述M个检测效率系数一一对应;
第十获得单元,所述第十获得单元用于获得所述第一载板生产流程的实际生产特征曲线;
第十一获得单元,所述第十一获得单元用于比较所述M个预测生产特征曲线与所述实际生产特征曲线,获得所述第一自检装置的检测效率系数,其中,所述第一自检装置的检测效率系数相对应的预测生产特征曲线与所述实际生产特征曲线的相似度最大。
进一步的,所述系统还包括:
第二构建单元,所述第二构建单元用于构建所述第一载板生产流程的第一生产特征区间;
第十二获得单元,所述第十二获得单元用于获得所述第一载板生产流程的第二检测节点特征;
第十三获得单元,所述第十三获得单元用于将所述第二检测节点特征输入所述第一生产特征区间,获得第二评估质量结果,其中,所述第二质量评估结果与所述第二检测节点特征相对应;
第一判断单元,所述第一判断单元用于判断所述第二质量评估结果是否为最佳质量评估结果,获得第一判断结果;
第一调整单元,所述第一调整单元用于根据所述第一判断结果,对第二生产特征参数进行调整,所述第二生产特征参数是针对所述第二检测节点特征制定的生产参数。
进一步的,所述系统还包括:
第十四获得单元,所述第十四获得单元用于基于所述生产流程自检方案,获得所述第一载板生产流程的第一检测节点特征和所述第一自检装置对所述第一检测节点特征进行自检的第一生产特征参数;
第十五获得单元,所述第十五获得单元用于将所述第一生产特征参数和所述第一检测节点特征输入生产质量评估模型,获得第一质量评估结果;
第十六获得单元,所述第十六获得单元用于根据所述第一质量评估结果,获得第二检测节点特征,所述第二检测节点特征为所述第一检测节点特征在所述第一生产特征参数之后的检测节点特征;
第三构建单元,所述第三构建单元用于直到获得第N质量评估结果,第N检测节点特征和第N生产特征参数,构建所述第一载板生产流程的第一生产特征区间。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于获得各检测节点特征相互之间的第一关联度;
第十八获得单元,所述第十八获得单元用于根据预定载板生产标准,获得预定关联度阈值;
第二判断单元,所述第二判断单元用于判断所述第一关联度是否在所述预定关联度阈值之内;
第十九获得单元,所述第十九获得单元用于如果所述第一关联度在所述预定关联度阈值之内,获得第一修正指令;
第一修正单元,所述第一修正单元用于根据所述第一修正指令,对所述第二质量评估结果进行关联修正。
进一步的,所述系统还包括:
第二十获得单元,所述第二十获得单元用于基于所述第一载板生产流程,获得各检测节点特征分别对应的各质量权重值,其中,所述各质量权重值之和为1;
第二十一获得单元,所述第二十一获得单元用于根据所述各质量权重值对所述生产质量评估模型进行强化训练,获得强化生产质量评估模型;
第二十二获得单元,所述第二十二获得单元用于根据所述强化生产质量评估模型,获得第一更新质量评估结果。
进一步的,所述系统还包括:
第二十三获得单元,所述第二十三获得单元用于基于加密算法,对所述第一生产特征数据链型直到所述第N生产特征数据链进行数据加密,获得加密后的各生产特征数据链;
第一存储单元,所述第一存储单元用于将所述加密后的各生产特征数据链通过分布式存储,集成存储至第一载板自检单元中。
前述图1实施例一中的一种基于IC载板生产流程的自检方法的各种变化方式和具体实例同样适用于本实施例的一种基于IC载板生产流程的自检系统,通过前述对一种基于IC载板生产流程的自检方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于IC载板生产流程的自检系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图7所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作装置1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作装置1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于IC载板生产流程的自检方法,其中,所述方法包括:
获得第一载板生产流程的第一自检环节信息,其中,所述第一自检环节信息来自第一自检装置,所述第一载板生产流程为IC载板的生产流程;
获得所述第一自检装置的检测效率系数;
根据所述第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数;
根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;
以此类推,获得第N载板生产流程的第N生产特征数据链;
将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;
根据所述第一聚类结果,构建生产流程自检方案;
按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。
2.如权利要求1所述的方法,其中,所述获得所述第一自检装置的检测效率系数,包括:
获得所述第一自检装置的检测效率系数的取值阈值;
从所述第一自检装置的检测效率系数的取值阈值中随机获得M个检测效率系数;
