CN114375107A - Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 - Google Patents
Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 Download PDFInfo
- Publication number
- CN114375107A CN114375107A CN202011100837.5A CN202011100837A CN114375107A CN 114375107 A CN114375107 A CN 114375107A CN 202011100837 A CN202011100837 A CN 202011100837A CN 114375107 A CN114375107 A CN 114375107A
- Authority
- CN
- China
- Prior art keywords
- data
- unstructured
- solder paste
- influence
- paste printing
- 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
- 238000007639 printing Methods 0.000 title claims abstract description 92
- 229910000679 solder Inorganic materials 0.000 title claims abstract description 71
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005516 engineering process Methods 0.000 title description 12
- 230000003993 interaction Effects 0.000 claims abstract description 57
- 230000007547 defect Effects 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 6
- 238000007637 random forest analysis Methods 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 8
- 238000000926 separation method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005476 soldering Methods 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/30—Assembling printed circuits with electric components, e.g. with resistor
- H05K3/303—Surface mounted components, e.g. affixing before soldering, aligning means, spacing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/72—Code refactoring
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/08—Monitoring manufacture of assemblages
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/08—Monitoring manufacture of assemblages
- H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
- H05K13/0815—Controlling of component placement on the substrate during or after manufacturing
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/30—Assembling printed circuits with electric components, e.g. with resistor
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明实施例提供一种SMT产线锡膏印刷非结构化影响因素重构方法、重构装置、重构设备以及计算机可读存储介质，通过采集原始生产数据生成原始数据集；将原始数据集中各影响因素进行特征交互，得到影响因素集；将影响因素集转化为非结构化数据得到重构数据包，通过特征交互建立影响因素之间的关系，然后将结构化的的数据转化为的非结构化数据，一方面能够解决SMT产线锡膏印刷阶段数据重复性高的问题，同时，将非结构化数据处理方法应用到SMT产线锡膏印刷阶段数据上，解决了锡膏印刷环节原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，无法准确定位影响因素，进而无法根据影响因素进行锡膏印刷缺陷识别，导致印刷不良率高，浪费资源的问题。
