CN114063668A - 一种miniLED线路板的生产温度智能控制的方法及系统 - Google Patents
一种miniLED线路板的生产温度智能控制的方法及系统 Download PDFInfo
- Publication number
- CN114063668A CN114063668A CN202111284022.1A CN202111284022A CN114063668A CN 114063668 A CN114063668 A CN 114063668A CN 202111284022 A CN202111284022 A CN 202111284022A CN 114063668 A CN114063668 A CN 114063668A
- Authority
- CN
- China
- Prior art keywords
- information
- welding
- obtaining
- circuit board
- temperature
- 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1927—Control of temperature characterised by the use of electric means using a plurality of sensors
- G05D23/193—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces
- G05D23/1931—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces to control the temperature of one space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06N3/045—Combinations of 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
Abstract
本申请公开了一种miniLED线路板的生产温度智能控制的方法及系统,所述方法包括:通过获得助焊剂信息;根据所述助焊剂信息,获得焊接关系数据库;利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;获得线路板焊接元件信息;根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。解决了现有技术中存在无法智能化控制mini LED线路板的焊接温度,导致mini LED线路板出现大量空洞的技术问题。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种miniLED线路板的生产温度智能控制的方法及系统。
背景技术
Mini LED是LED屏幕的一种,但其芯片尺寸介于50-200um之间,是LED微缩化和矩阵化后的技术产物。Mini LED采用LED芯片尺寸为微米等级,每张mini LED线路板上通常会有数千个芯片,上万个焊点,以连接RGB三色芯片。如此巨量的焊点,给芯片的封装焊接带来了很大的难度。随着mini LED的进入商品化阶段,针对其线路板焊接研究成为亟需解决的热点问题。在mini LED线路板生产的过程中,焊点内部常常会因为多种原因导致出现空洞,少量的空洞的出现对焊点不会造成太大影响,但大量出现就会影响到焊点可靠性。研究发现空洞的出现与助焊剂的蒸发不完全有关,引起空洞的原因可能包括助焊剂比例不合适、预热温度偏低、焊接时间过短、操作过程中沾染有机物等多种情况。其中,焊接过程中的温度曲线对mini LED线路板焊接质量影响较大,研究如何通过智能化控制mini LED线路板焊接温度,从而保证mini LED线路板的焊接质量,具有重要的现实意义。
本申请发明人在实现本申请实施例中技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在无法智能化控制mini LED线路板的焊接温度,导致mini LED线路板出现大量空洞的技术问题。
发明内容
本申请的目的是提供一种miniLED线路板的生产温度智能控制的方法,用以解决现有技术中存在无法智能化控制mini LED线路板的焊接温度,导致mini LED线路板出现大量空洞的技术问题。
鉴于上述问题,本申请实施例提供了一种miniLED线路板的生产温度智能控制的方法。
第一方面,本申请提供了一种miniLED线路板的生产温度智能控制的方法,所述方法通过一种miniLED线路板的生产温度智能控制的系统实现,其中,所述方法包括:通过获得助焊剂信息;根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;获得线路板焊接元件信息;根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
另一方面,本申请还提供了一种miniLED线路板的生产温度智能控制的系统,用于执行如第一方面所述的一种miniLED线路板的生产温度智能控制的方法,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助焊剂信息;第二获得单元:所述第二获得单元用于根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;第三获得单元:所述第三获得单元用于利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;第四获得单元:所述第四获得单元用于获得线路板焊接元件信息;第五获得单元:所述第五获得单元用于根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;第六获得单元:所述第六获得单元用于将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;第七获得单元:所述第七获得单元用于根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
第三方面,本申请实施例还提供了一种miniLED线路板的生产温度智能控制的系统,包括存储器、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,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