根据遗传算法对所述M个检测效率系数进行计算,获得M个预测生产特征曲线,其中,所述M个预测生产特征曲线与所述M个检测效率系数一一对应;
获得所述第一载板生产流程的实际生产特征曲线;
比较所述M个预测生产特征曲线与所述实际生产特征曲线,获得所述第一自检装置的检测效率系数,其中,所述第一自检装置的检测效率系数相对应的预测生产特征曲线与所述实际生产特征曲线的相似度最大。
3.如权利要求1所述的方法,其中,所述方法包括:
构建所述第一载板生产流程的第一生产特征区间;
获得所述第一载板生产流程的第二检测节点特征;
将所述第二检测节点特征输入所述第一生产特征区间,获得第二评估质量结果,其中,所述第二质量评估结果与所述第二检测节点特征相对应;
判断所述第二质量评估结果是否为最佳质量评估结果,获得第一判断结果;
根据所述第一判断结果,对第二生产特征参数进行调整,所述第二生产特征参数是针对所述第二检测节点特征制定的生产参数。
4.如权利要求3所述的方法,其中,所述构建所述第一载板生产流程的第一生产特征区间,包括:
基于所述生产流程自检方案,获得所述第一载板生产流程的第一检测节点特征和所述第一自检装置对所述第一检测节点特征进行自检的第一生产特征参数;
将所述第一生产特征参数和所述第一检测节点特征输入生产质量评估模型,获得第一质量评估结果;
根据所述第一质量评估结果,获得第二检测节点特征,所述第二检测节点特征为所述第一检测节点特征在所述第一生产特征参数之后的检测节点特征;
直到获得第N质量评估结果,第N检测节点特征和第N生产特征参数,构建所述第一载板生产流程的第一生产特征区间。
5.如权利要求3所述的方法,其中,所述方法包括:
获得各检测节点特征相互之间的第一关联度;
根据预定载板生产标准,获得预定关联度阈值;
判断所述第一关联度是否在所述预定关联度阈值之内;
如果所述第一关联度在所述预定关联度阈值之内,获得第一修正指令;
根据所述第一修正指令,对所述第二质量评估结果进行关联修正。
6.如权利要求4所述的方法,其中,所述方法包括:
基于所述第一载板生产流程,获得各检测节点特征分别对应的各质量权重值,其中,所述各质量权重值之和为1;
根据所述各质量权重值对所述生产质量评估模型进行强化训练,获得强化生产质量评估模型;
根据所述强化生产质量评估模型,获得第一更新质量评估结果。
7.如权利要求1所述的方法,其中,所述方法包括:
基于加密算法,对所述第一生产特征数据链型直到所述第N生产特征数据链进行数据加密,获得加密后的各生产特征数据链;
将所述加密后的各生产特征数据链通过分布式存储,集成存储至第一载板自检单元中。
8.一种基于IC载板生产流程的自检系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一载板生产流程的第一自检环节信息,其中,所述第一自检环节信息来自第一自检装置,所述第一载板生产流程为IC载板的生产流程;
第二获得单元,所述第二获得单元用于获得所述第一自检装置的检测效率系数;
第三获得单元,所述第三获得单元用于根据所述第一自检装置的检测效率系数和所述第一载板生产流程的检测节点特征数据,获得所述第一载板生产流程在所述第一自检装置的检测下的第一生产特征损失函数,所述第一生产特征损失函数用于表示所述第一载板生产流程在所述第一自检装置检测下的初始生产特征节点数据到当前生产特征节点数据的生产特征损失函数;
第四获得单元,所述第四获得单元用于根据所述第一生产特征损失函数,获得所述第一载板生产流程的第一生产特征数据链;
第五获得单元,所述第五获得单元用于以此类推,获得第N载板生产流程的第N生产特征数据链;
第六获得单元,所述第六获得单元用于将所述第一生产特征数据链直到所述第N生产特征数据链进行聚类分析,获得第一聚类结果;
第一构建单元,所述第一构建单元用于根据所述第一聚类结果,构建生产流程自检方案;
第一管理单元,所述第一管理单元用于按照所述生产流程自检方案,对所述IC载板的生产流程进行自检管理。
9.一种基于IC载板生产流程的自检电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284071.5A CN113988438A (zh) | 2021-11-01 | 2021-11-01 | 一种基于ic载板生产流程的自检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284071.5A CN113988438A (zh) | 2021-11-01 | 2021-11-01 | 一种基于ic载板生产流程的自检方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988438A true CN113988438A (zh) | 2022-01-28 |
Family
ID=79745471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111284071.5A Pending CN113988438A (zh) | 2021-11-01 | 2021-11-01 | 一种基于ic载板生产流程的自检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988438A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801202B (zh) * | 2022-04-13 | 2023-05-01 | 瑞昱半導體股份有限公司 | 電路驗證方法 |
