基于人工神经网络的回流焊参数智能生成方法与流程

本发明是一种基于人工神经网络的回流焊参数智能生成方法，属于软钎焊表面组装技术领域。

背景技术：

回流焊广泛应用于软钎焊领域，是表面组装(smt)行业中必不可少的焊接设备。目前，行业中多使用以多温区累进、产品流水式前进为特征的热风或红外回流焊炉，对于体积大热容大的产品也会使用封闭的气相回流焊。链式传动的网带回流焊炉生产效率高、通用性强；缺点是产品在前进过程中温区不断变化，产品整体的温度很难与设置温度相一致。如果产品含有大体积、大热容的金属屏蔽盖、壳体或者底板，这类现象更加明显。

对于设置温度与实际温度不一致，大体积产品内部不能完成温度均匀化的问题，标准多推荐采用实测产品温度、再调整热风回流焊炉设置来反复试错，这也是行业内普遍采用的做法。即根据经验设置一组回流焊设置(包括各温区温度，风频带速等)，然后用样品实测一次，对照实测焊接热循环与期望焊接热循环，再调整各温区的温度设置，再实测，再调整……最终达到理想的效果。

当产品种类较少，产品与产品之间差异不大时，人工试错法并不会影响效率。当产品种类繁多，材质多种多样，产品与产品之间质量体积差异在十几倍甚至几十倍时，依据人工经验进行试错经常要3～7次才能达到理想的效果，严重拖累效率。另外，如此做法过于依赖熟练员工经验，新员工没有经验积累，遇到全新的产品甚至无从下手。

目前有学者采用人工神经网络，研究了回流焊设置与回流焊焊接热循环特征区域之间的关系，但这类研究并不能给出一组合理的初始设置。市场上也有少量相关的温区设置预测工具，但多是针对印制电路板上元器件焊接的，大金属壳体类产品并不适用。鉴于热风回流焊传热过程蕴含着复杂的对流换热，采用有限元进行传热学仿真虽然能较为精确地求解，但是需要较长时间，不能快速反应。对于产品多品种、差异大的应用场景，需要解决热风回流焊温区及相关参数的设置问题，系统应该根据不同产品迅速生成一组推荐设置，这一自动生成的过程应该具有一定的人的智能。

人工神经网络是计算机领域中模仿人脑神经系统的计算网络，按照一定的连接方式构建出的虚拟神经网络，这一虚拟网络具有对数据进行模拟或者分类的功能。在有导师的学习中，人工神经网络能够对不在训练域中的输入数据产生合理的输出，这就是人工神经网络的泛化能力。人工神经网络逐渐在内在机理复杂的工业生产领域大量应用。

技术实现要素：

本发明提出的是一种基于人工神经网络的回流焊参数智能生成方法，其目的在于针对现有技术存在的缺陷，利用既往数据，构建人工神经网络，网络附带前后端的新型数据处理模型。人工神经网络搭建完成后输入新产品的特征，经过预处理，人工神经网络以及后处理，就能快速生成一组热风回流焊参数设置。

本发明的技术解决方案：基于人工神经网络的回流焊参数智能生成方法，包括以下步骤：

(1)训练数据的收集：收集既有的产品特征数据以及相对应的回流焊设置数据，组成原始训练数据包；

(2)训练数据的处理：按照“集总热阻热容分层传热模型”或者“外部包围复合传热模型”对产品特征数据进行处理，作为输入数据，按照“助焊剂过渡热响应模型”对回流焊设置数据进行处理，作为输出数据；

(3)训练人工神经网络：搭建人工神经网络，用输入输出数据对人工神经网络进行训练，反复迭代，确定各节点间的连接权值及节点的阈值，得到成熟的人工神经网络；

(4)智能生成回流焊设置：接收到一个新产品时，提取产品特征数据，先按照“集总热阻热容分层传热模型”或“外部包围复合传热模型”进行预处理，归一化，再用成熟的人工神经网络进行分析，最后采用“助焊剂过渡热响应模型”进行后处理，解除归一化，得到新产品的回流焊设置。

所述步骤(1)训练数据的收集，所述数据为反映产品特征以及能确保回流焊正常运行的原始数据，包括产品的材质、焊料熔点、外形尺寸、各部位质量、pcb板元器件密度、尺寸、质量以及回流焊的各温区温度、风频、网带速度等。

所述步骤(2)训练数据的处理，对于压块、电路板、焊料片以及壳体(衬板)这类层压特征的产品，采用“集总热阻热容分层传热模型”处理产品特征数据，得到复合热阻、整体热容、有效受热面积以及传热深度四个关键输入，模型的传热学计算公式如下：

