CN118492544B - 基于深度学习的多温区回流焊温度调节方法及介质 - Google Patents
基于深度学习的多温区回流焊温度调节方法及介质 Download PDFInfo
- Publication number
- CN118492544B CN118492544B CN202410923506.3A CN202410923506A CN118492544B CN 118492544 B CN118492544 B CN 118492544B CN 202410923506 A CN202410923506 A CN 202410923506A CN 118492544 B CN118492544 B CN 118492544B
- Authority
- CN
- China
- Prior art keywords
- temperature
- reflow soldering
- dimension reduction
- reflow
- features
- 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
- 238000005476 soldering Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000033228 biological regulation Effects 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 6
- 238000003466 welding Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 229910000679 solder Inorganic materials 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000949477 Toona ciliata Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K1/00—Soldering, e.g. brazing, or unsoldering
- B23K1/012—Soldering with the use of hot gas
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K1/00—Soldering, e.g. brazing, or unsoldering
- B23K1/008—Soldering within a furnace
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K2101/00—Articles made by soldering, welding or cutting
- B23K2101/36—Electric or electronic devices
- B23K2101/42—Printed circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明涉及人工智能技术，提出了一种基于深度学习的多温区回流焊温度调节方法及介质，包括：采集回流焊炉的多个温区的温度数据，根据温度数据生成多个温度时间序列；利用预先训练的温度调节模型提取温度时间序列的局部温度特征；对局部温度特征进行跳跃连接处理，对跳跃连接处理后的局部温度特征进行批量归一化处理，得到初级温度特征；对初级温度特征进行下采样，得到回流焊炉的降维特征；提取降维特征中的关键特征，根据关键特征对降维特征进行动态加权，进而生成回流焊炉的温度预测值，根据温度预测值生成回流焊炉的温控方案，利用温控方案对回流焊率进行温度调节。本发明可以提高多温区回流焊温度调节的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的多温区回流焊温度调节方法及介质。
背景技术
多温区回流焊的温度调节在现代电子制造中是必不可少的。它不仅能够保证焊接质量和稳定性，提高生产效率，还能节约能源和适应复杂的电路板结构，是电子制造过程中重要的技术手段之一。
不同的电子元件对于回流焊的温度敏感度不同，有些元件对高温敏感，而有些对温度变化不敏感，通过多温区控制，可以调节每个区域的温度，确保每个元件都在最适合的焊接温度范围内，从而避免焊接温度过高或过低造成的质量问题，如焊点冷焊、焊接熔合不良等。但是，工艺参数的设置复杂度和板材的选择多样性导致了多温区回流焊的温度调节效率较低。
发明内容
本发明提供一种基于深度学习的多温区回流焊温度调节方法及介质，其主要目的在于解决多温区回流焊温度调节效率较低的问题。
为实现上述目的，本发明提供的一种基于深度学习的多温区回流焊温度调节方法，包括：
采集回流焊炉的多个温区的温度数据，根据所述温度数据生成所述回流焊炉的多个温度时间序列；
利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征；
利用预设的残差连接算法对所述局部温度特征进行跳跃连接处理，对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，其中，所述预设的残差连接算法为：其中，是跳跃连接处理后的局部温度特征，是所述温度时间序列，是卷积层的总数，是第个卷积层的卷积操作；
利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征；
利用预设的时间窗口提取所述降维特征中的关键特征，根据所述关键特征对所述降维特征进行动态加权；
根据所述动态加权后的降维特征生成所述回流焊炉的温度预测值，根据所述温度预测值生成所述回流焊炉的温控方案，利用所述温控方案对所述回流焊率进行温度调节。
可选地，所述温度数据为每个所述温区的设定温度、实际温度和环境温度。
可选地，所述根据所述温度数据生成所述回流焊炉的多个温度时间序列，包括：
确定所述温度数据所对应的时间标签；
根据所述时间标签对每个所述温区的温度数据进行数据排序，得到所述回流焊炉的多个温度时间序列。
可选地， 所述利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征，包括：
将所述温度时间序列输入至预先训练的温度调节模型中，所述温度调节模型中的卷积层对所述温度时间序列进行逐层特征提取，得到所述温度时间序列的温度曲线和温升速率；
确定所述温度曲线和所述温升速率为所述温度时间序列的局部温度特征。
可选地，所述对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，包括：
计算所述跳跃连接处理后的局部温度特征的均值和标准差；
对每个跳跃连接处理后的局部温度特征进行零均值化，得到所述跳跃连接处理后的局部温度特征的零均值化特征；
利用所述标准差除以所述零均值化特征，得到所述跳跃连接处理后的局部温度特征的归一化特征，确定所述归一化特征为所述回流焊炉的初级温度特征。
可选地，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
确定所述温度调节模型中的池化层的池化窗口；
逐个选取所述池化窗口内的所述初级温度特征中的最大特征值为所述池化窗口的输出；
根据所述池化窗口的输出确定所述回流焊炉的降维特征。
可选地，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
确定所述温度调节模型中的池化层的池化窗口；
逐个计算所述池化窗口内的所述初级温度特征中的平均特征值，确定所述平均特征值为所述池化窗口的输出；
根据所述池化窗口的输出确定所述回流焊炉的降维特征。
可选地，在所述根据所述关键特征对所述降维特征进行动态加权之前，还包括：
利用预设的权重算法生成所述关键特征的特征权重，其中，所述预设的权重算法为：其中，是第个所述关键特征的特征权重，是归一化因子，是第个所述关键特征的向量表示，是欧几里得距离，是预设的时间窗口中心点的特征向量，是标准差，用于控制权重分布的平滑程度。
可选地，所述利用预设的时间窗口提取所述降维特征中的关键特征，包括：
确定所述预设的时间窗口的滑动步长；
根据所述滑动步长和所述预设的时间窗口对所述降维特征进行子序列许选取；
提取所述选取到的子序列中的阶段转换点，根据所述阶段转换点生成所述降维特征中的关键特征。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于深度学习的多温区回流焊温度调节方法。
本发明实施例通过多层卷积层逐个提取温度时间序列的局部温度特征，可以有效地捕捉到温度数据中的局部模式和趋势，可以提高模型对温度变化的敏感性，从而更准确地预测温度变化，利用预设的残差连接算法对局部温度特征进行跳跃连接处理，可以解决梯度消失和梯度爆炸的问题，提高模型的训练稳定性，同时，跳跃连接可以将浅层特征与深层特征进行融合，提高模型的表达能力，每一层输入数据的分布会随着前一层参数的更新而变化，这使得网络的训练变得复杂和不稳定，批量归一化通过对每一层的输入进行规范化处理，将其转化为均值为0，方差为1的标准正态分布，从而稳定了输入数据的分布，通过预设的时间窗口提取降维特征中的关键特征，并根据关键特征对降维特征进行动态加权，可以使模型更加关注对温度调节影响较大的特征，从而提高温度调节的效率和准确性，进而根据动态加权后的降维特征生成回流焊炉的温度预测值，并根据预测值生成温控方案，最后利用该方案对回流焊率进行温度调节，实现了对回流焊炉温度的精准控制，因此本发明提出的基于深度学习的多温区回流焊温度调节方法及介质，可以解决多温区回流焊温度调节效率较低的问题。
附图说明
图1为本发明一实施例提供的基于深度学习的多温区回流焊温度调节方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于深度学习的多温区回流焊温度调节方法。所述基于深度学习的多温区回流焊温度调节方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习的多温区回流焊温度调节方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于深度学习的多温区回流焊温度调节方法的流程示意图。在本实施例中，所述基于深度学习的多温区回流焊温度调节方法包括：
S1、采集回流焊炉的多个温区的温度数据，根据所述温度数据生成所述回流焊炉的多个温度时间序列。
在本发明实施例中，所述采集回流焊炉的多个温区的温度数据，包括：收集每个温区的设定温度数据，设定温度是指为回流焊炉每个温区预设的目标温度，这些数据通常由焊接工艺要求或操作员根据经验设定；实时监测并记录每个温区的实际温度，实际温度是指通过温区内部署的温度传感器实时测量得到的温度值，这些数据反映了温区当前的真实温度状态；收集回流焊炉所处环境的环境温度数据，环境温度可能影响回流焊炉的热效率和温度稳定性，因此也是一个重要的参数。
详细地，所述温度数据为每个所述温区的设定温度、实际温度和环境温度。
进一步地，所有采集的温度数据（设定温度、实际温度和环境温度）都需要被准确记录并与具体的时间点关联，这确保了在后续的温度分析和模型训练中能够精确对应时间序列，以及在需要时进行数据的时间对齐处理。
在本发明实施例中，所述根据所述温度数据生成所述回流焊炉的多个温度时间序列，包括：
确定所述温度数据所对应的时间标签；
根据所述时间标签对每个所述温区的温度数据进行数据排序，得到所述回流焊炉的多个温度时间序列。
在本发明实施例中，每个温度数据点（包括设定温度、实际温度和环境温度）都应与一个具体的时间点相关联，这个时间点通常由数据采集系统在记录数据时自动生成，确保了数据的时间顺序可以被准确追踪。
详细地，通过使用时间标签，可以对每个温区的温度数据进行排序。这意味着将数据点根据它们发生的时间先后顺序进行排列，从而形成一个连续的时间序列。
详细地，对每个温区的数据单独进行排序后，得到该温区的单个温度时间序列，由于回流焊炉可能有多个温区，因此最终会得到多个这样的时间序列，每个序列对应一个温区的温度变化情况。
S2、利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征。
在本发明实施例中，所述利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征，包括：
将所述温度时间序列输入至预先训练的温度调节模型中，所述温度调节模型中的卷积层对所述温度时间序列进行逐层特征提取，得到所述温度时间序列的温度曲线和温升速率；
确定所述温度曲线和所述温升速率为所述温度时间序列的局部温度特征。
详细地，在通过卷积层时，模型会逐个提取局部温度特征，每个卷积层都能够识别并学习时间序列数据中的特定模式或趋势，例如：第一层可能识别出短期的温度波动，而更深层的卷积层可能识别出更长期的温度趋势。
亦即，将采集并预处理后的温度时间序列数据输入到预先训练的温度调节模型中，这些数据包含了各个温区的设定温度、实际温度和环境温度，并且已经按照时间顺序排列形成时间序列。
进一步地，温度调节模型中的多层卷积层对输入的温度时间序列进行逐层的特征提取，每一层卷积层都能够捕捉不同时间尺度上的温度变化模式。
例如：模型的初始卷积层通常识别较短时间范围内的温度波动，这些层可以捕捉到温区温度的快速变化或短期波动，例如由设备开启、关闭或功率调整引起的温度变化；随着卷积层的加深，更深层的网络开始识别更长时间序列上的温度趋势，这些层能够学习到温区温度的长期变化趋势，例如由于设备持续运行导致的渐进式温度升高或降低。
详细地，通过卷积层处理，模型从温度时间序列中提取出具体的局部温度特征，主要包括温度曲线和温升速率，其中，温度曲线反映了温区在观察期间的温度变化路径，可展示温度随时间的动态变化，温升速率是指温度变化的速率，即单位时间内温度上升的幅度，对于掌握温区热响应特性至关重要。
进一步地，确定经过卷积层处理得到的温度曲线和温升速率为温度时间序列的局部温度特征，这些特征是后续处理和分析的基础，可用于温区的温度预测和调节。
