一种用于PCB板深镀能力提高的方法技术

本发明专利技术公开了一种用于PCB板深镀能力提高的方法，属于电路板技术领域；包括以下步骤：获取多次PCB板电镀工艺控制参数，并获取每次电镀工艺中PCB板的深镀能力；获取第一神经网络收敛时的最终降维矩阵；根据最终降维矩阵对每个多维向量进行降维获取多个第二降维向量；获取训练好的第二神经网络；基于目标函数，不断更新该多维向量中数值的大小再次训练第二神经网络，获取使PCB板的深镀能力最大时的PCB板电镀工艺控制参数。本发明专利技术利用准确度的深镀能力第二神经网络获取最优的电镀工艺控制参数数据，利用最优的电镀工艺控制参数数据控制电镀过程，有效提升PCB板的深镀能力。有效提升PCB板的深镀能力。有效提升PCB板的深镀能力。

【技术实现步骤摘要】
一种用于PCB板深镀能力提高的方法


[0001]本专利技术涉及电路板
，具体涉及一种用于PCB板深镀能力提高的方法。

技术介绍

[0002]随着社会经济的发展、工业化水平的提高，PCB板的使用量也随之提高。PCB板电镀质量是影响PCB板承载电路能力重要因素。影响PCB板电镀质量的重要因素之一是PCB板的深镀能力。因而受各种因素的影响PCB板在电镀过程中容易出现孔口外延镀层较厚孔内壁镀层较薄现象，这种现象是由深镀能力不足。影响深镀能力的主要因素有电流密度、药水浓度和光剂成分、振动设备信息、喷流设备信息等工艺数据，需通过拟合这些信息与深镀能力之间关系来确定最优深镀能力时对应的工艺控制参数。为了拟合这个关系网络需先获取历史生产的一些电镀加工数据，但是这种电镀加工数据是在实际生产或实验环境下中测量得到，这些工艺控制参数数据的采集存在人为因素，例如每次采集数据时不能保证PCB板、喷流机等放置的位置、角度等都保持一样，或者不能保持每次电镀工艺的操作流程一样，或者一些其他因素，如设备未清洗导致的药水残留、设备长时间工作导致的不稳定等因素没能考虑，因而这种情况下导致采集的工艺控制参数有噪声，最终会影响深镀能力控制的工艺参数。

技术实现思路

[0003]本专利技术提供一种用于PCB板深镀能力提高的方法，该方法利用准确度的深镀能力第二神经网络获取最优的电镀工艺控制参数数据，利用最优的电镀工艺控制参数数据控制电镀过程，有效提升PCB板的深镀能力。
[0004]本专利技术的目的是提供一种用于PCB板深镀能力提高的方法，包括以下步骤：获取多次PCB板电镀工艺控制参数，并获取每次电镀工艺中PCB板的深镀能力；其中，每次PCB板电镀工艺控制参数均构成多维向量；根据每次电镀工艺中PCB板的深镀能力进行离散化处理获取深镀能力等级向量；根据预设初始降维矩阵对所述多维向量进行降维获取第一降维向量；其中，所述第一降维向量的维度为N维；根据第一降维向量作为输入与深镀能力等级向量作为输出构建第一神经网络；根据第一降维向量中的前N/2维和后N/2维分别作为第一神经网络的输入获取第一损失函数；基于第一损失函数训练第一神经网络，当第一神经网络收敛时获取最终降维矩阵；根据最终降维矩阵对每个多维向量进行降维获取多个第二降维向量；其中，根据所述最终降维矩阵获取第二降维向量过程中是将所述每个多维向量中的噪声信息进行分离，则获取的每个所述第二降维向量中前N/2维中均包含对应多维向量的噪声信息，后N/2维中均不包含对应多维向量的噪声信息；根据最终降维矩阵中的数值和每个第二降维向量前N/2维数值获取每个第二降维向量对应的多维向量中任一数值的异常程度；
根据多维向量作为输入与深镀能力作为输出构建第二神经网络；根据每个多维向量中任一数值的异常程度获取第二神经网络中输入层神经元参数的正则化系数权重值；根据正则化系数权重值及第二神经网络中输入层神经元参数值获取综合损失函数；基于综合损失函数及多维向量和深镀能力组成的数据集训练第二神经网络，获取训练好的第二神经网络；将任一PCB板电镀工艺控制参数构成的多维向量通过最终降维矩阵进行降维获取第三降维向量，根据第三降维向量的后N/2维作为第二神经网络的输入获取目标函数；基于目标函数，不断更新该多维向量中数值的大小再次训练第二神经网络，获取使PCB板的深镀能力最大时的PCB板电镀工艺控制参数。
[0005]在一实施例中，训练第一神经网络过程中，采用多维向量和深镀能力等级向量组成的数据集，在训练过程中不断更新神经网络参数，同时不断更新获取第一降维向量对应的初始降维矩阵，直至收敛，获取第一神经网络收敛时的初始降维矩阵作为最终降维矩阵。
[0006]在一实施例中，获取综合损失函数过程中是根据正则化系数权重值及第二神经网络中输入层神经元参数值获取正则化损失函数；再根据正则化损失函数及第二神经网络原有的均方差损失函数而获取的。
[0007]在一实施例中，获取使PCB板的深镀能力最大时的PCB板电镀工艺控制参数的过程中，是基于目标函数，在保持第二神经网络中参数不变时，采用梯度下降法不断更新该多维向量中数值的大小再次训练第二神经网络，直至收敛，获取最终收敛时的多维向量，即获取该多维向量对应使PCB板的深镀能力最大时的PCB板电镀工艺控制参数。
[0008]在一实施例中，所述第一损失函数是按照以下步骤获取：根据第一降维向量的后N/2维输入至第一神经网络获取第一预测深镀能力等级向量；根据第一预测深镀能力等级向量获取第二损失函数；将第一降维向量的前N/2维输入至第一神经网络获取第二预测深镀能力等级向量；根据第二预测深镀能力等级向量获取第三损失函数；根据第二损失函数和第三损失函数获取第一损失函数。
[0009]在一实施例中，所述第二损失函数如下：式中，表示第二损失函数；表示第k次电镀工艺所对应的深镀能力等级为的深镀能力等级向量；表示第k次电镀工艺所对应的深镀能力等级为的第一预测深镀能力等级向量。
[0010]在一实施例中，所述第三损失函数如下：
式中，表示第三损失函数；表示第k次电镀工艺所对应的深镀能力等级为的第二预测深镀能力等级向量。
[0011]在一实施例中，所述每次电镀工艺中PCB板的深镀能力是按照以下步骤获取：通过镀层厚度检测仪检测PCB板孔内壁的镀层厚度及PCB板孔外延的镀层厚度，根据孔内壁的镀层厚度与孔外延的镀层厚度的比值获取深镀能力。
[0012]在一实施例中，所述深镀能力等级向量是按照以下步骤获取：将每次电镀工艺中PCB板的深镀能力进行离散化处理划分成多个深镀能力质量等级；获取每次电镀工艺中PCB板的深镀能力对应的深镀能力质量等级，并对深镀能力质量等级进行one
‑
hot编码获取每个深镀能力质量等级对应的深镀能力等级向量。
[0013]本专利技术的有益效果是：本专利技术提供的一种用于PCB板深镀能力提高的方法，该方法通过设计损失函数监督各工艺控制参数数据降维，使降维后的数据的准确可分维度数据和噪声的不可分维度数据区分开来，通过分析各数据在噪声不可分维度数据中的信息含量来确定各工艺控制参数数据的异常程度。通过异常程度来确定自适应正则化损失函数，利用该损失函数进行监督网络训练进而防止数据异常过拟合现象的发生，提高深镀能力第二神经网络的准确度。再利用准确度的深镀能力第二神经网络获取最优的电镀工艺控制参数数据，利用最优的电镀工艺控制参数数据控制电镀过程，有效提升PCB板的深镀能力。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1为本专利技术的一种用于PCB板深镀能力提高的方法的实施例总体步骤的流程示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于PCB板深镀能力提高的方法，其特征在于，包括以下步骤：获取多次PCB板电镀工艺控制参数，并获取每次电镀工艺中PCB板的深镀能力；其中，每次PCB板电镀工艺控制参数均构成多维向量；根据每次电镀工艺中PCB板的深镀能力进行离散化处理获取深镀能力等级向量；根据预设初始降维矩阵对所述多维向量进行降维获取第一降维向量；其中，所述第一降维向量的维度为N维；根据第一降维向量作为输入与深镀能力等级向量作为输出构建第一神经网络；根据第一降维向量中的前N/2维和后N/2维分别作为第一神经网络的输入获取第一损失函数；基于第一损失函数训练第一神经网络，当第一神经网络收敛时获取最终降维矩阵；根据最终降维矩阵对每个多维向量进行降维获取多个第二降维向量；其中，根据所述最终降维矩阵获取第二降维向量过程中是将所述每个多维向量中的噪声信息进行分离，则获取的每个所述第二降维向量中前N/2维中均包含对应多维向量的噪声信息，后N/2维中均不包含对应多维向量的噪声信息；根据最终降维矩阵中的数值和每个第二降维向量前N/2维数值获取每个第二降维向量对应的多维向量中任一数值的异常程度；根据多维向量作为输入与深镀能力作为输出构建第二神经网络；根据每个多维向量中任一数值的异常程度获取第二神经网络中输入层神经元参数的正则化系数权重值；根据正则化系数权重值及第二神经网络中输入层神经元参数值获取综合损失函数；基于综合损失函数及多维向量和深镀能力组成的数据集训练第二神经网络，获取训练好的第二神经网络；将任一PCB板电镀工艺控制参数构成的多维向量通过最终降维矩阵进行降维获取第三降维向量，根据第三降维向量的后N/2维作为第二神经网络的输入获取目标函数；基于目标函数，不断更新该多维向量中数值的大小再次训练第二神经网络，获取使PCB板的深镀能力最大时的PCB板电镀工艺控制参数。2.根据权利要求1所述的用于PCB板深镀能力提高的方法，其特征在于，训练第一神经网络过程中，采用多维向量和深镀能力等级向量组成的数据集，在训练过程中不断更新神经网络参数，同时不断更新获取第一降维向量对应的初始降维矩阵，直至收敛，获取第一神经网络收敛时的初始降维矩阵作为最终降维矩阵。3.根据权利要求1所述的用于PCB板深镀能力提高的方法，其特征在于，获取综合损失函数过程中是根据正则化系数权重值...

【专利技术属性】
技术研发人员：李婷，
申请(专利权)人：南通如东依航电子研发有限公司，
类型：发明
国别省市：