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:
1.通过获得助焊剂信息;根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;获得线路板焊接元件信息;根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。达到了基于焊接关系匹配模型智能化控制mini LED线路板的焊接温度,从而避免mini LED线路板成品出现大量空洞,最终达到提高mini LED线路板焊点可靠性的技术效果。
2.通过基于待焊接mini LED线路板板材信息和待焊接元件材质信息对所述助焊剂焊接效果的影响系数,对所述助焊剂的焊接参数特性要求进行针对性调整,从而得到最终的焊接元件要求信息。达到了为后续模型基于焊接元件要求信息智能化匹配生产温度提供准确的要求信息,从而使得模型智能化控制温度更加准确,达到系统控制准确性的技术效果。
3.通过损失数据的训练后的所述焊接关系匹配模型保留了原焊接关系匹配模型的基本功能,并维持模型不断更新的性能,从而提高了预测的更新性能,达到了保证匹配影响结果准确性的技术效果。
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
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例一种miniLED线路板的生产温度智能控制的方法的流程示意图;
图2为本申请实施例一种miniLED线路板的生产温度智能控制的方法中获得所述焊接元件要求信息的流程示意图;
图3为本申请实施例一种miniLED线路板的生产温度智能控制的方法中对所述焊接关系匹配模型进行优化的流程示意图;
图4为本申请实施例一种miniLED线路板的生产温度智能控制的系统中获得所述焊接关系数据库的流程示意图;
图5为本申请实施例一种miniLED线路板的生产温度智能控制的系统的结构示意图;
图6为本申请实施例示例性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,第七获得单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种miniLED线路板的生产温度智能控制的方法,解决了现有技术中存在无法智能化控制mini LED线路板的焊接温度,导致mini LED线路板出现大量空洞的技术问题。达到了基于焊接关系匹配模型智能化控制mini LED线路板的焊接温度,从而避免mini LED线路板成品出现大量空洞,最终达到提高mini LED线路板焊点可靠性的技术效果。
下面,将参考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的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
申请概述
Mini LED是LED屏幕的一种,但其芯片尺寸介于50-200um之间,是LED微缩化和矩阵化后的技术产物。Mini LED采用LED芯片尺寸为微米等级,每张mini LED线路板上通常会有数千个芯片,上万个焊点,以连接RGB三色芯片。如此巨量的焊点,给芯片的封装焊接带来了很大的难度。随着mini LED的进入商品化阶段,针对其线路板焊接研究成为亟需解决的热点问题。在mini LED线路板生产的过程中,焊点内部常常会因为多种原因导致出现空洞,少量的空洞的出现对焊点不会造成太大影响,但大量出现就会影响到焊点可靠性。研究发现空洞的出现与助焊剂的蒸发不完全有关,引起空洞的原因可能包括助焊剂比例不合适、预热温度偏低、焊接时间过短、操作过程中沾染有机物等多种情况。其中,焊接过程中的温度曲线对mini LED线路板焊接质量影响较大,研究如何通过智能化控制mini LED线路板焊接温度,从而保证mini LED线路板的焊接质量,具有重要的现实意义。
现有技术中存在无法智能化控制mini LED线路板的焊接温度,导致mini LED线路板出现大量空洞的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种miniLED线路板的生产温度智能控制的方法,所述方法应用于一种miniLED线路板的生产温度智能控制的系统,其中,所述方法包括:通过获得助焊剂信息;根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;获得线路板焊接元件信息;根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1,本申请实施例提供了一种miniLED线路板的生产温度智能控制的方法,其中,所述方法应用于一种miniLED线路板的生产温度智能控制的系统,所述方法具体包括如下步骤:
步骤S100:获得助焊剂信息;
具体而言,所述一种miniLED线路板的生产温度智能控制的方法应用于所述一种miniLED线路板的生产温度智能控制的系统,可以基于焊接关系匹配模型智能化控制miniLED线路板的焊接温度,从而避免miniLED线路板成品出现大量空洞,最终达到提高miniLED线路板焊点可靠性的技术效果。助焊剂是指在焊接工艺中能帮助和促进焊接过程,同时具有保护作用、阻止氧化反应的化学物质。所述助焊剂信息包括助焊剂的种类、状态、特征等相关信息。通过获取所述助焊剂信息,达到了全面了解焊接使用助焊剂相关性能和参数,为后续分析焊接条件提供参考的技术效果
步骤S200:根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;
具体而言,基于所述助焊剂信息,可以明确所述焊接剂焊接操作时对应适宜的焊接温度时间信息、助焊剂特性信息、焊接效果信息,进一步分析各项信息之间的关系,可以得到所述焊接温度时间信息、所述助焊剂特性信息和所述焊接效果信息之间的相互映射关系,最后整理得到所述焊接关系数据库。通过基于助焊剂相关信息,分析得到助焊剂在实际焊接操作中的使用特性及各性质之间的相互影响关系,从而实现了所述助焊剂对应焊接关系数据库的构建目标,为后续模型的训练提供了训练数据。
步骤S300:利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;
