[发明专利]基于SMT大数据的锡膏印刷性能影响因素分析方法

说明书

本发明提出一种基于SMT大数据的锡膏印刷性能影响因素分析方法，解决了锡膏印刷性能影响因素分析中分析不全面、精度低的问题。实现步骤有：采集锡膏印刷参数和性能指标构建锡膏印刷数据集；用马氏距离和空值处理数据；计算特征间相关系数，过滤冗余特征；划分训练和测试样本集；随机抽取部分特征并构建随机森林模型；设定模型终止条件；以模型均方误差增加量估计特征重要度分数，并排序；确定关键影响因素子集。本发明通过随机森林特征选择结合大数据处理技术挖掘SMT锡膏印刷性能的关键影响因素，确定性能指标与印刷参数的关联，优化锡膏印刷性能，提升电路板印刷质量。用于表面贴装技术锡膏印刷过程的工艺优化和锡膏印刷性能改善。

技术领域

本发明属于表面贴装技术(SMT)领域，主要涉及表面贴装生产线中的锡膏印刷性能的分析与挖掘，具体是一种基于SMT大数据的锡膏印刷性能影响因素分析方法，应用于电路板的锡膏印刷性能的改善以及为其工艺优化提供参考依据。

背景技术

随着经济发展，市场对电子产品的要求越来越高，贴装器件更扁平化、微细化，印刷电路板组装尺寸也越来越小，焊盘排布越来越高密，因此，对表面贴装技术提出了更高的要求。表面贴装技术主要包括锡膏印刷、元件贴装和回流焊接三道主要工序，其中，锡膏印刷是首要环节，也是最为关键的一步操作。据分析，约70％SMT产品的质量问题都是由锡膏印刷性能不佳所导致的。

表面贴装技术中印刷电路板的锡膏印刷操作复杂，涉及到的设备、物料和人员难以控制，印刷过程中任意一个环节都可能因为把控不当导致表面贴装产品的质量问题，造成产品无法通过检测，造成资源浪费，影响企业效益。

当前表面贴装技术中，锡膏印刷主要存在以下问题：①锡膏印刷过程复杂，印刷参数种类繁复，且参数间彼此影响，存在交互关系。随着智能生产线的应用，SMT工艺中的设备都被全自动化高端设备所替代，使得导致印刷不良的影响因素更加复杂和隐蔽，难以分析；②随着长期生产，锡膏印刷机积累了大量锡膏印刷的过程数据，这些数据具有大数据的高维性和数据类型多样的特点，给数据的处理和分析也构成了一定的挑战。

针对上述问题，彭杰在其硕士论文“田口试验设计的改进及其在钢板印刷制程中的应用”(武汉理工大学，2008)提出了一种改进的田口试验设计方法分析影响锡膏印刷过程中锡膏厚度的参数及其最佳设置，引入检验因子，对正交表进行修改，建立完善的检验体系来构造改进型田口试验设计。但该方法的不足之处是：影响因素范围局限于试验因素水平组合，而且，在实际生产中，部分参数取值区间是连续的，并不适用于试验设计中的因素水平选取。基于数据挖掘和机器学习的锡膏印刷性能影响因素分析方法近年来应用十分广泛，例如赵媚在其硕士论文“锡膏印刷过程两阶段参数优化方法”(上海交通大学，2010)提出了一种基于响应曲面法的影响因素分析方法，量化关键影响因素的影响程度，避免了因素不显著问题。但该方法分析的因素范围主要限定在工艺参数和用料方面，忽略了印刷状态参数和环境等方面的影响，没有对关键影响因素进行重要度排序，而且没有将锡膏的五个性能指标(锡膏体积、面积、高度、X偏位和Y偏位)同时纳入研究，检测数据应用不充分。

特征选择是将所有采集到的特征属性作为输入，选取能够对目标变量产生较高拟和精度的关键影响因素子集。特征选择主要有三类方式：过滤、嵌入和包裹。过滤方法是先对影响因素集进行选择，给出原始影响因素集中影响程度的排序，然后选取影响程度较大的特征，关键影响因素个数可以根据某种原则选定；嵌入方法是将特征子集选择过程与分类或预测模型训练过程融合，在同步优化过程中完成对关键影响因素的选取，同时给出目标变量的分类或预测结果；包裹方法是直接将模型学习性能作为评价标准选取影响因素，该方法的目的是更好的提供误差最小的影响因素子集，使得分类或回归误差最小。随机森林是一种目前较为流行的决策树集成学习的算法，具有计算复杂度低，对噪声更加鲁棒和容易实现等优势。对于回归问题，随机森林根据平均模型拟合误差来进行特征子集选取，而对于分类问题，根据分类准确率来选择特征。