CN114829958A - 用于评估印刷电路板的方法和系统 - Google Patents
用于评估印刷电路板的方法和系统 Download PDFInfo
- Publication number
- CN114829958A CN114829958A CN202080087673.9A CN202080087673A CN114829958A CN 114829958 A CN114829958 A CN 114829958A CN 202080087673 A CN202080087673 A CN 202080087673A CN 114829958 A CN114829958 A CN 114829958A
- Authority
- CN
- China
- Prior art keywords
- printed circuit
- data
- circuit board
- pcb
- output data
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2801—Testing of printed circuits, backplanes, motherboards, hybrid circuits or carriers for multichip packages [MCP]
- G01R31/2803—Testing of printed circuits, backplanes, motherboards, hybrid circuits or carriers for multichip packages [MCP] by means of functional tests, e.g. logic-circuit-simulation or algorithms therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/27—Testing of devices without physical removal from the circuit of which they form part, e.g. compensating for effects surrounding elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/3185—Reconfiguring for testing, e.g. LSSD, partitioning
- G01R31/318505—Test of Modular systems, e.g. Wafers, MCM's
- G01R31/318508—Board Level Test, e.g. P1500 Standard
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
一种用于评估至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的计算机实现的方法,包括:‑接收输入数据(ID),其中输入数据(ID)基于至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的测试数据(TD),其中该测试数据是在线测试的测试数据并且包括该至少一个印刷电路板(PCB1,PCB 2,PCB 3)的多个电子元件的测量数据(MDB);‑将经训练的分类函数(TCF)应用于输入数据(ID),其中生成输出数据;‑提供该输出数据,其中该输出数据包括该至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的多个电子元件中的至少一个到至少两个不同类别中的一个的分配(ASG)。
Description
技术领域
本发明涉及一种用于评估至少一个印刷电路板的计算机实现的方法,其中借助于经训练的分类函数来将该至少一个印刷电路板分配到至少两个不同类别中的一个。
此外,本发明还涉及一种包括至少一个这种分配的机器可读数据介质。
此外,本发明还涉及一种用于提供经训练的分类函数的计算机实现的方法,其可以在上述用于评估印刷电路板的方法中使用。
此外,本发明还涉及一种用于为印刷电路板测试提供经训练的推荐函数的计算机实现的方法,其可以在上述用于评估印刷电路板的方法中使用。
此外,本发明还涉及一种计算机程序,其包括当该程序由系统执行时使该系统执行上述计算机实现的方法中的至少一个的指令。
此外,本发明还涉及一种用于评估至少一个印刷电路板的系统。
背景技术
在电子设备制造领域,印刷电路板(PCB)的制造和组装具有相当高的过程成熟度。用于PCB测试的方法和系统是现有技术已知的。例如,美国专利US 6 738 450 B1示出了基于图像处理检测PCB焊点的方法和系统。US 7 133 797 B2涉及基于输入/输出信号的预定行为的PCB功能测试。
然而,仍然需要验证正确的元件是否位于正确的位置,以及正确的元件是否正确地电连接至电路板,而没有短路或开路连接。因此,有必要进行电测试。此类测试的一个例子是通过直接接触元件或通过测试垫分别测量每个元件的电气值的测试。由于连接不良(例如,测试垫或针受到污染),所产生的测量值偏离元件值的预期范围,因此导致良好的产品被判定为缺陷(伪错误)。即,术语“[电]连接不良”与术语“连接理想”相反,“连接理想”是指连接本身具有零电阻和零容量。在由于污染(针)、灰尘(接点)、温度(PCB)等导致电连接不良的情况下,连接本身具有非零容量和/或非零电阻。因此,电连接不良可能导致PCB电子元件的电参数的测量值错误(例如电阻和/或容量的值错误),以及伪错误。伪错误可能会导致进行重新测试或进行额外的质量检查工作,并因此降低生产设备的总体能力和有效性。伪错误的发生往往是随机的,或者其根本原因不同且不断变化,因此过程优化要么代价高昂,要么是不可持续的,而重新测试是一种可接受的情况。
因此,需要提供能够处理印刷电路板测试期间产生的大量数据,且比当前现有的方法和系统更可靠的方法和系统。
发明内容
为了实现上述目的,本发明提供了一种用于评估至少一个印刷电路板的计算机实现的方法,该方法包括:
-接收输入数据,其中该输入数据基于至少一个、更具体地多个印刷电路板的至少一个的测试数据,其中该测试数据是在线测试的测试数据并且包括该至少一个印刷电路板的多个电子元件的测量数据;
-将经训练的分类函数应用于该输入数据,其中生成输出数据;
-提供该输出数据,其中该输出数据包括该至少一个印刷电路板的多个电子元件中的至少一个、优选每一个到至少两个不同类别中的一个的分配。
在实施例中,该输出数据包括多个分配,其中每个分配是该至少一个印刷电路板的多个电子元件中的至少一个的分配,并且不同的分配涉及不同的电子元件。
基于该输出数据,即基于该至少一个印刷电路板的多个电子元件中的至少一个的分配,来进行对该至少一个印刷电路板的评估。具体而言,该输出数据包括多个分配,其中每个分配涉及特定的电子元件,并且不同的电子元件具有不同的分配。
使用经训练的分类函数,可以在将特定特征分配给经测试的印刷电路板时得到更高的精度。
在实施例中,该输出数据可以被实现为由相应的分配增强的输入数据,即,标记或分类的输入数据。
在一些实施例中,该经训练的分类函数可以基于多元分类算法,更具体地,该多元分类算法可以是普通线性回归算法、随机森林算法、梯度提升算法、LASSO算法,具体为自适应LASSO算法,更具体地为正则化线性回归算法,或逻辑回归算法,具体为二元逻辑回归算法。
在一些实施例中,该至少两个类别中的一个对应于伪故障印刷电路板的种类。伪故障印刷电路板是具有伪错误的印刷电路板。即,该至少一个印刷电路板的多个电子元件中的至少一个具有伪错误(“假不良”)。伪故障印刷电路板是指由于一种或另一种外部条件(例如,印刷电路板的温度、测试垫污染等)导致测试失败的正常工作的印刷电路板。使用经训练的分类函数可以提高伪错误印刷电路板的检测精度。
换言之,该经训练的分类函数可以被调整或训练为用以检测伪错误的电子元件。下文将进一步讨论如何训练分类函数,例如基于历史ICT测量数据和相应的历史分配数据(例如人类专家的分配数据)。经训练的分类函数能够从测量数据中减去“噪声”,该噪声是在ICT测量期间因一个或多个上述原因(例如探针受污染、印刷电路板“发热”等)引入的。
在一些实施例中,该至少一个印刷电路板、更具体地为每个印刷电路板被分配到由三个类别构成的组,更具体地,被分配到由以下项构成的组:第一类(“通过”),其中该第一类对应于正常工作的印刷电路板的种类;第二类(“未通过”),其中该第二类对应于故障印刷电路板的种类,以及第三类(“伪故障”),其中该第三类对应于伪故障印刷电路板的种类。
在ICT的情况下重新测试成本很高,因此在这种情况下检测伪错误可以显著降低生产成本。
在一些实施例中,该至少一个印刷电路板的多个电子元件的测量数据包括该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的测量数据。该电参数可以是模拟的和/或数字的参数。例如,该测试可以包括电阻、电感等的测量,即,该测量数据可包括该至少一个印刷电路板的单个电子元件的(不同)电参数。如上所述,单个电子元件(例如电阻)的测量可能会导致不同电参数(电阻、电感)为非零值,例如由于连接不良。
在实施例中,该输入数据和该输出数据可包括该至少一个印刷电路板的布局信息,并且提供输出数据包括可视化该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的测量数据,其中该可视化是基于该布局信息/借助于该布局信息进行的。
在一些实施例中,可以测试多个不同类型的印刷电路板,并且该输入数据和该输出数据可包括至少一种类型的印刷电路板的布局信息。在实施例中,该输入数据和该输出数据可包括每种类型的印刷电路板的布局信息。
在一些实施例中,该方法可包括优化至少一个统计参数,其中该统计参数确定该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的值的预定允许范围,并且提供输出数据可包括推荐至少一个优化的统计参数用于在进一步测试中使用。
在一些实施例中,可以基于最近获得的测试数据,即最近的历史数据,来进行该优化。例如,该最近的历史数据可以是当前生产周期期间收集的数据或/和近两周、三周或四周收集的数据。通过这种方式,该值的允许范围可以根据测试的实验室条件进行调整。
该统计参数可以是位置参数,例如平均值,和/或排列参数,例如标准偏差、方差、范围、四分差、绝对偏差等。这些参数可以表征(衡量)统计离散程度。
例如,可以评估一段时间内的特定产量(英语:capacity)的平均值。例如,可以评估近4周该产量的测量值的平均值,并在此基础上建议调整后的置信区间。
推荐可以在可视化中执行,例如,可以可视化被一个或多个分配增强的测试数据,以便在例如屏幕或HMI上显示该允许值和推荐值。
在一些实施例中,推荐可以借助于经训练的推荐函数来执行,更具体地,该经训练的推荐函数基于数据驱动的优化,尤其基于分布式鲁棒优化和/或在线线性规划算法和/或非凸正则化最小二乘法和/或多块交替方向乘子法。通过这种方式,可以使测试数据评估过程完全自动化。
根据本发明的一个方面,提供了一种包括上述分配的机器可读数据介质。
根据本发明的一个方面,提供了一种用于提供经训练的分类函数的计算机实现的方法。该经训练的分类函数可以用于上述用于评估印刷电路板的方法中。该训练方法包括:
A0)接收训练输入数据和训练输出数据,其中该训练输入数据表示在线测试的测试数据,其中该ICT测试数据包括该至少一个印刷电路板的多个电子元件的(历史)测量数据,并且该训练输出数据表示该印刷电路板的多个电子元件中的至少一个的分配(历史分配数据),其中每个分配是该多个电子元件中的至少一个到至少两个不同类别中的一个的分配;
B0)对该训练输入数据执行分类函数,以生成预测的训练输出数据;
C0)将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;
D0)根据该确定的误差来更新该分类函数,以及
E0)以迭代的方式执行步骤A0)至D0),以减小该误差。
不同的分配对应于不同的电子元件。
该训练输入和输出数据包括历史数据,即可从之前的ICT测量得到的数据(训练测量数据)和从印刷电路板的电子元件的相应分配得到的数据(训练分配数据)。
训练输入数据和训练输出数据构成了所谓的训练数据集。该训练数据集可以是全部测试数据的一部分。
在一些实施例中,该训练数据集可包括大约或少于全部测试数据的20%。通过这种方式,可以降低分类函数过拟合的概率。
在一些实施例中,可以选择步骤A0至D0的每次迭代中的训练数据集与之前从全部训练数据中选择的训练数据集不重叠或仅部分重叠。
在一些实施例中,可以在执行分类函数之前,对该训练输入数据和该训练输出数据进行预处理。
在一些实施例中,该方法可包括交叉验证。
在一些实施例中,该分类函数可以基于多元分类算法,更具体地,该多元分类算法是普通线性回归算法、随机森林算法、梯度提升算法、LASSO算法,具体为自适应LASSO算法,更具体地为正则化线性回归算法,或逻辑回归算法,具体为二元逻辑回归算法。
在实施例中,该至少两个类别中的一个对应于伪故障类别。
在一些实施例中,该至少一个印刷电路板可以分配到由三个类别构成的组,更具体地,分配到由以下项构成的组:第一类,其中该第一类对应于正常工作的印刷电路板的种类;第二类,其中该第二类对应于故障印刷电路板的种类,以及第三类,其中该第三类对应于伪故障印刷电路板的种类。在这种情况下,特征向量具有三个条目,分别对应于“通过”、“未通过”和“伪错误”种类。
根据本发明的一个方面,提供了一种用于为印刷电路板测试提供经训练的推荐函数的计算机实现的方法,其中该方法包括:
A1)接收训练输入数据和训练输出数据,其中该训练输入数据表示至少一个优化的统计参数的推荐,其中(还未优化的)统计参数确定该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的值的预定范围,其中值的预定范围包括在印刷电路板测试期间允许的值,并且该训练输出数据表示该推荐的接受;
B1)对该训练输入数据执行推荐函数,以生成预测的训练输出数据;
C1)将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;
D1)根据该确定的误差来更新该推荐函数,以及
E1)以迭代的方式执行步骤A1)至D1),以减小该误差。
该(尚未优化的)统计参数可以由人类专家提供。
该(尚未优化的)统计参数不取决于和/或考虑当前测试程序的条件。
在一些实施例中,该推荐函数可以基于数基于数据驱动的优化,尤其是基于分布式鲁棒优化和/或在线线性规划算法和/或非凸正则化最小二乘法和/或多块交替方向乘子法(ADMM)。
根据本发明的一个方面,提供了一种计算机程序,其中该计算机程序包括当该程序由系统执行时使该系统执行上述计算机实现的方法的指令。
根据本发明的一个方面,提供了一种系统,该系统包括:
-第一接口,被配置为用于接收输入数据,其中该输入数据基于该至少一个印刷电路板的测试数据,其中该测试数据是在线测试的测试数据并且包括该至少一个印刷电路板的多个电子元件的测量数据;
-计算装置,被配置为将经训练的分类函数应用于该输入数据,以生成输出数据;
-第二接口,被配置为用于提供该输出数据,其中该输出数据包括该至少一个印刷电路板的多个电子元件中的至少一个到至少两个不同类别中的一个的分配。
在一些实施例中,该计算装置或该第二接口可以配置为用于:
-优化至少一个统计参数,其中该统计参数确定该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的允许值的预定范围,其中
该计算装置或该第二接口配置为用于:
-在提供该输出数据的同时,推荐、更具体地通过应用经训练的推荐函数来推荐至少一个优化的统计参数用于在进一步测试中使用。
根据本发明的一个方面,提供了一种用于提供经训练的分类函数的训练系统,其中该训练系统包括第一训练接口,被配置为用于接收训练输入数据和训练输出数据,其中该训练输入数据表示在线测试的测试数据。其中该ICT测试数据包括该至少一个印刷电路板的多个电子元件的测量数据,并且该训练输出数据表示该多个电子元件中的至少一个的分配,其中每个分配是印刷电路板到至少两个不同类别中的一个的分配;训练计算装置,被配置为:
*对该训练输入数据执行分类函数,以生成预测的训练输出数据;
*将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;
*根据确定的误差来更新该分类函数;以及第二训练接口,被配置为用于提供该经训练的分类函数。
根据本发明的一个方面,提供了一种用于为印刷电路板测试提供经训练的推荐函数的训练系统,其中该训练系统包括:
-第一训练接口,被配置为用于接收训练输入数据和训练输出数据,其中该训练输入数据表示推荐至少一个优化的统计参数,其中统计参数确定该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的值的预定范围,其中该值的预定范围包括在印刷电路板测试期间允许的值,并且该训练输出数据表示该推荐的接受;
-训练计算装置,被配置为用于:
*对该训练输入数据执行推荐函数,以生成预测的训练输出数据;
*将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;
*根据确定的误差来更新该推荐函数,以及
-第二训练接口,被配置为用于提供该经训练的推荐函数。
附图说明
在结合附图考虑以下具体实施方式后,本发明的上述及其他目的和优点将显而易见,在附图中,相同的参考符号始终指代相同的部件,其中:
图1是可以评估多个印刷电路板的测试数据的环境的示例;
图2是用于评估至少一个印刷电路板的计算机实现的方法的示例的流程图;
图3是PCB布局信息的可视化的示例;
图4是用于评估至少一个印刷电路板和用于可视化结果的计算机实现的方法的示例的流程图;
图5是可以评估多个印刷电路板的测试数据、可以建议用于测试的可视化和优化的参数的环境的示例;
图6和图7是用于产生机器可读介质的方法的流程图;
图8是用于提供经训练的分类函数的计算机实现的方法的示例;
图9是数据预处理的示例;
图10是用于提供经训练的推荐函数的计算机实现的方法的示例;
图11是用于提供经训练的函数、例如经训练的分类函数或/和经训练的推荐函数的训练系统的示例。
具体实施方式
转向图1和图2,示出了可以评估几个印刷电路板PCB 1,PCB 2,PCB 3的测试数据的环境的示例,以及可以在此环境中执行的计算机实现的方法的示例。
尤其是,图1示出了制造印刷电路板的工业工厂PL或制造厂。本领域技术人员应当理解,印刷电路板PCB 1,PCB 2,PCB 3的数量可以多于3个,但仅示出了其中的三个。通常,在印刷电路板制造设备PL中有数百或有时数千个印刷电路板。每个印刷电路板PCB 1,PCB2,PCB 3在离开制造厂PL之前都会经历质量测试程序。在该测试期间,会生成测试数据。在印刷电路板PCB 1,PCB 2,PCB 3上进行的测试是在线测试(ICT)。因此,印刷电路板PCB 1,PCB 2,PCB 3的测试数据是ICT测量数据。在ICT期间,会得到每个电路板PCB 1,PCB 2,PCB3的多个电子元件、特别是每个电子元件的测量数据。例如,在ICT测量期间,测量该多个电子元件中的每一个的一个或多个电参数。
每个印刷电路板PCB 1,PCB 2,PCB 3的在线测试可以由一台或多台测试机TM 1、TM 2、TM 3执行。图1示出,每个印刷电路板PCB 1,PCB 2,PCB 3可以与特定的测试机TM 1、TM 2、TM 3相关联,该测试机仅负责测试该特定印刷电路板。然而,本领域技术人员应当理解,所有的印刷电路板都可以例如由单个测试机进行测试。出于此目的,印刷电路板可以例如定位在传送带上,传送带可以将印刷电路板传送到ICT机器进行测试,并将被测试的印刷电路板带离机器。
所有的印刷电路板PCB 1,PCB 2,PCB 3可以是同一类型的。也可以测试许多不同类型的印刷电路板。
在进行测试之后,可以将ICT测试数据TD(包括印刷电路板PCB 1,PCB 2,PCB 3的多个电子元件的测量数据MDB)转发至系统,在该系统中进行印刷电路板PCB 1,PCB 2,PCB3的分配ASG。在作为输入数据ID到达该系统之前,可以以某种方式对测试数据进行预处理(例如通过预处理器PP),或者其作为原始数据转发。
该输入数据ID基于印刷电路板PCB 1,PCB 2,PCB 3的ICT测试数据TD。
该系统可包括第一接口IF 1,被配置为用于接收该输入数据ID。该系统还可包括计算装置CU,被配置为将经训练的分类函数TCF应用于该输入数据ID,以生成输出数据。如图1所示,该经训练的分类函数TCF可以存储在计算装置CU上。在其他实施例中,该经训练的分类函数TCF可以存储在其他地方,例如,存储在云中或可从该计算装置远程访问的任何其他存储库中。
在一些实施例中,第一接口IF 1可以是网关组件GW的一部分(图1)。该经训练的分类函数TCF可以存储在网关组件GW上(图1)。网关组件GW可以是计算装置CU的一部分(图1)。
该系统还可包括第二接口IF 2,被配置为用于提供该输出数据。该输出数据包括被测试的印刷电路板PCB 1,PCB 2,PCB 3的单个电子元件到至少两个不同类别中的一个的分配ASG。
该系统可以实现为边缘设备。
转向图2,示出了用于评估图1的被测试印刷电路板PCB 1、PCB 2、PCB 3的计算机实现的方法的示例。该方法可包括:
步骤S1:接收输入数据ID,其中该输入数据ID基于印刷电路板PCB 1、PCB 2、PCB 3的测试数据TD,其中该测试数据是在线测试的测试数据并且包括该至少一个印刷电路板PCB 1、PCB 2、PCB 3的多个电子元件的测量数据MDB;
步骤S2:将经训练的分类函数TCF应用于该输入数据ID,其中生成输出数据;
步骤S3:提供该输出数据,其中该输出数据包括每个印刷电路板PCB 1、PCB 2、PCB3的电子元件到至少两个不同类别中的一个的分配ASG。在一些实施例中,该输出数据可以实现为由相应的分配ASG增强的输入数据ID,例如,标记或分类的输入数据。
步骤S1至S3可以在图1所示的环境中执行。尤其是,该方法可以由参照图1描述的系统执行。
在一些实施例中,该至少两个类别中的一个对应于伪故障印刷电路板的种类。即,该至少一个印刷电路板的多个电子元件中的至少一个具有伪错误(“假不良”)。
该“伪故障印刷电路板的种类”包含只有伪错误的印刷电路板,这意味着它们是正常工作的印刷电路板,但未能通过测试,例如,由于测试期间印刷电路板的温度升高,从而导致测量统计整体偏移。术语“伪错误”在印刷电路板测试领域是广为人知的。
在一些实施例中,每个印刷电路板PCB 1、PCB 2、PCB 3被分配到由三个类别构成的组,更具体地,被分配到由以下项构成的组:第一类,其中该第一类对应于正常工作的印刷电路板的种类;第二类,其中该第二类对应于故障印刷电路板的种类,以及第三类,其中该第三类对应于伪故障印刷电路板的种类。在这种情况下,特征向量具有三个条目,例如,“通过”针对正常工作的印刷电路板,“未通过”针对故障印刷电路板,以及“伪错误”针对具有至少一个伪错误的正常工作印刷电路板。
在一些实施例中,该经训练的分类函数TCF可以基于多元分类算法,更具体地,该多元分类算法是普通线性回归算法、随机森林算法、梯度提升算法、LASSO算法,尤其是自适应LASSO算法,更具体地为正则化线性回归算法,或逻辑回归算法,尤其是二元逻辑回归算法。
可以测量印刷电路板PCB 1、PCB 2、PCB 3的各种参数,从而使得ICT测试数据TD可以包括多个电参数的测量数据,例如,针对每个印刷电路板PCB 1、PCB 2、PCB 3的多个电子元件、尤其是每个电子元件,测量至少一个电参数。如上所述,在存在污染导致连接不良的情况下,电阻(电子元件)的测量值具有非零电阻值(第一电参数)和非零容量(第二电参数),这会损害测量值。
在一些实施例中,可以测量印刷电路板PCB 1、PCB 2、PCB 3的模拟和/或数字电参数。
在一些实施例中,该测量可包括对印刷电路板PCB 1、PCB 2、PCB 3的所有电子元件的测量,例如电阻、电感、电容等。
在一些实施例中,输入数据ID和输出数据包括被测试的印刷电路板PCB 1、PCB 2、PCB 3的布局信息。例如,如果测试相同类型的印刷电路板PCB 1、PCB 2、PCB 3,则它们具有相同的布局。如果可视化了测量数据MDB,并且该可视化利用了该布局信息,那么这会是一个优势。该可视化可以在提供特定印刷电路板PCB 1、PCB 2或PCB 3的分配ASG的同时进行。
在一些实施例中,该可视化可以例如通过人机接口HMI来执行。此类HMI可以是计算装置CU的第二接口IF 2的一部分,并与工业设备PL(图1)或云(未示出)位于同一位置。此类可视化的一个例子如图3所示,其中空心方块ES表示印刷电路板上通过测试的位置,即相应的电子元件通过测试,而实心方块FS表示印刷电路板上未通过测试的位置,即相应的电子元件未通过测试。
在这种情况下,当测量每个印刷电路板的各种参数时,特定印刷电路板的分配ASG可以基于多个单独分配,其中每个单独分配是该印刷电路板的特定参数到至少两个、更具体地三个不同类别中的一个的分配。例如,如果所有的单个分配都是“通过”,那么整体分配ASG也是“通过”。
应当理解,为了通过测试,每个参数的测量值都应在值的预定允许范围内。该值的预定范围可以根据统计数值/参数来确定。例如,可以根据参数的标称值(例如平均标称值)和置信区间(例如σ、2σ、3σ、4σ或5σ的置信区间)得到该预定范围,其中σ是标准偏差。
由于各种干扰因素,例如测试期间印刷电路板PCB 1、PCB 2、PCB 3的温度不同、生产后有残留污垢等,该值的预定范围可能无法正确描述参数的实际表现。例如,电阻的标称值可以在室温下(即约25℃)确定为R0。然而,在测量过程中,被测试的印刷电路板的温度可能高于(例如高50℃至60℃或更高)或低于室温。由于这种情况,所以电阻的预定标称值与实际生产环境中的标称值不一致。这可能导致描述参数测量的概率分布相对于预定标称概率分布的偏移。印刷电路板PCB 1、PCB 2、PCB 3的参数测量也可以根据统计参数来描述,例如位置参数和/或排列参数。此类统计参数的示例是标准偏差、方差、范围、四分位距、绝对偏差等。
因此,印刷电路板PCB 1、PCB 2、PCB 3的测试数据TD可包括印刷电路板的电子元件的电参数的值的预定允许范围,以及这些电参数的测量值,其分布可以与值的预定允许范围相比较。
在最先进的测试中,该值范围由人类专家、测试工程师指定,不依赖于最近进行的测量,而是根据设计规则或经验进行选择,并在新产品引入过程中根据过程数据进行调整。
应当理解,“最近进行的测量”涉及例如在最近生产周期中进行的测量。例如,该最近的四周测量可以是近四周的测量。
转向图4,描述了一个实施例,其中该方法还包括步骤S2A:优化定义该至少一个印刷电路板的电子元件的参数的值的允许范围的至少一个预定统计参数,以得到该至少一个预定统计参数的优化值,例如平均值、偏差、方差、范围、四分位距、绝对偏差等,并且提供输出数据的步骤3包括子步骤S3-1:推荐至少一个优化的预定统计参数用于在进一步测试中使用。
可以基于最近的历史测试数据执行上述优化。
在一些实施例中,可以根据启发式数学模型执行优化。例如,可以基于参数值来计算参数(例如电阻)的优化标称值,这些参数值是在过去四周针对正常工作的印刷电路板(即通过测试的印刷电路板)测量的。该优化标称值可以是例如平均值。可以计算置信区间的上限和下限,例如5σ。
在一些实施例中,该推荐可以借助于经训练的推荐函数TRF来执行,更具体地,该经训练的推荐函数基于数据驱动的优化,尤其基于分布式鲁棒优化和/或在线线性规划算法和/或非凸正则化最小二乘法和/或多块交替方向乘子法(ADMM)。
例如在第二接口上,可以可视化预定统计参数的推荐优化值。
转向图5,示出了可以评估多个印刷电路板的测试数据、可以建议用于测试的可视化和优化的参数的环境的示例。
与图1的计算装置CU相比,图5的计算装置CU′还可进一步配置为用于优化统计参数,以得到优化的统计参数OPT(值)。为此,计算装置CU’可包括其它硬件和/或软件组件。图5示出了计算装置CU’包括例如可位于公共网络PN中(例如云中)的其它软件组件ASC的实施例。
该其它硬件和/或软件组件可包括用于根据最新数据(例如来自同一生产周期的数据)优化测试中参数的一个或多个标称值的模型MOD。例如,该模型可以是基于正常工作印刷电路板的测量数据评估每个测量参数的平均值的启发式数学模型。该模型还可优化测量参数的其它统计参数,例如(允许的)偏差、方差、范围、四分位距、绝对偏差等。
第二接口IF2'可配置为用于推荐该优化的统计参数OPT。例如,第二接口IF2'可以建议使用上述计算的平均值,而不是偏差、方差、范围、四分位距、绝对偏差的标称值和/或优化允许值,以便在进一步测试中使用。
例如,优化的统计参数OPT可以在云PN中计算并转发至工业设备PL(图5中箭头所示)。应当理解,优化的统计参数OPT可以通过网关组件GW或通过另一个网关组件。例如,第二接口IF2'可包括用于直接从云PN接收数据的其它网关组件。
例如,第二接口IF2'可包括可视化装置,例如人机接口HMI'。人机接口HMI'可配置为可视化该优化的统计参数OPT(和该分配ASG)。人机接口HMI'也可配置为直接从云PN接收优化的统计参数OPT。
其它软件组件ASC也可以与工业设备PL处于同一位置,并存储在例如网关组件GW上。
用于推荐/建议优化的统计参数OPT的上述经训练的推荐函数TRF可存储在第二接口IF2'上。更具体地,该经训练的推荐函数TRF可以存储在人机接口HMI'(图5)上。
应当理解,可以远程地应用该经训练的分类函数TCF和/或优化该预定统计参数以得到优化的统计参数OPT和/或应用该经训练的推荐函数TRF。所有这些操作都可以在云中进行,从而使得该方法(即可以可选地通过推荐优化的统计参数OPT而增强的分配ASG)的最终产品可以在场外生产,而不是在工业设备PL中生产。
特别地,图6示出了用于产生机器可读数据介质的方法,该方法包括:
步骤P1:提供机器可读数据介质;
步骤P2:如上所述,将该至少一个印刷电路板PCB 1、PCB 2、PCB 3的多个电子元件中的至少一个分配ASG到至少两个类别中的一个,以及
步骤P3:将该分配ASG存储在该机器可读数据介质上。
更具体地,提供分配ASG的步骤还可包括提供至少一个优化的统计参数OPT用于进一步测试—图7中的步骤P2',并且将分配ASG存储在机器可读数据介质上的步骤可包括将用于进一步测试的至少一个优化的统计参数OPT存储在机器可读数据介质上—图7中的步骤P3'。
鉴于上述情况,图8示出了用于提供经训练的分类函数TCF的计算机实现的方法的示例。该方法可包括步骤A0:接收训练输入数据和训练输出数据,其中该训练输入数据表示在线测试的测试数据TD,其中ICT测试数据TD包括印刷电路板PCB 1、PCB 2、PCB 3的多个电子元件的测量数据MDB,并且该训练输出数据表示该多个电子元件中的至少一个的分配ASG,其中每个分配ASG是该多个电子元件中的至少一个到至少两个不同类别中的一个的分配。该方法还可包括步骤B0:对该训练输入数据执行分类函数,以生成预测的训练输出数据;步骤C0:将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;步骤D0:根据该确定的误差更新该分类函数。例如,如果该确定的误差不令人满意,则可以以迭代的方式重复步骤A0至步骤D0,以减小误差(模型拟合),否则可以终止T该方法。
可使用混淆矩阵执行比较—步骤C0。
该分类函数可以基于多元分类算法,例如基于普通线性回归算法、基于随机森林算法、基于梯度提升算法、基于LASSO算法,尤其基于自适应LASSO算法,更具体地基于正则化线性回归算法,或基于逻辑回归算法,尤其基于二元逻辑回归算法。
可以使用不同的分类函数来执行该方法,其中在完成拟合后比较最终结果。通过这种方式,该训练方法可包括针对不同分类函数执行步骤A0至步骤D0(例如并行),以及在训练完成后选择性能最佳的模型/算法。
在一些实施例中,该方法还可包括交叉验证的步骤。
在一些实施例中,该方法可包括可以在步骤A0之前执行的数据预处理。训练数据的预处理也可以例如由预处理器PP对测试数据TD执行。
交叉验证的子步骤—将整个数据集拆分为训练数据集和验证数据集的步骤,可以是此类预处理的一部分。训练数据集由训练输入数据和训练输出数据组成。此类训练数据集可以是多个印刷电路板的一部分(例如仅PCB 1)的测试数据,即训练输入数据,其由相应的分配(即训练输出数据)增强。
因此,训练数据集可以构成整个数据集的一部分,从而降低过拟合该模型的概率。如果训练数据集约占整个数据集的20%,则可以得到特别好的结果。如果进行交叉验证,并且始终从整个数据集中选择新的训练数据集,则可以实现进一步改进。如果新的训练数据集不与任何旧的训练数据集重叠,则可以得到更好的结果。通过这种方式,该训练数据总是“新的”。
转到图9,示出了数据预处理的示例。这种数据预处理既适用于训练数据,也适用于测试数据TD。
首先,从一个或多个数据源接收数据。图9示出了具有三个数据源的实施例:印刷电路板的测量数据MDB(原始数据),例如ICT测量的数据;分配数据ADB,其基于印刷电路板的电子元件到不同的类别(例如两个或三个不同类别)的分配(例如由人类专家或机器学习算法执行的),以及印刷电路板的布局信息LDB(例如用于进一步可视化结果)。
测量数据MDB可以例如以.csv格式文件的形式提供,并且可包含数百万个条目,例如约400万至500万个条目,对应于印刷电路板的不同电参数的测量值。分配数据ADB可以例如以.xls格式文件的形式提供,并且可以包括数千个条目,例如约6000至7000个条目。测量数据MDB可以例如以.pcf格式文件的形式提供。
这些数据可以按照如下方式进行预处理DPP。预处理可以以自动的方式执行。在实施例中,可以创建(印刷电路板的)违规历史VH。违规历史可包括通过测量周期的时间、第一次/最后一次通过、未通过测量周期的时间、第一次/最后一次未通过、阈值违规次数,其中该阈值确定印刷电路板的(测量)参数的值的允许范围。
在实施例中,可以基于分配数据ADB标记LL测量数据MDB。该标记可包括标记两个或多个种类,例如,第一次通过标记为“通过”,伪错误标记为“伪错误”,纯故障标记为“未通过”。以这种方式,可以以简单的方式启用监督式学习。
为了更好地处理违规信息以及专家信息(关于阈值),可以在阈值之外(即超出允许值的范围)对异常值进行取对数OL。
为了减少特征主成分分析(PCA),可以进行相关分析和/或变异系数考虑FR。
然后,如果进行交叉验证,则可以将预处理数据PPD或其一部分作为训练数据集提供至分类函数CF,该分类函数可位于云PN中。
应当理解,测量数据MDB、分配数据ADB等可在云中或以数据湖的形式提供,数据湖可与工业设备PL位于同一位置或位于云中PN,甚至可分布在工业设备PL和云PN之间。数据湖可包括制造数据湖。这些数据库可以通过实施上述方法的结果进行更新,例如通过分配ASG和/或通过优化的统计参数OPT进行更新。
转向图10,示出了提供用于印刷电路板测试的经训练的推荐函数TRF的计算机实现的方法的示例,该方法包括:
步骤A1:接收训练输入数据和训练输出数据,其中该训练输入数据表示至少一个优化的统计参数OPT的推荐,其中统计参数确定该至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的值的预定范围,其中该值的预定范围包括在印刷电路板测试期间允许的值,并且该训练输出数据表示该推荐的接受;
步骤B1:对该训练输入数据执行推荐函数,以生成预测的训练输出数据;
步骤C1:将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;
步骤D1:根据该确定的误差来更新该推荐函数,并且,例如如果该误差还不令人满意,则以迭代的方式执行步骤B1至步骤D1,以(进一步)减小该误差。否则,可终止T'该方法。
在一些实施例中,该推荐函数可以基于数据驱动的优化,具体基于分布式鲁棒优化和/或在线线性规划算法和/或非凸正则化最小二乘法和/或多块交替方向乘子法(ADMM)。
图11示出了用于提供该经训练的分类函数TCF(或经训练的推荐函数能TRF,如下所述)的训练系统的示例。该训练系统可包括软件和/或硬件组件。该训练系统可位于公共网络PN,例如云(如图11所示)中。其也可以与工业设备PL(未示出)位于同一位置。该训练系统可以分布在工业设备PL和公共网络PN之间。例如,使用云资源来处理大量测试数据DT和/或执行该分类或推荐函数,可能是有利的。
该训练系统可包括第一训练接口TIF1,被配置为用于接收训练输入数据和训练输出数据,例如以预处理的训练数据PPD的形式,其中该训练输入数据表示印刷电路板PCB 1、PCB 2、PCB 3的ICT测试数据TD,其中该ICT测试数据包括该至少一个印刷电路板的多个电子元件的测量数据MDB,并且该训练输出数据表示印刷电路板PCB 1、PCB 2、PCB 3的多个电子元件中的至少一个、特别是每一个的分配ASG,其中每个分配是印刷电路板的电子元件到至少两个、更具体地三个不同类别中的一个的分配,并且不同的分配对应于不同的电子元件。该训练系统还可包括训练计算装置TCA,被配置为对该训练输入数据执行分类函数CF,以生成预测的训练输出数据;将该训练输出数据与该预测的训练输出数据进行比较,以确定误差;以及根据该确定的误差更新该分类函数。此外,该训练系统可包括第二训练接口TIF2,被配置为用于提供该经训练的分类函数。
图11中所示的训练系统还可用于训练该经训练的推荐函数TRF,如果该训练输入数据表示推荐至少一个优化的统计参数OPT,则该训练输出数据表示该推荐的接受,并且该训练计算装置TCA配置为用于执行推荐函数。
本发明的上述实施例出于说明而非限制的目的而呈现。特别地,关于附图描述的实施例只是导言部分中描述的实施例的几个示例。
权利要求书中的参考符号仅为了清楚起见,而不应被视为权利要求书的限制部分。
本文中的特征、优点或替代实施例可以指定给其他要求保护的对象,反之亦然。换言之,可以使用在本方法的上下文中描述或要求保护的特征来改进用于提供系统的权利要求。在这种情况下,该方法的功能特征由该提供系统的目标单元体现。
此外,在下文中,通过用于使用经训练函数的方法和系统以及通过用于提供该经训练函数的方法和系统来描述根据本发明的解决方案。本文中的特征、优点或替代实施例可以指定给其他要求保护的对象,反之亦然。换言之,用于提供经训练的函数的方法和系统的权利要求可以通过在用于使用经训练的函数的方法和系统的上下文中描述或要求保护的特征来改进,反之亦然。
尤其是,该方法和系统的经训练(机器学习)的函数或算法可以由提供经训练函数的方法和系统进行调整。此外,输入数据可以包括训练输入数据的有利特征和实施例,反之亦然。此外,输出数据可以包括输出训练数据的有利特征和实施例,反之亦然。
通常,经训练的函数模仿人类与其他人类大脑联系的认知功能。特别地,通过基于训练数据进行的训练,该经训练的函数能够适应新的环境,并检测和推断模式。
通常,经训练的函数的参数可以通过训练进行调整。特别地,对于推荐函数的训练,可以使用监督训练、半监督训练、无监督训练、强化学习和/或主动学习。此外,还可以使用表征学习(替代术语为“特征学习”)。特别地,经训练的函数的参数可以通过几个训练迭代地进行调整。
尤其是,经训练的函数可以包括神经网络、支持向量机、决策树和/或贝叶斯网络,并且/或者该经训练的函数可以基于k均值聚类算法、Q-learning、遗传算法和/或关联规则。尤其是,神经网络可以是深度神经网络、卷积神经网络或卷积深度神经网络。此外,神经网络可以是对抗网络、深度对抗网络和/或生成式对抗网络。
Claims (14)
1.一种用于评估至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的计算机实现的方法,其包括:
-接收输入数据(ID),其中所述输入数据(ID)基于至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的测试数据(TD),其中所述测试数据是在线测试的测试数据并且包括所述至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的多个电子元件的测量数据(MDB);
-将经训练的分类函数(TCF)应用于所述输入数据(ID),其中生成输出数据;
-提供所述输出数据,其中所述输出数据包括所述至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的所述多个电子元件中的至少一个到至少两个不同类别中的一个的分配(ASG)。
2.根据权利要求1所述的方法,其中,所述经训练的分类函数(TCF)基于多元分类算法,更具体地,所述多元分类算法是普通线性回归算法、随机森林算法、梯度提升算法、LASSO算法,尤其是,自适应LASSO算法,更具体地为正则化线性回归算法,或逻辑回归算法,尤其是,二元逻辑回归算法。
3.根据权利要求1或2所述的方法,其中,所述至少两个类别中的一个对应于伪故障印刷电路板的种类。
4.根据权利要求3所述的方法,其中,所述至少一个印刷电路板被分配到由三个类别构成的组,更具体地,被分配到由以下项构成的组:第一类,其中,所述第一类对应于正常工作的印刷电路板的种类;第二类,其中,所述第二类对应于故障印刷电路板的种类,以及第三类,其中,所述第三类对应于伪故障印刷电路板的种类。
5.根据权利要求1至4中任一项所述的方法,其中,所述至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的所述多个电子元件的所述测量数据(MDB)包括所述至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的所述多个电子元件中的每个电子元件的至少一个电参数的测量数据。
6.根据权利要求5所述的方法,其中,所述输入数据和所述输出数据包括所述至少一个印刷电路板的布局信息,并且提供所述输出数据包括基于所述布局信息可视化所述至少一个印刷电路板的所述多个电子元件中的每个电子元件的所述至少一个电参数的所述测量数据(MDB)。
7.根据权利要求5或6所述的方法,还包括:
-优化至少一个统计参数,其中,所述统计参数确定所述至少一个印刷电路板的所述多个电子元件中的每个电子元件的所述至少一个电参数的值的预定允许范围,其中,
提供所述输出数据包括:
-推荐至少一个优化的统计参数(OPT)用于在进一步测试中使用。
8.根据权利要求7所述的方法,其中,所述推荐借助于经训练的推荐函数(TRF)来执行,更具体地,所述经训练的推荐函数基于数据驱动的优化,尤其是基于分布式鲁棒优化和/或在线线性规划算法和/或非凸正则化最小二乘法和/或多块交替方向乘子法。
9.一种用于提供经训练的分类函数(TCF)的计算机实现的方法,包括:
A0)接收训练输入数据和训练输出数据,其中,所述训练输入数据表示在线测试的测试数据(TD),其中,ICT测试数据包括至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的多个电子元件的测量数据,并且所述训练输出数据表示所述印刷电路板(PCB 1,PCB 2,PCB 3)的所述多个电子元件中的至少一个的分配(ASG),其中,每个分配是所述多个电子元件中的至少一个到至少两个不同类别中的一个的分配;
B0)对所述训练输入数据执行分类函数(CF),以生成预测的训练输出数据;
C0)将所述训练输出数据与所述预测的训练输出数据进行比较,以确定误差;
D0)根据所确定的误差来更新所述分类函数,以及
E0)以迭代的方式执行步骤A0)至D0),以减小所述误差。
10.一种用于提供用于印刷电路板测试的经训练的推荐函数(TRF)的计算机实现的方法,包括:
A1)接收训练输入数据和训练输出数据,其中,所述训练输入数据表示对至少一个优化的统计参数(OPT)的推荐,其中,所述统计参数确定至少一个印刷电路板的多个电子元件中的每个电子元件的至少一个电参数的值的预定范围,其中,所述值的预定范围包括在印刷电路板测试期间允许的值,并且所述训练输出数据表示所述推荐的接受;
B1)对所述训练输入数据执行推荐函数,以生成预测的训练输出数据;
C1)将所述训练输出数据与所述预测的训练输出数据进行比较,以确定误差;
D1)根据所确定的误差来更新所述推荐函数,以及
E1)以迭代的方式执行步骤A1)至D1),以减小所述误差。
11.一种机器可读数据介质,包括输出数据,其中,所述输出数据是根据权利要求1至10中任一项所述的方法提供的。
12.一种计算机程序,包括指令,当所述程序由系统执行时,所述指令使所述系统执行根据权利要求1至10中任一项所述的方法。
13.一种系统,包括:
-第一接口(IF 1),被配置为用于接收输入数据(ID),其中,所述输入数据(ID)基于至少一个印刷电路板的测试数据,其中,所述测试数据是在线测试的测试数据并且包括所述至少一个印刷电路板(PCB 1,PCB 2,PCB 3)的多个电子元件的测量数据(MDB);
-计算装置(CU,CU'),被配置为将经训练的分类函数(TCF)应用于所述输入数据(ID),以生成输出数据;
-第二接口(IF 2,IF 2'),被配置为用于提供所述输出数据,其中,所述输出数据包括所述至少一个印刷电路板的所述多个电子元件中的至少一个到至少两个不同类别中的一个的分配(ASG)。
14.根据权利要求13所述的系统,其中,所述计算装置(CU')或所述第二接口(IF 2')被配置为用于:
-优化至少一个统计参数,其中,所述统计参数确定所述至少一个印刷电路板的所述多个电子元件中的每个电子元件的至少一个电参数的允许值的预定范围,其中,
所述计算装置(CU')或所述第二接口(IF 2')被配置为用于:
-在提供所述输出数据的同时,推荐、更具体地通过应用经训练的推荐函数(TRF)来推荐至少一个优化的统计参数(OPT),用于在进一步测试中使用。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19218526.2 | 2019-12-20 | ||
EP19218526.2A EP3839530A1 (en) | 2019-12-20 | 2019-12-20 | Methods and systems for assessing printed circuit boards |
PCT/EP2020/086229 WO2021122604A1 (en) | 2019-12-20 | 2020-12-15 | Methods and systems for assessing printed circuit boards |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114829958A true CN114829958A (zh) | 2022-07-29 |
Family
ID=69063621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080087673.9A Pending CN114829958A (zh) | 2019-12-20 | 2020-12-15 | 用于评估印刷电路板的方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230021965A1 (zh) |
EP (2) | EP3839530A1 (zh) |
CN (1) | CN114829958A (zh) |
WO (1) | WO2021122604A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7482662B2 (ja) * | 2020-03-25 | 2024-05-14 | 東京エレクトロン株式会社 | 異常検出装置及び異常検出方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6738450B1 (en) * | 2002-12-10 | 2004-05-18 | Agilent Technologies, Inc. | System and method for cost-effective classification of an object under inspection |
JP4062226B2 (ja) * | 2003-09-30 | 2008-03-19 | 株式会社リコー | 基板検査装置 |
-
2019
- 2019-12-20 EP EP19218526.2A patent/EP3839530A1/en active Pending
-
2020
- 2020-12-15 EP EP20828988.4A patent/EP4042172A1/en active Pending
- 2020-12-15 US US17/786,894 patent/US20230021965A1/en active Pending
- 2020-12-15 CN CN202080087673.9A patent/CN114829958A/zh active Pending
- 2020-12-15 WO PCT/EP2020/086229 patent/WO2021122604A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
EP4042172A1 (en) | 2022-08-17 |
US20230021965A1 (en) | 2023-01-26 |
WO2021122604A1 (en) | 2021-06-24 |
EP3839530A1 (en) | 2021-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Weibull accelerated failure time regression model for remaining useful life prediction of bearing working under multiple operating conditions | |
US11295993B2 (en) | Maintenance scheduling for semiconductor manufacturing equipment | |
Ye et al. | Board-level functional fault diagnosis using artificial neural networks, support-vector machines, and weighted-majority voting | |
US7640145B2 (en) | Automated model configuration and deployment system for equipment health monitoring | |
US20040138846A1 (en) | Methods and apparatus for data analysis | |
da Silva et al. | A new methodology for multiple incipient fault diagnosis in transmission lines using QTA and Naïve Bayes classifier | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
Thielen et al. | A machine learning based approach to detect false calls in SMT manufacturing | |
KR20200005206A (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
Yilmaz et al. | Adaptive multidimensional outlier analysis for analog and mixed signal circuits | |
US10775270B2 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
CN112633461A (zh) | 应用辅助系统和方法以及计算机可读记录介质 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
Schwebig et al. | Compilation of training datasets for use of convolutional neural networks supporting automatic inspection processes in industry 4.0 based electronic manufacturing | |
CN114829958A (zh) | 用于评估印刷电路板的方法和系统 | |
Hond et al. | Verifying artificial neural network classifier performance using dataset dissimilarity measures | |
Filz et al. | Data-driven analysis of product property propagation to support process-integrated quality management in manufacturing systems | |
Ye et al. | Information-theoretic syndrome and root-cause analysis for guiding board-level fault diagnosis | |
Oncescu et al. | A Self-supervised Classification Algorithm for Sensor Fault Identification for Robust Structural Health Monitoring | |
WO2021126591A1 (en) | Method for physical system anomaly detection | |
Chandrashekar et al. | In-vivo fault analysis and real-time fault prediction for rf generators using state-of-the-art classifiers | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
Xanthopoulos et al. | Automated die inking through on-line machine learning | |
Gebus et al. | Knowledge-based linguistic equations for defect detection through functional testing of printed circuit boards |
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 |