基于机器学习算法的PCB电镀参数预测方法、设备和介质与流程

本发明涉及人工智能，尤其涉及一种基于机器学习算法的pcb电镀参数预测方法、设备和介质。

背景技术：

1、pcb(printed circuit board，印制电镀板)是重要的电子部件，是电子元器件的支撑体，是电子元器件电气相互连接的载体。

2、在pcb上，铜用来互连基板上的元器件，尽管铜是形成印制电镀板导电路径板面图形的一种良好的导体材料，但如果长时间的暴露在空气中，也很容易由于氧化而失去光泽，由于遭受腐蚀而失去焊接性，可以通过电镀工艺保护铜印制线、导通孔和镀通孔。

3、在电镀工序中，可以通过调整pcb电镀参数的方式，可以控制电镀效果。。以pcb电镀参数中的电镀电流密度参数为例，当前行业内主要通过数学模型或者doe方法输出电镀电流密度参数。

4、其中，数学模型方法通过挖掘影响电镀电流密度参数大小的影响因子，例如：板厚、孔径、纵横比、铜厚要求等，应用多元线性回归分析方法建立电流密度预测模型。模型预测值在电镀铜厚理想值误差±2.8asf。根据电镀过程中的法拉第定律可知，使用1asf的直流电流密度在1ft2面积的铜面pcb上电镀1h，当电镀效率为95％时，输出的电镀厚度为1.36μm。根据法拉第定律可知，1.36μm/asf*2.8asf＝3.8μm。±3.8μm内的良率为86.5％。其中，电镀铜厚误差是指实际电镀面铜厚度或孔铜厚度，与客户要求最小值之间的相差值。在电镀成品满足客户要求最小值及控制生产成本的综合条件下，为使模型预测误差为-3.8μm的产品达到客户要求最小值，需将模型预测值统一增加3.8μm，即将模型预测值分布图整体向右平移3.8μm，当预测值符合正态分布时，在+3.8μm范围内的占比为43.3％，预测值小于客户要求最小值的占比为6.75％，所以电镀铜厚满足客户要求最小值的良率约为93％。

5、doe方法通过对设定的波形类型根据板厚、孔径2个影响因子进行试验设计，收集试验数据并基于法拉第定律输出各波形类型的电镀效率，生产过程中工艺工程师依据电镀厚度要求、电镀时间参数、波形的电镀效率推出预估电镀电流密度参数。doe方法输出电镀电流密度参数生产的电镀厚度满足客户要求最低值的良率为93％，在+3.8μm范围内的占比约为60％。

6、本技术发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：

7、数学模型方法的线性回归模型因其构建的影响因子与因变量之间的关系均为线性关系，但是，实际上影响因子与因变量之间更多的时候表现为非线性的关系，所以数学模型方法虽然能够实现电镀参数输出的自动化，但无法同时满足提升生产品质良率与降低生产成本的需求。

8、doe方法的法拉第定律，是假定在理想环境下，1asf在单元面积的板子电镀单位时间，所得到的铜质量，根据铜质量、铜密度、板子面积推算出电镀厚度。而在实际情况中，在经过钻孔工序后，在电镀工序时，pcb产品不仅有面铜还有孔铜，孔径大小以及孔数多少会影响电镀效率，因而仅仅根据法拉第定律输出电镀电流密度参数存在一定误差。虽然，对比数学模型方法，doe方法在降低生产成本上有优势，但电流密度参数输出的自动化程度低，完全依赖工艺工程师的经验，受人的主观因素影响较大，导致生产品质良率不稳定。

9、综上，现有pcb电镀参数预测方法无法满足实际生产需求。

技术实现思路

1、本发明实施例提供一种基于机器学习算法的pcb电镀参数预测方法、设备和介质，解决了现有pcb电镀参数预测方法无法满足实际生产需求的问题。

2、本发明实施例一方面提供了一种基于机器学习算法的pcb电镀参数预测方法，应用于一基于机器学习算法的pcb电镀参数预测系统，所述基于机器学习算法的pcb电镀参数预测系统具有一最佳pcb电镀参数预测模型，所述最佳pcb电镀参数预测模型采用lightgbm算法和gridsearch方法训练生成，所述方法包括：获得待电镀产品的电镀工序特征数据；将所述电镀工序特征数据输入至所述最佳pcb电镀参数预测模型，获得pcb电镀参数预测值。

3、可选的，在所述获得待电镀产品的电镀工序特征数据之前，还包括：将pcb历史电镀数据集分为训练集和测试集，所述pcb历史电镀数据集具有pcb历史电镀工序特征数据和理想pcb电镀参数；采用所述lightgbm算法对所述训练集进行模型训练，生成一pcb电镀参数预测模型；通过所述测试集验证所述pcb电镀参数预测模型；采用所述gridsearch方法，将所述训练集分为子训练集和验证集，输出模型最佳参数；基于所述模型最佳参数和所述pcb电镀参数预测模型，获得最佳pcb电镀参数预测模型。

4、可选的，所述采用所述gridsearch方法，将所述训练集分为子训练集和验证集，输出模型最佳参数，具体包括：采用gridsearch方法，将所述训练集进行k折划分，k-1份为子训练集，1份为验证集，k为大于等于2的正整数；设置各个模型参数的候选参数值集合，将所述子训练集输入所述pcb电镀参数预测模型；通过k次循环训练，将所述验证集中rmse均值最小的候选参数值集合作为模型最佳参数。

5、可选的，在所述将pcb历史电镀数据集分为训练集和测试集之前，还包括：获取pcb历史电镀工序特征数据；基于所述pcb历史电镀工序特征数据，计算出所述理想pcb电镀参数；基于所述pcb历史电镀工序特征数据和所述理想pcb电镀参数，获得所述pcb历史电镀数据集。

6、可选的，所述理想电镀参数具体为：理想电镀时间、理想电镀波形配比、理想电镀电流密度中的至少一种。

7、可选的，在所述获取pcb历史电镀工序特征数据之后，还包括：对所述pcb历史电镀工序特征数据进行去噪处理。

8、可选的，在所述获得pcb电镀参数预测值之后，还包括：将所述pcb电镀参数预测值发送至mes，以控制电镀工序。

9、可选的，在所述获得最佳pcb电镀参数预测模型之后，还包括：定时更新所述最佳pcb电镀参数预测模型。

10、另一方面，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例中基于机器学习算法的pcb电镀参数预测方法的步骤。

11、本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施例中基于机器学习算法的pcb电镀参数预测方法的步骤。

12、本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

13、一种基于机器学习算法的pcb电镀参数预测方法，应用于一基于机器学习算法的pcb电镀参数预测系统，所述基于机器学习算法的pcb电镀参数预测系统具有一最佳pcb电镀参数预测模型，所述最佳pcb电镀参数预测模型采用lightgbm算法和gridsearch方法训练生成，所述方法包括：获得待电镀产品的电镀工序特征数据；将所述电镀工序特征数据输入至所述最佳pcb电镀参数预测模型，获得pcb电镀参数预测值。本技术能够自动输出pcb电镀参数预测值，无需依赖于工程师的经验，不受主观因素影响；本技术的lightgbm算法使用的底层算法为决策树，决策树为非线性算法，能够充分考虑到影响pcb电镀参数的影响因子与因变量之间的非线性关系，能够提高预测准确性，进而提升满足客户电镀厚度最小要求值的电镀一次良率。具体地，数学模型方法和doe方法的电镀一次良率为93％，本技术可将电镀一次良率提升至99％以上，对比提升6％；本技术的lightgbm算法使用的数据量可以涉及多种类型的产品，能够全面考虑各种类型的产品，通过提高电镀厚度+3.8μm范围内的良率，进而降低电镀经济成本。具体地，数学模型方法和doe方法的+3.8μm范围内的良率分别为43.3％和60％，本技术可将+3.8μm范围内的良率提升至79％，对比分别提升25.7％和19％。

14、进一步，在所述获得待电镀产品的电镀工序特征数据之前，还包括：将pcb历史电镀数据集分为训练集和测试集，所述pcb历史电镀数据集具有pcb历史电镀工序特征数据和理想pcb电镀参数；采用所述lightgbm算法对所述训练集进行模型训练，生成一pcb电镀参数预测模型；通过所述测试集验证所述pcb电镀参数预测模型；采用所述gridsearch方法，将所述训练集分为子训练集和验证集，输出模型最佳参数；基于所述模型最佳参数和所述pcb电镀参数预测模型，获得最佳pcb电镀参数预测模型。能够在电镀工序之前，预先训练生成最佳pcb电镀参数预测模型，提高预测效率。

15、再进一步，所述采用所述gridsearch方法，将所述训练集分为子训练集和验证集，输出模型最佳参数，具体包括：采用gridsearch方法，将所述训练集进行k折划分，k-1份为子训练集，1份为验证集，k为大于等于2的正整数；设置各个模型参数的候选参数值集合，将所述子训练集输入所述pcb电镀参数预测模型；通过k次循环训练，将所述验证集中rmse均值最小的候选参数值集合作为模型最佳参数。通过将训练集拆分为子训练集和验证集，可用于评估整体误差。

16、又进一步，在所述将pcb历史电镀数据集分为训练集和测试集之前，还包括：获取pcb历史电镀工序特征数据；基于所述pcb历史电镀工序特征数据，计算出所述理想pcb电镀参数；基于所述pcb历史电镀工序特征数据和所述理想pcb电镀参数，获得所述pcb历史电镀数据集。能够对pcb历史电镀数据进行处理，方便获得用于训练生成最佳pcb电镀参数预测模型的数据集。

17、还进一步，所述理想电镀参数具体为：理想电镀时间、理想电镀波形配比、理想电镀电流密度中的至少一种。能够考虑多种电镀参数，便于对电镀工序进行精细化控制。

18、更进一步，在所述获取pcb历史电镀工序特征数据之后，还包括：对所述pcb历史电镀工序特征数据进行去噪处理。能够去除噪声，还原pcb历史电镀工序特征数据，进而提升最佳pcb电镀参数预测模型的预测准确性。

19、再进一步，在所述获得pcb电镀参数预测值之后，还包括：将所述pcb电镀参数预测值发送至mes，以控制电镀工序。pcb电镀参数预测值既可以在本地生成，也可以在云端生成，可以根据实际需求将云端的pcb电镀参数预测值发送至mes，将pcb电镀参数预测值用在实际生产制造过程。

20、又进一步，在所述获得最佳pcb电镀参数预测模型之后，还包括：定时更新所述最佳pcb电镀参数预测模型。可以有效利用最新数据更新pcb电镀参数预测模型，令最佳pcb电镀参数预测模型预测的电镀一次良率更贴合实际情况、更稳定；定时更新，能够降低更新频次，减小对电镀工艺的不良影响。