[发明专利]基于特征重构和猫群算法的SMT工艺参数优化方法

说明书

本发明提出一种基于特征重构和猫群优化算法的SMT工艺参数优化方法，解决了SMT产线数据噪声多，工艺参数的设置依赖专家经验的问题。实现步骤有：对SMT产线状态样本集进行预处理，生成印刷预处理集和回流焊预处理集；对印刷预处理集进行特征交互和特征筛选的特征重构；使用猫群算法优化印刷工艺参数和回流焊工艺参数。本发明通过特征重构挖掘出印刷数据的原有特征之间的隐藏关系，充分利用产线数据信息；利用猫群算法获得最优的回流焊和印刷工艺参数，减少了对于专家经验的依赖，有效降低SMT产线的缺陷率，提高了企业的生产效率。

技术领域

本发明属于物理技术领域，更进一步属于数据处理中的一种基于特征重构和猫群算法的表面贴装技术SMT(Surface Mount Technolog)工艺参数优化方法。本发明可用于在表面贴装生产线中对工艺参数进行优化，从而提高产品的生产质量和生产效率。

背景技术

表面贴装技术SMT是集成电路行业的重要组成部分，印刷电路板PCB(PrintedCircuit Board)是完成许多电子产品功能的核心部件。表面贴装技术生产过程主要包含锡膏印刷、回流焊以及对应的锡膏检测SPI(Solder Paste Inspection)、自动光学检测AOI(Automated Optical Inspection)。为了保证生产质量和生产效率，有必要优化生产中的工艺参数。当前表面贴装技术中，工艺参数的设置主要存在以下问题：工艺参数的设置依赖专家经验且效率较低，对于质量的提升有限；随着长期生产，产线积累了大量过程、检测数据，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。

西安交通大学在其申请的专利文献“电子表面贴装焊接质量预测与工艺参数优化方法”(申请号202111479478.3，申请公布号CN 114386364 A)中公开了一种电子装联工艺参数优化方法。该方法的实现步骤是：第一步，采集获取电子表面贴装焊接工艺参数并选取其中的多个焊接温区温度、多个冷却温区温度和带速作为模型的输入参数，将焊膏焊接失效概率作为输出参数，其中焊接失效概率为优化目标；第二步，数据预处理所述输入参数，并计算所述输入参数所对应的焊接失效概率；第三步，确定深度神经网络输入层、隐藏层、输出层神经元的个数，初始化后训练深度神经网络实现焊接质量预测；第四步，初始化遗传算法种群，将神经网络的输出作为遗传算法的适应度函数，完成种群选择、交叉、变异操作，生成子代种群，通过遗传算法寻找目标函数最优解和输入参数优化组合。该方法存在两点不足之处是：其一，数据预处理完成之后直接输入优化模型，数据中有许多噪声没有剔除；其二，使用的遗传算法容易陷入局部最优，难以获得全局最优解。

Yu J等人在其发表的论文“A method for optimizing stencil cleaning timein solder paste printing process”(Soldering and Surface Mount Technology，doi:10.1108/SSMT-10-2018-0037)提出了一种基于更新报酬定理的SMT工艺参数优化方法。该方法的实现步骤是：第一步，使用离散时间、离散状态齐次马尔可夫链来建模网版印刷性能退化过程，并基于该退化模型估计网版印刷过程中的质量损失；第二步，建立基于更新报酬定理的模具清洗决策模型，通过平衡质量损失和空闲时间损失来获得最佳工艺参数。该方法存在的不足之处在于：基于更新报酬定理的模型依赖于专家经验，无法得到普及应用。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于特征重构和猫群算法的SMT工艺参数优化方法。用于解决SMT生产过程中SMT产线数据噪声多，以及工艺参数的设置依赖专家经验的问题。