【技术实现步骤摘要】
基于人工神经网络的回流焊参数智能生成方法
本专利技术是一种基于人工神经网络的回流焊参数智能生成方法,属于软钎焊表面组装
技术介绍
回流焊广泛应用于软钎焊领域,是表面组装(SMT)行业中必不可少的焊接设备。目前,行业中多使用以多温区累进、产品流水式前进为特征的热风或红外回流焊炉,对于体积大热容大的产品也会使用封闭的气相回流焊。链式传动的网带回流焊炉生产效率高、通用性强;缺点是产品在前进过程中温区不断变化,产品整体的温度很难与设置温度相一致。如果产品含有大体积、大热容的金属屏蔽盖、壳体或者底板,这类现象更加明显。对于设置温度与实际温度不一致,大体积产品内部不能完成温度均匀化的问题,标准多推荐采用实测产品温度、再调整热风回流焊炉设置来反复试错,这也是行业内普遍采用的做法。即根据经验设置一组回流焊设置(包括各温区温度,风频带速等),然后用样品实测一次,对照实测焊接热循环与期望焊接热循环,再调整各温区的温度设置,再实测,再调整……最终达到理想的效果。当产品种类较少,产品与产品之间差异不大时,人工试错法并不会影响效率。当产品种类繁多,材质多种多样,产品与产品之间质量体积差异在十几倍甚至几十倍时,依据人工经验进行试错经常要3~7次才能达到理想的效果,严重拖累效率。另外,如此做法过于依赖熟练员工经验,新员工没有经验积累,遇到全新的产品甚至无从下手。目前有学者采用人工神经网络,研究了回流焊设置与回流焊焊接热循环特征区域之间的关系,但这类研究并不能给出一组合理的初始设置。市场上也有少量相关的温区设置预测 ...
【技术保护点】
1.基于人工神经网络的回流焊参数智能生成方法,其特征包括以下步骤:/n(1)训练数据的收集:收集既有的产品特征数据以及相对应的回流焊设置数据,组成原始训练数据包;/n(2)训练数据的处理:按照传热模型对产品特征数据进行处理,作为输入数据,按照响应模型对回流焊设置数据进行处理,作为输出数据;/n(3)训练人工神经网络:搭建人工神经网络,用输入输出数据对人工神经网络进行训练,反复迭代,确定各节点间的连接权值及节点的阈值,得到成熟的人工神经网络;/n(4)智能生成回流焊设置:通过计算机应用程序的形式与人交互,输入产品特征,按顺序经过数据预处理、人工神经网络处理、数据后处理,最后得到回流焊参数。/n
【技术特征摘要】
1.基于人工神经网络的回流焊参数智能生成方法,其特征包括以下步骤:
(1)训练数据的收集:收集既有的产品特征数据以及相对应的回流焊设置数据,组成原始训练数据包;
(2)训练数据的处理:按照传热模型对产品特征数据进行处理,作为输入数据,按照响应模型对回流焊设置数据进行处理,作为输出数据;
(3)训练人工神经网络:搭建人工神经网络,用输入输出数据对人工神经网络进行训练,反复迭代,确定各节点间的连接权值及节点的阈值,得到成熟的人工神经网络;
(4)智能生成回流焊设置:通过计算机应用程序的形式与人交互,输入产品特征,按顺序经过数据预处理、人工神经网络处理、数据后处理,最后得到回流焊参数。
2.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法,其特征是所述步骤(1)训练数据的收集,所述数据为反映产品特征以及能确保回流焊正常运行的原始数据,如产品的材质、焊料熔点、外形尺寸、各部位质量、PCB板元器件密度、尺寸、质量以及回流焊的各温区温度、风频、网带速度。
3.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法,其特征是所述步骤(2)训练数据的处理,对于层压特征的产品如压块、电路板、焊料片以及壳体、衬板,采用“集总热阻热容分层传热模型”处理产品特征数据,得到复合热阻、整体热容、有效受热面积以及传热深度四个关键输入,模型的传热学计算公式如下:
式中R是复合热阻,n是上下层材料种类数,m是对应材料的质量,ρ是对应材料的密度,λ是对应材料的热导率,S是对应产品整体底面积;
式中Z是整体热容,n是所有材料种类数,m是对应材料的质量,c是对应材料的比热容;
式中D是有效受热面积,S是对应产品整体底面积,G是表面开孔镂空的面积;
P=0.9H
式中P是传热深度,H是对应产品高度;
将关键输入进行归一化,使各关键输入成比例地落在[0,1]内。
4.根据权利要求1所述的基于人工神经网络的回流焊参数智能生成方法,其特征是所述步骤(2)训练数据的处理,对于大壳体包围,内部电路板密布元器件的产品,采用“外部包围复合传热模型”处理产品特征数据,得到外围热导率...
【专利技术属性】
技术研发人员:李宇轩,陈梁,贾伏龙,崔洪波,
申请(专利权)人:中国电子科技集团公司第五十五研究所,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。