Description
技术领域
本发明实施例涉及但不限于智能制造技术领域，具体而言，涉及但不限于SMT产线锡膏印刷非结构化影响因素重构方法、重构装置及重构设备、计算机可读存储介质。
背景技术
表面贴装技术(Surface Mounted Technology,SMT)是目前电子组装行业里流行的一种技术和工艺，它是一种将无引脚或短引线表面组装元器件(简称SMC/SMD，中文称片状元器件) 安装在印刷电路板(Printed Circuit Board，PCB)的表面或其它基板的表面上，通过回流焊或浸焊等方法加以焊接组装的电路装连技术。
随着经济发展，市场对电子产品的要求越来越高，贴装器件更扁平化、微细化，印刷电路板组装尺寸也越来越小，焊盘排布越来越高密，因此，对表面贴装技术提出了更高的要求。表面贴装技术主要包括锡膏印刷、元件贴装和回流焊接三道主要工序，其中，锡膏印刷是首要环节，也是最为关键的一步操作。据分析，约70％SMT产品的质量问题都是由锡膏印刷性能不佳所导致的。
表面贴装技术中印刷电路板的锡膏印刷环节过程复杂，原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，使得导致印刷不良的影响因素更加复杂和隐蔽，难以分析，无法准确定位，进而无法根据影响因素进行锡膏印刷缺陷识别，浪费资源。
发明内容
本发明实施例提供的SMT产线锡膏印刷非结构化影响因素重构方法、重构装置、重构设备及计算机可读存储介质，主要解决的技术问题是相关技术中，锡膏印刷环节原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，无法准确定位影响因素，进而无法根据影响因素进行锡膏印刷缺陷识别，导致印刷不良率高，浪费资源的问题。
为解决上述技术问题，本发明实施例提供一种SMT产线锡膏印刷非结构化影响因素重构方法，包括：
采集原始生产数据生成原始数据集；
将原始数据集中各影响因素进行特征交互，得到影响因素集；
将影响因素集转化为非结构化数据得到重构数据包。
本发明实施例还提供一种重构装置，包括：
采集模块，采集模块用于采集原始生产数据生成原始数据集；
特征交互模块，特征交互模块用于将原始数据集中各影响因素进行特征交互，得到影响因素集；
重构模块，重构模块用于将影响因素集转化为非结构化数据得到重构数据包。
本发明实施例还提供重构设备，重构设备包括处理器、存储器及通信总线；
通信总线用于实现处理器和存储器之间的连接通信；
处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如上的SMT产线锡膏印刷非结构化影响因素重构方法的步骤。
本发明实施例还提供一种计算机存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上的SMT产线锡膏印刷非结构化影响因素重构方法的步骤。
根据本发明实施例提供的SMT产线锡膏印刷非结构化影响因素重构方法、重构装置、重构设备以及计算机可读存储介质，通过采集原始生产数据生成原始数据集；将原始数据集中各影响因素进行特征交互，得到影响因素集；将影响因素集转化为非结构化数据得到重构数据包，通过特征交互建立影响因素之间的关系，然后将结构化的的数据转化为的非结构化数据，一方面能够解决SMT产线锡膏印刷阶段数据重复性高的问题，同时，将非结构化数据处理方法应用到SMT产线锡膏印刷阶段数据上，解决了锡膏印刷环节原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，无法准确定位影响因素，进而无法根据影响因素进行锡膏印刷缺陷识别，导致印刷不良率高，浪费资源的问题。
本发明其他特征和相应的有益效果在说明书的后面部分进行阐述说明，且应当理解，至少部分有益效果从本发明说明书中的记载变的显而易见。
附图说明
图1为本发明实施例一的SMT产线锡膏印刷非结构化影响因素重构方法的基本流程示意图；
图2为本发明实施例一的一维结构化数据转换为非结构化数据基本流程示意图；
图3为本发明实施例二的SMT产线锡膏印刷非结构化影响因素重构方法的基本流程示意图；
图4为本发明实施例二提供的影响因素重要度得分柱状图；
图5为本发明实施例三的一种重构装置的基本结构示意图；
图6为本发明实施例三的一种重构设备的基本结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
为了解决相关技术中，锡膏印刷环节原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，无法准确定位影响因素，进而无法根据影响因素进行锡膏印刷缺陷识别，导致印刷不良率高，浪费资源的问题；本发明实施例提出一种SMT产线锡膏印刷非结构化影响因素重构方法，请参见图1，图1所示为SMT产线锡膏印刷非结构化影响因素重构方法的基本流程示意图，其包括但不限于：
S101、采集原始生产数据生成原始数据集；
在一些实施例中，采集原始生产数据为采集SMT产线锡膏印刷阶段的焊盘锡膏印刷涉及到的数据进行采集，具体的，采集的原始生产数据包括但不限于以下至少之一：批次数据、工艺参数数据、印刷过程参数数据、串行外设接口(Serial Peripheral Interface，SPI)检测数据；其中，批次数据是指某批次下产品属性参数，其包括但不限于：PCB板长、宽、高；工艺参数数据是指某批次产品印刷前人工设定的印刷工艺参数，包括但不限于：板长、板宽、板高、刮刀速度、刮刀压力、清洗速度、工作台分离速度、工作台分离距离、工作台印刷高度补偿等。印刷过程参数数据是指在印刷过程中生成的过程数据，其包括但不限于：平均压力、最小压力、最大压力、清洗供给时间、刮刀分离速度、自动清洗、自动清洗计数、人工清洗等。SPI检测数据是指印刷后的单板经过SPI检测机后生成的数据，其包括但不限于：锡膏体积、锡膏面积、锡膏高度等。
需要理解的是，原始数据集中包括了多个原始生产数据，一个原始生产数据对应为一个影响因素。
S102、将原始数据集中各影响因素进行特征交互，得到影响因素集；
需要理解的是，特征交互是对原始数据集中影响因素的多个列向量通过复合函数运算从而获得样本数据更高维空间的特征(影响因素集)；SMT产线锡膏印刷阶段参数众多，且各参数之间相互影响、逻辑关系不明确，特征交互能够建立各参数(影响因素)之间的关系，例如，对SMT原始数据集中X＝{x1,x2,…,xp}进行特征交互，X中所有向量都为列向量，Xn代表一个影响因素，得到交互特征数据集(影响因素集)X′＝{x1,1,x1,2,x1,3,…xp-1,p,xp,p}。
在一些实施例中，特征交互的方法包括但不限于以下任一：积交互、或交互、和交互、图交互等；其中，积交互是指两个特征的乘积；或交互是指两个特征的最大值；和交互是指两个特征的和；图交互是指两个特征的图。
S103、将影响因素集转化为非结构化数据得到重构数据包；
在一些实施例中，将影响因素集转化为非结构化数据得到重构数据包之前还包括了：计算原始数据集中各影响因素的重要度得分；删除影响因素集中得分较低的影响因素。需要理解的是，当经过特征交互后形成的新的影响因素集中影响因素个数为N*N+M个，为了将数据转化为N*N的非结构化数据，因此需要根据重要度得分删除得分较低的M个影响因素；应当理解的是，本实施例中删除的M个影响因素是删除的原始特征集中影响因素本身的积交互特征中进行删除，并不删除不同影响因素交互后得到的数据，例如一些示例中，删除的影响因素为“清洗供给时间*清洗供给时间”。例如，通过随机森林(Random Forest，RF)集成算法，确定影响因素重要度得分，然后根据该影响因素重要度得分由高到低的顺序进行排序，最后在由低到高删除得分较低的M个影响因素。
在一些实施例中，影响因素集转化为非结构化数据得到重构数据包之前还包括了：对影响因素集进行数据规约。需要理解的是，SMT锡膏印刷阶段影响因素集中各影响因素之间数据维度相差过大，例如，各影响因素的量级、单位对相差过大，进而导致对后续的spi缺陷识别模型造成影响，如果不进行数据规约会导致缺陷识别模型训练时间过长，模型参数量级过大，因此，需要对影响因素集进行数据规约，消除影响因素集的量级和单位对数据挖掘工作的影响，进而加快某些模型的训练速度。例如，采用min-max规范化对影响因素集进行数据规约。
在一些实施例中，将影响因素集转化为非结构化数据得到重构数据包包括：通过一维循环的方式将影响因素集转化为非结构化数据得到重构数据包；例如，如图2所示，当处理的影响因素集为
时，将待处理的影响因素集作为一维数据，首先通过确定循环的起点位置，并将起点位置之前的数据拼接在原一维数据末尾，然后以n为循环区间设置滑动窗口，按区间进行数据截取，获得n个数据段，最后将数据段按列拼接，得到n*n的非结构化数据。
在一些实施例中，SMT产线锡膏印刷非结构化影响因素重构方法还包括：将重构数据包输入缺陷识别模型中，进行缺陷识别。例如，将重构数据包输入到基于深度学习的SPI缺陷识别模型中，对体积大、体积小、面积大、面积小、无锡膏、X正偏移、Y正偏移、Y负偏移、高度偏高等多种锡膏印刷缺陷进行识别。
本发明实施例提供的SMT产线锡膏印刷非结构化影响因素重构方法，通过采集原始生产数据生成原始数据集；将原始数据集中各影响因素进行特征交互，得到影响因素集；将影响因素集转化为非结构化数据得到重构数据包，通过特征交互建立影响因素之间的关系，然后将结构化的的数据转化为的非结构化数据，一方面能够解决SMT产线锡膏印刷阶段数据重复性高的问题，同时，将非结构化数据处理方法应用到SMT产线锡膏印刷阶段数据上，相较于针对结构化数据的分析方法，非结构化数据处理方法能够更好地挖掘特征交互之后生产要素之间的内在关系，从而大幅提高了SMT印刷质量缺陷识别类型预测模型的精度，解决了锡膏印刷环节原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，无法准确定位影响因素，进而无法根据影响因素进行锡膏印刷缺陷识别，导致印刷不良率高，浪费资源的问题。
实施例二：
为了更好的理解本发明，本发明实施例提供一种更为具体的示例对MT产线锡膏印刷非结构化影响因素重构方法进行说明；请参见图3，该方法包括：
S301、采集SMT产线锡膏印刷阶段原始生产数据生成原始数据集；
在一些实施例中，采集原始生产数据为采集SMT产线锡膏印刷阶段的焊盘锡膏印刷涉及到的数据进行采集，具体的，采集的原始生产数据包括但不限于以下至少之一：批次数据、工艺参数数据、印刷过程参数数据、串行外设接口(Serial Peripheral Interface，SPI)检测数据；其中，批次数据是指某批次下产品属性参数，其包括但不限于：PCB板长、宽、高；工艺参数数据是指某批次产品印刷前人工设定的印刷工艺参数，包括但不限于：板长、板宽、板高、刮刀速度、刮刀压力、清洗速度、工作台分离速度、工作台分离距离、工作台印刷高度补偿等。印刷过程参数数据是指在印刷过程中生成的过程数据，其包括但不限于：平均压力、最小压力、最大压力、清洗供给时间、刮刀分离速度、自动清洗、自动清洗计数、人工清洗等。SPI检测数据是指印刷后的单板经过SPI检测机后生成的数据，其包括但不限于：锡膏体积、锡膏面积、锡膏高度等。需要理解的是，原始数据集中包括了多个原始生产数据，一个原始生产数据对应为一个影响因素；例如，采集原始生产数据形成的原始数据集如表1 所示：
表1：原始数据集
S302、将原始数据集中各影响因素进行特征交互，得到影响因素集；
在一些实施例中，通过特征交互对原始数据集中影响因素的多个列向量通过复合函数运算从而获得样本数据更高维空间的特征(影响因素集)；需要理解的是，SMT产线锡膏印刷阶段参数众多，且各参数之间相互影响、逻辑关系不明确，特征交互能够建立各参数(影响因素)之间的关系，例如，对SMT原始数据集中X＝{x1,x2,…,xp}进行特征交互，X中所有向量都为列向量，Xn代表一个影响因素，得到交互特征数据集(影响因素集) X′＝{x1,1,x1,2,x1,3,…xp-1,p,xp,p}。例如，通过积交互方式进行特征交互，其计算公式为： xi,j＝xi×xj，其中，xij表示影响因素xi与特征影响因素xj进行积交互的结果；将原始数据集中各影响因素进行特征交互后得到的影响因素集如表2所示：
表2，影响因素集
S303、计算原始数据集中各影响因素的重要度得分，删除影响因素集中得分较低的影响因素；
在一些实施例中，当经过特征交互后形成的新的影响因素集中影响因素个数为N*N+M个，为了将数据转化为N*N的非结构化数据，因此需要根据重要度得分删除得分较低的M各影响因素。例如，通过随机森林(Random Forest，RF)集成算法，确定特征重要度得分。其中，随机森林属于集成算法，以决策树为基学习器并采用引导聚集算法(Bootstrapaggregating， Bagging)集成策略。由于SPI检测结果为不同缺陷类型，因此SMT锡膏印刷场景属于分类问题，而对于分类问题，则可以通过投票机制，根据少数服从多数原则，确定样本所属的类别并进行特征评价，得到特征重要度得分排名，也即确定各影响因素的重要度得分排名。其中，随机森林重要度得分计算详细过程下：
将特征重要度得分用VIM来表示，基尼系数(Gini index，Gini)指数用GI来表示。当有m个特征X1,X2,…Xm，也即存在m各影响因素时，计算出每个特征Xj的Gini指数评分
即第j个特征在RF所有决策树中节点分裂不纯度的平均改变量Gini指数的计算公式为：
其中，K表示有K个类别，pmk表示节点m中类别k所占的比例，即任意从节点m中随机抽取两个样本，其类别标记不一致的概率。
特征Xj在节点m的重要性，即节点m分枝前后的Gini指数变化量为：
其中，GIl和GIr分别表示分枝后两个新节点的Gini指数。
最后，把所有求得的重要性评分做归一化处理：计算详细过程下：
其中，
是所有特征的增益之和，
是特征Xj的基尼指数。
需要理解的是，通过将SMT产线锡膏印刷阶段影响因素(也即原始数据集中各影响因素) 和SPI检测结果输入到随机森林算法中，进而得到各影响因素的重要度得分，如表3所示：
表3，各影响因素的重要度得分
| 影响因素 | 重要度得分 |
| 最大压力 | 0.19485 |
| 宽 | 0.149867 |
| 最小压力 | 0.136368 |
| 平均圧力 | 0.097049 |
| 长 | 0.0968 |
| 工作台印刷高度补偿 | 0.088443 |
| 自动清洗计数 | 0.056794 |
| 高 | 0.045406 |
| 工作台分离距离 | 0.025585 |
| 刮刀分离速度 | 0.023946 |
| 刮刀速度 | 0.019906 |
| 清洗速度 | 0.017801 |
| 刮刀压力 | 0.015503 |
| 刮刀分离距离 | 0.015039 |
| 自动清洗 | 0.009349 |
| 工作台分离速度 | 0.003696 |
| 清洗供给时间 | 0.003598 |
需要理解的是，为了更直白显示各影响因素的重要度得分，可以对其进行排序，如图4 所示；根据重要度得分删除得分较低的M各影响因素，例如，将原始数据集中各影响因素进行特征交互得到的影响因素集中包括了230列影响因素，为满足非结构化数据处理模型输入需求，将随机森林特征重要度得分最低的5列影响因素删除，剩余225列影响因素，从而将数据重构为15*15的非结构化数据；应当理解的是，在一些示例中，可以采用影响因素补足的方式，从而将影响因素集重构为非结构化数据，例如，将原始数据集中各影响因素进行特征交互得到的影响因素集中包括了230列影响因素，为满足非结构化数据处理模型输入需求，采用添加部分原始影响因素的方法进行影响因素补足，进而得到256列影响因素，从而将数据重构为16*16的非结构化数据。
S304、对影响因素集进行数据规约；
在一些实施例中，SMT锡膏印刷阶段影响因素集中各影响因素之间数据维度相差过大，例如，各影响因素的量级、单位对相差过大，进而导致对spi缺陷识别模型造成影响，因此，需要对影响因素集进行数据规约，消除影响因素集的量级和单位对数据挖掘工作的影响，进而加快某些模型的训练速度。例如，采用min-max规范化对影响因素集进行数据规约，min-max 规范化也叫最小-最大规范化或离差标准化，该方法通过对影响因素集中影响因素进行线性变换，将各影响因素的数据压缩到[0,1]区间，其中，min-max转换公
式为：将影响因素集进行数据规约后得到的数据如表4所示：
表4，将影响因素集进行数据规约后得到的数据
S305、将影响因素集转化为非结构化数据得到重构数据包；
在一些实施例中，将影响因素集转化为非结构化数据得到重构数据包包括：通过一维循环的方式将影响因素集转化为非结构化数据得到重构数据包；例如，当处理的影响因素集为
时，将待处理的影响因素集作为一维数据，首先通过确定循环的起点位置，并将起点位置之前的数据拼接在原一维数据末尾，然后以n为循环区间设置滑动窗口，按区间进行数据截取，获得n个数据段，最后将数据段按列拼接，得到n*n的非结构化数据。例如，选择表4中第一行的数据进行非结构化数据转换，将第一行中的长*长做为起点，将该点之前的数据拼接在原一维数据末尾，经过一维循环的方式变化后得到非结构化数据，如表5 所示，表5为将表4第一行数据转化后的结果；
表5，经过一维循环的方式变化后得到非结构化数据
需要理解的是，依次对影响因素集中每一行的数据进行一维循环变换，进而得到非结构化重构数据包；
S306、将重构数据包输入缺陷识别模型中，进行缺陷识别；
在一些实施例中，将重构数据包输入到基于深度学习的SPI缺陷识别模型中，对体积大、体积小、面积大、面积小、无锡膏、X正偏移、Y正偏移、Y负偏移、高度偏高等多种锡膏印刷缺陷进行识别；如表6所示，表6为一种示例的缺陷的识别准确率；
表6，一种示例的缺陷的识别准确率；
本发明实施例提供的SMT产线锡膏印刷非结构化影响因素重构方法，通过采集原始生产数据生成原始数据集；将原始数据集中各影响因素进行特征交互，得到影响因素集；将影响因素集转化为非结构化数据得到重构数据包，通过特征交互建立影响因素之间的关系，然后将结构化的的数据转化为的非结构化数据，一方面能够解决SMT产线锡膏印刷阶段数据重复性高的问题，同时，将非结构化数据处理方法应用到SMT产线锡膏印刷阶段数据上，相较于针对结构化数据的分析方法，非结构化数据处理方法能够更好地挖掘特征交互之后生产要素之间的内在关系，从而大幅提高了SMT印刷质量缺陷识别类型预测模型的精度，解决了锡膏印刷环节原始生产数据带来的印刷参数种类繁复，且参数间彼此影响，存在交互关系，无法准确定位影响因素，进而无法根据影响因素进行锡膏印刷缺陷识别，导致印刷不良率高，浪费资源的问题。
实施例三：
本实施例还提供了一种重构装置，如图5所示，其包括：
采集模块，采集模块用于采集原始生产数据生成原始数据集；
特征交互模块，特征交互模块用于将原始数据集中各影响因素进行特征交互，得到影响因素集；
重构模块，重构模块用于将影响因素集转化为非结构化数据得到重构数据包
本实施例还提供了一种重构设备，参见图6所示，其包括处理器601、存储器602及通信总线603，其中：
通信总线603用于实现处理器601和存储器602之间的连接通信；
处理器601用于执行存储器602中存储的一个或者多个计算机程序，以实现上述实施例一和实施例二中的SMT产线锡膏印刷非结构化影响因素重构方法中的至少一个步骤。
本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM (Random Access Memory，随机存取存储器),ROM(Read-Only Memory，只读存储器),EEPROM (Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被处理器执行，以实现上述实施例一和实施例二中的SMT产线锡膏印刷非结构化影响因素重构方法的至少一个步骤。
可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。
此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种SMT产线锡膏印刷非结构化影响因素重构方法，包括：
采集原始生产数据生成原始数据集；
将所述原始数据集中各影响因素进行特征交互，得到影响因素集；
将所述影响因素集转化为非结构化数据得到重构数据包。
2.如权利要求1所述的SMT产线锡膏印刷非结构化影响因素重构方法，其特征在于，所述特征交互包括：积交互、或交互、和交互、图交互。
3.如权利要求1所述的SMT产线锡膏印刷非结构化影响因素重构方法，其特征在于，将所述影响因素集转化为非结构化数据得到重构数据包之前还包括了：
计算所述原始数据集中各影响因素的重要度得分；
删除所述影响因素集中得分较低的影响因素。
4.如权利要求1所述的SMT产线锡膏印刷非结构化影响因素重构方法，其特征在于，所述影响因素集转化为非结构化数据得到重构数据包之前还包括了：对所述影响因素集进行数据规约。
5.如权利要求1-4任一项所述的SMT产线锡膏印刷非结构化影响因素重构方法，其特征在于，所述将所述影响因素集转化为非结构化数据得到重构数据包包括：
通过一维循环的方式将所述影响因素集转化为非结构化数据得到重构数据包。
6.如权利要求5所述的SMT产线锡膏印刷非结构化影响因素重构方法，其特征在于，所述原始生产数据包括：批次数据、工艺参数数据、印刷过程参数数据、SPI检测数据。
7.如权利要求5所述的SMT产线锡膏印刷非结构化影响因素重构方法，其特征在于，所述SMT产线锡膏印刷非结构化影响因素重构方法还包括：
将所述重构数据包输入缺陷识别模型中，进行缺陷识别。
8.一种重构装置，包括：
采集模块，所述采集模块用于采集原始生产数据生成原始数据集；
特征交互模块，所述特征交互模块用于将所述原始数据集中各影响因素进行特征交互，得到影响因素集；
重构模块，所述重构模块用于将所述影响因素集转化为非结构化数据得到重构数据包。
9.一种重构设备，所述重构设备包括处理器、存储器及通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如权利要求1至7中任一项所述的SMT产线锡膏印刷非结构化影响因素重构方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质
存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现如权利要求1至7中任一项所述的SMT产线锡膏印刷非结构化影响因素重构方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011100837.5A CN114375107A (zh) | 2020-10-15 | 2020-10-15 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
| PCT/CN2021/123592 WO2022078404A1 (zh) | 2020-10-15 | 2021-10-13 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011100837.5A CN114375107A (zh) | 2020-10-15 | 2020-10-15 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114375107A true CN114375107A (zh) | 2022-04-19 |
Family
ID=81138083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011100837.5A Pending CN114375107A (zh) | 2020-10-15 | 2020-10-15 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114375107A (zh) |
| WO (1) | WO2022078404A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099160A (zh) * | 2022-07-18 | 2022-09-23 | 西安电子科技大学 | 基于特征重构和猫群算法的smt工艺参数优化方法 |
| CN116362630A (zh) * | 2023-06-01 | 2023-06-30 | 深圳正实自动化设备有限公司 | 基于物联网的锡膏印刷机管理方法、系统及介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056711B (zh) * | 2023-10-11 | 2024-01-30 | 深圳正实自动化设备有限公司 | 基于多源数据的锡膏印刷机性能评估方法、系统及存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8826255B1 (en) * | 2007-06-18 | 2014-09-02 | The Mathworks, Inc. | Restructuring control flow graphs generated from a model |
| CN102682166B (zh) * | 2012-05-09 | 2014-01-15 | 上海望友信息科技有限公司 | Smt设备快速制程系统及方法 |
| US20160085831A1 (en) * | 2014-09-22 | 2016-03-24 | Qualcomm Incorporated | Method and apparatus for map classification and restructuring |
| CN108960306B (zh) * | 2018-06-22 | 2022-03-04 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
| CN110427593B (zh) * | 2018-12-19 | 2022-12-02 | 西安电子科技大学 | 基于工业大数据的smt印刷参数优化方法 |
| CN110543616B (zh) * | 2018-12-26 | 2022-12-02 | 西安电子科技大学 | 基于工业大数据的smt锡膏印刷体积预测方法 |
| CN109597968B (zh) * | 2018-12-29 | 2021-06-08 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
| CN109862699B (zh) * | 2019-01-21 | 2021-09-21 | 深圳市水世界信息有限公司 | Pcb制作工艺的选择方法、装置、设备及存储介质 |
| CN111145175B (zh) * | 2020-01-10 | 2020-10-16 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
-
2020
- 2020-10-15 CN CN202011100837.5A patent/CN114375107A/zh active Pending
-
2021
- 2021-10-13 WO PCT/CN2021/123592 patent/WO2022078404A1/zh active Application Filing
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099160A (zh) * | 2022-07-18 | 2022-09-23 | 西安电子科技大学 | 基于特征重构和猫群算法的smt工艺参数优化方法 |
| CN115099160B (zh) * | 2022-07-18 | 2024-04-19 | 西安电子科技大学 | 基于特征重构和猫群算法的smt工艺参数优化方法 |
| CN116362630A (zh) * | 2023-06-01 | 2023-06-30 | 深圳正实自动化设备有限公司 | 基于物联网的锡膏印刷机管理方法、系统及介质 |
| CN116362630B (zh) * | 2023-06-01 | 2023-08-18 | 深圳正实自动化设备有限公司 | 基于物联网的锡膏印刷机管理方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022078404A1 (zh) | 2022-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114375107A (zh) | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 | |
| CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
| CN114444986B (zh) | 产品分析方法及系统及装置及介质 | |
| CN111915580A (zh) | 烟叶分级方法、系统、终端设备及存储介质 | |
| CN111932394B (zh) | 一种基于关联规则挖掘的不良根因路径分析方法及系统 | |
| CN112232352B (zh) | 一种智能识别pcb图纸自动计价系统和方法 | |
| CN110942063B (zh) | 证件文字信息获取方法、装置以及电子设备 | |
| CN115526093A (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
| CN112199935A (zh) | 数据的比对方法、装置、电子设备及计算机可读存储介质 | |
| CN110362620B (zh) | 一种基于机器学习的表格数据结构化方法 | |
| CN114387230A (zh) | 一种基于重验证检测的pcb板缺陷检测方法 | |
| CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN117455835A (zh) | 一种基于YOLOv5的PCB表面缺陷改进检测方法 | |
| CN115906795A (zh) | 一种基于数字卫星管理系统快速获取单机部件模型信息的系统及方法 | |
| CN111539576B (zh) | 一种风险识别模型的优化方法及装置 | |
| CN111209397B (zh) | 一种确定企业产业类别的方法 | |
| CN102521377B (zh) | 从文档处理系统的文档集合中筛选优质文档的方法及系统 | |
| CN110490875B (zh) | 一种屏缺陷过滤方法、装置及存储介质 | |
| CN111611457B (zh) | 一种页面分类方法、装置、设备及存储介质 | |
| CN111563033B (zh) | 一种模拟数据的生成方法和装置 | |
| CN118260429B (zh) | 一种对大语言模型微调数据集进行优化的处理方法和装置 | |
| CN114817661B (zh) | 基于ip地址画像的大规模ip自动分类方法、装置和介质 | |
| CN113051450B (zh) | 一种器件型号自动归类方法、装置、存储介质和设备 |
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 |