[发明专利]一种基于LSTM的点胶图形智能生成方法

说明书

本发明提供一种基于LSTM的点胶图形智能生成方法，包括：收集自动贴装数据的输入特征和输出特征形成数据集，对输入特征进行预处理得到输入特征属性向量，对输出特征进行预处理得到输出特征属性向量，设计LSTM结构及超参数建立LSTM模型，设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型，调用最终LSTM模型，生成点胶图形。本发明提供一种电子封装领域点胶图形的智能生成方法，该方法将人工智能领域的循环神经网络RNN中的长短时记忆单元LSTM与点胶图形生成过程相结合，为带有时间序列的参数生成提供了可行方案，从而克服了单纯依靠工艺试验进行点胶图形选取和使用前馈神经网络生成图形所带来的时间信息丢失问题。

技术领域

本发明涉及半导体器件技术领域，具体涉及一种基于LSTM的点胶图形智能生成方法。

背景技术

自动贴片是决定电子封装产品性能及精度的关键工序，而自动贴片的结果是由自动点胶和贴片的多个参数共同决定的，其中点胶图形的确定是影响自动贴片效果的关键步骤。传统工艺流程中，工程师会根据以往经验选取点胶图形，随后进行大量工艺试验，根据贴装效果不断调整点胶图形，同一芯片往往需要迭代多次，造成大量的时间成本和材料成本浪费，工程师也没有建立起芯片固有特征与点胶图形之间的关系。华中科技大学用机理法建模并结合有限元方法近似点胶过程模型，但其并非精确模型，且无法得出点胶图形与芯片特征之间的关系。利用人工智能的思想进行点胶图形的智能生成是解决上述问题的一种有效途径，但目前国内没有团队将人工智能算法引入电子封装的参数决策系统。

发明内容

本发明是为了解决未能将人工智能算法引入电子封装的参数决策系统的问题，提供一种电子封装领域点胶图形的智能生成方法。该方法将人工智能领域的循环神经网络RNN中的长短时记忆单元LSTM与点胶图形生成过程相结合，为带有时间序列的参数生成提供了可行方案，从而克服了单纯依靠工艺试验进行点胶图形选取和使用前馈神经网络生成图形所带来的时间信息丢失问题。

本发明提供一种基于LSTM的点胶图形智能生成方法，包括如下步骤：

S1、数据准备：收集自动贴装数据的输入特征和输出特征形成数据集，将数据集划分为训练集、验证集和测试集；

S2、建立输入特征属性向量：对输入特征进行预处理得到输入特征属性向量；

S3、建立输出特征属性向量：对输出特征进行预处理得到输出特征属性向量，以解决点胶线段不连续、样本坐标序列长度不同和坐标取值范围过大问题；

S4、建立LSTM模型：设计LSTM结构及超参数建立LSTM模型；

S5、训练LSTM模型：设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型；

S6、生成点胶图形：调用最终LSTM模型，输入新产品的输入特征属性向量，生成新产品点胶图形的输出特征属性向量，并得到新产品的输出特征，生成点胶图形。

本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S1中输入特征包括：数值型特征、序数特征和标称特征；步骤S1中输出特征是点胶图形的坐标序列。

本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S1中数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％。

本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S2包括：

S21、定义数值型特征，并将数值型特征进行归一化处理，得到数值型特征向量；

S22、将序数特征进行编码，得到序数特征向量；