[发明专利]基于工业大数据的SMT锡膏印刷体积预测方法

权利要求书

1.一种基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，实现焊盘锡膏印刷体积的预测过程，包括有如下步骤：

(1)数据资源准备：针对锡膏印刷阶段的焊盘锡膏印刷体积涉及到的数据进行采集，数据采集范围涵盖四个工位：物料准备、钢网检测、锡膏印刷和SPI检测，对所有可采集数据进行采集，采集的数据形成了原始数据集，原始数据集包含76个字段，分为5类，环境参数、原材料属性参数、工艺参数、印刷过程状态参数、产品中间检测参数，产品中间检测参数中包括锡膏印刷体积数据；

(2)选择影响锡膏印刷体积的关键因素作为特征：在原始数据集中通过距离相关系数、弹性网络和人工经验三种方式分别选择出影响锡膏印刷体积的关键因素，然后综合选取三种方式中出现的结果作为并集，并集作为最终的关键因素，为之后的SMT焊盘锡膏印刷体积预测模型提供输入特征；

(3)再构造锡膏体积时间序列作为特征：在原始数据集中用锡膏印刷体积数据构造一个时间序列，构造的时间序列中，t时刻的值为原始数据集t-1时刻的锡膏印刷体积值，所有的锡膏印刷体积数据形成一个时间序列，将时间序列作为之后SMT焊盘锡膏印刷体积预测模型的一个输入特征；

(4)提取样本数据：依据PCB板长在原始数据集中提取出不同的样本数据集，将板长划分为[0,200)、[200,400)、[400,600)三部分，在不同的板长范围内分别提取出不同的样本数据集，将不同的样本数据集按照一定比例划分为训练集、验证集和测试集，训练集和验证集的样本数量和占总样本的80％，记作m₀，测试集占20％，记作m₁，另外训练集的样本数量又占训练集和验证集的样本数量和m₀的80％，验证集占m₀的20％，为之后构建不同的SMT焊盘锡膏印刷体积预测模型做准备；

(5)数据预处理：在不同样本数据集下，对影响锡膏体积的关键因素和再构造的锡膏体积时间序列进行归一化处理，消除量纲之间的差异；不同样本数据集是根据不同板长提取的数据集；

(6)选择并优化预测算法作为SMT焊盘锡膏印刷体积预测模型构建基础：选用RBF神经网络算法和AGNES算法作为SMT焊盘锡膏印刷体积预测模型构建基础，用AGNES算法对RBF神经网络算法进行优化，并对AGNES算法的学习策略进行改进，对聚类簇数进行优化，通过距离度量来决定聚类簇数，形成改进的AGNES算法；

(7)构建SMT焊盘锡膏印刷体积预测模型：利用改进的AGNES算法优化的RBF神经网络算法构建SMT焊盘锡膏印刷体积预测模型，并用PSO算法寻找最优的RBF神经网络算法的网络谱图结构和模型参数；

(8)训练并评价SMT焊盘锡膏印刷体积预测模型：在不同样本数据集下，以影响锡膏体积的关键因素和再构造的锡膏体积时间序列作为模型的输入，以锡膏印刷体积作为输出，训练SMT焊盘锡膏印刷体积预测模型，模型训练完成后，将测试集中的数据输入模型，得到测试集数据的体积预测值，将测试集的体积预测值与测试集的体积真实值进行对比，计算SMT焊盘锡膏印刷体积预测算法模型的准确性。

2.根据权利要求1所述的基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，步骤(6)中所述改进的AGNES算法，其实现具体包括如下步骤：

(6a)确定AGNES算法参数和函数：确定聚类相似度度量函数d、距离度量函数dist和聚类类间间距λ，初始样本数据集中每一个样本为一个簇类；

(6b)计算距离矩阵：利用聚类相似度度量函数d、距离度量函数dist，计算每个簇之间的距离，形成距离矩阵M；

(6c)划分簇类：将距离矩阵M和类间间距λ进行比较，将样本划分到不同簇类；

(6d)迭代计算距离矩阵：重复步骤(6b)和(6c)，直到距离矩阵M不变。

3.根据权利要求1所述的基于工业大数据的SMT锡膏印刷体积预测方法，其特征在于，步骤(7)所述的构建SMT焊盘锡膏印刷体积预测模型，包括如下步骤：

(7a)确定PSO算法、AGNES算法和RBF神经网络算法的函数：确定PSO算法在AGNES算法参数寻优过程中的适应度函数，采用均方误差作为最优参数的评价标准：

其中，y'是模型预测值，y是真实值，g(·)越小越好，代表两者之间差异越小越接近；

确定AGNES算法的相似度度量方法为最小距离：

其中，C_i表示i类，C_j表示j类，x_i为i类中的样本，x_j为j类中的样本；

确定AGNES算法的距离计算方式为欧氏距离：

其中，x_iu为样本x_i的第u个分量，x_ju为样本x_j的第u个分量，n为样本长度；

确定RBF神经网络算法的径向基函数为高斯径向基核函数：

其中，x为样本，c_i为第i类的中心点，σ_i径向基函数的基宽，p为隐藏层神经元个数；

确定RBF神经网络算法的输出层激活函数h(·)为线性函数：

h(x_in)＝x_in

其中，x_in为RBF神经网络算法输出层的输入；

(7b)设置AGNES算法和RBF神经网络算法参数寻优区间：为AGNES算法的聚类类间间距λ和RBF神经网络算法的重叠系数α设置寻优区间，其中聚类类间间距λ的取值范围应小于等于样本间最大距离dist_imax，大于等于样本间最小距离dist_imin，重叠系数α的取值范围通常大于0；

(7c)用PSO算法对AGNES算法和RBF神经网络算法参数进行迭代寻优：设置PSO算法的迭代终止次数n'，记录迭代次数k，对AGNES算法的聚类类间间距λ和RBF神经网络算法的重叠系数α在寻优区间内迭代寻优，用PSO算法生成λ和α；

(7d)用AGNES算法优化RBF神经网络算法：根据PSO算法中得到的聚类类间间距λ确定RBF神经网络的隐藏层神经元个数p和RBF神经网络径向基函数的中心点c_i，根据PSO算法中得到的重叠系数α和RBF神经网络径向基函数的中心点c_i确定RBF神经网络径向基函数的基宽σ_i；

(7e)计算λ和α对应的适应度函数的值：将中心点c_i和基宽σ_i代入径向基函数中，由径向基函数和激活函数计算出样本的预测值y'，根据适应度函数的值获得均方误差g(·)；

(7f)得到AGNES算法的最优参数：当迭代次数k＜n'时重复执行(7c)、(7d)、(7e)，当粒子群优化算法寻优次数达到n'时迭代结束，获取最小适应度函数的值g(·)_min对应的λ_opt和α_opt为AGNES算法和RBF神经网路算法的最佳参数；

(7g)构建SMT焊盘锡膏印刷体积预测模型：按照步骤(7d)分别计算最佳参数λ_opt和α_opt对应下的RBF神经网络的隐藏层神经元个数p，中心点c_i，基宽σ_i，模型构建完成。