申请/专利权人：安徽大学

申请日：2023-11-29

公开（公告）日：2024-03-22

公开（公告）号：CN117312802B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/10;G06F18/2433;G06N3/0464;G06N3/08;G06Q50/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明的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，包括以下步骤，通过锡膏印刷系统对SMT产线上的电路主板进行锡膏点印；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；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；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；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。本发明引入了强化学习用于决策锡膏印刷关键工艺参数的生成，结合基于MLP的印刷质量预测模型，形成一套优化印刷关键工艺参数的优化系统，具有较好的稳健性，且能适应多步预测等复杂情况。

主权项：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，通过锡膏印刷系统对SMT产线上的电路主板进行锡膏点印；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；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；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；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；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；构建印刷工艺参数策略模型的步骤包括，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数据作为状态，关键工艺参数作为动作；具体为，首先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；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；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，即奖励，以实现锡膏印刷倾斜量越小越好；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，以奖励接近0为正向引导，反复迭代；在模型训练后期，即在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；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。

全文数据：

权利要求：

百度查询： 安徽大学 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD