CN117312802B - 基于人机融合的smt产线关键工艺参数优化方法及存储介质 - Google Patents
基于人机融合的smt产线关键工艺参数优化方法及存储介质 Download PDFInfo
- Publication number
- CN117312802B CN117312802B CN202311605519.8A CN202311605519A CN117312802B CN 117312802 B CN117312802 B CN 117312802B CN 202311605519 A CN202311605519 A CN 202311605519A CN 117312802 B CN117312802 B CN 117312802B
- Authority
- CN
- China
- Prior art keywords
- printing
- model
- data
- parameters
- solder paste
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 180
- 230000008569 process Effects 0.000 title claims abstract description 137
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000007639 printing Methods 0.000 claims abstract description 166
- 229910000679 solder Inorganic materials 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000003466 welding Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009123 feedback regulation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005476 soldering Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明的一种基于人机融合的SMT产线关键工艺参数优化方法及存储介质,包括以下步骤,通过锡膏印刷系统对SMT产线上的电路主板进行锡膏点印;通过锡膏印刷检测系统对经过锡膏印刷系统的电路主板印刷情况进行检测;构建印刷质量预测模型对从关键工艺参数到SPI检测数据的对应关系进行拟合训练;构建印刷工艺参数策略模型对从SPI检测数据到关键工艺参数改进之间的策略模型进行拟合训练;结合人类专家的经验知识辅助机器智能的训练以及危机情况的纠错。本发明引入了强化学习用于决策锡膏印刷关键工艺参数的生成,结合基于MLP的印刷质量预测模型,形成一套优化印刷关键工艺参数的优化系统,具有较好的稳健性,且能适应多步预测等复杂情况。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人机融合的SMT产线关键工艺参数优化方法及存储介质。
背景技术
SMT指表面贴装技术(SurfaceMountedTechnology),是将无引脚或短引线表面组装元器件安装在印制电路板的表面或其他基板的表面,通过再流焊或浸焊等方式加以焊接组装的电路装连技术。在SMT基本工艺流程中,锡膏印刷是第一步,印刷过程中的参数设置大多依赖操作员的经验值。
人工调参存在两大问题:停机调参时间长,造成极大产能损失;调参成本高,现有人工经验调参策略需要在产线上使用实际PCB主板进行大量实验,耗费大量人力物力,参数整定成本巨大。
传统模式下完全基于人工经验的锡膏印刷关键工艺参数设置办法,带有较强的人为依赖,以及缺少一定的预测性能。传统模式下,对于人类经验知识的过多强调,也未能发挥大量锡膏检测数据下机器自主学习的优势。若锡膏印刷检测不合格需紧急报警暂停生产作业,机器不具有自我调节工艺参数的能力。此外,产线不具备对工艺参数将要产生的锡膏印刷SPI检测数据的预测能力,这对生产效率和合格率均产生不利影响。
发明内容
本发明提出的一种基于人机融合的SMT产线关键工艺参数优化方法、设备及存储介质,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种基于人机融合的SMT产线关键工艺参数优化方法,包括,
通过锡膏印刷系统对SMT产线上的电路主板进行锡膏点印;
通过锡膏印刷检测系统对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖是否合格;
构建印刷质量预测模型对从关键工艺参数到SPI检测数据的对应关系进行拟合训练;
