CN111047225B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111047225B CN111047225B CN202010025258.2A CN202010025258A CN111047225B CN 111047225 B CN111047225 B CN 111047225B CN 202010025258 A CN202010025258 A CN 202010025258A CN 111047225 B CN111047225 B CN 111047225B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- model
- welding
- welding spot
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000007547 defect Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 51
- 239000010410 layer Substances 0.000 claims description 50
- 229910000679 solder Inorganic materials 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000009736 wetting Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- General Factory Administration (AREA)
Abstract
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，包括：采集数据资源，构建焊点知识库；数据预处理；构建BP神经网络模型；提取数据样本，通过BP神经网络模型对影响焊点质量的关键影响因素数据进行编码分析；对BP神经网络模型进行评价及修正；实时在线采集焊点质量的关键影响因素，通过所述BP神经网络模型进行实时判别，得到反馈结果；根据所述反馈结果，对所述BP神经网络模型进行优化后输出最终缺陷类别。本发明能够依靠边缘设备对神经网络模型进行训练，为用户提供快速反馈结果的智能化服务平台，并根据调整值对工艺的参数进行修正，指导机器设备预定设计方案运行，对焊点形成起到精准地控制。
Description
技术领域
本发明涉及智能制造技术领域，具体地涉及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。
背景技术
表面贴装技术(Surface Mounted Technology,SMT)是目前电子组装行业里最流行的一种技术和工艺，它是一种将无引脚或短引线表面组装元器件(简称SMC/SMD，中文称片状元器件)安装在印制电路板(Printed Circuit Board，PCB)的表面或其它基板的表面上，通过回流焊或浸焊等方法加以焊接组装的电路装连技术。
目前对焊点质量评定，通常采用的是检验方法：一种是目视检验法，借助于带照明或不带照明放大位数为2-5倍的放大镜，用肉眼观察检验焊点质量，如有争议时，可采用10倍或更大放大倍数的放大镜观察，依据检验焊点的外观质量状况进行质量评定；一种是手感检验法，用手或其它工具在焊点上以适宜的力或速度划过，依靠目视和手的感觉，综合判断焊点的质量状况。这两种方法存在的不足之处是需要依靠操作人员的工作经验，受人工经验的局限，这两种方法往往会产生较大的误差。
还有一种方法是在线检测，间接用于对焊点质量进行评定的方法，在组装的过程中，对板上的每个元件分别进行电性能的检测，将测试信号加在经过组合的节点上，测量其输出反应值，来判断元器及电路板间的焊点是否有缺陷。如果焊点质量存在缺陷，那么在点焊过程中的监测信号就会表现出来。通过与正常焊点的监测波形曲线比较就能发现存在于焊接过程中的潜在缺陷，以便于人们做出合理的应对措施，保证焊点的合格率。该方法尽管具有较好的优越性，但在一定程度上也存在不足，主要表现在：影响点焊焊接质量的因素众多，比如工艺参数(焊接电流、电极间电压、预压时间、电极压力、焊接时间、维持时间、电极尺寸等)因素与某些非工艺参数(焊件接触面状态、母材成分、点焊机电源性能等)方面的因素。这些因素具有高度非线性、相互耦合作用等特点，使焊接过程变得非常复杂，特别是点焊的焊接熔核处在一个封闭的空间状态中，不论是在焊接过程中或是焊接后都不能直接观察到焊接熔核的尺寸，进而对获取焊点的质量信息增加了一定难度。
另外，使用传统的神经网络完成模型训练过程，是非常耗时，并且会占用大量的资源，降低数据处理的效率。
因此，如何结合点焊机状态变化的影响因素分析，提出一种对焊点质量实时并高效的判断方法，为加工质量判断提供依据，成为现在的迫切需求。
发明内容
针对背景技术所阐述的问题和现有技术的不足，本发明提出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，旨在提高印刷质量评定的效率。
本发明是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，其特征在于，实现焊点的质量评定的更新过程，包括有如下步骤：
(1)采集数据资源，构建焊点知识库：针扎焊点的质量要求，针对影响焊点质量的关键影响因素进行采集，并根据相应的质量判断标准进行缺陷分类，数据采集范围的范围包括：表面湿润程度、焊料量、焊点表面、焊点位置；根据已有的知识进行逻辑推理判别，构建专家库知识系统，其中，表面湿润程度用于表征熔融焊料的温度、密度及覆盖厚度；焊料量用于表征焊料的使用量；焊点表面用于表征焊点表面的光滑程度；焊点位置用以表征引脚在焊盘上的位置偏差；
（2）数据预处理，在不同样本数据集下，对影响焊点质量的关键因素进行归一化处理，消除标准之间的差异；
（3）构建BP神经网络模型，其中，所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层，所述拘束条件作为所述输入层节点输入所述BP神经网络模型；
（4）提取数据样本，分为训练样本和测试样本，使用训练样本完成BP神经网络模型的训练，使用测试样本，通过所述BP神经网络模型对所述影响焊点质量的关键影响因素数据进行编码分析，识别出所述缺陷类别；所述BP神经网络模型的训练具体步骤包括：
（4a）使用第一边缘设备执行模型训练过程中的第一子任务；
（4b）计算所述第一边缘设备的剩余空闲资源；
（4c）若训练过程出现异常，则将剩余空闲资源合并入第二边缘设备，重新执行所述模型训练任务；或训练过程未出现异常，则将第一子任务的执行结果输入第二边缘设备，并行执行所述模型训练任务，并判断结果是否相同，若相同，则结束训练过程；
（5）对BP神经网络模型进行评价及修正，在训练阶段给网络连接权值一个较小的初始值，设计输入和理想输出；在测试阶段，运算实际上输出量，调整网络节点权值，调整学习率，使损失率达到预定范围；
（6）实时在线采集焊点质量的关键影响因素，通过所述BP神经网络模型进行实时判别，与焊点知识库形态的信息作对比，得出一组相应工艺参数调整的数值，从而对故障焊点进行实时评价，得到反馈结果；
（7）根据所述反馈结果，对所述BP神经网络模型进行优化，更新优化参数；
（8）根据优化后的BP神经网络模型，输出最终缺陷类别，根据调整值对工艺的参数进行修正，指导机器设备预定设计方案运行，对焊点形成起到精准地控制。
与现有技术相比，本发明的技术方案具有以下有益效果：
解决了传统技术中质量评定效率低、误差大的问题；本发明的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，根据反馈数据提取模型识别、分类效果，且使用边缘设备进行模型训练，提高了空闲资源的使用效率，为用户提供快速反馈结果的智能化服务平台，降低了误差率，提高焊接工序。
附图说明
图1是本发明基于反馈BPBP神经网络模型流程图；
图2是本发明采用的BP神经网络的拓扑结构图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。
本领域技术人员理解，如背景技术所言，传统的焊点质量判断方法较差，因此，需要提出一种能够有效提高焊点质量评定的方法。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图和具体实施例，对本发明进行详细说明。
图一示出了本申请的基于反馈BP神经网络模型流程图，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，其特征在于，包括如下步骤：
(1)采集数据资源，构建焊点知识库：针扎焊点的质量要求，针对影响焊点质量的关键影响因素进行采集，并根据相应的质量判断标准进行缺陷分类，数据采集范围的范围包括：表面湿润程度、焊料量、焊点表面、焊点位置；根据已有的知识进行逻辑推理判别，构建专家库知识系统，其中，表面湿润程度用于表征熔融焊料的温度、密度及覆盖厚度；焊料量用于表征焊料的使用量；焊点表面用于表征焊点表面的光滑程度；焊点位置用以表征引脚在焊盘上的位置偏差；
（2）数据预处理，在不同样本数据集下，对影响焊点质量的关键因素进行归一化处理，消除标准之间的差异；
（3）构建BP神经网络模型，其中，所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层，所述拘束条件作为所述输入层节点输入所述BP神经网络模型；
（4）提取数据样本，分为训练样本和测试样本，使用训练样本完成BP神经网络模型的训练，使用测试样本，通过所述BP神经网络模型对所述影响焊点质量的关键影响因素数据进行编码分析，识别出所述缺陷类别；所述BP神经网络模型的训练具体步骤包括：
（4a）使用第一边缘设备执行模型训练过程中的第一子任务；
（4b）计算所述第一边缘设备的剩余空闲资源；
（4c）若训练过程出现异常，则将剩余空闲资源合并入第二边缘设备，重新执行所述模型训练任务；或训练过程未出现异常，则将第一子任务的执行结果输入第二边缘设备，并行执行所述模型训练任务，并判断结果是否相同，若相同，则结束训练过程；
（5）对BP神经网络模型进行评价及修正，在训练阶段给网络连接权值一个较小的初始值，设计输入和理想输出；在测试阶段，运算实际上输出量，调整网络节点权值，调整学习率，使损失率达到预定范围；
（6）实时在线采集焊点质量的关键影响因素，通过所述BP神经网络模型进行实时判别，与焊点知识库形态的信息作对比，得出一组相应工艺参数调整的数值，从而对故障焊点进行实时评价，得到反馈结果；
（7）根据所述反馈结果，对所述BP神经网络模型进行优化，更新优化参数；
（8）根据优化后的BP神经网络模型，输出最终缺陷类别，根据调整值对工艺的参数进行修正，指导机器设备预定设计方案运行，对焊点形成起到精准地控制。
在一些实施例中，上述步骤(3)中所述的构建BP神经网络模型，实现步骤为：
（3a）对输入数据初始化；
(3b) 采用BP算法计算输入层、隐含层以及输出层的误差，并统计迭代次数；
(3c) 当所述误差或所述迭代次数达到预设值时，训练结束。
输出层包括激活函数，所述激活函数为：
其中，
，
，a、b为可调节的参数。
在一些实施例中，上述步骤 (6）中的所述得到反馈结果的步骤具体包括：
（6a）实时在线采集焊点质量的关键影响因素，通过所述BP神经网络模型进行实时判别，与焊点知识库形态的信息作对比，得出一组相应工艺参数调整的数值；
（6b）通过所述BP神经网络模型对故障焊点进行实时评价；
（6c）将所述影响因素参数及状态评估结果及评价结果作为补充输入，对BP神经网络模型进行补充训练，得新的BP神经网络模型；
（6d）利用新的BP神经网络模型进行下次评估使用。
在一个实施例中，所采用的BP神经网络如图2所示，该模型包括使用3层 BP神经网
络结构，即输入层，一层隐藏层，和输出层；其中输入层包括2个节 点、隐藏层包括5个节点、
输出层包括1个节点；隐藏层的节点数目由以下经验公式得到
；n为输入神经
元数，m为输出神经元数，a为1～10之 间的常数。
将初始训练数据集作为神经网络的输入，即将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，再将误差逆向传播至隐藏层神经元，最后根据隐藏层神经元的误差来对权值和阈值进行调整，该迭代过程循环进行，直到达到停止条件，即一个可以接受的误差范围，输出焊点质量评估数据。
在一些实施例中，所述新的BP神经网络模型能够综合考量关键影响因素与分类结果之间的关系，可智能化的对影响因素与分类结果之间的关系进行拟合，从而可得到较为可靠的评估模型，获得评估结果更加准确。
在一些实施例中，BP神经网络模型误差函数为：
在一些实施例中，所述的BP神经网络模型是基于粒子群算法改进的遗传算法，来优化BP神经网络的初始权值阈值，建立改进遗传算法的BP神经网络预测模型。
在一些实施例中，智能边缘是（Artificial Intelligence,AI）和边缘计算模式的一种新颖结合，比如，在诸如工系统等IOT系统的边缘侧，进行大数据分析时，通常会涉及模型的训练和推断等模型处理，而模型的处理往往需要耗费大量的计算能力。通过将具有空闲计算能力的边缘设备用于上述模型处理，可减少平台侧计算能力的消耗。模型训练过程的具体实施方式为：
步骤一，使用第一边缘设备执行模型训练过程中的第一子任务；
进一步，所述第一子任务的应用程序为一个微服务，采用容器的方式可极大的减少对边缘设备计算能力的占用，当所述第一子任务执行完后，可通过容器镜像释放其计算能力。
步骤二，计算所述第一边缘设备的剩余空闲资源；
进一步，当所述第一边缘设备的资源在执行第一子任务未被完全占用时，可通过资源的动态分配，计算剩余空闲资源，用于其他任务的执行。
步骤三，若训练过程出现异常，则将剩余空闲资源合并入第二边缘设备，重新执行所述模型训练任务；或训练过程未出现异常，则将第一子任务的执行结果输入第二边缘设备，并行执行所述模型训练任务，并判断结果是否相同，若相同，则结束训练过程。
进一步，选择进行重新训练至完成训练，或通过比较两次训练结果一致，可提高模型训练的效果。
本发明的评定方法，解决了技术中质量评定效率低、误差大的问题；本发明的评定方法能够根据反馈数据提取模型识别、分类效果，使用边缘设备对模型进行训练，提高空闲资源使用效率，为用户提供快速反馈结果的智能化服务平台，降低了误差率，提高焊接工序。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (4)
1.一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，其特征在于，包括如下步骤：
（1）采集数据资源，构建焊点知识库：根据扎焊点的质量要求，针对影响焊点质量的关键影响因素进行采集，并根据相应的质量判断标准进行缺陷分类，数据采集范围的范围包括：表面湿润程度、焊料量、焊点表面、焊点位置；根据已有的知识进行逻辑推理判别，构建专家库知识系统，其中，表面湿润程度用于表征熔融焊料的温度、密度及覆盖厚度；焊料量用于表征焊料的使用量；焊点表面用于表征焊点表面的光滑程度；焊点位置用以表征引脚在焊盘上的位置偏差；
（2）数据预处理，在不同样本数据集下，对影响焊点质量的关键影响因素进行归一化处理，消除标准之间的差异；
（3）构建BP神经网络模型，其中，所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层，拘束条件作为所述输入层节点输入所述BP神经网络模型；
（4）提取数据样本，分为训练样本和测试样本，使用训练样本完成BP神经网络模型的训练，使用测试样本，通过所述BP神经网络模型对所述影响焊点质量的关键影响因素数据进行编码分析，识别出所述缺陷类别；所述BP神经网络模型的训练具体步骤包括：
（4a）使用第一边缘设备执行模型训练过程中的第一子任务；所述第一子任务的应用程序为一个微服务，采用容器的方式减少对边缘设备计算能力的占用，当所述第一子任务执行完后，通过容器镜像释放其计算能力；其中，边缘设备具有空闲计算能力，减少平台侧计算能力的消耗；
（4b）计算所述第一边缘设备的剩余空闲资源；当所述第一边缘设备的资源在执行第一子任务未被完全占用时，通过资源的动态分配，计算剩余空闲资源，用于其他任务的执行；
（4c）若训练过程出现异常，则将剩余空闲资源合并入第二边缘设备，重新执行所述模型训练任务；或训练过程未出现异常，则将第一子任务的执行结果输入第二边缘设备，并行执行所述模型训练任务，并判断结果是否相同，若相同，则结束训练过程；
（5）对BP神经网络模型进行评价及修正，在训练阶段给网络连接权值一个较小的初始值，设计输入和理想输出；在测试阶段，运算实际上输出量，调整网络节点权值，调整学习率，使损失率达到预定范围；
（6）实时在线采集焊点质量的关键影响因素，通过所述BP神经网络模型进行实时判别，与焊点知识库形态的信息作对比，得出一组相应工艺参数调整的数值，从而对故障焊点进行实时评价，得到反馈结果；
（7）根据所述反馈结果，对所述BP神经网络模型进行优化，更新优化参数；
（8）根据优化后的BP神经网络模型，输出最终缺陷类别，根据调整值对工艺的参数进行修正，指导机器设备预定设计方案运行，对焊点形成起到精准地控制；
步骤(3)中所述的构建BP神经网络模型，实现步骤为：
（3a）对输入数据初始化；
(3b) 采用BP算法计算输入层、隐含层以及输出层的误差，并统计迭代次数；
(3c) 当所述误差或所述迭代次数达到预设值时，训练结束；
输出层包括激活函数，所述激活函数为：
步骤(6）中的所述得到反馈结果的步骤具体包括：
（6a）实时在线采集焊点质量的关键影响因素，通过所述BP神经网络模型进行实时判别，与焊点知识库形态的信息作对比，得出一组相应工艺参数调整的数值；
（6b）通过所述BP神经网络模型对故障焊点进行实时评价；
（6c）将所述影响因素参数及状态评估结果及评价结果作为补充输入，对BP神经网络模型进行补充训练，得新的BP神经网络模型；
（6d）利用新的BP神经网络模型进行下次评估使用。
2.根据权利要求1所述的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，其特征在于：
所述新的BP神经网络模型能够综合考量关键影响因素与分类结果之间的关系，可智能化的对影响因素与分类结果之间的关系进行拟合，从而可得到较为可靠的评估模型，获得评估结果更加准确。
3.根据权利要求1所述的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，其特征在于：优化后的BP神经网络模型为使用3层BP神经网络结构，即输入层，一层隐藏层，和输出层；其中，输入层2个节点、隐藏层5个节点、输出层1个节点；隐藏层的节点数目
，其中，n为输入神经元数，m为输出神经元数，a为1～10之间的常数。
4.根据权利要求1所述的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，其特征在于：所述的BP神经网络模型是基于粒子群算法改进的遗传算法，来优化BP神经网络的初始权值阈值，建立改进遗传算法的BP神经网络预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010025258.2A CN111047225B (zh) | 2020-01-10 | 2020-01-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010025258.2A CN111047225B (zh) | 2020-01-10 | 2020-01-10 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111047225A CN111047225A (zh) | 2020-04-21 |
| CN111047225B true CN111047225B (zh) | 2021-03-23 |
Family
ID=70244263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010025258.2A Active CN111047225B (zh) | 2020-01-10 | 2020-01-10 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047225B (zh) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10678244B2 (en) | 2017-03-23 | 2020-06-09 | Tesla, Inc. | Data synthesis for autonomous control systems |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| SG11202103493QA (en) | 2018-10-11 | 2021-05-28 | Tesla Inc | Systems and methods for training machine models with augmented data |
| US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
| US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
| CN112440152B (zh) * | 2020-11-09 | 2022-04-12 | 北京三一智造科技有限公司 | 铣削控制方法及装置、专家库模型训练方法及装置 |
| CN112365074B (zh) * | 2020-11-18 | 2023-08-18 | 贵州电网有限责任公司 | 一种基于电网调控数据的人工智能决策方法 |
| CN112817725B (zh) * | 2021-02-06 | 2023-08-11 | 成都飞机工业（集团）有限责任公司 | 一种基于高效全局优化算法的微服务划分及优化方法 |
| CN113065652A (zh) * | 2021-04-07 | 2021-07-02 | 上海先基半导体科技有限公司 | 神经网络模型的评估方法、装置及fpga芯片 |
| CN113553762A (zh) * | 2021-06-29 | 2021-10-26 | 东风汽车集团股份有限公司 | 基于焊接曲线进行焊点分析的神经网络及建立方法 |
| CN114888500A (zh) * | 2022-03-09 | 2022-08-12 | 柳州铁道职业技术学院 | 一种铁路定型组合柜配线自动焊接机器人 |
| CN117290696A (zh) * | 2023-10-16 | 2023-12-26 | 山东大学 | 基于特征扰动的路面性态关键因子辨识方法及系统 |
| CN117787507B (zh) * | 2024-02-23 | 2024-05-03 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
| CN108255605A (zh) * | 2017-12-29 | 2018-07-06 | 北京邮电大学 | 一种基于神经网络的图像识别协同计算方法及系统 |
| CN110347500A (zh) * | 2019-06-18 | 2019-10-18 | 东南大学 | 用于边缘计算环境中面向深度学习应用的任务卸载方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7132617B2 (en) * | 2002-02-20 | 2006-11-07 | Daimlerchrysler Corporation | Method and system for assessing quality of spot welds |
| CN109902640B (zh) * | 2019-03-05 | 2023-06-30 | 江南大学 | 基于边缘计算和机器学习的视频质量异常检测系统及其检测方法 |
| CN110070181A (zh) * | 2019-04-30 | 2019-07-30 | 深圳朴生智能科技有限公司 | 一种用于边缘计算设备的深度学习的优化方法 |
-
2020
- 2020-01-10 CN CN202010025258.2A patent/CN111047225B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
| CN108255605A (zh) * | 2017-12-29 | 2018-07-06 | 北京邮电大学 | 一种基于神经网络的图像识别协同计算方法及系统 |
| CN110347500A (zh) * | 2019-06-18 | 2019-10-18 | 东南大学 | 用于边缘计算环境中面向深度学习应用的任务卸载方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的SM T 焊点质量控制专家系统设计;刘世林等;《皖西学院学报》;20090430;第25卷(第2期);第48-50页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111047225A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111145175B (zh) | 一种基于iForest模型验证的SMT焊点缺陷检测方法 | |
| CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
| CN108363836B (zh) | 多工况自适应的工业机器人健康度评估方法及系统 | |
| CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
| CN116423003B (zh) | 一种基于数据挖掘的锡焊智能评估方法及系统 | |
| CN110135521A (zh) | 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统 | |
| CN106547265A (zh) | 一种轨道交通电子控制装置的现场可靠性评估方法及系统 | |
| CN116452588B (zh) | 一种焊接质量评估方法及系统 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN116618878A (zh) | 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 | |
| CN115099147A (zh) | 一种基于smt产线的工艺分析及智能决策方法 | |
| CN117484031A (zh) | 光伏组件焊接加工设备 | |
| CN110856437A (zh) | 一种smt生产过程控制图模式识别方法 | |
| CN117729704A (zh) | 一种基于smt产线的工艺参数优化方法 | |
| CN117436769A (zh) | 一种结构件焊接质量监测方法、系统、存储介质及设备 | |
| Kumar et al. | The state-of-the-art methodologies for quality analysis of arc welding process using weld data acquisition and analysis techniques | |
| Filz et al. | Data-driven analysis of product property propagation to support process-integrated quality management in manufacturing systems | |
| TWI732296B (zh) | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 | |
| CN116841250A (zh) | 一种智能制造车间数字孪生模型的构建方法 | |
| Zhang et al. | A data mining algorithm for monitoring PCB assembly quality | |
| CN114266489B (zh) | 自动建立点焊质量在线评估模型的方法 | |
| CN115968189A (zh) | 一种smt贴片生产状况可视化展示方法、设备及介质 | |
| CN113487149B (zh) | 基于Catboost K折交叉验证的焊点异常识别系统及方法 | |
| Liu et al. | A Feature Engineering-based Method for PCB Solder Paste Position Offset Prediction |
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 |