TWI715289B

TWI715289B - 產品印刷參數設定裝置、方法及電腦可讀取存儲介質

Info

Publication number: TWI715289B
Application number: TW108141467A
Authority: TW
Inventors: 陳怡如; 許涵婷; 艾雪芳
Original assignee: 新加坡商鴻運科股份有限公司
Priority date: 2019-11-14
Filing date: 2019-11-14
Publication date: 2021-01-01
Also published as: TW202119250A

Abstract

一種產品印刷參數設定方法、裝置及電腦可讀取存儲介質，所述方法包括：建立一預設產品之印刷資料庫及不同規格產品資料庫；利用印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型；利用不同規格產品資料庫構建產品規格與SPI測項之第二預測模型；基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值；根據推算得到之SPI測項預測值構建目標函數；及將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，以輸出與所述當前產品對應之建議印刷參數。

Description

產品印刷參數設定裝置、方法及電腦可讀取存儲介質

本發明涉及表面貼裝技術(Surface Mounted Technology，SMT)領域，尤其涉及一種產品印刷參數設定裝置、方法及電腦可讀取存儲介質。

不同產品於進行SMT工藝時，錫膏印刷機可能需設置不同之印刷參數，才能滿足該產品所要求之印刷品質。習知印刷參數設置方式是貼片工程師憑藉自身經驗，選擇數種組合之印刷參數進行試印，以試誤之方式來將錫膏印刷機之印刷參數調整至適合當前新產品之參數，試誤成本較高。

有鑑於此，有必要提供一種產品印刷參數設定裝置、方法及電腦可讀取存儲介質，可實現針對不同規格產品自動計算出NPI階段之初始印刷參數之建議值，大幅縮短NPI導入時間。

本發明一實施方式提供一種產品印刷參數設定方法，所述方法包括：建立一預設產品之印刷資料庫，其中所述印刷資料庫包括生產所述預設產品而對錫膏印刷機所設置之多種試驗印刷參數及與每一所述試驗印刷參數對應之錫膏檢查機之SPI測項值；利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型；建立不同規格產品資料庫，其中所述不同規格產品資料庫包括多種不同尺寸之產品之產品尺寸、印刷參數、SPI測項值；利用所述不同規格產品資料庫構建產品規格與SPI測項之第二預測模型；基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值；根據推算得到之SPI測項預測值構建目標函數；及將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，以輸出與所述當前產品對應之建議印刷參數。

優選地，所述印刷參數包括刮刀壓力、印刷速度、脫模速度與脫模距離，所述SPI測項包括錫膏高度、錫膏面積及錫膏體積。

優選地，所述不同規格產品資料庫還包括產品之鋼網開孔大小資料。

優選地，所述利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型之步驟包括：將所述印刷資料庫中之資料劃分為訓練集及測試集，其中所述訓練集之資料量大於所述測試集之資料量；利用所述訓練集訓練得到所述第一預測模型及利用所述測試集對訓練得到之第一預測模型進行測試；及當訓練得到之第一預測模型之測試結果符合預設要求時，則結束對所述第一預測模型之訓練。

優選地，所述方法還包括：當訓練得到之第一預測模型之測試結果不符合預設要求時，調整初始機器學習模型之參數；利用所述訓練集重新對調整後之初始機器學習模型進行訓練得到第一預測模型及利用所述測試集對重新訓練得到之第一預測模型進行測試；當重新訓練得到之第一預測模型之測試結果符合所述預設要求時，則結束對所述第一預測模型之訓練；及當重新訓練得到之第一預測模型之測試結果不符合所述預設要求時，重複調整與訓練之步驟直至重新訓練得到之第一預測模型之測試結果符合所述預設要求。

優選地，所述基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值之步驟包括：基於所述第二預測模型估算每一所述規格產品之規格影響參數；及利用所述規格影響參數及所述第一預測模型推算出所述不同規格產品於多組印刷參數下之SPI測項預測值。

優選地，所述方法還包括：獲取所述當前產品於所述建議印刷參數下之SPI測項值；判斷所述SPI測項值與所述目標SPI測項值之差值是否於預設範圍內；及若不於所述預設範圍內，則根據預設微調整方式對所述建議印刷參數進行調整，並重複獲取與判斷步驟。

本發明一實施方式提供一種產品印刷參數設定裝置，所述裝置包括處理器及記憶體，所述記憶體上存儲有複數電腦程式，所述處理器用於執行記憶體中存儲之電腦程式時實現上述之產品印刷參數設定方法之步驟。

本發明一實施方式還提供一種電腦可讀取存儲介質，所述電腦可讀取存儲介質存儲有多條指令，多條所述指令可被一個或者多個處理器執行，以實現上述之產品印刷參數設定方法之步驟。

與習知技術相比，上述產品印刷參數設定裝置、方法及電腦可讀取存儲介質，藉由收集單一產品之印刷試驗資料構建第一預測模型，以及藉由收集數種不同尺寸產品之規格資料及印刷試驗資料構建第二預測模型，再結合該二種模型消除不同規格產品之印刷參數之預測差異，實現針對不同規格產品自動計算出NPI階段之新產品初始印刷參數之建議值，可避免多次盲調，大幅縮短NPI導入時間。

1:產品印刷參數設定系統

10:記憶體

20:處理器

30:產品印刷參數設定程式

101:第一建立模組

102:第一訓練模組

103:第二建立模組

104:第二訓練模組

105:推算模組

106:第三建立模組

107:輸出模組

100:產品印刷參數設定裝置

200:錫膏印刷機

300:錫膏檢查機

圖1是本發明一實施方式之產品印刷參數設定系統之架構圖。

圖2是本發明一實施方式之產品印刷參數設定裝置之功能模組圖。

圖3是本發明一實施方式之產品印刷參數設定程式之功能模組圖。

圖4是本發明一實施方式之產品印刷參數設定方法之流程圖。

請參閱圖1，為本發明產品印刷參數設定系統較佳實施例之示意圖。

於一實施方式中，所述產品印刷參數設定系統1包括產品印刷參數設定裝置100、錫膏印刷機200及錫膏檢查機(Solder Paste Inspection,SPI)300。所述錫膏印刷機200是SMT生產工藝中印刷電路板錫膏之生產設備，用在於線路板焊盤上塗覆焊錫膏。所述錫膏檢查機300用於量測錫膏之品質資料，比如量測錫膏高度、面積、體積等資料。所述產品印刷參數設定裝置100用於推算出新產品導入(new product introduction,NPI)階段中錫膏印刷機200之最佳初始印刷參數，然後再根據錫膏檢查機之檢測資料做微調，可減少試誤之次數，大幅降低NPI導入時間。

於一實施方式中，所述產品印刷參數設定裝置100還可藉由有線或無線之方式與所述錫膏印刷機200及所述錫膏檢查機300通信。於本發明之其他實施方式中，所述產品印刷參數設定裝置100亦可部分集成於所述錫膏印刷機200中，部分集成於所述錫膏檢查機300中。

請參閱圖2，為本發明產品印刷參數設定裝置較佳實施例之示意圖。

於一實施方式中，所述產品印刷參數設定裝置100包括記憶體10、處理器20以及存儲於所述記憶體10中並可於所述處理器20上運行之產品印刷參數設定程式30。所述處理器20執行所述產品印刷參數設定程式30時實現產品印刷參數設定方法實施例中之步驟，例如圖4所示之步驟S400~S412。或者，所述處理器20執行所述產品印刷參數設定程式30時實現產品印刷參數設定程式實施例中各模組之功能，例如圖3中之模組101~107。

所述產品印刷參數設定程式30可被分割成一個或多個模組，所述一個或者多個模組被存儲於所述記憶體10中，並由所述處理器20執行，以完成本發明。所述一個或多個模組可是能夠完成特定功能之一系列電腦程式指令段，所述指令段用於描述所述產品印刷參數設定程式30於所述產品印刷參數設定裝置100中之執行過程。例如，所述產品印刷參數設定程式30可被分割成圖3中之第一建立模組101、第一訓練模組102、第二建立模組103、第二訓練模組104、推算模組105、第三建立模組106及輸出模組107。各模組具體功能參見下圖3 中各模組之功能。

本領域技術人員可理解，所述示意圖僅是產品印刷參數設定裝置100之示例，並不構成對產品印刷參數設定裝置100之限定，可包括比圖示更多或更少之部件，或者組合某些部件，或者不同之部件，例如所述產品印刷參數設定裝置100還可包括顯示裝置、網路接入設備、匯流排等。

所稱處理器20可是中央處理單元(Central Processing Unit，CPU)，還可是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可是微處理器或者所述處理器20亦可是任何常規之處理器等，所述處理器20可利用各種介面與匯流排連接產品印刷參數設定裝置100之各個部分。

所述記憶體10可用於存儲所述產品印刷參數設定程式30與/或模組，所述處理器20藉由運行或執行存儲於所述記憶體10內之電腦程式與/或模組，以及調用存儲於記憶體10內之資料，實現所述產品印刷參數設定裝置100之各種功能。所述記憶體10可包括高速隨機存取記憶體，還可包括非易失性記憶體，例如硬碟機、記憶體、插接式硬碟機，智慧存儲卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他非易失性固態記憶體件。

圖3為本發明產品印刷參數設定程式較佳實施例之功能模組圖。

參閱圖3所示，產品印刷參數設定程式30可包括第一建立模組101、第一訓練模組102、第二建立模組103、第二訓練模組104、推算模組105、第三建立模組106及輸出模組107。於一實施方式中，上述模組可為存儲於所述記憶體10中且可被所述處理器20調用執行之可程式化軟體指令。可理解之是，於其他實施方式中，上述模組亦可為固化於所述處理器20中之程式指令或固件(firmware)。

所述第一建立模組101用於建立一預設產品之印刷資料庫。

於一實施方式中，所述預設產品可是具有一預設尺寸之印刷電路板，所述第一建立模組101可藉由收集該預設產品之多個試驗印刷參數及與該多個印刷參數對應之SPI測項值來建立所述印刷資料庫。所述印刷資料庫包括多個印刷樣本資料，每一印刷樣本資料包括一生產所述預設產品而對錫膏印刷機200所設置之試驗印刷參數及與所述試驗印刷參數對應之SPI測項值。

於一實施方式中，所述錫膏印刷機200之印刷參數可包括刮刀壓力、印刷速度、脫模速度與脫模距離等參數，所述錫膏檢查機300之SPI測項可包括錫膏高度、錫膏面積及錫膏體積。

所述第一訓練模組102用於利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型。

於一實施方式中，當建立所述預設產品之印刷資料庫時，所述第一訓練模組102可利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型。

於一實施方式中，所述第一訓練模組102可將印刷資料庫中之多個印刷樣本資料隨機劃分為訓練集及測試集，其中所述訓練集之資料量優選大於所述測試集之資料量，比如可將80%之印刷樣本資料劃分為所述訓練集，將20%之印刷樣本資料劃分為所述測試集，再利用所述訓練集對初始設網路模型進行訓練及利用所述測試集對訓練得到之第一預測模型進行測試。若訓練得到之第一預測模型之測試結果符合預設要求時，則可結束對所述第一預測模型之訓練。

於一實施方式中，所述初始機器學習模型可是神經網路模型，比如可是CNN或RNN神經網路模型。當所述第一訓練模組102利用所述訓練集對所述初始機器學習模型進行訓練可得到一第一預測模型，所述測試集之每一測試資料登錄至所述第一預測模型進行測試可得到一驗證結果，所述第一訓練模組102可統計得到每一測試資料之驗證結果，進而得到所述第一預測模型之最終測試結果，當所述第一預測模型之測試結果符合所述預設要求時，表明訓練得到之第一預測模型滿足要求，所述第一訓練模組102可結束對第一預測模型之訓練。所述預設要求可是模型測試準確率大於一預設閾值。比如，若測試集中之測試資料測試準確率大於95%，則表明訓練得到之第一預測模型滿足實際要求。

舉例而言，所述測試集中之每一測試資料登錄至訓練得到之第一預測模型可預測得到一組SPI測項值，若預測得到之SPI測項值與該測試資料中之SPI測項值之差值於預設範圍(比如差值於10%內)時，判斷該測試資料之測試結果為藉由。

當所述第一預測模型之測試結果不符合所述預設要求時，所述第一訓練模組102可調整所述初始機器學習模型之參數，再利用所述訓練集重新對調整後之初始機器學習模型進行訓練及利用所述測試集對重新訓練得到之第一預測模型進行測試。當重新訓練得到之第一預測模型之測試結果符合所述預設要求時，可結束對所述第一預測模型之訓練，當重新訓練得到之第一預測模型之測試結果仍然不符合所述預設要求時，可重複模型參數之調整與訓練步驟，直至重新訓練得到之第一預測模型之測試結果符合所述預設要求。

於一實施方式中，所述第一訓練模組102調整所述初始機器學習模型之參數，如神經網路模型參數，可是調整所述初始機器學習模型之總層數(比如，隱藏層之層數)與/或每一層之神經元數。

所述第二建立模組103用於建立不同規格產品資料庫。

於一實施方式中，所述第二建立模組103可藉由收集不同尺寸之印刷電路板之規格資料及量測資料來建立所述不同規格產品資料庫。所述不同規格產品資料庫可包括多種不同尺寸之產品(印刷電路板)之產品尺寸、印刷參數、SPI測項值、鋼網開孔大小資料等。所述不同規格之印刷電路板可是指具有不同尺寸之印刷電路板。

所述第二訓練模組104用於利用所述不同規格產品資料庫構建產品規格與SPI測項之第二預測模型。

於一實施方式中，當建立不同規格產品資料庫時，所述第二訓練模組104可利用所述不同規格產品資料庫構建產品規格與SPI測項之第二預測模型。所述第二預測模型可估測產品規格對SPI測項值之影響參數。舉例而言，對於相同之印刷參數，不同尺寸之產品可能可得到不同之SPI測項值，基於該些SPI測項值可預估產品規格對SPI測項值之影響參數。

於一實施方式中，所述第二預測模型可參考所述第一預測模型之訓練方式來訓練得到，於此不再詳述。所述第二訓練模組104可藉由新增不同尺寸產品之訓練資料來更新第二預測模型。

所述推算模組105用於基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值。

於一實施方式中，當訓練得到所述第一預測模型及所述第二預測模型時，所述推算模組105可基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值。

於一實施方式中，所述推算模組105可利用所述第二預測模型估算每一規格產品之規格影響參數，再利用所述規格影響參數及所述第一預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值。

所述第三建立模組106用於根據推算得到之SPI測項預測值構建目標函數。

於一實施方式中，當推算出不同規格產品於多組印刷參數下之SPI測項預測值時，所述第三建立模組106可根據推算得到之SPI測項預測值構建目標函數。所述目標函數可實現今去除產品規格之影響下預測各種規格產品於可能印刷參數組合下之SPI量測值。

所述輸出模組107用於將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，以輸出與所述當前產品對應之建議印刷參數。

於一實施方式中，當構建得到目標函數時，可根據所述目標函數找出使用者對當前產品所設定之目標SPI測項值相對應之印刷參數，再將該印刷參數作為初始印刷參數之建議值。具體地，所述輸出模組107可將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，即可得到與所述當前產品對應之建議印刷參數，其後SMT工程人員可再根據錫膏檢查機300所檢測之資料做微調，進而可減少試誤之次數。比如，當前產品可是長401.4mm、寬80.1mm、厚2.39mm之印刷電路板。當將當前產品之長、寬、厚及所設定之目標SPI測項值輸入至所述目標函數時，所述輸出模組107可輸出當前產品對應之建議印刷參數，SMT工程人員可根據所述建議印刷參數進行試誤，可減少試誤次數，降低NPI導入時間。

於一實施方式中，當得到與所述當前產品對應之建議印刷參數後，可獲取所述當前產品於所述建議印刷參數下之SPI測項值，再判斷所述SPI測項值與所述目標SPI測項值之差值是否於預設範圍內。若不於所述預設範圍內，則根據預設微調整方式對所述建議印刷參數進行調整，並重複獲取與判斷步驟，直至再次檢測到之SPI測項值與所述目標SPI測項值之差值落入所述預設範圍內。所述預設範圍可根據實際使用需求進行設定，比如所述預設範圍可是5%差值範圍。

圖4為本發明一實施方式中產品印刷參數設定方法之流程圖。根據不同之需求，所述流程圖中步驟之順序可改變，某些步驟可省略。

步驟S400，建立一預設產品之印刷資料庫。

於一實施方式中，所述預設產品可是具有一預設尺寸之印刷電路板，可藉由收集該預設產品之多個試驗印刷參數及與該多個印刷參數對應之SPI測項值來建立所述印刷資料庫。所述印刷資料庫包括多個印刷樣本資料，每一印刷樣本資料包括一生產所述預設產品而對錫膏印刷機200所設置之試驗印刷參數及與所述試驗印刷參數對應之SPI測項值。

步驟S402，利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型。

於一實施方式中，當建立所述預設產品之印刷資料庫時，可利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型。

於一實施方式中，可將印刷資料庫中之多個印刷樣本資料隨機劃分為訓練集及測試集，其中所述訓練集之資料量優選大於所述測試集之資料量，比如可將80%之印刷樣本資料劃分為所述訓練集，將20%之印刷樣本資料劃分為所述測試集，再利用所述訓練集對初始設網路模型進行訓練及利用所述測試集對訓練得到之第一預測模型進行測試。若訓練得到之第一預測模型之測試結果符合預設要求時，則可結束對所述第一預測模型之訓練。

於一實施方式中，所述初始機器學習模型可是神經網路模型，比如可是CNN或RNN神經網路模型。當利用所述訓練集對所述初始機器學習模型進行訓練可得到一第一預測模型，所述測試集之每一測試資料登錄至所述第一預測模型進行測試可得到一驗證結果，可統計得到每一測試資料之驗證結果，進而得到所述第一預測模型之最終測試結果，當所述第一預測模型之測試結果符合所述預設要求時，表明訓練得到之第一預測模型滿足要求，可結束對第一預測模型之訓練。所述預設要求可是模型測試準確率大於一預設閾值。比如，若測試集中之測試資料測試準確率大於95%，則表明訓練得到之第一預測模型滿足實際要求。

當所述第一預測模型之測試結果不符合所述預設要求時，可調整所述初始機器學習模型之參數，再利用所述訓練集重新對調整後之初始機器學習模型進行訓練及利用所述測試集對重新訓練得到之第一預測模型進行測試。當重新訓練得到之第一預測模型之測試結果符合所述預設要求時，可結束對所述第一預測模型之訓練，當重新訓練得到之第一預測模型之測試結果仍然不符合所述預設要求時，可重複模型參數之調整與訓練步驟，直至重新訓練得到之第一預測模型之測試結果符合所述預設要求。

於一實施方式中，調整所述初始機器學習模型之參數，如神經網路模型參數，可是調整所述初始機器學習模型之總層數(比如，隱藏層之層數)與/或每一層之神經元數。

步驟S404，建立不同規格產品資料庫。

於一實施方式中，可藉由收集不同尺寸之印刷電路板之規格資料及量測資料來建立所述不同規格產品資料庫。所述不同規格產品資料庫可包括多種不同尺寸之產品(印刷電路板)之產品尺寸、印刷參數、SPI測項值、鋼網開孔大小資料等。所述不同規格之印刷電路板可是指具有不同尺寸之印刷電路板。

步驟S406，利用所述不同規格產品資料庫構建產品規格與SPI測項之第二預測模型。

於一實施方式中，當建立不同規格產品資料庫時，可利用所述不同規格產品資料庫構建產品規格與SPI測項之第二預測模型。所述第二預測模型可估測產品規格對SPI測項值之影響參數。舉例而言，對於相同之印刷參數，不同尺寸之產品可能可得到不同之SPI測項值，基於該些SPI測項值可預估產品規格對SPI測項值之影響參數。

於一實施方式中，所述第二預測模型可參考所述第一預測模型之訓練方式來訓練得到，於此不再詳述。可藉由新增不同尺寸產品之訓練資料來更新第二預測模型。

步驟S408，基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值。

於一實施方式中，當訓練得到所述第一預測模型及所述第二預測模型時，可基於所述第一預測模型及所述第二預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值。

於一實施方式中，可利用所述第二預測模型估算每一規格產品之規格影響參數，再利用所述規格影響參數及所述第一預測模型推算出不同規格產品於多組印刷參數下之SPI測項預測值。

步驟S410，根據推算得到之SPI測項預測值構建目標函數。

於一實施方式中，當推算出不同規格產品於多組印刷參數下之SPI測項預測值時，可根據推算得到之SPI測項預測值構建目標函數。所述目標函數可實現今去除產品規格之影響下預測各種規格產品於可能印刷參數組合下之SPI量測值。

步驟S412，將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，以輸出與所述當前產品對應之建議印刷參數。

於一實施方式中，當構建得到目標函數時，可根據所述目標函數找出使用者對當前產品所設定之目標SPI測項值相對應之印刷參數，再將該印刷參數作為初始印刷參數之建議值。具體地，可將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，即可得到與所述當前產品對應之建議印刷參數，其後SMT工程人員可再根據錫膏檢查機300所檢測之資料做微調，進而可減少試誤之次數。比如，當前產品可是長401.4mm、寬80.1mm、厚2.39mm之印刷電路板。當將當前產品之長、寬、厚及所設定之目標SPI測項值輸入至所述目標函數時，可輸出當前產品對應之建議印刷參數，SMT工程人員可根據所述建議印刷參數進行試誤，可減少試誤次數，降低NPI導入時間。

上述產品印刷參數設定裝置、方法及電腦可讀取存儲介質，藉由收集單一產品之印刷試驗資料構建第一預測模型，以及藉由收集數種不同尺寸產品之規格資料及印刷試驗資料構建第二預測模型，再結合該二種模型消除不同規格產品之印刷參數之預測差異，實現針對不同規格產品自動計算出NPI階段之新產品初始印刷參數之建議值，可避免多次盲調，大幅縮短NPI導入時間。

綜上所述，本發明符合發明專利要件，爰依法提出專利申請。惟，以上所述者僅為本發明之較佳實施方式，本發明之範圍並不以上述實施方式為限，舉凡熟悉本案技藝之人士爰依本發明之精神所作之等效修飾或變化，皆應涵蓋於以下申請專利範圍內。

Claims

一種產品印刷參數設定方法，所述方法包括：建立一預設產品之印刷資料庫，其中所述印刷資料庫包括生產所述預設產品而對錫膏印刷機所設置之多種試驗印刷參數及與每一所述試驗印刷參數對應之錫膏檢查機之SPI測項值；利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型；建立不同規格產品資料庫，其中所述不同規格產品資料庫包括多種不同尺寸之產品之產品尺寸、印刷參數、SPI測項值；利用所述不同規格產品資料庫構建產品規格與SPI測項之第二預測模型；基於所述第二預測模型估算每一所述規格產品之規格影響參數；利用所述規格影響參數及所述第一預測模型推算出所述不同規格產品於多組印刷參數下之SPI測項預測值；根據推算得到之SPI測項預測值構建目標函數；及將當前產品之產品規格及所設定之目標SPI測項值輸入至所述目標函數，以輸出與所述當前產品對應之建議印刷參數。
如請求項1所述之方法，其中所述印刷參數包括刮刀壓力、印刷速度、脫模速度與脫模距離，所述SPI測項包括錫膏高度、錫膏面積及錫膏體積。
如請求項1所述之方法，其中所述不同規格產品資料庫還包括產品之鋼網開孔大小資料。
如請求項1所述之方法，其中所述利用所述印刷資料庫構建與所述預設產品對應之印刷參數與SPI測項之第一預測模型之步驟包括：將所述印刷資料庫中之資料劃分為訓練集及測試集，其中所述訓練集之資料量大於所述測試集之資料量；利用所述訓練集訓練得到所述第一預測模型及利用所述測試集對訓練得到之第一預測模型進行測試；及當訓練得到之第一預測模型之測試結果符合預設要求時，則結束對所述第一預測模型之訓練。
如請求項4所述之方法，還包括：當訓練得到之第一預測模型之測試結果不符合預設要求時，調整初始機器學習模型之參數；利用所述訓練集重新對調整後之初始機器學習模型進行訓練得到第一預測模型及利用所述測試集對重新訓練得到之第一預測模型進行測試；當重新訓練得到之第一預測模型之測試結果符合所述預設要求時，則結束對所述第一預測模型之訓練；及當重新訓練得到之第一預測模型之測試結果不符合所述預設要求時，重複調整與訓練之步驟直至重新訓練得到之第一預測模型之測試結果符合所述預設要求。
如請求項1所述之方法，還包括：獲取所述當前產品於所述建議印刷參數下之SPI測項值；判斷所述SPI測項值與所述目標SPI測項值之差值是否於預設範圍內；及若不於所述預設範圍內，則根據預設微調整方式對所述建議印刷參數進行調整，並重複獲取與判斷步驟。
一種產品印刷參數設定裝置，包括處理器及記憶體，所述記憶體上存儲有複數電腦程式，所述處理器用於執行記憶體中存儲之電腦程式時實現如請求項1至6中任一項所述之產品印刷參數設定方法之步驟。
一種電腦可讀取存儲介質，所述電腦可讀取存儲介質存儲有多條指令，多條所述指令可被一個或者多個處理器執行，以實現如請求項1至6中任一項所述之產品印刷參數設定方法之步驟。