CN110533278B - 基于粒子群优化算法的smt产线检测阈值设定方法 - Google Patents
基于粒子群优化算法的smt产线检测阈值设定方法 Download PDFInfo
- Publication number
- CN110533278B CN110533278B CN201910635333.4A CN201910635333A CN110533278B CN 110533278 B CN110533278 B CN 110533278B CN 201910635333 A CN201910635333 A CN 201910635333A CN 110533278 B CN110533278 B CN 110533278B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- data table
- package
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 21
- 229910000679 solder Inorganic materials 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004806 packaging method and process Methods 0.000 claims description 14
- 238000003466 welding Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007547 defect Effects 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012797 qualification Methods 0.000 abstract description 11
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- BNPSSFBOAGDEEL-UHFFFAOYSA-N albuterol sulfate Chemical compound OS(O)(=O)=O.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 BNPSSFBOAGDEEL-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- YOBAEOGBNPPUQV-UHFFFAOYSA-N iron;trihydrate Chemical compound O.O.O.[Fe].[Fe] YOBAEOGBNPPUQV-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明提出了一种基于粒子群优化算法的SMT产线检测阈值设定方法，用于解决现有技术中存在的因为SMT产线的检测阈值设定不合理导致的产品合格率较低的技术问题，实现步骤为：获取关联数据表，然后获取阈值设定数据表，采用粒子群优化算法计算设定阈值，最后获取最优阈值。本发明利用SMT产线的生产数据，并将SMT产线上SPI锡膏检测仪的检测合格率用于计算粒子群优化算法中的个体适应度，通过粒子群优化算法的迭代之后，能够获得的多组检测阈值能提高SPI锡膏检测仪的检测合格率，从而提高SMT产线的产品合格率，并且降低了获取到的多组检测阈值全部不满足生产工艺要求的风险。
Description
技术领域
本发明属于工业大数据技术领域，涉及一种SMT产线检测阈值设定方法，具体涉及一种基于粒子群优化算法的SMT产线检测阈值设定方法。
背景技术
表面贴装技术SMT产线的产品合格率受到各个环节的综合影响。锡膏印刷是 SMT产线工艺流程的第一道工序，该工序的锡膏印刷效果主要受到刮刀压力、刮刀速度、工作台分离速度、锡膏粘度、钢网清洗等机器参数的影响，这些机器参数的设置主要依靠SMT工艺人员的工人经验。SPI锡膏检测仪可以通过检测印刷锡膏的体积、面积、高度以及形状是否位于设定的检测阈值范围内，从而判断印刷锡膏的质量是否达标。因此，为SMT产线的检测阈值设定一组优秀的检测阈值，可以提高印刷锡膏的质量的达标率，从而提高SMT产线产品的合格率。
SMT产线的检测阈值的设定方法一般通过工艺人员根据经验进行设定，导致 SMT产线的检测阈值依赖于人工经验，导致印刷锡膏的质量不稳定，并且工艺人员设定的SMT产线的检测阈值上限与检测阈值下限的范围较大，设定的检测阈值不合理，难以拦截到有质量问题的产品，导致SMT产线的产品合格率低。
西安电子科技大学在其申请的专利文献“基于SMT大数据的锡膏检测阈值优化方法”(专利申请号CN201810650120.4，专利公布号CN108960306A)中公开了一种基于SMT大数据的锡膏检测阈值优化方法。该方法的主要步骤是：构建阈值优化数据包，对SPI锡膏检测仪的检测结果状态进行估计，根据贝叶斯决策最小错误率准则得到某一种封装的误判率和漏判率，最后通过遗传算法求解漏判率和误判率之和的最小值，所对应的解作为SMT产线检测阈值的上限和下限。该方法的不足之处是：仅能对一种封装类型的SMT产线的检测阈值进行优化，因为SMT 产线的产品合格率受到多种封装类型的影响，因此不能显著提高SMT产线的产品合格率。由于该方法仅能推荐出一组检测阈值，SMT产线不同的产品根据生产工艺要求需要设定不同的检测阈值，导致该方法推荐出的一组检测阈值有可能不满足生产工艺要求。
发明内容
本发明的目的是针对上述现有技术存在的不足，提出了一种基于粒子群优化算法的SMT产线检测阈值设定方法，用于解决现有技术中存在的因为SMT产线的检测阈值设定不合理导致的产品合格率较低的技术问题。
为实现上述目的，本发明采取的技术方案，包括如下步骤：
(1)获取关联数据表：
获取SMT产线生产过程中记录SPI锡膏检测仪检测结果的锡膏量数据表、记录AOI自动光学检测仪检测结果的锡膏焊接结果数据表以及记录人工返修缺陷类型数据表，并将该三张数据表中公有字段PCB编号和焊盘编号均相同的数据拼接为一行，得到关联数据表；
(2)获取阈值设定数据表：
(2a)对关联数据表中字段名称为testresult所对应的列的值为桥接、外形不良、拉尖的数据进行删除，同时对字段名称为Reason_Name所对应列的值为假焊的数据、字段名称为Alarm所对应列的值为Polarity的数据、以及字段名称为Classification所对应列的值不等于BGA或QFN或SOP或SOT或QFP的数据进行删除，得到经验数据表；
(2b)计算经验数据表中字段名称为vol所对应列中数据的平均值u和方差σ，并删除该列中数据值大于u+3σ或者小于u-3σ的数据，得到阈值设定数据表；
(3)基于粒子群优化算法计算设定阈值：
(3a)初始化粒子群优化算法参数，包括惯性因子w∈(0,1)、第一学习因子 c1∈(1,3)、第二学习因子c2∈(1,3)、粒子变量的维度n_dim＝2×p、粒子的总体个数pop_size∈(50,∞)、搜索空间最大值value_max∈(180,∞)、搜索空间最小值 value_min∈(45,70)，迭代次数t，最大迭代次数iter、合格率passrate、误差率 error_rate、当前适应度列表Q、历史适应度列表W以及结果列表R，并令t＝1， p表示阈值设定数据表中字段名称为Classification所对应列的数据值的类别个数；
(3b)随机生成大小均为pop_size×n_dim的位置矩阵X、速度矩阵V和记录矩阵G，其中，X中的第i行X[i]代表第i个粒子的位置，V中的第i行V[i]代表第i个粒子的速度，G中的第i行G[i]代表第i个粒子的历史最佳位置，X、V和G 的列从左到右分别代表BGA封装阈值上限、BGA封装阈值下限、QFN封装阈值上限、QFN封装阈值下限、SOP封装阈值上限、SOP封装下限、SOT封装阈值上限、 SOT封装阈值下限、QFP封装阈值上限和QFP封装阈值下限，且X中每一个元素的值大于value_min且小于value_max，V中的每一个元素的值大于value_min的相反数且小于value_min，令G等于X；
(3c)对阈值设定数据表中字段名称为Classification所对应列的数据按照取值进行划分，得到BGA数据表、QFN数据表、SOP数据表、SOT数据表以及 QFP数据表，并判断该五个数据表中的每一条数据中字段名称为vol所对应的数据值是否位于X中的第i个粒子X[i]对应的封装阈值上限和封装阈值下限之间，若是，标记该条数据为1，否则，标记该条数据为0，同时判断该五个数据表中的每一条数据中字段名称为vol所对应的数据值是否位于G中的第i个粒子G[i] 对应的封装阈值上限和封装阈值下限之间，若是，标记该条数据为1，否则，标记该条数据为0；
(3d)计算X中每个粒子的个体适应度adapt_value，并将计算结果填写到当前适应度列表Q中，得到赋值后的当前适应度列表Q'，将adapt_value小于 error_rate的粒子放入结果列表R中，得到幅值后的结果列表R'，同时计算G中每个粒子的个体适应度adapt_value，并将计算结果填写到当前适应度列表W中，得到赋值后的当前适应度列表W'，其中，adapt_value的计算公式为：
其中，n_count表示BGA封装数据、QFN封装数据、SOP封装数据、SOT封装数据以及QFP封装数据中所有标记为1的数据总条数，n表示阈值设定数据表中数据的总条数；
(3e)当Q'中第i个粒子的当前个体适应度的Q'[i]小于W'中对应的第i个粒子历史个体适应度W'[i]时，通过Q'[i]替换W'[i]，通过X[i]替换G[i]，得到替换后的历史适应度列表W”以及记录矩阵G'；
(3f)按照下列公式对速度矩阵V的每一行进行更新，得到更新后的速度矩阵V'：
V'[i]＝w×V[i]+c1×random()×(G'[i]-X[i])+c2×random()×(gbest-X[i])
其中，random()表示生成一个0到1之间的随机数,gbset表示变量， gbest＝G'[a]，a表示历史适应度列表W”中最小值所对应的位置；
(3g)按照下列公式对位置矩阵X的每一行进行更新，得到更新后的位置矩阵X'，并将位置矩阵X'中小于value_min的值用value_min替换，大于value_max的值用value_max替代，得到替换后的位置矩阵X”：
X'[i]＝X[i]+V'[i]；
(3h)令X＝X”，令V＝V'，令G＝G'，清空Q和W中的值，并判断t等于iter 是否成立，若是，执行步骤(3i)，否则，令t＝t+1，并执行步骤(3c)；
(3i)判断结果列表R'中是否有粒子，若是，将结果列表R'中的粒子按行拼接，得到阈值设定表，否则，令iter＝2×iter，并执行步骤(3c)；
(4)获取最优阈值：
计算阈值设定表中每一行的所有封装的阈值上限的和与所有封装的阈值下限的和之差，并对计算结果进行升序排列，得到最优阈值表。
本发明与现有技术相比，具有以下优点：
1)本发明运用粒子群优化算法，并且将SMT产线上SPI锡膏检测仪的检测合格率用于计算粒子群优化算法中的个体适应度，因此所获得的检测阈值能提高 SPI锡膏检测仪的检测合格率，从而提高SMT产线的产品合格率。
2)本发明运用粒子群优化算法，该算法可以获取多组SMT产线的检测阈值，降低了获取到的SMT产线的检测阈值全部不满足生产工艺要求的风险。
附图说明
图1是本发明的实现流程图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，本发明包括如下步骤：
步骤1)获取关联数据表：
获取SMT产线生产过程中记录SPI锡膏检测仪检测结果的锡膏量数据表，该表中包括的字段名称有：PCB编号、焊盘编号、Component_id、vol、testresult 和Classification，记录AOI自动光学检测仪检测结果的锡膏焊接结果数据表，该表中包括的字段名称有：PCB编号、焊盘编号、Component_id和Alarm，记录人工返修缺陷类型数据表，该表中包括的字段名称有：PCB编号、焊盘编号、 Component_id和Reason_Name，并将该三张数据表中公有字段PCB编号和焊盘编号均相同的数据拼接为一行，得到关联数据表。
参照表1，表1给出了SPI锡膏检测仪检测结果的锡膏量数据表。
表1 SPI锡膏检测仪检测结果的锡膏量数据表
| PCB编号 | 焊盘编号 | Component_id | vol | testresult | Classification |
| 2721 | 1 | D9 | 34.1 | 0 | QFP |
| 2721 | 2 | D9 | 140.5 | 0 | QFP |
| 2721 | 3 | D9 | 138.1 | 0 | QFP |
| 2721 | 4 | D9 | 137.5 | 0 | QFP |
| 3102 | 1 | D1 | 114.7 | 0 | BGA |
| 3102 | 2 | D1 | 110.7 | 0 | BGA |
| 3102 | 3 | D1 | 110.1 | 0 | BGA |
| 3102 | 4 | D1 | 112.1 | 0 | BGA |
| … | … | … | … | … | … |
参照表2，表2给出了AOI自动光学检测仪检测结果的锡膏焊接结果数据表。
表2 AOI自动光学检测仪检测结果的锡膏焊接结果数据表
参照表3，表3给出了人工返修缺陷类型数据表。
表3 人工返修缺陷类型数据表
| PCB编号 | 焊盘编号 | Component_id | Reason_Name |
| 3521 | 1956 | D24 | 假焊 |
| 3981 | 5 | D53 | 假焊 |
| 4483 | 3784 | D1 | 连锡 |
| 4392 | 244 | R74 | 连锡 |
参照表4，表4给出了关联数据表，表中字段名称为Reason_Name所对应的值有空白部分，空白部分说明对应的PCB板没有经过维修工序。
表4 关联完成的数据
步骤2)获取阈值设定数据表：
步骤2a)对关联数据表中字段名称为testresult所对应的列的值为桥接、外形不良、拉尖的数据进行删除，检测结果正常时，testresult的值为0，检测为桥接时，testresult的值为4，检测为外形不良时，testresult的值为8，检测为拉尖时，testresult的值为16，检测为锡膏体积量小时，testresul的值为32，检测为锡膏体积量大时，testresult的值为64，因为testresult所对应数据中的桥接、外形不良、拉尖三种缺陷不是由于锡膏印刷的体积量所造成的，所以需要删除这些缺陷所对应的数据，同时对字段名称为Reason_Name所对应列的值为假焊的数据，因为Reason_Name所对应数据中有假焊的数据，该缺陷是由于焊接所造成的，不是因为锡膏印刷的体积量所造成的，所以要删除这些数据，删除字段名称为Alarm所对应列的值为Polarity的数据，因为Alarm所对应数据中的Polarity表示所贴芯片的极性出现问题，该问题由贴片工序造成，与锡膏印刷的体积量无关，因此需要删除这些数据，删除字段名称为Classification 所对应列的值不等于BGA或QFN或SOP或SOT或QFP的数据进行删除，得到经验数据表；
步骤2b)计算经验数据表中字段名称为vol所对应列中数据的平均值u和方差σ，并删除该列中数据值大于u+3σ或者小于u-3σ的数据，得到阈值设定数据表。
参照表5，表5给出了部分需要进行删除的数据。
表5 部分需要进行删除的数据
| PCB编号 | 焊盘编号 | Component_id | vol | testresult |
| 5252 | 208 | D29 | 34.1 | 32 |
| 5668 | 2379 | D1A | 10.21 | 32 |
| 5677 | 2343 | D1A | 336.3 | 64 |
| 5692 | 2343 | D1A | 325.26 | 64 |
| … | … | … | … | … |
参照表5，第一条数据的vol值为34.1，根据公式计算字段名称vol所对应数据的均值u和方差为σ，并计算u+3σ与u-3σ的值：
其中，n表示经验数据表中字段名称为vol所对应列中数据的个数，xj表示经验数据表中字段名称为vol所对应列中的第j个数据。
u-3σ＝109.41-3×24.52＝35.85
u+3σ＝109.41+3×24.52＝182.97
因为34.1不在区间[35.85,182.97]内，因此需要删除该条数据。
步骤3)基于粒子群优化算法计算设定阈值：
步骤3a)初始化粒子群优化算法参数，包括惯性因子w∈(0,1)、第一学习因子c1∈(1,3)、第二学习因子c2∈(1,3)、粒子变量的维度n_dim＝2×p、粒子的总体个数pop_size∈(50,∞)、搜索空间最大值value_max∈(180,∞)、搜索空间最小值 value_min∈(45,70)，迭代次数t，最大迭代次数iter、合格率passrate、误差率 error_rate、当前适应度列表Q、历史适应度列表W以及结果列表R，并令t＝1， p表示阈值设定数据表中字段名称为Classification所对应列的数据值的类别个数，惯性因子w的推荐取值为0.5到1.0之间，令w＝0.6，第一学习因子c1和第二学习因子c2的推荐值为2，令c1＝2，c2＝2，粒子的总体个数pop_size＝100，合格率passrate是指SMT产线上SPI锡膏检测仪的检测合格率，误差率error_rate 表示粒子个体适应度能够满足的误差值，令error_rate＝0.01。
步骤3b)随机生成大小均为pop_size×n_dim的位置矩阵X、速度矩阵V和记录矩阵G，其中，X中的第i行X[i]代表第i个粒子的位置，V中的第i行V[i]代表第i个粒子的速度，G中的第i行G[i]代表第i个粒子的历史最佳位置，X、V和 G的列从左到右分别代表BGA封装阈值上限、BGA封装阈值下限、QFN封装阈值上限、QFN封装阈值下限、SOP封装阈值上限、SOP封装下限、SOT封装阈值上限、 SOT封装阈值下限、QFP封装阈值上限和QFP封装阈值下限，且X中每一个元素的值大于value_min且小于value_max，V中的每一个元素的值大于value_min的相反数且小于value_min，位置矩阵X，速度矩阵V如下所示：
步骤3c)对阈值设定数据表中字段名称为Classification所对应列的数据按照取值进行划分，得到BGA数据表、QFN数据表、SOP数据表、SOT数据表以及QFP数据表，并判断该五个数据表中的每一条数据中字段名称为vol所对应的数据值是否位于X中的第i个粒子X[i]对应的封装阈值上限和封装阈值下限之间，若是，标记该条数据为1，否则，标记该条数据为0，同时判断该五个数据表中的每一条数据中字段名称为vol所对应的数据值是否位于G中的第i个粒子 G[i]对应的封装阈值上限和封装阈值下限之间，若是，标记该条数据为1，否则，标记该条数据为0；
步骤3d)计算X中每个粒子的个体适应度adapt_value，并将计算结果填写到当前适应度列表Q中，得到赋值后的当前适应度列表Q'，将adapt_value小于 error_rate的粒子放入结果列表R中，得到幅值后的结果列表R'，同时计算G中每个粒子的个体适应度adapt_value，并将计算结果填写到当前适应度列表W中，得到赋值后的当前适应度列表W'，其中，adapt_value的计算公式为：
其中，n_count表示BGA封装数据、QFN封装数据、SOP封装数据、SOT封装数据以及QFP封装数据中所有标记为1的数据总条数，n表示阈值设定数据表中数据的总条数；
步骤3e)当Q'中第i个粒子的当前个体适应度的Q'[i]小于W'中对应的第i个粒子历史个体适应度W'[i]时，通过Q'[i]替换W'[i]，通过X[i]替换G[i]，得到替换后的历史适应度列表W”以及记录矩阵G'；
步骤3f)按照下列公式对速度矩阵V的每一行进行更新，得到更新后的速度矩阵V'：
V'[i]＝w×V[i]+c1×random()×(G'[i]-X[i])+c2×random()×(gbest-X[i])
其中，random()表示生成一个0到1之间的随机数,gbset表示变量， gbest＝G'[a]，a表示历史适应度列表W”中最小值所对应的位置；
步骤3g)按照下列公式对位置矩阵X的每一行进行更新，得到更新后的位置矩阵X'，并将位置矩阵X'中小于value_min的值用value_min替换，大于 value_max的值用value_max替代，得到替换后的位置矩阵X”：
