System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,具体涉及一种基于人机融合的smt产线关键工艺参数优化方法及存储介质。
技术介绍
1、smt指表面贴装技术(surfacemountedtechnology),是将无引脚或短引线表面组装元器件安装在印制电路板的表面或其他基板的表面,通过再流焊或浸焊等方式加以焊接组装的电路装连技术。在smt基本工艺流程中,锡膏印刷是第一步,印刷过程中的参数设置大多依赖操作员的经验值。
2、人工调参存在两大问题:停机调参时间长,造成极大产能损失;调参成本高,现有人工经验调参策略需要在产线上使用实际pcb主板进行大量实验,耗费大量人力物力,参数整定成本巨大。
3、传统模式下完全基于人工经验的锡膏印刷关键工艺参数设置办法,带有较强的人为依赖,以及缺少一定的预测性能。传统模式下,对于人类经验知识的过多强调,也未能发挥大量锡膏检测数据下机器自主学习的优势。若锡膏印刷检测不合格需紧急报警暂停生产作业,机器不具有自我调节工艺参数的能力。此外,产线不具备对工艺参数将要产生的锡膏印刷spi检测数据的预测能力,这对生产效率和合格率均产生不利影响。
技术实现思路
1、本专利技术提出的一种基于人机融合的smt产线关键工艺参数优化方法、设备及存储介质,可至少解决
技术介绍
中的技术问题之一。
2、为实现上述目的,本专利技术采用了以下技术方案:
3、一种基于人机融合的smt产线关键工艺参数优化方法,包括,
4、通过锡膏印刷系统对smt产线上的电路主板
5、通过锡膏印刷检测系统对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖是否合格;
6、构建印刷质量预测模型对从关键工艺参数到spi检测数据的对应关系进行拟合训练;
7、构建印刷工艺参数策略模型对从spi检测数据到关键工艺参数改进之间的策略模型进行拟合训练;
8、采用人类专家输入系统作为ai智能决策灾难性情况的紧急救助;
9、设置中心服务器将所述锡膏印刷检测系统,印刷质量预测模型和印刷工艺参数模型涉及的数据样本进行存储和分析,结合人类专家的经验知识辅助机器智能的训练以及危机情况的纠错。
10、进一步地,所述印刷工艺参数策略模型的输入为锡膏印刷检测系统的spi数据,包括印刷高度、印刷面积、印刷体积、体积百分率、面积百分率、横轴偏置、纵轴偏置、偏置百分率,输出为关键工艺参数;
11、关键工艺参数为smt产线上锡膏印刷机的参数配置,其中,x:关键工艺参数中x方向的配置参数;y:关键工艺参数中y方向的配置参数;关键工艺参数中角度的配置参数。
12、进一步地,所述印刷质量预测模型训练包括如下步骤:
13、将smt产线上基于专家知识的锡膏检测相关工艺参数、spi检测数据搜集存储;
14、对存储数据进行清洗,预处理,且初始化印刷质量预测神经网络参数;
15、以工艺参数(x,y,θ)为输入,spi检测数据为输出进行拟合训练;
16、直至印刷质量预测神经网络能够以可承受误差模拟锡膏印刷结果。
17、进一步地,所述印刷工艺参数策略模型的训练步骤包括:
18、初始化印刷工艺参数策略模型结构及参数;
19、根据锡膏印刷效果即实际spi检测数据,印刷工艺参数策略模型输出系统控制参数即关键工艺参数,以及将深度强化学习奖励函数的设置为与产线合格率相关的指标;
20、直至印刷工艺参数策略模型能够输出实际可用于smt产线的工艺参数。
21、进一步地,所述将smt产线上基于专家知识的锡膏检测相关工艺参数、spi检测数据搜集存储,包括构建spi数据包:
22、(1a)数据收集:基于锡膏印刷检测系统,对经过锡膏印刷系统的电路主板印刷情况进行检测,包括每个焊点的印刷效果,锡膏与焊点的位置偏差,面积覆盖,体积覆盖数据情况;
23、(1b)数据分类:将收集的spi检测数据,根据生产制定阈值标准分类为合格数据和不合格数据;
24、(1c)数据清洗:对上述已分类数据集进行剔除异常点处理,形成包括合格和不合格spi检测数据的数据包。
25、进一步地,所述构建印刷质量预测模型包括,
26、数据样本划分:把收集到的数据划分为训练集、验证集和测试集三个部分;训练集用于模型的训练,验证集用于调整模型参数和选择最佳模型,测试集用于评估模型性能;每一条数据样本包括:位置(x,y),角度,高度,面积,体积,横轴偏置,纵轴偏置,即
27、;
28、模型输入-输出:刷质量预测模型拟合关键工艺参数到spi检测数据的对应关系;模型的输入是关键工艺参数,而输出是spi检测设备输出的印刷质量数据,输入数据和输出数据需要被转换为数值数据,以便机器学习算法进行处理;
29、模型训练:选择机器学习算法和模型结构,对训练集进行模型训练;使用多层感知机mlp网络,随机初始化网络结构和参数,训练误差取为,基于梯度下降法反复迭代mlp模型参数;在训练过程中,进行模型参数调整和优化;
30、模型测试:对测试集进行测试,评估模型的性能;评估指标包括均方误差mse、平均绝对误差mae和相关系数。
31、进一步地,构建印刷工艺参数策略模型的步骤包括,
32、模型建立:基于强化学习ddpg算法,根据锡膏印刷产线数据样本,建立以spi数据:
33、作为状态,关键工艺参数作为动作;
34、具体为,首先需要确定模型的结构和算法为基于强化学习ddpg算法;确定ddpg网络结构,设置状态为spi检测数据状态,动作为关键工艺参数;
35、根据smt产线上spi锡膏检测数据和所构建的印刷质量预测模型,设置印刷工艺参数策略模型的输入为spi数据,即包括spi检测数据和smt产线状态数据,输出为优化的印刷关键工艺参数,并且将印刷工艺参数策略模型和印刷质量预测模型进行连接构成反馈调节的闭环系统;
36、建立目标函数:设置ddpg算法中的奖励与状态量中的偏置量紧密相关,即奖赏,以实现锡膏印刷倾斜量越小越好;
37、模型初始化:确定模型的初始参数,在模型训练初期使用随机初始化印刷工艺参数策略网络结构及参数,以奖赏接近0为正向引导,反复迭代;在模型训练后期,即使用维护阶段使用启发式初始化模型参数,以达到快速维护上产线投入产出的目的;
38、模型推演:将训练得到的印刷工艺参数策略模型与印刷质量预测模型联合,印刷工艺参数策略模型生成关键工艺参数,印刷质量预测模型根据关键工艺参数生成预测spi数据,印刷工艺参数策略模型再根据预测spi数据生成修正的关键工艺参数,如此形成闭环控制回路。
39、又一方面,本专利技术还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得本文档来自技高网...
【技术保护点】
1.一种基于人机融合的SMT产线关键工艺参数优化方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于,所述印刷工艺参数策略模型的输入为锡膏印刷检测系统的SPI数据,包括印刷高度、印刷面积、印刷体积、体积百分率、面积百分率、横轴偏置、纵轴偏置、偏置百分率,输出为关键工艺参数;关键工艺参数为SMT产线上锡膏印刷机的参数配置,其中,x:关键工艺参数中x方向的配置参数;y:关键工艺参数中y方向的配置参数;关键工艺参数中角度的配置参数。
3.根据权利要求2所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于:所述印刷质量预测模型训练包括如下步骤:
4.根据权利要求2所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于,所述印刷工艺参数策略模型的训练步骤包括:
5.根据权利要求3所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于:所述将SMT产线上基于专家知识的锡膏检测相关工艺参数、SPI检测数据搜集存储,包括构建SPI数据包:
6.根据权
7.根据权利要求6所述的基于人机融合的SMT产线关键工艺参数优化方法,其特征在于:构建印刷工艺参数策略模型的步骤包括,
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于人机融合的smt产线关键工艺参数优化方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于人机融合的smt产线关键工艺参数优化方法,其特征在于,所述印刷工艺参数策略模型的输入为锡膏印刷检测系统的spi数据,包括印刷高度、印刷面积、印刷体积、体积百分率、面积百分率、横轴偏置、纵轴偏置、偏置百分率,输出为关键工艺参数;关键工艺参数为smt产线上锡膏印刷机的参数配置,其中,x:关键工艺参数中x方向的配置参数;y:关键工艺参数中y方向的配置参数;关键工艺参数中角度的配置参数。
3.根据权利要求2所述的基于人机融合的smt产线关键工艺参数优化方法,其特征在于:所述印刷质量预测模型训练包括如下步骤:
4.根据权利要求2所述的基于人机融合...
【专利技术属性】
技术研发人员:张倩倩,赵云波,康宇,许镇义,丁振桓,李泽瑞,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
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。