S3、利用预设的残差连接算法对所述局部温度特征进行跳跃连接处理，对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征。
在本发明实施例中，所述利用预设的残差连接算法对所述局部温度特征进行跳跃连接处理，包括：确定残差连接的结构，通常包括一个或多个卷积层（用于特征提取）和一个跳跃连接（用于将原始输入与卷积后的输出相加）。
进一步地，将温度时间序列输入到第一个卷积层中，这个卷积层会对温度时间序列进行特征提取，学习局部的温度变化模式。然后，将第一个卷积层的输出传递到后续的卷积层中，这些卷积层会继续对温度时间序列进行深入的特征提取，捕捉更复杂的温度变化模式。
进一步地，在每个残差块中，将原始的温度时间序列（输入x）与最后一个卷积层的输出相加，这是通过跳跃连接实现的，它将输入直接添加到卷积层的输出上，形成残差连接
其中，所述预设的残差连接算法为：其中，是跳跃连接处理后的局部温度特征，是所述温度时间序列，是卷积层的总数，是第个卷积层的卷积操作。
详细地，输入先经过第一个卷积层，得到，然后，将原始输入加到上，形成，接着，的结果再经过第二个卷积层，得到，同样地，将加到这个结果上，形成，这个模式继续重复，直到最后一个卷积层，每一层都将其前一层的输出和输入相加，形成一个复合的特征表示，最后，层的输出与最初的输入相加，形成最终的输出。
详细地，通过直接将输入加到每个中间层的输出上，模型可以更有效地反向传播梯度，从而减轻梯度消失问题，每个卷积层不仅学习新的特征，还通过加上前面层的特征，增强了特征的复用性和多样性，通过学习输入和输出之间的残差映射，而不是直接学习输出，模型可以更容易地捕捉复杂的数据关系。
在本发明实施例中，所述对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，包括：
计算所述跳跃连接处理后的局部温度特征的均值和标准差；
对每个跳跃连接处理后的局部温度特征进行零均值化，得到所述跳跃连接处理后的局部温度特征的零均值化特征；
利用所述标准差除以所述零均值化特征，得到所述跳跃连接处理后的局部温度特征的归一化特征，确定所述归一化特征为所述回流焊炉的初级温度特征。
详细地，对于每个批次中的局部温度特征，计算其均值和标准差，这些统计量是用来进行后续归一化处理的关键参数，接下来，将每个局部温度特征减去其均值，使得该特征的均值为零，这一步骤称为零均值化，它的目的是消除特征之间的偏移，确保数据集中在零附近，从而有助于模型训练的稳定性。
进一步地，使用计算得到的标准差（即方差的平方根）来归一化零均值化后的特征，通过将特征除以标准差，使得特征的方差为一，这样做可以确保不同特征在同一尺度下进行处理，提高模型的收敛速度和性能。
换句话说，上述步骤组合应用到跳跃连接处理后的局部温度特征上，进行批量归一化处理。这个处理过程可以表示为：其中，是第个局部温度特征，是该批次特征的均值，是标准差，是归一化后的特征。
S4、利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征。
在本发明实施例中，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
确定所述温度调节模型中的池化层的池化窗口；
逐个选取所述池化窗口内的所述初级温度特征中的最大特征值为所述池化窗口的输出；
根据所述池化窗口的输出确定所述回流焊炉的降维特征。
详细地，选择最大池化作为池化方式，最大池化是一种常见的池化方法，它从每个池化窗口中选择最大的特征值作为该窗口的输出。
接着，确定池化窗口的大小和步幅。例如，可以选择一个2x2的窗口，步幅为2，这些参数决定了池化操作后特征图的尺寸。
然后，对初级温度特征应用最大池化操作，在每个池化窗口内，选择最大的特征值作为该窗口的输出，这个过程通过非重叠的窗口（由步幅控制）在特征图上滑动来完成。
最后，将上述池化操作的结果组合起来，形成降维后的特征图，这些降维特征保留了初级温度特征的主要信息，同时减少了数据的维度和计算量
在本发明实施例中，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
确定所述温度调节模型中的池化层的池化窗口；
逐个计算所述池化窗口内的所述初级温度特征中的平均特征值，确定所述平均特征值为所述池化窗口的输出；
根据所述池化窗口的输出确定所述回流焊炉的降维特征。
详细地，平均池化计算每个池化窗口内所有值的平均值作为该窗口的输出。
同样地，需要确定池化窗口的大小和步幅，例如，选择一个3x3的窗口，步幅为1，这会在池化过程中产生一些重叠，并可能保留更多的信息。
详细地，对初级温度特征应用平均池化操作，在每个池化窗口内，计算所有特征值的平均值作为该窗口的输出，将上述池化操作的结果组合起来，形成降维后的特征图，这些降维特征通过平均池化得到了平滑的效果，减少了异常值的影响。
总的来说，最大池化提供了一种抽象的形式，能够突出局部区域内的最显著特征，对于识别温度突变或峰值特别有用；平均池化则提供了一种平滑的效果，能够减少数据中的噪声，对于温度趋势分析更为适用。
详细地，根据回流焊炉的温度数据特点和监控需求，可以选择合适的池化方法。例如，如果需要快速响应温度的剧烈变化，最大池化可能是更好的选择；而如果需要对温度变化进行平滑处理，以观察长期趋势，平均池化可能更为合适。
S5、利用预设的时间窗口提取所述降维特征中的关键特征，根据所述关键特征对所述降维特征进行动态加权。
在本发明实施例中，所述利用预设的时间窗口提取所述降维特征中的关键特征，包括：
确定所述预设的时间窗口的滑动步长；
根据所述滑动步长和所述预设的时间窗口对所述降维特征进行子序列许选取；
提取所述选取到的子序列中的阶段转换点，根据所述阶段转换点生成所述降维特征中的关键特征。
详细地，在回流焊过程中，可能存在某些关键时间点，比如温区设置改变的时刻，或者是焊接过程中的特定阶段转换点，这些时间点的温度变化对整个焊接过程的质量可能有显著影响，注意力机制能够识别这些关键时刻，并赋予它们更高的权重，从而在温度预测时更加重视这些时刻的数据。
详细地，假设在某个回流焊过程中，有一个温区在过程开始的前30分钟内逐渐增加温度，然后在第35分钟时有一个短暂的温度峰值，之后温度保持稳定，在这种情况下，第35分钟的峰值可能对整个焊接过程至关重要，因为它可能是一个关键的工艺参数切换点。
换句话说，所述利用预设的时间窗口提取所述降维特征中的关键特征，包括：确定预设时间窗口的滑动步长，这个步长决定了时间窗口在时间序列数据上移动的距离，步长的选择需要根据实际的温度变化特点和回流焊工艺需求来设定；接下来，根据滑动步长和预设的时间窗口对降维特征进行子序列的选取，这意味着将时间窗口沿着时间序列数据按照确定的步长滑动，每次滑动后，从当前窗口覆盖的数据范围内提取出一个子序列；对于每个选取到的子序列，分析其温度变化趋势以识别可能存在的阶段转换点，例如，在上文提到的例子中，第35分钟时出现的温度峰值可能就是一个关键的阶段转换点；将这些阶段转换点作为关键特征，从降维特征中提取出来，这些关键特征代表了回流焊过程中重要的温度变化时刻，可能对焊接质量有显著影响。
进一步地，在深度学习模型中，可以采用注意力机制来进一步增强这些关键特征的重要性，注意力机制能够自动学习不同时刻温度数据的重要程度，并赋予关键时刻更高的权重。
在本发明实施例中，在所述根据所述关键特征对所述降维特征进行动态加权之前，还包括：
利用预设的权重算法生成所述关键特征的特征权重，其中，所述预设的权重算法为：其中，是第个所述关键特征的特征权重，是归一化因子，是第个所述关键特征的向量表示，是欧几里得距离，是预设的时间窗口中心点的特征向量，是标准差，用于控制权重分布的平滑程度。
详细地，所述预设的权重算法是指先计算每个关键特征向量与时间窗口中心点的特征向量之间的欧几里得距离，然后，将距离应用于高斯核函数，这会给予接近中心点的特征更高的权重，因为它们被认为是更重要的，接着，通过归一化因子对权重进行归一化，确保所有权重的和为1，使其成为一个有效的概率分布。
详细地，注意力机制通过为时间序列中的每个时间点动态计算一个权重来实现，这些权重是根据模型的隐藏状态和当前时间点的输入来计算的。权重大的时间点表示模型认为这些点的信息对于当前的预测任务更加重要。
进一步地，在回流焊过程中，可能存在某些关键时间点，比如温区设置改变的时刻，或者是焊接过程中的特定阶段转换点，这些时间点的温度变化对整个焊接过程的质量可能有显著影响，注意力机制能够识别这些关键时刻，并赋予它们更高的权重，从而在温度预测时更加重视这些时刻的数据。
详细地，对初级温度特征进行动态加权，这可能涉及根据实时数据的重要性对不同特征进行不同的加权，以确保模型可以灵活地适应不同的焊接条件和环境变化。
S6、根据所述动态加权后的降维特征生成所述回流焊炉的温度预测值，根据所述温度预测值生成所述回流焊炉的温控方案，利用所述温控方案对所述回流焊率进行温度调节。
在本发明实施例中，将加权后的特征融合，以形成综合的特征表示，该表示蕴含了从原始温度时间序列中提取的全部关键信息，再利用融合后的特征来生成温度预测值，这通常涉及通过全连接层将特征映射到预测空间，从而得到连续或离散的温度预测值。
在本发明实施例中，所述根据所述温度预测值生成所述回流焊炉的温控方案，包括：考虑与温度调节相关的其他参数，如焊接速度、PCB类型和所用焊料等，这些参数会影响温度调节的具体需求和策略，基于温度预测值和上述参数，设计一个综合的温控方案，包括：设置目标温度曲线、调整加热和冷却速率、以及优化焊接过程的整体时间安排，通过模拟和历史数据对比，对设计的温控方案进行优化，确保其在实际应用中能够达到预期的焊接质量和效率。
在本发明实施例中，所述利用所述温控方案对所述回流焊率进行温度调节，包括：将设计的温控方案应用于回流焊炉的温度控制系统中，调整相关的硬件设置（如加热器功率、传送带速度等），在焊接过程中实时监控温度变化，确保实际温度紧密跟随设定的温度曲线。
本发明实施例通过多层卷积层逐个提取温度时间序列的局部温度特征，可以有效地捕捉到温度数据中的局部模式和趋势，可以提高模型对温度变化的敏感性，从而更准确地预测温度变化，利用预设的残差连接算法对局部温度特征进行跳跃连接处理，可以解决梯度消失和梯度爆炸的问题，提高模型的训练稳定性，同时，跳跃连接可以将浅层特征与深层特征进行融合，提高模型的表达能力，每一层输入数据的分布会随着前一层参数的更新而变化，这使得网络的训练变得复杂和不稳定，批量归一化通过对每一层的输入进行规范化处理，将其转化为均值为0，方差为1的标准正态分布，从而稳定了输入数据的分布，通过预设的时间窗口提取降维特征中的关键特征，并根据关键特征对降维特征进行动态加权，可以使模型更加关注对温度调节影响较大的特征，从而提高温度调节的效率和准确性，进而根据动态加权后的降维特征生成回流焊炉的温度预测值，并根据预测值生成温控方案，最后利用该方案对回流焊率进行温度调节，实现了对回流焊炉温度的精准控制，因此本发明提出的基于深度学习的多温区回流焊温度调节方法，可以解决多温区回流焊温度调节效率较低的问题。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集回流焊炉的多个温区的温度数据，根据所述温度数据生成所述回流焊炉的多个温度时间序列；
利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征；
利用预设的残差连接算法对所述局部温度特征进行跳跃连接处理，对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，其中，所述预设的残差连接算法为：其中，是跳跃连接处理后的局部温度特征，是所述温度时间序列，是卷积层的总数，是第个卷积层的卷积操作；
利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征；
利用预设的时间窗口提取所述降维特征中的关键特征，根据所述关键特征对所述降维特征进行动态加权；
根据所述动态加权后的降维特征生成所述回流焊炉的温度预测值，根据所述温度预测值生成所述回流焊炉的温控方案，利用所述温控方案对所述回流焊率进行温度调节。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法，可以通过其它的方式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的多温区回流焊温度调节方法，其特征在于，所述方法包括：
采集回流焊炉的多个温区的温度数据，根据所述温度数据生成所述回流焊炉的多个温度时间序列；
利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征；
利用预设的残差连接算法对所述局部温度特征进行跳跃连接处理，计算所述跳跃连接处理后的局部温度特征的均值和标准差，对每个跳跃连接处理后的局部温度特征进行零均值化，得到所述跳跃连接处理后的局部温度特征的零均值化特征，利用所述标准差除以所述零均值化特征，得到所述跳跃连接处理后的局部温度特征的归一化特征，确定所述归一化特征为所述回流焊炉的初级温度特征，其中，所述预设的残差连接算法为：其中，是跳跃连接处理后的局部温度特征，是所述温度时间序列，是卷积层的总数，是第个卷积层的卷积操作；
利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征；
利用预设的时间窗口提取所述降维特征中的关键特征，根据所述关键特征对所述降维特征进行动态加权；
根据所述动态加权后的降维特征生成所述回流焊炉的温度预测值，根据所述温度预测值生成所述回流焊炉的温控方案，利用所述温控方案对所述回流焊率进行温度调节。
2.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述温度数据为每个所述温区的设定温度、实际温度和环境温度。
3.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述根据所述温度数据生成所述回流焊炉的多个温度时间序列，包括：
确定所述温度数据所对应的时间标签；
根据所述时间标签对每个所述温区的温度数据进行数据排序，得到所述回流焊炉的多个温度时间序列。