X'[i]＝X[i]+V'[i]；
步骤3h)令X＝X”，令V＝V'，令G＝G'，清空Q和W中的值，并判断t等于 iter是否成立，若是，执行步骤3i)，否则，令t＝t+1，并执行步骤(3c)；
步骤3i)判断结果列表R'中是否有粒子，若是，将结果列表R'中的粒子按行拼接，得到阈值设定表，否则，令iter＝2×iter，并执行步骤(3c)；
步骤4)获取最优阈值：
计算阈值设定表中每一行的所有封装的阈值上限的和与所有封装的阈值下限的和之差，并对计算结果进行升序排列，得到最优阈值表。
参照表6，表6给出了最优阈值表。
表6 最优阈值表
Claims (2)
1.一种基于粒子群优化算法的SMT产线检测阈值设定方法，其特征在于，包括如下步骤：
(1)获取关联数据表：
获取SMT产线生产过程中记录SPI锡膏检测仪检测结果的锡膏量数据表、记录AOI自动光学检测仪检测结果的锡膏焊接结果数据表以及记录人工返修缺陷类型数据表，并将该三张数据表中公有字段PCB编号和焊盘编号均相同的数据拼接为一行，得到关联数据表；
(2)获取阈值设定数据表：
(2a)对关联数据表中字段名称为testresult所对应的列的值为桥接、外形不良、拉尖的数据进行删除，同时对字段名称为Reason_Name所对应列的值为假焊的数据、字段名称为Alarm所对应列的值为Polarity的数据、以及字段名称为Classification所对应列的值不等于BGA或QFN或SOP或SOT或QFP的数据进行删除，得到经验数据表；
(2b)计算经验数据表中字段名称为vol所对应列中数据的平均值u和方差σ，并删除该列中数据值大于u+3σ或者小于u-3σ的数据，得到阈值设定数据表；
(3)基于粒子群优化算法计算设定阈值：
(3a)初始化粒子群优化算法参数，包括惯性因子w∈(0,1)、第一学习因子c1∈(1,3)、第二学习因子c2∈(1,3)、粒子变量的维度n_dim＝2×p、粒子的总体个数pop_size∈(50,∞)、搜索空间最大值value_max∈(180,∞)、搜索空间最小值value_min∈(45,70)，迭代次数t，最大迭代次数iter、合格率passrate、误差率error_rate、当前适应度列表Q、历史适应度列表W以及结果列表R，并令t＝1，p表示阈值设定数据表中字段名称为Classification所对应列的数据值的类别个数；所述的合格率passrate，是指SMT产线上SPI锡膏检测仪的检测合格率；
(3b)随机生成大小均为pop_size×n_dim的位置矩阵X、速度矩阵V和记录矩阵G，其中，X中的第i行X[i]代表第i个粒子的位置，V中的第i行V[i]代表第i个粒子的速度，G中的第i行G[i]代表第i个粒子的历史最佳位置，X、V和G的列从左到右分别代表BGA封装阈值上限、BGA封装阈值下限、QFN封装阈值上限、QFN封装阈值下限、SOP封装阈值上限、SOP封装阈值下限、SOT封装阈值上限、SOT封装阈值下限、QFP封装阈值上限和QFP封装阈值下限，且X中每一个元素的值大于value_min且小于value_max，V中的每一个元素的值大于value_min的相反数且小于value_min，令G等于X；
(3c)对阈值设定数据表中字段名称为Classification所对应列的数据按照取值进行划分，得到BGA数据表、QFN数据表、SOP数据表、SOT数据表以及QFP数据表，并判断该五个数据表中的每一条数据中字段名称为vol所对应的数据值是否位于X中的第i个粒子X[i]对应的封装阈值上限和封装阈值下限之间，若是，标记该条数据为1，否则，标记该条数据为0，同时判断该五个数据表中的每一条数据中字段名称为vol所对应的数据值是否位于G中的第i个粒子G[i]对应的封装阈值上限和封装阈值下限之间，若是，标记该条数据为1，否则，标记该条数据为0；
(3d)计算X中每个粒子的个体适应度adapt_value，并将计算结果填写到当前适应度列表Q中，得到赋值后的当前适应度列表Q'，将adapt_value小于error_rate的粒子放入结果列表R中，得到赋值后的结果列表R'，同时计算G中每个粒子的个体适应度adapt_value，并将计算结果填写到历史适应度列表W中，得到赋值后的历史适应度列表W'，其中，adapt_value的计算公式为：
其中，n_count表示BGA封装数据、QFN封装数据、SOP封装数据、SOT封装数据以及QFP封装数据中所有标记为1的数据总条数，n表示阈值设定数据表中数据的总条数；
(3e)当Q'中第i个粒子的当前个体适应度Q'[i]小于W'中对应的第i个粒子的历史个体适应度W'[i]时，通过Q'[i]替换W'[i]，通过X[i]替换G[i]，得到替换后的历史适应度列表W”以及记录矩阵G'；
(3f)按照下列公式对速度矩阵V的每一行进行更新，得到更新后的速度矩阵V'：
V'[i]＝w×V[i]+c1×random()×(G'[i]-X[i])+c2×random()×(gbest-X[i])
其中，random()表示生成一个0到1之间的随机数，gbset表示变量，gbest＝G'[a]，a表示历史适应度列表W”中最小值所对应的位置；
(3g)按照下列公式对位置矩阵X的每一行进行更新，得到更新后的位置矩阵X'，并将位置矩阵X'中小于value_min的值用value_min替换，大于value_max的值用value_max替代，得到替换后的位置矩阵X”：X'[i]＝X[i]+V'[i]；
(3h)令X＝X”，令V＝V'，令G＝G'，清空Q和W中的值，并判断t等于iter是否成立，若是，执行步骤(3i)，否则，令t＝t+1，并执行步骤(3c)；
(3i)判断结果列表R'中是否有粒子，若是，将结果列表R'中的粒子按行拼接，得到阈值设定表，否则，令iter＝2×iter，并执行步骤(3c)；
(4)获取最优阈值：
计算阈值设定表中每一行的所有封装的阈值上限的和与所有封装的阈值下限的和之差，并对计算结果进行升序排列，得到最优阈值表。
2.根据权利要求1所述的基于粒子群优化算法的SMT产线检测阈值设定方法，其特征在于，步骤(2b)中所述的计算经验数据表中字段名称为vol所对应列中数据的平均值u和方差σ，计算公式分别为：
其中，n表示经验数据表中字段名称为vol所对应列中数据的个数，xj表示经验数据表中字段名称为vol所对应列中的第j个数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635333.4A CN110533278B (zh) | 2019-07-15 | 2019-07-15 | 基于粒子群优化算法的smt产线检测阈值设定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635333.4A CN110533278B (zh) | 2019-07-15 | 2019-07-15 | 基于粒子群优化算法的smt产线检测阈值设定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110533278A CN110533278A (zh) | 2019-12-03 |
| CN110533278B true CN110533278B (zh) | 2022-03-22 |
Family
ID=68660209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910635333.4A Active CN110533278B (zh) | 2019-07-15 | 2019-07-15 | 基于粒子群优化算法的smt产线检测阈值设定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533278B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158401B (zh) * | 2020-12-20 | 2022-10-04 | 河海大学常州校区 | 一种多粒度smt产线能耗建模方法 |
| CN118111377A (zh) * | 2022-11-24 | 2024-05-31 | 中兴通讯股份有限公司 | 锡膏检测阈值调整方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590143A (zh) * | 2015-12-17 | 2016-05-18 | 兰州理工大学 | Pcb板组装工艺中多机流水生产线贴片机负荷均衡优化方法 |
| CN108960306A (zh) * | 2018-06-22 | 2018-12-07 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
| CN109214561A (zh) * | 2018-08-21 | 2019-01-15 | 上海电力学院 | 考虑主动配电***动态路径优化的分布式电源配置方法 |
| CN109255465A (zh) * | 2018-07-19 | 2019-01-22 | 中国矿业大学 | 一种基于粒子群算法的焊接生产线工类分配***与方法 |
| CN109597968A (zh) * | 2018-12-29 | 2019-04-09 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
| CN109657718A (zh) * | 2018-12-19 | 2019-04-19 | 广东省智能机器人研究院 | 一种数据驱动的smt生产线上spi缺陷类别智能识别方法 |
-
2019
- 2019-07-15 CN CN201910635333.4A patent/CN110533278B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590143A (zh) * | 2015-12-17 | 2016-05-18 | 兰州理工大学 | Pcb板组装工艺中多机流水生产线贴片机负荷均衡优化方法 |
