一种用于PCB线板阻抗值的计算方法与流程

一种用于pcb线板阻抗值的计算方法
技术领域
1.本发明涉及pcb线板生产技术领域，具体为一种用于pcb线板阻抗值的计算方法。


背景技术：

2.在电子业高速发展的情况下，越来越多的pcb线路板不在是简单的电气性能的os测试，特性阻抗控制要求已为高精密pcb必要的产品需求，如usb、hdmi，ddr线路等等。
3.为了在pcb制造过程中做出符合特殊阻抗控制要求的产品，需先进行特性阻抗计算。一般情况下，工厂会使用阻抗计算软件去计算阻抗值，然后按计算出的阻抗值调整线宽、线距、介质层厚度、铜箔厚度等参数去匹配客户要求。但由于阻抗计算软件软法单一，导致与工厂的各种实际情况不匹配和计算阻抗值与实际生产值产生较大的偏差，偏差达到
±
30％，为了能够达到
±
5％以及更小(
±
2.5％)的公差控制要求。需要一套精度、准确度更高的算法，为了解决以上问题，本发明提供一种用于pcb线板阻抗值的计算方法。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种用于pcb线板阻抗值的计算方法，解决了目前pcb线板阻抗值计算方法由于阻抗计算软件软法单一，导致与工厂的各种实际情况不匹配和计算阻抗值与实际生产值产生较大的偏差的问题。
6.(二)技术方案
7.为实现上述目的，本发明提供如下技术方案：一种用于pcb线板阻抗值的计算方法，包括以下步骤：
8.步骤s1、采集生产中影响特性阻抗关键参数的大数据，如下：
9.pcb的铜箔厚度、线路宽度、线路间距、特性模式、介质层厚度、pp使用厚度、pp型号、pp厂商、板材厚度、板材厂商、设计线路宽度、设计线路间距、阻焊厚度、阻焊油墨型号、阻焊油墨颜色、pp介电常数、阻焊介电常数、pp介电常数、板材介电常数及生产的实际阻抗值；
10.步骤s2、利用收集的关键数据作为参数，使用神经网络算法为基础，用10000以上的大数据量去训练，得出符合工厂的算法，用算法去计算出生产实际的阻抗值；
11.步骤s3、利用步骤s2中神经网络算法，在生产前计算出阻抗值，根据阻抗值调整设计的线宽、线距，pp介质层厚度，从而使生产的阻抗值达到客户要求的阻抗值的公差范围内，最后根据输入的信息要求，实现自动化的反算阻抗，自动调整功能。
12.作为本发明的一种优选技术方案，步骤s2中神经网络算法在python上实现，具体包括以下步骤：
13.步骤s21、导入预先采集生产中影响特性阻抗关键参数的大数据，将数据分为训练集和测试集，并对数据进行归一化处理；
14.步骤s22、搭建神经网络模型，确定神经网络的输入层、隐藏层和输出层；
15.步骤s23、设置神经网络的偏置值为0.1，对神经网络进行初始化；
16.步骤s24、定义损失函数和优化器使神经网络进行权值更新；
17.步骤s25、将学习率设置为0.01，对训练集数据进行神经网络训练，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征，计算权值向量与输入向量的欧式距离，得到最优解阻抗值。
18.作为本发明的一种优选技术方案，步骤s21中对数据进行归一化处理的方法为：将最大值设为1，最小值设为0，对每个参数按比例进行缩小到0至1之间，使处理完后的输入数据都是0到1之间的数值。
19.作为本发明的一种优选技术方案，步骤s22中神经网络的输入层、隐藏层和输出层神经元个数分别为一个、六个和一个。
20.作为本发明的一种优选技术方案，步骤s23中，对神经网络的初始化方法为：采用tanh函数为激活函数，通过xavier初始化方法进行初始化。
21.作为本发明的一种优选技术方案，步骤s24中优化器采用adam算法，能计算每个参数的自适应学习率。
22.(三)有益效果
23.与现有技术相比，本发明提供了一种用于pcb线板阻抗值的计算方法，具备以下有益效果：
24.该用于pcb线板阻抗值的计算方法，通过采集生产中影响特性阻抗关键参数的大数据作为神经网络的初始化参数，大数据在神经网络中进行训练，通过设置神经网络偏差值和学习率值，可以保证神经网络获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征，计算权值向量与输入向量的欧式距离，是为了保证神经网络能输出全局最优解，可以更精准的计算出该pcb线板的阻抗值，然后将客户要求的阻抗值与人工神经网络进行结合，实现自动化的反算阻抗，自动调整功能，通过本发明实施例中的一种用于pcb线板阻抗值的计算方法，使得计算的阻抗值与实际生产值误差精准到更小。
附图说明
25.图1为本发明一种用于pcb线板阻抗值的计算方法流程图；
26.图2为本发明神经网路算法流程图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.实施例
29.请参阅图1-2，本发明提供以下技术方案：一种用于pcb线板阻抗值的计算方法，包括以下步骤：
30.步骤s1、采集生产中影响特性阻抗关键参数的大数据，如下：
31.pcb的铜箔厚度、线路宽度、线路间距、特性模式、介质层厚度、pp使用厚度、pp型
号、pp厂商、板材厚度、板材厂商、设计线路宽度、设计线路间距、阻焊厚度、阻焊油墨型号、阻焊油墨颜色、pp介电常数、阻焊介电常数、pp介电常数、板材介电常数及生产的实际阻抗值；
32.步骤s2、利用收集的关键数据作为参数，使用神经网络算法为基础，用10000以上的大数据量去训练，得出符合工厂的算法，用算法去计算出生产实际的阻抗值；
33.步骤s3、利用步骤s2中神经网络算法，在生产前计算出阻抗值，根据阻抗值调整设计的线宽、线距，pp介质层厚度，从而使生产的阻抗值达到客户要求的阻抗值的公差范围内，最后根据输入的信息要求，实现自动化的反算阻抗，自动调整功能。
34.具体的，步骤s2中神经网络算法在python上实现，具体包括以下步骤：
35.步骤s21、导入预先采集生产中影响特性阻抗关键参数的大数据，将数据分为训练集和测试集，并对数据进行归一化处理；
36.步骤s22、搭建神经网络模型，确定神经网络的输入层、隐藏层和输出层；
37.步骤s23、设置神经网络的偏置值为0.1，对神经网络进行初始化；
38.步骤s24、定义损失函数和优化器使神经网络进行权值更新；
39.步骤s25、将学习率设置为0.01，对训练集数据进行神经网络训练，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征，计算权值向量与输入向量的欧式距离，得到最优解阻抗值。
40.具体的，步骤s21中对数据进行归一化处理的方法为：将最大值设为1，最小值设为0，对每个参数按比例进行缩小到0至1之间，使处理完后的输入数据都是0到1之间的数值。
41.具体的，步骤s22中神经网络的输入层、隐藏层和输出层神经元个数分别为一个、六个和一个。
42.具体的，步骤s23中，对神经网络的初始化方法为：采用tanh函数为激活函数，通过xavier初始化方法进行初始化。
43.具体的，步骤s24中优化器采用adam算法，能计算每个参数的自适应学习率。
44.本发明在具体应用中，采集生产中影响特性阻抗关键参数的大数据，进行神经网络的搭建，通过设置神经网络偏置值、学习率以及迭代次数，设置迭代次数为50000次，保证神经网络能输出全局最优解，当神经网络通过测试后，将客户要求的阻抗值输入到训练好的神经网络中实现自动化的反算阻抗，自动调整功能。
45.本发明实施例中的一种用于pcb线板阻抗值的计算方法，通过采集生产中影响特性阻抗关键参数的大数据作为神经网络的初始化参数，大数据在神经网络中进行训练，通过设置神经网络偏差值和学习率值，可以保证神经网络获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征，计算权值向量与输入向量的欧式距离，是为了保证神经网络能输出全局最优解，可以更精准的计算出该pcb线板的阻抗值，然后将客户要求的阻抗值与人工神经网络进行结合，实现自动化的反算阻抗，自动调整功能，通过本发明实施例中的一种用于pcb线板阻抗值的计算方法，可以使得该pcb线板计算的阻抗值与实际生产值存在的误差能够精准到
±
5％以及更小(
±
2.5％)的公差控制要求。
46.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。