具体而言,基于所述焊接关系数据库中焊接温度时间信息、助焊剂特性信息、焊接效果信息之间的相互映射关系,利用神经网络智能化进行计算机深度学习,从而得到所述焊接关系匹配模型。通过依次输入各组映射关系信息,训练得到准确性和个性化程度较高的焊接关系匹配模型,为后续基于温度控制对miniLED线路板智能控制提供模型基础。
步骤S400:获得线路板焊接元件信息;
步骤S500:根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;
具体而言,所述线路板焊接元件信息是指待基于miniLED线路板进行焊接元件的相关信息。其中,所述线路板焊接元件信息包括待焊接元件的尺寸、类型、焊接位置等相关焊接信息。进一步的,综合分析所述线路板焊接元件信息和对应所述助焊剂信息,可以确定待焊接的所述线路板焊接元件,在利用所述助焊剂进行焊接操作时应当达到的相关焊接要求。最终形成所述焊接元件要求信息。举例如某次Cu焊接操作,要求焊接后的效果是物体表面呈现黑色,那么对应焊接温度应该为高温,因为Cu暴露在空气中氧化后生成表面氧化膜,而低温生成暗红色的Cu2O,高温下生成黑色的CuO。通过综合分析达到了明确对应焊接元件相关焊接要求,为后续焊接方案提供指导的技术效果。
步骤S600:将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;
具体而言,所述焊接关系匹配模型为神经网络模型,具有神经网络模型的特性。所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一种具有局部连接、权值共享等特点的深层前馈神经网络,是一个高度复杂的非线性动力学习系统。神经网络由大量的节点(或称神经元)之间相互连接构成,每个节点代表一种特定的输出函数称为激励函数,每两个节点之间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆,网络的输出则依照网络的连接方式,是对一种逻辑策略的表达,基于神经网络模型建立的所述焊接关系匹配模型能够输出准确的所述生产温度匹配要求,从而具备了较强的分析计算能力,达到了准确而高效的技术效果。
通过将所述焊接元件要求信息输入所述焊接关系匹配模型中,经过焊接关系匹配模型智能化分析,可以输出所述焊接元件要求信息中焊接效果信息对应的生产温度匹配要求。通过基于焊接要求,焊接关系匹配模型智能化匹配焊接温度,从而达到为实际焊接生产提供理论指导的技术效果。
步骤S700:根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
具体而言,根据所述焊接关系匹配模型智能化匹配得到的生产温度匹配要求,miniLED线路板生产温度智能控制系统自动形成对应的生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接的温度。达到了基于焊接关系匹配模型智能化控制miniLED线路板的焊接温度,从而避免miniLED线路板成品出现大量空洞,最终达到提高miniLED线路板焊点可靠性的技术效果。
进一步的,如附图2所示,本申请实施例步骤S500还包括:
步骤S510:获得线路板信息,所述线路板信息包括线路板材质信息;
步骤S520:获得焊接元件信息,所述焊接元件信息包括元件尺寸信息、元件焊点位置、元件材质信息;
步骤S530:根据所述线路板材质信息与所述助焊剂信息,获得第一影响系数;
步骤S540:根据所述元件材质信息与所述助焊剂信息,获得第二影响系数;
步骤S550:根据所述元件尺寸信息、所述元件焊点位置,获得焊点尺寸要求;
步骤S560:根据所述助焊剂信息,获得助焊剂特性信息;
步骤S570:根据所述焊点尺寸要求、所述助焊剂特性信息,获得焊接参数特性要求,所述焊接参数特性要求,包括助焊剂特性要求信息、焊接效果要求信息;
步骤S580:根据所述第一、第二影响系数对所述焊接参数特性要求进行调整,获得所述焊接元件要求信息。
具体而言,所述线路板信息是指待焊接miniLED线路板相关信息,包括线路板材质信息等。所述焊接元件信息是指待基于miniLED线路板进行焊接元件的相关信息,包括待焊接元件的尺寸信息、类型信息、元件焊接位置、元件材质信息等相关焊接信息。综合分析所述线路板材质信息与所述助焊剂信息,获得miniLED线路板对焊接效果影响程度,即为所述第一影响系数。同样的,综合分析所述元件材质信息与所述助焊剂信息,获得待焊接元件信息对焊接效果影响程度,即为所述第二影响系数。
进一步的,基于待焊接元件的元件尺寸信息和元件对应焊点位置,可以确定所述焊接元件对应焊点的尺寸要求。此外,基于所述助焊剂信息分析确定所述助焊剂特性信息,所述助焊剂特性信息是指助焊剂本身的理化性质。举例如树脂焊剂松香,通常是从树木的分泌物中提取,属于天然产物,没有腐蚀性;无机系列助焊剂的化字作用强,助焊性能非常好,但腐蚀作用大,属于酸性生焊剂。最后,综合所述焊点尺寸要求和所述助焊剂特性信息,得到焊接参数特性要求。其中,所述焊接参数特性要求包括助焊剂特性要求信息、焊接效果要求信息,彼此之间具备相互映射关系。进而基于所述第一、第二影响系数,对所述助焊剂的焊接参数特性要求进行调整,获得所述焊接元件要求信息。
通过基于待焊接miniLED线路板板材信息和待焊接元件材质信息对所述助焊剂焊接效果的影响系数,对所述助焊剂的焊接参数特性要求进行针对性调整,从而得到最终的焊接元件要求信息。达到了为后续模型基于焊接元件要求信息智能化匹配生产温度提供准确的要求信息,从而使得模型智能化控制温度更加准确,达到系统控制准确性的技术效果。
进一步的,如附图3所示,本申请实施例步骤S300还包括:
步骤S310:根据所述助焊剂信息,获得助焊剂属性信息;
步骤S320:根据所述助焊剂属性信息,获得属性影响因素;
步骤S330:基于所述属性影响因素在所述焊接关系数据库中遍历比对,获得差异因素信息;
步骤S340:获得焊接环境信息;
步骤S350:判断所述焊接环境信息是否包含所述差异因素信息,当包含时,根据差异因素信息,获得差异焊接关系数据库;
步骤S360:利用所述差异焊接关系数据库对所述焊接关系匹配模型进行增量学习,对所述焊接关系匹配模型进行优化。
具体而言,基于所述助焊剂信息,查询可以得到所述助焊剂的属性信息,进一步分析可以确定影响所述助焊剂相关属性的影响因素。举例如某树脂型助焊剂耐高温性能差,因此可以确定影响该树脂助焊剂的影响因素包括温度。进一步将所述属性影响因素在所述焊接关系数据库中进行遍历比对,获得所述属性影响因素与所述焊接关系数据库间的差异因素信息。