4.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于， 所述利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征，包括：
将所述温度时间序列输入至预先训练的温度调节模型中，所述温度调节模型中的卷积层对所述温度时间序列进行逐层特征提取，得到所述温度时间序列的温度曲线和温升速率；
确定所述温度曲线和所述温升速率为所述温度时间序列的局部温度特征。
5.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
确定所述温度调节模型中的池化层的池化窗口；
逐个选取所述池化窗口内的所述初级温度特征中的最大特征值为所述池化窗口的输出；
根据所述池化窗口的输出确定所述回流焊炉的降维特征。
6.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
确定所述温度调节模型中的池化层的池化窗口；
逐个计算所述池化窗口内的所述初级温度特征中的平均特征值，确定所述平均特征值为所述池化窗口的输出；
根据所述池化窗口的输出确定所述回流焊炉的降维特征。
7.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，在所述根据所述关键特征对所述降维特征进行动态加权之前，还包括：
利用预设的权重算法生成所述关键特征的特征权重，其中，所述预设的权重算法为：其中，是第个所述关键特征的特征权重，是归一化因子，是第个所述关键特征的向量表示，是欧几里得距离，是预设的时间窗口中心点的特征向量，是标准差，用于控制权重分布的平滑程度。
8.如权利要求1至7中任一项所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述利用预设的时间窗口提取所述降维特征中的关键特征，包括：
确定所述预设的时间窗口的滑动步长；
根据所述滑动步长和所述预设的时间窗口对所述降维特征进行子序列选取；
提取所述选取到的子序列中的阶段转换点，根据所述阶段转换点生成所述降维特征中的关键特征。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于深度学习的多温区回流焊温度调节方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410923506.3A CN118492544B (zh) | 2024-07-10 | 2024-07-10 | 基于深度学习的多温区回流焊温度调节方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410923506.3A CN118492544B (zh) | 2024-07-10 | 2024-07-10 | 基于深度学习的多温区回流焊温度调节方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118492544A CN118492544A (zh) | 2024-08-16 |
| CN118492544B true CN118492544B (zh) | 2024-09-10 |
Family
ID=92229455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410923506.3A Active CN118492544B (zh) | 2024-07-10 | 2024-07-10 | 基于深度学习的多温区回流焊温度调节方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118492544B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114218703A (zh) * | 2021-12-13 | 2022-03-22 | 深圳市浦联智能科技有限公司 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
| CN114510863A (zh) * | 2020-11-16 | 2022-05-17 | 鸿富锦精密电子（成都）有限公司 | 回焊炉炉温调节方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1114555A (ja) * | 1997-06-19 | 1999-01-22 | Iwaki Electron Corp Ltd | 半田付け外観検査プログラムの支援ツール |
| DE102007053857A1 (de) * | 2007-11-09 | 2009-05-14 | Endress + Hauser Gmbh + Co. Kg | Verfahren zum Betrieb einer Wellenlötanlage |
-
2024
- 2024-07-10 CN CN202410923506.3A patent/CN118492544B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114510863A (zh) * | 2020-11-16 | 2022-05-17 | 鸿富锦精密电子（成都）有限公司 | 回焊炉炉温调节方法、装置、电子设备及存储介质 |
| CN114218703A (zh) * | 2021-12-13 | 2022-03-22 | 深圳市浦联智能科技有限公司 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118492544A (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762350A (zh) | 异常数据检测方法、装置、计算机设备和存储介质 | |
| CN109934226A (zh) | 关键区域确定方法、装置及计算机可读存储介质 | |
| CN107015900B (zh) | 一种视频网站的服务性能预测方法 | |
| CN113255584A (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
| CN112083698A (zh) | 一种基于数字孪生模型的产线实时控制方法和装置 | |
| CN115081536A (zh) | 五金产品工件硬度调质的热处理装置及其热处理方法 | |
| CN118492544B (zh) | 基于深度学习的多温区回流焊温度调节方法及介质 | |
| CN117498321A (zh) | 一种分布式光伏出力预测方法、系统及存储介质 | |
| Jin et al. | An adaptive and dynamical neural network for machine remaining useful life prediction | |
| CN116184828A (zh) | 自适应汽轮机高调阀特性曲线在线实时优化方法与系统 | |
| CN116578041B (zh) | 一种用于cnc控制器的数据处理方法 | |
| Chae et al. | ISOP+: Machine Learning-Assisted Inverse Stack-Up Optimization for Advanced Package Design | |
| CN118571415A (zh) | 基于机器学习的个性化乳腺癌术后康复训练方案优化方法 | |
| CN117074827A (zh) | 基于云平台电能质量监测的谐波责任量化方法及系统 | |
| CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
| CN118742009B (zh) | 一种集成电路主板的智能贴装焊接控制方法及系统 | |
| CN108009686B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| CN117523638B (zh) | 基于优先级筛选的人脸识别方法及系统 | |
| KR102520255B1 (ko) | 태양광 발전량 예측 시스템 및 방법 | |
| CN118742009A (zh) | 一种集成电路主板的智能贴装焊接控制方法及系统 | |
| CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
| CN107330567A (zh) | 基于大数据技术的配网短期负载预测方法 | |
| CN118426320A (zh) | 一种基于ddc控制的冷源控制方法、系统及介质 | |
| CN118260607A (zh) | 一种应用于羊肚菌仿生态栽培的多参数智能调控方法与系统 | |
| Wong et al. | Forecasting Server Resource Utilization: An Experimental Study with Long Short-Term Memory Model |
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 |