CN117574784B - 一种真空回流焊工艺文件辅助编译方法 - Google Patents

Abstract

本发明提供一种真空回流焊工艺文件辅助编译方法，涉及真空回流焊技术领域，包括：根据以往的加工历史数据和工艺流程历史数据，对所需要加工的焊料进行匹配，当相互匹配时，使用工艺流程历史数据编译工艺文件。当均不匹配时，使用机器学习预测模型，根据加工参数，预测对应的工艺流程。将预测的工艺流程加入历史数据，最终根据预测的工艺流程编译工艺文件。这种方式可以借助机器学习预测模型，对以往未加工过的加工参数的工艺流程进行预测，为操作人员提供辅助效果；可以大大降低编译难度，提高工作效率；面对未生产过的焊料加工参数时，也可以提供工艺流程，辅助编译。

Description

一种真空回流焊工艺文件辅助编译方法

技术领域

本发明一般涉及真空回流焊技术领域，具体涉及一种真空回流焊工艺文件辅助编译方法。

背景技术

现真空回流焊的设备厂家众多，在编辑工艺时需要学习不同厂商的设备性能和编辑工艺方式。根据设备性能数据来编辑工艺数据，同时编辑工具的多样性使得编辑工艺变得非常困难。

其中，编辑工艺流程均是通过人为编辑完成，对于经验丰富的操作人员来说能够根据具体不同的焊料编译得到不同的控制程序。但是对于缺少编译经验的操作人员来说，完成上述过程则十分困难，需要有经验的操作人员协助完成。

上述方式在实际的生产过程中十分繁琐，且工作效率低，缺少经验的操作人员编译得到的程序难以满足实际的需求。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种真空回流焊工艺文件辅助编译方法。

本发明提供一种真空回流焊工艺文件辅助编译方法，包括：

S1:获取以往生产过程中的多组加工历史数据和工艺流程历史数据，所述加工历史数据包括：焊料参数和设备参数；

S2:获取焊料的加工参数，所述加工参数包括：焊料参数和设备参数；

S3:将所述加工参数和所述加工历史数据进行匹配；当相互匹配时，直接将与所述加工参数匹配的工艺流程历史数据作为第一工艺流程，并进行步骤S7；当所述加工参数与所述加工历史数据均不匹配时，进行下一步；

S4:获取机器学习预测模型；所述机器学习预测模型用于输入加工参数，对工艺流程进行预测；

S5:将所述加工参数输入所述机器学习预测模型，对工艺流程进行预测，得到第一工艺流程；

S6:将所述加工参数加入所述加工历史数据；将所述第一工艺流程加入工艺流程历史数据；

S7:根据所述第一工艺流程编译与所述加工参数对应的工艺文件。

根据本发明提供的技术方案，将所述加工参数和所述加工历史数据进行匹配的步骤包括：

S21：判断所述加工参数中的焊料参数和第N组所述加工历史数据的焊料参数之间是否一致；N初始值设定为1；

S22：判断所述加工参数中的设备参数和第N组所述加工历史数据的设备参数之间是否一致；

S23：当所述加工参数和第N组所述加工历史数据的焊料参数、设备参数均一致时，则判定为相互匹配；否则令N值加一，并进行步骤S24；

S24：当N值大于加工历史数据中包含的组数时，则判断为均不匹配；否则，重复执行S21-S24的步骤。

根据本发明提供的技术方案，获取机器学习预测模型的步骤包括：

获取初始机器学习模型；

将所述加工历史数据作为输入，工艺流程历史数据作为标签数据，工艺流程作为输出，对所述初始机器学习模型进行训练，得到机器学习预测模型。

根据本发明提供的技术方案，得到第一工艺流程后，且将所述加工参数加入所述加工历史数据；将所述第一工艺流程加入工艺流程历史数据前，还包括：

S41：按照所述第一工艺流程对焊料进行加工，得到样件；

S42：检测所述样件的第一空洞率；

S43：当所述第一空洞率低于设定值时，进行步骤S6-S7；否则，对所述第一工艺流程进行调整，并重复进行S41-S43的步骤。

根据本发明提供的技术方案，对所述第一工艺流程进行调整的步骤包括：

获取机器学习调整模型；所述机器学习调整模型用于对工艺流程进行调整，以降低空洞率；

将所述第一工艺流程和第一空洞率输入所述机器学习调整模型，对所述第一工艺流程进行调整，得到第二工艺流程；

将所述第二工艺流程重新作为第一工艺流程。

根据本发明提供的技术方案，获取机器学习调整模型的步骤包括：

获取初始机器学习模型；

获取经工艺流程历史数据加工得到工件的空洞率，得到多个第二空洞率；所述第二空洞率均小于所述设定值；

将所述工艺流程历史数据和第二空洞率作为输入，空洞率低于所述设定值的工艺流程作为输出，对所述初始机器学习模型进行训练，得到机器学习调整模型。

根据本发明提供的技术方案，对所述第一工艺流程进行调整后，重复进行步骤S41-S43，且得到所述第一空洞率低于设定值时，还包括：

将所述加工参数作为输入，将最后一次调整所得的所述第二工艺流程作为标签数据，工艺流程作为输出，对所述机器学习预测模型进行再训练，得到再训练机器学习预测模型；

将所述再训练机器学习预测模型重新作为机器学习预测模型。

本发明的有益效果在于：

根据以往的加工历史数据和工艺流程历史数据，对所需要加工的焊料进行匹配，当相互匹配时，使用工艺流程历史数据编译工艺文件。当均不匹配时，使用机器学习预测模型，根据加工参数，预测对应的工艺流程。将预测的工艺流程加入历史数据，最终根据预测的工艺流程编译工艺文件。这种方式可以借助机器学习预测模型，对以往未加工过的加工参数的工艺流程进行预测，为操作人员提供辅助效果；可以大大降低编译难度，提高工作效率；面对未生产过的焊料加工参数时，也可以提供工艺流程，辅助编译。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为一种真空回流焊工艺文件辅助编译方法的流程示意图；

图2为根据空洞率判断是否需要对第一工艺流程进行调整的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

真空回流焊的工作阶段主要有预热阶段、焊接阶段和冷却阶段。

当产品处于预热阶段或焊接阶段时，加热已开启，系统会根据工艺参数中的目标温度进行调节。系统会根据工艺参数中的抽真空确保产品处于在真空的环境下，以保护产品和焊锡不被氧化，同时也有利于焊料中的气泡排出。氮气是一种惰性气体，不易与金属发生化合反应，系统会充入氮气保证炉膛内隔绝空气中的氧气，避免氧气与电子元件接触。

据设计的工艺参数充甲酸，物料在生产过程中形成的氧化物与甲酸发生氧化还原，去除焊接表面的氧化物，提升焊接质量。真空过程，充分去除物料与焊料间孔洞。

当产品进入冷却阶段时，使焊点凝固，完成整个回流焊过程。在此阶段，物料冷却到凝固温度以下，使焊点固化。主要用于IGBT模块、新能源汽车功率器件封装、发光二极管LED、光伏器件等封装。

请参考图1，本发明提供一种真空回流焊工艺文件辅助编译方法，包括：

S1:获取以往生产过程中的多组加工历史数据和工艺流程历史数据，所述加工历史数据包括：焊料参数和设备参数；

S2:获取焊料的加工参数，所述加工参数包括：焊料参数和设备参数；

S3:将所述加工参数和所述加工历史数据进行匹配；当相互匹配时，直接将与所述加工参数匹配的工艺流程历史数据作为第一工艺流程，并进行步骤S7；当所述加工参数与所述加工历史数据均不匹配时，进行下一步；

S4:获取机器学习预测模型；所述机器学习预测模型用于输入加工参数，对工艺流程进行预测；

S5:将所述加工参数输入所述机器学习预测模型，对工艺流程进行预测，得到第一工艺流程；

S6:将所述加工参数加入所述加工历史数据；将所述第一工艺流程加入工艺流程历史数据；

S7:根据所述第一工艺流程编译与所述加工参数对应的工艺文件。

在一些实施方式中，加工参数与加工历史数据含义相似，加工参数表示未进行工艺流程编译的焊料数据以及设备参数；加工历史数据表示以往已经加工过的焊料数据以及设备参数。

二者均包括焊料参数和设备参数。其中，焊料参数包括焊料的材质、形状、状态和熔点。

材质包括：锡、银、金、铅、铟、镉、铋、汞、锑、铜、镓、锌等金属。

形状包括：膏状、片状、球状等。

状态包括：固态、熔融状态。

熔点包括：液态熔点或固态熔点。

设备参数包括：加热速率、冷却速率、设备极限真空值、加热温度范围、有无还原性气体、有无惰性气体。惰性气体例如氮气N2。

工艺流程包括：

1）抽真空：当焊料进入预热舱内后，程序控制真空机抽出预热舱内的空气，为舱体提供真空环境。

2）充氮气:为隔绝空气中氧气，避免氧气与金属在高温下的氧化反应，充入惰性气体氮气。

3）加热：在预热阶段，需要设置合适的温度，主要为了蒸发、干燥焊锡膏中的助焊剂，同时激活助焊剂中的活性剂，并开始去除氧化物。

4）时间控制：焊接材料达到预热目标值后继续保持一段适宜的时间，增加焊件表面润湿性，使得融化的焊料能够充分地润湿焊件表面。

5）抽真空：当焊料进入焊接舱舱内，程序控制真空机抽出焊接舱内的空气，提供真空环境，还用于排出熔融焊料中的气泡。

6）充甲酸:需要在合适的时间节点，向焊接舱充入甲酸，用于去除金属表面的氧化物，增强焊料和金属的接触，提高焊接效果。

7）充氮气，隔绝氧气。

8）加温：使焊料达到目标温度，使焊料与焊件发生润湿反应，生成金属间化合物层。

9）时间控制：使焊料达到目标温度后，保持保持一段适宜的时间。

10）冷却：焊料进入冷却舱舱内，冷却平台与载具接触使焊料进行降温。

具体地，针对不同的加工参数，上述工艺流程中3）的加热温度、3）的加热速率、4）的恒温时间、5）抽真空排出气泡的时刻、6）中充入甲酸的时间点、甲酸充入量、8）的加热温度、8）的加热速率、9）的恒温时间，以及10）的冷却速率均需要结合实际的加工参数设定。缺少经验的操作人员难以牢记每种组合的加工参数对应的工艺流程。

因此结合以往的生产经验，将历史数据统一存入数据库，再次进行工艺流程的编译时，优先考虑是否与历史数据一致，若完全一致，则直接使用历史数据的工艺流程进行编译。

若历史数据中不存在完全相同的加工参数，则需要使用训练好的机器学习预测模型，对工艺流程进行预测，得到第一工艺流程。最终使用第一工艺流程编译工艺文件。

这种方式可以借助机器学习预测模型，对以往未加工过的加工参数的工艺流程进行预测，为操作人员提供辅助效果；可以大大降低编译难度，提高工作效率；面对未生产过的焊料加工参数时，也可以提供工艺流程，辅助编译。