构建印刷工艺参数策略模型对从SPI检测数据到关键工艺参数改进之间的策略模型进行拟合训练;
采用人类专家输入系统作为AI智能决策灾难性情况的紧急救助;
设置中心服务器将所述锡膏印刷检测系统,印刷质量预测模型和印刷工艺参数模型涉及的数据样本进行存储和分析,结合人类专家的经验知识辅助机器智能的训练以及危机情况的纠错。
进一步地,所述印刷工艺参数策略模型的输入为锡膏印刷检测系统的SPI数据,包括印刷高度、印刷面积、印刷体积、体积百分率、面积百分率、横轴偏置、纵轴偏置、偏置百分率,输出为关键工艺参数;
关键工艺参数为SMT产线上锡膏印刷机的参数配置,其中,x:关键工艺参数中x方向的配置参数;y:关键工艺参数中y方向的配置参数;关键工艺参数中角度的配置参数。
进一步地,所述印刷质量预测模型训练包括如下步骤:
将SMT产线上基于专家知识的锡膏检测相关工艺参数、SPI检测数据搜集存储;
对存储数据进行清洗,预处理,且初始化印刷质量预测神经网络参数;
以工艺参数(x,y,θ)为输入,SPI检测数据为输出进行拟合训练;
直至印刷质量预测神经网络能够以可承受误差模拟锡膏印刷结果。
进一步地,所述印刷工艺参数策略模型的训练步骤包括:
初始化印刷工艺参数策略模型结构及参数;
根据锡膏印刷效果即实际SPI检测数据,印刷工艺参数策略模型输出系统控制参数即关键工艺参数,以及将深度强化学习奖励函数的设置为与产线合格率相关的指标;
直至印刷工艺参数策略模型能够输出实际可用于SMT产线的工艺参数。
进一步地,所述将SMT产线上基于专家知识的锡膏检测相关工艺参数、SPI检测数据搜集存储,包括构建SPI数据包:
(1a)数据收集:基于锡膏印刷检测系统,对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖数据情况;
(1b)数据分类:将收集的SPI检测数据,根据生产制定阈值标准分类为合格数据和不合格数据;
(1c)数据清洗:对上述已分类数据集进行剔除异常点处理,形成包括合格和不合格SPI检测数据的数据包。
进一步地,所述构建印刷质量预测模型包括,
数据样本划分:把收集到的数据划分为训练集、验证集和测试集三个部分;训练集用于模型的训练,验证集用于调整模型参数和选择最佳模型,测试集用于评估模型性能;每一条数据样本包括:位置(x,y),角度,高度/>,面积/>,体积/>,横轴偏置,纵轴偏置/>,即
;
模型输入-输出:刷质量预测模型拟合关键工艺参数到SPI检测数据的对应关系;模型的输入是关键工艺参数,而输出是SPI检测设备输出的印刷质量数据,输入数据和输出数据需要被转换为数值数据,以便机器学习算法进行处理;
模型训练:选择机器学习算法和模型结构,对训练集进行模型训练;使用多层感知机MLP网络,随机初始化网络结构和参数/>,训练误差取为/>,基于梯度下降法反复迭代MLP模型参数;在训练过程中,进行模型参数调整和优化;
模型测试:对测试集进行测试,评估模型的性能;评估指标包括均方误差MSE、平均绝对误差MAE和相关系数。
进一步地,构建印刷工艺参数策略模型的步骤包括,
模型建立:基于强化学习DDPG算法,根据锡膏印刷产线数据样本,建立以SPI数据:
作为状态/>,关键工艺参数/>作为动作/>;
具体为,首先需要确定模型的结构和算法为基于强化学习DDPG算法;确定DDPG网络结构,设置状态为SPI检测数据状态,动作为关键工艺参数/>;
根据SMT产线上SPI锡膏检测数据和所构建的印刷质量预测模型,设置印刷工艺参数策略模型的输入为SPI数据,即包括SPI检测数据和SMT产线状态数据,输出为优化的印刷关键工艺参数,并且将印刷工艺参数策略模型和印刷质量预测模型进行连接构成反馈调节的闭环系统;
建立目标函数:设置DDPG算法中的奖励与状态量中的偏置量紧密相关,即奖赏/>,以实现锡膏印刷倾斜量越小越好;
模型初始化:确定模型的初始参数,在模型训练初期使用随机初始化印刷工艺参数策略网络结构及参数/>,以奖赏/>接近0为正向引导,反复迭代;在模型训练后期,即使用维护阶段使用启发式初始化模型参数,以达到快速维护上产线投入产出的目的;
模型推演:将训练得到的印刷工艺参数策略模型与印刷质量预测模型联合,印刷工艺参数策略模型生成关键工艺参数,印刷质量预测模型根据关键工艺参数生成预测SPI数据/>,印刷工艺参数策略模型再根据预测SPI数据生成修正的关键工艺参数,如此形成闭环控制回路。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明的基于人机融合的SMT产线关键工艺参数优化方法及系统,主要涉及印刷工艺参数的优化,具体是一种基于人机融合的SMT产线关键工艺参数优化系统,用于实时修正表面贴装技术SMT的锡膏检测SPI数据偏离的优化,包括:印刷质量预测模型,对从工艺参数到SPI数据的对应关系进行拟合;印刷工艺参数策略模型,对从SPI检测数据到工艺参数改进之间的策略模型进行训练。本发明将专家经验和AI决策融合,印刷质量预测模型和印刷工艺参数策略模型之间形成一种闭环系统,根据SMT产线上SPI检测数据实时调整印刷工艺参数,实现提升合格率和生产效率的目标。
