[发明专利]基于SMT大数据的锡膏检测阈值优化方法

权利要求书

1.一种基于SMT大数据的锡膏检测阈值优化方法，其特征在于，包括有如下步骤：

(1)构建阈值估计数据包：

(1a)数据收集：针对同种封装类型的表面贴装技术印刷的焊盘，收集SMT生产线三个主要工位相关数据，分别是SPI检测数据、AOI自动光学检测数据及Repair维修数据；

(1b)数据关联：对SPI检测数据、AOI检测数据及Repair维修数据三个数据中共有的PCB板编号字段将数据关联成以PCB板编号为标记的焊盘数据；

(1c)数据分类：将关联后的焊盘SPI检测值，根据是否发生缺陷划分为正常数据和异常数据；

(1d)数据预处理：对正常数据和异常数据进行离群点剔除和数据去重，形成正常数据和异常数据的阈值估计数据包；

(2)SPI参数状态估计：

(2a)数据抽样：根据正常数据和异常数据的具体情况，选取适当的抽样方法解决数据类不平衡问题；

(2b)数据归一化：对正常数据和异常数据阈值估计数据包的数据进行归一化处理；

(2c)确定最优窗宽：根据窗宽最优公式，分别计算正常数据和异常数据的最优窗宽；

(2d)SPI参数概率密度估计：选取高斯型核函数，运用核密度估计法对正常数据和异常数据进行概率密度估计，得到正常数据和异常数据的概率密度表达式；

(3)SPI阈值估计：

(3a)建立目标函数：根据贝叶斯决策最小错误率准则，对正常数据概率密度表达式进行计算得到SPI误判率，对异常数据的概率密度表达式进行计算，得到SPI漏判率；以SPI检测值为操作变量，使误判率和漏判率的总和达到最低时所对应的值为目标函数；

(3b)最优阈值求解：运用遗传算法对目标函数进行优化，求取最优阈值，将求取的最优阈值设定为表面贴装技术的SPI阈值。

2.根据权利要求1所述的基于SMT大数据的锡膏检测阈值优化方法，其特征在于，步骤(3a)中所述的建立目标函数，包括有如下步骤：

(3a1)建立目标函数：根据贝叶斯决策最小错误率准则得到SPI误判率和漏判率，

SPI误判率为：

P₁＝∫_t^+∞f(x|w₁)dx

SPI漏判率为：

式中，w₁表示正常数据；w₂表示异常数据；f(x|w₁)为正常数据的概率密度函数表达式；f(x|w₂)为异常数据的概率密度函数表达式；t为锡膏SPI检测值；

(3a2)以SPI检测值为操作变量，使误判率和漏判率的总和达到最低时所对应的值为目标函数MinF(x)；

式中，P₁为SPI误判率；P₂为SPI漏判率；MinF(x)为误判率和漏判率之和最小值。

3.根据权利要求1所述的基于SMT大数据的锡膏检测阈值优化方法，其特征在于，以误判和漏判的概率总和达到最低为目标，步骤(3b)中，运用遗传算法对目标函数进行优化，求取SPI最优阈值；

遗传算法流程涉及的优化过程描述如下：

(3b1)自定义种群大小、交叉概率、变异概率；

(3b2)初始种群：依据自定义种群大小，随机生成初始种群，每一个个体表示染色体的基因型；

(3b3)优化准则：当最大适应度、平均适应度、进化代数、最大适应度与平均适应度比值这四个选项其中有一个超过预先设定的值；

(3b4)计算适应度：算出每个个体的适应度值，并判断是不是满足优化准则，若满足，则获得最好个体以及其表征的最优解，并停止算法，执行(3b9)；若不满足，则转入下一步；

(3b5)选择个体：根据适应度值筛选再次产生的个体，适应度值高的个体被选定的几率高，反之，适应度低的个体被选定的几率低，乃至被淘汰；

(3b6)交叉：依据交叉概率，利用某种交叉方式，产生子代个体；

(3b7)变异：依据变异概率，利用某种变异方式，产生子代个体；

(3b8)循环计算适应度：由(3b6)和(3b7)生成新一代的群体，然后回到(3b4)，进行下一轮适应度计算，直至获得最好个体以及其表征的最优解；

(3b9)算法停止，输出SPI检测最优阈值，用于锡膏印刷生产过程中SPI的最优阈值。