在一些实施方式中，为了能够更新历史数据，每次使用机器学习预测模型预测工艺流程后，将加工参数和对应的工艺流程，存入数据库，作为历史数据。

进一步地，将所述加工参数和所述加工历史数据进行匹配的步骤包括：

S21：判断所述加工参数中的焊料参数和第N组所述加工历史数据的焊料参数之间是否一致；N初始值设定为1；

S22：判断所述加工参数中的设备参数和第N组所述加工历史数据的设备参数之间是否一致；

S23：当所述加工参数和第N组所述加工历史数据的焊料参数、设备参数均一致时，则判定为相互匹配；否则令N值加一，并进行步骤S24；

S24：当N值大于加工历史数据中包含的组数时，则判断为均不匹配；否则，重复执行S21-S24的步骤。

具体地，结合上述的焊料参数和设备参数，以材质为例，焊料的材质只能是若干金属中的一种，因此需要所有加工参数完全一致才能够判定为一致。

每组历史数据分别与加工参数和设备参数进行对比，当得出完全一致的数据后，则无需再进行对比，节省计算时间。

进一步地，获取机器学习预测模型的步骤包括：

获取初始机器学习模型；

将所述加工历史数据作为输入，工艺流程历史数据作为标签数据，工艺流程作为输出，对所述初始机器学习模型进行训练，得到机器学习预测模型。

在一些实施方式中，初始机器学习模型可以使用神经网络模型，可以使用全连接神经网络。初始机器学习模型的输入维度与焊料参数和设备参数个数的总和相等，输出维度等于工艺流程需要设定的各条件。例如上述的加热温度、恒温时间等。

训练过程中，标签数据作为训练的目标值，使模型随着训练的轮次增加，当输入相同数据时，输出的预测结果更加接近真实值。

进一步地，参考图2，得到第一工艺流程后，且将所述加工参数加入所述加工历史数据；将所述第一工艺流程加入工艺流程历史数据前，还包括：

S41：按照所述第一工艺流程对焊料进行加工，得到样件；

S42：检测所述样件的第一空洞率；

S43：当所述第一空洞率低于设定值时，进行步骤S6-S7；否则，对所述第一工艺流程进行调整，并重复进行S41-S43的步骤。

在一些实施方式中，通过超声扫描显微镜或X射线扫描得到焊接效果数据，扫描设备对样件扫描后输出空洞率。设定值设定为1%。

为了检验机器学习预测模型预测的第一工艺流程是否能够生产出合格的样品，有必要按照第一工艺流程实际生产得出样件并进行空洞率的检测，当检测合格时，则表示可以根据第一工艺流程进行编译工艺文件。

进一步地，对所述第一工艺流程进行调整的步骤包括：

获取机器学习调整模型；所述机器学习调整模型用于对工艺流程进行调整，以降低空洞率；

将所述第一工艺流程和第一空洞率输入所述机器学习调整模型，对所述第一工艺流程进行调整，得到第二工艺流程；

将所述第二工艺流程重新作为第一工艺流程。

在一些实施方式中，当检测得出空洞率大于1%时，则表示预测生成的第一工艺流程生产的样品有很大概率不合格。

因此需要对工艺流程进行调整，使用机器学习调整模型调整合格后，将合格的工艺流程和加工参数作为训练数据对机器学习调整模型进行再训练，使其预测更加准确。

进一步地，获取机器学习调整模型的步骤包括：

获取初始机器学习模型；

获取经工艺流程历史数据加工得到工件的空洞率，得到多个第二空洞率；所述第二空洞率均小于所述设定值；

将所述工艺流程历史数据和第二空洞率作为输入，空洞率低于所述设定值的工艺流程作为输出，对所述初始机器学习模型进行训练，得到机器学习调整模型。

具体地，机器学习调整模型使用另一个全连接的神经网络模型。输入维度与输出维度都等于加工参数的个数。训练得到机器学习调整模型的过程，目的使为了使模型能够得知哪种工艺流程能够生产得到空洞率低于1%的样品，以使其能够对第一工艺流程进行调整。

进一步地，对所述第一工艺流程进行调整后，重复进行步骤S41-S43，且得到所述第一空洞率低于设定值时，还包括：

将所述加工参数作为输入，将最后一次调整所得的所述第二工艺流程作为标签数据，工艺流程作为输出，对所述机器学习预测模型进行再训练，得到再训练机器学习预测模型；

将所述再训练机器学习预测模型重新作为机器学习预测模型。

在一些实施方式中，当需要对第一工艺流程进行调整时，调整后的工艺流程，不一定能够生产得出空洞率小于1%工件的工艺流程。因而需要反复多次重复进行调整。当最终调整得到的工艺流程能够生产得出空洞率小于1%工件时，将最终调整得到的工艺流程以及加工参数作为训练数据，对机器学习预测模型进行再训练，使其预测结果更加接近真实值。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (4)

1.一种真空回流焊工艺文件辅助编译方法，其特征在于，包括:

S1:获取以往生产过程中的多组加工历史数据和工艺流程历史数据，所述加工历史数据包括：焊料参数和设备参数；

S2:获取焊料的加工参数，所述加工参数包括：焊料参数和设备参数；

S3:将所述加工参数和所述加工历史数据进行匹配；当相互匹配时，直接将与所述加工参数匹配的工艺流程历史数据作为第一工艺流程，并进行步骤S7；当所述加工参数与所述加工历史数据均不匹配时，进行下一步；

S4:获取机器学习预测模型；所述机器学习预测模型用于输入加工参数，对工艺流程进行预测；

S5:将所述加工参数输入所述机器学习预测模型，对工艺流程进行预测，得到第一工艺流程；

S41：按照所述第一工艺流程对焊料进行加工，得到样件；

S42：检测所述样件的第一空洞率；

S43：当所述第一空洞率低于设定值时，进行步骤S6-S7；否则，对所述第一工艺流程进行调整，并重复进行S41-S43的步骤；

其中，对所述第一工艺流程进行调整的步骤包括：

获取机器学习调整模型；所述机器学习调整模型用于对工艺流程进行调整，以降低空洞率；

将所述第一工艺流程和第一空洞率输入所述机器学习调整模型，对所述第一工艺流程进行调整，得到第二工艺流程；

将所述第二工艺流程重新作为第一工艺流程；

其中，获取机器学习调整模型的步骤包括：

获取初始机器学习模型；

获取经工艺流程历史数据加工得到工件的空洞率，得到多个第二空洞率；所述第二空洞率均小于所述设定值；

将所述工艺流程历史数据和第二空洞率作为输入，空洞率低于所述设定值的工艺流程作为输出，对所述初始机器学习模型进行训练，得到机器学习调整模型;

S6:将所述加工参数加入所述加工历史数据；将所述第一工艺流程加入工艺流程历史数据；

S7:根据所述第一工艺流程编译与所述加工参数对应的工艺文件。

2.根据权利要求1所述的一种真空回流焊工艺文件辅助编译方法，其特征在于，将所述加工参数和所述加工历史数据进行匹配的步骤包括：

S21：判断所述加工参数中的焊料参数和第N组所述加工历史数据的焊料参数之间是否一致；N初始值设定为1；

S22：判断所述加工参数中的设备参数和第N组所述加工历史数据的设备参数之间是否一致；

S23：当所述加工参数和第N组所述加工历史数据的焊料参数、设备参数均一致时，则判定为相互匹配；否则令N值加一，并进行步骤S24；

S24：当N值大于加工历史数据中包含的组数时，则判断为均不匹配；否则，重复执行S21-S24的步骤。

3.根据权利要求1所述的一种真空回流焊工艺文件辅助编译方法，其特征在于，获取机器学习预测模型的步骤包括：

获取初始机器学习模型；

将所述加工历史数据作为输入，工艺流程历史数据作为标签数据，工艺流程作为输出，对所述初始机器学习模型进行训练，得到机器学习预测模型。

4.根据权利要求1所述的一种真空回流焊工艺文件辅助编译方法，其特征在于，对所述第一工艺流程进行调整后，重复进行步骤S41-S43，且得到所述第一空洞率低于设定值时，还包括：

将所述加工参数作为输入，将最后一次调整所得的所述第二工艺流程作为标签数据，工艺流程作为输出，对所述机器学习预测模型进行再训练，得到再训练机器学习预测模型；

将所述再训练机器学习预测模型重新作为机器学习预测模型。