[发明专利]一种自动化调参方法

说明书

本发明涉及一种自动化调参方法,该方法可以应用在半导体封装的超声焊线设备上，包括以下步骤：根据历史数据库生成初始参数组合，所述参数组合包括冲击预压力、冲击时间、冲击压力、焊线时间、焊线压力、和焊线能量中的一种或多种；超声焊线设备根据初始参数组合执行并测量产品的质量系数；根据产品质量系数反馈更新参数组合；重复上述步骤直到产品质量系数全部合格。本发明以场景信息和目标效果(量化)分别作为“输入”和“结果”，以目标优化参数(量化)作为模型优化的“内置参数”。该模型在实际应用中在生成现场收集少量数据即可生成一个状态空间模型，同时通过基于反向传播算法的VNN算法搜索所需的优化参数组合。

技术领域

本发明涉及人工智能深度学习技术，具体涉及一种自动化调参方法。

背景技术

焊线机的一个重要应用场景是在LED行业，目前焊线机在技术难度较高，只有为数不多的几家厂商可以生产，国外主要生产商为KS，国内为大族激光和翠涛自动化。进口设备仍然占领国内主要市场，特别是高端市场。国产设备主要问题之一为一致性问题，即同样设备在同样的参数选择的情况下生产产品的差距较大，其中有部分设备不能达到质检标准，需要对参数进行调整。

对于焊线机产品的质量检测，主要考察一焊点，二焊点和线弧。其中针对一焊点主要有焊球推力，焊球大小，焊球外形，毛边球等考量因素。其中焊球推力是最关键的标准之一，推力值过小表明焊球与电极粘的不好，产品的可靠性有风险。一般要求大于30克，但是不能过大，否则会带来其他问题，一般会有一个建议的目标优化值，比如合金丝是45克，铜丝是35克。推力的测量用专业推力计检测，推刀高度大于5um。相同焊接参数的情况下产品一焊点的推力的一致性不好，是国产设备急需解决的问题。

发明内容

本发明的目的在于，解决现有技术的焊线机产品的质量检测存在的上述技术问题。

为实现上述目的，本发明提供了一种自动化调参方法,该方法可以应用在半导体封装的超声焊线设备上，其包括以下步骤：

根据历史数据库生成初始参数组合，所述参数组合包括冲击预压力、冲击时间、冲击压力、焊线时间、焊线压力、和焊线能量中的一种或多种；超声焊线设备根据初始参数组合执行并测量产品的质量系数；根据产品质量系数反馈更新参数组合；重复上述步骤直到产品质量系数全部合格。

优选地，所述根据产品质量系数反馈更新参数组合步骤，包括：基于MLP状态模型，输入初始参数X向量，计算输出推力；微调各个输入参数△x，分别计算每个参数变化带来的最终推力的变化△y；计算每个参数维度上的梯度变化△G＝△y/△x；计算输出推力到目标推力的距离值(误差)ε；计算当前距离ε下，基于梯度变化△G的每个输入维度的参数更新量：D＝ε/△G；通过常用的学习速率α(0.01)更新初始参数Xnew＝X+αD；重复上述6步，直到ε小于一个阈值θ＝1，输出最新的X向量，即为通过VNN搜索方法获得的优化的参数组合。

本发明通过将反向传播算法从深度学习标准流程中提炼出来，发明没有指定结构的虚拟参数网络(Virtual Parameters Neural Network，简称VNN)，以场景信息和目标效果(量化)分别作为“输入”和“结果”，以目标优化参数(量化)作为模型优化的“内置参数”。该模型在实际应用中在生成现场收集少量数据即可生成一个状态空间模型，同时通过基于反向传播算法的VNN算法搜索所需的优化参数组合。另外，本发明通过深度学习人工智能与自动化生产设备结合的方式，帮助国内焊线机设备厂商弯道超车赶超国际上暂时处于领先地位的焊线机设备生产厂。

附图说明

图1为本发明实施例提供的一种自动化调参方法流程示意图；

图2为本发明实施例图表示意图。

具体实施方式

通过以下结合附图以举例方式对本发明的实施方式进行详细描述后，本发明的其他特征、特点和优点将会更加明显。