CN116563293A (zh) * | 2023-07-11 | 2023-08-08 | 南通玖方新材料科技有限公司 | 一种基于机器视觉的光伏载具生产质量检测方法及系统 |
-
2021
- 2021-11-01 CN CN202111284071.5A patent/CN113988438A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801202B (zh) * | 2022-04-13 | 2023-05-01 | 瑞昱半導體股份有限公司 | 電路驗證方法 |
CN116563293A (zh) * | 2023-07-11 | 2023-08-08 | 南通玖方新材料科技有限公司 | 一种基于机器视觉的光伏载具生产质量检测方法及系统 |
CN116563293B (zh) * | 2023-07-11 | 2023-11-21 | 南通玖方新材料股份有限公司 | 一种基于机器视觉的光伏载具生产质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190109427A (ko) | 침입 탐지를 위한 지속적인 학습 | |
CN113988438A (zh) | 一种基于ic载板生产流程的自检方法及系统 | |
CN116842768B (zh) | 一种钢结构件生产工艺优化方法及系统 | |
Nepomuceno et al. | On the lower bound error for discrete maps using associative property | |
CN110855648A (zh) | 一种网络攻击的预警控制方法及装置 | |
CN112740233A (zh) | 网络量化方法、推理方法以及网络量化装置 | |
US20230153500A1 (en) | Method and system for using deep learning to improve design verification by optimizing code coverage, functional coverage, and bug detection | |
CN115098292B (zh) | 应用程序崩溃根原因识别方法、装置及电子设备 | |
Mazahir et al. | Probabilistic error analysis of approximate adders and multipliers | |
US8327196B2 (en) | Identifying an optimized test bit pattern for analyzing electrical communications channel topologies | |
Huang et al. | Dissimilarity‐based test case prioritization through data fusion | |
KR20210086233A (ko) | 완화된 프루닝을 통한 행렬 데이터 처리 방법 및 그 장치 | |
CN113917263B (zh) | 一种基于预测数据的异常能耗二次监测的方法及系统 | |
CN115827705A (zh) | 用于反事实解释的数据处理方法和装置 | |
Lu et al. | Communication-Efficient $ k $ k-Means for Edge-Based Machine Learning | |
CN113609126A (zh) | 一种众源时空数据的一体化存储管理方法及系统 | |
CN113760407A (zh) | 信息处理方法、装置、设备及存储介质 | |
EP3518153A1 (en) | Information processing method and information processing system | |
CN114238976B (zh) | 文件的检测方法、装置、可读介质和电子设备 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN116521761B (zh) | 基于人工智能的传感器运行行为挖掘方法及系统 | |
CN114095076B (zh) | 一种基于bidi系统的olp光线路保护切换监测方法及装置 | |
CN117877753B (zh) | 基于多元数据的大流行病的监控方法、系统、设备和介质 | |
CN116992033B (zh) | 文本分类的阈值确定方法、分类方法及相关装置 | |
US20240126899A1 (en) | Method, apparatus, device and medium for protecting sensitive data |
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 |