KR102167564B1

KR102167564B1 - Apparatus and method of generating control parameter of screen printer

Info

Publication number: KR102167564B1
Application number: KR1020180154834A
Authority: KR
Inventors: 이덕영; 박찬우; 최태민; 홍요안나
Original assignee: 주식회사 고영테크놀러지
Priority date: 2018-02-26
Filing date: 2018-12-05
Publication date: 2020-10-19
Also published as: KR20190102974A

Abstract

기판에 솔더 페이스트를 인쇄하는 스크린 프린터의 제어 파라미터를 생성하는 장치, 기록매체 및 방법이 개시된다. 본 개시의 일 실시예에 따른 장치는, 스크린 프린터의 복수의 제어 파라미터들에 기초하여, 솔더 페이스트의 인쇄 상태에 대한 예측 검사 정보를 도출하는 시뮬레이션 모델을 저장하는 메모리와, 제1 제어 파라미터에 기초하여 스크린 프린터에 의해 인쇄된 복수의 솔더 페이스트들에 대한 제1 검사 정보를 수신하는 통신 회로와, 메모리 및 통신 회로와 전기적으로 연결된 프로세서를 포함하고, 프로세서는, 제1 제어 파라미터를 시뮬레이션 모델에 적용하여, 솔더 페이스트의 인쇄 상태에 대한 제1 예측 검사 정보를 획득하고, 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들을 생성하고, 제1 검사 정보 및 제1 예측 검사 정보에 기초하여, 복수의 후보 제어 파라미터들 중 복수의 제2 제어 파라미터들을 결정하고, 통신 회로를 통해 복수의 제2 제어 파라미터들을 스크린 프린터로 송신한다.Disclosed are an apparatus, a recording medium and a method for generating control parameters of a screen printer for printing solder paste on a substrate. An apparatus according to an embodiment of the present disclosure includes a memory for storing a simulation model for deriving predictive inspection information for a printing state of a solder paste, based on a plurality of control parameters of a screen printer, and a first control parameter. And a communication circuit for receiving first inspection information for a plurality of solder pastes printed by a screen printer, a memory and a processor electrically connected to the communication circuit, and the processor applies the first control parameter to the simulation model Thus, first predictive inspection information for the printed state of the solder paste is obtained, a plurality of candidate control parameters are generated based on the first predictive inspection information, and a plurality of candidate control parameters are generated based on the first inspection information and the first predictive inspection information. A plurality of second control parameters among the candidate control parameters of are determined, and a plurality of second control parameters are transmitted to the screen printer through a communication circuit.

Description

Apparatus and method for generating control parameters of a screen printer {APPARATUS AND METHOD OF GENERATING CONTROL PARAMETER OF SCREEN PRINTER}

본 개시는 기판에 솔더 페이스트를 인쇄하는 스크린 프린터의 제어 파라미터를 생성하는 장치, 기록매체 및 방법에 관한 것이다.The present disclosure relates to an apparatus, a recording medium, and a method for generating control parameters of a screen printer that prints solder paste on a substrate.

본 개시는 산업통상자원부의 로봇산업융합핵심기술개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제고유번호: 10077589, 연구과제명: 기계학습 기반 SMT 최적화 시스템 기술 개발]This disclosure is derived from research conducted as part of the Robot Industry Convergence Core Technology Development Project of the Ministry of Trade, Industry and Energy [Task identification number: 10077589, Research title: Machine learning-based SMT optimization system technology development]

일반적으로, 인쇄회로기판 상에 전자 부품을 실장하는 공정은 솔더 인쇄 장치(즉, 스크린 프린터 장비)를 통해 인쇄회로기판의 패드 상에 솔더를 도포하고, 솔더 검사 장치를 통해 도포된 솔더의 상태를 검사한 후, 전자 부품을 솔더가 도포된 인쇄 회로 기판에 실장하는 순서로 진행된다.In general, in the process of mounting electronic components on a printed circuit board, solder is applied on the pads of the printed circuit board through a solder printing device (i.e., screen printer equipment), and the state of the solder applied through the solder inspection device is checked. After inspection, the electronic components are mounted on a printed circuit board to which solder is applied.

스크린 프린터는 인쇄회로기판(베어기판)을 고정시키기 위한 테이블에 인쇄회로기판을 위치시키고, 스텐실 마스크의 개구부가 대응하는 인쇄회로기판의 패드 상에 위치하도록 스텐실 마스크를 인쇄회로기판에 정렬시킨다. 이후, 스크린 프린터는 제어 파라미터에 기초하여, 스퀴지 블레이드의 압력 및 이동 속도 등을 제어하여 스퀴지 블레이드를 이동시키고, 스텐실 마스크와 인쇄회로기판의 분리 속도를 제어하여, 스텐실 마스크를 인쇄회로기판으로부터 분리시킨다.In the screen printer, the printed circuit board is placed on a table for fixing the printed circuit board (bare board), and the stencil mask is aligned with the printed circuit board so that the opening of the stencil mask is located on the pad of the corresponding printed circuit board. Thereafter, the screen printer moves the squeegee blade by controlling the pressure and moving speed of the squeegee blade based on the control parameter, and controls the separation speed between the stencil mask and the printed circuit board to separate the stencil mask from the printed circuit board. .

스크린 프린터를 통해 솔더 페이스트를 인쇄함에 있어서, 제어 파라미터에 따라 인쇄회로기판의 패드들 상에 인쇄된 솔더 페이스트의 양이 기준보다 적게 또는 많게 인쇄될 수 있으며, 솔더 페이스트가 원하는 위치에 인쇄되지 않을 수 있다. 한편, 스크린 프린터의 주위 환경(예를 들어, 온도, 습도 등)이나 스텐실 마스크의 종류에 따라서도 인쇄회로기판의 패드들 상에 인쇄된 솔더에 불량이 발생할 수 있다.When printing solder paste through a screen printer, the amount of solder paste printed on the pads of the printed circuit board may be printed less or more than the standard depending on the control parameter, and the solder paste may not be printed at the desired location. have. On the other hand, depending on the surrounding environment (eg, temperature, humidity, etc.) of the screen printer or the type of stencil mask, defects may occur in the solder printed on the pads of the printed circuit board.

본 개시의 다양한 실시예는 상술한 문제점 또는 다른 문제점을 해결하기 위한, 스크린 프린터의 실제 환경을 모사하는 시뮬레이션 모델을 이용하여 스크린 프린터를 제어하는 제어 파라미터를 생성하는 장치, 기록매체 및 방법을 제공할 수 있다.Various embodiments of the present disclosure provide an apparatus, a recording medium, and a method for generating control parameters for controlling a screen printer by using a simulation model that simulates the actual environment of the screen printer to solve the above-described problems or other problems. I can.

본 개시의 일 실시예에 있어서, 스크린 프린터의 제어 파라미터를 생성하는 장치는, 스크린 프린터의 복수의 제어 파라미터들에 기초하여, 솔더 페이스트의 인쇄 상태에 대한 예측 검사 정보를 도출하는 시뮬레이션 모델을 저장하는 메모리와, 제1 제어 파라미터에 기초하여 스크린 프린터에 의해 인쇄된 복수의 솔더 페이스트들에 대한 제1 검사 정보를 수신하는 통신 회로와, 메모리 및 통신 회로와 전기적으로 연결된 프로세서를 포함하고, 프로세서는, 제1 제어 파라미터를 시뮬레이션 모델에 적용하여, 솔더 페이스트의 인쇄 상태에 대한 제1 예측 검사 정보를 획득하고, 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들을 생성하고, 제1 검사 정보 및 제1 예측 검사 정보에 기초하여, 복수의 후보 제어 파라미터들 중 복수의 제2 제어 파라미터들을 결정하고, 통신 회로를 통해 복수의 제2 제어 파라미터들을 스크린 프린터로 송신할 수 있다.In an embodiment of the present disclosure, an apparatus for generating a control parameter of a screen printer is configured to store a simulation model for deriving predictive inspection information for a print state of a solder paste based on a plurality of control parameters of the screen printer. A memory, a communication circuit for receiving first inspection information for the plurality of solder pastes printed by the screen printer based on the first control parameter, and a processor electrically connected to the memory and the communication circuit, the processor, By applying the first control parameter to the simulation model, first predictive inspection information on the print state of the solder paste is obtained, a plurality of candidate control parameters are generated based on the first predictive inspection information, and the first inspection information and the first Based on the 1 prediction inspection information, a plurality of second control parameters among a plurality of candidate control parameters may be determined, and a plurality of second control parameters may be transmitted to a screen printer through a communication circuit.

일 실시예에 따르면, 제1 파라미터 및 제2 제어 파라미터 각각은 스퀴지 블레이드에 가해지는 압력, 스퀴지 블레이드의 이동 속도, 또는 스텐실 마스크와 기판 간의 분리 속도 중 적어도 하나를 포함할 수 있다.According to an embodiment, each of the first parameter and the second control parameter may include at least one of a pressure applied to the squeegee blade, a moving speed of the squeegee blade, or a separation speed between the stencil mask and the substrate.

일 실시예에 따르면, 제1 검사 정보는 스크린 프린터에 의해 인쇄된 복수의 솔더 페이스트들 각각의 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나를 포함할 수 있다.According to an embodiment, the first inspection information may include at least one of a volume, area, height, width, or slope of each of a plurality of solder pastes printed by a screen printer.

일 실시예에 따르면, 제1 예측 검사 정보는 솔더 페이스트의 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나를 포함할 수 있다.According to an embodiment, the first predictive inspection information may include at least one of a volume, area, height, width, or slope of the solder paste.

일 실시예에 따르면, 프로세서는, 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출하고, 산출된 차이와 사전 설정된 임계값을 비교하여 산출된 차이가 사전 설정된 임계값 이상인 것으로 판단되면, 제1 검사 정보와 제1 예측 검사 정보를 이용하여 시뮬레이션 모델을 갱신할 수 있다.According to an embodiment, the processor calculates a difference between the first test information and the first predictive test information, and compares the calculated difference with a preset threshold to determine that the calculated difference is equal to or greater than a preset threshold, The simulation model may be updated using the first test information and the first predictive test information.

일 실시예에 따르면, 시뮬레이션 모델은 스크린 프린터의 복수의 제어 파라미터들에 기초하여, 예측되는 솔더 페이스트의 인쇄 상태를 나타내는 예측 검사 정보를 도출하도록 학습된 머신-러닝 기반 회귀모델을 포함할 수 있다.According to an embodiment, the simulation model may include a machine-learning-based regression model trained to derive predictive inspection information indicating a predicted printing state of a solder paste based on a plurality of control parameters of the screen printer.

일 실시예에 따르면, 메모리는 스크린 프린터에 대한 복수의 후보 제어 파라미터들을 생성하기 위한 최적화 알고리즘 및 탐색 알고리즘을 더 저장하고, 프로세서는, 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성하고, 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성할 수 있다.According to an embodiment, the memory further stores an optimization algorithm and a search algorithm for generating a plurality of candidate control parameters for a screen printer, and the processor applies the first prediction check information to the optimization algorithm to provide a plurality of first candidates. Control parameters may be generated and a plurality of second candidate control parameters may be generated by applying the first prediction check information to a search algorithm.

일 실시예에 따르면, 프로세서는, 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출하고, 산출된 차이와 사전 설정된 임계값을 비교하고, 비교 결과에 기초하여, 복수의 제1 후보 제어 파라미터들 및 복수의 제2 후보 제어 파라미터들 중에서 복수의 제2 제어 파라미터를 결정할 수 있다.According to an embodiment, the processor calculates a difference between the first test information and the first predictive test information, compares the calculated difference with a preset threshold, and based on the comparison result, a plurality of first candidate control parameters And a plurality of second control parameters from among the plurality of second candidate control parameters.

일 실시예에 따르면, 프로세서는, 산출된 차이가 사전 설정된 임계값 이상인 것으로 판단되면, 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 큰 제2 개수의 제2 후보 제어 파라미터를 선택하고, 선택된 제1 후보 제어 파라미터 및 선택된 제2 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 결정할 수 있다.According to an embodiment, when it is determined that the calculated difference is equal to or greater than a preset threshold, the processor selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and controls the plurality of second candidates. A second number of second candidate control parameters greater than the first number of parameters may be selected, and a plurality of second control parameters may be determined based on the selected first candidate control parameter and the selected second candidate control parameter.

일 실시예에 따르면, 프로세서는, 산출된 차이가 사전 설정된 임계값 미만인 것으로 판단되면, 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제2 후보 제어 파라미터를 선택하고, 선택된 제1 후보 제어 파라미터 및 선택된 제2 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 결정할 수 있다.According to an embodiment, when it is determined that the calculated difference is less than a preset threshold, the processor selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and controls the plurality of second candidates. Among the parameters, a second number of second candidate control parameters that is smaller than the first number may be selected, and a plurality of second control parameters may be determined based on the selected first candidate control parameter and the selected second candidate control parameter.

일 실시예에 따르면, 메모리는 스크린 프린터에 대한 복수의 후보 제어 파라미터들을 생성하기 위한 최적화 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘을 더 저장하고, 프로세서는, 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성하고, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성할 수 있다.According to an embodiment, the memory further stores an optimization algorithm for generating a plurality of candidate control parameters for a screen printer and a machine-learning-based reinforcement learning algorithm, and the processor applies the first prediction check information to the optimization algorithm. A plurality of first candidate control parameters may be generated, and a plurality of second candidate control parameters may be generated by applying the first control parameter and the first prediction check information to a machine-learning-based reinforcement learning algorithm.

일 실시예에 따르면, 프로세서는, 산출된 차이가 사전 설정된 임계값 미만인 것으로 판단되면, 시뮬레이션 모델에 기반하여 머신-러닝 강화 학습 알고리즘을 갱신할 수 있다.According to an embodiment, if it is determined that the calculated difference is less than a preset threshold, the processor may update the machine-learning reinforcement learning algorithm based on the simulation model.

일 실시예에 따르면, 메모리는 스크린 프린터에 대한 복수의 후보 제어 파라미터들을 생성하기 위한 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘을 더 저장하고, 프로세서는, 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터를 생성하고, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터를 생성할 수 있다.According to an embodiment, the memory further stores a search algorithm and a machine-learning-based reinforcement learning algorithm for generating a plurality of candidate control parameters for a screen printer, and the processor applies the first predictive test information to the search algorithm. A plurality of first candidate control parameters may be generated, and a plurality of second candidate control parameters may be generated by applying the first control parameter and the first prediction check information to a machine-learning-based reinforcement learning algorithm.

일 실시예에 따르면, 프로세서는, 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출하고, 산출된 차이와 사전 설정된 임계값을 비교하고, 비교 결과에 기초하여, 복수의 제1 후보 제어 파라미터들 및 복수의 제2 후보 제어 파라미터들 중에서 상기 복수의 제2 제어 파라미터들을 결정할 수 있다.According to an embodiment, the processor calculates a difference between the first test information and the first predictive test information, compares the calculated difference with a preset threshold, and based on the comparison result, a plurality of first candidate control parameters The plurality of second control parameters may be determined from among the plurality of second candidate control parameters and the plurality of second candidate control parameters.

일 실시예에 따르면, 프로세서는, 산출된 차이가 사전 설정된 임계값 미만인 것으로 판단되면, 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제2 후보 제어 파라미터를 선택하고, 선택된 제1 후보 제어 파라미터 및 선택된 제2 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터를 생성할 수 있다.According to an embodiment, when it is determined that the calculated difference is less than a preset threshold, the processor selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and controls the plurality of second candidates. A second number of second candidate control parameters that are smaller than the first number of parameters may be selected, and a plurality of second control parameters may be generated based on the selected first candidate control parameter and the selected second candidate control parameter.

일 실시예에 따르면, 프로세서는 산출된 차이가 사전 설정된 임계값 미만인 것으로 판단되면, 시뮬레이션 모델에 기반하여 머신-러닝 강화 학습 알고리즘을 갱신할 수 있다.According to an embodiment, if it is determined that the calculated difference is less than a preset threshold, the processor may update the machine-learning reinforcement learning algorithm based on the simulation model.

일 실시예에 따르면, 메모리는 스크린 프린터에 대한 복수의 후보 제어 파라미터를 생성하기 위한 최적화 알고리즘, 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘을 더 저장하고, 프로세서는, 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성하고, 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성하고, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제3 후보 제어 파라미터들을 생성할 수 있다.According to an embodiment, the memory further stores an optimization algorithm, a search algorithm, and a machine-learning-based reinforcement learning algorithm for generating a plurality of candidate control parameters for a screen printer, and the processor further stores the first prediction check information as an optimization algorithm. To generate a plurality of first candidate control parameters, apply the first predictive test information to a search algorithm to generate a plurality of second candidate control parameters, and machine-learning the first control parameter and the first predictive test information A plurality of third candidate control parameters may be generated by applying the based reinforcement learning algorithm.

일 실시예에 따르면, 프로세서는, 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출하고, 산출된 차이와 사전 설정된 임계값을 비교하고, 비교 결과에 기초하여, 복수의 제1 후보 제어 파라미터들, 복수의 제2 후보 제어 파라미터들 및 복수의 제3 후보 제어 파라미터들 중에서 복수의 제2 제어 파라미터들을 결정할 수 있다.According to an embodiment, the processor calculates a difference between the first test information and the first predictive test information, compares the calculated difference with a preset threshold, and based on the comparison result, a plurality of first candidate control parameters , A plurality of second control parameters may be determined from among a plurality of second candidate control parameters and a plurality of third candidate control parameters.

일 실시예에 따르면, 프로세서는, 산출된 차이가 사전 설정된 임계값 이상인 것으로 판단되면, 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 큰 제2 개수의 제2 후보 제어 파라미터를 선택하고, 복수의 제3 후보 제어 파라미터들 중에서 제2 개수의 제3 후보 제어 파라미터를 선택하고, 선택된 제1 후보 제어 파라미터, 선택된 제2 후보 제어 파라미터 및 선택된 제3 후보 제어 파라미터에 기초하여 상기 복수의 제2 제어 파라미터들을 결정할 수 있다.According to an embodiment, when it is determined that the calculated difference is equal to or greater than a preset threshold, the processor selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and controls the plurality of second candidates. Selecting a second number of second candidate control parameters greater than the first number of parameters, selecting a second number of third candidate control parameters from among a plurality of third candidate control parameters, and selecting the selected first candidate control parameter, The plurality of second control parameters may be determined based on the selected second candidate control parameter and the selected third candidate control parameter.

일 실시예에 따르면, 프로세서는, 산출된 차이가 사전 설정된 임계값 미만인 것으로 판단되면, 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제2 후보 제어 파라미터를 선택하고, 복수의 제3 후보 제어 파라미터들 중에서 제2 개수의 제3 후보 제어 파라미터를 선택하고, 선택된 제1 후보 제어 파라미터, 선택된 제2 후보 제어 파라미터 및 선택된 제3 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 결정할 수 있다.According to an embodiment, when it is determined that the calculated difference is less than a preset threshold, the processor selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and controls the plurality of second candidates. Selecting a second number of second candidate control parameters smaller than the first number of parameters, selecting a second number of third candidate control parameters from among a plurality of third candidate control parameters, and selecting the selected first candidate control parameter, A plurality of second control parameters may be determined based on the selected second candidate control parameter and the selected third candidate control parameter.

일 실시예에 따르면, 통신 회로는 복수의 제2 제어 파라미터들 각각에 대응하는 제2 검사 정보를 수신하고, 프로세서는, 복수의 제2 제어 파라미터들 각각을 시뮬레이션 모델에 적용하여, 솔더 페이스트의 인쇄 상태에 대한 제2 예측 검사 정보를 획득할 수 있다.According to an embodiment, the communication circuit receives second inspection information corresponding to each of a plurality of second control parameters, and the processor applies each of the plurality of second control parameters to a simulation model to print solder paste. It is possible to obtain second predictive inspection information on the state.

일 실시예에 따르면, 프로세서는, 제2 검사 정보와 제2 예측 검사 정보 간의 차이의 평균값을 산출하고, 산출된 평균값이 사전 설정된 값에 대응하면, 복수의 제2 제어 파라미터들 중 어느 하나의 제2 제어 파라미터를 선택하고, 선택된 제2 제어 파라미터를 통신 회로를 통해 스크린 프린터로 송신할 수 있다.According to an embodiment, the processor calculates an average value of the difference between the second test information and the second predictive test information, and if the calculated average value corresponds to a preset value, the processor may determine any one of the plurality of second control parameters. 2 A control parameter may be selected, and the selected second control parameter may be transmitted to a screen printer through a communication circuit.

일 실시예에 따르면, 프로세서는, 복수의 제2 제어 파라미터들 각각에 대한 제트 스코어를 산출하고, 산출된 제트 스코어들 중에서 가장 높은 제트 스코어를 갖는 제2 제어 파라미터를 선택할 수 있다.According to an embodiment, the processor may calculate a jet score for each of the plurality of second control parameters, and select a second control parameter having the highest jet score among the calculated jet scores.

본 개시의 다른 실시예에 있어서, 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체는, 프로그램은, 프로세서에 의한 실행 시, 프로세서가, 스크린 프린터의 복수의 제어 파라미터들에 기초하여 솔더 페이스트의 인쇄 상태에 대한 예측 검사 정보를 도출하는 시뮬레이션 모델에, 스크린 프린터의 제1 제어 파라미터를 적용하여, 솔더 페이스트의 인쇄 상태에 대한 제1 예측 검사 정보를 획득하는 단계와, 제1 제어 파라미터에 기초하여 스크린 프린터에 의해 인쇄된 복수의 솔더 페이스트들에 대한 제1 검사 정보를 수신하는 단계와, 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들을 생성하는 단계와, 제1 검사 정보와 제1 예측 검사 정보에 기초하여, 복수의 후보 제어 파라미터들 중 복수의 제2 제어 파라미터들을 결정하는 단계와, 복수의 제2 제어 파라미터들을 스크린 프린터로 송신하는 단계를 수행하도록 하는 실행 가능한 명령을 포함할 수 있다.In another embodiment of the present disclosure, in a non-transitory computer-readable recording medium recording a program for execution on a computer, the program is, when executed by a processor, the processor is soldered based on a plurality of control parameters of the screen printer. Applying a first control parameter of a screen printer to a simulation model that derives predictive inspection information for the printing state of the paste, obtaining first predictive inspection information for the printing state of the solder paste, and the first control parameter. Receiving first inspection information for a plurality of solder pastes printed by a screen printer based on the first inspection information, generating a plurality of candidate control parameters based on the first predictive inspection information, the first inspection information and the first inspection information 1, based on the predictive test information, comprising an executable instruction to perform the step of determining a plurality of second control parameters among the plurality of candidate control parameters, and transmitting the plurality of second control parameters to the screen printer. I can.

일 실시예에 따르면, 프로그램은 프로세서가, 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출하는 단계와, 산출된 차이와 사전 설정된 임계값을 비교하는 단계와, 산출된 차이가 사전 설정된 임계값 이상인 것으로 판단되면, 제1 검사 정보와 제1 예측 검사 정보를 이용하여 시뮬레이션 모델을 갱신하는 단계를 수행하도록 하는 실행 가능한 명령을 더 포함할 수 있다.According to an embodiment, the program includes, by a processor, calculating a difference between the first test information and the first predictive test information, comparing the calculated difference with a preset threshold, and the calculated difference is a preset threshold. If it is determined that the value is greater than or equal to the value, an executable instruction for performing the step of updating the simulation model using the first test information and the first predictive test information may be further included.

일 실시예에 따르면, 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터를 생성하는 단계는, 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성하는 단계와, 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성하는 단계와, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제3 후보 제어 파라미터들을 생성하는 단계를 포함할 수 있다.According to an embodiment, generating a plurality of candidate control parameters based on the first prediction test information comprises: generating a plurality of first candidate control parameters by applying the first prediction test information to an optimization algorithm, and 1 Generating a plurality of second candidate control parameters by applying predictive test information to a search algorithm, and controlling a plurality of third candidates by applying the first control parameter and the first predictive test information to a machine-learning-based reinforcement learning algorithm Generating parameters.

일 실시예에 따르면, 프로그램은, 프로세서가, 복수의 제2 제어 파라미터들 각각에 기초하여 스크린 프린터에 의해 인쇄된 복수의 솔더 페이스트들에 대한 제2 검사 정보를 수신하는 단계와, 복수의 제2 제어 파라미터들 각각을 시뮬레이션 모델에 적용하여, 솔더 페이스트의 인쇄 상태에 대한 제2 예측 검사 정보를 획득하는 단계와, 제2 검사 정보와 제2 예측 검사 정보 간의 차이의 평균값을 산출하는 단계와, 산출된 평균값이 사전 설정된 값에 대응하면, 복수의 제2 제어 파라미터들 중 어느 하나의 제2 제어 파라미터를 선택하는 단계와, 선택된 제2 제어 파라미터를 스크린 프린터로 송신하는 단계를 수행하도록 하는 실행 가능한 명령을 더 포함할 수 있다.According to an embodiment, the program includes: receiving, by a processor, second inspection information for a plurality of solder pastes printed by a screen printer based on each of a plurality of second control parameters; and Applying each of the control parameters to a simulation model to obtain second predictive inspection information for the print state of the solder paste, calculating an average value of the difference between the second inspection information and the second predictive inspection information, and calculating If the averaged value corresponds to a preset value, an executable command for performing the step of selecting one of the plurality of second control parameters and transmitting the selected second control parameter to the screen printer It may further include.

본 개시의 또 다른 실시예에 있어서, 스크린 프린터의 제어 파라미터를 생성하는 방법은, 스크린 프린터의 복수의 제어 파라미터들에 기초하여 솔더 페이스트의 인쇄 상태에 대한 예측 검사 정보를 도출하는 시뮬레이션 모델에, 스크린 프린터의 제1 제어 파라미터를 적용하여, 솔더 페이스트의 인쇄 상태에 대한 제1 예측 검사 정보를 획득하는 단계와, 제1 제어 파라미터에 기초하여 스크린 프린터에 의해 인쇄된 복수의 솔더 페이스트들에 대한 제1 검사 정보를 수신하는 단계와, 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터를 생성하는 단계와, 제1 검사 정보와 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터 중 복수의 제2 제어 파라미터들을 결정하는 단계와, 복수의 제2 제어 파라미터들을 스크린 프린터로 송신하는 단계를 포함할 수 있다.In yet another embodiment of the present disclosure, a method of generating a control parameter of a screen printer includes a screen in a simulation model for deriving predictive inspection information for a print state of a solder paste based on a plurality of control parameters of the screen printer. Applying a first control parameter of the printer to obtain first predictive inspection information for a printing state of a solder paste, and a first for a plurality of solder pastes printed by a screen printer based on the first control parameter. Receiving test information, generating a plurality of candidate control parameters based on the first predictive test information, and a plurality of second of the plurality of candidate control parameters based on the first test information and the first predictive test information It may include determining control parameters and transmitting a plurality of second control parameters to a screen printer.

본 개시의 다양한 실시예들에 따르면, 스크린 프린터의 실제 환경을 모사하는 회귀 모델을 이용하여 스크린 프린터에 대한 제어 파라미터를 생성할 수 있다. 따라서, 스크린 프린터는 생성된 제어 파라미터에 기초하여 인쇄회로기판(베어 기판)에 솔더 페이스트를 인쇄함으로써 인쇄 회로 기판에 인쇄되는 솔더 페이스트의 불량을 감소시킬 수 있다.According to various embodiments of the present disclosure, a control parameter for a screen printer may be generated by using a regression model that simulates an actual environment of the screen printer. Accordingly, the screen printer can reduce defects of the solder paste printed on the printed circuit board by printing the solder paste on the printed circuit board (bare board) based on the generated control parameters.

도 1은 본 개시의 일 실시예에 따른 검사 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 2a 내지 도 2d는 본 개시의 일 실시예에 따른 프로세서의 구성을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 제1 예측 검사 정보를 나타낸 예시도이다.
도 4는 본 개시의 일 실시예에 따른 탐색 알고리즘을 나타낸 예시도이다.
도 5는 본 개시의 일 실시예에 따라 복수의 제2 제어 파라미터들을 제공하는 방법을 나타낸 흐름도이다.
도 6은 본 개시의 일 실시예에 따라 제1 예측 검사 정보를 생성하는 방법을 나타낸 흐름도이다.
도 7은 본 개시의 일 실시예에 따라 제1 검사 정보를 제공하는 방법을 나타낸 흐름도이다.
도 8은 본 개시의 일 실시예에 따라 시뮬레이션 모델 및 강화 학습 알고리즘을 갱신하는 방법을 나타낸 흐름도이다.
도 9는 본 개시의 일 실시예에 따라 복수의 제2 제어 파라미터들을 결정하는 방법을 나타낸 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 복수의 후보 제어 파라미터를 나타낸 예시도이다.
도 11은 본 개시의 일 실시예에 따라 복수의 제어 파라미터 중에서 최적의 제어 파라미터를 선택하는 방법을 나타낸 흐름도이다.1 is a block diagram schematically showing the configuration of an inspection system according to an embodiment of the present disclosure.
2A to 2D are block diagrams illustrating a configuration of a processor according to an embodiment of the present disclosure.
3 is an exemplary diagram showing first prediction test information according to an embodiment of the present disclosure.
4 is an exemplary diagram showing a search algorithm according to an embodiment of the present disclosure.
5 is a flowchart illustrating a method of providing a plurality of second control parameters according to an embodiment of the present disclosure.
6 is a flowchart illustrating a method of generating first predictive test information according to an embodiment of the present disclosure.
7 is a flowchart illustrating a method of providing first inspection information according to an embodiment of the present disclosure.
8 is a flowchart illustrating a method of updating a simulation model and a reinforcement learning algorithm according to an embodiment of the present disclosure.
9 is a flowchart illustrating a method of determining a plurality of second control parameters according to an embodiment of the present disclosure.
10 is an exemplary diagram illustrating a plurality of candidate control parameters according to an embodiment of the present disclosure.
11 is a flowchart illustrating a method of selecting an optimal control parameter from among a plurality of control parameters according to an embodiment of the present disclosure.

본 개시의 실시예들은 본 개시의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 개시에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.Embodiments of the present disclosure are illustrated for the purpose of describing the technical idea of the present disclosure. The scope of the rights according to the present disclosure is not limited to the embodiments presented below or a detailed description of these embodiments.

본 개시에 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 개시에 사용되는 모든 용어들은 본 개시를 더욱 명확히 설명하기 위한 목적으로 선택된 것이며 본 개시에 따른 권리범위를 제한하기 위해 선택된 것이 아니다.All technical and scientific terms used in the present disclosure have meanings generally understood by those of ordinary skill in the art, unless otherwise defined, to which the present disclosure belongs. All terms used in the present disclosure are selected for the purpose of describing the present disclosure more clearly, and are not selected to limit the scope of the rights according to the present disclosure.

본 개시에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.Expressions such as "comprising", "having", "having", etc. used in the present disclosure are open terms that imply the possibility of including other embodiments, unless otherwise stated in the phrase or sentence in which the expression is included. It should be understood as (open-ended terms).

본 개시에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.Expressions in the singular form described in the present disclosure may include the meaning of the plural form unless otherwise stated, and the same applies to the expression in the singular form described in the claims.

본 개시에서 사용되는 "제1", "제2" 등의 표현들은 복수의 구성요소들을 상호 구분하기 위해 사용되며, 해당 구성요소들의 순서 또는 중요도를 한정하는 것은 아니다.Expressions such as "first" and "second" used in the present disclosure are used to distinguish a plurality of components from each other, and do not limit the order or importance of the components.

본 개시에서 사용되는 용어 "부"는, 소프트웨어, 또는 FPGA(field-programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미한다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세서, 함수, 속성, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함한다. 구성요소와 "부" 내에서 제공되는 기능은 더 작은 수의 구성요소 및 "부"로 결합되거나 추가적인 구성요소와 "부"로 더 분리될 수 있다.The term "unit" used in the present disclosure refers to software or hardware components such as field-programmable gate array (FPGA) and application specific integrated circuit (ASIC). However, "unit" is not limited to hardware and software. The “unit” may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors. Thus, as an example, "unit" refers to components such as software components, object-oriented software components, class components, and task components, processors, functions, properties, procedures, subroutines, Includes segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. Components and functions provided within the "unit" may be combined into a smaller number of components and "units" or further separated into additional components and "units".

본 개시에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되며, 이 표현은 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.The expression "based on" as used in this disclosure is used to describe one or more factors that influence the act or action of a decision or judgment, which is described in a phrase or sentence in which the expression is included, and the expression is It does not exclude additional factors that influence the action or action of a decision or judgment.

본 개시에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 어떤 구성요소가 다른 구성요소에 직접적으로 연결될 수 있거나 접속될 수 있는 것으로, 또는 새로운 다른 구성요소를 매개로 하여 연결될 수 있거나 접속될 수 있는 것으로 이해되어야 한다.In the present disclosure, when a component is referred to as being "connected" or "connected" to another component, a component can be directly connected to or can be connected to another component, or a new other component It is to be understood that it may or may be connected via an element.

이하, 첨부한 도면들을 참조하여, 본 개시의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.Hereinafter, embodiments of the present disclosure will be described with reference to the accompanying drawings. In the accompanying drawings, the same or corresponding elements are assigned the same reference numerals. In addition, in the description of the following embodiments, overlapping descriptions of the same or corresponding components may be omitted. However, even if description of a component is omitted, it is not intended that such component is not included in any embodiment.

도 1은 본 개시의 일 실시예에 따른 검사 시스템의 구성을 개략적으로 나타낸 블록도이다. 도 1을 참조하면, 검사 시스템(100)은 스크린 프린터(110) 및 제어 파라미터 생성 장치(120)를 포함할 수 있다.1 is a block diagram schematically showing the configuration of an inspection system according to an embodiment of the present disclosure. Referring to FIG. 1, the inspection system 100 may include a screen printer 110 and a control parameter generating device 120.

스크린 프린터(110)는 외부로부터 기판(베어 기판)(이하, "인쇄회로기판"이라 함)이 이송되면, 이송된 인쇄회로기판의 복수의 패드들 상에 솔더 페이스트를 인쇄한다. 스크린 프린터(110)는 스퀴지 블레이드와 스텐실 마스크를 포함할 수 있다. 스크린 프린터(110)는 스퀴지 블레이드를 이동시켜 스텐실 마스크의 복수의 개구부를 통해 솔더 페이스트를 스텐실 마스크의 하부에 위치한 인쇄회로기판에 인쇄할 수 있다.When a substrate (bare substrate) (hereinafter, referred to as "printed circuit board") is transferred from the outside, the screen printer 110 prints a solder paste on a plurality of pads of the transferred printed circuit board. The screen printer 110 may include a squeegee blade and a stencil mask. The screen printer 110 may move the squeegee blade to print a solder paste on a printed circuit board located under the stencil mask through a plurality of openings of the stencil mask.

일 실시예에 있어서, 스크린 프린터(110)는 제어 파라미터에 따라 인쇄회로기판의 복수의 패드 상에 솔더 페이스트를 인쇄할 수 있다. 예를 들면, 제어 파라미터는 스퀴지 블레이드에 가해지는 압력, 스퀴지 블레이드의 이동속도, 또는 스텐실 마스크와 인쇄회로기판 간의 분리 속도 중 적어도 하나를 포함할 수 있지만, 반드시 이에 한정되지 않고, 솔더 페이스트의 인쇄와 관련된 다양한 파라미터를 포함할 수 있다.In one embodiment, the screen printer 110 may print solder paste on a plurality of pads of a printed circuit board according to a control parameter. For example, the control parameter may include at least one of a pressure applied to the squeegee blade, a moving speed of the squeegee blade, or a separation speed between the stencil mask and the printed circuit board, but is not limited thereto, and the printing of solder paste and It may contain various parameters related to it.

제어 파라미터 생성 장치(120)는 무선 통신 또는 유선 통신을 통해서 네트워크(미도시)를 통해 스크린 프린터(110)와 연결될 수 있다. 무선 통신은, 예를 들면, 셀룰러 통신(예: LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband) 등)을 포함할 수 있다. 또한, 무선 통신은, 근거리 무선 통신(예: WiFi(wireless fidelity), LiFi(light fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication) 등)을 포함할 수 있다. 또한, 스크린 프린터(110) 및 검사 장치(121)와 프로세서(124) 간의 통신 회선을 연결하여 상호간에 데이터 통신이 이루어지도록 연결 설정될 수 있다.The control parameter generating device 120 may be connected to the screen printer 110 through a network (not shown) through wireless communication or wired communication. Wireless communication is, for example, cellular communication (e.g., LTE, LTE-A (LTE Advance), CDMA (code division multiple access), WCDMA (wideband CDMA), UMTS (universal mobile telecommunications system)), WiBro (Wireless Broadband) Etc.). In addition, wireless communication may include short-range wireless communication (eg, wireless fidelity (WiFi), light fidelity (LiFi), Bluetooth, Bluetooth low power (BLE)), Zigbee, near field communication (NFC), etc.). . In addition, a connection may be established such that a communication line between the screen printer 110 and the inspection device 121 and the processor 124 is connected to enable data communication with each other.

일 실시예에 있어서, 제어 파라미터 생성 장치(120)는 검사 장치(121), 메모리(122), 통신 회로(123) 및 프로세서(124)를 포함할 수 있다. 도 1에서는 검사 장치(121)가 제어 파라미터 생성 장치(120) 내에 포함된 것으로 도시하였지만, 반드시 이에 한정되지 않는다. 예를 들면, 검사 장치(121)는 제어 파라미터 생성 장치(120)와 별개로 구성될 수 있다. 또한, 도 1에 있어서 메모리(122) 및 프로세서(124)는 검사 장치(121)와 별개로 구성된 것으로 도시하였지만, 반드시 이에 한정되지 않는다. 일 실시예에 있어서, 메모리(122) 및 프로세서(124)는 검사 장치(121) 내에 포함될 수 있다. 일 실시예에 있어서, 메모리(122) 및 프로세서(124)는 통합 서버로서 SMT 라인 상에 존재할 수 있으며, 유선 또는 무선 통신을 통해 외부에 위치할 수 있다.In an embodiment, the control parameter generating device 120 may include a test device 121, a memory 122, a communication circuit 123, and a processor 124. In FIG. 1, the inspection device 121 is shown to be included in the control parameter generating device 120, but is not limited thereto. For example, the inspection device 121 may be configured separately from the control parameter generating device 120. In addition, in FIG. 1, the memory 122 and the processor 124 are illustrated as being configured separately from the test apparatus 121, but are not limited thereto. In one embodiment, the memory 122 and the processor 124 may be included in the test apparatus 121. In one embodiment, the memory 122 and the processor 124 may exist on the SMT line as an integrated server, and may be externally located through wired or wireless communication.

검사 장치(SPI, solder paste inspection)(121)는 스크린 프린터(110)로부터 솔더 페이스트가 인쇄된 인쇄회로기판이 이송되면, 이송된 인쇄회로기판에서 솔더 페이스트의 인쇄 상태를 검사할 수 있다. 예를 들면, 검사 장치(121)는 솔더 페이스트가 인쇄된 인쇄회로기판에 광을 조사하고, 인쇄회로기판으로부터 반사된 광을 수신하여 인쇄회로기판에 대한 이미지 데이터를 획득할 수 있다.When the printed circuit board on which the solder paste is printed is transferred from the screen printer 110, the inspection device (SPI, solder paste inspection) 121 may inspect the printed state of the solder paste on the transferred printed circuit board. For example, the inspection apparatus 121 may irradiate light onto the printed circuit board on which the solder paste is printed, and receive light reflected from the printed circuit board to obtain image data on the printed circuit board.

또한, 검사 장치(121)는 인쇄회로기판에 대한 이미지 데이터와, 솔더 페이스트의 인쇄 상태에 대한 양호 또는 불량을 판별하기 위한 기준 데이터를 비교하여, 인쇄회로기판에 인쇄된 솔더 페이스트의 불량 여부를 검사할 수 있다. 예를 들면, 검사 장치(121)는 인쇄회로기판에 인쇄된 솔더 페이스트가 정 위치에 정량으로 인쇄되었는지를 검사함으로써, 솔더 페이스트의 불량 여부를 검사하고, 검사 결과를 나타내는 검사 정보를 생성할 수 있다.In addition, the inspection device 121 compares the image data of the printed circuit board with reference data for determining good or bad printing of the solder paste, and checks whether the solder paste printed on the printed circuit board is defective. can do. For example, the inspection device 121 may inspect whether the solder paste printed on the printed circuit board is printed in a fixed position and quantitatively, thereby inspecting whether the solder paste is defective, and generating inspection information indicating the inspection result. .

일 실시예에 있어서, 검사 정보는 스크린 프린터(110)에 의해 인쇄된 솔더 페이스트의 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나를 포함할 수 있다.In an embodiment, the inspection information may include at least one of a volume, area, height, width, or slope of the solder paste printed by the screen printer 110.

메모리(122)는 스크린 프린터(110)의 복수의 제어 파라미터들에 기초하여 솔더 페이스트의 인쇄 상태에 대한 예측 검사 정보를 도출하는 시뮬레이션 모델을 저장할 수 있다. 일 실시예에 있어서, 시뮬레이션 모델은 스크린 프린터(110)의 복수의 제어 파라미터들에 기초하여, 예측되는 솔더 페이스트의 인쇄 상태를 나타내는 예측 검사 정보를 도출하도록 학습된 머신-러닝 기반 회귀모델을 포함할 수 있다. 예를 들면, 머신-러닝 기반 회귀모델은 스크린 프린터(110)의 실제 환경을 모사하는 머신-러닝 기반 모델로서, 환경의 변화에 따라 적응적으로 변화하는 모델일 수 있다. 예를 들면, 머신-러닝 기반 회귀모델은 스크린 프린터(110)의 제어 파라미터와, 검사 장치(121)의 검사 정보에 기초하여 학습되고, 학습 결과, 솔더 페이스트의 인쇄 상태에 대한 예측 정보를 생성할 수 있다. 또한, 머신-러닝 기반 회귀모델은 제어 파라미터 및 검사 정보와 더불어 인쇄 변수 정보에 기초하여 학습될 수 있다.The memory 122 may store a simulation model that derives predictive inspection information for a printing state of a solder paste based on a plurality of control parameters of the screen printer 110. In one embodiment, the simulation model may include a machine-learning-based regression model trained to derive predictive inspection information indicating a predicted printing state of a solder paste based on a plurality of control parameters of the screen printer 110. I can. For example, the machine-learning-based regression model is a machine-learning-based model that simulates an actual environment of the screen printer 110, and may be a model that changes adaptively according to changes in the environment. For example, the machine-learning-based regression model is learned based on the control parameter of the screen printer 110 and the inspection information of the inspection device 121, and generates predictive information on the printing state of the solder paste as a result of the learning. I can. In addition, the machine-learning-based regression model may be learned based on print variable information along with control parameter and inspection information.

일 실시예에 있어서, 예측 검사 정보는 솔더 페이스트의 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나를 포함할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 검사 장치(121)를 통해 검사 가능한 솔더 페이스트와 관련된 다양한 정보가 예측 검사 정보로 이용될 수 있다.In an embodiment, the predictive inspection information may include at least one of a volume, area, height, width, or slope of the solder paste. However, this is for illustrative purposes only, and is not limited thereto, and various information related to a solder paste that can be inspected through the inspection device 121 may be used as predictive inspection information.

일 실시예에 있어서, 인쇄 변수 정보는 스크린 프린터(110)에 의한 솔더 페이스트의 인쇄 변수를 나타내는 것으로서, 스크린 프린터(110)의 주변 온도, 스크린 프린터(110)의 주변 습도, 인쇄회로기판의 패드들 각각의 형상, 인쇄회로기판의 패드들 각각의 면적비(area ratio), 또는 인쇄회로기판의 패드들 각각의 종횡비(aspect ratio) 중 적어도 하나를 포함할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 스크린 프린터(110)에서 수행되는 솔더 페이스트의 인쇄에 영향을 주는 다양한 요인이 인쇄 변수 정보로 이용될 수 있다.In one embodiment, the printing variable information represents a printing variable of a solder paste by the screen printer 110, and includes the ambient temperature of the screen printer 110, the ambient humidity of the screen printer 110, and pads of the printed circuit board. It may include at least one of each shape, an area ratio of each of the pads of the printed circuit board, or an aspect ratio of each of the pads of the printed circuit board. However, this is for illustrative purposes only, and is not limited thereto, and various factors affecting printing of the solder paste performed by the screen printer 110 may be used as printing variable information.

또한, 메모리(122)는 스크린 프린터(110)에 대한 복수의 후보 제어 파라미터들을 생성하기 위한 최적화 알고리즘, 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘 중 적어도 2개의 알고리즘을 더 저장할 수 있다. 일 실시예에 있어서, 메모리(122)는 최적화 알고리즘 및 탐색 알고리즘을 저장할 수 있다. 다른 실시예에 있어서, 메모리(122)는 최적화 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘을 저장할 수 있다. 또 다른 실시예에 있어서, 메모리(122)는 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘을 저장할 수 있다. 또 다른 실시예에 있어서, 메모리(122)는 최적화 알고리즘, 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘을 저장할 수 있다.In addition, the memory 122 may further store at least two of an optimization algorithm, a search algorithm, and a machine-learning based reinforcement learning algorithm for generating a plurality of candidate control parameters for the screen printer 110. In one embodiment, the memory 122 may store an optimization algorithm and a search algorithm. In another embodiment, the memory 122 may store an optimization algorithm and a machine-learning based reinforcement learning algorithm. In another embodiment, the memory 122 may store a search algorithm and a machine-learning based reinforcement learning algorithm. In another embodiment, the memory 122 may store an optimization algorithm, a search algorithm, and a machine-learning based reinforcement learning algorithm.

일 실시예에 있어서, 메모리(122)는 자기 디스크(예를 들어, 자기 테이프, 플렉시블 디스크, 하드 디스크 등), 광 디스크(예를 들어, CD, DVD 등), 반도체 메모리(예를 들어, RAM, ROM, 플레시 메모리, 플레시 메모리를 포함하는 USB 또는 SD 카드 등)을 포함할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니다.In one embodiment, the memory 122 is a magnetic disk (eg, magnetic tape, flexible disk, hard disk, etc.), an optical disk (eg, CD, DVD, etc.), a semiconductor memory (eg, RAM , ROM, flash memory, USB or SD card including flash memory, etc.). However, this is for illustrative purposes only, and is not limited thereto.

통신 회로(123)는 네트워크를 통해 스크린 프린터(110) 및 검사 장치(121)에 연결될 수 있다. 일 실시예에 있어서, 통신 회로(123)는 검사 장치(121)로부터 검사 정보를 수신할 수 있다. 또한, 통신 회로(123)는 프로세서(124)에서 생성된 제어 파라미터를 스크린 프린터(110)로 전송할 수 있다.The communication circuit 123 may be connected to the screen printer 110 and the inspection device 121 through a network. In an embodiment, the communication circuit 123 may receive inspection information from the inspection device 121. In addition, the communication circuit 123 may transmit the control parameter generated by the processor 124 to the screen printer 110.

프로세서(124)는 메모리(122) 및 통신 회로(123)와 전기적으로 연결될 수 있다. 또한, 프로세서(124)는 메모리(122)에 저장된 시뮬레이션 모델을 로딩하고, 로딩된 시뮬레이션 모델에 제어 파라미터를 적용하여, 예측되는 솔더 페이스트의 인쇄 상태를 나타내는 예측 검사 정보를 획득할 수 있다. 또한, 프로세서(124)는 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들을 생성하고, 검사 정보 및 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들 중에서 복수의 제어 파라미터들을 선택한다. 복수의 제어 파라미터들은 통신 회로(123)를 통해 스크린 프린터(110)로 송신될 수 있다.The processor 124 may be electrically connected to the memory 122 and the communication circuit 123. In addition, the processor 124 loads the simulation model stored in the memory 122 and applies a control parameter to the loaded simulation model to obtain predictive inspection information indicating a predicted printing state of the solder paste. Also, the processor 124 generates a plurality of candidate control parameters based on the predictive test information, and selects a plurality of control parameters from among a plurality of candidate control parameters based on the test information and the predictive test information. A plurality of control parameters may be transmitted to the screen printer 110 through the communication circuit 123.

일 실시예에 있어서, 프로세서(124)는 도 2a에 도시된 바와 같이, 시뮬레이션 모델부(210), 최적화 알고리즘부(220), 탐색 알고리즘부(230), 강화 학습 알고리즘부(240) 및 파라미터 결정부(250)를 포함할 수 있다.In an embodiment, the processor 124 is a simulation model unit 210, an optimization algorithm unit 220, a search algorithm unit 230, a reinforcement learning algorithm unit 240, and parameter determination as shown in FIG. 2A. It may include a unit 250.

시뮬레이션 모델부(210)는 메모리(122)에 저장된 시뮬레이션 모델을 로딩하고, 제1 제어 파라미터를 시뮬레이션 모델에 적용하여 예측 검사 정보(이하, "제1 예측 검사 정보"라 함)를 생성할 수 있다. 일 실시예에 있어서, 제1 제어 파라미터는 스크린 프린터(110)의 스퀴즈 블레이드에 가해지는 압력, 스퀴지 블레이드의 이동 속도, 또는 스텐실 마스크와 인쇄회로기판 간의 분리 속도 중 적어도 하나를 포함할 수 있다. 또한, 시뮬레이션 모델부(210)는 제1 제어 파라미터에 대응하는 검사 정보(이하, "제1 검사 정보"라 함) 및 제1 예측 검사 정보에 기초하여, 메모리(122)에 저장된 시뮬레이션 모델을 갱신할 수 있다. The simulation model unit 210 may load the simulation model stored in the memory 122 and apply the first control parameter to the simulation model to generate predictive inspection information (hereinafter referred to as “first predictive inspection information”). . In one embodiment, the first control parameter may include at least one of a pressure applied to the squeeze blade of the screen printer 110, a moving speed of the squeegee blade, or a separation speed between the stencil mask and the printed circuit board. In addition, the simulation model unit 210 updates the simulation model stored in the memory 122 based on the inspection information (hereinafter referred to as “first inspection information”) and the first predictive inspection information corresponding to the first control parameter. can do.

도 3은 본 개시의 일 실시예에 따른 제1 예측 검사 정보를 나타낸 예시도이다. 도 3에서는 스퀴지 블레이드의 이동 속도(프린트 속도) 및 스퀴지 블레이드에 가해지는 압력을 포함하는 제1 제어 파라미터가 본 실시예에 따른 머신-러닝 기반 회귀모델에 적용되었을 때 생성되는 제1 예측 검사 정보(예를 들어, 솔더 페이스트의 체적)를 나타낼 수 있다. 이러한 제1 예측 검사 정보는 검사 장치(121)의 검사 정보와 함께 스크린 프린터(110)의 제어 파라미터를 생성하는데 사용될 수 있다. 한편, 리워드(reward)는 솔더 페이스트의 인쇄 품질 지수를 나타내며, 품질 지수는 솔더 도포의 부피, 평균 부피, 부피 표준 편차, 공정능력지수(CPIK), 제트 스코어(Z-score), 누적 분포 함수(Cumulative Distribution Function) 등을 포함할 수 있다. 도 3에서는 리워드로서 납 도포 부피를 나타낸다.3 is an exemplary diagram showing first prediction test information according to an embodiment of the present disclosure. In FIG. 3, first predictive inspection information generated when a first control parameter including a movement speed (print speed) of a squeegee blade and a pressure applied to the squeegee blade is applied to the machine-learning-based regression model according to the present embodiment ( For example, it may represent the volume of solder paste). This first predictive inspection information may be used to generate control parameters of the screen printer 110 together with inspection information of the inspection apparatus 121. On the other hand, the reward represents the print quality index of the solder paste, and the quality index refers to the volume, average volume, volume standard deviation, process capability index (CPIK), jet score (Z-score), and cumulative distribution function ( Cumulative Distribution Function). In Fig. 3, lead applied volume is shown as a reward.

최적화 알고리즘부(220)는 메모리(122)에 저장된 최적화 알고리즘을 로딩하고, 시뮬레이션 모델부(210)에서 생성된 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 후보 제어 파라미터(이하, "제1 후보 제어 파라미터"라 함)들을 생성할 수 있다. 일 실시예에 있어서, 최적화 알고리즘은 수학적 최적화 방법, 예를 들어, 경사 하강법(gradient descent), 담금질 기법(simulated annealing) 등을 포함할 수 있다. 이러한 최적화 알고리즘은 머신-러닝 기반 회귀모델과 실제 솔더 페이스트 인쇄 공정 간의 일치률이 높을수록 최적의 제어 파라미터와 근사한 제1 후보 제어 파라미터를 생성할 수 있다.The optimization algorithm unit 220 loads the optimization algorithm stored in the memory 122 and applies the first prediction test information generated by the simulation model unit 210 to the optimization algorithm, so that a plurality of candidate control parameters (hereinafter “first” Can generate candidate control parameters"). In one embodiment, the optimization algorithm may include a mathematical optimization method, for example, gradient descent, simulated annealing, and the like. Such an optimization algorithm may generate an optimal control parameter and a first candidate control parameter that approximates as the match rate between the machine-learning-based regression model and the actual solder paste printing process increases.

탐색 알고리즘부(230)는 메모리(122)에 저장된 탐색 알고리즘을 로딩하고, 시뮬레이션 모델부(210)에서 생성된 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 후보 제어 파라미터(이하, "제2 후보 제어 파라미터"라 함)들을 생성할 수 있다. 일 실시예에 있어서, 탐색 알고리즘은 주어진 데이터 집합에서 어떤 조건이나 성질을 만족하는 데이터를 찾는 알고리즘일 수 있다. 예를 들면, 탐색 알고리즘부(230)는 도 4에 도시된 바와 같이, 제1 예측 검사 정보(420)를 탐색 알고리즘에 적용함으로써, 제1 예측 검사 정보(420)를 기준으로 4개의 예측 검사 정보(410)를 선택하고, 선택된 4개의 예측 검사 정보(410)의 중심에 위치하는 예측 검사 정보(430)를 검출하고, 검출된 예측 검사 정보(430)에 해당하는 제어 파라미터를 제1 예측 검사 정보(420)에 해당하는 제2 후보 제어 파라미터로서 생성할 수 있다.The search algorithm unit 230 loads the search algorithm stored in the memory 122 and applies the first predictive test information generated by the simulation model unit 210 to the search algorithm to obtain a plurality of candidate control parameters (hereinafter referred to as “second”). Can generate candidate control parameters"). In one embodiment, the search algorithm may be an algorithm that finds data that satisfies certain conditions or properties in a given data set. For example, the search algorithm unit 230 applies the first predictive test information 420 to the search algorithm, as shown in FIG. 4, so that four predictive test information based on the first predictive test information 420 410 is selected, the prediction test information 430 positioned at the center of the selected four prediction test information 410 is detected, and a control parameter corresponding to the detected prediction test information 430 is first predicted test information It may be generated as a second candidate control parameter corresponding to 420.

강화 학습 알고리즘부(240)는 메모리(122)에 저장된 머신-러닝 기반 강화 학습 알고리즘을 로딩하고, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 후보 제어 파라미터(이하, "제3 후보 제어 파라미터"라 함)들을 생성할 수 있다. 일 실시예에 있어서, 머신-러닝 기반 강화 학습 알고리즘은 어떠한 상태에서 가능한 행동 중 하나를 선택하고 행동한 후에 이 행동에 대한 결과 보상을 받는 알고리즘으로서, 제어 파라미터의 튜닝 정책을 학습하여 제1 예측 검사 정보에 대응하는 후보 제어 파라미터를 추천할 수 있다. 예를 들면, 머신-러닝 기반 강화 학습 알고리즘은 Q-learning 알고리즘, Deep-Q-Network(DQN) 알고리즘 등을 포함할 수 있다.The reinforcement learning algorithm unit 240 loads the machine-learning-based reinforcement learning algorithm stored in the memory 122 and applies the first control parameter and the first predictive test information to the machine-learning-based reinforcement learning algorithm to control a plurality of candidates. Parameters (hereinafter referred to as “third candidate control parameter”) may be generated. In one embodiment, the machine-learning-based reinforcement learning algorithm is an algorithm that selects one of possible actions in a certain state and receives a result reward for this action, and learns a tuning policy of a control parameter to check the first prediction. Can recommend candidate control parameters corresponding to information. For example, the machine-learning based reinforcement learning algorithm may include a Q-learning algorithm, a Deep-Q-Network (DQN) algorithm, and the like.

파라미터 결정부(250)는 복수의 제1 후보 제어 파라미터들, 복수의 제2 후보 제어 파라미터들 및 복수의 제3 후보 제어 파라미터들에 기초하여 복수의 제어 파라미터(이하, "제2 제어 파라미터"라 함)들을 생성할 수 있다. 일 실시예에 있어서, 파라미터 결정부(250)는 제1 검사 정보 및 제1 예측 검사 정보에 기초하여, 복수의 제1 후보 제어 파라미터들, 복수의 제2 후보 제어 파라미터들 및 복수의 제3 후보 제어 파라미터들 중에서 복수의 제2 제어 파라미터들을 생성할 수 있다.The parameter determination unit 250 includes a plurality of control parameters (hereinafter referred to as “second control parameters”) based on a plurality of first candidate control parameters, a plurality of second candidate control parameters, and a plurality of third candidate control parameters. ) Can be created. In an embodiment, the parameter determination unit 250 includes a plurality of first candidate control parameters, a plurality of second candidate control parameters, and a plurality of third candidates based on the first test information and the first predictive test information. Among the control parameters, a plurality of second control parameters may be generated.

다른 실시예에 있어서, 프로세서(124)는 도 2b에 도시된 바와 같이, 시뮬레이션 모델부(210), 최적화 알고리즘부(220), 탐색 알고리즘부(230) 및 파라미터 결정부(250)를 포함할 수 있다. 본 실시예에 있어서, 파라미터 결정부(250)는 최적화 알고리즘부(220)에서 생성된 복수의 제1 후보 제어 파라미터들 및 탐색 알고리즘부(230)에서 생성된 복수의 제2 후보 제어 파라미터들에 기초하여 복수의 제2 제어 파라미터들을 생성할 수 있다.In another embodiment, the processor 124 may include a simulation model unit 210, an optimization algorithm unit 220, a search algorithm unit 230, and a parameter determination unit 250, as shown in FIG. 2B. have. In the present embodiment, the parameter determination unit 250 is based on a plurality of first candidate control parameters generated by the optimization algorithm unit 220 and a plurality of second candidate control parameters generated by the search algorithm unit 230 Thus, a plurality of second control parameters may be generated.

또 다른 실시예에 있어서, 프로세서(124)는 도 2c에 도시된 바와 같이, 시뮬레이션 모델부(210), 최적화 알고리즘부(220), 강화 학습 알고리즘부(240) 및 파라미터 결정부(250)를 포함할 수 있다. 본 실시예에 있어서, 파라미터 결정부(250)는 최적화 알고리즘부(220)에서 생성된 복수의 제1 후보 제어 파라미터들 및 강화 학습 알고리즘부(240)에서 생성된 복수의 제3 후보 제어 파라미터들에 기초하여 복수의 제2 제어 파라미터들을 생성할 수 있다.In another embodiment, the processor 124 includes a simulation model unit 210, an optimization algorithm unit 220, a reinforcement learning algorithm unit 240, and a parameter determination unit 250, as shown in FIG. 2C. can do. In the present embodiment, the parameter determination unit 250 determines a plurality of first candidate control parameters generated by the optimization algorithm unit 220 and a plurality of third candidate control parameters generated by the reinforcement learning algorithm unit 240 A plurality of second control parameters may be generated based on.

또 다른 실시예에 있어서, 프로세서(124)는 도 2d에 도시된 바와 같이, 시뮬레이션 모델부(210), 탐색 알고리즘부(230), 강화 학습 알고리즘부(240) 및 파라미터 결정부(250)를 포함할 수 있다. 본 실시예에 있어서, 파라미터 결정부(250)는 탐색 알고리즘부(230)에서 생성된 복수의 제2 후보 제어 파라미터들 및 강화 학습 알고리즘부(240)에서 생성된 복수의 제3 후보 제어 파라미터들에 기초하여 복수의 제2 제어 파라미터들을 생성할 수 있다.In another embodiment, the processor 124 includes a simulation model unit 210, a search algorithm unit 230, a reinforcement learning algorithm unit 240, and a parameter determination unit 250, as shown in FIG. 2D. can do. In the present embodiment, the parameter determination unit 250 determines a plurality of second candidate control parameters generated by the search algorithm unit 230 and a plurality of third candidate control parameters generated by the reinforcement learning algorithm unit 240. A plurality of second control parameters may be generated based on.

본 개시에 도시된 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 개시의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 개시에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 개시의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.Although process steps, method steps, algorithms, and the like have been described in sequential order in the flow chart shown in this disclosure, such processes, methods, and algorithms may be configured to operate in any suitable order. In other words, the steps of the processes, methods and algorithms described in various embodiments of the present disclosure need not be performed in the order described in this disclosure. Further, although some steps are described as being performed asynchronously, in other embodiments, some of these steps may be performed simultaneously. Further, the illustration of the process by depiction in the drawings does not imply that the illustrated process excludes other changes and modifications thereto, and the illustrated process or any of its steps are among the various embodiments of the present disclosure. It does not imply that it is essential for one or more, and does not imply that the illustrated process is desirable.

도 5는 본 개시의 일 실시예에 따라 복수의 제어 파라미터를 제공하는 방법을 나타낸 흐름도이다.5 is a flowchart illustrating a method of providing a plurality of control parameters according to an embodiment of the present disclosure.

단계 S502에서, 프로세서(124)는 제1 제어 파라미터에 기초하여 제1 예측 검사 정보를 획득할 수 있다. 예를 들면, 프로세서(124)는 제1 제어 파라미터를 시뮬레이션 모델에 적용하여 제1 예측 검사 정보를 획득할 수 있다.In step S502, the processor 124 may obtain first prediction test information based on the first control parameter. For example, the processor 124 may obtain first predictive test information by applying the first control parameter to the simulation model.

단계 S504에서, 프로세서(124)는 제1 제어 파라미터에 대응하는 제1 검사 정보를 수신할 수 있다. 일 실시예에 있어서, 제1 검사 정보는 솔더 페이스트의 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나를 포함할 수 있다. 예를 들면, 프로세서(124)는 통신 회로(123)를 통해 검사 장치(121)로부터 제1 제어 파라미터에 대응하는 제1 검사 정보를 수신할 수 있다.In step S504, the processor 124 may receive first inspection information corresponding to the first control parameter. In an embodiment, the first inspection information may include at least one of a volume, area, height, width, or slope of the solder paste. For example, the processor 124 may receive first test information corresponding to the first control parameter from the test device 121 through the communication circuit 123.

단계 S506에서, 프로세서(124)는 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들을 생성할 수 있다. 일 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 메모리(122)에 저장된 최적화 알고리즘 및 탐색 알고리즘에 적용하여 복수의 후보 제어 파라미터들을 생성할 수 있다. 다른 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 메모리(122)에 저장된 최적화 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 후보 제어 파라미터들을 생성할 수 있다. 또 다른 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 메모리(122)에 저장된 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 후보 제어 파라미터들을 생성할 수 있다. 또 다른 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 메모리(122)에 저장된 최적화 알고리즘, 탐색 알고리즘 및 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 후보 제어 파라미터들을 생성할 수 있다.In step S506, the processor 124 may generate a plurality of candidate control parameters based on the first prediction check information. In an embodiment, the processor 124 may generate a plurality of candidate control parameters by applying the first prediction check information to an optimization algorithm and a search algorithm stored in the memory 122. In another embodiment, the processor 124 may generate a plurality of candidate control parameters by applying the first prediction check information to an optimization algorithm and a machine-learning based reinforcement learning algorithm stored in the memory 122. In another embodiment, the processor 124 may generate a plurality of candidate control parameters by applying the first prediction check information to a search algorithm and a machine-learning-based reinforcement learning algorithm stored in the memory 122. In another embodiment, the processor 124 may generate a plurality of candidate control parameters by applying the first prediction check information to an optimization algorithm, a search algorithm, and a machine-learning-based reinforcement learning algorithm stored in the memory 122. .

단계 S508에서, 프로세서(124)는 제1 검사 정보 및 제1 예측 검사 정보에 기초하여 복수의 후보 제어 파라미터들로부터 복수의 제2 제어 파라미터들을 생성할 수 있다. 예를 들면, 프로세서(124)는 제1 검사 정보 및 제1 예측 검사 정보에 기초하여, 복수의 후보 제어 파라미터들 중에서 복수의 제2 제어 파라미터들을 선택할 수 있다.In step S508, the processor 124 may generate a plurality of second control parameters from a plurality of candidate control parameters based on the first test information and the first predictive test information. For example, the processor 124 may select a plurality of second control parameters from among a plurality of candidate control parameters based on the first test information and the first predictive test information.

단계 S510에서, 프로세서(124)는 복수의 제2 제어 파라미터들을 스크린 프린터(110)로 송신할 수 있다. 예를 들면, 프로세서(124)는 통신 회로(123)를 통해 복수의 제2 제어 파라미터들을 스크린 프린터(110)로 송신할 수 있다.In step S510, the processor 124 may transmit a plurality of second control parameters to the screen printer 110. For example, the processor 124 may transmit a plurality of second control parameters to the screen printer 110 through the communication circuit 123.

도 6은 본 개시의 일 실시예에 따라 제1 예측 검사 정보를 생성하는 방법을 나타낸 흐름도이다.6 is a flowchart illustrating a method of generating first predictive test information according to an embodiment of the present disclosure.

단계 S602에서, 프로세서(124)는 제1 제어 파라미터를 수신할 수 있다. 일 실시예에 있어서, 제1 제어 파라미터는 검사 시스템(100)의 사용자 입력부(미도시)를 통해 수신될 수 있다. 다른 실시예에 있어서, 제1 제어 파라미터는 스크린 프린터(110)로부터 통신 회로(123)를 통해 수신될 수 있다.In step S602, the processor 124 may receive the first control parameter. In an embodiment, the first control parameter may be received through a user input unit (not shown) of the inspection system 100. In another embodiment, the first control parameter may be received from the screen printer 110 through the communication circuit 123.

단계 S604에서, 프로세서(124)는 시뮬레이션 모델을 로딩할 수 있다. 일 실시예에 있어서, 프로세서(124)의 시뮬레이션 모델부(210)는 제1 제어 파라미터의 수신에 따라 메모리(122)에 연결하여, 메모리(122)에 저장된 시뮬레이션 모델을 로딩할 수 있다.In step S604, the processor 124 may load the simulation model. In an embodiment, the simulation model unit 210 of the processor 124 may connect to the memory 122 according to reception of the first control parameter and load the simulation model stored in the memory 122.

단계 S606에서, 프로세서(124)는 제1 제어 파라미터를 로딩된 시뮬레이션 모델에 적용할 수 있다. 일 실시예에 있어서, 프로세서(124)의 시뮬레이션 모델부(210)는 제1 제어 파라미터를 시뮬레이션 모델에 적용할 수 있다.In step S606, the processor 124 may apply the first control parameter to the loaded simulation model. In an embodiment, the simulation model unit 210 of the processor 124 may apply the first control parameter to the simulation model.

단계 S608에서, 프로세서(124)는 제1 제어 파라미터에 대응하는 솔더 페이스트의 인쇄 상태에 대한 제1 예측 검사 정보를 생성할 수 있다. 일 실시예에 있어서, 제1 예측 검사 정보는 시뮬레이션 모델의 출력으로서 생성될 수 있다. 예를 들면, 프로세서(124)의 시뮬레이션 모델부(210)는 제1 제어 파라미터를 시뮬레이션 모델에 입력함으로써, 도 3에 도시된 바와 같이, 제1 제어 파라미터에 대응하는 제1 예측 검사 정보를 생성할 수 있다.In step S608, the processor 124 may generate first predictive inspection information on the print state of the solder paste corresponding to the first control parameter. In an embodiment, the first prediction inspection information may be generated as an output of a simulation model. For example, the simulation model unit 210 of the processor 124 may generate first predictive test information corresponding to the first control parameter as shown in FIG. 3 by inputting the first control parameter into the simulation model. I can.

도 7은 본 개시의 일 실시예에 따라 제1 검사 정보를 생성하는 방법을 나타낸 흐름도이다.7 is a flowchart illustrating a method of generating first inspection information according to an embodiment of the present disclosure.

단계 S702에서, 스크린 프린터(110)는 인쇄회로기판을 수신할 수 있다. 일 실시예에 있어서, 솔더 페이스트를 인쇄할 인쇄회로기판이 외부로부터 스크린 프린터(110)로 이송될 수 있다.In step S702, the screen printer 110 may receive a printed circuit board. In one embodiment, the printed circuit board on which the solder paste is to be printed may be transferred from the outside to the screen printer 110.

단계 S704에서, 스크린 프린터(110)는 제1 제어 파라미터에 기초하여, 이송된 인쇄회로기판에 솔더 페이스트를 인쇄할 수 있다. 일 실시예에 있어서, 스크린 프린터(110)는 제1 제어 파라미터를 스크린 프린터(110)의 제어 파라미터로서 설정하고, 설정된 제1 제어 파라미터에 따라 인쇄회로기판의 복수의 패드들 각각에 솔더 페이스트를 인쇄할 수 있다.In step S704, the screen printer 110 may print a solder paste on the transferred printed circuit board based on the first control parameter. In one embodiment, the screen printer 110 sets a first control parameter as a control parameter of the screen printer 110, and prints solder paste on each of a plurality of pads of the printed circuit board according to the set first control parameter. can do.

단계 S706에서, 검사 장치(121)는 솔더 페이스트가 인쇄된 인쇄회로기판을 수신할 수 있다. 일 실시예에 있어서, 스크린 프린터(110)에 의해 솔더 페이스트의 인쇄가 완료된 인쇄회로기판은 검사 장치(121)로 이송될 수 있다.In step S706, the inspection device 121 may receive a printed circuit board printed with a solder paste. In one embodiment, the printed circuit board on which the solder paste is printed by the screen printer 110 may be transferred to the inspection device 121.

단계 S708에서, 검사 장치(121)는 솔더 페이스트가 인쇄된 인쇄회로기판의 인쇄 상태를 검사할 수 있다. 일 실시예에 있어서, 검사 장치(121)는 솔더 페이스트가 인쇄된 인쇄회로기판에 광을 조사하고, 인쇄회로기판으로부터 반사된 광을 수신하여 인쇄회로기판에 대응하는 이미지 데이터를 획득할 수 있다. 또한, 검사 장치(121)는 솔더 페이스트의 인쇄 상태에 대한 양호 또는 불량을 검사할 수 있는 기준 데이터에 기초하여, 이미지 데이터에 대해 솔더 페이스트의 인쇄 상태(예를 들어, 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나)를 검사할 수 있다.In step S708, the inspection device 121 may inspect the printing state of the printed circuit board on which the solder paste is printed. In an embodiment, the inspection apparatus 121 may irradiate light onto a printed circuit board on which a solder paste is printed, receive light reflected from the printed circuit board, and obtain image data corresponding to the printed circuit board. In addition, the inspection device 121 is based on the reference data for inspecting the print state of the solder paste good or bad, the print state of the solder paste (for example, volume, area, height, width Or at least one of the slopes) can be inspected.

단계 S710에서, 검사 장치(121)는 제1 제어 파라미터에 대응하는 제1 검사 정보를 생성할 수 있다. 일 실시예에 있어서, 검사 장치(121)는 제1 제어 파라미터에 따라 스크린 프린터(110)에 의해 인쇄회로기판에 인쇄된 솔더 페이스트의 인쇄 상태를 검사한 제1 검사 정보(예를 들어, 솔더 페이스트의 체적, 면적, 높이, 폭 또는 경사 중 적어도 하나에 대한 검사 정보)를 생성할 수 있다.In step S710, the inspection device 121 may generate first inspection information corresponding to the first control parameter. In one embodiment, the inspection device 121 inspects the printing state of the solder paste printed on the printed circuit board by the screen printer 110 according to the first control parameter (eg, solder paste Inspection information for at least one of the volume, area, height, width, or slope) may be generated.

단계 S712에서, 검사 장치(121)는 제1 검사 정보를 통신 회로(123)로 송신할 수 있다.In step S712, the inspection device 121 may transmit the first inspection information to the communication circuit 123.

도 8은 본 개시의 일 실시예에 따라 시뮬레이션 모델 및 강화 학습 알고리즘을 갱신하는 방법을 나타낸 흐름도이다.8 is a flowchart illustrating a method of updating a simulation model and a reinforcement learning algorithm according to an embodiment of the present disclosure.

단계 S802에서, 프로세서(124)는 제1 검사 정보를 수신할 수 있다. 일 실시예에 있어서, 프로세서(124)의 파라미터 결정부(250)는 검사 장치(121)로부터 통신 회로(123)를 통해 제1 검사 정보를 수신할 수 있다.In step S802, the processor 124 may receive first test information. In an embodiment, the parameter determination unit 250 of the processor 124 may receive the first test information from the test device 121 through the communication circuit 123.

단계 S804에서, 프로세서(124)는 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출할 수 있다. 일 실시예에 있어서, 제1 검사 정보와 제1 예측 검사 정보 간의 차이는 아래의 수학식 1에 의해 산출될 수 있다.In step S804, the processor 124 may calculate a difference between the first test information and the first predictive test information. In an embodiment, the difference between the first test information and the first predictive test information may be calculated by Equation 1 below.

수학식 1에 있어서, E는 차이를 나타내고, B_R은 검사 정보를 나타내고, R(B_P)는 예측 정보를 나타내며, n은 제어 파라미터의 개수(즉, 스크린 프린터(110)가 솔더 페이스트를 인쇄한 인쇄회로기판의 개수)를 나타낸다.In Equation 1, E represents the difference, B _R represents inspection information, R (B _P ) represents prediction information, and n represents the number of control parameters (that is, the screen printer 110 prints the solder paste. Represents the number of printed circuit boards).

예를 들면, 프로세서(124)의 파라미터 결정부(250)는 제1 검사 정보를 수학식 1의 B_R에 대입하고, 제1 예측 검사 정보를 수학식 1의 R(B_P)에 대입하고, 제1 제어 파라미터의 개수를 수학식 1의 n(예를 들면, n=1)에 대입함으로써, 제1 검사 정보와 제1 예측 검사 정보 간의 차이를 산출할 수 있다.For example, the parameter determination unit 250 of the processor 124 substitutes the first test information into B _R in Equation 1, and substitutes the first prediction test information into R (B _P ) in Equation 1, By substituting the number of first control parameters into n (for example, n=1) in Equation 1, a difference between the first test information and the first predictive test information can be calculated.

단계 S806에서, 프로세서(124)는 제1 검사 정보와 제1 예측 검사 정보 간의 차이와 사전 설정된 임계값을 비교할 수 있고, 단계 S708에서, 프로세서(124)는 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인지 여부를 판단할 수 있다. 예를 들면, 프로세서(124)의 파라미터 결정부(250)는 산출된 차이와 사전 설정된 임계값을 비교하고, 산출된 차이가 사전 설정된 임계값 이하인지 여부를 판단할 수 있다.In step S806, the processor 124 may compare the difference between the first test information and the first predictive test information and a preset threshold value. In step S708, the processor 124 is the first test information and the first predictive test information. It may be determined whether the difference between the two is equal to or less than a preset threshold. For example, the parameter determination unit 250 of the processor 124 may compare the calculated difference with a preset threshold value, and determine whether the calculated difference is less than a preset threshold value.

단계 S808에서 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값을 초과하는 것으로 판단되면, 단계 S810에서 프로세서(124)는 제1 검사 정보 및 제1 예측 검사 정보에 기초하여 시뮬레이션 모델을 갱신할 수 있다. 예를 들면, 프로세서(124)의 파라미터 결정부(250)는 메모리(122)에 저장된 시뮬레이션 모델에 대해 제1 제어 파라미터에 해당하는 제1 예측 검사 정보를 제1 검사 정보로 갱신할 수 있다.If it is determined in step S808 that the difference between the first test information and the first predictive test information exceeds a preset threshold, in step S810, the processor 124 performs a simulation model based on the first test information and the first predictive test information. Can be updated. For example, the parameter determiner 250 of the processor 124 may update the first predictive test information corresponding to the first control parameter with the first test information for the simulation model stored in the memory 122.

한편, 단계 S808에서 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인 것으로 판단되면, 단계 S812에서 프로세서(124)는 시뮬레이션 모델에 기초하여 머신-러닝 기반 강화 학습 알고리즘을 갱신할 수 있다. 예를 들면, 프로세서(124)의 파라미터 결정부(250)는 메모리(122)에 저장된 시뮬레이션 모델의 복수의 제어 파라미터들 및 이들에 대응하는 예측 검사 정보를 메모리(122)에 저장된 머신-러닝 기반 강화 학습 알고리즘에 적용하여 머신-러닝 기반 강화 학습 알고리즘을 갱신할 수 있다.On the other hand, if it is determined in step S808 that the difference between the first test information and the first predictive test information is less than or equal to a preset threshold, in step S812, the processor 124 updates the machine-learning-based reinforcement learning algorithm based on the simulation model. I can. For example, the parameter determination unit 250 of the processor 124 stores a plurality of control parameters of the simulation model stored in the memory 122 and predictive inspection information corresponding to them, and reinforces the machine-learning base stored in the memory 122 The machine-learning-based reinforcement learning algorithm can be updated by applying it to the learning algorithm.

도 9는 본 개시의 일 실시예에 따라 복수의 제2 제어 파라미터들을 결정하는 방법을 나타낸 흐름도이다.9 is a flowchart illustrating a method of determining a plurality of second control parameters according to an embodiment of the present disclosure.

단계 S902에서 프로세서(124)는 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 후보 제어 파라미터(이하, "제1 후보 제어 파라미터"라 함)들을 생성하고, 단계 S904에서 프로세서(124)는 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 후보 제어 파라미터(이하, "제2 후보 제어 파라미터"라 함)들을 생성하며, 단계 S906에서 프로세서(124)는 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 후보 제어 파라미터(이하, "제3 후보 제어 파라미터"라 함)들을 생성할 수 있다.In step S902, the processor 124 generates a plurality of candidate control parameters (hereinafter referred to as "first candidate control parameters") by applying the first prediction check information to the optimization algorithm, and in step S904, the processor 124 1 A plurality of candidate control parameters (hereinafter, referred to as “second candidate control parameter”) are generated by applying predictive test information to a search algorithm, and in step S906, the processor 124 includes a first control parameter and a first predictive test information. A plurality of candidate control parameters (hereinafter, referred to as “third candidate control parameter”) may be generated by applying to a machine-learning based reinforcement learning algorithm.

예를 들면, 프로세서(124)의 최적화 알고리즘부(220)는 메모리(122)로부터 최적화 알고리즘을 로딩하고, 시뮬레이션 모델부(210)에서 생성된 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성할 수 있다. 또한, 프로세서(124)의 탐색 알고리즘부(230)는 메모리(122)로부터 탐색 알고리즘을 로딩하고, 시뮬레이션 모델부(210)에서 생성된 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성할 수 있다. 또한, 프로세서(124)의 강화 학습 알고리즘부(240)는 메모리(122)로부터 머신-러닝 기반 강화 학습 알고리즘을 로딩하고, 제1 제어 파라미터 및 시뮬레이션 모델부(210)에서 생성된 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제3 후보 제어 파라미터들을 생성할 수 있다.For example, the optimization algorithm unit 220 of the processor 124 loads the optimization algorithm from the memory 122 and applies the first prediction test information generated by the simulation model unit 210 to the optimization algorithm, 1 Can generate candidate control parameters. In addition, the search algorithm unit 230 of the processor 124 loads the search algorithm from the memory 122 and applies the first predictive test information generated by the simulation model unit 210 to the search algorithm to obtain a plurality of second candidates. You can create control parameters. In addition, the reinforcement learning algorithm unit 240 of the processor 124 loads the machine-learning-based reinforcement learning algorithm from the memory 122, and the first control parameter and the first prediction check information generated by the simulation model unit 210 A plurality of third candidate control parameters may be generated by applying to a machine-learning-based reinforcement learning algorithm.

단계 S908에서, 프로세서(124)는 제1 검사 정보와 제1 예측 검사 정보 간의 차이와 사전 설정된 임계값을 비교하여, 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인지를 판단할 수 있다.In step S908, the processor 124 compares the difference between the first test information and the first predictive test information with a preset threshold, and determines whether the difference between the first test information and the first predictive test information is less than or equal to a preset threshold. I can judge.

단계 S908에서 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값을 초과하는 것으로 판단되면, 단계 S910에서 프로세서(124)는 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 단계 S912에서 프로세서(124)는 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 큰 제2 개수의 제2 후보 제어 파라미터를 선택하며, 단계 S914에서 프로세서(124)는 복수의 제3 후보 제어 파라미터들 중에서 제2 개수의 제3 후보 제어 파라미터를 선택할 수 있다.If it is determined in step S908 that the difference between the first test information and the first predictive test information exceeds a preset threshold value, in step S910, the processor 124 determines the first number of the first number of first candidate control parameters among the plurality of first candidate control parameters. The candidate control parameter is selected, and in step S912, the processor 124 selects a second number of second candidate control parameters greater than the first number from among the plurality of second candidate control parameters, and in step S914, the processor 124 A second number of third candidate control parameters may be selected from among a plurality of third candidate control parameters.

예를 들면, 프로세서(124)의 파라미터 결정부(250)는 복수의 제1 후보 제어 파라미터들을 도 10에 도시된 바와 같이 정렬시킬 수 있다. 일 실시예에 있어서, 파라미터 결정부(250)는 복수의 제1 후보 제어 파라미터들 각각에 대해 공정능력지수(CPK)를 구하고, 구해진 공정능력지수의 제트 스코어를 산출하며, 산출된 제트 스코어에 따라 복수의 제1 후보 제어 파라미터들을 정렬시킬 수 있다. 파라미터 결정부(250)는 도 10에 도시된 복수의 제1 후보 제어 파라미터들(P_O1 내지 P_O10) 중에서 제1 개수(예를 들어, 2개)의 제1 후보 제어 파라미터(P_O1 내지 P_O2)를 선택할 수 있다.For example, the parameter determiner 250 of the processor 124 may arrange a plurality of first candidate control parameters as illustrated in FIG. 10. In one embodiment, the parameter determination unit 250 obtains a process capability index (CPK) for each of the plurality of first candidate control parameters, calculates a jet score of the obtained process capability index, and according to the calculated jet score. A plurality of first candidate control parameters may be aligned. The parameter determination unit 250 includes a first number (eg, two) of the first candidate control parameters P _O1 to P among the plurality of first candidate control parameters P _O1 to P _O10 shown in FIG. 10. _O2 ) can be selected.

또한, 파라미터 결정부(250)는 복수의 제2 후보 제어 파라미터들 각각에 대해 공정능력지수를 구하고, 구해진 공정능력지수의 제트 스코어를 산출하며, 산출된 제트 스코어에 따라 복수의 제2 후보 제어 파라미터들을 도 10에 도시된 바와 같이 정렬시킬 수 있다. 파라미터 결정부(250)는 도 10에 도시된 복수의 제2 후보 제어 파라미터들(P_L1 내지 P_L10) 중에서 제1 개수보다 큰 제2 개수(예를 들어, 4개)의 제2 후보 제어 파라미터(P_L1 내지 P_L4)를 선택할 수 있다.In addition, the parameter determination unit 250 obtains a process capability index for each of the plurality of second candidate control parameters, calculates a jet score of the obtained process capability index, and a plurality of second candidate control parameters according to the calculated jet score. Can be aligned as shown in FIG. 10. The parameter determiner 250 includes a second number (eg, 4) of second candidate control parameters that are greater than the first number among a plurality of second candidate control parameters P _L1 to P _L10 shown in FIG. 10. (P _L1 to P _L4 ) can be selected.

또한, 파라미터 결정부(250)는 복수의 제3 후보 제어 파라미터들 각각에 대해 공정능력지수를 구하고, 구해진 공정능력지수의 제트 스코어를 산출하며, 산출된 제트 스코어에 따라 복수의 제3 후보 제어 파라미터들을 도 10에 도시된 바와 같이 정렬시킬 수 있다. 파라미터 결정부(250)는 도 10에 도시된 복수의 제3 후보 제어 파라미터들(P_R1 내지 P_R10) 중에서 제2 개수(예를 들어, 4개)의 제3 후보 제어 파라미터(P_R1 내지 P_R4)를 선택할 수 있다.In addition, the parameter determination unit 250 obtains a process capability index for each of a plurality of third candidate control parameters, calculates a jet score of the obtained process capability index, and a plurality of third candidate control parameters according to the calculated jet score. Can be aligned as shown in FIG. 10. The parameter determination unit 250 includes a second number (eg, 4) of the third candidate control parameters P _R1 to P from among the plurality of third candidate control parameters P _R1 to P _R10 shown in FIG. 10. _R4 ) can be selected.

한편, 단계 S908에서 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인 것으로 판단되면, 단계 S916에서 프로세서(124)는 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 단계 S918에서 프로세서(124)는 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제2 후보 제어 파라미터를 선택하며, 단계 S920에서 프로세서(124)는 복수의 제3 후보 제어 파라미터들 중에서 제2 개수의 제3 후보 제어 파라미터를 선택할 수 있다.On the other hand, if it is determined in step S908 that the difference between the first test information and the first predictive test information is less than or equal to a preset threshold value, in step S916, the processor 124 determines the first number of the first number of first candidate control parameters. The candidate control parameter is selected, and in step S918, the processor 124 selects a second number of second candidate control parameters smaller than the first number from among the plurality of second candidate control parameters, and in step S920, the processor 124 A second number of third candidate control parameters may be selected from among a plurality of third candidate control parameters.

예를 들면, 프로세서(124)의 파라미터 결정부(250)는 복수의 제1 후보 제어 파라미터들 각각에 대해 공정능력지수를 구하고, 구해진 공정능력지수의 제트 스코어를 산출하며, 산출된 제트 스코어에 따라 복수의 제1 후보 제어 파라미터들을 도 10에 도시된 바와 같이 정렬시킬 수 있다. 파라미터 결정부(250)는 도 10에 도시된 복수의 제1 후보 제어 파라미터들(P_O1 내지 P_O10) 중에서 제1 개수(예를 들어, 8개)의 제1 후보 제어 파라미터(P_O1 내지 P_O8)를 선택할 수 있다.For example, the parameter determination unit 250 of the processor 124 obtains a process capability index for each of a plurality of first candidate control parameters, calculates a jet score of the obtained process capability index, and according to the calculated jet score. A plurality of first candidate control parameters may be aligned as shown in FIG. 10. The parameter determination unit 250 includes a first number (eg, 8) of the first candidate control parameters P _O1 to P among a plurality of first candidate control parameters P _O1 to P _O10 shown in FIG. 10. _O8 ) can be selected.

또한, 파라미터 결정부(250)는 복수의 제2 후보 제어 파라미터들 각각에 대해 공정능력지수를 구하고, 구해진 공정능력지수의 제트 스코어를 산출하며, 산출된 제트 스코어에 따라 복수의 제2 후보 제어 파라미터들을 도 10에 도시된 바와 같이 정렬시킬 수 있다. 파라미터 결정부(250)는 도 10에 도시된 복수의 제2 후보 제어 파라미터들(P_L1 내지 P_L10) 중에서 제1 개수보다 작은 제2 개수(예를 들어, 1개)의 제2 후보 제어 파라미터(P_L1)를 선택할 수 있다.In addition, the parameter determination unit 250 obtains a process capability index for each of the plurality of second candidate control parameters, calculates a jet score of the obtained process capability index, and a plurality of second candidate control parameters according to the calculated jet score. Can be aligned as shown in FIG. 10. The parameter determiner 250 includes a second number of second candidate control parameters (eg, one) smaller than the first number of the plurality of second candidate control parameters P _L1 to P _L10 shown in FIG. 10. (P _L1 ) can be selected.

또한, 파라미터 결정부(250)는 복수의 제3 후보 제어 파라미터들 각각에 대해 공정능력지수를 구하고, 구해진 공정능력지수의 제트 스코어를 산출하며, 산출된 제트 스코어에 따라 복수의 제3 후보 제어 파라미터들을 도 10에 도시된 바와 같이 정렬시킬 수 있다. 파라미터 결정부(250)는 도 10에 도시된 복수의 제3 후보 제어 파라미터들(P_R1 내지 P_R10) 중에서 제2 개수(예를 들어, 1개)의 제3 후보 제어 파라미터(P_R1)를 선택할 수 있다.In addition, the parameter determination unit 250 obtains a process capability index for each of a plurality of third candidate control parameters, calculates a jet score of the obtained process capability index, and a plurality of third candidate control parameters according to the calculated jet score. Can be aligned as shown in FIG. 10. The parameter determination unit 250 selects a second number (eg, one) of the third candidate control parameters P _R1 from among the plurality of third candidate control parameters P _R1 to P _R10 shown in FIG. 10. You can choose.

단계 S922에서, 프로세서(124)는 선택된 제1 후보 제어 파라미터, 선택된 제2 후보 제어 파라미터 및 선택된 제3 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 결정할 수 있다. 일 실시예에 있어서, 프로세서(124)의 파라미터 결정부(250)는 선택된 제1 후보 제어 파라미터(P_O1 내지 P_O2), 선택된 제2 후보 제어 파라미터(P_L1 내지 P_L4) 및 선택된 제3 후보 제어 파라미터(P_R1 내지 P_R4)에 기초하여, 복수의 제2 제어 파라미터들(P₀₁, P₀₂, P_L1, P_L2, P_L3, P_L4, P_R, P_R2, P_R3, P_R4)을 결정할 수 있다. 다른 실시예에 있어서, 파라미터 결정부(250)는 선택된 제1 후보 제어 파라미터(P_O1 내지 P_O8), 선택된 제2 후보 제어 파라미터(P_L1) 및 제3 후보 제어 파라미터(P_R1)에 기초하여, 복수의 제2 제어 파라미터들(P₀₁, P₀₂, P₀₃, P_O4, P_O5, P_O6, P_O7, P_O8, P_L1, P_R1)를 결정할 수 있다.In step S922, the processor 124 may determine a plurality of second control parameters based on the selected first candidate control parameter, the selected second candidate control parameter, and the selected third candidate control parameter. In an embodiment, the parameter determination unit 250 of the processor 124 includes the selected first candidate control parameters P _O1 to P _O2 , the selected second candidate control parameters P _L1 to P _L4 , and the selected third candidate. Based on the control parameters P _R1 to P _R4 , a plurality of second control parameters P ₀₁ , P ₀₂ , P _L1 , P _L2 , P _L3 , P _L4 , P _R , P _R2 , P _R3 , P _R4 ) Can be determined. In another embodiment, the parameter determination unit 250 is based on the selected first candidate control parameter P _O1 to P _O8 , the selected second candidate control parameter P _L1 , and the third candidate control parameter P _R1 . , A plurality of second control parameters (P ₀₁ , P ₀₂ , P ₀₃ , P _O4 , P _O5 , P _O6 , P _O7 , P _O8 , P _L1 , P _R1 ) may be determined.

전술한 실시예에서는 복수의 제1 후보 제어 파라미터들, 복수의 제2 후보 제어 파라미터들 및 복수의 제3 후보 제어 파라미터들에 기초하여 복수의 제2 제어 파라미터들을 결정하는 것으로 설명하였지만, 반드시 이에 한정되지 않는다.In the above-described embodiment, it has been described that a plurality of second control parameters are determined based on a plurality of first candidate control parameters, a plurality of second candidate control parameters, and a plurality of third candidate control parameters. It doesn't work.

다른 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성하고, 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성할 수 있다. 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값을 초과하는 것으로 판단되면, 프로세서(124)는 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 큰 제2 개수의 제2 후보 제어 파라미터를 선택할 수 있다. 한편, 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인 것으로 판단되면, 프로세서(124)는 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제2 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제2 후보 제어 파라미터를 선택할 수 있다. 프로세서(124)는 선택된 제1 후보 제어 파라미터 및 선택된 제2 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 생성할 수 있다.In another embodiment, the processor 124 generates a plurality of first candidate control parameters by applying the first predictive test information to an optimization algorithm, and controls the plurality of second candidates by applying the first predictive test information to a search algorithm. You can create parameters. When it is determined that the difference between the first test information and the first predictive test information exceeds a preset threshold, the processor 124 selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and , From among a plurality of second candidate control parameters, a second number of second candidate control parameters greater than the first number may be selected. On the other hand, if it is determined that the difference between the first test information and the first predictive test information is less than or equal to a preset threshold, the processor 124 selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and , From among the plurality of second candidate control parameters, a second number of second candidate control parameters that is smaller than the first number may be selected. The processor 124 may generate a plurality of second control parameters based on the selected first candidate control parameter and the selected second candidate control parameter.

또 다른 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 최적화 알고리즘에 적용하여 복수의 제1 후보 제어 파라미터들을 생성하고, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제3 후보 제어 파라미터들을 생성할 수 있다. 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값을 초과하는 것으로 판단되면, 프로세서(124)는 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제3 후보 제어 파라미터들 중에서 제1 개수보다 큰 제2 개수의 제3 후보 제어 파라미터를 선택할 수 있다. 한편, 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인 것으로 판단되면, 프로세서(124)는 복수의 제1 후보 제어 파라미터들 중에서 제1 개수의 제1 후보 제어 파라미터를 선택하고, 복수의 제3 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제3 후보 제어 파라미터를 선택할 수 있다. 프로세서(124)는 선택된 제1 후보 제어 파라미터 및 선택된 제3 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 생성할 수 있다.In another embodiment, the processor 124 generates a plurality of first candidate control parameters by applying the first predictive test information to an optimization algorithm, and reinforces the first control parameter and the first predictive test information based on machine-learning. A plurality of third candidate control parameters may be generated by applying the learning algorithm. When it is determined that the difference between the first test information and the first predictive test information exceeds a preset threshold, the processor 124 selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and , Among a plurality of third candidate control parameters, a second number of third candidate control parameters greater than the first number may be selected. On the other hand, if it is determined that the difference between the first test information and the first predictive test information is less than or equal to a preset threshold, the processor 124 selects a first number of first candidate control parameters from among a plurality of first candidate control parameters, and , From among a plurality of third candidate control parameters, a second number of third candidate control parameters smaller than the first number may be selected. The processor 124 may generate a plurality of second control parameters based on the selected first candidate control parameter and the selected third candidate control parameter.

또 다른 실시예에 있어서, 프로세서(124)는 제1 예측 검사 정보를 탐색 알고리즘에 적용하여 복수의 제2 후보 제어 파라미터들을 생성하고, 제1 제어 파라미터 및 제1 예측 검사 정보를 머신-러닝 기반 강화 학습 알고리즘에 적용하여 복수의 제3 후보 제어 파라미터들을 생성할 수 있다. 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값을 초과하는 것으로 판단되면, 프로세서(124)는 복수의 제2 후보 제어 파라미터들 중에서 제1 개수의 제2 후보 제어 파라미터를 선택하고, 복수의 제3 후보 제어 파라미터들 중에서 제1 개수보다 큰 제2 개수의 제3 후보 제어 파라미터를 선택할 수 있다. 한편, 제1 검사 정보와 제1 예측 검사 정보 간의 차이가 사전 설정된 임계값 이하인 것으로 판단되면, 프로세서(124)는 복수의 제2 후보 제어 파라미터들 중에서 제1 개수의 제2 후보 제어 파라미터를 선택하고, 복수의 제3 후보 제어 파라미터들 중에서 제1 개수보다 작은 제2 개수의 제3 후보 제어 파라미터를 선택할 수 있다. 프로세서(124)는 선택된 제2 후보 제어 파라미터 및 선택된 제3 후보 제어 파라미터에 기초하여 복수의 제2 제어 파라미터들을 생성할 수 있다.In another embodiment, the processor 124 generates a plurality of second candidate control parameters by applying the first predictive test information to a search algorithm, and reinforces the first control parameter and the first predictive test information based on machine-learning. A plurality of third candidate control parameters may be generated by applying the learning algorithm. When it is determined that the difference between the first test information and the first predictive test information exceeds a preset threshold, the processor 124 selects a first number of second candidate control parameters from among a plurality of second candidate control parameters, and , Among a plurality of third candidate control parameters, a second number of third candidate control parameters greater than the first number may be selected. On the other hand, if it is determined that the difference between the first test information and the first predictive test information is less than or equal to a preset threshold, the processor 124 selects a first number of second candidate control parameters from among a plurality of second candidate control parameters, and , From among a plurality of third candidate control parameters, a second number of third candidate control parameters smaller than the first number may be selected. The processor 124 may generate a plurality of second control parameters based on the selected second candidate control parameter and the selected third candidate control parameter.

도 11은 본 개시의 일 실시예에 따라 복수의 제어 파라미터 중에서 1개의 제어 파라미터를 선택하는 방법을 나타낸 흐름도이다.11 is a flowchart illustrating a method of selecting one control parameter from among a plurality of control parameters according to an embodiment of the present disclosure.

단계 S1102에서, 프로세서(124)는 시뮬레이션 모델에 기초하여, 복수의 제2 제어 파라미터들 각각에 해당하는 제2 예측 검사 정보를 생성할 수 있다. 예를 들면, 프로세서(124)의 시뮬레이션 모델부(210)는 메모리(122)로부터 시뮬레이션 모델을 로딩하고, 복수의 제2 파라미터들 각각을 시뮬레이션 모델에 적용하여, 복수의 제2 제어 파라미터들 각각에 해당하는 제2 예측 검사 정보를 생성할 수 있다.In step S1102, the processor 124 may generate second predictive test information corresponding to each of the plurality of second control parameters based on the simulation model. For example, the simulation model unit 210 of the processor 124 loads the simulation model from the memory 122, applies each of the plurality of second parameters to the simulation model, and applies each of the plurality of second control parameters. Corresponding second predictive test information may be generated.

단계 S1104에서, 프로세서(124)는 복수의 제2 제어 파라미터들 각각에 해당하는 제2 검사 정보를 수신할 수 있다. 일 실시예에 있어서, 프로세서(124)의 파라미터 결정부(250)는 검사 장치(121)로부터 통신 회로(123)를 통해 복수의 제2 파라미터들 각각에 해당하는 제2 검사 정보를 수신할 수 있다. 예를 들면, 스크린 프린터(110)는 복수의 제2 제어 파라미터들 각각에 기초하여, 인쇄회로기판에 솔더 페이스트를 인쇄하고, 검사 장치(121)는 복수의 인쇄회로기판 각각의 솔더 페이스트를 검사하여, 복수의 제2 제어 파라미터들 각각에 해당하는 제2 검사 정보를 생성할 수 있다. 검사 장치(121)는 생성된 제2 검사 정보를 통신 회로(123)로 전송할 수 있다. 따라서, 파라미터 결정부(250)는 통신 회로(123)를 통해 복수의 제2 제어 파라미터들 각각에 해당하는 제2 검사 정보를 수신할 수 있다.In step S1104, the processor 124 may receive second test information corresponding to each of the plurality of second control parameters. In an embodiment, the parameter determination unit 250 of the processor 124 may receive second test information corresponding to each of the plurality of second parameters from the test device 121 through the communication circuit 123. . For example, the screen printer 110 prints a solder paste on a printed circuit board based on each of a plurality of second control parameters, and the inspection device 121 inspects the solder paste of each of the plurality of printed circuit boards. , It is possible to generate second inspection information corresponding to each of the plurality of second control parameters. The inspection device 121 may transmit the generated second inspection information to the communication circuit 123. Accordingly, the parameter determination unit 250 may receive second inspection information corresponding to each of the plurality of second control parameters through the communication circuit 123.

단계 S1106에서, 프로세서(124)는 제2 검사 정보와 제2 예측 검사 정보 간의 차이의 평균값을 산출할 수 있다. 일 실시예에 있어서, 제1 검사 정보와 제2 예측 검사 정보 간의 차이의 평균값은 수학식 1을 통해 산출될 수 있다. 예를 들면, 프로세서(124)의 파라미터 결정부(250)는 복수의 제2 제어 파라미터들 각각에 해당하는 제2 검사 정보를 수학식 1의 B_R에 대입하고, 복수의 제2 제어 파라미터들 각각에 해당하는 제2 예측 검사 정보를 수학식 1의 R(B_P)에 대입하며, 제2 제어 파라미터의 개수를 수학식 1의 n에 대입함으로써, 제2 검사 정보와 제2 예측 검사 정보 간의 차이의 평균값을 산출할 수 있다.In step S1106, the processor 124 may calculate an average value of the difference between the second test information and the second predictive test information. In an embodiment, an average value of the difference between the first test information and the second predictive test information may be calculated through Equation 1. For example, the parameter determination unit 250 of the processor 124 substitutes the second test information corresponding to each of the plurality of second control parameters into B _R of Equation 1, and each of the plurality of second control parameters The difference between the second test information and the second prediction test information by substituting the second prediction test information corresponding to R(B _P ) in Equation 1 and substituting the number of second control parameters into n in Equation 1 The average value of can be calculated.

단계 S1108에서, 프로세서(124)는 산출된 차이의 평균값이 사전 설정된 값에 대응하는지 판단할 수 있다. 일 실시예에 있어서, 프로세서(124)의 파라미터 결정부(250)는 산출된 차이의 평균값이 사전 설정된 값으로 수렴하는지 판단할 수 있다. 예를 들면, 사전 설정된 값은 0일 수 있지만, 반드시 이에 한정되는 것은 아니다. In step S1108, the processor 124 may determine whether the average value of the calculated difference corresponds to a preset value. In an embodiment, the parameter determination unit 250 of the processor 124 may determine whether the average value of the calculated difference converges to a preset value. For example, the preset value may be 0, but is not limited thereto.

단계 S1108에서 산출된 차이의 평균값이 사전 설정된 값에 대응(즉, 사전 설정된 값으로 수렴)하는 것으로 판단되면, 단계 S1110에서, 프로세서(124)는 복수의 제2 제어 파라미터들 중에서 1개의 제어 파라미터(이하, "최적의 제어 파라미터"라 함)를 선택할 수 있다. 예를 들면, 프로세서(124)의 파라미터 결정부(250)는 복수의 제2 제어 파라미터들(P₀₁, P₀₂, P₀₃, P_O4, P_O5, P_O6, P_O7, P_O8, P_L1, P_R1) 중에서 제트 스코어가 가장 높은 제어 파라미터(P₀₁)를 최적의 제어 파라미터로서 선택할 수 있다.If it is determined that the average value of the difference calculated in step S1108 corresponds to a preset value (i.e., converges to a preset value), in step S1110, the processor 124 performs one control parameter among the plurality of second control parameters ( Hereinafter, "optimal control parameter") can be selected. For example, the parameter determination unit 250 of the processor 124 includes a plurality of second control parameters P ₀₁ , P ₀₂ , P ₀₃ , P _O4 , P _O5 , P _O6 , P _O7 , P _O8 , P _L1 , P _R1 ), a control parameter (P ₀₁ ) having the highest jet score may be selected as an optimal control parameter.

단계 S1112에서, 프로세서(124)는 선택된 최적의 제어 파라미터를 스크린 프린터(110)로 전송할 수 있다. 일 실시예에 있어서, 프로세서(124)의 파라미터 결정부(250)는 통신 회로(123)를 통해 최적의 제어 파라미터를 스크린 프린터(110)로 전송 수 있다. 따라서, 스크린 프린터(110)는 최적의 제어 파라미터에 기초하여 인쇄회로기판에 솔더 페이스트를 인쇄함으로써, 인쇄회로기판의 불량을 감소시킬 수 있다.In step S1112, the processor 124 may transmit the selected optimal control parameter to the screen printer 110. In one embodiment, the parameter determination unit 250 of the processor 124 may transmit the optimal control parameter to the screen printer 110 through the communication circuit 123. Accordingly, the screen printer 110 may reduce defects of the printed circuit board by printing the solder paste on the printed circuit board based on the optimum control parameter.

한편, 단계 S1108에서 산출된 차이의 평균값이 사전 설정된 값으로 수렴하지 않은 것으로 판단되면, 복수의 제2 제어 파라미터들 각각에 대해 도 9의 단계 S908 내지 단계 S922가 수행될 수 있다.Meanwhile, if it is determined that the average value of the difference calculated in step S1108 has not converged to a preset value, steps S908 to S922 of FIG. 9 may be performed for each of the plurality of second control parameters.

위 방법은 특정 실시예들을 통하여 설명되었지만, 위 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 위 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.Although the above method has been described through specific embodiments, the above method can also be implemented as computer-readable code on a computer-readable recording medium. The computer-readable recording medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage devices. In addition, the computer-readable recording medium is distributed over a computer system connected through a network, so that computer-readable codes can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the above embodiments can be easily inferred by programmers in the technical field to which the present disclosure belongs.

이상 일부 실시예들과 첨부된 도면에 도시된 예에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 개시의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속하는 것으로 생각되어야 한다.Although the technical idea of the present disclosure has been described with reference to some embodiments and examples shown in the accompanying drawings above, it does not depart from the technical idea and scope of the present disclosure that can be understood by those of ordinary skill in the art to which the present disclosure belongs. It will be appreciated that various substitutions, modifications and changes may be made in the range. In addition, such substitutions, modifications and changes are to be considered as falling within the scope of the appended claims.

Claims

As a device for generating control parameters of a screen printer,
A simulation model for deriving predictive inspection information for a print state of a solder paste based on a plurality of control parameters of the screen printer and at least two algorithms for generating a plurality of candidate control parameters for the screen printer are stored. Memory;
A communication circuit for receiving first inspection information for a plurality of solder pastes printed by the screen printer based on a first control parameter; And
And a processor electrically connected to the memory and the communication circuit,
The processor,
Applying the first control parameter to the simulation model to obtain first predictive inspection information on the print state of the solder paste,
Generating a plurality of first candidate control parameters based on the first prediction check information and a first algorithm among the at least two algorithms,
Generating a plurality of second candidate control parameters based on the first prediction check information and a second algorithm among the at least two algorithms,
A plurality of second controls among the plurality of first candidate control parameters and the plurality of second candidate control parameters based on a comparison between a difference between the first test information and the first predictive test information and a preset threshold value Determine the parameters,
Transmitting the plurality of second control parameters to the screen printer via the communication circuit.

The method of claim 1, wherein each of the first control parameter and the plurality of second control parameters comprises at least one of a pressure applied to the squeegee blade, a moving speed of the squeegee blade, or a separation speed between the stencil mask and the substrate. Device.

The apparatus of claim 1, wherein the first inspection information includes at least one of a volume, area, height, width, or slope of each of a plurality of solder pastes printed by the screen printer.

The apparatus of claim 1, wherein the first predictive inspection information includes at least one of a volume, area, height, width, or slope of the solder paste.

The method of claim 1, wherein the processor,
Calculating the difference between the first inspection information and the first predictive inspection information,
When it is determined that the calculated difference is equal to or greater than the preset threshold value by comparing the calculated difference with the preset threshold value, updating the simulation model using the first test information and the first predictive test information, Device.

The apparatus of claim 5, wherein the simulation model comprises a machine-learning-based regression model that is trained to derive predictive inspection information indicating a predicted print state of a solder paste based on a plurality of control parameters of the screen printer. .

The method of claim 1,
The first algorithm is an optimization algorithm,
The second algorithm is a search algorithm,
The processor,
Applying the first prediction check information to the optimization algorithm to generate the plurality of first candidate control parameters,
Applying the first prediction check information to the search algorithm to generate the plurality of second candidate control parameters.

The method of claim 7, wherein the processor,
Calculating the difference between the first inspection information and the first predictive inspection information,
Comparing the calculated difference with the preset threshold.

The method of claim 8, wherein the processor,
When it is determined that the calculated difference is equal to or greater than the preset threshold, selects a first number of first candidate control parameters from among the plurality of first candidate control parameters,
Selecting a second number of second candidate control parameters greater than the first number from among the plurality of second candidate control parameters,
Determining the plurality of second control parameters based on the selected first candidate control parameter and the selected second candidate control parameter.

The method of claim 8, wherein the processor,
When it is determined that the calculated difference is less than the preset threshold, selects a first number of first candidate control parameters from among the plurality of first candidate control parameters,
Selecting a second number of second candidate control parameters smaller than the first number from among the plurality of second candidate control parameters,
Determining the plurality of second control parameters based on the selected first candidate control parameter and the selected second candidate control parameter.

The method of claim 1,
The first algorithm is an optimization algorithm,
The second algorithm is a machine-learning based reinforcement learning algorithm,
The processor,
Applying the first prediction check information to the optimization algorithm to generate the plurality of first candidate control parameters,
The apparatus for generating the plurality of second candidate control parameters by applying the first control parameter and the first prediction check information to the machine-learning based reinforcement learning algorithm.

The method of claim 11, wherein the processor,
Calculating the difference between the first inspection information and the first predictive inspection information,
Comparing the calculated difference with the preset threshold.

The method of claim 1,
The first algorithm is a search algorithm,
The second algorithm is a machine-learning based reinforcement learning algorithm,
The processor,
Generating the plurality of first candidate control parameters by applying the first prediction check information to the search algorithm,
The apparatus for generating the plurality of second candidate control parameters by applying the first control parameter and the first prediction check information to the machine-learning-based reinforcement learning algorithm.

The method of claim 13, wherein the processor,
Calculating the difference between the first inspection information and the first predictive inspection information,
Comparing the calculated difference with the preset threshold.

The method of claim 1,
The first algorithm is an optimization algorithm,
The second algorithm is a search algorithm,
The processor,
Applying the first prediction check information to the optimization algorithm to generate the plurality of first candidate control parameters,
Generating the plurality of second candidate control parameters by applying the first prediction check information to the search algorithm,
The apparatus for generating a plurality of third candidate control parameters by applying the first control parameter and the first prediction check information to a machine-learning based reinforcement learning algorithm among the at least two algorithms.

The method of claim 15, wherein the processor,
Calculating the difference between the first inspection information and the first predictive inspection information,
Comparing the calculated difference with the preset threshold,
Determining the plurality of second control parameters from among the plurality of first candidate control parameters, the plurality of second candidate control parameters, and the plurality of third candidate control parameters based on a result of the comparison.

The method of claim 1, wherein the communication circuit receives second inspection information corresponding to each of the plurality of second control parameters,
The processor, by applying each of the plurality of second control parameters to the simulation model, to obtain second predictive inspection information on the print state of the solder paste.

The method of claim 17, wherein the processor,
Calculate an average value of the difference between the second test information and the second predictive test information,
If the calculated average value corresponds to a preset value, selects any one second control parameter from among the plurality of second control parameters,
Transmitting the selected second control parameter to the screen printer via the communication circuit.

As a method of generating control parameters of a screen printer,
The first control parameter of the screen printer is applied to a simulation model that derives predictive inspection information for the print state of the solder paste based on a plurality of control parameters of the screen printer, and a first control parameter for the print state of the solder paste is applied. Obtaining predictive test information;
Receiving first inspection information for a plurality of solder pastes printed by the screen printer based on the first control parameter;
Generating a plurality of first candidate control parameters based on the first predictive test information and a first algorithm of at least two algorithms, wherein the at least two algorithms are configured to generate a plurality of candidate control parameters for the screen printer. Will-;
Generating a plurality of second candidate control parameters based on the first prediction check information and a second algorithm among the at least two algorithms;
A plurality of second controls among the plurality of first candidate control parameters and the plurality of second candidate control parameters based on a comparison between a difference between the first test information and the first predictive test information and a preset threshold value Determining parameters; And
Transmitting the plurality of second control parameters to the screen printer
How to include.