CN114510863A - 回焊炉炉温调节方法、装置、电子设备及存储介质 - Google Patents

回焊炉炉温调节方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114510863A
CN114510863A CN202011281654.8A CN202011281654A CN114510863A CN 114510863 A CN114510863 A CN 114510863A CN 202011281654 A CN202011281654 A CN 202011281654A CN 114510863 A CN114510863 A CN 114510863A
Authority
CN
China
Prior art keywords
reflow
data
characteristic data
temperature
preposed
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
Application number
CN202011281654.8A
Other languages
English (en)
Inventor
夏子清
李欧洋
陈敏
王艺锟
陈淑如
陈怡静
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.)
Hongfujin Precision Electronics Chengdu Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Hongfujin Precision Electronics Chengdu Co Ltd
Hon Hai Precision Industry Co Ltd
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 Hongfujin Precision Electronics Chengdu Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Hongfujin Precision Electronics Chengdu Co Ltd
Priority to CN202011281654.8A priority Critical patent/CN114510863A/zh
Priority to TW109146742A priority patent/TW202223575A/zh
Priority to US17/522,081 priority patent/US20220155805A1/en
Publication of CN114510863A publication Critical patent/CN114510863A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • 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
    • 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
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K1/00—Soldering, e.g. brazing, or unsoldering
    • B23K1/008—Soldering within a furnace
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
    • B23K3/04—Heating appliances
    • B23K3/047—Heating appliances electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
    • B23K3/04—Heating appliances
    • B23K3/047—Heating appliances electric
    • B23K3/0478—Heating appliances electric comprising means for controlling or selecting the temperature or power
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
    • B23K3/08—Auxiliary devices therefor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B9/00—Furnaces through which the charge is moved mechanically, e.g. of tunnel type; Similar furnaces in which the charge moves by gravity
    • F27B9/30—Details, accessories, or equipment peculiar to furnaces of these types
    • F27B9/40—Arrangements of controlling or monitoring devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • 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