利用各类采集设备调研焊接环境相关信息,举例如空气湿度、温度等,并判断所述焊接环境信息是否包含所述差异因素信息。当所述焊接环境信息包含所述差异因素信息时,所述miniLED线路板的生产温度智能控制的系统自动根据所述差异因素信息构建所述差异焊接关系数据库,进而利用所述差异焊接关系数据库对所述焊接关系匹配模型进行增量学习,即完成对所述焊接关系匹配模型的优化。所述焊接关系匹配模型是基于所述焊接关系数据库进行数据训练获得的,通过差异焊接关系数据库对所述焊接关系匹配模型进行训练,即通过引入损失函数完成数据损失的分析进而获得所述损失数据。
由于所述焊接关系匹配模型是多个神经元相互连接组成构成神经网络获得的,因此通过损失数据的训练后的所述焊接关系匹配模型保留了原焊接关系匹配模型的基本功能,并维持模型不断更新的性能,从而提高了预测的更新性能,达到了保证匹配影响结果准确性的技术效果。
进一步的,本申请实施例步骤S340还包括:
步骤S341:根据所述焊接环境信息,提取影响因素数据;
步骤S342:将所述影响因素数据输入优化后的焊接关系匹配模型,获得预测控制策略;
步骤S343:利用所述预测控制策略对所述生产温度控制策略进行优化调整。
具体而言,在miniLED线路板生产的过程中,焊点内部常常会因为多种原因导致出现空洞,少量的空洞的出现对焊点不会造成太大影响,但大量出现就会影响到焊点可靠性。事实上,研究已经证明引起空洞的原因可能包括助焊剂比例不合适、预热温度偏低、焊接时间过短、操作过程中沾染有机物等多种情况。基于采集到的所述焊接环境信息,提取影响助焊剂焊接操作的相关环境因素,组成所述影响因素数据。将所述影响因素数据输入优化后的焊接关系匹配模型,获得环境因素变化对应的预测控制策略,进而利用所述预测控制策略对所述助焊剂焊接miniLED线路板的生产温度控制策略进行优化调整。通过将焊接环境中除温度外,其他可能引起助焊剂焊接效果变化的因素添加进焊接关系匹配模型,从而提高了模型数据分析的全面性,使得到的生产温度控制策略更加准确有效。
进一步的,如附图4所示,本申请实施例步骤S200还包括:
步骤S210:根据所述助焊剂信息,获得历史焊接关系数据集;
步骤S220:根据所述助焊剂信息,获得第一模拟环境;
步骤S230:根据所述历史焊接关系数据库,获得温度调节控制要求,所述温度调节控制要求不包含于所述历史焊接关系数据库中;
步骤S240:根据温度调节控制要求对所述第一模拟环境进行温度调整控制,获得监测焊接关系数据集;
步骤S250:根据所述历史焊接关系数据集,所述监测焊接关系数据集,获得所述焊接关系数据库。
具体而言,根据所述助焊剂信息获得历史焊接温度时间信息、历史助焊剂特性信息、历史焊接效果信息及历史焊接温度时间信息、历史助焊剂特性信息、历史焊接效果信息之间的映射关系,从而构建得到所述历史焊接关系数据集。
针对历史焊接关系数据集中数据信息不完整的情况,首先基于所述助焊剂信息,构建合理的焊接模拟环境,即所述第一模拟环境。举例如AR模拟。进一步根据所述历史焊接关系数据库获得温度调节控制要求。其中,所述温度调节控制要求不包含于所述历史焊接关系数据库中。最后根据温度调节控制要求对所述第一模拟环境进行温度调整控制。最终通过模拟得到所述监测焊接关系数据集。结合所述历史焊接关系数据集和所述监测焊接关系数据集,获得数据完整的所述焊接关系数据库。达到了基于计算机模拟试验获取完整焊接关系数据的技术效果。
进一步的,本申请实施例还包括步骤S590:
步骤S591:获得焊接环境信息;
步骤S592:根据所述线路板材质信息、所述焊接环境信息,获得线路板温度信息;
步骤S593:根据所述线路板温度信息,所述助焊剂特性信息,获得温度影响信息;
步骤S594:判断所述温度影响信息是否满足预设要求;
步骤S595:当满足时,根据所述温度影响信息对所述焊接元件要求信息进行调整;
步骤S596:当不满足时,维持所述焊接元件要求信息不变。
具体而言,采集获得焊接环境信息,进而结合所述线路板材质信息得到对应线路板温度信息。根据所述线路板温度信息和所述助焊剂特性信息,获得温度影响信息。进一步判断所述温度影响信息是否满足预设要求。其中,所述预设要求是指系统预先设置的环境对线路板温度产生影响的程度值。当所述温度影响信息满足预设要求时,系统自动根据所述温度影响信息对所述焊接元件要求信息进行调整;当不满足时维持所述焊接元件要求信息不变。也就是说,当环境对线路板温度会产生影响时,对焊接温度进行对应的调整可以更为贴合焊接的温度控制要求。
进一步的,本申请实施例步骤S600还包括:
步骤S610:根据所述焊接元件要求信息,获得助焊剂特性要求信息、焊接效果要求信息;
步骤S620:将所述助焊剂特性要求信息、焊接效果要求信息输入所述焊接关系匹配模型中,利用所述助焊剂特性要求信息进行匹配计算,所述焊接关系匹配模型为通过包括所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息及其之间映射关系的焊接关系数据库进行训练收敛获得的;
步骤S630:获得焊接关系匹配模型的输出结果,所述输出结果包括所述生产温度匹配要求,所述生产温度匹配要求包括了与所述助焊剂特性要求信息、所述焊接效果要求信息相匹配的焊接温度时间信息。
具体而言,所述焊接关系匹配模型为神经网络模型,具有神经网络模型的特性。所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一种具有局部连接、权值共享等特点的深层前馈神经网络,是一个高度复杂的非线性动力学习系统。所述焊接关系匹配模型由所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息及其之间映射关系的焊接关系数据库训练而成,能根据训练数据进行不断的自我训练学习,经过不断地自我的修正,当所述焊接关系匹配模型的输出信息达到预定的准确率/收敛状态时,则监督学习过程结束。通过对所述焊接关系匹配模型进行数据训练,使得所述焊接关系匹配模型处理输入数据更加准确,进而使得输出的所述生产温度匹配要求也更加准确,其中,所述生产温度匹配要求包括了与所述助焊剂特性要求信息、所述焊接效果要求信息相匹配的焊接温度时间信息。达到了准确获得数据信息,提高评估结果智能化的技术效果。
综上所述,本申请实施例所提供的一种miniLED线路板的生产温度智能控制的方法具有如下技术效果:
1.通过获得助焊剂信息;根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;获得线路板焊接元件信息;根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。达到了基于焊接关系匹配模型智能化控制mini LED线路板的焊接温度,从而避免mini LED线路板成品出现大量空洞,最终达到提高mini LED线路板焊点可靠性的技术效果。