式中r是复合热阻，n是上下层材料种类数，m是对应材料的质量，p是对应材料的密度，λ是对应材料的热导率，s是对应产品整体底面积；

式中z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；

式中d是有效受热面积，s是对应产品整体底面积，g是表面开孔镂空的面积；

p＝0.9h

式中p是传热深度，h是对应产品高度；

对于大壳体包围，内部电路板密布元器件的产品，采用“外部包围复合传热模型”处理产品特征数据，得到外围热导率、整体热容、有效受热面积以及传热深度四个关键输入，模型的传热学计算公式如下：

式中λf是外围热导率，n是外围材料种类数，λ是对应材料的热导率；

式中z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；

d＝lw+2lh+2wh

式中d是有效受热面积，l是对应产品的长，w是对应产品的宽，h是对应产品的高；

式中p是传热深度，n是外围材料的种类，t是对应外围材料的壁厚；

将关键输入进行归一化，使各关键输入成比例地落在[0，1]内，最后按照“助焊剂过渡热响应模型”在考虑传热过程延迟量的前提下处理回流焊的设置，得到初始温度t0，升温阶段阶梯值d，保温值t1，峰值温度t2与峰值温度t3五个关键输出，将关键输出进行归一化，使各关键输出成比例地落在[0，1]。

所述步骤(2)训练数据的处理，对于体积小但表面曲折、比表面积大的产品，关键输入还包括表面等效的对流换热系数以及上下表面的封闭系数。

所述步骤(3)训练人工神经网络，所述人工神经网络为层次型网络，输入节点数对应着关键输入的个数，输出节点数对应着独立输出的个数，所述人工神经网络可采用赫布学习规则、lm算法或者贝叶斯正则化算法进行训练。

所述人工神经网络选用单隐层人工神经网络，隐层节点数量介于输入节点与输出节点之间。

所述步骤(4)智能生成回流焊设置，可以通过计算机应用程序的形式与人交互；输入产品特征，按顺序经过预处理、人工神经网络处理，后处理，最后解除归一化得到一组回流焊设置。

本发明的有益效果：

利用既往数据，构建人工神经网络及其附属的前后数据处理模型，构建完成后输入产品特征数据，就可以迅速得出一组合理的回流焊参数生成方法，特别适用于产品种类繁多、产品之间差异大的定制化生产场景。

附图说明

附图1是基于人工神经网络的回流焊参数智能生成方法的数据流示意图。

具体实施方式

下面结合附图对本发明技术方案进一步说明

如附图1所示，基于人工神经网络的回流焊参数智能生成方法，包括以下步骤：

(1)训练数据的收集：收集既有的产品特征数据以及相对应的回流焊设置数据，组成原始训练数据包；

(2)训练数据的处理：按照“集总热阻热容分层传热模型”或者“外部包围复合传热模型”对产品特征数据进行处理，作为输入数据，按照“助焊剂过渡热响应模型”对回流焊设置数据进行处理，作为输出数据；

(3)训练人工神经网络：搭建人工神经网络，用输入输出数据对人工神经网络进行训练，反复迭代，确定各节点间的连接权值及节点的阈值，得到成熟的人工神经网络；

(4)智能生成回流焊设置：接收到一个新产品时，提取产品特征数据，先按照“集总热阻热容分层传热模型”或“外部包围复合传热模型”进行预处理，归一化，再用成熟的人工神经网络进行分析，最后采用“助焊剂过渡热响应模型”进行后处理，解除归一化，得到新产品的回流焊设置。

实施例1

通过铝压块将fr4电路板焊接在黄铜壳体内，采用网带传送的流水式热风回流焊，焊料片为sac305。这类产品属于“集总热阻热容分层传热模型”和“助焊剂过渡热响应模型”的处理范畴。

首先需要构建这一回流焊参数的人工神经网络，之后才能利用人工神经网络生成新产品的回流焊设置。整理出一款八温区热风回流焊炉对于这类问题的成熟数据，整理出既往各种材料的压块、电路板以及壳体的尺寸、质量、热导率、比热容等产品特征数据。按照“集总热阻热容分层传热模型”中的以下公式对原始数据进行处理：

式中r是复合热阻，n是上下层材料种类数，m是对应材料的质量，ρ是对应材料的密度，λ是对应材料的热导率，s是对应产品整体底面积；

式中z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；

式中d是有效受热面积，s是对应产品整体底面积，g是表面开孔镂空的面积；

p＝0.9h

式中p是传热深度，h是对应产品高度；

计算出复合热阻r、整体热容z、有效受热面积、传热深度这4个关键输入。

默认上下温区设置温度相等，原始数据中的回流焊设置一共有10个，分别是t1、t2、t3、t4、t5、t6、t7、t8以及风频f和网带速度为v。根据“助焊剂过渡热响应模型”，温区1到温区3为升温阶段，温度为等差数列，设温区之间的温差为d1；温区4到温区6为保温阶段，温度相等；温区7到温区8对应焊料熔化阶段，设定温度相等。因此，最后实际的关键输出共6个，分别是t1、d1、t4、t7以及风频f和网带速度v。