    • G05D23/1932—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 a plurality of spaces
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0096—Arrangements of controlling devices involving simulation means, e.g. of the treating or charging step
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • Control Of Temperature (AREA)
  • Heat Treatment Of Articles (AREA)

Abstract

本发明涉及回焊生产领域，提供一种回焊炉炉温调节方法、装置、电子设备及存储介质。所述方法包括：获取产品数据，对产品数据进行标注，经计算得到前置工站初始特征数据和回焊初始特征数据，处理前置工站初始特征数据和回焊初始特征数据得到前置工站特征数据和回焊特征数据；合并前置工站特征数据与回焊特征数据作为输入数据，并将输入数据并输入至训练完成的神经网络模型，输出预测结果，并根据预测结果调节回焊炉的每个回焊温区的炉温。本发明可以实现对各回焊炉的炉温进行实时调节，从而提升焊接良率。

Description

回焊炉炉温调节方法、装置、电子设备及存储介质
技术领域
本发明涉及回焊生产领域，具体涉及一种回焊炉炉温调节方法、装置、电子设备及存储介质。
背景技术
现有技术中，对于回焊炉炉温的设定与调节主要依靠人员的不断试错，最终取较优炉温，实验次数有限且与作业人员经验息息相关。通常，一旦设定完成后，除周期性调节外，炉温便不再进行调节，从而使得回焊炉的不良焊接风险增加。
发明内容
鉴于以上内容，有必要提出一种回焊炉炉温调节方法、装置、电子设备及存储介质以对各回焊炉的炉温进行实时调节。
本申请的第一方面提供一种回焊炉炉温调节方法，包括：
获取回焊炉的产品数据，所述产品数据包括前置工站数据及每个回焊温区的回焊数据，所述回焊数据包括上、下炉膛温度；
基于所述前置工站数据，得到前置工站初始特征数据，计算回焊数据中上、下炉膛温度均值作为回焊初始特征数据；
基于所述前置工站初始特征数据，得到前置工站特征数据；
对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据；
合并所述前置工站特征数据与所有回焊温区的回焊特征数据并得到合并结果，将所述合并结果作为输入数据，并输入至训练完成的神经网络模型，输出所述每个回焊温区的温度预测结果；
根据所述温度预测结果调节所述每个回焊温区的炉温。
可选地，所述方法还包括：
获取第一炉温数据、设备运行参数、第一关键指标、第二炉温数据、第一商品生产数据、第一设备寿命数据及第二商品生产数据；
处理所述第一炉温数据；
将处理后的所述第一炉温数据与所述设备运行参数输入第一回归模型，通过所述第一回归模型拟合所述第一关键指标，得到关键指标预测模型；
处理所述第二炉温数据，将处理后的所述第二炉温数据与所述设备运行参数输入所述关键指标预测模型，通过所述关键指标预测模型预测第二关键指标；
以所述第一关键指标与第一商品生产数据为第二回归模型的输入，以第一设备寿命数据为所述第二回归模型的输出，训练所述第二回归模型，得到寿命预测模型；
将所述第二关键指标与所述第二商品生产数据输入所述寿命预测模型，通过所述寿命预测模型预测回焊温区的设备使用寿命。
可选地，所述方法包括：
获取炉后光学检测数据及维修记录数据；
根据所述炉后光学检测数据及所述维修记录数据对所述产品数据进行标注；
根据所述标注对所述产品数据进行处理得到训练数据，使用所述训练数据训练神经网络模型，得到训练完成的神经网络模型。
可选地，所述基于所述前置工站数据，得到前置工站初始特征数据包括：
获取所述前置工站数据中的锡膏点面积、锡膏点面积百分比、锡膏点体积百分比、锡膏点高度百分比；
对所述锡膏点面积进行分段，并对分段后的锡膏点面积数据正态转换；
剔除所述锡膏点面积数据经正态转换后超出预设概率分布的数据；
将所述锡膏点面积对应的产品数据中的锡膏点面积百分比的第一统计值、锡膏点体积百分比的第二统计值、锡膏点高度百分比的第三统计值作为前置工站初始特征数据。
可选地，所述基于所述前置工站初始特征数据，得到前置工站特征数据包括：
对所述前置工站初始特征数据进行多项式变换，并升维至第一预设维度；
对升维后的所述前置工站初始特征数据做归一化转换；
将归一化转换后的所述前置工站初始特征数据与第一预设倍数的乘积作为所述前置工站特征数据。
可选地，所述对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据包括：
为所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据设定权重，根据所述权重对所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和；
将所述每个回焊温区的加权和与第二预设倍数相乘得到所述每个回焊温区的第一回焊特征数据；
将所述每个回焊温区的所述回焊初始特征数据与第二预设倍数相乘得到所述每个回焊温区的第二回焊特征数据；
合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到所述回焊特征数据。
可选地，所述温度预测结果为一个向量，所述向量的长度是所有回焊温区的个数，所述向量的每个数值对应每个回焊温区的预测炉温。
本申请的第二方面提供一种回焊炉炉温调节装置，所述装置包括：
