[发明专利]焊锡制程参数建议方法

权利要求书

1.一种焊锡制程参数建议方法，包含：

收集焊锡制程相关的材料与元件特性以建立一材料元件数据库；

收集对应该材料元件数据库内的该材料或该元件的作业信息以建立一作业参数数据库；

分析一新焊锡制程所需的材料与元件特性，并与该材料元件数据库内的信息作相似性比对；

于该作业参数数据库中选择对应最相似于该新焊锡制程所需的材料与元件特性的作业参数；

使用对应最相似于该新焊锡制程所需的材料与元件特性的作业参数执行焊锡制程；

量测并纪录该焊锡制程的焊锡过程信息与最终成品信息；

检测该焊锡制程的最终成品是否符合品管要求；以及

当该最终成品不符合品管要求时，使用机器学习方法针对该焊锡制程的焊锡过程信息与最终成品信息进行拟合以获得下次焊锡制程的作业参数。

2.如权利要求1所述的方法，还包含：

当该最终成品符合品管要求时，接受该焊锡制程的焊锡过程信息所包含的作业参数作为最佳作业参数。

3.如权利要求1所述的方法，还包含：

当该最终成品不符合品管要求时，不断地使用机器学习模型针对该焊锡制程的焊锡过程信息与最终成品信息进行拟合以获得下次焊锡制程的作业参数，直到该最终成品符合品管要求。

4.如权利要求3所述的方法，还包含：

当该最终成品符合品管要求时，接受该焊锡制程的焊锡过程信息所包含的作业参数作为最佳作业参数。

5.如权利要求1所述的方法，其中该材料元件数据库至少包含焊锡制程相关材料与元件的热学特性、光学特性以及结构尺寸信息。

6.如权利要求1所述的方法，其中该作业参数数据库至少包含温度参数、激光光点参数以及加热时间参数。

7.如权利要求1所述的方法，其中该焊锡过程信息至少包含焊锡温度曲线、进锡动态过程影像以及焊锡动态过程影像。

8.如权利要求1所述的方法，其中该机器学习方法还包含：

使用决策树法则、支持向量机、人工神经网络、贝叶斯分类或其任意组合进行降维演算分析。

9.如权利要求8所述的方法，其中该机器学习方法还包含：

使用距离分群与密度分群至少其中之一或其结合的方法进行结构分群。

10.如权利要求9所述的方法，其中该距离分群是K-均值、阶层式分群法与高斯混合模型方法的至少其中之一或其结合。

11.如权利要求9所述的方法，其中该密度分群是以密度为基础的聚类演算法与层级树分群演算法的至少其中之一或其结合。

12.如权利要求9所述的方法，其中该机器学习方法还包含：

使用回归演算法与分类演算法至少其中之一或其结合的方法来建立条件几率演算核心。

13.如权利要求12所述的方法，其中该回归演算法是广义线性回归、支持向量机、决策树、随机森林、梯度增强机与类神经网络方法的至少其中之一或其结合。

14.如权利要求12所述的方法，其中该分类演算法是广义线性回归、支持向量机、决策树、随机森林、梯度增强机与类神经网络方法的至少其中之一或其结合。