SMT印刷参数优化模型的训练方法、设备和存储介质

smt印刷参数优化模型的训练方法、设备和存储介质
技术领域
1.本技术属于智能制造技术领域，涉及表面贴装技术(surface mounted technology,smt)产线印刷及spi检测阶段，尤其涉及一种smt印刷参数优化模型的训练、设备和存储介质。


背景技术：

2.在当前表面贴装技术中，大部分质量问题的出现是在锡膏印刷阶段，因此如何设置更加合理和正确的印刷工艺参数是尤为重要。
3.而现有的在进行工艺参数的设置时，主要方式有两种，一种是依靠人为经验利用试印刷的方式来进行设置，还有一种则是利用数据挖掘模型实现对smt产线印刷工艺参数的优化，但是这些方式存在有各种问题和不足，包括：对于生产过程涉及到的各类工艺参数分析不足，漏掉了一些影响锡膏印刷质量的重要参数、单一模型对印刷参数与质量之间的分析不足以及未充分分析印刷质量指标。进而导致相关质量预测模型及工艺参数优化准确性仍然不高。
4.因此，现在亟需一种能够更好的提高工艺参数优化和预测准确性的方式。


技术实现要素：

5.本技术实施例的主要目的在于提出一种smt印刷参数优化模型的训练、设备和存储介质，旨在提高smt产线印刷质量预测结果，以及提高工艺参数推荐准确性。
6.为实现上述目的，本技术实施例提供了一种smt印刷参数优化模型的训练方法，所述方法包括以下步骤：接收初始生产数据；根据所述初始生产数据进行影响因素重构，得到影响因素数据包；加载待训练优化模型；根据所述影响因素数据包对所述待训练优化模型进行训练，得到训练好的优化模型。
7.为实现上述目的，本技术实施例还提出了一种计算机设备，所述设备包括存储器以及处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如前述所述的smt印刷参数优化模型的训练方法的步骤。
8.为实现上述目的，本技术提供了一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述所述的smt印刷参数优化模型的训练方法的步骤。
9.本技术提出的smt印刷参数优化模型的训练、设备以及存储介质中，在进行训练时，首先对进行训练的训练样本数据进行影响因素的重构，具体地，通过特征交叉建立影响因素之间的关系，然后对构造的特征进行主成分分析，完成影响因素重构，以深度挖掘了影响因素，然后对不同的深度神经网络模型进行集成，以得到最终的优化模型。解决了单一固定模型预测效果不佳的问题，大幅提高了模型的预测和推荐的精度，最后通过精英保留遗传算法搜索出使得印刷质量最佳的工艺参数组合，具有更好的适用性。
附图说明
10.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
11.图1为本技术一实施例提供的一种smt印刷参数优化模型的训练方法的流程示意图；
12.图2为本技术一实施例提供的得到影响因素数据包的步骤的流程示意图；
13.图3为本技术另一实施例提供的得到影响因素数据包的步骤的流程示意图；
14.图4为本技术又一实施例提供的得到影响因素数据包的步骤的流程示意图；
15.图5为本技术一实施例提供的对待训练优化模型进行训练的步骤的流程示意图；
16.图6为本技术一实施例提供的进行迭代训练的步骤的流程示意图；
17.图7为本技术一实施例提供的得到训练好的优化模型的步骤的流程框图示意图；
18.图8为本技术一实施例提供的工艺参数预测和推荐的步骤的流程示意图；
19.图9为本技术一实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
21.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或分合并，因此实际执行的顺序有可能根据实际情况改变。
22.如图1所示，图1为本技术一实施例提供的一种smt印刷参数优化模型的训练方法的流程示意图，该方法包括以下步骤：
23.步骤s101、接收输入的初始生产数据。
24.smt是表面组装技术(表面贴装技术),英文全称为surface mount technology，是目前电子组装行业里最流行的一种技术和工艺。它是一种将无引脚或短引线表面组装元器件(简称smc/smd，中文称片状元器件)安装在印制电路板(printed circuit board，pcb)的表面或其它基板的表面上，通过回流焊或浸焊等方法加以焊接组装的电路装连技术。
25.而在进行表面组装时，并不是随意的进行的，需要根据实际的情况，包括产品的实际信息，来确定实际的组装或贴装方式，同时在进行贴装时如何设定贴装的参数也是非常有必要的，因此需要合理且正确的选择相关的工艺参数以实现对器件的表面贴装。
26.在一实施例中，为了更好的实现对元器件的贴装，需要更加正确的工艺参数，而为了在进行贴装时有更好的工艺参数，此时会预先构建和训练相关的模型，以使得根据实际的情况推荐出更加合适的工艺参数的组合。而在训练smt印刷参数优化模型时，首先接收所输入的初始生产数据，进而根据所得到的初始生产数据对需要进行训练的参数优化模型进行训练。
27.步骤s102、根据所述初始生产数据进行影响因素重构，得到重构后的影响因素数
据包。
28.在接收到所输入的初始生产数据之后，需要对初始生产数据进行处理，具体地，对所接收到的初始生成数据进行影响因素的重构，以得到重构的影响因素数据包。
29.实际上，在对smt印刷参数优化模型(以下简称为：优化模型)进行训练时，首先确定进行训练的训练样本，然后根据所得到的训练样本对需要进行训练的优化模型进行训练。具体地，首先会接收所输入的初始生产数据，然后对所接收到的初始生产数据进行影响因素的重构，以得到完成影响因素重构后的影响因素数据包。
30.示例性的，对于进行模型训练的而输入的初始生产数据包含有很多，具体包括人、机、料、法、环、测采集smt产线印刷阶段及spi检测所有可采集数据，然后再对所接收到的数据进行进一步的处理。
31.比如，以smt产线锡膏印刷工艺为例，在获取smt产线印刷阶段原始生产数据时，所得到的原始生产数据包括以下六类数据，分别为：时间批次数据、pcb板属性数据、工艺参数数据、小要素、印刷过程数据以及spi检测数据。其中，pcb板属性数据包含pcb板长、板宽以及板高；工艺参数数据指包括刮刀压力、刮刀速度、脱模速度、脱模距离、自动清洗计数以及清洗速度；小要素包括刮刀分离距离、刮刀分离速度、人工清洗计数、清洗选项、工作台印刷高度补偿、自动清洗以及手工清洗；印刷过程数据包括印刷时间、生产计数、刮刀计数、mask计数、mark_1x轴坐标、mark_1y轴坐标、mark_2x轴坐标、mark_2y轴坐标、工作分离延迟、起始偏移、结束偏移、向下偏移、清洗供给时间、擦纸等待距离、机器等待时间、锡膏使用计数、平均压力、最小压力、最大压力以及后刮刀计数；spi检测数据包括锡膏体积、面积。
32.需要说明的是，在接收到对优化模型进行训练的初始生产数据时，并不是直接使用所得到的初始生产数据进行训练，而是对初始生产数据进行影响因素重构。具体地，初始生产数据中记录着很多不同的对实际的smt印刷有影响的因素，同时这些因素的数量也是有很多的，若此时直接使用所有的数据进行模型的训练，会增加模型训练的负担，同时也会使得模型训练的效率极低，并且由于是单一的使用所有数据进行模型的训练，会使得模型过于单一，进而使得模型在进行工艺参数的推荐时，推荐准确性不高。因此在接收到初始生产数据之后会对初始生产数据进行影响因素重构，以充分考虑特征隐藏信息对模型的影响，使得训练之后的模型可以具有更高的预测准确率和推荐准确率。
33.参照图2，图2为本技术一实施例提供的得到影响因素数据包的步骤的流程示意图。
34.在一实施例中，在接收到所输入的初始生产数据之后，将会对初始生产数据进行影响因素的重构，因此如图2所示，具体的影响因素重构的步骤包括步骤s201至步骤s202。
35.步骤s201、对所述初始生产数据进行过滤筛选，得到不包含固定属性的原始数据集。
36.在得到初始生产数据之后，由于初始生产数据中所包含的所有数据并不一定是对smt印刷具有影响的数据，因此在接收到初始生产数据之后，将会对初始生产数据中所包含的所有特征/数据进行过滤筛选，以得到用来进行模型训练的原始数据集。
37.在一实施例中，在获取初始生产数据时，会存在部分并不会对实际的工艺产生影响的数据，比如某一类数据在所有的数据中的数值均为1(一固定的数值)，那显然这一类数据对于整体的smt印刷不会产生影响，因此需要将这一类数据过滤筛选掉。
38.示例性的，所得到的初始生产数据包括人、机、料、法、环、测采集smt产线印刷阶段及spi检测所有可采集数据，而在通过进行数据的过滤筛选之后所得到的原始数据集包含pcb板属性参数、印刷工艺参数、印刷过程参数数据以及spi检测数据等。而对于不是这些属性的数据或者说因素则可能是需要进行过滤筛选掉的数据。以smt产线锡膏印刷工艺为例，在获取了相关的初始生产数据之后，会进行相应的数据过滤和筛选，以将部分对smt工艺没有影响的特征因素剔除，进而得到包含有所有影响因素的原始数据集，而此时所得到的原始数据集可以如下表1所示：
39.表1
[0040][0041]
需要说明的是，在进行数据的筛选时，对于需要进行过滤掉的数据可以是人为进行筛选的，还可以是自动实现筛选的，比如，由于smt印刷时所有的数据都是数字化的，因此在进行筛选时可以通过设定相应的阈值来实现，进而通过所设定的阈值确定哪一或者哪些因素是可以被过滤和筛选掉的。具体地，在对初始生产数据进行过滤筛选时包括：
[0042]
确定初始生产数据所包含的特征，并确定特征的特征变化值；获取预设变化值，并根据特征变化值以及预设变化值对初始生产数据所包含的数据进行筛选；其中，将特征变化值小于预设变化值的第一特征删除；将特征变化值大于或者等于预设变化值的第二特征作为原始数据集。
[0043]
因此，在对初始生产数据进行过滤时，确定初始生产数据中所包含的特征，其中特征为一数据类别，然后对特征所对应的所有数值汇总分析，以确定各特征所对应的特征变化值，同时获取预先所设定的变化值，进而通过特征变化值与变化预设变化值的对比，以对初始生产数据进行过滤，同时确定哪一或者哪些特征/因素是需要被过滤掉的，其中，将特征变化值大小预设变化值的第一特征删除，而将特征变化值大于或者等于预设变化值的第二特征作为原始数据集，以利用所得到的原始数据集对优化模型进行训练。
[0044]
在确定某一特征所对应的特征变化值时，可以通过计算这一特征所对应的方差来确定，然后利用所设定的一个阈值确定是否为需要进行过滤和筛选掉的数据。而在通常情况下，为了保证模型训练的准确性，在对初始生产数据进行过滤时，是将完全一样的一类数据过滤掉，那么此时在设定预设变化值时，预设变化值为零。
[0045]
步骤s202、利用特征交叉以及主成分分析对所述原始数据集进行影响因素重构，得到重构的影响因素数据包。
[0046]
其中，特征交叉的主成分分析fi-pca用来对数据进行特征重构，同时在完成特征重构之后对重构后的特征的相关数据进行降维处理。
[0047]
在得到进行过滤筛选之后的原始数据集之后，利用特征交叉以及主成分分析实现对原始数据集进行影响因素的重构，具体地，首先进行特征交叉，然后在进行主成分分析以得到用于进行模型训练的影响因素数据包。
[0048]
在实际应用中，影响因素的重构的具体过程包括：首先对原始数据集进行数据规约，消除数据维度对影响因素重构的影响，然后将待优化工艺参数之外的影响因素与其他影响因素交叉，实现所有影响因素的特征交叉，完成影响因素之间交叉作用，接着对得到的新的影响因素进行主成分分析，以确定主成分，进而实现进行降维得到重构影响因素，最后将所得到的重构影响因素与待优化工艺参数合并，以得到smt产线印刷阶段影响因素数据包。
[0049]
参照图3，图3为本技术另一实施例提供的得到影响因素数据包的步骤的流程示意图。
[0050]
其中，该过程包括步骤s301至步骤s304。
[0051]
步骤s301、对所述原始数据集进行数据规约，得到规约后的原始数据集。
[0052]
在得到原始数据集时，由于原始数据集中所记录的数据是按照实际的数据所记录的，因此会存在数据值之间差异巨大的情况，这样除了会对影响因素的重构存在影响，还会对后续的模型训练有所影响，比如降低模型训练速度，因此合理的对数据进行处理，可以降低数据差异所带来的影响，同时还可以提升模型后续训练的效率。
[0053]
在对原始数据集中记录的数据进行规约时，实际上是对数据进行归一化处理，以将数据规约在区间(0，1)之间，以消除量纲对数据挖掘速度、模型收敛速度的影响。
[0054]
而进行归一化规约的计算公式具体如下：
[0055][0056]
其中，x
*
为进行归一化所得到的数值，x为一特征在进行归一化之前所对应的实际数值，x
max
为该类特征中的最大值，x
min
为该类特征中的最小值。
[0057]
步骤s302、确定所述待训练优化模型所对应的待优化工艺参数，并将规约后的所述原始数据集中所包含的待优化工艺参数剔除，得到第一数据集。
[0058]
在进行模型训练时所接收到的初始生产数据中包含有需要进行优化的工艺参数，而在进行模型训练时需要确定除了进行优化的工艺参数之外的其他参数对进行优化的工艺参数的影响，因此在进行数据规约之后，对于所得到的规约后的原始数据集，需要将其中所包含的待优化工艺参数提取出来，然后对不包含有待优化工艺参数的其他部分的特征数据进行处理。
[0059]
因此，在得到进行规约后的原始数据集的时候，确定当前进行训练的优化模型所对应的待优化工艺参数，然后将完成数据规约之后的原始数据集中所包含的与待优化工艺参数所对应的数据进行剔除，以得到第一数据集。
[0060]
示例性的，比如该优化模型在进行工艺参数优化和推荐时，工艺参数包括：刮刀压力、刮刀速度、脱模速度、脱模距离、自动清洗计数以及清洗速度，那么在对规约后的原始数据集进行数据的剔除时，将此六部分特征所对应的数据进行剔除，而完成数据剔除之后所
得到的数据集为第一数据集，以用于对待训练优化模型进行训练和优化。
[0061]
此时，在基于表1所得到的原始数据集进行归一化的数据规约处理以及将待优化工艺参数剔除之后，此时所得到的原始数据集可以如下表2所示：
[0062]
表2
[0063][0064][0065]
步骤s303、对所述第一数据集所包含的影响因素进行特征交叉相乘，以得到第二数据集。
[0066]
在完成对规约后的原始数据集进行数据剔除以得到第一数据集之后，将会对所得到的第一数据集中所包含的数据进行处理，具体地，在得到第一数据集时，对第一数据集中所包含的影响因素进行特征交叉相乘，进而在完成处理之后得到对应的第二数据集。
[0067]
在一实施例中，在得到第一数据集之后，采用特征交叉(feature intersection)对第一数据集中所包含的数据进行处理，其中特征交叉是通过对样本数据原有特征进行函数运算从而挖掘出原有特征之间的隐藏信息特征，而对于smt产线印刷阶段除工艺参数之外还有小要素、印刷过程参数等，这些参数特征之间物理逻辑关系不明，且数量巨大，通过特征交叉挖掘隐藏特征，让模型学习到更复杂的特征，从而提高算法精度。
[0068]
示例性的，在进行特征交叉时，是将特征与特征进行交叉以得到一个新的特征，其中特征交叉的实际计算公式如下：
[0069]
x
i,j
＝xi×
xj[0070]
其中，xi表示特征的第i个数据，xj为特征的第j个特征，x
i,j
为xi与xj进行积交互的结果。
[0071]
按照该方式对规约和数据剔除后的原始数据集进行特征交叉之后，得到对应的第二数据集，而此时所得到的第二数据集可以如下表3所示：
[0072]
表3
[0073]
012
……
2627280.040302-0.084990-0.117089
……
0.044920-0.0567450.0716830.002229-0.020112-0.027655
……
0.074670-0.0731610.0716830.008450-0.039640-0.054298
……
0.088712-0.0797440.071683
……………………………………
0.008414-0.040275-0.054863
……
0.044920-0.0567450.071683
[0074]
步骤s304、利用主成分分析对所述第二数据集中所包含的每一影响因素进行分析，得到影响因素数据包。
[0075]
主成分分析(principal component analysis，pca)是一种线性降维方法，该方法
能够有效消除特征之间的相关性并提升特征的表达能力。而在原有特征交叉后，虽然提取出了更多隐藏特征，但产生的交叉特征数量巨大，需要进行降维以少量互不相关特征替代原有特征，提高模型训练速度。
[0076]
因此，在完成对第一数据集的特征交叉之后，利用主成分分析对所得到的第二数据集进行分析处理，以在完成分析处理之后得到相应的影响因素数据包。具体地，在对第二数据集中所包含的每一影响因素进行分析时，确定每一影响因素对实际的smt工艺的影响程度，以在第二数据集中确定若干影响因素作为对smt工艺具有较大影响的重构影响因素，而在得到重构影响因素之后，将重构影响因素与待优化工艺参数以及特定参数组合以得到影响因素数据包。
[0077]
示例性的，特定参数包括锡膏体积和面积，因此此时所得到的影响因素数据包中所包含的特征或者参数包括：重构影响因素、待优化工艺参数(刮刀压力、刮刀速度、脱模速度、脱模距离、自动清洗计数以及清洗速度)以及锡膏体积和面积。
[0078]
参照图4，图4为本技术又一实施例提供的得到影响因素数据包的步骤的流程示意图。其中，在利用主成分分析对第二数据集进行分析处理以得到影响因素数据包时，包括：
[0079]
步骤s401、利用主成分分析计算得到所述第二数据集中每一影响因素所对应的特征值，并对所述特征值进行排序；
[0080]
步骤s402、根据从大到小的选择方式在排序后的所述特征值中选择若干特征值相加，并在相加得到的数值首次大于所设定的预设阈值时，确定进行相加的特征值所对应的特征为重构影响因素；
[0081]
步骤s403、将所述重构影响因素与所述待优化工艺参数进行合并，得到影响因素数据包。
[0082]
在利用主成分分析对第二数据集进行分析处理时，首先根据主成分分析计算得到第二数据集中每一影响因素所对应的特征值，其中第二数据集中的每一影响因素均未重构后的影响因素，并对所得到的特征值进行排序，如从大到小或者从小到大的排序，而在完成排序之后，按照从大到小的选择方式对特征值进行选择以及相加，同时将相加所得到的数值与预设阈值进行对比，以在第二数据集中得到相对应的重构影响因素，最后在得到重构影响因素之后，将重构影响因数与待优化工艺参数进行合并组合，以得到影响因素数据包。
[0083]
在实际应用中，不同的影响因素对实际的smt工艺的影响程度不同，而特征交叉是对影响因素进行更深层次的提取，通过对隐藏特征的挖掘提高模型训练更加准确。而在完成特征交叉之后，由于交叉之后数据量的庞大，使得需要进行相应的处理，比如进行降维处理，以提取得到更加具有特征的部分数据作为模型训练的输入数据。
[0084]
对于所得到第二数据集中的每一影响因素，都是对模型具有一定的影响的，但是影响程度的高低是有所不同的，特征交叉是为了提高模型训练的准确性，而为了保证模型训练的效率，使得并不能将所有的进行特征交叉所得到的数据作为模型训练的输入，因此需要对第二数据集中所包含的所有影响因素进行进一步的判断，以选择更加合适的影响因素作为模型训练的输入。
[0085]
在计算第二数据集中每一影响因素所对应的特征值时，也就是确定每一影响因素对在smt工艺中对实工艺的影响程度，而特征值越大说明影响越大，因此在计算得到每一影响因素所对应的特征值时，通过对特征值进行排序，然后进行选择以得到重构影响因素。在
对影响因素进行选择时，根据实际的特征值的大小从大到小进行选择，同时将所得到的特征值求和得到求和结果，进而根据所得到的求和值选择相应的影响因素作为重构影响因素。
[0086]
示例性的，在利用主成分分析对第二数据进行处理时，具体地处理过程如下：
[0087]
在得到第二数据集z＝{z1,z2,
…
,z
p
}时，对第二数据集进行中心化处理，以消除特征之间量纲不同带来的影响，而中心化公式如下所示：
[0088][0089][0090]
其中，x为进行第二数据集中心化之后的数据集，为数据集中所包含数据的平均值。
[0091]
在完成对第二数据集的中心化之后，计算中心化所得到的数据集x的协方差矩阵，而协方差矩阵的计算公式如下所示：
[0092]
而在得到协方差矩阵之后对协方差矩阵进行特征值分解，并将所有特征值从大到小降序排列，记为{λ1,λ2,
…
,λ
p
}，对应的特征向量为{ω1,ω2,
…
,ω
p
}，其中λ为特征值，ω为特征向量，然后选择前d大的特征值所对应的特征向量进行映射，将p维数据映射为d维数据，具体地映射方式如式下所示：
[0093][0094]
式中，表示映射之后的数据。
[0095]
且参数d是通过信息占比确定的，且信息占比的计算方式如式下所示：
[0096][0097]
其中，η为信息占比。
[0098]
步骤s103、加载待训练优化模型。
[0099]
在一实施例中，在构建待训练优化模型时，所构建的待训练优化模型为具有多输出的深度神经网络模型，而在待训练优化模型训练完成时，是对多输出深度神经网络隐藏层节点数及激活函数进行优化，最终得到多组优化后的多输出深度神经网络预测模型。
[0100]
其中，深度神经网络是一种全连接神经网络，主要由输入层、隐藏层以及输出层构成，比传统的机器学习模型对海量数据有更好的拟合能力及预测效果。深度神经网络的隐藏层节点及激活函数往往是根据经验公式设定，而隐藏层节点以及激活函数的不同组合会影响深度神经网络的准确性。需要说明的是，在对于所加载的待训练优化模型，除了可以是基于深度神经网络所构建的多输出深度神经网络模型，还可以是基于其他结构的网络模型所构建。
[0101]
实际上，待训练优化模型是用于对smt印刷工艺中需要使用的相关的工艺参数进行预测和推荐的模型，同时还可以对所输入的不同的工艺参数的组合进行质量好坏的判断。对于所构建的待训练的优化模型是基于深度神经网络所得到的，在构建完成之后对模
型的训练和优化，在多节点的待训练优化模型中选择若干较优的节点进行集成，以得到训练好的优化模型。
[0102]
步骤s104、根据所述影响因素数据包对所述待训练优化模型进行训练，得到训练好的优化模型。
[0103]
在加载了待训练优化模型之后，利用预先进行处理所得到的影响因素数据包对待训练优化模型进行训练和优化，最后在确定训练后的待训练优化模型收敛时对收敛的优化模型进行记录和存储，也就是在确定收敛时得到训练好的优化模型。
[0104]
在一实施例中，在对待训练优化模型进行训练时是采用精英保留遗传算法来实现模型的训练和优化的。遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。精英保留遗传算法对传统遗传算法进行了改进，把群体在进化过程中迄今出现的最好个体，即精英个体，不进行配对交叉而直接复制到下一代中，并将新一代群体中适应度值最小的个体淘汰掉，从而加快全局收敛以求得最佳解。
[0105]
参照图5，图5为本技术一实施例提供的对待训练优化模型进行训练的步骤的流程示意图，其中该步骤包括步骤s501至步骤s502。
[0106]
步骤s501、初始化所述待训练优化模型，并得到对应的初始化参数，以及根据预设的编码方式对所述影响因素数据包进行编码，得到编码数据；
[0107]
步骤s502、根据所述编码数据对所述初始化后的待训练优化模型进行若干次迭代训练，以对所述初始化参数进行调节，并在确定收敛时得到训练好的优化模型。
[0108]
在对待训练优化模型进行训练和优化时，是使用精英保留遗传算法的方式对待训练优化模型中的模型参数或者参数信息进行优化处理，进而在收敛时完成对模型的训练和优化，以得到训练优化后的优化模型，进而以供使用者进行使用。
[0109]
而在进行模型的优化和训练时，首先对待训练优化模型进行初始化，也就是对模型的相关参数和参数信息进行初始化，同时在初始化的时候记录相应的初始化参数，其中初始化参数也就是模型的相关参数信息，而在进行模型初始化的时候，还会根据预设的编码方式对所得到的影响因素数据包中所包含的数据进行编码处理，以得到对应的编码数据，接着利用所得到的编码数据对待训练的优化模型进行训练和优化，以实现对初始化参数进行调节，最后在确定收敛时得到训练好的优化模型并进行存储和记录。
[0110]
在一实施例中，在对待训练的优化模型进行训练时是利用精英保留遗传算法来实现的，因此在进行实际的训练时进行了若干次的迭代训练，而每一次的训练都会模型的相关参数进行调节和优化。
[0111]
参照图6，图6为本技术一实施例提供的进行迭代训练的步骤的流程示意图。其中该步骤包括步骤s601至步骤s603。
[0112]
步骤s601、将所述编码数据输入至所述初始化后的待训练优化模型中，以对初始化后的待训练优化模型进行第一次训练，并得到第一次训练后的第一中间参数；
[0113]
步骤s602、基于所述第一中间参数对所述待训练优化模型进行调节，得到第一中间待训练优化模型；
[0114]
步骤s603、将所述编码数据输入至所述第一中间待训练优化模型中，以对所述待训练优化模型进行第二次训练，并得到第二次训练后的第二中间参数，以此类推以对所述
待训练优化模型进行若干次训练。
[0115]
在进行迭代训练时，是根据影响因素数据包对待训练优化模型的初始参数进行调节和优化，具体地，在得到影响因素数据包所对应的编码数据之后，将编码数据输入至初始化后的待训练优化模型中，以对初始化后的优化模型进行第一次训练，同时在完成第一次训练时得到第一次训练后的第一中间参数，并且根据第一中间参数对待训练优化模型进行调节，得到第一中间待训练优化模型，接着再将编码数据输入至第一中间待训练优化模型中，以对待训练优化模型进行第二次训练，以此类推以完成对待训练优化模型进行若干次训练。
[0116]
在对待训练优化模型进行训练时，在收敛时确定训练完成，而收敛的判断条件可以有多种，比如设定若干次训练次数，再比如模型中的某一或者某些参数满足预设条件。
[0117]
而在完成对模型的训练时，将会记录所得到的训练完成时的优化模型，具体地，参照图7，在得到并存储训练好的优化模型时包括：
[0118]
步骤s701、在确定收敛时对每次训练所得到的目标函数值进行排序，以根据从大到小的选择方式在排序后的目标函数值中选择n个目标函数值，其中将所述编码数据输入至所述待训练优化模型中得到所述目标函数值，且每一次训练均输出一目标函数值；
[0119]
步骤s702、确定所述n个目标函数值所对应的n组参数信息，其中参数信息包括隐藏层网络节点数以及对应的激活函数；
[0120]
步骤s703、将所述n组参数信息输入至所述待训练优化模型中的n个子模型中，并将所述n个子模型进行集成，得到训练好的优化模型，以将训练好的优化模型进行存储。
[0121]
在得到训练好的优化模型时，所得到的优化模型是一个具有多输出的神经网络模型，因此在确定收敛时，对每次训练时所得到的目标函数值进行排序，然后根据从大到小的方式在排序后的目标函数值中选择n个目标函数值，进而确定所选择的n个目标函数值所对应的参数信息，其中参数信息包括隐藏层网络节点数以及隐藏层所对应的激活函数，最后根据所得到的n组参数信息确定优化模型中的n个子模型，并对所确定的n个子模型进行集成以得到训练好的优化模型。
[0122]
示例性的，在进行初始化时，设置精英保留遗传算法编码方式为ri(实数编码)，同时也可以使用二进制编码以及格雷编码，根据实际的使用需求所确定，同时设置种群规模为200，优化训练的最大迭代次数为300，变异概率为0.05，交叉概率为0.95，隐藏层1和2的节点数目寻优区间为[10,128]，激活函数寻优空间为[relu,sigmoid,tanh]。
[0123]
在一实施例中，在上述的目标函数的获取时，首先需要确定目标函数的计算方式，进而根据相关数据信息计算得到每次训练时所对应的目标函数值。其中目标函数可以如下：
[0124][0125]
其中，y
area,i
为锡膏体积的真实值、y
vol,i
为锡膏的面积真实值，为体积的样本预测值，为面积的样本预测值，m为样本数量。
[0126]
例如，在完成300此的迭代训练时，会得到300个目标函数值，同时每一个目标函数
值会对应一个参数信息，然后对所得到的300个目标函数值按照大小进行排序，进而在排序完成之后从大到小选择5个目标函数值，以及确定该5个目标函数值所对应的隐藏层网络几点书以及对应的激活函数，其中目标函数值的数量选择根据实际的需求所确定，在此设定n为5。而在完成排序和选择时，所得到的深度神经网络结构以及目标函数值可以如下表4所示：
[0127]
表4
[0128]
隐藏层1节点数量隐藏层2节点数量激活函数1激活函数2预测误差36112200.130811768200.132535126200.140265110200.144236109200.1465
[0129]
其中，激活函数中0代表的激活函数为relu，1代表sigmoid，2代表tanh，预测误差为平均相对百分比误差。在得到如上表所示的参数信息之后，将会根据该参数信息对模型进行调节，以得到5个深度神经网络模型，然后对所得到的5个深度神经网络模型进行集成，以得到最终的优化模型。而在进行模型集成时，对所得到的5个神经网络模型进行stacking堆栈集成，进而得到集成深度神经网络的优化模型。
[0130]
在一实施例中，参照图8，图8为本技术一实施例提供的工艺参数预测和推荐的步骤的流程示意图。其中该步骤包括：步骤s801至步骤s804。
[0131]
步骤s801、当接收到参数优化指令时，加载训练好的优化模型，并接收输入的待分析工艺参数；
[0132]
步骤s802、将所述待分析工艺参数输入至所述优化模型中，计算得到基于所述待分析工艺参数所得到的函数值；
[0133]
步骤s803、当所述函数值大于预设阈值时，根据所述优化模型输出预测工艺参数。
[0134]
在模型训练和优化完成之后，所存储的优化模型可以用来对参数质量进行质量预测以及工艺参数的推荐。
[0135]
在接收到参数优化指令时，加载训练好的优化模型，同时接收所输入的待分析工艺参数，然后将所接收到的待分析工艺参数输入到所加载的优化模型中，以计算得到该待分析工艺参数所对应的函数值，进而将所得到的函数值与预设的阈值进行对比，以确定该待分析工艺参数是否合格，其中在确定所得到的函数值大于所设定的预设阈值时，说明此时所接收到的待分析工艺参数不是合格的工艺参数组合，此时将会根据所加载的优化模型输出预测工艺参数，以得到更加合理的工艺参数组合，而在确定所得到的函数值小于或者等于预设阈值时确定工艺参数的设定合格，此时则会输出合格的提示信息。
[0136]
在一实施例中，在模型完成训练之后被使用的时候，在模型中设定一个新的目标函数，其中新的目标函数为：
[0137]
g(
·
)＝|vol-100|+|area-100|
[0138]
其中，vol表示体积，area代表面积，100为完美体积及面积，|
·
|代表绝对值。
[0139]
在接收到输入的待分析工艺参数之后，将会输出模型预测的体积和面积，然后带入到该目标函数中，以确定当前所接收到的待分析工艺参数是否合格。在确定合格时直接
输出合格的指令信息，而在确定不合格时将会进行工艺参数的预测。而在进行工艺参数的预测和推荐时，设置待优化工艺参数寻优区间，通过精英保留遗传算法对目标函数进行优化，求取最优解，得到推荐工艺参数组合进行推荐和反馈。
[0140]
示例性的，在进行工艺参数组合的推荐时，进行推荐的若干组推荐工艺参数组合如下表5所示：
[0141]
表5
[0142]
刮刀压力刮刀速度脱模速度脱模距离自动清洗计数清洗速度目标函数5.3463.212.401.131243.040.19311.8550.702.930.133036.682.5948.4847.642.950.132733.553.002
[0143]
由上表可见，根据目标函数值可以确定，在工艺参数刮刀压力为5.34、刮刀速度为63.21、脱模速度为2.40、自动清洗速度为12以及清洗速度为43.04时，具有更好的效果，也就是该组合所对应的工艺参数为此时的最优工艺参数组合。
[0144]
在上述描述的smt印刷参数优化模型的训练方法、设备以及存储介质中，在进行训练时，首先对进行训练的训练样本数据进行影响因素的重构，具体地，通过特征交叉建立影响因素之间的关系，然后对构造的特征进行主成分分析，完成影响因素重构，以深度挖掘了影响因素，然后对不同的深度神经网络模型进行集成，以得到最终的优化模型。解决了单一固定模型预测效果不佳的问题，大幅提高了模型的精度，最后通过精英保留遗传算法搜索出使得印刷质量最佳的工艺参数组合，具有更好的适用性。
[0145]
参照图9，图9为本技术一实施例提供的一种计算机设备的结构示意性框图。
[0146]
示例性的，该设备可以为平板电脑、笔记本或者台式机等。
[0147]
该设备还包括处理器、存储器，所述存储器用于存储计算机程序。
[0148]
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现本技术实施例提供的任一项所述的smt印刷参数优化模型的训练方法。
[0149]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0150]
本技术的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，使所述处理器实现本技术实施例提供的任一项所述的smt印刷参数优化模型的训练方法。
[0151]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件
可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
[0152]
如本领域普通技术人员公知的，术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0153]
示例性的，所述计算机可读存储介质可以是前述实施例所述的电子设备的内部存储单元，例如所述电子设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0154]
前述各实施例提供的电子设备和计算机可读存储介质，通过在用户输入信息时，在显示屏上不同的显示区域显示至少两个虚拟键盘，使得可以通过至少两个虚拟键盘输入信息；提高恶意软件通过监听传感器的状态推测输入信息的难度，增强了信息输入的安全性。
[0155]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。