产品数据获取模块，用于获取回焊炉的产品数据，所述产品数据包括前置工站数据及每个回焊温区的回焊数据，所述回焊数据包括上、下炉膛温度；
初始特征数据计算模块，用于基于所述前置工站数据，得到前置工站初始特征数据，计算回焊数据中上、下炉膛温度均值作为回焊初始特征数据；
前置工站特征数据计算模块，用于基于所述前置工站初始特征数据，得到前置工站特征数据；
回焊特征数据计算模块，用于对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据；
预测模块，用于合并所述前置工站特征数据与所有回焊温区的回焊特征数据并得到合并结果，将所述合并结果作为输入数据，并输入至训练完成的神经网络模型，输出所述每个回焊温区的温度预测结果；
炉温调节模块，用于根据所述温度预测结果调节所述每个回焊温区的炉温。
本申请的第三方面提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述的回焊炉炉温调节方法。
本发明的第四方面提供一种计算机程序，所述计算机程序被处理器执行时实现所述的回焊炉炉温调节方法。
本发明中，通过利用大量数据训练神经网络模型，结合回流焊前置工站数据变化情况与后置工站测试维修情况，可以实现对各回焊炉的炉温进行实时调节，从而提升焊接良率。
附图说明
图1为本发明一实施方式中回焊炉炉温调节方法的流程图。
图2为本发明一实施方式中回焊炉炉温调节装置的结构图。
图3为本发明一实施方式中电子设备的示意图。
主要元件符号说明
回焊炉炉温调节装置 30
产品数据获取模块 301
初始特征数据计算模块 302
前置工站特征数据计算模块 303
回焊特征数据计算模块 304
预测模块 305
炉温调节模块 306
电子设备 6
存储器 61
处理器 62
计算机程序 63
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体地实施例的目的，不是旨在于限制本发明。
可选地，本发明回焊炉炉温调节方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述电子设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本发明一实施方式中回焊炉炉温调节方法的流程图。所述回焊炉炉温调节方法应用于电子设备中。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图1所示，所述回焊炉炉温调节方法具体包括以下步骤：
步骤S11，获取回焊炉的产品数据，所述产品数据包括前置工站数据及每个回焊温区的回焊数据，所述回焊数据包括上、下炉膛温度。
在本发明的至少一个实施例中，所述前置工站数据包括锡膏点面积、锡膏点面积百分比、锡膏点体积百分比、锡膏点高度百分比。
步骤S12，基于所述前置工站数据，得到前置工站初始特征数据，计算回焊数据中上、下炉膛温度均值作为回焊初始特征数据。
在本发明的至少一个实施例中，所述基于所述前置工站数据，得到前置工站初始特征数据包括：
获取所述前置工站数据中的锡膏点面积、锡膏点面积百分比、锡膏点体积百分比、锡膏点高度百分比；
对所述锡膏点面积进行分段，并对分段后的锡膏点面积数据正态转换；
剔除所述锡膏点面积数据经正态转换后超出预设概率分布的数据；
将所述锡膏点面积对应的产品数据中的锡膏点面积百分比的第一统计值、锡膏点体积百分比的第二统计值、锡膏点高度百分比的第三统计值作为前置工站初始特征数据。
例如，将所述锡膏点面积分为0-1、1-5、5-8、大于8四段，并对分段后的锡膏点面积数据进行正态转换；将以位置参数为中心的三倍尺度参数范围作为预设概率分布，剔除所述锡膏点面积数据经正态转换后超出预设概率分布的数据，将所述锡膏点面积对应的产品数据中的锡膏点面积百分比的中位数、锡膏点体积百分比的中位数、锡膏点高度百分比的中位数作为前置工站初始特征数据。
步骤S13，基于所述前置工站初始特征数据，得到前置工站特征数据。
可选地，所述基于所述前置工站初始特征数据，得到前置工站特征数据包括：
对所述前置工站初始特征数据进行多项式变换，并升维至第一预设维度；
对升维后的所述前置工站初始特征数据做归一化转换；
将归一化转换后的所述前置工站初始特征数据与第一预设倍数的乘积作为所述前置工站特征数据。
例如，在本发明的至少一个实施例中，所述第一预设倍数可以是100，对所述前置工站初始特征数据进行多项式变换，将所述前置工站初始特征数据升维至91维，对升维后的所述前置工站初始特征数据做归一化处理，将归一化转换后的所述前置工站初始特征数据乘100倍得到前置工站特征数据。
步骤S14，对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据。
在本发明的至少一个实施例中，所述对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据包括：
为所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据设定权重，根据所述权重对所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和；
将所述每个回焊温区的加权和与第二预设倍数相乘得到所述每个回焊温区的第一回焊特征数据；
将所述每个回焊温区的所述回焊初始特征数据与第二预设倍数相乘得到所述每个回焊温区的第二回焊特征数据；
合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到所述回焊特征数据。
例如，为每个回焊温区相邻两个回焊温区的回焊初始特征数据设定数值为0.5的权重，根据所述权重0.5对每个回焊温区相邻两个回焊温区的回焊初始特征数据进行加权计算得到每个回焊温区的加权和；设定所述第二预设倍数为0.1，将每个回焊温区的加权和与第二预设倍数0.1相乘得到第一回焊特征数据[X1，X2，X3，…，XN]，N为第一回焊特征数据的维度；将所述回焊初始特征数据与第二预设倍数0.1相乘得到第二回焊特征数据[Y1，Y2，Y3，…，YM]，M为第二回焊特征数据的维度；合并所述第一回焊特征数据与所述第二回焊特征数据得到所述回焊特征数据[X1，X2，X3，…，XN，Y1，Y2，Y3，…，YM]。
步骤S15，合并所述前置工站特征数据与所有回焊温区的回焊特征数据并得到合并结果，将所述合并结果作为输入数据，并输入至训练完成的神经网络模型，输出所述每个回焊温区的温度预测结果。
在本发明的至少一个实施例中，所述温度预测结果为一个向量，所述向量的长度是所有回焊温区的个数，所述向量的每个数值对应每个回焊温区的预测炉温。
在本发明的至少一个实施例中，训练神经网络模型的过程包括：
获取炉后光学检测数据及维修记录数据；
根据所述炉后光学检测数据及所述维修记录数据对所述产品数据进行标注；
根据所述标注对所述产品数据进行处理得到训练数据，使用所述训练数据训练神经网络模型，得到训练完成的神经网络模型。
在本发明的至少一个实施例中，所述炉后光学检测数据包括有维修记录和无维修记录，所述维修数据包括有维修记录和无维修记录。
在本发明的至少一个实施例中，所述根据所述炉后光学检测数据及所述维修记录数据对所述产品数据进行标注包括：
当所述产品数据中的所述炉后光学检测数据或所述维修记录数据为有维修记录时，将所述产品数据标注为失败样本；
当所述产品数据中的所述炉后光学检测数据或所述维修记录数据为无维修记录时，将所述产品数据标注为通过样本。
在本发明的至少一个实施例中，所述根据所述标注对所述产品数据进行处理得到训练数据包括：
对标注为通过样本的产品数据，将所述回焊特征数据与所述第一预设倍数倍数相乘得到通过样本标签，将通过样本标签作为标注为通过样本的产品数据的标签；
对标注为失败样本的产品数据，将与产品数据中前置工站数据最邻近的通过样本数据的回焊炉上、下炉膛的炉温的平均值作为失败样本标签，将失败样本标签作为标注为失败样本的产品数据的标签；
所述产品数据和所述产品数据的标签组成所述训练数据。
例如，当所述产品数据中的所述炉后光学检测数据及所述维修记录数据为有维修记录时，将所述产品数据标注为失败样本，所述失败样本的标记可以是0；当所述产品数据中的所述炉后光学检测数据及所述维修记录数据为无维修记录时，将所述产品数据标注为通过样本，所述通过样本的标记可以是1。
又例如，当所述第一预设倍数是100时，对标注为通过样本的产品数据，将所述回焊特征数据与倍数100相乘得到通过样本标签，将通过样本标签作为标注为通过样本的产品数据的标签。
步骤S16，根据所述温度预测结果调节所述每个回焊温区的炉温。
在本发明的至少一个实施例中，所述方法还包括：
获取第一炉温数据、设备运行参数、第一关键指标、第二炉温数据、第一商品生产数据、第一设备寿命数据及第二商品生产数据；
处理所述第一炉温数据；
将处理后的所述第一炉温数据与所述设备运行参数输入第一回归模型，通过所述第一回归模型拟合所述第一关键指标，得到关键指标预测模型；
处理所述第二炉温数据，将处理后的所述第二炉温数据与所述设备运行参数输入所述关键指标预测模型，通过所述关键指标预测模型预测第二关键指标；
以所述第一关键指标与第一商品生产数据为第二回归模型的输入，以第一设备寿命数据为所述第二回归模型的输出，训练所述第二回归模型，得到寿命预测模型；
将所述第二关键指标与所述第二商品生产数据输入所述寿命预测模型，通过所述寿命预测模型预测回焊温区的设备使用寿命。
在本发明的至少一个实施例中，所述处理所述第一炉温数据包括：
对所述第一炉温数据进行多项式变换，并升维到预设维度。
在本发明的至少一个实施例中，所述处理所述第二炉温数据包括：
对所述第二炉温数据进行多项式变换，并升维到所述预设维度。
在本发明的至少一个实施例中，所述第一关键指标包括炉温曲线的上升斜率、下降斜率、预热时间、熔融时间、恒温时间、峰值温度。
在本发明的至少一个实施例中，所述第一回归模型可以是增强自适应回归模型。
具体地，所述将处理后的所述第一炉温数据与所述设备运行参数输入第一回归模型，通过所述第一回归模型拟合所述第一关键指标，得到关键指标预测模型包括：
为处理后的所述第一炉温数据与所述设备运行参数分配随机的权重；
执行权重调整过程至预设次数，得到所述关键指标预测模型，所述权重调整过程包括：
使用具有所述权重的所述第一炉温数据与所述设备运行参数训练所述增强自适应回归模型；
计算经过所述自适应回归模型预测的结果与所述第一关键指标的最大误差；
计算经过所述每个自适应回归模型预测的结果与所述每个第一关键指标的相对误差；
根据所述权重与所述相对误差计算回归误差率；
计算所述增强自适应回归模型的系数；
更新处理后的所述第一炉温数据与所述设备运行参数的权重分布。
具体地，所述第一商品生产数据包括风扇转速、冰水温度、氮氧浓度。
在本发明的至少一个实施例中，所述第二回归模型可以是基于神经网络的回归模型。
本发明中，通过利用大量数据训练神经网络模型，结合回流焊前置工站数据变化情况与后置工站测试维修情况，可以实现对各回焊炉的炉温进行实时调节，从而提升焊接良率。
实施例2
图2为本发明一实施方式中回焊炉炉温调节装置30的结构图。
在一些实施例中，所述回焊炉炉温调节装置30运行于电子设备中。所述回焊炉炉温调节装置30可以包括多个由程序代码段所组成的功能模块。所述回焊炉炉温调节装置30中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行回焊炉炉温调节功能。
本实施例中，所述回焊炉炉温调节装置30根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述回焊炉炉温调节装置30可以包括产品数据获取模块301，初始特征数据计算模块302，前置工站特征数据计算模块303，回焊特征数据计算模块304、预测模块305及炉温调节模块306。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。所述在一些实施例中，关于各模块的功能将在后续的实施例中详述。
所述产品数据获取模块301获取回焊炉的产品数据，所述产品数据包括前置工站数据及每个回焊温区的回焊数据，所述回焊数据包括上、下炉膛温度。
在本发明的至少一个实施例中，所述前置工站数据包括锡膏点面积、锡膏点面积百分比、锡膏点体积百分比、锡膏点高度百分比。
所述初始特征数据计算模块302基于所述前置工站数据，得到前置工站初始特征数据，计算回焊数据中上、下炉膛温度均值作为回焊初始特征数据。
在本发明的至少一个实施例中，所述初始特征数据计算模块302基于所述前置工站数据，得到前置工站初始特征数据包括：
获取所述前置工站数据中的锡膏点面积、锡膏点面积百分比、锡膏点体积百分比、锡膏点高度百分比；
对所述锡膏点面积进行分段，并对分段后的锡膏点面积数据正态转换；
剔除所述锡膏点面积数据经正态转换后超出预设概率分布的数据；
将所述锡膏点面积对应的产品数据中的锡膏点面积百分比的第一统计值、锡膏点体积百分比的第二统计值、锡膏点高度百分比的第三统计值作为前置工站初始特征数据。
所述前置工站特征数据计算模块303基于所述前置工站初始特征数据，得到前置工站特征数据。
在本发明的至少一个实施例中，所述前置工站特征数据计算模块303基于所述前置工站初始特征数据，得到前置工站特征数据包括：
对所述前置工站初始特征数据进行多项式变换，并升维至第一预设维度；
对升维后的所述前置工站初始特征数据做归一化转换；
将归一化转换后的所述前置工站初始特征数据与第一预设倍数的乘积作为所述前置工站特征数据。
所述回焊特征数据计算模块304对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据。
在本发明的至少一个实施例中，所述述回焊特征数据计算模块304对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据包括：
为所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据设定权重，根据所述权重对所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和；
将所述每个回焊温区的加权和与第二预设倍数相乘得到所述每个回焊温区的第一回焊特征数据；
将所述每个回焊温区的所述回焊初始特征数据与第二预设倍数相乘得到所述每个回焊温区的第二回焊特征数据；
合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到所述回焊特征数据。
所述预测模块305合并所述前置工站特征数据与所有回焊温区的回焊特征数据并得到合并结果，将所述合并结果作为输入数据，并输入至训练完成的神经网络模型，输出所述每个回焊温区的温度预测结果。
在本发明的至少一个实施例中，所述温度预测结果为一个向量，所述向量的长度是所有回焊温区的个数，所述向量的每个数值对应每个回焊温区的预测炉温。
在本发明的至少一个实施例中，所述装置包括神经网络模型训练模块。
所述神经网络模型训练模块训练神经网络模型的过程包括：
获取炉后光学检测数据及维修记录数据；
根据所述炉后光学检测数据及所述维修记录数据对所述产品数据进行标注；
根据所述标注对所述产品数据进行处理得到训练数据，使用所述训练数据训练神经网络模型，得到训练完成的神经网络模型。
在本发明的至少一个实施例中，所述炉后光学检测数据包括有维修记录和无维修记录，所述维修数据包括有维修记录和无维修记录。
在本发明的至少一个实施例中，所述根据所述炉后光学检测数据及所述维修记录数据对所述产品数据进行标注包括：
当所述产品数据中的所述炉后光学检测数据或所述维修记录数据为有维修记录时，将所述产品数据标注为失败样本；
当所述产品数据中的所述炉后光学检测数据或所述维修记录数据为无维修记录时，将所述产品数据标注为通过样本。
在本发明的至少一个实施例中，所述根据所述标注对所述产品数据进行处理得到训练数据包括：
对标注为通过样本的产品数据，将所述回焊特征数据与所述第一预设倍数倍数相乘得到通过样本标签，将通过样本标签作为标注为通过样本的产品数据的标签；
对标注为失败样本的产品数据，将与产品数据中前置工站数据最邻近的通过样本数据的回焊炉上、下炉膛的炉温的平均值作为失败样本标签，将失败样本标签作为标注为失败样本的产品数据的标签；
所述产品数据和所述产品数据的标签组成所述训练数据。
所述炉温调节模块306根据所述温度预测结果调节所述每个回焊温区的炉温。
在本发明的至少一个实施例中，所述装置还包括寿命预测模块。
在本发明的至少一个实施例中，所述寿命预测模块预测设备寿命包括：
获取第一炉温数据、设备运行参数、第一关键指标、第二炉温数据、第一商品生产数据、第一设备寿命数据及第二商品生产数据；
处理所述第一炉温数据；
将处理后的所述第一炉温数据与所述设备运行参数输入第一回归模型，通过所述第一回归模型拟合所述第一关键指标，得到关键指标预测模型；
处理所述第二炉温数据，将处理后的所述第二炉温数据与所述设备运行参数输入所述关键指标预测模型，通过所述关键指标预测模型预测第二关键指标；
以所述第一关键指标与第一商品生产数据为第二回归模型的输入，以第一设备寿命数据为所述第二回归模型的输出，训练所述第二回归模型，得到寿命预测模型；
将所述第二关键指标与所述第二商品生产数据输入所述寿命预测模型，通过所述寿命预测模型预测回焊温区的设备使用寿命。
在本发明的至少一个实施例中，所述处理所述第一炉温数据包括：
对所述第一炉温数据进行多项式变换，并升维到预设维度。
在本发明的至少一个实施例中，所述处理所述第二炉温数据包括：
对所述第二炉温数据进行多项式变换，并升维到所述预设维度。
在本发明的至少一个实施例中，所述第一关键指标包括炉温曲线的上升斜率、下降斜率、预热时间、熔融时间、恒温时间、峰值温度。
在本发明的至少一个实施例中，所述第一回归模型可以是增强自适应回归模型。
具体地，所述将处理后的所述第一炉温数据与所述设备运行参数输入第一回归模型，通过所述第一回归模型拟合所述第一关键指标，得到关键指标预测模型包括：
为处理后的所述第一炉温数据与所述设备运行参数分配随机的权重；
执行权重调整过程至预设次数，得到所述关键指标预测模型，所述权重调整过程包括：
使用具有所述权重的所述第一炉温数据与所述设备运行参数训练所述增强自适应回归模型；
计算经过所述自适应回归模型预测的结果与所述第一关键指标的最大误差；
计算经过所述每个自适应回归模型预测的结果与所述每个第一关键指标的相对误差；
根据所述权重与所述相对误差计算回归误差率；
计算所述增强自适应回归模型的系数；
更新处理后的所述第一炉温数据与所述设备运行参数的权重分布。
具体地，所述第一商品生产数据包括风扇转速、冰水温度、氮氧浓度。
在本发明的至少一个实施例中，所述第二回归模型可以是基于神经网络的回归模型。
本发明中，通过利用大量数据训练神经网络模型，结合回流焊前置工站数据变化情况与后置工站测试维修情况，可以实现对各回焊炉的炉温进行实时调节，从而提升焊接良率。
实施例3
图3为本发明一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述回焊炉炉温调节方法实施例中的步骤，例如图1所示的步骤S11～S16。或者，所述处理器62执行所述计算机程序63时实现上述回焊炉炉温调节装置实施例中各模块/单元的功能，例如图2中的模块301～306。
示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器62执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成图2中的产品数据获取模块301，初始特征数据计算模块302，前置工站特征数据计算模块303，回焊特征数据计算模块304、预测模块305及炉温调节模块306，各模块具体功能参见实施例2。
本实施方式中，所述电子设备6可以是桌上型计算机、笔记本、掌上电脑、服务器及云端终端装置等计算设备。本领域技术人员可以理解，所述示意图仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等，所述处理器62是所述电子设备6的控制中心，利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元，所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元，以及调用存储在存储器61内的数据，实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种回焊炉炉温调节方法，其特征在于，所述方法包括：
获取回焊炉的产品数据，所述产品数据包括前置工站数据及每个回焊温区的回焊数据，所述回焊数据包括上、下炉膛温度；
基于所述前置工站数据，得到前置工站初始特征数据，计算回焊数据中上、下炉膛温度均值作为回焊初始特征数据；
基于所述前置工站初始特征数据，得到前置工站特征数据；
对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据；
合并所述前置工站特征数据与所有回焊温区的回焊特征数据并得到合并结果，将所述合并结果作为输入数据，并输入至训练完成的神经网络模型，输出所述每个回焊温区的温度预测结果；
根据所述温度预测结果调节所述每个回焊温区的炉温。
2.如权利要求1所述的回焊炉炉温调节方法，其特征在于，所述方法还包括：
获取第一炉温数据、设备运行参数、第一关键指标、第二炉温数据、第一商品生产数据、第一设备寿命数据及第二商品生产数据；
处理所述第一炉温数据；
将处理后的所述第一炉温数据与所述设备运行参数输入第一回归模型，通过所述第一回归模型拟合所述第一关键指标，得到关键指标预测模型；
处理所述第二炉温数据，将处理后的所述第二炉温数据与所述设备运行参数输入所述关键指标预测模型，通过所述关键指标预测模型预测第二关键指标；
以所述第一关键指标与第一商品生产数据为第二回归模型的输入，以第一设备寿命数据为所述第二回归模型的输出，训练所述第二回归模型，得到寿命预测模型；
将所述第二关键指标与所述第二商品生产数据输入所述寿命预测模型，通过所述寿命预测模型预测回焊温区的设备使用寿命。
3.如权利要求1所述的回焊炉炉温调节方法，其特征在于，所述方法还包括：
获取炉后光学检测数据及维修记录数据；
根据所述炉后光学检测数据及所述维修记录数据对所述产品数据进行标注；
根据所述标注对所述产品数据进行处理得到训练数据，使用所述训练数据训练神经网络模型，得到训练完成的神经网络模型。
4.如权利要求1所述的回焊炉炉温调节方法，其特征在于，所述基于所述前置工站数据，得到前置工站初始特征数据包括：
获取所述前置工站数据中的锡膏点面积、锡膏点面积百分比、锡膏点体积百分比、锡膏点高度百分比；
对所述锡膏点面积进行分段，并对分段后的锡膏点面积数据正态转换；
剔除所述锡膏点面积数据经正态转换后超出预设概率分布的数据；
将所述锡膏点面积对应的产品数据中的锡膏点面积百分比的第一统计值、锡膏点体积百分比的第二统计值、锡膏点高度百分比的第三统计值作为前置工站初始特征数据。
5.如权利要求1所述的回焊炉炉温调节方法，其特征在于，所述基于所述前置工站初始特征数据，得到前置工站特征数据包括：
对所述前置工站初始特征数据进行多项式变换，并升维至第一预设维度；
对升维后的所述前置工站初始特征数据做归一化转换；
将归一化转换后的所述前置工站初始特征数据与第一预设倍数的乘积作为所述前置工站特征数据。
6.如权利要求1所述的回焊炉炉温调节方法，其特征在于，所述对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据包括：
为所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据设定权重，根据所述权重对所述每个回焊温区的相邻两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和；
将所述每个回焊温区的加权和与第二预设倍数相乘得到所述每个回焊温区的第一回焊特征数据；
将所述每个回焊温区的所述回焊初始特征数据与第二预设倍数相乘得到所述每个回焊温区的第二回焊特征数据；
合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到所述回焊特征数据。
7.如权利要求1所述的回焊炉炉温调节方法，其特征在于，所述温度预测结果为一个向量，所述向量的长度是所有回焊温区的个数，所述向量的每个数值对应每个回焊温区的预测炉温。
8.一种回焊炉炉温调节装置，其特征在于，所述装置包括：
产品数据获取模块，用于获取回焊炉的产品数据，所述产品数据包括前置工站数据及每个回焊温区的回焊数据，所述回焊数据包括上、下炉膛温度；
初始特征数据计算模块，用于基于所述前置工站数据，得到前置工站初始特征数据，计算回焊数据中上、下炉膛温度均值作为回焊初始特征数据；
前置工站特征数据计算模块，用于基于所述前置工站初始特征数据，得到前置工站特征数据；
回焊特征数据计算模块，用于对于所述每个回焊温区相邻的两个回焊温区的回焊初始特征数据进行加权计算得到所述每个回焊温区的加权和，基于所述每个回焊温区的所述加权和得到所述每个回焊温区的第一回焊特征数据，并基于所述每个回焊温区的所述回焊初始特征数据得到所述每个回焊温区的第二回焊特征数据，合并所述每个回焊温区的第一回焊特征数据与第二回焊特征数据得到回焊特征数据；
预测模块，用于合并所述前置工站特征数据与所有回焊温区的回焊特征数据并得到合并结果，将所述合并结果作为输入数据，并输入至训练完成的神经网络模型，输出所述每个回焊温区的温度预测结果；
炉温调节模块，用于根据所述温度预测结果调节所述每个回焊温区的炉温。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任一项所述的回焊炉炉温调节方法。
10.一种计算机存储介质，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至7中任一项所述的回焊炉炉温调节方法。
CN202011281654.8A 2020-11-16 2020-11-16 回焊炉炉温调节方法、装置、电子设备及存储介质 Pending CN114510863A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011281654.8A CN114510863A (zh) 2020-11-16 2020-11-16 回焊炉炉温调节方法、装置、电子设备及存储介质
TW109146742A TW202223575A (zh) 2020-11-16 2020-12-29 回焊爐爐溫調節方法、裝置、電子設備及存儲介質
US17/522,081 US20220155805A1 (en) 2020-11-16 2021-11-09 Method for adjusting furnace temperature of a reflow oven, and electronic device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281654.8A CN114510863A (zh) 2020-11-16 2020-11-16 回焊炉炉温调节方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114510863A true CN114510863A (zh) 2022-05-17

Family

ID=81546749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281654.8A Pending CN114510863A (zh) 2020-11-16 2020-11-16 回焊炉炉温调节方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20220155805A1 (zh)
CN (1) CN114510863A (zh)
TW (1) TW202223575A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118492544A (zh) * 2024-07-10 2024-08-16 深圳市丹宇电子有限公司 基于深度学习的多温区回流焊温度调节方法及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115509274A (zh) * 2022-09-21 2022-12-23 中冶南方工程技术有限公司 一种高炉炉温自动调节方法、终端设备及存储介质

Citations (2)

* 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
CN107639316A (zh) * 2016-07-21 2018-01-30 鸿骐新技股份有限公司 腔室型回焊炉机台、及其温度自动补偿控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6207936B1 (en) * 1996-01-31 2001-03-27 Asm America, Inc. Model-based predictive control of thermal processing
JP4758716B2 (ja) * 2005-09-16 2011-08-31 株式会社タムラ製作所 加熱装置の制御方法
JP6402451B2 (ja) * 2014-02-14 2018-10-10 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
JP7157948B2 (ja) * 2018-04-25 2022-10-21 パナソニックＩｐマネジメント株式会社 部品実装ライン、部品実装方法及び品質管理システム

Patent Citations (2)

* 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
CN107639316A (zh) * 2016-07-21 2018-01-30 鸿骐新技股份有限公司 腔室型回焊炉机台、及其温度自动补偿控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
贺无名等: ""基于B样条模糊神经网络的钎焊炉温度控制"", 《制造业自动化》, 31 December 2011 (2011-12-31), pages 129 - 131 *
邱东;仝彩霞;朱里红;陈爽;王龙山;: "基于神经网络的高炉炉温预测模型的研究", 微计算机信息, no. 14, 15 May 2009 (2009-05-15), pages 232 - 233 *
雷翔霄;唐春霞;徐立娟;: "基于RBF-PID的热风回流焊温度控制", 邵阳学院学报(自然科学版), no. 04, 28 August 2020 (2020-08-28), pages 37 - 44 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118492544A (zh) * 2024-07-10 2024-08-16 深圳市丹宇电子有限公司 基于深度学习的多温区回流焊温度调节方法及介质
CN118492544B (zh) * 2024-07-10 2024-09-10 深圳市丹宇电子有限公司 基于深度学习的多温区回流焊温度调节方法及介质

Also Published As

Publication number Publication date
US20220155805A1 (en) 2022-05-19
TW202223575A (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
EP3428854A1 (en) Model analysis method and device and computer readable storage medium
CN110751326B (zh) 一种光伏日前功率预测方法、装置以及存储介质
CN114510863A (zh) 回焊炉炉温调节方法、装置、电子设备及存储介质
CN105528465A (zh) 信用状况评估方法及装置
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN112990583B (zh) 一种数据预测模型的入模特征确定方法及设备
CN108022168A (zh) 数据异动监控方法、设备及存储介质
CN110046815A (zh) 风险管理方法、装置、设备和存储介质
CN112801712A (zh) 一种广告投放策略的优化方法及装置
CN111292109A (zh) 产品的价格区间的确定方法、系统、设备和存储介质
CN110619407A (zh) 对象销量的预测方法及系统、电子设备和存储介质
CN111861100B (zh) 一种基于流程评分的工单处理方法及装置
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN108073464A (zh) 一种基于速度和加速度的时序数据异常点检测方法及装置
CN115185625A (zh) 基于可配置卡片的自推荐式界面更新方法及其相关设备
CN112949908A (zh) 一种电价概率预测方法及装置
CN114385878A (zh) 政务数据的可视化展示方法、装置及终端设备
CN113379533A (zh) 一种循环贷款提额方法、装置、设备及存储介质
Liu et al. Application of combined optimization strategy and system of CNC machining parameter
CN113570098A (zh) 出货量预测方法、装置、计算机装置及存储介质
CN112381338A (zh) 事件概率预测模型训练、事件概率预测方法及相关装置
CN111768282A (zh) 数据分析方法、装置、设备及存储介质
CN117557071B (zh) 稀疏时间序列的预测方法、设备、存储介质及应用
JPH07191967A (ja) 関数近似装置及び電力需要予測装置
CN118278750B (zh) 一种基于大数据技术的电网规划风险识别方法、装置、设备及存储介质

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