1、 第4 1卷 第1期2 0 2 3年1月MA CH I N E R Y&E L E C T R ON I C SV o l.4 1N o.1J a n.2 0 2 3收稿日期:2 0 2 2 0 6 1 0基金项目:国防基础科研项目(J C KY 2 0 2 0 2 1 0 B 0 0 7)作者简介:范子铭(1 9 9 6-),男,安徽合肥人,助理工程师,研究方向为大数据分析与数据挖掘。基于机器学习的回流焊焊点形貌预测范子铭1,田富君2,胡子翔2,魏 李2(1.中国电子科技集团公司第三十八研究所,安徽 合肥2 3 0 0 8 8;2.国家级工业设计中心(中电3 8所),安徽 合肥2 3 0 0
2、 8 8)摘 要:提出一种基于机器学习预测回流焊焊点形貌的方法,通过该方法建立一个针对钽电容回流焊焊点形貌的预测模型,该模型为现有实验方式提供了新的思路。通过峰值温度、降温速率和焊膏厚度3种影响因素以及焊点厚度、焊点宽度和焊料爬高3种评价焊点形貌的评价标准,分别基于B P NN和L i g h t G BM算法建立钽电容回流焊焊点形貌预测模型。对比实验证明,通过L i g h t G BM算法建立的预测模型优于通过B P NN建立的预测模型,并通过实际测试帮助实验人员减少实验次数,节约大量时间成本。关键词:机器学习;回流焊;焊点形貌;B P神经网络;L i g h t G BM算法;数据挖掘中
3、图分类号:T P 1 8 1;T G 4 0 7 文献标志码:A 文章编号:1 0 0 1 2 2 5 7(2 0 2 3)0 1 0 0 5 3 0 6T o p o g r a p h yP r e d i c t i o no fR e f l o wS o l d e rJ o i n t sB a s e do nM a c h i n eL e a r n i n gF A NZ i m i n g1,T I A NF u j u n2,H UZ i x i a n g2,W E I L i2(1.N o.3 8R e s e a r c hI n s t i t u t eo f
4、C E T C,H e f e i 2 3 0 0 8 8,C h i n a;2.N a t i o n a l I n d u s t r i a lD e s i g nC e n t e r(C E T C 3 8),H e f e i 2 3 0 0 8 8,C h i n a)A b s t r a c t:A m e t h o d f o rp r e d i c t i n gt h e t o p o g r a p h yo f r e f l o ws o l d e r j o i n t sb a s e do nm a c h i n e l e a r n i
5、n g i sp r o p o s e d.T h r o u g ht h i sm e t h o d,ap r e d i c t i o nm o d e l f o rt h et o p o g r a p h yo f r e f l o ws o l d e r j o i n t so f t a n t a l u mc a p a c i t o r s i se s t a b l i s h e d,w h i c hp r o v i d e san e wi d e af o rt h ee x i s t i n ge x p e r i m e n t a
6、lm e t h o d s.B a s e do nt h et h r e e i n f l u e n c i n gf a c t o r so fp e a kt e m p e r a t u r e,c o o l i n gr a t ea n ds o l d e rp a s t et h i c k n e s s,a n dt h r e ee v a l u a t i o nc r i t e r i a f o re v a l u a t i n gs o l d e r j o i n tm o r p h o l o g y,s o l d e r j o
7、 i n t t h i c k n e s s,s o l d e r j o i n tw i d t ha n ds o l d e rc l i m b,t h er e f l o ws o l d e r i n go f t a n t a l u mc a p a c i t o r sw a se s t a b l i s h e db a s e do nB P NNa n dL i g h t G BMa l g o r i t h m s r e-s p e c t i v e l y.F o rt h ep o i n t t o p o g r a p h yp
8、r e d i c t i o nm o d e l,t h ec o m p a r i s o ne x p e r i m e n tp r o v e st h a t t h ep r e d i c-t i o nm o d e l e s t a b l i s h e db yt h eL i g h t G BMa l g o r i t h mi sb e t t e rt h a nt h ep r e d i c t i o nm o d e le s t a b l i s h e db yt h eB P NN,a n dh e l p st h ee x p e
9、r i m e n t e rt or e d u c et h en u m b e ro fe x p e r i m e n t sa n ds a v eal o to ft i m ea n dc o s tt h r o u g ha c t u a l t e s t i n g.K e yw o r d s:m a c h i n e l e a r n i n g;r e f l o ws o l d e r i n g;s o l d e r j o i n t t o p o g r a p h y;B Pn e u r a ln e t w o r k;L i g h
10、t G BMa l g o r i t h m;d a t am i n i n g0 引言随着表面贴装技术(s u r f a c em o u n t t e c h n o l o g y,S MT)的广泛应用,回流焊技术也在不断发展。回流焊是通过将气体加热到一定温度使焊膏融化,继而将元器件焊接在P C B板上,对于回流焊技术而言,焊点形貌作为回流焊技术的评价标准,对于它的检测至关重要。针对焊点形貌分析一直是研究的重点方向,W a n g等1针对焊点形貌采用不同的热回流曲线进352 0 2 3(1)行分析,得到了加热因子与焊点形貌之间的关系;赵亚楠等2以数值与实验相结合的方法研究电阻钎焊
11、,以仿真的方法证明了温度场分布与变化规律;J i n等3建立了元器件焊点形貌的物理形状仿真模型,结合回流焊仿真结果对回流焊工艺进行了优化;王星4通过S u r f a c eE v o l v e r预测焊点形貌,取得了很高的预测准确性;P a n等5以数据为驱动建立了一个基于能量的三维模型,分析了焊膏与焊点形貌之间的关系。近年来,随着人工智能的兴起,将数据挖掘技术与焊接相结合成为新的研究方向。陶汪等6用人工神经网络的方法成功对激光点焊焊点形貌进行预测;G a o等7利用卷积神经网络和S VM对于焊点缺陷进行分析。目前,针对回流焊的焊点形貌检测多采用传统方法,传统方法虽然检测精度高,但是需要经
12、过试验进行检测,时间周期长,材料利用率低。通过机器学习的方法可以挖掘焊点形貌与工艺参数之间内在关系,通过建立智能预测模型可以在实验之前预测最终结果,帮助工艺人员减少实验次数,从而提高生产效率。本文提出采用机器学习算法来进行预测焊点形貌,以某S MT生产线采集的钽电容焊点形貌数据为数据集,通过数据挖掘的方法建立针对回流焊的焊点形貌预测模型,并通过实验仿真数据集进行验证该方法的合理性。1 机器学习模型本文采用2种机器学习算法搭建回流焊焊点形貌预测模型,分别为B P神经网络和L i g h t G B M算法。1.1 B P神经网络B P神 经 网 络(b a c kp r o p a g a t
13、i o nn e u r a ln e t-w o r k,B P NN)为误差逆向传播的神经网络8,其3层神经元结构如图1所示。?图1 B P神经网络模型设N、L和M分别为B P NN输入层、隐含层和输出层的节点个数,其中每个节点的输入和权重值分别为xi和wi j、wj k,设j和k分别为输入层与隐含层和隐含层与输出层之间的偏置值,Yk为期望输出值,神经网络学习速率为,则B P NN运算中每次循环迭代后新的权重wi j*与wj k*和偏置值j*与k*分别为:wi j*=wi j+Hj(1-Hj)xiMk=1wj kek(1)wj k*=wj k+Hjek(2)j*=j+Hj(1-Hj)Mk=
14、1wj kek(3)k*=k+ek(4)其中,Hj=fNi=1wi jxi+j();ek=Yk-Lj=1fNi=1wi jxi+j()wj k+k()。对于B P NN而言,每进行一次梯度下降运算更新一次权值和偏置值,通过循环迭代减小误差值,迭代一直到误差值达到稳定收敛时停止,完成预测模型训练。1.2 L i g h t G B M算法L i g h t G BM算法是微软提出的一种基于梯度下降决策树(g r a d i e n tb o o s t i n gd e c i s i o nt r e e,G B D T)算法的机器学习算法,其在G B D T算法的基础上提出单边梯度采样算法(
15、g r a d i e n t b a s e do n e s i d es a m p l i n g,G O S S)算法和特征捆绑算法(e x c l u s i v ef e a t u r eb u n d l i n g,E F B)算法相融合的混合算法来提高预测模型的精度91 1。1.2.1 G O S S算法。G O S S算法对梯度幅度小的数据集进行忽略,对梯度幅度大的数据集进行采样,以此来减少数据量处理,同时由于这部分数据集梯度幅度大,因此有效 信 息 的 增 益 也 相 应 较 大,从 而 保 证 预 测精度。假设数据集O上的数据空间中输入部分空间为X,输出部分空间为Y
16、,数据空间中空间向量数量为nO,则G B D T算法首先将输入部分的数据空间映射到梯度空间上。假设数据集上的输入空间向量为xi,数据空间的特征维度为s,gi为第i次循环迭代过程中的梯度下降迭代时所训练算法的损失函数的目标函数的梯度下降方向。则G B D T算法通过遍历所有分裂节点后,在寻找数据空间上的切分点k和切分特征变量J时,划分出的2个数据集分别为R1和R2,则2个数据集中空间向量个数分别为nR1(k)和nR2(k),则在切分点k产生的数据增益VJ|O(d)为45范子铭等:基于机器学习的回流焊焊点形貌预测智能制造VJ|O(d)=1nO1nR1(k)xiO,xikgi()2+1nR2(k)xiO,xikgi()2(5)对于式(5)数据空间上的梯度进行计算,并按照绝对值大小进行排序,将梯度幅度较大的a个数据从大到小选取出来组成数据集A,然后在剩余的梯度幅度较小的数据集中通过随机选取的方法选取b个数据组成数据集B,为了防止数据空间原来的分布被破坏,在计算信息增益的时候对于梯度幅度较小的部分乘上常量1-ab。当选取了最优切分点k*,其对应的特征变量J*,计算该点的最大信息增益Vk*为VJ*