假设这些成熟的数据一共有100组。

按照误差反传神经网络的模型搭建神经网络，输入层节点数为4个，隐层节点数为5个，输出层节点数为6个。选用l-m算法进行训练，训练得到的均方误差为0.007，认为这一神经网络符合要求，训练结束。

按照以上数据处理流程搭建软件，做好数据存储与交互的接口，可以开始解决类似问题。

测量得铝压块的尺寸为30×20×6mm，铝压块质量为18g；测量得fr4电路板的尺寸为32×23mm，电路板质量为10g；测量黄铜壳体的尺寸为50×43.2×9mm，质量为58g。将测量结果输入软件之中，开始智能生成。输入数据先经过“集总热阻热容分层传热模型”计算出复合热阻r、整体热容z、有效受热面积d、传热深度p这4个关键输入，归一化之后将4个关键输入传递到人工神经网络，神经网络处理之后得到6个关键输出。关键输出通过“助焊剂过渡热响应模型”处理，解除归一化之后，得到了t1＝90℃、t2＝121℃、t3＝152℃、t4＝173℃、t5＝173℃、t6＝173℃、t7＝229℃、t8＝229℃以及风频f＝43hz和网带速度为v＝638mm/min。操作人员审核结束后，点击按钮将设置下发给回流焊炉执行。

将热电偶固定在样品待焊区域上，然后将样品放入热风回流焊炉中，实测焊接热循环。如果焊接热循环符合要求，那么直接进行生产；如果焊接热循环与要求的略有差异，则根据差异部分略微调整设置，重新测试焊接热循环。

实施例2

现有一个可伐壳体，壳体壁厚及底面厚度都在5mm以上，壳体腔体内底部已经用螺钉固定好了一块电路板，现在要在电路板上面焊接元器件。采用网带传送的流水式热风回流焊，焊料片为sac305。这类产品属于“外部包围复合传热模型”和“助焊剂过渡热响应模型”的处理范畴。

首先需要构建这一回流焊参数的人工神经网络，之后才能利用人工神经网络生成新产品的回流焊设置。整理出一款八温区热风回流焊炉对于这类问题的成熟数据，整理出既往壳体以及电路板的材质、尺寸、质量、热导率、比热容等产品特征数据。按照“集总热阻热容分层传热模型”中的以下公式对原始数据进行处理：

式中λf是外围热导率，n是外围材料种类数，λ是对应材料的热导率；

式中z是整体热容，n是所有材料种类数，m是对应材料的质量，c是对应材料的比热容；

d＝lw+2lh+2wh

式中d是有效受热面积，l是对应产品的长，w是对应产品的宽，h是对应产品的高；

式中p是传热深度，n是外围材料的种类，t是对应外围材料的壁厚；

计算出外围热导率λf、整体热容z、有效受热面积d、传热深度p这4个关键输入。

默认上下温区设置温度相等，原始数据中的回流焊设置一共有10个，分别是t1、t2、t3、t4、t5、t6、t7、t8以及风频f和网带速度为v。根据“助焊剂过渡热响应模型”，温区1到温区3为升温阶段，温度为等差数列，设温区之间的温差为d1；温区4到温区6为保温阶段，温度相等；温区7到温区8对应焊料熔化阶段，设定温度相等。因此，最后实际的关键输出共6个，分别是t1、d1、t4、t7以及风频f和网带速度v。

假设这些成熟的数据一共有100组。

按照误差反传神经网络的模型搭建神经网络，输入层节点数为4个，隐层节点数为5个，输出层节点数为6个。选用l-m算法进行训练，训练得到的均方误差为0.009，认为这一神经网络符合要求，训练结束。

按照以上数据处理流程搭建软件，做好数据存储与交互的接口，可以开始解决类似问题。

测量壳体的尺寸为43×43×26mm，壳体质量为218g、测量电路板的尺寸为27×27mm与质量为55g。将测量结果输入软件之中，开始智能生成。输入数据先经过“外部包围复合传热模型”计算出外围热导率λf、整体热容z、有效受热面积d、传热深度p这4个关键输入，归一化之后将4个关键输入传递到人工神经网络，神经网络处理之后得到6个关键输出。关键输出通过“助焊剂过渡热响应模型”处理，解除归一化之后，就得到了t1＝100℃、t2＝138℃、t3＝176℃、t4＝209℃、t5＝209℃、t6＝209℃、t7＝267℃、t8＝267℃以及风频f＝49hz和网带速度为v＝531mm/min。操作人员审核结束后，点击按钮将设置下发给回流焊炉执行。

将热电偶固定在样品待焊区域上，然后将样品放入热风回流焊炉中，实测焊接热循环。如果焊接热循环符合要求，那么直接进行生产；如果焊接热循环与要求的略有差异，则根据差异部分略微调整设置，重新测试焊接热循环。