[发明专利]一种大批量LED封装生产过程的品质控制方法

说明书

本发明公开了一种大批量LED封装生产过程的品质控制方法，该方法包括LED产品的离线分析和LED涂覆生产过程的在线监控。离线分析包括：采集LED产品的5个质量指标数据并进行预处理；利用多变量控制图判定产品质量是否异常；若异常，采用优化的支持向量机进行多变量异常源识别；采用Apriori算法分析识别的异常质量指标所关联的异常生产参数。涂覆生产过程在线监控包括：采集LED封装生产过程中荧光粉涂覆工艺的6个生产参数；利用多变量控制图判定生产过程是否异常；若异常，采用优化的支持向量机进行多变量异常源识别，确定异常参数。本发明提供了一种大批量LED封装生产过程的智能分析与检测方法，可有效解决LED封装生产过程的品质控制问题。

技术领域

本发明涉及发光二极管(Light-Emitting Diode，LED)封装生产过程的智能分析领域，具体的说是指一种数据驱动的包括产品质量离线分析和生产过程在线监控的智能品质控制方法。

背景技术

发光二极管(LED)是一种直接把电能转换成光能的固态半导体发光器件。作为现代新型光源，LED具有长寿高效、节能环保等优点。LED封装工艺和制造流程主要包括固晶、键合、荧光粉涂覆、塑封成型、分光分色和测试分拣等。其中，荧光粉涂覆是实现大功率LED转换为白光LED，并直接影响LED发光效率、散热性、光均匀性等质量指标的关键工序。

当前对大批量LED封装生产过程中荧光粉涂覆工艺的控制大多仍采用机理建模的方法，通过建立荧光粉涂覆装置的物理模型对荧光粉涂层的相关参数进行计算，建模过程复杂，并且模型易受外界干扰。因此，有必要建立一种基于数据驱动的方法对荧光粉涂覆工艺与LED产品品质进行智能分析与控制。

随着数据库的广泛使用，利用海量数据挖掘隐含知识和关联规则可大幅提高生产效率。其中，Apriori是一种非常有影响力的关联规则挖掘算法，其利用迭代性质和数据集中频繁项集的性质寻找数据中不同项之间的关联规则。

支持向量机(Support Vector Machine，SVM)方法是一种建立在统计学习理论和结构风险最小理论上的机器学习模型，在非线性及高维模式识别中具有许多特有的优势。

发明内容

针对大批量LED封装生产过程中存在的物理模型复杂，易受干扰等问题，本发明的目的是：提供一种数据驱动的包括产品质量离线分析和生产过程在线监控的智能品质控制方法，实现对LED封装生产过程的智能分析与品质控制。

为实现上述目的，本发明提供如下技术方案。

一种大批量LED封装生产过程的品质控制方法，包括LED产品的离线分析和LED涂覆生产过程的在线监控。LED产品离线分析包括：采集LED的质量参数数据，使用多变量控制图识别异常状态；对于异常状态，采用优化的支持向量机识别异常源，确定异常质量指标，分析其关联的异常生产参数，并据此采取质量控制措施或者进行过程参数的调整。LED涂覆过程在线监控包括：采集生产过程参数数据，使用多变量控制图识别生产过程的异常状态；对于异常状态，采用优化的支持向量机方法识别异常源，确定异常生产参数，并据此进行生产参数调整。通过对LED涂覆过程数据和产品质量指标数据的分析，可识别和预测生产过程的异常状态，实现LED生产过程参数的及时调整和故障预防，以达到LED产品质量的控制。

进一步优化地，所述LED产品的离线分析模块包括以下步骤：

1、离线采集一批LED产品的光效、光强分布、LED结温、色温和色品坐标等5个质量指标的数据；

2、对质量指标数据进行预处理，以上述5个质量指标为特征维，利用多变量控制图判断产品质量是否异常；

3、若判定LED产品质量异常，采用优化的支持向量机方法进行多变量异常源识别，确定导致异常的一个或者多个质量指标及其异常模式；