具体的说,本发明与现有技术相比,具有以下优点:
目前SMT技术背景下,人工调参对操作员经验知识依赖较高,且一旦连续出现次品则需要停机调参,造成生产线的产能损失大,并且关键工艺参数的设置存在试错的风险和盲目性。本发明利用产线上搜集的数据包分析关键工艺参数和SPI数据之间的关系,通过智能机器结合人类操作员的方式,提高产线产能和降低印刷不合格率。
本发明引入了强化学习用于决策锡膏印刷关键工艺参数的生成,结合基于MLP的印刷质量预测模型,形成一套优化印刷关键工艺参数的优化系统,具有较好的稳健性,且能适应多步预测等复杂情况。本发明中的SMT产线关键工艺参数由AI智能决策给定,然而在突发情况下AI智能决策出现无法短暂时间内解决印刷不合格问题时,人类专家能够根据自身经验知识迅速修正关键工艺参数。
附图说明
图1是本发明实施例的系统架构图;
图2是本发明实施例的实现总体流程图;
图3是本发明实施例中MLP神经网络示意图;
图4是本发明中实施例DDPG神经网络示意图。
图5本发明实施例中SMT关键工艺参数趋势图;
图6是本发明实施例中SPI数据趋势图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1和图2所示,本实施例所述的基于人机融合的SMT产线关键工艺参数优化方法,基于人机融合的SMT产线关键工艺参数优化系统,包括:
锡膏印刷系统对SMT产线上的电路主板进行锡膏点印;锡膏印刷检测系统对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖是否合格;印刷质量预测模型对从关键工艺参数到SPI检测数据的对应关系进行拟合训练;印刷工艺参数策略模型对从SPI检测数据到关键工艺参数改进之间的策略模型进行拟合训练;人类专家输入系统作为AI智能决策灾难性情况的紧急救助;中心服务器:将所述锡膏印刷检测系统,印刷质量预测模型和印刷工艺参数模型涉及的数据样本进行存储和分析。基于人类专家知识和AI智能,使用印刷质量预测模型和印刷工艺参数策略模型,从而实现SMT产线上锡膏印刷的闭环控制。
其中印刷质量预测模型的输入为关键工艺参数,包括坐标补偿偏移,输出为锡膏印刷检测系统的预测SPI数据;关键工艺参数为SMT产线上锡膏印刷机的参数配置,其中x:关键工艺参数中x方向的配置参数;y:关键工艺参数中y方向的配置参数;/>关键工艺参数中角度的配置参数;
训练步骤包括:
(1)将SMT产线上基于专家知识的锡膏检测相关工艺参数、SPI检测数据搜集存储;
(2)对存储数据进行清洗,预处理,且初始化印刷质量预测神经网络参数;
(3)以工艺参数为输入,SPI检测数据为输出进行拟合训练;
(4)直至印刷质量预测神经网络能够以可承受误差模拟锡膏印刷结果。
印刷工艺参数策略模型的输入为锡膏印刷检测系统的SPI数据,包括印刷高度、印刷面积、印刷体积、体积百分率、面积百分率、横轴偏置、纵轴偏置、偏置百分率,输出为关键工艺参数。训练步骤包括:
(1)初始化印刷工艺参数策略模型结构及参数;
(2)根据锡膏印刷效果即实际SPI检测数据,印刷工艺参数策略模型输出系统控制参数即关键工艺参数,其中印刷质量预测模型的使用,以及将深度强化学习奖励函数的设置为与产线合格率相关的指标,例如SPI数据中的坐标偏移;
(3)直至印刷工艺参数策略模型能够输出实际可用于SMT产线的工艺参数。
本发明SMT产线关键工艺参数由AI智能决策给定,然而在突发情况下AI智能决策出现无法短暂时间内解决印刷不合格问题时,所述人类专家能够根据自身经验知识迅速修正关键工艺参数,印刷质量预测模型的训练样本亦涉及所述人类专家知识。
具体包括以下步骤,
(1)构建SPI数据包:
(1a)数据收集:基于锡膏印刷检测系统,对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖等数据情况;即SPI检测设备会自动收集PCB表面的图像,并将这些图像转换为SPI数据包。这些数据包包含了元件的位置和焊接点的状态,以及检测结果和统计数据。设备还会记录每个检测结果的时间戳和设备ID等信息。
(1b)数据分类:将收集的SPI检测数据,根据生产制定阈值标准分类为合格数据和不合格数据;在收集到的SPI数据包中,有许多不同类型的数据,例如图像数据、元件位置数据、检测结果数据、统计数据等。要构建一个有用的SPI数据包,需要对这些数据进行分类为合格数据和不合格数据,以便更好地理解和分析数据。
(1c)数据清洗:对上述已分类数据集进行剔除异常点处理,形成包括合格和不合格SPI检测数据的数据包;即收集到的SPI数据包可能会存在错误或不完整的数据,例如缺失的元件位置或不正确的检测结果。在构建SPI数据包之前,需要进行数据清洗,以去除这些错误数据或补充缺失的数据。清洗过程可能包括手动或自动处理,例如通过图像处理算法识别错误或缺失的元件位置,或通过机器学习算法识别错误的检测结果。
(2)构建印刷质量预测模型:
(2a)数据样本划分:首先需要准备大量的印刷过程数据,包括关键工艺参数、SPI检测印刷质量数据等。这些数据应该被划分为训练集、验证集和测试集三个部分。训练集用于模型的训练,验证集用于调整模型参数和选择最佳模型,测试集用于评估模型性能。每一条数据样本包括:位置,角度,高度,面积,体积,横轴偏置,纵轴偏置,;
(2b)模型输入-输出:刷质量预测模型拟合关键工艺参数到SPI检测数据的对应关系。模型的输入应该是关键工艺参数,而输出应该是SPI检测设备输出的印刷质量数据,例如印刷高度、印刷面积、印刷体积、印刷偏差等,即:
。输入数据和输出数据需要被转换为数值数据,以便机器学习算法进行处理;
(2c)模型训练:选择合适的机器学习算法和模型结构,如图3所示,对训练集进行模型训练。常用的机器学习算法包括神经网络、支持向量机和随机森林等。本发明使用多层感知机(MLP)网络,随机初始化网络结构和参数/>,训练误差取为/>,基于梯度下降法反复迭代MLP模型参数。在训练过程中,需要进行模型参数调整和优化,以提高模型性能;
(2d)模型测试:对测试集进行测试,评估模型的性能。评估指标包括均方误差(MSE)、平均绝对误差(MAE)和相关系数(R)等。观察印刷质量预测模型的训练和测试效果。若测试效果不好,则回到(2a),直至模型预测误差在可接受范围内。若模型表现性能模型持续不够理想,需要对模型进行进一步的调整和优化,直至模型预测误差足够小。
(3)构建印刷工艺参数策略模型:
(3a)模型建立:基于强化学习DDPG算法,根据锡膏印刷产线数据样本,建立以SPI数据:
作为状态/>,关键工艺参数/>作为动作/>;
具体为,首先需要确定模型的结构和算法为基于强化学习DDPG算法。确定DDPG网络结构,如图4所示,设置状态为SPI检测数据状态,动作为关键工艺参数/>。根据SMT产线上SPI锡膏检测数据和所构建的印刷质量预测模型,设置印刷工艺参数策略模型的输入为SPI数据,即包括SPI检测数据和SMT产线状态数据等,输出为优化的印刷关键工艺参数。并且将印刷工艺参数策略模型和印刷质量预测模型进行连接构成反馈调节的闭环系统;
(3b)建立目标函数:目标函数是指强化学习DDPG需要优化的指标。在建立目标函数时,需要根据实际情况权衡不同指标之间的关系。本发明设置DDPG算法中的奖励与状态量中的偏置量/>紧密相关,即/>,以实现锡膏印刷倾斜量越小越好;
(3c)模型初始化:指确定模型的初始参数。常用的方法包括随机初始化和启发式初始化。随机初始化是将模型参数设置为随机值,启发式初始化是利用领域知识和经验设置模型参数。本发明在模型训练初期使用随机初始化印刷工艺参数策略网络结构及参数,以奖赏/>接近0为正向引导,反复迭代;在模型训练后期,即使用维护阶段使用启发式初始化模型参数,以达到快速维护上产线投入产出的目的;
(3d)模型推演:模型推演是指使用模型对未知数据进行预测。在印刷工艺参数策略模型中,需要使用模型预测优化后的印刷关键工艺参数。将训练得到的印刷工艺参数策略模型与印刷质量预测模型联合,印刷工艺参数策略模型生成关键工艺参数,如图5所示,印刷质量预测模型根据关键工艺参数生成预测SPI数据,印刷工艺参数策略模型再根据预测SPI数据生成修正的关键工艺参数,如图6所示,如此形成闭环控制回路。在实际应用中,可以通过监控印刷质量数据和产线状态数据,不断更新模型参数,提高模型的预测精度。
总之,本发明实施例通过合理生成质量预测模型和工艺参数模型,提高锡膏印刷生产效率和合格率。具体为采用人机融合的方式优化SMT产线关键工艺参数,通过建立印刷质量预测模型和印刷工艺参数策略模型实现机器智能的决策,结合人类专家的经验知识辅助机器智能的训练以及危机情况的纠错。通过建立如此优化方法,可以自动优化SMT产线印刷关键工艺参数,提高印刷效率和产品质量,实现既利用人类专家知识又减少人为干预,降低成本。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于人机融合的SMT产线关键工艺参数优化方法。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述基于人机融合的SMT产线关键工艺参数优化方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponentInterconnect,简称:PCI)总线或扩展工业标准结构(英文:ExtendedIndustryStandardArchitecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:RandomAccessMemory,简称:RAM),也可以包括非易失性存储器(英文:Non-VolatileMemory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:CentralProcessingUnit,简称:CPU)、网络处理器(英文:NetworkProcessor,简称:NP)等;还可以是数字信号处理器(英文:DigitalSignalProcessing,简称:DSP)、专用集成电路(英文:ApplicationSpecificIntegratedCircuit,简称:ASIC)、现场可编程门阵列(英文:Field-ProgrammableGateArray,简称: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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于人机融合的SMT产线关键工艺参数优化方法,其特征在于,包括以下步骤,
通过锡膏印刷系统对SMT产线上的电路主板进行锡膏点印;
通过锡膏印刷检测系统对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖是否合格;
构建印刷质量预测模型对从关键工艺参数到SPI检测数据的对应关系进行拟合训练;
构建印刷工艺参数策略模型对从SPI检测数据到关键工艺参数改进之间的策略模型进行拟合训练;
采用人类专家输入系统作为AI智能决策灾难性情况的紧急救助;
设置中心服务器将所述锡膏印刷检测系统,印刷质量预测模型和印刷工艺参数模型涉及的数据样本进行存储和分析,结合人类专家的经验知识辅助机器智能的训练以及危机情况的纠错;
构建印刷工艺参数策略模型的步骤包括,
模型建立:基于强化学习DDPG算法,根据锡膏印刷产线数据样本,建立以SPI数据作为状态/>,关键工艺参数/>作为动作/>;
具体为,首先确定模型的结构和算法为基于强化学习DDPG算法;确定DDPG网络结构,设置状态为SPI检测数据状态,动作为关键工艺参数/>;
根据SMT产线上SPI锡膏检测数据和所构建的印刷质量预测模型,设置印刷工艺参数策略模型的输入为SPI数据,即包括SPI检测数据和SMT产线状态数据,输出为优化的印刷关键工艺参数,并且将印刷工艺参数策略模型和印刷质量预测模型进行连接构成反馈调节的闭环系统;
建立目标函数:设置DDPG算法中的奖励与状态量中的偏置量/>紧密相关,即奖励/>,以实现锡膏印刷倾斜量越小越好;
模型初始化:确定模型的初始参数,在模型训练初期使用随机初始化印刷工艺参数策略网络结构及参数/>,以奖励/>接近0为正向引导,反复迭代;在模型训练后期,即在维护阶段使用启发式初始化模型参数,以达到快速维护上产线投入产出的目的;
模型推演:将训练得到的印刷工艺参数策略模型与印刷质量预测模型联合,印刷工艺参数策略模型生成关键工艺参数,印刷质量预测模型根据关键工艺参数生成预测SPI数据/>,印刷工艺参数策略模型再根据预测SPI数据生成修正的关键工艺参数,如此形成闭环控制回路。
2.根据权利要求1所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于,所述印刷工艺参数策略模型的输入为锡膏印刷检测系统的SPI数据,包括印刷高度、印刷面积、印刷体积、体积百分率、面积百分率、横轴偏置、纵轴偏置、偏置百分率,输出为关键工艺参数;关键工艺参数为SMT产线上锡膏印刷机的参数配置,其中,x:关键工艺参数中x方向的配置参数;y:关键工艺参数中y方向的配置参数;/>关键工艺参数中角度的配置参数。
3.根据权利要求2所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于:所述印刷质量预测模型训练包括如下步骤:
将SMT产线上基于专家知识的锡膏检测相关工艺参数、SPI检测数据搜集存储;
对存储数据进行清洗,预处理,且初始化印刷质量预测神经网络参数;
以工艺参数为输入,SPI检测数据为输出进行拟合训练;
直至印刷质量预测神经网络能够以可承受误差模拟锡膏印刷结果。
4.根据权利要求2所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于,所述印刷工艺参数策略模型的训练步骤包括:
初始化印刷工艺参数策略模型结构及参数;
根据锡膏印刷效果即实际SPI检测数据,印刷工艺参数策略模型输出系统控制参数即关键工艺参数,以及将深度强化学习的奖励函数设置为能够满足产线合格率的指标;
直至印刷工艺参数策略模型能够输出实际可用于SMT产线的工艺参数。
5.根据权利要求3所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于:所述将SMT产线上基于专家知识的锡膏检测相关工艺参数、SPI检测数据搜集存储,包括构建SPI数据包:
数据收集:基于锡膏印刷检测系统,对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖数据情况;
数据分类:将收集的SPI检测数据,根据生产制定阈值标准分类为合格数据和不合格数据;
数据清洗:对已分类数据集进行剔除异常点处理,形成包括合格和不合格SPI检测数据的数据包。
6.根据权利要求1所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于:所述构建印刷质量预测模型包括,
数据样本划分:把收集到的数据划分为训练集、验证集和测试集三个部分;训练集用于模型的训练,验证集用于调整模型参数和选择最佳模型,测试集用于评估模型性能;每一条数据样本包括:位置(x,y),角度,高度/>,面积/>,体积/>,横轴偏置,纵轴偏置/>,即:
;
模型输入-输出:刷质量预测模型拟合关键工艺参数到SPI检测数据的对应关系;模型的输入是关键工艺参数,而输出是SPI检测设备输出的印刷质量数据,输入数据和输出数据需要被转换为数值数据,以便机器学习算法进行处理;
模型训练:选择机器学习算法和模型结构,对训练集进行模型训练;使用多层感知机MLP网络,随机初始化网络结构和参数/>,训练误差取为/>,基于梯度下降法反复迭代MLP模型参数;在训练过程中,进行模型参数调整和优化;
模型测试:对测试集进行测试,评估模型的性能;评估指标包括均方误差MSE、平均绝对误差MAE和相关系数。
7.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605519.8A CN117312802B (zh) | 2023-11-29 | 2023-11-29 | 基于人机融合的smt产线关键工艺参数优化方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605519.8A CN117312802B (zh) | 2023-11-29 | 2023-11-29 | 基于人机融合的smt产线关键工艺参数优化方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117312802A CN117312802A (zh) | 2023-12-29 |
CN117312802B true CN117312802B (zh) | 2024-03-22 |
Family
ID=89250260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605519.8A Active CN117312802B (zh) | 2023-11-29 | 2023-11-29 | 基于人机融合的smt产线关键工艺参数优化方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312802B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146181A (zh) * | 2018-08-24 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种smt印刷品质优化系统及方法 |
CN109976287A (zh) * | 2019-04-25 | 2019-07-05 | 伟创力电子设备(深圳)有限公司 | Pcba预测制造控制方法、装置及电子设备 |
KR20190102974A (ko) * | 2018-02-26 | 2019-09-04 | 주식회사 고영테크놀러지 | 스크린 프린터의 제어 파라미터를 생성하는 장치 및 방법 |
CN110427593A (zh) * | 2018-12-19 | 2019-11-08 | 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 |
CN112327790A (zh) * | 2020-11-27 | 2021-02-05 | 电信科学技术仪表研究所有限公司 | 一种smt智能工艺优化控制方法 |
CN112801328A (zh) * | 2019-11-14 | 2021-05-14 | 鸿富锦精密电子(天津)有限公司 | 产品印刷参数设定装置、方法及计算机可读存储介质 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN114997289A (zh) * | 2022-05-23 | 2022-09-02 | 中国电子科技集团公司第三十八研究所 | 一种数据驱动的smt锡膏印刷质量预测分析方法及系统 |
