[发明专利]贴片机抛料分析与异常通报系统及方法

权利要求书

1.一种贴片机抛料分析与异常通报系统，其特征在于，包括：

一通讯接口链接于一贴片机并撷取其原始抛料数据；

一数据处理模块与该通讯接口连接，用以将该抛料数据转换为一串行化数据；

一数据库与该通讯接口、该数据处理模块连接，用以储存该抛料数据与该串行化数据；

一数据学习分析模块与该数据库连接，用以自主检查该数据库有无更新数据，并根据该串行化数据得到一学习与分析的结果，再根据该学习与分析的结果进行抛料的异常归类，包含该贴片机的一吸嘴异常、一供料器异常、真空压力值异常或来料异常；以及

一异常反馈通报学习模块与该数据学习分析模块、该数据库连接，并根据该数据库储存的抛料数据自主学习与分析和自动反馈调整该贴片机抛料率的阈值，当该异常反馈通报学习模块检查该贴片机的抛料率不小于该反馈的阈值时，将该数据学习分析模块对应异常归类的结果主动发出通报。

2.如权利要求1所述的贴片机抛料分析与异常通报系统，其特征在于，该数据学习分析模块利用机械学习的回归模型算法对该串行化数据进行处理，并将相似的特征数据以监督式或非监督式学习进行分类，进而能够自主的预测该异常归类的结果。

3.如权利要求2所述的贴片机抛料分析与异常通报系统，其特征在于，该机械学习利用线性回归模型的多元回归算法对该串行化数据具有多个连续变量的特征数据进行曲线拟合，并将相似的特征数据以非监督式学习进行分群/聚类，且该聚类包含中心聚类、层次聚类、邻近传播聚类或密度聚类，以建构出用于分类的回归模型。

4.如权利要求2所述的贴片机抛料分析与异常通报系统，其特征在于，该机械学习利用线性回归模型的多元回归算法对该串行化数据具有多个连续变量的特征数据进行曲线拟合，并使用监督式学习的贝氏分类器进行特征数据的分类。

5.如权利要求1所述的贴片机抛料分析与异常通报系统，其特征在于，还包含一监控平台，并与该数据库、该数据学习分析模块连接，用以显示该数据库中所储存该数据学习分析模块进行学习与分析的结果。

6.如权利要求5所述的贴片机抛料分析与异常通报系统，其特征在于，该监控平台与该异常反馈通报学习模块连接，用以接收该异常反馈通报学习模块所输出异常归类的结果的一提示信息，并通过显示或发出警报的方式主动通报。

7.一种贴片机抛料分析与异常通报方法，适用于一贴片机抛料分析与异常通报系统，其特征在于，包括下列的步骤：

提供一通讯接口链接于一贴片机并采集该贴片机原始抛料数据的数据；

提供一数据处理模块将该贴片机的抛料数据进行转换为一串行化数据，并存入一数据库；

提供一数据学习分析模块检查该数据库有无更新数据，并根据该串行化数据得到一学习与分析的结果，再根据该学习与分析的结果进行抛料的异常归类，包含该贴片机的一吸嘴异常、一供料器异常、真空压力值异常或来料异常；

提供一异常反馈通报学习模块根据该数据库所储存的抛料数据自主学习与分析和自动反馈调整该贴片机抛料率的阈值，当检查该贴片机的抛料率不小于该反馈的阈值时，将该数据学习分析模块所对应异常归类的结果主动发出通报。

8.如权利要求7所述的贴片机抛料分析与异常通报方法，其特征在于，该数据学习分析模块利用机械学习的回归模型算法对该串行化数据进行处理，并将相似的特征数据以监督式或非监督式学习进行分类，进而能够自主的预测该异常归类的结果。

9.如权利要求8所述的贴片机抛料分析与异常通报方法，其特征在于，该机械学习利用线性回归模型的多元回归算法对该串行化数据具有多个连续变量的特征数据进行曲线拟合，并将相似的特征数据以非监督式学习进行分群/聚类，且该聚类包含中心聚类、层次聚类、邻近传播聚类或密度聚类，以建构出用于分类的回归模型。