CN114218703A - 基于机器学习的回流焊工艺参数优化方法、装置和设备 - Google Patents
基于机器学习的回流焊工艺参数优化方法、装置和设备 Download PDFInfo
- Publication number
- CN114218703A CN114218703A CN202111523203.5A CN202111523203A CN114218703A CN 114218703 A CN114218703 A CN 114218703A CN 202111523203 A CN202111523203 A CN 202111523203A CN 114218703 A CN114218703 A CN 114218703A
- Authority
- CN
- China
- Prior art keywords
- reflow soldering
- parameters
- learning algorithm
- welding quality
- soldering process
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明公开了一种基于机器学习的回流焊工艺参数优化方法、装置和设备，包括：获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；将数值化的工艺参数作为输入参数，将数值化的历史检测结果作为输出参数，利用所述集成学习算法训练得到焊接质量预测模型；利用焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。本发明可以将最优的回流焊工艺参数部署到回流焊焊接系统中，有助于减少焊接质量预估的不确定性，可实时掌控当前每一块PCB焊板的焊接质量，同时有利于对表面组装加工回流焊工艺流程进行优化，提高回流焊产品的合格率。
Description
技术领域
本发明属于人工智能技术领域，具体涉及一种基于机器学习的回流焊工艺参数优化方法、装置和设备。
背景技术
回流焊技术作为表面组装行业必不可少的焊接技术，在各种电子元件产品的组装中得到了广泛应用，产品表面组装的质量直接体现在回流焊的结果中。回流焊常见的不良结果主要包括：(1)桥连：焊盘之间接触，形成的导电通路；(2)冷焊：即不完全回流所形成的焊点；(3)虚焊：即IC引脚焊接后出现部分引脚；(4)立碑：即片式元器件的一端被提起，且站立在它的另一端引脚上。
现有技术中，为了改善上述不良结果，主要通过更换有利于提高焊接质量的回流焊炉来实现，但这种方法存在的缺陷是：(1)时间成本和物质成本较高；(2)需要技术人员重新掌握新的回流焊炉的使用方法，通过反复试验来调整回流焊焊接的温度曲线，但这种方式很难适用于复杂程度高的工况，甚至很难完成温度曲线的设置。
发明内容
本发明的目的是提供一种基于机器学习的回流焊工艺参数优化方法、装置和设备，用于解决现有技术中存在的技术问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供一种基于机器学习的回流焊工艺参数优化方法，包括：
获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；
分别将所述工艺参数和所述历史检测结果进行数值化；
将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，利用所述集成学习算法训练得到焊接质量预测模型；
利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。
在一种可能的设计中，所述方法还包括：
将最优的回流焊工艺参数部署到回流焊焊接系统中，以对元器件进行自动焊接加工。
在一种可能的设计中，影响回流焊焊接质量的工艺参数包括以下一种或多种参数的组合：温度曲线、被加工元器件的属性、回流焊炉属性、焊膏属性、金属粉末属性、焊盘的不良类型以及组件的重量。
在一种可能的设计中，自动光学检测系统的历史检测结果包括一种或多种结果的组合：正常、桥接、移位、无锡、锡不足、漏料、极性、歪斜、脚弯、错件、多锡、短接以及锡球。
在一种可能的设计中，在将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为集成学习算法的输出参数之前，所述方法还包括：
将数值化的工艺参数和历史检测结果处理成所述集成学习算法能够识别的数据结构；
对数值化的工艺参数和历史检测结果进行归一化处理。
在一种可能的设计中，所述集成学习算法采用LightGBM分类算法。
在一种可能的设计中，将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数，包括：
将所述预测结果反馈至PPO算法的智能体，以使所述智能体根据所述预测结果更新神经网络策略；
基于新的神经网络策略选择新的输入参数输入至所述焊接质量预测模型中；
利用所述智能体迭代更新所述焊接质量预测模型的输入参数，直至所述自动光学检测系统的检测结果为正常时，对应的输入参数为最优的回流焊工艺参数。
在一种可能的设计中，所述智能体根据所述预测结果更新神经网络策略包括：
利用奖励函数对上一次预测结果对应的各个输入参数进行增强或减弱。
第二方面，本发明提供一种基于机器学习的回流焊工艺参数优化装置，包括：
数据获取单元，用于获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；
数据数值化单元，用于分别将所述工艺参数和所述历史检测结果进行数值化，
模型生成单元，用于将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，并利用所述集成学习算法训练得到焊接质量预测模型；
参数优化单元，用于利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。
第三方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的基于机器学习的回流焊工艺参数优化方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的基于机器学习的回流焊工艺参数优化方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的如第一方面任意一种可能的设计中所述的基于机器学习的回流焊工艺参数优化方法。
有益效果：
本发明通过获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；然后将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，利用所述集成学习算法训练得到焊接质量预测模型；最后利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。从而可以将最优的回流焊工艺参数部署到回流焊焊接系统中，有助于减少焊接质量预估的不确定性和误差，且可以实时掌控当前每一块PCB焊板的焊接质量，同时有利于对表面组装加工回流焊工艺流程进行优化，提高回流焊产品的合格率。
附图说明
图1为本实施例中的基于机器学习的回流焊工艺参数优化方法的流程图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
如图1所示，第一方面，本实施例提供一种基于机器学习的回流焊工艺参数优化方法，包括但不限于由步骤S101～S104实现：
步骤S101.获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；
其中，需要说明的是，所述影响回流焊焊接质量的工艺参数包括以下一种或多种参数的组合：温度曲线、被加工元器件的属性(包括被加工器件的可焊性和不良类型)、回流焊炉属性(包括回流焊炉的使用年限、回流焊导轨的运输速度和热风速度)、焊膏属性(包括焊膏中的金属粉末含量、焊膏涂覆的厚度、焊膏的盐度、焊膏的触变性、焊膏的印刷性、焊膏的粘度以及焊膏的含水量等)、金属粉末属性(包括金属粉末的含氧量、黏度和触变性)、焊盘的不良类型以及组件的重量。
其中，需要说明的是，所述自动光学检测系统的历史检测结果包括一种或多种结果的组合：正常、桥接、移位、无锡、锡不足、漏料、极性、歪斜、脚弯、错件、多锡、短接以及锡球。
步骤S102.分别将所述工艺参数和所述历史检测结果进行数值化；
其中，分别将所述工艺参数和所述历史检测结果进行数值化是指将工艺参数和历史检测结果转化为数字。例如：所述元器件的可焊性在进行数字化时，可参考GB/T17473.7-2008《微电子技术用贵金属浆料测试方法可焊性、耐焊性测定》中6.2.1的内容：在放大镜下观察，以基片印刷图案导电膜接受焊锡的面积与图案面积的比例作为元器件的可焊性指标；所述元器件的不良类型按类型编号，例如“不耐压”编号为“1”，“局部损坏”编号为“2”，依此类推；所述回流焊炉的使用年限即以年限数为数值化标准；焊膏中的金属粉末含量即以金属粉末含量的质量为标准，焊膏涂覆的厚度以厚度为数值化标准，焊膏的盐度即以盐度为标准，焊膏的触变性通过粘度计测试出触变指数，以触变指数为数值标准，焊膏的印刷性以焊膏沉积高度测量和焊膏漏印情况测量来衡量，焊膏的黏度通过粘度计测试出粘度指标来数值化，焊膏的含水量使用天平来测量，以天平测得的质量减去焊膏初始的质量，得到的质量即为含水量；金属粉末的含氧量即以含氧量为数值化标准，金属粉末的粘度通过粘度计测试出粘度指标来数值化，金属粉末的触变性通过粘度计测试出触变指数，以触变指数为数值标准；PCB焊盘的不良类型以类型编号；组件的重量即以质量为数值化标准；
其中，将所述历史检测结果进行数值化是指将历史检测结果类型按顺序编号，利用编号数值化，例如“桥接”编号为1，“移位”编号为2，依此类推。
步骤S103.将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，利用所述集成学习算法训练得到焊接质量预测模型；
其中，优选的，所述集成学习算法采用LightGBM分类算法，通过将数值化后的数据离散化为K个整数，同时构造一个宽度为K的直方图，在训练的时候，根据离散化后的数据作为索引在直方图中累积统计量，当训练一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。
其中，在步骤S103一种具体的实施方式中，在将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为集成学习算法的输出参数之前，所述方法还包括：
将数值化的工艺参数和历史检测结果处理成所述集成学习算法能够识别的数据结构；
对数值化的工艺参数和历史检测结果进行归一化处理，从而使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响。
步骤S104.利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。
其中，优选的，所述强化学习算法采用PPO算法，则将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数，包括：
步骤S1041.将所述预测结果反馈至PPO算法的智能体，以使所述智能体根据所述预测结果更新神经网络策略；
步骤S1042.基于新的神经网络策略选择新的输入参数输入至所述焊接质量预测模型中；
其中，优选的，所述智能体根据所述预测结果更新神经网络策略包括：
利用奖励函数对上一次预测结果对应的各个输入参数进行增强或减弱；即利用奖励函数对上一次预测结果中有助于输出正向预测结果的输入参数被选中的概率进行增强，对助力于输出反向预测结果的输入参数被选中的概率进行减弱。
步骤S1043.利用所述智能体迭代更新所述焊接质量预测模型的输入参数，直至所述自动光学检测系统的检测结果为正常时，对应的输入参数为最优的回流焊工艺参数。
在一种具体的实施方式中，所述方法还包括：
将最优的回流焊工艺参数部署到回流焊焊接系统中，以对元器件进行自动焊接加工，有助于减少焊接质量预估的不确定性和误差，且可以实时掌控当前每一块PCB焊板的焊接质量，同时有利于对表面组装加工回流焊工艺流程进行优化，提高回流焊产品的合格率。
基于上述公开的内容，本实施例通过获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；然后将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，利用所述集成学习算法训练得到焊接质量预测模型；最后利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。从而可以将最优的回流焊工艺参数部署到回流焊焊接系统中，有助于减少焊接质量预估的不确定性和误差，且可以实时掌控当前每一块PCB焊板的焊接质量，同时有利于对表面组装加工回流焊工艺流程进行优化，提高回流焊产品的合格率。
第二方面，本发明提供一种基于机器学习的回流焊工艺参数优化装置，包括：
数据获取单元，用于获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；
数据数值化单元，用于分别将所述工艺参数和所述历史检测结果进行数值化，
模型生成单元，用于将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，并利用所述集成学习算法训练得到焊接质量预测模型；
参数优化单元，用于利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。
在一种可能的设计中，所述装置还包括：
参数部署单元，用于将最优的回流焊工艺参数部署到回流焊焊接系统中，以对元器件进行自动焊接加工。
在一种可能的设计中，影响回流焊焊接质量的工艺参数包括以下一种或多种参数的组合：温度曲线、被加工元器件的属性、回流焊炉属性、焊膏属性、金属粉末属性、焊盘的不良类型以及组件的重量。
在一种可能的设计中，自动光学检测系统的历史检测结果包括一种或多种结果的组合：正常、桥接、移位、无锡、锡不足、漏料、极性、歪斜、脚弯、错件、多锡、短接以及锡球。
在一种可能的设计中，所述装置还包括数据预处理单元，具体用于：
将数值化的工艺参数和历史检测结果处理成所述集成学习算法能够识别的数据结构；
对数值化的工艺参数和历史检测结果进行归一化处理。
在一种可能的设计中，所述集成学习算法采用LightGBM分类算法。
在一种可能的设计中，在将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数时，所述参数优化单元具体用于：
将所述预测结果反馈至PPO算法的智能体，以使所述智能体根据所述预测结果更新神经网络策略；
基于新的神经网络策略选择新的输入参数输入至所述焊接质量预测模型中；
利用所述智能体迭代更新所述焊接质量预测模型的输入参数，直至所述自动光学检测系统的检测结果为正常时，对应的输入参数为最优的回流焊工艺参数。
第三方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的基于机器学习的回流焊工艺参数优化方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的基于机器学习的回流焊工艺参数优化方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的如第一方面任意一种可能的设计中所述的基于机器学习的回流焊工艺参数优化方法。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的回流焊工艺参数优化方法，其特征在于，包括：
获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；
分别将所述工艺参数和所述历史检测结果进行数值化；
将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，利用所述集成学习算法训练得到焊接质量预测模型；
利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。
2.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，所述方法还包括：
将最优的回流焊工艺参数部署到回流焊焊接系统中，以对元器件进行自动焊接加工。
3.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，影响回流焊焊接质量的工艺参数包括以下一种或多种参数的组合：温度曲线、被加工元器件的属性、回流焊炉属性、焊膏属性、金属粉末属性、焊盘的不良类型以及组件的重量。
4.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，自动光学检测系统的历史检测结果包括一种或多种结果的组合：正常、桥接、移位、无锡、锡不足、漏料、极性、歪斜、脚弯、错件、多锡、短接以及锡球。
5.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，在将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为集成学习算法的输出参数之前，所述方法还包括：
将数值化的工艺参数和历史检测结果处理成所述集成学习算法能够识别的数据结构；
对数值化的工艺参数和历史检测结果进行归一化处理。
6.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，所述集成学习算法采用LightGBM分类算法。
7.根据权利要求3所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数，包括：
将所述预测结果反馈至PPO算法的智能体，以使所述智能体根据所述预测结果更新神经网络策略；
基于新的神经网络策略选择新的输入参数输入至所述焊接质量预测模型中；
利用所述智能体迭代更新所述焊接质量预测模型的输入参数，直至所述自动光学检测系统的检测结果为正常时，对应的输入参数为最优的回流焊工艺参数。
8.根据权利要求7所述的基于机器学习的回流焊工艺参数优化方法，其特征在于，所述智能体根据所述预测结果更新神经网络策略包括：
利用奖励函数对上一次预测结果对应的各个输入参数进行增强或减弱。
9.一种基于机器学习的回流焊工艺参数优化装置，其特征在于，包括：
数据获取单元，用于获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果；
数据数值化单元，用于分别将所述工艺参数和所述历史检测结果进行数值化；
模型生成单元，用于将数值化的工艺参数作为集成学习算法的输入参数，将数值化的历史检测结果作为所述集成学习算法的输出参数，并利用所述集成学习算法训练得到焊接质量预测模型；
参数优化单元，用于利用所述焊接质量预测模型预测回流焊的焊接质量，并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化，直至获得最优的回流焊工艺参数。
10.一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1-8任意一项所述的基于机器学习的回流焊工艺参数优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111523203.5A CN114218703A (zh) | 2021-12-13 | 2021-12-13 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111523203.5A CN114218703A (zh) | 2021-12-13 | 2021-12-13 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114218703A true CN114218703A (zh) | 2022-03-22 |
Family
ID=80701469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111523203.5A Pending CN114218703A (zh) | 2021-12-13 | 2021-12-13 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114218703A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115415626A (zh) * | 2022-11-03 | 2022-12-02 | 诚联恺达科技有限公司 | 一种真空回流焊工艺优化方法 |
| CN115609180A (zh) * | 2022-12-01 | 2023-01-17 | 江苏新恒基特种装备股份有限公司 | 基于焊接过程预测的强化参数生成方法、系统及存储介质 |
| CN117161624A (zh) * | 2023-10-18 | 2023-12-05 | 中设智能装备（苏州）有限公司 | 一种智能焊接检测装置与控制系统 |
| CN117574784A (zh) * | 2024-01-16 | 2024-02-20 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
| CN117620345A (zh) * | 2023-12-28 | 2024-03-01 | 诚联恺达科技有限公司 | 一种真空回流焊炉的数据记录系统 |
| CN118428244A (zh) * | 2024-07-03 | 2024-08-02 | 苏州松德激光科技有限公司 | 回流焊工艺参数自适应优化方法 |
| CN118492544A (zh) * | 2024-07-10 | 2024-08-16 | 深圳市丹宇电子有限公司 | 基于深度学习的多温区回流焊温度调节方法及介质 |
| CN118428244B (zh) * | 2024-07-03 | 2024-11-19 | 苏州松德激光科技有限公司 | 回流焊工艺参数自适应优化方法 |
-
2021
- 2021-12-13 CN CN202111523203.5A patent/CN114218703A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115415626B (zh) * | 2022-11-03 | 2023-03-24 | 诚联恺达科技有限公司 | 一种真空回流焊工艺优化方法 |
| CN115415626A (zh) * | 2022-11-03 | 2022-12-02 | 诚联恺达科技有限公司 | 一种真空回流焊工艺优化方法 |
| CN115609180A (zh) * | 2022-12-01 | 2023-01-17 | 江苏新恒基特种装备股份有限公司 | 基于焊接过程预测的强化参数生成方法、系统及存储介质 |
| CN117161624B (zh) * | 2023-10-18 | 2024-04-26 | 中设智能装备（苏州）有限公司 | 一种智能焊接检测装置与控制系统 |
| CN117161624A (zh) * | 2023-10-18 | 2023-12-05 | 中设智能装备（苏州）有限公司 | 一种智能焊接检测装置与控制系统 |
| CN117620345B (zh) * | 2023-12-28 | 2024-06-07 | 诚联恺达科技有限公司 | 一种真空回流焊炉的数据记录系统 |
| CN117620345A (zh) * | 2023-12-28 | 2024-03-01 | 诚联恺达科技有限公司 | 一种真空回流焊炉的数据记录系统 |
| CN117574784B (zh) * | 2024-01-16 | 2024-04-02 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
| CN117574784A (zh) * | 2024-01-16 | 2024-02-20 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
| CN118428244A (zh) * | 2024-07-03 | 2024-08-02 | 苏州松德激光科技有限公司 | 回流焊工艺参数自适应优化方法 |
| CN118428244B (zh) * | 2024-07-03 | 2024-11-19 | 苏州松德激光科技有限公司 | 回流焊工艺参数自适应优化方法 |
| CN118492544A (zh) * | 2024-07-10 | 2024-08-16 | 深圳市丹宇电子有限公司 | 基于深度学习的多温区回流焊温度调节方法及介质 |
| CN118492544B (zh) * | 2024-07-10 | 2024-09-10 | 深圳市丹宇电子有限公司 | 基于深度学习的多温区回流焊温度调节方法及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114218703A (zh) | 基于机器学习的回流焊工艺参数优化方法、装置和设备 | |
| CN111047225B (zh) | 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法 | |
| JP6922168B2 (ja) | 表面実装ラインの品質管理システム及びその制御方法 | |
| JP6413246B2 (ja) | 品質管理装置および品質管理装置の制御方法 | |
| KR102636470B1 (ko) | 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비 | |
| CN111060515A (zh) | Pcba质量检测方法、系统、计算机设备 | |
| US20220189002A1 (en) | Method and system for defect inspection based on deep learning | |
| CN109840572B (zh) | 一种smt产线管理方法及制造端 | |
| CN116976757B (zh) | 高精密线路板追溯系统及方法 | |
| CN115397595A (zh) | 用于经由焊接工件图像的数字处理确定焊接方法的性能的方法、装置和计算机程序 | |
| JP6988499B2 (ja) | 検査管理システム、検査管理装置、検査管理方法 | |
| KR20200006028A (ko) | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| CN112567627B (zh) | 光电太阳能电池测试系统及太阳能电池流水线生产的方法 | |
| CN206038549U (zh) | Smt生产实时管理系统 | |
| Weiss | AI Detection of Body Defects and Corrosion on Leads in Electronic Components, and a study of their Occurrence | |
| CN113470005A (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
| CN111899248B (zh) | 一种基于机器学习的自动pcb焊锡膏缺陷检测方法 | |
| CN117161624B (zh) | 一种智能焊接检测装置与控制系统 | |
| CN118071684A (zh) | 一种电路板表面缺陷检测方法、装置、设备和存储介质 | |
| CN115136750A (zh) | 电子元件生产线中不同机器之间的数据相关 | |
| Yang et al. | Micro pin header defect detection system based on OpenCV | |
| Kumar et al. | Automated quality inspection of PCB assembly using image processing | |
| Shioiri et al. | Application of machine learning to printed circuit board external inspection | |
| Huang | Applying multivariate analysis to analyze and improve component rejection by pick and place machines | |
| CN116934745B (zh) | 一种电子元器件插接卡子质量检测方法及检测系统 |
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 |