CN115526093A (zh) * | 2021-06-24 | 2022-12-27 | 中兴通讯股份有限公司 | Smt印刷参数优化模型的训练方法、设备和存储介质 |
WO2023208614A1 (de) * | 2022-04-28 | 2023-11-02 | Siemens Aktiengesellschaft | Maskendruckverfahren mit optimierten parametern und vorrichtung |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3336682A1 (en) * | 2016-12-14 | 2018-06-20 | Siegwerk Druckfarben AG & Co. KGaA | Printing method |
US11379639B2 (en) * | 2018-02-26 | 2022-07-05 | Koh Young Technology Inc. | Apparatus and method of generating control parameter of screen printer |
CN111766253A (zh) * | 2019-03-15 | 2020-10-13 | 鸿富锦精密电子(成都)有限公司 | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 |
CN112261866A (zh) * | 2020-09-28 | 2021-01-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能决策pcb质量的smt工艺预测工具 |
-
2023
- 2023-11-29 CN CN202311605519.8A patent/CN117312802B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190102974A (ko) * | 2018-02-26 | 2019-09-04 | 주식회사 고영테크놀러지 | 스크린 프린터의 제어 파라미터를 생성하는 장치 및 방법 |
CN109146181A (zh) * | 2018-08-24 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种smt印刷品质优化系统及方法 |
CN110427593A (zh) * | 2018-12-19 | 2019-11-08 | 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 |
CN109976287A (zh) * | 2019-04-25 | 2019-07-05 | 伟创力电子设备(深圳)有限公司 | Pcba预测制造控制方法、装置及电子设备 |
CN112801328A (zh) * | 2019-11-14 | 2021-05-14 | 鸿富锦精密电子(天津)有限公司 | 产品印刷参数设定装置、方法及计算机可读存储介质 |
CN112327790A (zh) * | 2020-11-27 | 2021-02-05 | 电信科学技术仪表研究所有限公司 | 一种smt智能工艺优化控制方法 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN115526093A (zh) * | 2021-06-24 | 2022-12-27 | 中兴通讯股份有限公司 | Smt印刷参数优化模型的训练方法、设备和存储介质 |
WO2023208614A1 (de) * | 2022-04-28 | 2023-11-02 | Siemens Aktiengesellschaft | Maskendruckverfahren mit optimierten parametern und vorrichtung |
CN114997289A (zh) * | 2022-05-23 | 2022-09-02 | 中国电子科技集团公司第三十八研究所 | 一种数据驱动的smt锡膏印刷质量预测分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
A Feature Engineering-based Method for PCB Solder Paste Position Offset Prediction;yunbo zhao;2023 6th International Symposium on Autonomous Systems (ISAS);1-6 * |
An Artificial Intelligence-Based Pick-and-Place Process Control for Quality Enhancement in Surface Mount Technology;Jingxi He;IEEE TRANSACTIONS ON COMPONENTS, PACKAGING AND MANUFACTURING TECHNOLOGY;1702-1711 * |
基于人工智能的SMT产线关键工艺参数优化方法研究;武彦斌;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑;7-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN117312802A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347668B (zh) | 一种服务质量评估模型的训练方法及装置 | |
KR20220085589A (ko) | 딥러닝 기반 제품 불량 검출방법 및 시스템 | |
Thielen et al. | A machine learning based approach to detect false calls in SMT manufacturing | |
CN112487708A (zh) | 一种基于集成学习的电阻点焊质量预测方法 | |
Alelaumi et al. | A predictive abnormality detection model using ensemble learning in stencil printing process | |
CN117633722B (zh) | 基于智能检测机器人的检测控制方法及系统 | |
Liukkonen et al. | Computational intelligence in mass soldering of electronics–A survey | |
CN116630319B (zh) | 基于机器学习的数据采集板卡焊接缺陷检测方法 | |
CN113544604A (zh) | 流水线的装配误差校正 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
TWI707299B (zh) | 光學檢測二次圖像分類方法 | |
CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
Seidel et al. | Development and validation of a digital twin framework for SMT manufacturing | |
CN117312802B (zh) | 基于人机融合的smt产线关键工艺参数优化方法及存储介质 | |
US20220230028A1 (en) | Determination method, non-transitory computer-readable storage medium, and information processing device | |
TWI692695B (zh) | 提升產品製程品質之回饋系統及其方法 | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 | |
Chen et al. | A Data Mining Approach for Optimizing Manufacturing Parameters of Wire Bonding Process in IC Packaging Industry and Empirical Study | |
CN117194963B (zh) | 工业fdc质量根因分析方法、设备及存储介质 | |
Kavitha et al. | Component identification and defect detection of printed circuit board using artificial intelligence | |
CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及系统 | |
CN113392921B (zh) | 一种数据驱动的风控策略规则生成方法及系统 | |
CN114629699B (zh) | 基于深度强化学习的可迁移性网络流行为异常检测方法及装置 | |
CN112598118B (zh) | 有监督学习的标注异常处理方法、装置、存储介质及设备 | |
CN117787480B (zh) | 基于Res-LSTM的焊缝成形质量实时预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |