CN115983113A - 一种全连接神经网络模型下的丝印工艺优化方法 - Google Patents

Abstract

本发明公开了一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：包括下列步骤：步骤一、采集数据并进行数据清洗；步骤二、对每个面板建立不同的模型进行分析，确定最优模型；最优模型为多层全连接模型；步骤三、分析次品产生的主要影响因素；通过逻辑回归模型的算法进行权重分析，从而确定导致产生次品的主要影响因素；步骤四、分析影响次品产生的次要影响因素；分析次要影响因素通过各个主要影响因素对次品率产生的影响，通过计算次品概率集合中的数据离散程度进行分析判断；步骤五、根据各影响因素的数据确定优化方案。本发明明确各影响因素与次品率之间的关联性，选出最优算法给出分析结果，并对丝印工艺生产提出合理性的优化方案。

Description

一种全连接神经网络模型下的丝印工艺优化方法

技术领域

本发明属于智能制造技术领域，具体一种全连接神经网络模型下的丝印工艺优化方法。

背景技术

SMT生产工艺中包含锡膏丝印工艺，由于工艺制程不确定，在SMT贴装过程的前后需要投入大量的专业技术人员，花费较长的时间和较大的精力对新产品工艺进行设计、优化、调整和改进。在智能制造领域现有技术中通过人工智能技术，对生产工艺进行数据采集分析，进而对工艺优化的技术开始应用的越来越广，但是在对锡膏丝印工艺进行优化时，还缺乏一种能够相对可靠的智能优化方法，现有技术中往往需要对生产中的多种数据进行复杂的特征工程，并且在对综合优化效果方面仍有缺陷。

发明内容

本发明的目的是提供一种全连接神经网络模型下的丝印工艺优化方法，用于解决现有技术缺乏对锡膏丝印技术进行优化的可靠方法，现有优化方法需要复杂特征工程而优化效果仍存在缺陷的技术问题。

所述的一种全连接神经网络模型下的丝印工艺优化方法，包括下列步骤：

步骤一、采集数据并进行数据清洗；

步骤二、对每个面板建立不同的模型进行分析，确定最优模型；最优模型为多层全连接模型；

步骤三、分析次品产生的主要影响因素；通过逻辑回归模型的算法进行权重分析，从而确定导致产生次品的主要影响因素；

步骤四、分析影响次品产生的次要影响因素；分析次要影响因素通过各个主要影响因素对次品率产生的影响，通过计算次品概率集合中的数据离散程度进行分析判断；

步骤五、根据各影响因素的数据确定优化方案。

优选的，所述步骤二中，应用各种类模型进行正品、次品进行训练和测试后得到多个评价指标，所述评价指标包括，训练集误差、测试集误差、训练集准确率、测试集准确率、次品精确率、次品召回率、次品F1值，并以多个评价指标的平均得分作为最后模型的评价标准，并确定六层全连接模型为最优模型，逻辑回归模型为深度学习模型外分类效果最优的模型。

优选的，所述步骤三中，设定X矩阵为一个数据的参数，其中的影响因素依次表示为[锡膏体积，锡膏高度，锡膏面积，锡膏x偏移，锡膏y偏移，张力，印刷板温度，印刷板湿度，当日温度，当日湿度]；W矩阵为权重矩阵，其中对应影响因素的权重依次表示为[锡膏体积的权重，锡膏高度的权重，锡膏面积的权重，锡膏x偏移的权重，锡膏y偏移的权重，张力的权重，印刷板温度的权重，印刷板湿度的权重，当日温度的权重，当日湿度的权重]；

逻辑回归模型中，设F为特征值，则F∈[0，1]，F=WX，当F>0.5时预测产品为正品，F<0.5时预测产品为次品，特征值的平均值为最佳值；L表示特征值相对最佳值的偏差，L≥0，L值增加，且该特征对应的W<0，F值会下降，因此会提高产品被标记为次品的可能性，即该影响因素为主要影响因素；由此分析各个影响因素得到锡膏体积、锡膏高度、锡膏面积和锡膏x偏移为主要影响因素。

优选的，所述步骤四中，分析实际次品率在上述判断为主要影响因素的锡膏面积，锡膏高度，锡膏体积，锡膏x偏移影响下的分布情况，由此发现在锡膏面积，锡膏高度，锡膏体积三者各自影响下，次品率在特征值平均线两端呈现高低高分布，符合预期；而在锡膏x偏移影响下，其次品率是随着锡膏x偏移增大而逐渐增大，与次品主要分布在远离平均值的地方，距离平均值越远次品率越大的预期不符；因此在后续分析次要影响因素时，只分析其他影响因素对锡膏面积，锡膏高度，锡膏体积三者与次品出现关系的影响。

优选的，所述步骤四中，计算得出锡膏面积、锡膏高度、锡膏体积的各区域范围内的次品率：记锡膏面积的次品率矩阵为A，矩阵长度为L_A；记锡膏高度的次品率矩阵为H，矩阵长度为L_H；记锡膏体积的次品率矩阵为V，矩阵长度为L_V；将各个备选的影响因素像找主要影响因素一样进行区间划分，得到各个区间下的锡膏面积、锡膏高度、锡膏体积的分布矩阵分别为a、h、v，矩阵长度也分别为L_A、L_H、L_V，以此记录了每个区间内的次品数目；进一步计算出该次要影响因素下与主要影响因素相关的次品率f_a，f_h，f_v，f_a，f_h，f_v分别对应主要影响因素Area、Height、Volume。

优选的，定X向量是各个主要影响因素下的次品概率集合，数据离散程度是R，则有：

其中，x_i为次品概率集合的元素，

为次品概率的均值；R越大代表该向量的波动越大；通过上述公式对次要影响因素进行分析计算；根据前面得出的权重矩阵W对每个样品的影响因素进行排名，数据离散程度值越大说明该因素越容易导致次品的产生；排序后次要影响因素的影响力从大到小依次为印刷板温度，印刷板湿度，锡膏的偏移量Y，清洗频率，平均张力，当日温度和当日湿度。

优选的，所述步骤五中，根据实际采集的数据按上述方法分析可得下列优化结果：通过计算确定印刷板的最佳温度、最佳湿度及相应波动范围，从而确定最佳的温度取值范围和湿度取值范围；通过对清洗频率的分析计算确定最佳清洗时长和清洗间隔时长；确定锡膏的偏移量Y<0.08以避免过高的次品率，确定钢网的平均张力过大会增加次品率从而控制钢网的平均张力大小。

优选的，印刷板运行日志中状态码40064，40065分别代表印刷板开始清洗和印刷板结束清洗，F(x)值代表x时刻是否处于清洗中状态，F(x)＝1代表正在清洗，F(x)＝0代表没有在清洗，V(x)代表之前600秒，处于清洗状态的时间占总时间的百分比，用来代表该时刻点印刷板的清洁指数，具体通过下式可得：

其中a表示常值因子，x越大a越大，因为近期的时间点保留的清洁效果会越好，V(x)即清洗频率的特征，对清洗频率进行分析可知，清洗频率≤15％时，会导致次品产生，增大清洗频率对保持锡膏面积处于正常范围有较好效果，但对锡膏高度和锡膏体积的维持效果较差。

优选的，所述步骤一具体包括：

第一步：模型训练所需数据预处理，构造目标数据格式用于读取印刷机运行数据并提取所需特征，进行清洗，然后导出csv文件；

第二步：清洗印刷机B、T两面的数据，对文件进行测试读取，判断缺失的文件并记录缺失的文件名，在遍历读取文件时来跳过这个文件名对应的文件，通过读取文件确定它所属的日期，然后将上一步清洗好的数据按照所属日期一一对应的填充到目标csv文件中，每一个csv文件清洗过后对应导出一个新的csv文件；

第三步：提取只有次品的文件，将B、T面的数据进行合并，按照不同的面板进行分区，然后再提取出一份只有次品的文件。

优选的，所述步骤一中，需要对印刷机温度和湿度数据进行平滑处理，平滑处理的方式包括：

记当前时间为a秒，a秒处于时刻X(i).s与时刻X(i+1).s之间，记a秒得到的两个时间节点是X(i)，X(i+1)；

a秒时的温度如下，

t(s＝a)=a-X(i).s/X(i+1).s-X(i).s*X(i).t+X(i+1).s-a/X(i+1).s-X(i).s*X(i+1).t；

其中，t(s＝a)为a秒时的温度，X(i).t为时刻X(i).s对应的温度，X(i+1).t为时刻X(i+1).s对应的温度；

a秒时的湿度如下，

h(s=a)＝a-X(i).s/X(i+1).s-X(i).s*X(i).h+X(i+1).s-a/X(i+1).s-X(i).s*X(i+1).h；

其中，h(s＝a)为a秒时的湿度，X(i).h为时刻X(i).s对应的湿度，X(i+1).h为时刻X(i+1).s对应的湿度。

本发明具有以下优点：本方案通过设定对模型的权值分析，确定丝印工艺中采集的数据中的主要影响因素和次要影响因素，并通过次品率的分布情况进行按影响因素分区域分析，通过依赖性关联算法公式计算次要影响因素对主要影响因素的影响，进而根据分析结果对相关影响因素实现优化。该方法采用逻辑回归模型进行权值分析主要影响因素，在分析次要影响因素的方法避免了现有分析相关的复杂特征工程；同时实现对丝印技术相关影响因素有效分析，明确各影响因素与次品率之间的关联性，选出最优算法给出相应的分析结果，并对丝印工艺生产提出合理性的优化方案。

附图说明

图1为本发明一种全连接神经网络模型下的丝印工艺优化方法的流程图。

图2为本发明中分析对比各种类模型评价指标的曲线图。

图3为本发明中对主要影响因素进行分析提取的流程图。

图4为本发明中对逻辑回归模型进行权重分析的概念图。

图5为本发明中次品率在锡膏面积影响下的分布情况示意图。

图6为本发明中次品率在锡膏高度影响下的分布情况示意图。

图7为本发明中次品率在锡膏体积影响下的分布情况示意图。

图8为本发明中次品率在锡膏x偏移影响下的分布情况示意图。

图9为本发明中印刷板温度与主要影响因素(锡膏面积、锡膏高度和锡膏体积)相关的次品率的变化曲线图。

图10为本发明中印刷板湿度与主要影响因素(锡膏面积、锡膏高度和锡膏体积)相关的次品率的变化曲线图。

图11为本发明中锡膏的偏移量Y与主要影响因素(锡膏面积、锡膏高度和锡膏体积)相关的次品率的变化曲线图。

图12为本发明中确定清洗状态的示意图。

图13为本发明中印刷版清洗频率与主要影响因素(锡膏面积、锡膏高度和锡膏体积)相关的次品率的变化曲线图。

图14为本发明在应用中向用户提供的可视化界面展示图。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

如图1所示，本发明提供了一种全连接神经网络模型下的丝印工艺优化方法，包括下列步骤。

步骤一、采集数据并进行数据清洗。

第一步：模型训练所需数据预处理。

从印刷机运行数据从提取所需特征数据，并构造目标数据格式用于读取印刷机运行数据并提取所需特征，进行清洗，然后导出csv文件。

该步骤通过pandas库来读取csv文件，然后将目标特征列(时间，温度，湿度等)进行提取，然后清洗成目标格式，最终通过调用csv库的方法来导出csv文件，供下一步清洗操作使用。

第二步：清洗印刷机B、T两面的数据。

由于B、T两面的文件名有个特点就是带有数字类型，这个数值是自增1的，但是存在间断。所以我们在这之前执行了一个程序来判断缺失的文件，以跳过这些缺失文件来读取下一个文件。

通过该程序进行测试，如果读取失败，则会报错并指出缺失的文件名。通过记录缺失的文件名，然后在遍历读取文件时来跳过这个文件名对应的文件。

由于B、T两面的文件内数据格式都是相同的，所以我们通过写好一个清洗相同数据的模板，来对这些数据进行清洗，这些数据里最明显的特征是数据对应的日期，所以我们通过读取文件确定它所属的日期，然后将上一步清洗好的数据按照所属日期一一对应的填充到目标csv文件中，每一个csv文件清洗过后对应导出一个新的csv文件。最后将导出的csv文件用于训练模型和测试模型。

第三步：提取只有次品的文件。

将B、T面的数据进行合并，按照不同的面板进行分区，然后再提取出一份只有次品的文件。csv文件中Result为0表示为次品，Result为1则表示为正品，只有次品的文件用于对模型进行强化训练。本实施例提取后只有次品的文件数据如表1。

表1：清洗后B、T面分区提取后只有次品的文件数据

上述步骤中，需要对印刷机温度和湿度数据进行平滑处理。

平滑处理的方式包括：记当前时间为a秒，a秒处于时刻X(i).s与时刻X(i+1).s之间，记a秒得到的两个时间节点是X(i)，X(i+1)。

a秒时的温度如下，

t(s＝a)=a-X(i).s/X(i+1).s-X(i).s*X(i).t+X(i+1).s-a/X(i+1).s-X(i).s*X(i+1).t；

其中，t(s＝a)为a秒时的温度，X(i).t为时刻X(i).s对应的温度，X(i+1).t为时刻X(i+1).s对应的温度。

a秒时的湿度如下，

h(s=a)＝a-X(i).s/X(i+1).s-X(i).s*X(i).h+X(i+1).s-a/X(i+1).s-X(i).s*X(i+1).h；

其中，h(s=a)为a秒时的湿度，X(i).h为时刻X(i).s对应的湿度，X(i+1).h为时刻X(i+1).s对应的湿度。

上述步骤中对清洗频率数据预处理的方法如下：

首先将印刷机运行状态码中的清洗印刷板和清洗完毕的时间节点记录下来，然后将数据中的时间空缺通过算法补齐，并在带有开始清洗的状态码的时间节点后面添加标签为1，在带有清洗结束状态码的时间节点的后面添加标签为0。然后按时间节点进行计算印刷板的清洗频率。

步骤二、对每个面板建立不同的模型进行分析，确定最优模型。

数据清洗后，由于该样品具有若干种类型的面板，我们把每种类型的面板都放到了同一个csv文件中，以此对每个面板建立不同的模型进行分析，对产品进行正品、次品的分类。分类采用的分类模型可以有多种，为了保证较好的优化效果，本方法对若干种分类模型进行测试对比，选择其中最优的一种。分类模型的模型种类包括，机器学习的SVM(支持向量机)、决策树、随机森林和逻辑回归四种模型，以及深度学习的一层全连接，二层全连接，三层全连接，四层全连，五层全连接，六层全连接的六种模型。应用上述各种类模型进行正品、次品进行训练和测试后得到多个评价指标。所述评价指标包括，训练集误差、测试集误差、训练集准确率、测试集准确率、次品精确率、次品召回率、次品F1值。分析对比的结果如图2所示，分析过程中首先将深度学习模型与机器学习的四种模型相互对比，得出深度学习模型各评价指标的平均得分较高，得出深度学习模型优于其他模型的结果。再对深度学习模型中不同连接层数的六种模型进行评价指标的对比，得到六层全连接模型是最优模型，因此采用该模型作为分类模型。同时根据对比，逻辑回归模型是除深度学习模型外的机器学习模型中分类效果最优的模型。

步骤三、分析次品产生的主要影响因素。

从步骤二中得到最优的分类模型，但是该模型属于深度学习模型，存在激活函数，因此难以对其权重进行分析。由上一步骤的对比结果可知，除深度学习模型外的机器学习模型中分类效果最优的模型是逻辑回归模型，逻辑回归模型的权重矩阵也易于分析。在分析影响因素时通过逻辑回归模型的算法进行权重分析，从而确定导致在SMT的锡膏丝印技术生产条件下产生次品的主要影响因素。分析流程如图3所示。

设定X矩阵为一个数据的参数，其中的影响因素依次表示为[锡膏体积，锡膏高度，锡膏面积，锡膏x偏移(OffsetX)，锡膏y偏移(OffsetY)，张力，印刷板温度，印刷板湿度，当日温度，当日湿度]；W矩阵为权重矩阵，其中对应影响因素的权重依次表示为[锡膏体积的权重，锡膏高度的权重，锡膏面积的权重，锡膏x偏移的权重，锡膏y偏移的权重，张力的权重，印刷板温度的权重，印刷板湿度的权重，当日温度的权重，当日湿度的权重]。

设F为特征值，则F∈[0，1]，F＝WX。当F>0.5时预测产品为正品，F<0.5时预测产品为次品，特征值的平均值为最佳值；L表示特征值相对最佳值的偏差，L≥0，L值增加，且该特征对应的W<0，那么F值会下降，因此会提高产品被标记为次品的可能性，及说明该影响因素为主要影响因素。上述权重分析的概念图如图4所示。由此分析各个影响因素，锡膏体积，锡膏高度，锡膏面积，锡膏x偏移这些影响因素变化时，由于偏离平均值后次品率显著增大，因此我们判断锡膏体积，锡膏高度，锡膏面积，锡膏x偏移是在SMT印刷技术生产条件下产生次品的主要影响因素。分析结果如表2所示。

表2：各面板的权重分析结果表

接下来通过次品分布验证各主要影响因子的影响，进一步分析实际次品率在上述判断为主要影响因素的锡膏面积，锡膏高度，锡膏体积，锡膏x偏移影响下的分布情况，由此发现在锡膏面积，锡膏高度，锡膏体积三者各自影响下，次品率在特征值平均线两端呈现高低高分布，符合预期；而在锡膏x偏移影响下，其次品率是随着锡膏x偏移增大而逐渐增大，与次品主要分布在远离平均值的地方，距离平均值越远次品率越大的预期不符。因此在后续分析次要影响因素时，只分析其他影响因素对锡膏面积，锡膏高度，锡膏体积三者与次品出现关系的影响。通过计算次品概率集合中的数据离散程度进行判断。

次品率的分布情况的分析图如图5-8所示。图5为在Area因素影响下次品的分布情况，横坐标为Area(锡膏面积)区间，纵坐标为次品率。图6为在Height因素影响下次品的分布情况，横坐标为Height(锡膏高度)区间，纵坐标为次品率。图7为在Volume因素影响下次品的分布情况，横坐标为Volume锡膏体积)区间，纵坐标为次品率。图8为在OffestX因素影响下次品的分布情况，横坐标为OffestX(锡膏x偏移)区间，纵坐标为次品率。

步骤四、分析影响次品产生的次要影响因素。

计算得出锡膏面积(Area)、锡膏高度(Height)、锡膏体积(Volume)的各区域范围内的次品率。记Area的次品率矩阵为A，矩阵长度为L_A；记Height的次品率矩阵为H，矩阵长度为L_H；记Volume的次品率矩阵为V，矩阵长度为L_V。可将各个备选的影响因素像找主要影响因素一样进行区间划分，得到各个区间下的Area、Height、Volume的分布矩阵为a，h，v，矩阵长度也分别为L_A、L_H、L_V，记录了每个区间内的次品数目。然后计算出该次要影响因素下(区间段)与主要影响因素相关的次品率f_a，f_h，f_v，f_a，f_h，f_v分别对应主要影响因素Area、Height、Volume，并与实际次品率有偏差。

设定X向量是各个条件下的次品概率集合，包含前述计算得到的各个区间段与主要影响因素相关的次品率，数据离散程度是R，则有：

其中，x_i为次品概率集合的元素，

为次品概率的均值。R越大代表该向量的波动越大，说明该次要影响因素对主要影响因素的影响越大。通过上述公式对次要影响因素进行分析计算，次要因素对次品率影响的分析图如图9-12所示。如图9-10所示，以受天气影响的温度和湿度为例，具体说明如下。

三天内只出现了两种气候状况：第一种气候状况，当天温度25.0℃，当天湿度53％；第二种气候状况，当天温度25.1℃，当天湿度52％。

计算得到对应主要影响因素的次品概率集合：

X_{Height＝[0.088056％,0.042761％]}

X_{Height＝[0.088056％，0.042761％]}

X_{Volume＝[0.091655％,0.037733％]}

进而通过数据离散程度的计算公式得到：

R_Area＝0.419018584

R_Height＝0.346247047

R_Volume＝0.41674653

由此确定，在当日温度25.0℃且湿度53％的情况下，次品发生率会远高于温度25.1℃且湿度52％的情况。前者情况下容易导致少锡或者多锡和锡面积过大或过小的情况发生。

另一示例为对影响因素，表面平均张力的分析，具体说明如下。

测得张力数据如下：T面平均张力为43.7N；B面平均张力为47.1N。

计算得到对应主要影响因素的次品概率集合：

X_{Area＝[0.043317％,0.086282％]}

X_{Height＝[0.016926％,0.107254％]}

X_{Volume＝[0.035385％,0.092606％]}

进而通过数据离散程度的计算公式得到：

R_Area＝0.33152262

R_Height＝0.727395716

R_Volume＝0.447070497

T面(平均张力43.7N)的次品发生率小于B面(平均张力47.1N)，这说明张力过大容易导致锡膏高度过低导致次品产生。

如图11所示，以类似方式分析锡膏的偏移量Y(即锡膏y偏移)。可知当锡膏的偏移量Y≥0.08时，次品的发生概率会变得非常高，它会极大程度上影响到锡膏的面积、高度从而导致次品，但对锡膏的体积的影响较小。

另一个示例是对清洗频率的分析，具体说明如下。

首先获取清洗频率的特征。如图12所示，印刷板运行日志中状态码40064，40065分别代表印刷板开始清洗和印刷板结束清洗。F(x)值代表x时刻是否处于清洗中状态，F(x)＝1代表正在清洗，F(x)＝0代表没有在清洗。V(x)代表之前600秒，处于清洗状态的时间占总时间的百分比，可以用来代表该时刻点印刷板的清洁指数。具体通过下式可得：

其中a表示常值因子，x越大a越大，因为近期的时间点保留的清洁效果会越好。V(x)即清洗频率的特征。然后以类似方式对清洗频率进行分析，分析结果如图13所示。由分析可知，清洗频率≤15％时，会一定程度影响到锡膏面积、锡膏高度和锡膏体积，导致次品产生，增大清洗频率对保持锡膏面积处于正常范围有较好效果，但对锡膏高度和锡膏体积的维持效果较差。

如表3所示，对于每个样品，根据前面得出的权重矩阵W对每个样品的影响因素进行排名，数据离散程度值越大说明该因素越容易导致次品的产生。经过排序，次要影响因素的影响力从大到小依次为印刷板温度，印刷板湿度，锡膏的偏移量Y，清洗频率，平均张力，当日温度和当日湿度。

表3：锡膏的主要因子和次要因子之间的数据离散程度

步骤五、根据各影响因素的数据确定优化方案。

本方法采用六层全连接模型为最优分类模型，通过逻辑回归模型分析Area、Height、Valume、OffsetX四个主要影响因素下产品次品率的分布情况，通过依赖性关联算法公式计算得出锡膏体积，锡膏高度，锡膏面积，锡膏x偏移是在SMT印刷技术生产条件下产生次品的主要影响因素。再分析各次要因素(如印刷板温度、印刷板湿度、锡膏y偏移OffsetY、印刷板清洗频率)通过影响相关的主要影响因素(Area,Height,Valume)对次品率分布情况的影响，进而得到一个最优的印刷板温度、印刷板湿度区间以及印刷板的清洗频率，从而减少次品出现的概率。上述优化过程的可视化界面展示图如图14所示。

本实施例中，根据实际采集的数据按上述方法分析可得下列优化结果：在温度25.0且湿度53％的情况下，次品发生率会远高于温度25.1且湿度52％的情况。前者情况下容易导致少锡或者多锡和锡面积过大或过小的情况发生，从而导致次品产生。通过计算，印刷板的最佳温度是25.4摄氏度，波动范围最好保持在±0.3摄氏度的范围，因此印刷板温度最好位于25.1摄氏度到25.7摄氏度之间。类似地计算出印刷板的湿度最好要位于50.3％到54.5％之间。同时印刷板尽量每20分钟中有3分钟都处于清洗状态，但不宜清洗过长的时间。T面(平均张力43.7N)的次品发生率小于B面(平均张力47.1N)，因此钢网张力过大容易导致锡膏高度过低从而导致次品产生，据此对钢网的平均张力进行控制。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (10)

1.一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：包括下列步骤：

步骤一、采集数据并进行数据清洗；

步骤二、对每个面板建立不同的模型进行分析，确定最优模型；最优模型为多层全连接模型；

步骤三、分析次品产生的主要影响因素；通过逻辑回归模型的算法进行权重分析，从而确定导致产生次品的主要影响因素；

步骤四、分析影响次品产生的次要影响因素；分析次要影响因素通过各个主要影响因素对次品率产生的影响，通过计算次品概率集合中的数据离散程度进行分析判断；

步骤五、根据各影响因素的数据确定优化方案。

2.根据权利要求1所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤二中，应用各种类模型进行正品、次品进行训练和测试后得到多个评价指标，所述评价指标包括，训练集误差、测试集误差、训练集准确率、测试集准确率、次品精确率、次品召回率、次品F1值，并以多个评价指标的平均得分作为最后模型的评价标准，并确定六层全连接模型为最优模型，逻辑回归模型为深度学习模型外分类效果最优的模型。

3.根据权利要求1或2所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤三中，设定X矩阵为一个数据的参数，其中的影响因素依次表示为[锡膏体积，锡膏高度，锡膏面积，锡膏x偏移，锡膏y偏移，张力，印刷板温度，印刷板湿度，当日温度，当日湿度]；W矩阵为权重矩阵，其中对应影响因素的权重依次表示为[锡膏体积的权重，锡膏高度的权重，锡膏面积的权重，锡膏x偏移的权重，锡膏y偏移的权重，张力的权重，印刷板温度的权重，印刷板湿度的权重，当日温度的权重，当日湿度的权重]；

逻辑回归模型中，设F为特征值，则F∈[0，1]，F＝WX，当F>0.5时预测产品为正品，F<0.5时预测产品为次品，特征值的平均值为最佳值；L表示特征值相对最佳值的偏差，L≥0，L值增加，且该特征对应的W<0，F值会下降，因此会提高产品被标记为次品的可能性，即该影响因素为主要影响因素；由此分析各个影响因素得到锡膏体积、锡膏高度、锡膏面积和锡膏x偏移为主要影响因素。

4.根据权利要求3所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤四中，分析实际次品率在上述判断为主要影响因素的锡膏面积，锡膏高度，锡膏体积，锡膏x偏移影响下的分布情况，由此发现在锡膏面积，锡膏高度，锡膏体积三者各自影响下，次品率在特征值平均线两端呈现高低高分布，符合预期；而在锡膏x偏移影响下，其次品率是随着锡膏x偏移增大而逐渐增大，与次品主要分布在远离平均值的地方，距离平均值越远次品率越大的预期不符；因此在后续分析次要影响因素时，只分析其他影响因素对锡膏面积，锡膏高度，锡膏体积三者与次品出现关系的影响。

5.根据权利要求4所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤四中，计算得出锡膏面积、锡膏高度、锡膏体积的各区域范围内的次品率：记锡膏面积的次品率矩阵为A，矩阵长度为L_A；记锡膏高度的次品率矩阵为H，矩阵长度为L_H；记锡膏体积的次品率矩阵为V，矩阵长度为L_V；将各个备选的影响因素像找主要影响因素一样进行区间划分，得到各个区间下的锡膏面积、锡膏高度、锡膏体积的分布矩阵分别为a、h、v，矩阵长度也分别为L_A、L_H、L_V，以此记录了每个区间内的次品数目；进一步计算出该次要影响因素下与主要影响因素相关的次品率f_a，f_h，f_v，f_a，f_h，f_v分别对应主要影响因素Area、Height、Volume。

6.根据权利要求5所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：定X向量是各个主要影响因素下的次品概率集合，数据离散程度是R，则有：

其中，x_i为次品概率集合的元素，

为次品概率的均值；R越大代表该向量的波动越大；通过上述公式对次要影响因素进行分析计算；根据前面得出的权重矩阵W对每个样品的影响因素进行排名，数据离散程度值越大说明该因素越容易导致次品的产生；排序后次要影响因素的影响力从大到小依次为印刷板温度，印刷板湿度，锡膏的偏移量Y，清洗频率，平均张力，当日温度和当日湿度。

7.根据权利要求6所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤五中，根据实际采集的数据按上述方法分析可得下列优化结果：通过计算确定印刷板的最佳温度、最佳湿度及相应波动范围，从而确定最佳的温度取值范围和湿度取值范围；通过对清洗频率的分析计算确定最佳清洗时长和清洗间隔时长；确定锡膏的偏移量Y<0.08以避免过高的次品率，确定钢网的平均张力过大会增加次品率从而控制钢网的平均张力大小。

8.根据权利要求7所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：印刷板运行日志中状态码40064，40065分别代表印刷板开始清洗和印刷板结束清洗，F(x)值代表x时刻是否处于清洗中状态，F(x)＝1代表正在清洗，F(x)＝0代表没有在清洗，V(x)代表之前600秒，处于清洗状态的时间占总时间的百分比，用来代表该时刻点印刷板的清洁指数，具体通过下式可得：

其中a表示常值因子，x越大a越大，因为近期的时间点保留的清洁效果会越好，V(x)即清洗频率的特征，对清洗频率进行分析可知，清洗频率≤15％时，会导致次品产生，增大清洗频率对保持锡膏面积处于正常范围有较好效果，但对锡膏高度和锡膏体积的维持效果较差。

9.根据权利要求1所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤一具体包括：

第一步：模型训练所需数据预处理，构造目标数据格式用于读取印刷机运行数据并提取所需特征，进行清洗，然后导出csv文件；

第二步：清洗印刷机B、T两面的数据，对文件进行测试读取，判断缺失的文件并记录缺失的文件名，在遍历读取文件时来跳过这个文件名对应的文件，通过读取文件确定它所属的日期，然后将上一步清洗好的数据按照所属日期一一对应的填充到目标csv文件中，每一个csv文件清洗过后对应导出一个新的csv文件；

第三步：提取只有次品的文件，将B、T面的数据进行合并，按照不同的面板进行分区，然后再提取出一份只有次品的文件。

10.根据权利要求1或9所述的一种全连接神经网络模型下的丝印工艺优化方法，其特征在于：所述步骤一中，需要对印刷机温度和湿度数据进行平滑处理，平滑处理的方式包括：

记当前时间为a秒，a秒处于时刻X(i).s与时刻X(i+1).s之间，记a秒得到的两个时间节点是X(i)，X(i+1)；

a秒时的温度如下，

t(s＝a)＝a-X(i).s/X(i+1).s-X(i).s*X(i).t+X(i+1).s-a/X(i+1).s-X(i).s*X(i+1).t；

其中，t(s＝a)为a秒时的温度，X(i).t为时刻X(i).s对应的温度，X(i+1).t为时刻X(i+1).s对应的温度；

a秒时的湿度如下，

h(s＝a)＝a-X(i).s/X(i+1).s-X(i).s*X(i).h+X(i+1).s-a/X(i+1).s-X(i).s*X(i+1).h；

其中，h(s＝a)为a秒时的湿度，X(i).h为时刻X(i).s对应的湿度，X(i+1).h为时刻X(i+1).s对应的湿度。

Images