[发明专利]基于SMT大数据的锡膏检测阈值优化方法

摘要

本发明提出了一种基于SMT大数据的锡膏检测阈值优化方法，主要解决传统人工经验的SPI阈值设置方法，不能有效在PCB板印刷过程中发现潜在的不良及降低由锡膏量引起的虚焊和连锡缺陷等问题。其实现方案是：构建阈值估计数据包；估计SPI参数状态；优化SPI阈值，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，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。本发明方案设计严谨、完整，阈值设置方法具有理论性和可行性，能有效控制由锡膏量引起的虚焊和连锡等缺陷流入表面贴装过程SMT后续工序，提高了印刷电路板PCB整体良率。

主权项

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。