2.通过基于待焊接mini LED线路板板材信息和待焊接元件材质信息对所述助焊剂焊接效果的影响系数,对所述助焊剂的焊接参数特性要求进行针对性调整,从而得到最终的焊接元件要求信息。达到了为后续模型基于焊接元件要求信息智能化匹配生产温度提供准确的要求信息,从而使得模型智能化控制温度更加准确,达到系统控制准确性的技术效果。
3.通过损失数据的训练后的所述焊接关系匹配模型保留了原焊接关系匹配模型的基本功能,并维持模型不断更新的性能,从而提高了预测的更新性能,达到了保证匹配影响结果准确性的技术效果。
实施例二
基于与前述实施例中一种miniLED线路板的生产温度智能控制的方法,同样发明构思,本发明还提供了一种miniLED线路板的生产温度智能控制的系统,请参阅附图5,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得助焊剂信息;
第二获得单元12,所述第二获得单元12用于根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;
第三获得单元13,所述第三获得单元13用于利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;
第四获得单元14,所述第四获得单元14用于获得线路板焊接元件信息;
第五获得单元15,所述第五获得单元15用于根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;
第六获得单元16,所述第六获得单元16用于将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;
第七获得单元17,所述第七获得单元17用于根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于获得线路板信息,所述线路板信息包括线路板材质信息;
第九获得单元,所述第九获得单元用于获得焊接元件信息,所述焊接元件信息包括元件尺寸信息、元件焊点位置、元件材质信息;
第十获得单元,所述第十获得单元用于根据所述线路板材质信息与所述助焊剂信息,获得第一影响系数;
第十一获得单元,所述第十一获得单元用于根据所述元件材质信息与所述助焊剂信息,获得第二影响系数;
第十二获得单元,所述第十二获得单元用于根据所述元件尺寸信息、所述元件焊点位置,获得焊点尺寸要求;
第十三获得单元,所述第十三获得单元用于根据所述助焊剂信息,获得助焊剂特性信息;
第十四获得单元,所述第十四获得单元用于根据所述焊点尺寸要求、所述助焊剂特性信息,获得焊接参数特性要求,所述焊接参数特性要求,包括助焊剂特性要求信息、焊接效果要求信息;
第十五获得单元,所述第十五获得单元用于根据所述第一、第二影响系数对所述焊接参数特性要求进行调整,获得所述焊接元件要求信息。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于根据所述助焊剂信息,获得助焊剂属性信息;
第十七获得单元,所述第十七获得单元用于根据所述助焊剂属性信息,获得属性影响因素;
第十八获得单元,所述第十八获得单元用于基于所述属性影响因素在所述焊接关系数据库中遍历比对,获得差异因素信息;
第十九获得单元,所述第十九获得单元用于获得焊接环境信息;
第二十获得单元,所述第二十获得单元用于判断所述焊接环境信息是否包含所述差异因素信息,当包含时,根据差异因素信息,获得差异焊接关系数据库;
第一执行单元,所述第一执行单元用于利用所述差异焊接关系数据库对所述焊接关系匹配模型进行增量学习,对所述焊接关系匹配模型进行优化。
进一步的,所述系统还包括:
第一提取单元,所述第一提取单元用于根据所述焊接环境信息,提取影响因素数据;
第二十一获得单元,所述第二十一获得单元用于将所述影响因素数据输入优化后的焊接关系匹配模型,获得预测控制策略;
第二执行单元,所述第二执行单元用于利用所述预测控制策略对所述生产温度控制策略进行优化调整。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于根据所述助焊剂信息,获得历史焊接关系数据集;
第二十三获得单元,所述第二十三获得单元用于根据所述助焊剂信息,获得第一模拟环境;
第二十四获得单元,所述第二十四获得单元用于根据所述历史焊接关系数据库,获得温度调节控制要求,所述温度调节控制要求不包含于所述历史焊接关系数据库中;
第二十五获得单元,所述第二十五获得单元用于根据温度调节控制要求对所述第一模拟环境进行温度调整控制,获得监测焊接关系数据集;
第二十六获得单元,所述第二十六获得单元用于根据所述历史焊接关系数据集,所述监测焊接关系数据集,获得所述焊接关系数据库。
进一步的,所述系统还包括:
第二十七获得单元,所述第二十七获得单元用于获得焊接环境信息;
第二十八获得单元,所述第二十八获得单元用于根据所述线路板材质信息、所述焊接环境信息,获得线路板温度信息;
第二十九获得单元,所述第二十九获得单元用于根据所述线路板温度信息,所述助焊剂特性信息,获得温度影响信息;
第一判断单元,所述第一判断单元用于判断所述温度影响信息是否满足预设要求;
第三执行单元,所述第三执行单元用于当满足时,根据所述温度影响信息对所述焊接元件要求信息进行调整;
第四执行单元,所述第四执行单元用于当不满足时,维持所述焊接元件要求信息不变。
进一步的,所述系统还包括:
第三十获得单元,所述第三十获得单元用于根据所述焊接元件要求信息,获得助焊剂特性要求信息、焊接效果要求信息;
第三十一获得单元,所述第三十一获得单元用于将所述助焊剂特性要求信息、焊接效果要求信息输入所述焊接关系匹配模型中,利用所述助焊剂特性要求信息进行匹配计算,所述焊接关系匹配模型为通过包括所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息及其之间映射关系的焊接关系数据库进行训练收敛获得的;
