[發明專利]一種基于SMT產線的工藝分析及智能決策方法

在審

• 申請號: 202210745966.2
• 申請日: 2022-06-29
• 公開（公告）號: CN115099147A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 蘇欣;閻德勁;吳國偉;繩童
• 申請（專利權）人: 中國電子科技集團公司第十研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F16/35
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 舒盛

1.一種基于SMT產線的工藝分析及智能決策方法，其特征在于，包括如下步驟：

S100，通過SMT產線工藝參數影響因素分析獲取原始數據集；

S200，利用原始數據集訓練SMT產線工藝質量缺陷預測模型；

S300，獲取待質量預測集合并輸入SMT產線工藝質量缺陷預測模型得到預測結果，然后根據預測結果實現SMT工藝參數優化和推薦。

2.根據權利要求1所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S100包括如下子步驟：

S101，在SMT產線的生產設備中獲取原始生產數據；

S102，對獲取的原始生產數據進行數據預處理；

S103，對數據預處理后的原始生產數據通過數據屬性相關性分析，選擇影響質量缺陷情況的主要影響因素；

S104，評估選擇的影響質量缺陷情況的主要影響因素，選定SMT產線工藝參數影響因素集；將SMT產線工藝參數影響因素集以及對應的工藝參數作為原始數據集。

3.根據權利要求2所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S101中獲取的原始生產數據需要通過python進行統一編碼處理，然后存入sqlite數據庫當中。

4.根據權利要求2所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S102中所述數據預處理包括缺失值處理、異常值剔除和數據標準化。

5.根據權利要求2所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S103包括：

將數據預處理后的原始生產數據通過Pearson相關性計算方法，得到各屬性兩兩之間的相關性數據；

基于相關性數據繪制熱力圖，從而將各屬性之間的相關關系進行可視化展示；

基于熱力圖進行分析，選擇影響質量缺陷情況的主要影響因素以及對應的工藝參數。

6.根據權利要求1所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S200包括如下子步驟：

S201，對原始數據集通過混合采樣方法進行均衡化；

S202，對均衡化后的原始數據集利用PCA降維方法進行降維操作；

S203，將降維操作后的原始數據集劃分為訓練集和測試集；

S204，對訓練集和測試集根據現有屬性組合形成更多不同的屬性；

S205，利用獨熱編碼處理訓練集和測試集中文本分類屬性；

S206，將步驟S205處理后的訓練集輸入隨機森林模型中，并使用網格搜索方法和5折交叉驗證方法進行訓練，得到SMT產線工藝質量缺陷預測模型。

S207，利用測試集評估SMT產線工藝質量缺陷預測模型，將預測準確度達到預期要求的SMT產線工藝質量缺陷預測模型為最終的SMT產線工藝質量缺陷預測模型，如果SMT產線工藝質量缺陷預測模型的預測準確度未達到預期要求，則重復步驟S206～S207。

7.根據權利要求6所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S201中對原始數據集通過混合采樣方法進行均衡化的方法包括：

首先利用SMOTE算法對原始數據集中的少數類樣本進行過采樣；然后找出Tomek Link連接樣本對并進行清理，剔除由SMOTE算法產生的噪聲樣本，從而完成均衡化。

8.根據權利要求7所述的基于SMT產線的工藝分析及智能決策方法，其特征在于，步驟S206包括：

將訓練集隨機分割成5個不同的子集，每個子集稱為一個折疊；

然后對隨機森林模型進行若干次訓練和評估；其中，每次挑選1個折疊進行評估，使用另外的4個折疊進行訓練；得到一個包含5次評估分數的數組；

對所述包含5次評估分數的數組使用網格搜索法，選擇表現最好的SMT產線工藝質量缺陷預測模型。