[發明專利]一種自動化調參方法

有效

• 申請號: 201810439606.3
• 申請日: 2018-05-09
• 公開（公告）號: CN108615075B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 褚英昊;趙辛;秦詩瑋;黃琛;何英杰;趙紫州;葉丹微;吳嘉杰
• 申請（專利權）人: 深圳市微埃智能科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F30/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種自動化調參方法,該方法可以應用在半導體封裝的超聲焊線設備上，包括以下步驟：根據歷史數據庫生成初始參數組合，所述參數組合包括沖擊預壓力、沖擊時間、沖擊壓力、焊線時間、焊線壓力、和焊線能量中的一種或多種；超聲焊線設備根據初始參數組合執行并測量產品的質量系數；根據產品質量系數反饋更新參數組合；重復上述步驟直到產品質量系數全部合格。本發明以場景信息和目標效果(量化)分別作為“輸入”和“結果”，以目標優化參數(量化)作為模型優化的“內置參數”。該模型在實際應用中在生成現場收集少量數據即可生成一個狀態空間模型，同時通過基于反向傳播算法的VNN算法搜索所需的優化參數組合。

技術領域

本發明涉及人工智能深度學習技術，具體涉及一種自動化調參方法。

背景技術

焊線機的一個重要應用場景是在LED行業，目前焊線機在技術難度較高，只有為數不多的幾家廠商可以生產，國外主要生產商為KS，國內為大族激光和翠濤自動化。進口設備仍然占領國內主要市場，特別是高端市場。國產設備主要問題之一為一致性問題，即同樣設備在同樣的參數選擇的情況下生產產品的差距較大，其中有部分設備不能達到質檢標準，需要對參數進行調整。

對于焊線機產品的質量檢測，主要考察一焊點，二焊點和線弧。其中針對一焊點主要有焊球推力，焊球大小，焊球外形，毛邊球等考量因素。其中焊球推力是最關鍵的標準之一，推力值過小表明焊球與電極粘的不好，產品的可靠性有風險。一般要求大于30克，但是不能過大，否則會帶來其他問題，一般會有一個建議的目標優化值，比如合金絲是45克，銅絲是35克。推力的測量用專業推力計檢測，推刀高度大于5um。相同焊接參數的情況下產品一焊點的推力的一致性不好，是國產設備急需解決的問題。

發明內容

本發明的目的在于，解決現有技術的焊線機產品的質量檢測存在的上述技術問題。

為實現上述目的，本發明提供了一種自動化調參方法,該方法可以應用在半導體封裝的超聲焊線設備上，其包括以下步驟：

根據歷史數據庫生成初始參數組合，所述參數組合包括沖擊預壓力、沖擊時間、沖擊壓力、焊線時間、焊線壓力、和焊線能量中的一種或多種；超聲焊線設備根據初始參數組合執行并測量產品的質量系數；根據產品質量系數反饋更新參數組合；重復上述步驟直到產品質量系數全部合格。

優選地，所述根據產品質量系數反饋更新參數組合步驟，包括：基于MLP狀態模型，輸入初始參數X向量，計算輸出推力；微調各個輸入參數△x，分別計算每個參數變化帶來的最終推力的變化△y；計算每個參數維度上的梯度變化△G＝△y/△x；計算輸出推力到目標推力的距離值(誤差)ε；計算當前距離ε下，基于梯度變化△G的每個輸入維度的參數更新量：D＝ε/△G；通過常用的學習速率α(0.01)更新初始參數Xnew＝X+αD；重復上述6步，直到ε小于一個閾值θ＝1，輸出最新的X向量，即為通過VNN搜索方法獲得的優化的參數組合。

本發明通過將反向傳播算法從深度學習標準流程中提煉出來，發明沒有指定結構的虛擬參數網絡(Virtual Parameters Neural Network，簡稱VNN)，以場景信息和目標效果(量化)分別作為“輸入”和“結果”，以目標優化參數(量化)作為模型優化的“內置參數”。該模型在實際應用中在生成現場收集少量數據即可生成一個狀態空間模型，同時通過基于反向傳播算法的VNN算法搜索所需的優化參數組合。另外，本發明通過深度學習人工智能與自動化生產設備結合的方式，幫助國內焊線機設備廠商彎道超車趕超國際上暫時處于領先地位的焊線機設備生產廠。

附圖說明

圖1為本發明實施例提供的一種自動化調參方法流程示意圖；

圖2為本發明實施例圖表示意圖。

具體實施方式

通過以下結合附圖以舉例方式對本發明的實施方式進行詳細描述后，本發明的其他特征、特點和優點將會更加明顯。