第三十二获得单元,所述第三十二获得单元用于获得焊接关系匹配模型的输出结果,所述输出结果包括所述生产温度匹配要求,所述生产温度匹配要求包括了与所述助焊剂特性要求信息、所述焊接效果要求信息相匹配的焊接温度时间信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种miniLED线路板的生产温度智能控制的方法和具体实例同样适用于本实施例的一种miniLED线路板的生产温度智能控制的系统,通过前述对一种miniLED线路板的生产温度智能控制的方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种miniLED线路板的生产温度智能控制的系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中的发明构思,本发明还提供一种miniLED线路板的生产温度智能控制的系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种miniLED线路板的生产温度智能控制的方法的任一方法的步骤。
其中,在图6中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请提供了一种miniLED线路板的生产温度智能控制的方法,所述方法应用于一种miniLED线路板的生产温度智能控制的系统,其中,所述方法包括:通过获得助焊剂信息;根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;获得线路板焊接元件信息;根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。解决了现有技术中存在无法智能化控制mini LED线路板的焊接温度,导致mini LED线路板出现大量空洞的技术问题。达到了基于焊接关系匹配模型智能化控制mini LED线路板的焊接温度,从而避免mini LED线路板成品出现大量空洞,最终达到提高mini LED线路板焊点可靠性的技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-0nly Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种miniLED线路板的生产温度智能控制的方法,其中,所述方法包括:
获得助焊剂信息;
根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;
利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;
获得线路板焊接元件信息;
根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;
将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;
根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
2.如权利要求1所述的方法,其中,所述根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息,包括:
获得线路板信息,所述线路板信息包括线路板材质信息;
获得焊接元件信息,所述焊接元件信息包括元件尺寸信息、元件焊点位置、元件材质信息;
根据所述线路板材质信息与所述助焊剂信息,获得第一影响系数;
根据所述元件材质信息与所述助焊剂信息,获得第二影响系数;
根据所述元件尺寸信息、所述元件焊点位置,获得焊点尺寸要求;
根据所述助焊剂信息,获得助焊剂特性信息;
根据所述焊点尺寸要求、所述助焊剂特性信息,获得焊接参数特性要求,所述焊接参数特性要求,包括助焊剂特性要求信息、焊接效果要求信息;
根据所述第一、第二影响系数对所述焊接参数特性要求进行调整,获得所述焊接元件要求信息。
3.如权利要求1所述的方法,其中,所述利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型之后,还包括:
根据所述助焊剂信息,获得助焊剂属性信息;
根据所述助焊剂属性信息,获得属性影响因素;
基于所述属性影响因素在所述焊接关系数据库中遍历比对,获得差异因素信息;
获得焊接环境信息;
判断所述焊接环境信息是否包含所述差异因素信息,当包含时,根据差异因素信息,获得差异焊接关系数据库;
利用所述差异焊接关系数据库对所述焊接关系匹配模型进行增量学习,对所述焊接关系匹配模型进行优化。
4.如权利要求3所述的方法,其中,所述方法还包括:
根据所述焊接环境信息,提取影响因素数据;
将所述影响因素数据输入优化后的焊接关系匹配模型,获得预测控制策略;
利用所述预测控制策略对所述生产温度控制策略进行优化调整。
5.如权利要求1所述的方法,其中,所述根据所述助焊剂信息,获得焊接关系数据库,包括:
根据所述助焊剂信息,获得历史焊接关系数据集;
根据所述助焊剂信息,获得第一模拟环境;
根据所述历史焊接关系数据库,获得温度调节控制要求,所述温度调节控制要求不包含于所述历史焊接关系数据库中;
根据温度调节控制要求对所述第一模拟环境进行温度调整控制,获得监测焊接关系数据集;
根据所述历史焊接关系数据集,所述监测焊接关系数据集,获得所述焊接关系数据库。
6.如权利要求2所述的方法,其中,所述根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息,还包括:
获得焊接环境信息;
根据所述线路板材质信息、所述焊接环境信息,获得线路板温度信息;
根据所述线路板温度信息,所述助焊剂特性信息,获得温度影响信息;
判断所述温度影响信息是否满足预设要求;
当满足时,根据所述温度影响信息对所述焊接元件要求信息进行调整;
当不满足时,维持所述焊接元件要求信息不变。
7.如权利要求1所述的方法,其中,所述将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求,包括:
根据所述焊接元件要求信息,获得助焊剂特性要求信息、焊接效果要求信息;
将所述助焊剂特性要求信息、焊接效果要求信息输入所述焊接关系匹配模型中,利用所述助焊剂特性要求信息进行匹配计算,所述焊接关系匹配模型为通过包括所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息及其之间映射关系的焊接关系数据库进行训练收敛获得的;
获得焊接关系匹配模型的输出结果,所述输出结果包括所述生产温度匹配要求,所述生产温度匹配要求包括了与所述助焊剂特性要求信息、所述焊接效果要求信息相匹配的焊接温度时间信息。
8.一种miniLED线路板的生产温度智能控制的系统,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助焊剂信息;
第二获得单元:所述第二获得单元用于根据所述助焊剂信息,获得焊接关系数据库,所述焊接关系数据库包括焊接温度时间信息、助焊剂特性信息、焊接效果信息及所述焊接温度时间信息、所述助焊剂特性信息、所述焊接效果信息之间的映射关系;
第三获得单元:所述第三获得单元用于利用所述焊接关系数据库训练神经网络模型,获得焊接关系匹配模型;
第四获得单元:所述第四获得单元用于获得线路板焊接元件信息;
第五获得单元:所述第五获得单元用于根据所述线路板焊接元件信息、所述助焊剂信息,获得焊接元件要求信息;
第六获得单元:所述第六获得单元用于将所述焊接元件要求信息输入所述焊接关系匹配模型中,获得生产温度匹配要求;
第七获得单元:所述第七获得单元用于根据所述生产温度匹配要求,获得生产温度控制策略,并基于所述生产温度控制策略自动控制线路板焊接温度。
9.一种miniLED线路板的生产温度智能控制的系统,包括存储器、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,其中,所述处理器执行所述程序时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284022.1A CN114063668B (zh) | 2021-11-01 | 2021-11-01 | 一种miniLED线路板的生产温度智能控制的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284022.1A CN114063668B (zh) | 2021-11-01 | 2021-11-01 | 一种miniLED线路板的生产温度智能控制的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114063668A true CN114063668A (zh) | 2022-02-18 |
CN114063668B CN114063668B (zh) | 2022-07-26 |
Family
ID=80236238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111284022.1A Active CN114063668B (zh) | 2021-11-01 | 2021-11-01 | 一种miniLED线路板的生产温度智能控制的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114063668B (zh) |
Citations (12)
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 |
JP2004260019A (ja) * | 2003-02-26 | 2004-09-16 | Sony Corp | 局部加熱半田付け方法、その装置及び局部加熱半田付け兼半田接続検査装置 |
JP2009038052A (ja) * | 2007-07-31 | 2009-02-19 | Hitachi Ltd | リフロー装置の温度を自動的に設定する方法 |
WO2015122272A1 (ja) * | 2014-02-14 | 2015-08-20 | オムロン株式会社 | 品質管理装置、品質管理方法、およびプログラム |
CN109108445A (zh) * | 2018-11-05 | 2019-01-01 | 南京菲斯特焊接科技有限公司 | 一种悬挂式电阻电焊机焊接过程参数监测仪及监测方法 |
CN109396584A (zh) * | 2018-11-20 | 2019-03-01 | 武汉欣远拓尔科技有限公司 | 一种智能焊接方法、系统、装置及存储介质 |
CN109623069A (zh) * | 2019-01-22 | 2019-04-16 | 湖南机电职业技术学院 | 一种基于互联网的自动焊接系统与焊接工艺 |
CN111037143A (zh) * | 2019-11-28 | 2020-04-21 | 新兴际华集团有限公司 | 基于焊接热循环调控焊缝组织性能的方法 |
US20200265751A1 (en) * | 2019-02-19 | 2020-08-20 | William Joshua Becker | Weld modules for weld training systems |
CN111774688A (zh) * | 2020-07-16 | 2020-10-16 | 华高科技(苏州)有限公司 | 一种选择性喷涂助焊剂的波峰焊方法及装置 |
CN112733431A (zh) * | 2020-12-22 | 2021-04-30 | 中国电子科技集团公司第五十五研究所 | 基于人工神经网络的回流焊参数智能生成方法 |
CN113068326A (zh) * | 2021-03-29 | 2021-07-02 | 北京小米移动软件有限公司 | 一种焊接质量处理方法及装置、电路板 |
-
2021
- 2021-11-01 CN CN202111284022.1A patent/CN114063668B/zh active Active
Patent Citations (13)
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 |
JP2004260019A (ja) * | 2003-02-26 | 2004-09-16 | Sony Corp | 局部加熱半田付け方法、その装置及び局部加熱半田付け兼半田接続検査装置 |
JP2009038052A (ja) * | 2007-07-31 | 2009-02-19 | Hitachi Ltd | リフロー装置の温度を自動的に設定する方法 |
WO2015122272A1 (ja) * | 2014-02-14 | 2015-08-20 | オムロン株式会社 | 品質管理装置、品質管理方法、およびプログラム |
CN106416455A (zh) * | 2014-02-14 | 2017-02-15 | 欧姆龙株式会社 | 品质管理装置、品质管理方法以及程序 |
CN109108445A (zh) * | 2018-11-05 | 2019-01-01 | 南京菲斯特焊接科技有限公司 | 一种悬挂式电阻电焊机焊接过程参数监测仪及监测方法 |
CN109396584A (zh) * | 2018-11-20 | 2019-03-01 | 武汉欣远拓尔科技有限公司 | 一种智能焊接方法、系统、装置及存储介质 |
CN109623069A (zh) * | 2019-01-22 | 2019-04-16 | 湖南机电职业技术学院 | 一种基于互联网的自动焊接系统与焊接工艺 |
US20200265751A1 (en) * | 2019-02-19 | 2020-08-20 | William Joshua Becker | Weld modules for weld training systems |
CN111037143A (zh) * | 2019-11-28 | 2020-04-21 | 新兴际华集团有限公司 | 基于焊接热循环调控焊缝组织性能的方法 |
CN111774688A (zh) * | 2020-07-16 | 2020-10-16 | 华高科技(苏州)有限公司 | 一种选择性喷涂助焊剂的波峰焊方法及装置 |
CN112733431A (zh) * | 2020-12-22 | 2021-04-30 | 中国电子科技集团公司第五十五研究所 | 基于人工神经网络的回流焊参数智能生成方法 |
CN113068326A (zh) * | 2021-03-29 | 2021-07-02 | 北京小米移动软件有限公司 | 一种焊接质量处理方法及装置、电路板 |
Non-Patent Citations (4)
Title |
---|
SHILONG JING, ET AL.: "Optimization of reflow soldering temperature curve based on genetic algorithm", 《ENERGY REPORTS》 * |
Z. WANG, ET AL.: "Optimization of Temperature Curve of Reflow Welding Furnace Based on Machine Learning", 《2020 2ND INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND ADVANCED MANUFACTURE (AIAM)》 * |
张兆栋 等: "基于BP神经网络的中厚板焊接数据库系统设计", 《焊接技术》 * |
王齐珍时: "基于神经网络的显示器主板无铅焊接工艺参数优化设计", 《铸造技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114063668B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Flood et al. | Neural networks in civil engineering. I: Principles and understanding | |
Wang et al. | A feedforward neural network for multiple criteria decision making | |
CN110543616B (zh) | 基于工业大数据的smt锡膏印刷体积预测方法 | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
CN109978025B (zh) | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 | |
El-Mounayri et al. | Optimization of CNC ball end milling: a neural network-based model | |
CN108563863B (zh) | 城市轨道交通系统的能耗计算与调度方法 | |
CN110738429A (zh) | 一种电能表状态评价方法及装置 | |
CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
CN114063668B (zh) | 一种miniLED线路板的生产温度智能控制的方法及系统 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN104834285B (zh) | 对角递归神经网络控制器在多平台中的实现方法 | |
Lee | Development of real-time sketch-based on-the-spot process modeling and analysis system | |
CN109711665A (zh) | 一种基于金融风控数据的预测模型构建方法及相关设备 | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
Kashyap et al. | Software development effort and cost estimation: neuro-fuzzy model | |
Yang et al. | Application of fuzzy neural network PID algorithm in oil pump control | |
Mithiya et al. | Time series analysis and forecasting of oilseeds production in India: using autoregressive integrated moving average and group method of data handling–neural network | |
CN113536489B (zh) | 一种组件封装的连接构型和工艺参数确定方法 | |
CN107944552A (zh) | 一种基于Elman神经网络的工业物联网参数预测方法 | |
Tsai | Modeling and optimization of reflow thermal profiling operation: a comparative study | |
US20040049744A1 (en) | Method of interactive visualization and parameter selection for engineering design | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN114556247A (zh) | 用于确定产品质量的方法和设备 | |
CN111985677A (zh) | 一种因果链路分析方法、设备及计算机可读存储介质 |
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 |