| CN108960306A (zh) * | 2018-06-22 | 2018-12-07 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
| CN109255465A (zh) * | 2018-07-19 | 2019-01-22 | 中国矿业大学 | 一种基于粒子群算法的焊接生产线工类分配***与方法 |
| CN109214561A (zh) * | 2018-08-21 | 2019-01-15 | 上海电力学院 | 考虑主动配电***动态路径优化的分布式电源配置方法 |
| CN109657718A (zh) * | 2018-12-19 | 2019-04-19 | 广东省智能机器人研究院 | 一种数据驱动的smt生产线上spi缺陷类别智能识别方法 |
| CN109597968A (zh) * | 2018-12-29 | 2019-04-09 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| Research on real time feature extraction method for complex manufacturing big data;Xianguang Kong et al;《The International Journal of Advanced Manufacturing Technology》;20161214;第99卷;第1101-1108页 * |
| 基于SMT大数据的产品质量预测方法研究与实现;冯尔磊;《中国优秀硕士学位论文全文数据库工程科技I辑》;20190215(第02期);摘要，第1-62页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110533278A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960306B (zh) | 基于smt大数据的锡膏检测阈值优化方法 | |
| CN110533278B (zh) | 基于粒子群优化算法的smt产线检测阈值设定方法 | |
| CN106079892B (zh) | 一种pcb锡膏印刷过程质量智能监控***及方法 | |
| CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| CN106952250A (zh) | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 | |
| CN114216915B (zh) | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 | |
| KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
| JP5959444B2 (ja) | 印刷検査装置による不良原因の推定（分類）方法 | |
| CN112329860B (zh) | 混合型深度学习视觉检测方法、装置、设备及存储介质 | |
| CN111311576A (zh) | 基于点云信息的缺陷检测方法 | |
| CN102522350B (zh) | 故障生产机台检测的方法和装置 | |
| CN115082401B (zh) | 一种基于改进yolox与pnn的smt产线贴片机故障预测方法 | |
| CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
| CN116337868B (zh) | 一种表面缺陷检测方法及检测*** | |
| Huang et al. | The solder paste printing process: critical parameters, defect scenarios, specifications, and cost reduction | |
| CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
| CN114489528A (zh) | 一种印刷设备故障监测方法及*** | |
| CN108548472B (zh) | 一种六等分窗孔球笼保持架的自动测量装置 | |
| CN110856437A (zh) | 一种smt生产过程控制图模式识别方法 | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| Oppermann et al. | Optimization of quality costs | |
| CN102118920A (zh) | 电路板贴片加工测评***及方法 | |
| CN115830403A (zh) | 一种基于深度学习的自动缺陷分类***及方法 | |
| JP5253745B2 (ja) | 製品の製造方法及び工程管理プログラム | |
| CN114354491A (zh) | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |