CN116736690A - 基于锚点选取粒子群算法的贴片机贴装路径优化方法 - Google Patents
基于锚点选取粒子群算法的贴片机贴装路径优化方法 Download PDFInfo
- Publication number
- CN116736690A CN116736690A CN202310709406.6A CN202310709406A CN116736690A CN 116736690 A CN116736690 A CN 116736690A CN 202310709406 A CN202310709406 A CN 202310709406A CN 116736690 A CN116736690 A CN 116736690A
- Authority
- CN
- China
- Prior art keywords
- particle
- mounting
- optimal
- updating
- anchor point
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000006978 adaptation Effects 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 230000006872 improvement Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 101100328518 Caenorhabditis elegans cnt-1 gene Proteins 0.000 claims description 2
- 235000003181 Panax pseudoginseng Nutrition 0.000 claims description 2
- 244000131316 Panax pseudoginseng Species 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000013016 learning Effects 0.000 claims description 2
- 230000009326 social learning Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 238000012966 insertion method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- INJRKJPEYSAMPD-UHFFFAOYSA-N aluminum;silicic acid;hydrate Chemical compound O.[Al].[Al].O[Si](O)(O)O INJRKJPEYSAMPD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/04—Mounting of components, e.g. of leadless components
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Supply And Installment Of Electrical Components (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
Abstract
基于锚点选取粒子群算法的贴片机贴装路径优化方法,本发明涉及贴片机贴装路径优化方法。本发明的目的是解决以往方法搜索过程有局限性,容易使得搜索到的贴装路径过长,贴装生产工作效率低的问题。过程为:一、获取贴片机参数、电路板生产数据以及元件分配结果;二、初始化粒子群参数;三、随机初始化各粒子的位置和速度;四、得到对应的贴装路径长度为各个粒子适应值;五、更新各个粒子的个体历史最优位置和个体历史最优适应值;六、更新群体历史最优位置和群体历史最优适应值;七、若无改进搜索次数达到上限则执行八,否则更新每个粒子的位置和速度执行四;八、输出最优的贴装路径优化结果。本发明属于电器技术及电气工程领域。
Description
技术领域
本发明涉及贴片机贴装路径优化方法,属于电器技术及电气工程领域。
背景技术
不断发展的电子工业高新技术极大地促进了生产生活的自动化与便捷化。在进行电子产品板级封装的过程中,表面贴装技术是当下最主流的核心技术。贴片机是表面贴装关键装备,其功能是高速高精度地将电子元器件与芯片拾取再贴装到电路板上。为了表述简便,在后文中,将“电子元器件与芯片”统称为“元件”,将“拾取与贴装”简称为“拾贴”。
基于龙门式三维运动平台的贴片机如图2所示。安置在供料器基座上的供料器能够自动供应元件到拾取点处。电路板由传送带传送到止挡捎处被夹紧,随后电路板表面的贴装点即保持静止。贴片载具由电机驱动,沿着平动导轨与固定导轨移动,从而在XY平面内实现准确定位。贴片载具内均匀装备着的吸杆能够沿Z方向上下运动,并通过抽取真空和解除真空的方式分别实现对元件的拾取和贴装。
贴片机的拾贴过程如图3所示。通常一块电路板需要贴装大量的元件,因此完成电路板的贴装需要经历多个拾取与贴装周期(拾贴周期)。各拾贴周期内的拾贴过程为:贴片载具移动到待拾取的首个拾取点并完成元件拾取;由贴片载具驱动,各吸杆依次移动到对应拾取点处完成后续元件拾取;待所有吸杆均完成元件拾取后,贴片载具移动到首个贴装点处完成贴装;由贴片载具驱动,各吸杆依次移动到对应贴装点处进行后续元件贴装。待所有吸杆均完成元件贴装后,开始下一个拾贴周期的拾贴过程。
对贴片机拾贴过程进行优化,可明显缩短表面贴装耗时。拾贴过程优化的一个重要目标是贴装路径长度的最小化。贴片机拾贴过程优化可以在完成相同任务的情况下耗时更少,极大提高表面贴装效率。
贴装路径优化过程一般是选定每个拾贴周期的锚点,然后根据锚点坐标信息结合路径规划算法计算最优路径。所述“锚点”指的是各拾贴周期确定首个贴装点前的定位点,用于引导路径规划算法搜索路径的起点。本发明中路径规划启发式算法采取了专利号为ZL202010387811.7名为“一种基于最近插入法的贴片机贴装路径规划方法”的方法。
目前研究的主要缺陷是:以往基于最近插入法或最近邻算法的贴装路径优化方法,都是基于固定锚点的,缺少针对锚点灵活选取能够进行连续调优的方法,导致搜索过程有局限性,容易使得搜索到的贴装路径过长,贴装生产工作效率低。
发明内容
本发明的目的是解决以往基于最近插入法或最近邻算法的贴装路径优化方法,都是基于固定锚点的,缺少针对锚点灵活选取能够进行连续调优的方法,导致搜索过程有局限性,容易使得搜索到的贴装路径过长,贴装生产工作效率低的问题,而提出了基于锚点选取粒子群算法的贴片机贴装路径优化方法。
基于锚点选取粒子群算法的贴片机贴装路径优化方法具体过程为:
步骤一、获取贴片机参数、电路板生产数据以及元件分配结果;
步骤二、初始化粒子群参数;
步骤三、随机初始化各粒子的位置和速度;
步骤四、由各粒子位置得到锚点坐标执行贴装路径优化启发式算法,得到对应的贴装路径长度为各个粒子适应值;
步骤五、更新各个粒子的个体历史最优位置和个体历史最优适应值;
步骤六、更新群体历史最优位置和群体历史最优适应值;
步骤七、若无改进搜索次数达到上限则执行步骤八,否则更新每个粒子的位置和速度执行步骤四;
步骤八、输出最优的贴装路径优化结果。
本发明的有益效果为:
本发明公开了基于锚点选取粒子群算法的贴片机贴装路径优化方法,该方法基于粒子群优化算法获取到锚点坐标,然后执行贴装路径优化启发式算法得到对应的贴装路径,将贴装路径长度作为适应度值计算并更新个体与群体的最优位置和最优适应度值,从而显著缩短拾贴路径,提升贴装生产工作效率。实验表明,本发明提供的方法可以大幅提升贴片机生产效率,与商业软件相比,最大效率提升达23.05%。
具体来说,本发明具备如下2个创新点。
(1)提出了通过连续优化锚点的选取,以改进基于最近插入法的贴装路径优化方法,克服了采用固定锚点带来的搜索局限性,改善了算法寻优能力;
(2)针对锚点的连续调节,给出了基于粒子群算法的连续优化方法,借助粒子群算法中的个体与群体位置更新,使得粒子群朝着总路径最短的方向寻优,提高了贴片机生产效率。
附图说明
图1为本发明贴片机贴装路径优化方法流程图;
图2为配备梁式贴片载具的贴片机示意图;
图3为贴片机拾贴过程流程图;
图4为实施例采用本发明锚点选取粒子群算法的贴装路径示意图;
图5为实施例采用固定锚点启发式算法的贴装路径示意图;
图6为本发明实施例的贴装路径长度收敛曲线图。
具体实施方式
具体实施方式一:本实施方式的基于锚点选取粒子群算法的贴片机贴装路径优化方法具体过程为:
步骤一、获取贴片机参数、电路板生产数据以及元件分配结果;
步骤二、初始化粒子群参数;
步骤三、随机初始化各粒子的位置和速度;
步骤四、由各粒子位置得到锚点坐标执行贴装路径优化启发式算法,得到对应的贴装路径长度为各个粒子适应值;
步骤五、更新各个粒子的个体历史最优位置和个体历史最优适应值;
步骤六、更新群体历史最优位置和群体历史最优适应值;
步骤七、若无改进搜索次数达到上限则执行步骤八,否则更新每个粒子的位置和速度执行步骤四;
步骤八、输出最优的贴装路径优化结果。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中获取贴片机参数、电路板生产数据以及元件分配结果,具体过程为:
步骤一一、导入贴片机参数;所述贴片机参数包括吸杆总数H,按照沿X轴递增的顺序对各个吸杆的索引编号为h∈[1,…,H],吸杆间隔为DI;
步骤一二、导入电路板生产数据;所述电路板生产数据包括:元件类型总数C,各类元件的索引编号为c∈[1,…,C],各类元件所含贴装点个数存储于行数为1、列数为C的数组n;C类元件共有贴装点总数Q个,各贴装点的索引编号为q∈[1,…,Q],贴装点的坐标存储于行数为Q、列数为2的数组xyt,例如,第q个贴装点的X坐标与Y坐标分别为xyt(q,1)与xyt(q,2);
步骤一三、导入元件分配结果;拾贴周期总数K,各拾贴周期的索引编号为k∈[1,…,K];元件分配结果存储于行数为K、列数为H的二维数组PA,其中的元素PA(k,h)代表第k个拾贴周期中由第h个吸杆所拾贴的元件类型,即PA(k,h)∈[1,…,C];
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中初始化粒子群参数;具体过程为:
步骤二一、初始化粒子群种群规模为I,每个粒子用i表示,其中i=1,2,...,I;初始化粒子个体学习因子为c1、社会学习因子为c2、惯性因子为w;
步骤二二、初始化粒子群搜索最优位置未改进计数变量为cntImprove、最大最优位置未改进次数变量为MaxImprove;
步骤二三、初始化元素全为零的行数为K、列数为H的二维数组PS,用于存储贴装排序结果,其中的元素PS(k,s),s∈[1,...,H]代表第k个拾贴周期中第s个进行贴装的吸杆号,即PS(k,s)∈[1,...,H]。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中随机初始化各粒子的位置和速度;具体过程为:
步骤三一、初始化粒子群各个粒子速度;过程为:
令V={vi,i=1,2,...,I}表示粒子群中所有粒子移动速度,vi表示粒子群中第i个粒子移动速度,每个粒子i均有K个成员,第i个粒子移动速度vi包含x,y两个方向的速度信息,表示为vi=<vix,viy>;对每个vi∈[0,1]初始化为区间内的随机值;vix表示第i个粒子x方向的速度信息,viy表示第i个粒子y方向的速度信息;
步骤三二、初始化粒子群各个粒子位置;过程为:
令P={pi,i=1,2,...,I}表示粒子群中所有粒子的位置,pi表示粒子群中第i个粒子的位置,由于每个拾贴周期均有一个位置信息,故每个粒子i均有K个成员,第i个粒子位置pi包含x,y两个方向的位置信息,表示为pi=<pix,piy>;对每个pi∈[0,1]初始化为区间内的随机值;pix表示第i个粒子x方向的位置,piy表示第i个粒子y方向的位置;
步骤三三、初始化每个粒子i个体最优位置pbesti,群体最优位置gbest=<gbestx,gbesty>,其中个体最优位置初始化为pbesti=pi;
遍历所有拾贴周期K,根据每个粒子的初始化位置数据计算初始锚点stari,其中锚点坐标存储在行数为K,列数为2的数组stari中,例如,第k个周期锚点的X坐标与Y坐标分别为stari(k,1)、stari(k,2),其中对于最优锚点X坐标存储在starox,最优Y坐标存储在staroy;所述锚点坐标计算方法具体如下:
步骤三三一、待分配贴装点总数为R,各个贴装点的索引编号为r∈[1,...,R],对应的贴装头编号为headnum,待分配贴装点对应于1号吸杆的位置存储在行数为L≤Q、列数为2的数组xyt_1中,例如第r个贴装点的X坐标与Y坐标分别为xyt_1(r,1)、xyt_1(r,2),计算方法如下:
xyt_1(r,1)=xyt(r,1)-(headnum-1)*DI
xyt_1(r,2)=xyt(r,2)
其中,*表示相乘,DI表示吸杆间隔,xyt_1(r,1)表示第r个贴装点对应1号吸杆的X坐标,xyt_1(r,2)表示第r个贴装点对应1号吸杆的Y坐标;
步骤三三二、遍历待分配贴装点,求得最左上侧贴装点坐标L0,其中X坐标为L0(1)=min(xyt_1(r,1)),Y坐标为L0(2)=min(xyt_1(r,2)),最右下侧贴装点坐标L1,其中X坐标为L1(1)=max(xyt_1(r,1)),Y坐标为L1(2)=max(xyt_1(r,2));
步骤三三三、根据粒子位置计算锚点坐标stari,公式如下:
stari(k,1)=L1(1)+(L0(1)-L1(1))*pix(k)
stari(k,2)=L1(2)+(L0(2)-L1(2))*Piy(k)
其中,pix(k)表示第k个周期第i个粒子x方向的位置,piy(k)表示第k个周期第i个粒子y方向的位置;
步骤三四、将锚点坐标作为启发式路径搜索算法的起始点坐标,算法输出值为最短路径规划结果,每个拾贴周期的距离表示为dik;
所述启发式路径搜索算法使用了专利号为ZL202010387811.7名为“一种基于最近插入法的贴片机贴装路径规划方法”的方法;
步骤三五、将所有拾贴周期的距离之和作为评价粒子位置优劣的依据,称之为适应度函数将适应度函数值存储在个体历史最优适应度函数pbest_vali中;
步骤三六、对于群体历史最优适应度值初始化为gbest_val=min(fitness),将取最小值的粒子序号m作为最优粒子,初始化群体历史最优位置,即gbest=pm;
步骤三七、每一次搜索的群体最优适应度值gbest_val以及搜索出群体最优适应度值的累计计数值cnt保存在堆栈gbest_val_stack中,将此次初始化的结果压入堆栈中;
所述一次搜索为步骤四至步骤八。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四由各粒子位置得到锚点坐标执行贴装路径优化启发式算法,得到对应的贴装路径长度为各个粒子适应值;具体过程为:
步骤四一、计算每个粒子i的锚点坐标stari,计算过程同步骤三三一至步骤三三三;
步骤四二、将锚点坐标作为启发式路径搜索算法的起始点坐标,启发式路径搜索算法输出最短路径距离,将此时所有拾贴周期的距离之和作为评价粒子位置的适应度函数方法同步骤三四至步骤三五。
其他步骤及参数与具体实施方式一至四至一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤五更新各个粒子的个体历史最优位置和个体历史最优适应值;具体过程为:
对于每个粒子i的个体历史最优适应度函pbest_vali,若有pbest_vali大于fitness(i)那么更新个体历史最优适应值pbest_vali和个体历史最优位置pbesti,更新方法如下:
pbest_vali=fitness(i)
pbesti=pi
若有pbest_vali小于等于fitness(i)那么不更新。
其他步骤及参数与具体实施方式一至五至一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤六中更新群体历史最优位置和群体历史最优适应值;具体过程为:
步骤六一、计算所有粒子单个个体历史最优适应值中的最小值min(pbest_val),并保存此时取最小值的索引m;
步骤六二、更新群体历史最优适应值gbest_val以及群体最优位置gbest,更新方法如下:
gbest_val=min(pbest_val)
gbest=pm
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述步骤七若无改进搜索次数达到上限则执行步骤八,否则更新每个粒子的位置和速度执行步骤四,具体过程为:
步骤七一、若当前cnt次搜索结果的群体历史最优适应度值gbest_val比上次搜索结果的群体历史最优适应度值小即gbest_val<gbest_val_stack(cnt-1),则转而执行步骤七二,否则执行步骤七三;
步骤七二、将粒子群搜索最优位置未改进计数变量cntImprove清零;
步骤七三、粒子群搜索最优位置未改进计数变量cntImprove加1;
步骤七四、若最优位置未改进计数变量cntImprove大于最大最优位置未改进次数变量为MaxImprove,则转而执行步骤八,否则执行步骤七五;
步骤七五、将当前次搜索的群体最优适应度值压入堆栈gbest_val_stack中,搜索计数值cnt=cnt+1;
步骤七六、更新粒子群速度与位置,具体过程如下:
步骤七六一、更新粒子群每个粒子i的速度,更新公式如下:
vi=w*vi+c1*rand*(pbesti-pi)+c2*rand*(gbest-pi)
其中rand表示介于(0,1)之间的随机数;此公式的第一部分(w*vi)称为“记忆项”,表示上次粒子速度大小和方向的影响;第二部分(c1*rand*(pbesti-pi))称为“自身认知项”,是从当前点指向粒子自身最好点的一个矢量,表示粒子的动作来源于自己经验的部分;公式第三部分(c2*rand*(gbest-pi))称为“群体认知项”,是一个从当前点指向种群最好点的矢量,反映了粒子间的协同合作和知识共享;
粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动;
式中的w表示为惯性因子,其值较大会使得全局寻优能力增强,局部寻优能力减弱,其值较小会使得全局寻优能力减弱,局部寻优能力增强;
rand表示大于0小于1的随机数;
步骤七六二、更新粒子群每个粒子i的位置,对粒子i中的每个拾贴周期k进行更新,对于每个拾贴周期k,对应的粒子位置为pi(k)=pi(k-1)+vi(k-1);
步骤七六三、判断更新后的pi的X坐标和Y坐标是否符合区间(0,1)(包括0,1),若pix<0,则pix=0;若pix>1,则pix=1;同样地,若piy<0,则piy=0;若piy>1,则piy=1;转而执行步骤四。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:所述步骤八输出最优的贴装路径优化结果,具体过程为:
步骤八一、根据群体历史最优位置计算锚点坐标作为最终最优路径优化锚点坐标,计算过程同步骤三三一至步骤三三三;
步骤八二、将锚点坐标作为启发式路径搜索算法的起始点定位坐标,启发式路径搜索算法输出最短路径距离,方法同步骤三四;
步骤八三、更新贴装顺序PS,贴片机按照算法输出的各拾贴周期贴装点顺序开展贴装生产。
其它步骤及参数与具体实施方式一至八之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例基于锚点选取粒子群算法的贴片机贴装路径优化方法具体是按照以下步骤制备的:
算例考虑一台六吸杆梁式贴片载具贴片机的贴装路径优化过程。
需要导入的电路板生产数据列于表1,其中有一类元件,共有50个贴装点。
表1电路板生产数据
共需9个拾贴周期完成对全部贴装点的贴装。
经粒子群算法优化后,得到群体最优位置gbest=<gbestx,gbesty>为:gbestx=[0.2900.426 0.584 0.698 0.215 0.413 0.605 0.754 0.692]、gbesty=[0.251 0.3260.7120.792 0.546 0.526 0.427 0.752 0.379]。各拾贴周期的最左上侧贴装点坐标L0中,X坐标为:L0(1)=[549.9 546 545.5 545.5 545.5 545.5 545.5 532.8 639.1]、Y坐标为:L0(2)=[188.8 188.8 188.8 188.8 188.8 187.8 176.6 176.6 147.2];各拾贴周期的最右下侧贴装点坐标L1中,X坐标为:L1(1)=[620.2 620.2 623.8 623.8 628.7 628.7638651.2 658.3]、Y坐标为:L1(2)=[144.6 144.6 144.6 144.6 144.6 144.6 144.6144.6144.6]。
基于上述信息,算得各拾贴周期的最优锚点X坐标为:starox=L1(1)+gbestx.*(L0(1)-L1(1))=[599.9 588.6 578 569.2 610.8 594.3 582 561.9 645];各拾贴周期的最优锚点Y坐标为:staroy=L1(2)+gbesty.*(L0(2)-L1(2))=[155.7 159 176.1179.6168.7 167.3 158.3 168.7 145.6]。
可得,贴装点分配结果PA与贴装排序结果PS如下:
锚点选取粒子群算法得到的贴装路径优化结果如图4所示,该最优贴装路径长度为gbest_val1=768mm。固定锚点启发式算法得出的贴装路径优化结果如图5所示,该最优贴装路径长度为gbest_val0=998mm。在本实施例中,本发明可实现贴装路径的改进为100%*(998-768)/998=23.05%。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述方法具体过程为:
步骤一、获取贴片机参数、电路板生产数据以及元件分配结果;
步骤二、初始化粒子群参数;
步骤三、随机初始化各粒子的位置和速度;
步骤四、由各粒子位置得到锚点坐标执行贴装路径优化启发式算法,得到对应的贴装路径长度为各个粒子适应值;
步骤五、更新各个粒子的个体历史最优位置和个体历史最优适应值;
步骤六、更新群体历史最优位置和群体历史最优适应值;
步骤七、若无改进搜索次数达到上限则执行步骤八,否则更新每个粒子的位置和速度执行步骤四;
步骤八、输出最优的贴装路径优化结果。
2.根据权利要求1所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤一中获取贴片机参数、电路板生产数据以及元件分配结果,具体过程为:
步骤一一、导入贴片机参数;所述贴片机参数包括吸杆总数H,按照沿X轴递增的顺序对各个吸杆的索引编号为h∈[1,…,H],吸杆间隔为DI;
步骤一二、导入电路板生产数据;所述电路板生产数据包括:元件类型总数C,各类元件的索引编号为c∈[1,…,C],各类元件所含贴装点个数存储于行数为1、列数为C的数组n;C类元件共有贴装点总数Q个,各贴装点的索引编号为q∈[1,…,Q],贴装点的坐标存储于行数为Q、列数为2的数组xyt,第q个贴装点的X坐标与Y坐标分别为xyt(q,1)与xyt(q,2);
步骤一三、导入元件分配结果;拾贴周期总数K,各拾贴周期的索引编号为k∈[1,…,K];元件分配结果存储于行数为K、列数为H的二维数组PA,其中的元素PA(k,h)代表第k个拾贴周期中由第h个吸杆所拾贴的元件类型,即PA(k,h)∈[1,…,C]。
3.根据权利要求2所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤二中初始化粒子群参数;具体过程为:
步骤二一、初始化粒子群种群规模为I,每个粒子用i表示,其中i=1,2,…,I;初始化粒子个体学习因子为c1、社会学习因子为c2、惯性因子为w;
步骤二二、初始化粒子群搜索最优位置未改进计数变量为cntImprove、最大最优位置未改进次数变量为MaxImprove;
步骤二三、初始化元素全为零的行数为K、列数为H的二维数组PS,用于存储贴装排序结果,其中的元素PS(k,s),s∈[1,…,H]代表第k个拾贴周期中第s个进行贴装的吸杆号,即PS(k,s)∈[1,…,H]。
4.根据权利要求3所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤三中随机初始化各粒子的位置和速度;具体过程为:
步骤三一、初始化粒子群各个粒子速度;过程为:
令V={vi,i=1,2,…,I}表示粒子群中所有粒子移动速度,vi表示粒子群中第i个粒子移动速度,每个粒子i均有K个成员,第i个粒子移动速度vi包含x,y两个方向的速度信息,表示为vi=<vix,viy>;对每个vi∈[0,1]初始化为区间内的随机值;vix表示第i个粒子x方向的速度信息,viy表示第i个粒子y方向的速度信息;
步骤三二、初始化粒子群各个粒子位置;过程为:
令P={pi,i=1,2,…,I}表示粒子群中所有粒子的位置,pi表示粒子群中第i个粒子的位置,由于每个拾贴周期均有一个位置信息,故每个粒子i均有K个成员,第i个粒子位置pi包含x,y两个方向的位置信息,表示为pi=<pix,piy>;对每个pi∈[0,1]初始化为区间内的随机值;pix表示第i个粒子x方向的位置,piy表示第i个粒子y方向的位置;
步骤三三、初始化每个粒子i个体最优位置pbesti,群体最优位置gbest=<gbestx,gbesty>,其中个体最优位置初始化为pbesti=pi;
遍历所有拾贴周期K,根据每个粒子的初始化位置数据计算初始锚点stari,其中锚点坐标存储在行数为K,列数为2的数组stari中,例如,第k个周期锚点的X坐标与Y坐标分别为stari(k,1)、stari(k,2),其中对于最优锚点X坐标存储在starox,最优Y坐标存储在staroy;所述锚点坐标计算方法具体如下:
步骤三三一、待分配贴装点总数为R,各个贴装点的索引编号为r∈[1,…,R],对应的贴装头编号为headnum,待分配贴装点对应于1号吸杆的位置存储在行数为L≤Q、列数为2的数组xyt_1中,例如第r个贴装点的X坐标与Y坐标分别为xyt_1(r,1)、xyt_1(r,2),计算方法如下:
xyt_1(r,1)=xyt(r,1)-(headnum-1)*DI
xyt_1(r,2)=xyt(r,2)
其中,*表示相乘,DI表示吸杆间隔,xyt_1(r,1)表示第r个贴装点对应1号吸杆的X坐标,xyt_1(r,2)表示第r个贴装点对应1号吸杆的Y坐标;
步骤三三二、遍历待分配贴装点,求得最左上侧贴装点坐标L0,其中X坐标为L0(1)=min(xyt_1(r,1)),Y坐标为L0(2)=min(xyt_1(r,2)),最右下侧贴装点坐标L1,其中X坐标为L1(1)=max(xyt_1(r,1)),Y坐标为L1(2)=max(xyt_1(r,2));
步骤三三三、根据粒子位置计算锚点坐标stari,公式如下:
stari(k,1)=L1(1)+(L0(1)-L1(1))*pix(k)
stari(k,2)=L1(2)+(L0(2)-L1(2))*piy(k)
其中,pix(k)表示第k个周期第i个粒子x方向的位置,piy(k)表示第k个周期第i个粒子y方向的位置;
步骤三四、将锚点坐标作为启发式路径搜索算法的起始点坐标,算法输出值为最短路径规划结果,每个拾贴周期的距离表示为dik;
步骤三五、将所有拾贴周期的距离之和作为评价粒子位置优劣的依据,称之为适应度函将适应度函数值存储在个体历史最优适应度函数pbest_vali中;
步骤三六、对于群体历史最优适应度值初始化为gbest_val=min(fitness),将取最小值的粒子序号m作为最优粒子,初始化群体历史最优位置,即gbest=pm;
步骤三七、每一次搜索的群体最优适应度值gbest_val以及搜索出群体最优适应度值的累计计数值cnt保存在堆栈gbest_val_stack中,将此次初始化的结果压入堆栈中;
所述一次搜索为步骤四至步骤八。
5.根据权利要求4所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤四由各粒子位置得到锚点坐标执行贴装路径优化启发式算法,得到对应的贴装路径长度为各个粒子适应值;具体过程为:
步骤四一、计算每个粒子i的锚点坐标stari,计算过程同步骤三三一至步骤三三三;
步骤四二、将锚点坐标作为启发式路径搜索算法的起始点坐标,启发式路径搜索算法输出最短路径距离,将此时所有拾贴周期的距离之和作为评价粒子位置的适应度函数方法同步骤三四至步骤三五。
6.根据权利要求5所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤五更新各个粒子的个体历史最优位置和个体历史最优适应值;具体过程为:
对于每个粒子i的个体历史最优适应度函pbest_vali,若有pbest_vali大于fitness(i)那么更新个体历史最优适应值pbest_vali和个体历史最优位置pbesti,更新方法如下:
pbest_vali=fitness(i)
pbesti=pi
若有pbest_vali小于等于fitness(i)那么不更新。
7.根据权利要求6所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤六中更新群体历史最优位置和群体历史最优适应值;具体过程为:
步骤六一、计算所有粒子单个个体历史最优适应值中的最小值min(pbest_val),并保存此时取最小值的索引m;
步骤六二、更新群体历史最优适应值gbest_val以及群体最优位置gbest,更新方法如下:
gbest_val=min(pbest_val)
gbest=pm。
8.根据权利要求7所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤七若无改进搜索次数达到上限则执行步骤八,否则更新每个粒子的位置和速度执行步骤四,具体过程为:
步骤七一、若当前cnt次搜索结果的群体历史最优适应度值gbest_val比上次搜索结果的群体历史最优适应度值小即gbest_val<gbest_val_stack(cnt-1),则转而执行步骤七二,否则执行步骤七三;
步骤七二、将粒子群搜索最优位置未改进计数变量cntImprove清零;
步骤七三、粒子群搜索最优位置未改进计数变量cntImprove加1;
步骤七四、若最优位置未改进计数变量cntImprove大于最大最优位置未改进次数变量为MaxImprove,则转而执行步骤八,否则执行步骤七五;
步骤七五、将当前次搜索的群体最优适应度值压入堆栈gbest_val_stack中,搜索计数值cnt=cnt+1;
步骤七六、更新粒子群速度与位置,具体过程如下:
步骤七六一、更新粒子群每个粒子i的速度,更新公式如下:
vi=w*vi+c1*rand*(pbesti-pi)+c2*rand*(gbest-pi)
其中rand表示介于(0,1)之间的随机数;
式中的w表示为惯性因子;
步骤七六二、更新粒子群每个粒子i的位置,对粒子i中的每个拾贴周期k进行更新,对于每个拾贴周期k,对应的粒子位置为pi(k)=pi(k-1)+vi(k-1);
步骤七六三、判断更新后的pi的X坐标和Y坐标是否符合区间(0,1),若pix<0,则pix=0;若pix>1,则pix=1;同样地,若piy<0,则piy=0;若piy>1,则piy=1;转而执行步骤四。
9.根据权利要求8所述的基于锚点选取粒子群算法的贴片机贴装路径优化方法,其特征在于:所述步骤八输出最优的贴装路径优化结果,具体过程为:
步骤八一、根据群体历史最优位置计算锚点坐标作为最终最优路径优化锚点坐标,计算过程同步骤三三一至步骤三三三;
步骤八二、将锚点坐标作为启发式路径搜索算法的起始点定位坐标,启发式路径搜索算法输出最短路径距离,方法同步骤三四;
步骤八三、更新贴装顺序PS,贴片机按照算法输出的各拾贴周期贴装点顺序开展贴装生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709406.6A CN116736690A (zh) | 2023-06-14 | 2023-06-14 | 基于锚点选取粒子群算法的贴片机贴装路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709406.6A CN116736690A (zh) | 2023-06-14 | 2023-06-14 | 基于锚点选取粒子群算法的贴片机贴装路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736690A true CN116736690A (zh) | 2023-09-12 |
Family
ID=87900733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310709406.6A Pending CN116736690A (zh) | 2023-06-14 | 2023-06-14 | 基于锚点选取粒子群算法的贴片机贴装路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736690A (zh) |
-
2023
- 2023-06-14 CN CN202310709406.6A patent/CN116736690A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7899561B2 (en) | Operating time reducing method, operating time reducing apparatus, program and component mounter | |
US10785901B2 (en) | Optimization approach for placement heads tasks assignment of beam-type single-gantry surface mounters | |
CN111479404B (zh) | 一种基于混合遗传算法的led贴片机拾贴路径优化方法 | |
CN112261864B (zh) | 一种求解贴片机贴装优化问题的种群初始化方法及系统 | |
CN103717007A (zh) | 基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化方法 | |
CN111615325B (zh) | 一种基于聚类的多功能贴片机贴装路径规划方法 | |
JP4584960B2 (ja) | 部品実装方法 | |
CN116234293A (zh) | 一种电子元器件贴片路径优化方法、设备、介质及终端 | |
CN111586992B (zh) | 一种基于最近插入法的贴片机贴装路径规划方法 | |
JP3466141B2 (ja) | 部品実装順序最適化方法、その装置及び部品実装装置 | |
CN101496463B (zh) | 组件安装条件确定方法 | |
CN111615324B (zh) | 一种基于禁忌搜索算法的led贴片机拾贴路径优化方法 | |
CN115623770B (zh) | 基于k近邻算法的直排式贴片机贴装路径优化方法 | |
CN108446814A (zh) | 同顺序流水线车间调度问题的树搜索方法及装置 | |
CN116736690A (zh) | 基于锚点选取粒子群算法的贴片机贴装路径优化方法 | |
CN111465210B (zh) | 一种基于聚类的led贴片机拾贴路径优化方法 | |
CN113905606B (zh) | 基于深度强化学习的贴片机贴装调度模型训练方法 | |
CN116113171A (zh) | 一种在贴片机生产的同时进行拾贴路径在线优化的方法 | |
CN117592420A (zh) | 时间最优的贴片机贴装路径优化方法 | |
Hai-Ming et al. | A heuristic optimization algorithm for multi-head mounter | |
Moyer et al. | Development of the surface mount assembly process through an angular board orientation | |
CN116796687A (zh) | 一种基于全维编码遗传算法的贴片机拾贴选址路径优化方法 | |
Jeong et al. | Optimization algorithm of gantry route problem for odd-type surface mount device | |
CN115996524A (zh) | 一种基于行列分组遗传算法的贴片机贴装路径优化方法 | |
JP2021087005A (ja) | 部品実装順序最適化方法、その装置および部品実装機 |
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 |