TWI799104B - 最佳化參數的產生方法及產生裝置 - Google Patents
最佳化參數的產生方法及產生裝置 Download PDFInfo
- Publication number
- TWI799104B TWI799104B TW111102924A TW111102924A TWI799104B TW I799104 B TWI799104 B TW I799104B TW 111102924 A TW111102924 A TW 111102924A TW 111102924 A TW111102924 A TW 111102924A TW I799104 B TWI799104 B TW I799104B
- Authority
- TW
- Taiwan
- Prior art keywords
- parameter
- parameters
- steel plate
- solder paste
- algorithm
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 229910000679 solder Inorganic materials 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000007639 printing Methods 0.000 claims abstract description 51
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 113
- 239000010959 steel Substances 0.000 claims description 113
- 230000008569 process Effects 0.000 claims description 80
- 238000009826 distribution Methods 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 31
- 239000011148 porous material Substances 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims 2
- 238000004140 cleaning Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000003466 welding Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
- Diaphragms For Electromechanical Transducers (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本發明實施例提供一種最佳化參數的產生方法及產生裝置,並適用於表面黏著技術的錫膏印刷相關參數。在產生方法中,透過分群參數模型判斷至少一輸入參數是否偏離至少一參數群組。透過整體參數模型判斷輸入參數中多個目標參數的印刷結果。透過啟發式演算法自目標參數中篩選出至少一候選參數。透過個別參數模型修正候選參數。藉此,可得出具有高作業週期以及低失敗率的最佳化參數。
Description
本發明是有關於一種表面黏著技術(Surface Mounting Technology,SMT),且特別是有關於一種用於錫膏作業的最佳化參數的產生方法及產生裝置。
SMT的錫膏印刷作業涉及多種變因並可能影響印刷品質。這些變因例如是鋼板的型號、孔徑(aperture)分布、作業環境、或印刷機的相關參數等。而印刷品質例如是錫膏位置及焊墊(pad)上的錫量。另一方面,錫膏檢查機(Solder Paste Inspection,SPI)可檢測印刷完畢的電路板(Printed Circuit Board,PCB)上的錫膏印刷品質。由於錫膏檢查機的檢測誤判率較高,因此需要人工進行複判。然而,錫膏印刷品質的檢測項目繁多且複雜。一般來說,作業人員需根據個人經驗判定PCB與SPI檢測數據,導致增加PCB檢測的人力和時間的成本。
有鑑於此,本發明實施例提供一種最佳化參數的產生裝置及產生方法,可產生最佳的錫膏印刷參數設定,同時確保於最佳化參數下鋼板的每一焊墊的製程結果為正常。
本發明實施例的最佳化參數的產生方法包括(但不僅限於)下列步驟:透過分群參數模型判斷輸入參數是否偏離參數群組,各輸入參數相關於鋼板上的一個或更多個孔徑(aperture)的分布、錫膏資訊及/或製程環境。透過整體參數模型判斷一個或更多個輸入參數中多個目標參數的印刷結果。整體參數模型是透過第一機器學習演算法所訓練,且各目標參數相關於錫膏作業對鋼板的一個或更多個製程參數。透過啟發式(heuristic)演算法自目標參數中篩選出候選參數。各目標參數中的那些製程參數作為啟發式演算法中的目標函數中的變數。透過個別參數模型修正候選參數。個別參數模型是透過第二機器學習演算法並基於錫膏印刷作業的製程結果及孔徑的尺寸所訓練。製程結果包括利用那些製程參數在錫膏印刷作業對孔徑對應的錫墊所造成的結果。
本發明實施例的最佳化參數的產生裝置包括(但不僅限於)儲存器及處理器。儲存器用以儲存程式碼。處理器耦接儲存器。處理器載入且執行程式碼以經配置用以透過分群參數模型判斷輸入參數是否偏離參數群組,各輸入參數相關於鋼板上的一個或更多個孔徑的分布、錫膏資訊及/或製程環境。透過整體參數模型判斷輸入參數中多個目標參數的印刷結果,透過啟發式演算法自目標參數中篩選出候選參數,並透過個別參數模型修正候選參數。整體參數模型是透過第一機器學習演算法所訓練,且各目標參數相關於錫膏作業對鋼板的一個或更多個製程參數。各目標參數中的那些製程參數作為啟發式演算法中的目標函數中的變數。個別參數模型是透過第二機器學習演算法並基於錫膏印刷作業的製程結果及孔徑的尺寸所訓練。製程結果包括利用那些製程參數在錫膏印刷作業對孔徑對應的錫墊所造成的結果。
基於上述,依據本發明實施例的最佳化參數的產生裝置及產生方法,基於多個機器學習演算法所訓練的多個參數模型分別推斷鋼板/電路板整體及個別孔徑/焊墊層面的目標參數,適度篩選合適的候選參數,且修正候選參數。藉此,可得出具有高作業週期以及低失敗率的最佳化參數,以提升作業效率,並改進製程良率。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例的最佳化參數的產生裝置100的元件方塊圖。請參照圖1,最佳化參數的產生裝置100包括(但不僅限於)儲存器110及處理器120。最佳化參數的產生裝置100可以是桌上型電腦、筆記型電腦、智慧型手機、平板電腦、伺服器、影像辨識裝置、錫膏檢查機(Solder Paste Inspection,SPI)、錫膏印刷檢測儀器或其他運算裝置。
儲存器110可以是任何型態的固定或可移動隨機存取記憶體(Radom Access Memory,RAM)、唯讀記憶體(Read Only Memory,ROM)、快閃記憶體(flash memory)、傳統硬碟(Hard Disk Drive,HDD)、固態硬碟(Solid-State Drive,SSD)或類似元件。在一實施例中,儲存器110用以記錄程式碼、軟體模組、組態配置、資料(例如,輸入參數、製程參數、候選參數、製程結果、焊墊相關參數、錫膏印刷參數等)或其他檔案,並待後文詳述其實施例。
處理器120耦接儲存器110,處理器120並可以是中央處理單元(Central Processing Unit,CPU)、圖形處理單元(Graphic Processing unit,GPU),或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor,DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array,FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit,ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中,處理器120用以執行產生裝置100的所有或部份作業,且可載入並執行儲存器110所記錄的程式碼、軟體模組、檔案及資料。
下文中,將搭配最佳化參數的產生裝置100中的各項裝置、元件及/或模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整,且並不僅限於此。
圖2是依據本發明一實施例的最佳化參數的產生方法的流程圖。請參照圖2,處理器120先透過分群參數模型判斷一個或更多個輸入參數是否一個或更多個偏離參數群組(步驟S210)。具體而言,分群參數模型是透過相關於分群法(Clustering)的機器學習演算法所訓練。分群法(又稱聚類法)可以是k-平均演算法(K-means)、高斯混合模型(Gaussian Mixture Model, GMM)、聚類演算法(Mean-Shift)、階層式(Hierarchical)分群法、譜(Spectral)分群演算法、DBSCAN(Density-based spatial clustering of applications with noise)演算法或其他分群演算法。分群法可對參數分類,並將相似參數歸類至同一參數群組。
各輸入參數相關於焊墊分布(或孔徑分布)、錫膏資訊及/或製程環境。在一實施例中,焊墊分布可以是容積比例(Area Ratio)或焊墊所佔密度。例如,容積比例是焊墊的面積(例如,其長與寬的乘積)作為被除數且孔徑牆(aperture wall)的面積(例如,其長與寬之和的兩倍與其鋼板厚度的乘積)作為除數所得出的商數。又例如,焊墊所佔密度為特定半徑(例如,設定特定半徑為5毫米)。處理器120可依據焊墊分布決定鋼板上的孔徑容積率的偏度(Skewness)與峰度(Kurtosis)值及/或孔徑相鄰密度(作為孔徑分布)。在一實施例中,孔徑相鄰密度可以為鋼板上所有孔徑相鄰密度的中位數。例如,表(1)為焊墊分布的相關資料:
表(1)
焊墊編號 | 元件編號 | 孔徑長(L) | 孔徑寬(W) | 孔徑厚度(T) | 焊墊位置 (Pos X) | 焊墊位置 (Pos Y) |
1 | 1:C1101 | 0.305 | 0.305 | 0.1 | 32.873 | 87.502 |
2 | 1:D713 | 0.203 | 0.889 | 0.08 | 71.214 | 113.397 |
3 | 1:C1103 | 0.305 | 0.305 | 0.1 | 104.983 | 106.806 |
處理器120可對這些資料(例如,長、寬及厚度)預處理(pre-processing),以得出可供整體參數模型、分群參數模型以及個別參數模型使用的容積比例、密度或其他特徵變數。
此外,錫膏資訊可以是類型、供應商、顆粒大小及/或黏度。例如,類型是第四類,且A供應商提供原料。製程環境可以是環境的濕度及溫度。例如,溫度為26.8度,且濕度為百分之44.4。
在一實施例中,處理器120將輸入參數進行預處理,以得出鋼板上的多個孔徑的分布情況的統計資料。例如,鋼板中焊墊與孔徑的分布偏度(Skewness)、焊墊與孔徑的面積比例的分布峰度(Kurtosis)、以及鋼板中的孔徑的相鄰密度(Neighborhood Density)等。
在一實施例中,分群參數模型是將過往或當前所收集到相關於鋼板中的孔徑容積率的分布偏度、分布峰度以及孔徑的相鄰密度作為訓練樣本。具體而言,處理器120將輸入參數中的鋼板/電路板的焊墊與孔徑的面積比例統計出分布情況(例如,分布偏度(Area Kurtosis)、分布峰度(Area Skewness)以及鋼板中的中位數相鄰(Median Neighbor)),並透過分群參數模型判斷出當前的輸入參數的分布情況是否為離群值(Outlier)。即,輸入參數是否屬於任一個參數群組。例如,表(2)為鋼板中的孔徑相關資料的分布情況:
表(2)
序號 | 分布情況 | ||
分布偏度 | 分布峰度 | 鋼板孔徑密度(中位數相鄰) | |
1 | 0.6225 | 0.6033 | 0.6503 |
2 | 0.5981 | 0.5379 | 0.6503 |
3 | -1.5717 | -1.5512 | -1.5734 |
換句話說,處理器120將此次待測鋼板資料與過去收集到的鋼板資料進行離群值檢測,以辨識待測鋼板是否為離群值。假設待測鋼板資料屬於離群值,代表待測鋼板不屬於現有鋼板資料可以進行估測的鋼板。反之,若待測鋼板非屬於離群值,則代表待測鋼板屬於整體參數模型可以涵蓋與推估的鋼板類型。此外,若待測鋼板的數值相近或相同於收集到的鋼板資料,處理器120即可透過已收集的鋼板資料推估待測鋼板的印刷狀況與相關數據。
舉例而言,圖3是依據本發明一實施例的分群的示意圖。請參照圖3,每個點代表一片鋼板型號的多個焊墊所對應的孔徑的分布情況的統計資料,且x軸為焊墊與孔徑的面積比例的分布偏度,y軸為焊墊與孔徑的容積比例的分布峰度,z軸為鋼板孔徑的密度。處理器120利用DBSCAN演算法訓練的分群參數模型將收集到的鋼板資料的分布密度、分布峰度、以及孔徑密度分群出參數群組(例如,群體G1、G2)。假設待測鋼板的數據輸入至分群參數模型而得出其鋼板的分布情況為離群值301時,則代表此待測鋼板屬於現有的鋼板資料中無法推測出的鋼板。另一方面,假設待測鋼板的數據輸入至分群參數模型而得出這待測鋼板的孔徑狀況屬於現有資料可推論出的非離群值302(屬於群體G1),則代表這待測鋼板相同或相似於現有資料並可採用整體參數模型推論。
值得注意的是,各類型鋼板上的孔徑皆不同。因此,在這階段(又稱為非離群值辨識階段)以收集到的歷史鋼板資料(即,鋼板孔徑資料)為訓練與比對的資料。透過分群參數模型提供離群值或非離群值的辨識結果。即,基於分群演算法的分群參數模型可確認待測鋼板屬於現有鋼板相關資料所得出的模型(例如,整體參數模型或下文詳述的個別參數模型)可涵蓋的鋼板類型。換句話說,即便現有的鋼板資料(即,歷史鋼板資料)中不包含與待測鋼板相同的分布情況,透過分群參數模型仍可以確認待測鋼板與現有的鋼板資料之間的相似度很高(即,屬於非離群值),進而確認待測鋼板可以透過歷史鋼板資料推論得出其製程結果或其他有關於製程的相關結果。
請參照圖2,處理器120透過整體參數模型判斷一個或更多個輸入參數的多個目標參數的印刷結果(步驟S220)。具體而言,本發明實施例主要是針對表面黏著技術(Surface Mounting Technology,SMT)的錫膏印刷相關參數。處理器120可透過第一機器學習演算法訓練整體參數模型。即,整體參數模型相關於錫膏印刷作業。
機器學習演算法可分析訓練樣本以自中獲得規律,從而透過規律對未知資料預測。而參數模型即是經學習後所建構出的機器學習模型,並據以對待評估資料推論。本發明的第一機器學習演算法可以是迴歸分析演算法、極限梯度提升(eXtreme Gradient Boosting,XGboost)演算法、輕量梯度提升機器(Light Gradient Boosting Machine,LightGBM)、引導聚集(Bootstrap aggregating,Bagged)演算法、神經網路演算法、隨機森林(Random Forest)演算法或其他演算法。
在一實施例中,整體參數模型是將過往或當前所收集到相關於錫膏印刷作業對鋼板的一個或更多個製程參數作為訓練樣本。例如,刮刀壓力與速度、鋼板脫模速度與距離、鋼板清洗頻率、鋼板中孔徑的分布情況與密度、錫膏顆粒大小與黏度、現場環境溫溼度及對應的印刷結果。這些製程參數都是影響印刷結果的變因。因此,訓練好的整體參數模型可用於評斷使用製程參數所得出的印刷結果為正常或異常(或是成功或失敗)。即,整體參數模型為二元分類器。
在一實施例中,處理器120可透過特徵提取(feature extraction)(又稱,特徵抽取)篩選製程參數以作為訓練樣本(即,製程參數)。特徵提取是對初始收集/擷取的資料參數建構出包括資訊性而且不冗餘的衍生值(或稱為特徵值(feature))。特徵提取可輔助後續的學習及規則歸納過程,且可對初始的資料參數有更佳的詮釋。換句而言,特徵提取可對輸入參數簡化或運算成特徵集合,並直接使用特徵集合來執行後續任務(例如,模型訓練、參數分析、印刷結果推測等)。
目標參數相關於錫膏印刷作業對鋼板的一個或更多個製程參數。這目標參數可以是輸入參數、錫膏顆粒大小、錫膏黏度、環境溫度、環境濕度、錫膏鋼板印刷參數、刮刀壓力、刮刀速度、鋼板脫模速度、鋼板脫模距離以及鋼板清洗頻率等參數。例如,表(3)為一範例說明目標參數:
表(3)
電路板序號 | 刮刀壓力 | 刮刀速度 | 鋼板脫模速度 | 鋼板脫模距離 | 鋼板清洗頻率 | 溫度 | 濕度 |
1 | 6 | 70 | 0.1 | 0 | 2 | 26.2 | 45.2 |
2 | 6 | 85 | 1.0 | 1.5 | 8 | 27.3 | 43.1 |
3 | 6 | 90 | 2.0 | 0.5 | 7 | 28.3 | 41 |
值得注意的是,各電路板設有上千甚至上萬個焊墊,且不同焊墊還可能對應有不同的孔徑。因此,在這階段(又稱為電路板階段)先以電路板或鋼板整體為評估對象。透過整體參數模型初步提供合適於這孔徑分布的鋼板的一個或更多個目標參數。即,基於整體參數模型輸出的目標參數進行印刷作業可得出印刷正常或成功的結果(即,印刷結果)。
處理器120透過啟發式(heuristic)演算法自目標參數中篩選出候選參數(步驟S230)。啟發式演算法可以是基因演算法、爬山演算法(Hill-Climbing Algorithm)、模擬退火法(Simulated Annealing)、禁忌搜尋演算法(Tabu Search)、基因演算法(Genetic Algorithm)、大洪水演算法(Great Deluge Algorithm)或粒子群演算法(Particle Swarm Optimization)。啟發式演算法是用於在函數中找到最佳解的演算法。
各候選參數相關於序號、刮刀壓力、刮刀速度、鋼板脫模速度、鋼板脫模距離、鋼板清洗頻率、鋼板中孔徑的分布情況、鋼板孔徑密度、錫膏顆粒大小、錫膏顆粒黏度、環境溫度、環境濕度及/或印刷結果。
在一實施例中,處理器120將目標參數中的製程參數作為這啟發式演算法中的目標函數中的變數。製程參數相關於錫膏印刷作業中的任一設定參數。例如,製程參數可以是刮刀壓力、刮刀速度、鋼板脫模速度、鋼板脫模距離及/或鋼板清洗頻率。
在一實施例中,處理器120將鋼板孔徑分布狀況、鋼板孔徑密度、錫膏顆粒大小、錫膏顆粒黏度、環境溫度及/或環境濕度作為固定參數,且處理器120透過啟發式演算法動態地更新作為其目標函數中變數的各製程參數,以得出前往最佳解的趨勢。此外,處理器120將固定參數以及更新/初始的製程參數輸入至整體參數模型以判斷出對應的印刷結果(成功或失敗)。若整體參數模型判斷的印刷結果為失敗,則處理器120將嘗試其他參數。若整體參數模型判斷的印刷結果為成功,則處理器120將繼續修正參數直到得出最佳解。據此,處理器120可將印刷結果為成功的參數篩選作為候選參數。
在一實施例中,啟發式演算法為粒子群演算法。處理器120可透過粒子群演算法判斷目標函數的一個或更多個最佳解,並將最佳解作為候選參數。例如,表(4)為一範例說明候選參數:
表(4)
序號 | 刮刀壓力 | 刮刀速度 | 鋼板脫模速度 | 鋼板脫模距離 | 鋼板清洗頻率 | 鋼板孔徑分布情況 | 印刷結果 | ||
分布偏度 | 分布峰度 | 鋼板孔徑密度 | |||||||
1 | 6 | 90 | 0.1 | 2 | 7 | 0.6225 | 0.6033 | 0.6503 | 成功 |
2 | 6.5 | 90 | 0.12 | 2 | 8 | 0.6225 | 0.6033 | 0.6503 | 成功 |
3 | 6.2 | 85 | 0.14 | 1.8 | 8 | 0.6225 | 0.6033 | 0.6503 | 成功 |
於表(4)的範例中,其錫膏資訊、環境溫溼度為固定參數。例如,錫膏類型為第四類,錫膏黏度為600,環境溫度為攝氏26.2度,且環境濕度百分之45.2。
請參照圖2,處理器120透過個別參數模型修正候選參數(步驟S240)。具體而言,處理器120透過第二機器學習演算法並基於錫膏印刷作業的製程結果及孔徑的尺寸訓練出個別參數模型。第二機器學習演算法可以相同或不同於第一機器學習演算法,並可由應用者依據需求自行決定。與整體參數模型不同之處在於,個別參數模型的訓練樣本更多考慮到孔徑的尺寸。例如,焊墊與孔徑的面積比例、孔徑的長寬及孔徑所占密度。這些參數都是影響錫膏印刷作業的製程結果的變因。而製程結果是利用製程參數在錫膏印刷作業對孔徑對應的錫墊所造成的結果。
在一實施例中,製程結果包括鋼板印刷中每一焊墊的每一孔徑的錫膏量為正常、多錫或少錫的結果。例如,若以錯誤率區別這些結果,則1.9%為正常,38%為少錫,且59.2%為多錫。值得注意的是,處理器120透過個別參數模型確保每一候選參數所對應的鋼板之中的每一焊墊的孔徑的製程結果皆為正常錫膏量。因此,在這階段(又稱為焊墊階段)中,處理器120是以焊墊為觀察對象,並進一步確認利用特定製程參數所造成的製程結果為鋼板上一個或更多個孔徑的錫膏量皆為正常。
相似地,個別參數模型是將過往或當前所收集到相關於錫膏印刷作業對鋼板的一個或更多個製程參數作為訓練樣本。例如,刮刀壓力與速度、鋼板脫模速度與距離、鋼板清洗頻率、鋼板孔徑分布狀況與密度、錫膏顆粒大小與黏度、現場環境溫溼度、焊墊與孔徑的容積率、孔徑的長寬及孔徑所占密度及對應的製程結果。這些製程參數及孔徑尺寸都是影響製程結果的變因。因此,訓練好的個別參數模型可用於評斷使用製程參數及孔徑尺寸所得出的製程結果(例如,焊錫量多寡)。即,個別參數模型為多元分類器。在一實施例中,處理器120可透過篩選製程參數及孔徑的尺寸以作為訓練樣本。
舉例來說,個別參數模型的輸入參數及製程結果如表(5)所示:
表(5)
也就是說,處理器120推論利用這些製程參數所得到的錫膏量為正常。
刮刀速度 | 刮刀壓力 | 鋼板脫模速度 | 鋼板脫模距離 | 鋼板清洗頻率 | 錫膏顆粒大小 | 錫膏顆粒黏度 |
6 | 90 | 1.5 | 2 | 7 | 第4類 | 600 |
6 | 90 | 1.5 | 2 | 7 | 第4類 | 600 |
6 | 90 | 1.5 | 2 | 7 | 第4類 | 600 |
現場環境溫度 | 現場環境濕度 | 印刷結果 | 鋼板孔徑面積比 | 孔徑長寬比 | 孔徑密度 | 焊墊錫膏量 | 錫膏量(體積(%)) |
26.2 | 45.2 | 成功 | 0.677 | 1.069 | 51 | 正常 | 126.808 |
26.2 | 45.2 | 成功 | 1.0175 | 1 | 66 | 正常 | 116.843 |
26.2 | 45.2 | 成功 | 0.875 | 1 | 150 | 正常 | 110.417 |
在一實施例中,處理器120可依據個別參數模型所輸出的預測結果(即,所預測的製程結果)透過強化學習(Reinforcement Learning)演算法修正候選參數對應的製程結果成為正常錫量。圖4是依據本發明一實施例的強化學習的示意圖。請參照圖4,在強化學習中,處理器120擬定策略(policy)(例如,設定行動(action)範圍為刮刀壓力介於±1且刮刀速度介於±5)(步驟S410),透過個別參數模型預測這策略及主體(agent)所提供的狀態(state)(例如,錫膏機台參數)在環境(environment)中對應的製程結果(步驟S420),並據以給予獎勵(reward)(例如,錯誤率越低越好)(步驟S430)。由此可知,經過強化學習修正的候選參數,其對應的鋼板之上的每一孔徑的錫膏量皆為正常。
在一實施例中,製程結果更包括作業效率,且作業效率相關於作業週期(Cycle time)及/或失敗率(Fail rate)。作業週期是印刷作業的時間並有關於鋼板脫模速度及鋼板清洗頻率。例如,作業週期為鋼板脫離速度的倒數開根號與鋼板清洗頻率之平方的總和。失敗率為鋼板上每一焊墊的孔徑發生異常的比例。
處理器120更依據個別參數模型所輸出的預測結果透過強化學習演算法修正候選參數對應的作業效率成為最佳者。以圖4為例,個別參數模型所得出的預測結果(即,製程結果)為失敗率及/或作業週期。而獎勵提供的依據是針對「失敗率為越小越好,作業週期為越大越好」的規則。
在一實施例中,處理器120將候選參數的修正結果進行疊代處理。以圖4為例,處理器120可依據先前機台參數對應的獎勵所更新的機台參數再設定行動範圍,並在環境中模擬製程結果。如此反覆進行,即達成疊代處理。
以表(6)與表(7)為例:
表(6)
表(7)
如圖4與表(7)所示,處理器120可調整刮刀壓力與速度、鋼板脫離速度與距離等設定已設定強化學習演算法中的行動範圍,且將失敗率與作業週期設為求最佳化的獎勵。即,失敗率為越小越好,作業週期為越大越好。此外,處理器120以錫膏機台參數作為環境中的所有狀態。據此,處理器120基於上述設定對候選參數進行疊代處理。
序號 | 刮刀壓力 | 刮刀速度 | 鋼板脫模速度 | 鋼板脫模距離 | 鋼板清洗頻率 |
1 | 6 | 90 | 0.1 | 2 | 7 |
2 | 6.5 | 85 | 0.12 | 2 | 8 |
3 | 6.2 | 85 | 0.14 | 1.8 | 8 |
疊代次數 | 刮刀壓力 | 刮刀速度 | 鋼板脫模速度 | 鋼板脫模距離 | 鋼板清洗頻率 | 失敗率 | 作業週期 |
1 | 6.1 | 90 | 0.1 | 2 | 7 | 0.0150 | 17.1623 |
2 | 2 | 89 | 0.2 | 2.1 | 8 | 0.0147 | 18.2360 |
3 | 6.1 | 87 | 0.2 | 2.1 | 8 | 0.0168 | 18.5819 |
4 | 6.2 | 88 | 0.25 | 2.2 | 7 | 0.0165 | 16 |
5 | 6.3 | 89 | 0.2 | 2.1 | 8 | 0.0145 | 18.236068 |
6 | 6.4 | 87 | 0.15 | 2.1 | 9 | 0.032 | 20.581989 |
7 | 6.3 | 89 | 0.1 | 2 | 8 | 0.064 | 19.162278 |
8 | 6.4 | 89 | 0.15 | 1.9 | 8 | 0.025 | 18.5819 |
9 | 6.5 | 88 | 0.2 | 2 | 9 | 0.0135 | 20.2360 |
10 | 6.5 | 87 | 0.25 | 2.1 | 9 | 0.0652 | 20 |
表(7)為以表(6)的序號為1為例並進行10次疊代處理所獲得的參數。處理器120將候選參數輸入個別參數模型,而個別參數模型逐次調整刮刀壓力、刮刀速度、鋼板脫模速度、鋼板脫模距離以及鋼板清洗頻率的數值(即,強化學習中的行動)。接著,處理器120將各參數輸入至個別參數模型的環境,以得出對應的作業週期和失敗率,並據以給予獎勵。經數次疊代處理後,處理器120可得出第9次疊代的失敗率為最低且作業週期為最大的最佳解。
再舉一範例說明應用情境,產生裝置100透過輸入介面(例如,鍵盤、滑鼠或觸控螢幕)接收來自使用者對於輸入參數的輸入操作。處理器120可基於現場環境溫溼度以及錫膏類型等製程參數利用參數模型估測,即可得出建議的製程參數為:刮刀壓力為6.5、刮刀速度為88、鋼板脫模速度為0.2、鋼板脫模距離為2、以及鋼板清洗頻率為9。此外,利用這些製程參數在印刷作業中可能得出失敗率為0.0135、以及作業週期為20的製程結果。
綜上所述,在本發明實施例的最佳化參數的產生裝置及最佳化參數的產生方法中,判斷待測鋼板是否為非離群值,以確保待測鋼板屬於現有鋼板數據可推論與推測的鋼板。本發明實施例在電路板階段結合啟發式演算法及參數模型動態地修正目標參數,以獲得對應待測鋼板的機台設定參數及環境參數(即,候選參數)。此外,本發明實施例在焊墊階段結合強化學習及參數模型,使參數能趨近於設定的製程結果。藉此,所提供的最佳化參數將可達到鋼板中每一孔徑的錫膏量皆為正常、以及得出高作業週期以及低失敗率的特點。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:最佳化參數的產生裝置
110:儲存器
120:處理器
S210~S240、S410~S430:步驟
x、y、z:軸
G1、G2:群體
301:離群值
302:非離群值
圖1是依據本發明一實施例的最佳化參數的產生裝置的元件方塊圖。
圖2是依據本發明一實施例的最佳化參數的產生方法的流程圖。
圖3是依據本發明一實施例的分群的示意圖。
圖4是依據本發明一實施例的強化學習(Reinforcement Learning)的示意圖。
S210~S240:步驟
Claims (14)
- 一種最佳化參數的產生方法,適用於表面黏著技術(Surface Mounting Technology,SMT)的錫膏印刷相關參數,該產生方法包括: 透過一分群參數模型判斷至少一輸入參數是否偏離至少一參數群組,其中每一該輸入參數相關於一鋼板的至少一孔徑的分布、一錫膏資訊及一製程環境中的至少一者; 透過一整體參數模型判斷該至少一輸入參數中多個目標參數的印刷結果,該整體參數模型是透過一第一機器學習演算法所訓練,且每一該目標參數相關於一錫膏印刷作業對該鋼板的至少一製程參數; 透過一啟發式(heuristic)演算法自該些目標參數中篩選出至少一候選參數,其中每一該目標參數中的該至少一製程參數作為該啟發式演算法中的一目標函數中的變數;以及 透過一個別參數模型修正該至少一候選參數,其中該個別參數模型是透過一第二機器學習演算法並基於該錫膏印刷作業的一製程結果及該至少一孔徑的尺寸所訓練,且該製程結果包括利用該至少一製程參數在該錫膏印刷作業對該至少一孔徑對應的錫墊所造成的結果。
- 如請求項1所述的最佳化參數的產生方法,其中該啟發式演算法是一粒子群演算法(Particle Swarm Optimization,PSO),且自該些目標參數中篩選出該至少一候選參數的步驟包括: 透過該粒子群演算法判斷該目標函數的至少一最佳解,其中該至少一最佳解作為該至少一候選參數。
- 如請求項1所述的最佳化參數的產生方法,其中透過該個別參數模型修正該至少一候選參數的步驟包括: 依據該個別參數模型所輸出的一預測結果透過一強化學習(Reinforcement Learning)演算法修正該至少一候選參數對應的製程結果成為正常錫量。
- 如請求項1所述的最佳化參數的產生方法,其中該製程結果更包括一作業效率,該作業效率相關於作業週期及失敗率中的至少一者,且透過該個別參數模型修正該至少一候選參數的步驟包括: 依據該個別參數模型所輸出的一預測結果透過一強化學習演算法修正該至少一候選參數對應的作業效率成為最佳者。
- 如請求項1所述的最佳化參數的產生方法,其中該分群參數模型是透過相關於分群法(Clustering)的一第三機器學習演算法所訓練。
- 如請求項1所述的最佳化參數的產生方法,其中該至少一孔徑的分布包括該些鋼板中的一者的焊墊與孔徑的面積比例及其中的孔徑所佔密度。
- 如請求項3或4所述的最佳化參數的產生方法,其中透過該強化學習演算法修正該至少一候選參數的步驟包括: 將該至少一候選參數的修正進行一疊代處理。
- 一種最佳化參數的產生裝置,包括: 一儲存器,儲存一程式碼;以及 一處理器,耦接該儲存器,載入且執行該程式碼以經配置用以: 透過一分群參數模型判斷至少一輸入參數是否偏離至少一參數群組,其中每一該輸入參數相關於一鋼板的至少一孔徑的分布、及一錫膏資訊及一製程環境中的至少一者; 透過一整體參數模型判斷該至少一輸入參數中多個目標參數的印刷結果,該整體參數模型是透過一第一機器學習演算法所訓練,且每一該目標參數相關於一錫膏印刷作業對該鋼板的至少一製程參數; 透過一啟發式演算法自該些目標參數中篩選出至少一候選參數,其中每一該目標參數中的該至少一製程參數作為該啟發式演算法中的一目標函數中的變數;以及 透過一個別參數模型修正該至少一候選參數,其中該個別參數模型是透過一第二機器學習演算法並基於該錫膏印刷作業的一製程結果及該至少一孔徑的尺寸所訓練,且該製程結果包括利用該至少一製程參數在該錫膏印刷作業對該至少一孔徑對應的錫墊所造成的結果。
- 如請求項8所述的最佳化參數的產生裝置,其中該啟發式演算法是一粒子群演算法,且該處理器更經配置用以: 透過該粒子群演算法判斷該目標函數的至少一最佳解,其中該至少一最佳解作為該至少一候選參數。
- 如請求項8所述的最佳化參數的產生裝置,其中該處理器更經配置用以: 依據該個別參數模型所輸出的一預測結果透過一強化學習演算法修正該至少一候選參數對應的製程結果成為正常錫量。
- 如請求項8所述的最佳化參數的產生裝置,其中該製程結果更包括一作業效率,該作業效率相關於作業週期及失敗率中的至少一者,且該處理器更經配置用以: 依據該個別參數模型所輸出的一預測結果透過一強化學習演算法修正該至少一候選參數對應的作業效率成為最佳者。
- 如請求項8所述的最佳化參數的產生裝置,其中該分群參數模型是透過相關於分群法的一第三機器學習演算法所訓練。
- 如請求項8所述的最佳化參數的產生裝置,其中該至少一孔徑的分布包括該些鋼板中的一者的焊墊與孔徑的面積比例及其中的孔徑所佔密度。
- 如請求項10或11所述的最佳化參數的產生裝置,其中該處理器更經配置用以: 將該至少一候選參數的修正進行一疊代處理。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111102924A TWI799104B (zh) | 2022-01-24 | 2022-01-24 | 最佳化參數的產生方法及產生裝置 |
CN202211604765.7A CN116485168A (zh) | 2022-01-24 | 2022-12-13 | 最佳化参数的产生方法及产生装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111102924A TWI799104B (zh) | 2022-01-24 | 2022-01-24 | 最佳化參數的產生方法及產生裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI799104B true TWI799104B (zh) | 2023-04-11 |
TW202331577A TW202331577A (zh) | 2023-08-01 |
Family
ID=86948805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111102924A TWI799104B (zh) | 2022-01-24 | 2022-01-24 | 最佳化參數的產生方法及產生裝置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116485168A (zh) |
TW (1) | TWI799104B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597968A (zh) * | 2018-12-29 | 2019-04-09 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
CN110427593A (zh) * | 2018-12-19 | 2019-11-08 | 西安电子科技大学 | 基于工业大数据的smt印刷参数优化方法 |
CN110543616A (zh) * | 2018-12-26 | 2019-12-06 | 西安电子科技大学 | 基于工业大数据的smt锡膏印刷体积预测方法 |
US10785901B2 (en) * | 2018-07-25 | 2020-09-22 | Harbin Institute Of Technology | Optimization approach for placement heads tasks assignment of beam-type single-gantry surface mounters |
TWI715289B (zh) * | 2019-11-14 | 2021-01-01 | 新加坡商鴻運科股份有限公司 | 產品印刷參數設定裝置、方法及電腦可讀取存儲介質 |
TW202113599A (zh) * | 2019-09-19 | 2021-04-01 | 英業達股份有限公司 | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 |
-
2022
- 2022-01-24 TW TW111102924A patent/TWI799104B/zh active
- 2022-12-13 CN CN202211604765.7A patent/CN116485168A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10785901B2 (en) * | 2018-07-25 | 2020-09-22 | Harbin Institute Of Technology | Optimization approach for placement heads tasks assignment of beam-type single-gantry surface mounters |
CN110427593A (zh) * | 2018-12-19 | 2019-11-08 | 西安电子科技大学 | 基于工业大数据的smt印刷参数优化方法 |
CN110543616A (zh) * | 2018-12-26 | 2019-12-06 | 西安电子科技大学 | 基于工业大数据的smt锡膏印刷体积预测方法 |
CN109597968A (zh) * | 2018-12-29 | 2019-04-09 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
TW202113599A (zh) * | 2019-09-19 | 2021-04-01 | 英業達股份有限公司 | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 |
TWI715289B (zh) * | 2019-11-14 | 2021-01-01 | 新加坡商鴻運科股份有限公司 | 產品印刷參數設定裝置、方法及電腦可讀取存儲介質 |
Also Published As
Publication number | Publication date |
---|---|
TW202331577A (zh) | 2023-08-01 |
CN116485168A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI732270B (zh) | 系統性設計規則檢查違規預測系統及方法 | |
US7962864B2 (en) | Stage yield prediction | |
US10983856B2 (en) | Identifying root causes of performance issues | |
JP6831347B2 (ja) | 学習装置、学習方法および学習プログラム | |
US20210350234A1 (en) | Techniques to detect fusible operators with machine learning | |
JP2023514891A (ja) | 分散型製品欠陥分析システム、方法及びコンピュータ可読記憶媒体 | |
JP7442550B2 (ja) | 推論演算装置、モデル訓練装置、及び推論演算システム | |
US20220261295A1 (en) | Method and system for ai based automated capacity planning in data center | |
WO2022267509A1 (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
Alelaumi et al. | Residue buildup predictive modeling for stencil cleaning profile decision-making using recurrent neural network | |
Patel et al. | MAG-D: A multivariate attention network based approach for cloud workload forecasting | |
Alelaumi et al. | A predictive abnormality detection model using ensemble learning in stencil printing process | |
US20220358364A1 (en) | Systems and methods for constructing an artificial intelligence (ai) neural-like model of a real system | |
TWI799104B (zh) | 最佳化參數的產生方法及產生裝置 | |
CN113240013A (zh) | 基于样本筛选的模型训练方法、装置、设备及存储介质 | |
Hong et al. | Hyperparameter optimization for convolutional neural network by opposite-based particle swarm optimization and an empirical study of photomask defect classification | |
JP2007264914A (ja) | データ解析方法 | |
Drahosova et al. | Adaptive fitness predictors in coevolutionary Cartesian genetic programming | |
JP2021197108A (ja) | 学習プログラム、学習方法および情報処理装置 | |
JP6805632B2 (ja) | 設計予測装置、設計予測プログラムおよび設計予測方法 | |
US20210271781A1 (en) | Guide layout creating apparatus, guide layout creating method and recording medium | |
CN115619698A (zh) | 电路板缺陷的检测方法、装置及模型训练方法 | |
TW202145083A (zh) | 使用相異訓練源訓練分類模型及應用其之推論引擎 | |
Bouvett et al. | An FPGA embedded system architecture for handwritten symbol recognition | |
Waseem et al. | VizInspect Pro—Automated Optical Inspection (AOI) solution |