SMT大數據的產品質量預測辦法和實現研究

張雪 王曉燕

摘要：近些年，表面貼裝技術（SMT）的自動化、信息化水平有很大提升，生產出的產品性能更優異。SMT生產工藝復雜，各道工序實施階段均可能出現質量缺陷，若在生產線上不能盡早地洞察、處理這些缺陷，則很可能降低產品質量，嚴重時會造成整塊印制板報廢，增加產品的生產費用。文章從大數據技術角度預測基于SMT下錫膏印刷過程的產品質量，預測階段設定了時間窗口，動態更新數據，最后創建了時間序列數據包，較明顯地提升了模型預測的正確率。

關鍵詞：表面貼裝技術;大數據;產品質量;質量預測;時間窗口;預測方法

中圖分類號：TS807? ? ? ? ? ? ? ? 文獻標識碼：A

在多種先進科技的推動下，移動互聯網時代到來，電子信息產業在社會經濟發展中具有較高地位。我國是全球電子消費與生產量最大的國家，在20世紀80年代就研發出表面貼裝技術——SMT，該項技術引領著電子產品生產模式的創新[1]。SMT工藝精細、復雜，多種因素影響著具體生產過程，制造成本偏高，急需應用先進方法管控SMT工藝各環節的質量，尤其是錫膏印刷過程。本文采用SMT大數據技術預測SMT生產線錫膏印刷工序的質量。

1? SMT介紹

1.1? 工藝流程

錫膏印刷、元件貼裝及回流焊是SMT的主要工藝構成。圖1是錫膏印刷過程，在鋼網借用刮刀促使錫膏位置發生偏移并穿行鋼網表面，將其整合至鋼網開孔內，放開鋼網后，在制印電路板（PCB）的焊盤上完成印刷，隨后在貼片機的幫襯下把元件安置于預定部位，在以上過程中要保證其引腳與PCB的焊盤形成一一對應的關系，最后把PCB導送到回流爐中進行焊接處理，打造出結構穩定的錫膏銜接，并且保留了原始的機械及電子屬性[2]。

1.2? SMT優點

1.2.1? 組裝密度大

SMT制造出的電子產品和傳統工藝制造的產品做比較，質量減小超過75%，尺寸減小約60%，主要是片狀元器件的規格尺寸與質量明顯減小的緣故。

1.2.2? 可靠性高

采用SMT制造的電子產品，能使片狀元器件具備形體微小、質量小等特征，貼裝操作自動化達到較高水平，這也是制造出的產品抗震性能好的主要原因之一，兩者之間形成了較強大的黏合力，整板的不良品率為2%～3%。

1.2.3? 高頻特性好

基于多芯片模塊（MCM）工藝生產制造的通用微型計算機的時頻最高能達到100 MHz，能壓縮2～3倍因寄生電抗形成的冗余功率損耗。

1.2.4? 為實現自動化生產創造便利性

若采用當下的通孔技術，能實現PCB安裝過程的全自動化，杜絕安裝時發生磕碰等狀況，且聯合使用了真空吸放器件，能進一步提升元器件安置的緊湊性。

2? SMT產品質量預測模型

2.1? 預測分析SMT產品質量的流程

從宏觀層面分析，SMT產品質量預測模型流程主要由關鍵數據收集、特征設定、再建特點、設計數據包、信息預處理、設定算法、建設健全模型組成。

2.2? SMT工程特征及構建數據包

2.2.1? 基于時序特征重構SMT質量預測特征

裝配制造行業內很多產品的生產線工序繁雜，不同工序之間實現串行生產，或者并行生產，或者串并行混合式生產。SMT是經典的高精度式串行生產線，環環緊扣，最后生產的產品質量是不同工序綜合作用的結果。時變性與非線性是生產制造過程的主要特征。生產過程是繁雜動態改變的過程，應分析不同因素之間形成的交互性。

排除突發性的不可調控因素之外，其余很多因素很難被定量分析，收集有關數據時存在較大難度。為規避該部分信息缺失的情況，本文歷經系統化分析后，提出把 t-1時刻對應質量屬性值作為 t時刻產品的一個輸入特征，利用其彌補信息缺失的漏洞，使其符合制造行業產品生產特征[3]。

2.2.2? 建設SMT預測模型數據包

本文所提及的“數據包”，被定義為在大量數據下，深度解讀數據后，采用部分特征或者字段對初始數據進行切割、分離處理，在形成的不同類型數據包上建出數個模型形成的集合體。鑒于SMT生產線上具備很多有代表性的數批次、少量制造的特征，PCB變動范疇較大，PCB現實加工中材料受力、形變等均對其加工過程造成一定影響，故而在維持封裝、鋼網及刮刀所屬類別等因素恒定的工況下，參照PCB細化數據包具有很大現實意義。

本文建立以時間序列特征為基礎的質量預測模型，通過持續聚集既往數據，持續更新模型。一旦有大批量數據被整合至模型內，勢必會對其精確度形成不良影響，復雜度也會有所增大。為應對以上情況，對數據規劃設置時間窗口，聯合使用滾動有限階段完善策略，為線上自適應動態預測產品制造質量提供更強大的支撐，可以理解成保持合理性較強的數據樣本數M，規劃移動序列數據窗口（嵌進維度為T），按照一定次序取用剛印刷完的PCB上的數據，將前一個數據包內時間截部分數據樣本取而代之，產出一個新的時間窗口，借此方式達到動態化更新時間序列數據包，更替產品質量預測模型，進而更為精準地預測下一個PCB的質量屬性。

2.2.3? 數據預處理

Z-Score標準化是數據挖掘階段常用方法之一，可采用下式表示：

式中，? ?、? ?分別是數據集的均值、方差。本課題應用Z-Score標準化，一方面能順利解除不同量綱之間的差別，把數據映射到[0，1]區間內;另一方面考慮特征分布不同形成的影響，確保各個特征均服從標準正態分布[4]。

2.3? 基于RBF神經網絡的SMT質量預測模型

2.3.1? RBF神經網絡算法原理

神經網絡即人工神經網絡（ANN），由大批量和生物神經元有較高相似度的處理單元銜接后形成。感知器網絡是神經網絡內最簡單的模型。

徑向基函數（RBF）神經網絡的基本思想可以做出如下表述：基于徑向基函數建設隱含層，輸出層針對輸出的神經元進行線性整合。

2.3.2? 建設SMT產品質量預測模型

（1）利用R編輯RBF神經網絡的學習程序;

（2）將SMT質量預測實驗數據輸入其中，并參照該數據創設合理性較高的SMT質量預測，設置的參數有ANN隱含層的激活函數、神經元數目、神經元的中心位點等[5];

（3）利用事前訓練好的預測模型預測試樣的錫膏印刷體積，比較預測結果和實測值，測算出預測均值、方差及誤差，在此基礎上測評預測模型的精度。

3? 模型的實現和驗證

3.1? SMT生產工藝與數據資源

3.1.1? 生產工藝

某企業的SMT生產線共計設置了9個工位，各工位均配置了數字化生產裝置，能錄入與存儲產品制造生產中形成的數據。

3.1.2? 數據資源

本文選用企業SMT產品內Q1封裝型焊盤進行分析，收集數據周期的時間窗口設定為一個月，收集到的原始數據高達295 910條，數據資源囊括了原料預備與鋼網檢測16個原料特征參數，錫膏印刷工位涉及印刷、制造環境及過程狀態參數，分別有15個、2個、10個，Serial Peripheral Interface（SPI）檢測工位有3個焊盤檢測參數囊括其中。

3.2? 大數據特征工程與數據預處理

3.2.1? 特征工程

首先，分析STM質量預測模式應用情景的特殊性，形成的預測結果能為改進、完善工藝參數提供可靠支持，故而采用過濾式法內的間距有關系數，彈性網絡挑選和焊盤體積有關的部分影響因素[6]。

其次，由于工程內不同因素通常會形成非線性關系，間距相關系數能較為精確的測量因素之間的相關性程度，攻擊包括了73個初始特征，歷經機理分析過程剔除了53個不相關特征后，測算出特征和目標屬性之間的間距相關系數。比如，刮刀分離速度、距離的相關系數分別為0.088 926 94、0.101 671 11;刮刀平均、最小及最大壓力的間距相關系數分別為0.102 040 78、0.176 742 07、0.150 448 02。經比較分析后，發現工業生產中現實數據相關性系數和理論值之間存在較大差距，故而最后決定選用相關系數大于0.15的特征作為本課題研究的關鍵特征。

再者，采用彈性網絡建設回歸模型，測算出各個特征的相關系數。在彈性網絡模型下，各個特征重要程度的可視化呈現情況為：線段越臨近x軸提示重要性越低，反之越高[7]。

伴隨特征的減少，相對誤差呈現出先減后增的趨勢，本文選用了最小相對誤差下的特征組合，具體情況見表1。

最后，基于時間序列重建特征。歷經簡化處理的數據集樣本量為1 771條，將 t-1時刻焊盤體積作為 t時刻產品的一個新特征，創建質量特征分析的時間序列數據包。

3.2.2? 數據預處理

采用Z-score標準化公式對數據集進行歸一化處理，解除不同量綱之間的差別，將全部產品特征分布映射成標準正態分布。最后經歸一化處理后的局部數據樣本如表2所示[8]。

3.3 模型預測結果

在論述過程中可以加進 t-1時刻的焊盤體積重新構建新特征，如下通過建設兩個數據包A、B進行檢測驗證。兩個數據包均源于相同批次的PCB，板長是[200，400]的SMT印刷產品，輸入兩個數據包的特征值等同，但數據包B內含有重構的特征 t-1焊盤體積。

本文采用RBF預測兩個數據包[9]。PCB長為[200，400]時，數據包A、B的平均相對誤差分別為11.83%、6.58%。綜合以上圖表及數據，不難發現在其他要素等同的狀況下，整合至新特征的數據包B檢測集擬合效果綜合性更好，對產品質量預測的精確度也顯著高于數據包A。

4? 結語

本課題以SMT大數據分析為支撐，以錫膏印刷階段預測焊盤體積為研究對象，建立一套較為完善的SMT產品質量預測分析框架，有機融合傳統機理分析與大數據核心技術，分析產品生產線、數據特征及現實運用需求等因素，建立在線、動態化、自適應性較高的質量預測模型;拓展對數據資源分析的深度，提取復雜多變的微小要素規劃其所屬類型，實現了對數據的精細化分析，提升了信息的利用價值。在產品加工制造之前，企業可以組織技術人員采用相似模型對部分新產品進行模擬測算，有針對性地優化既往生產模式，降低生產頻次，壓縮生產成本，協助企業創造更大的經濟效益。

（責任編輯：侯辛鋒）

參考文獻：

[1]翟運，張東.大數據技術在貴州省環境管理中的應用分析[J].環境與發展，2020（7）：236，239.

[2]賈曉宗，陳影，蘆建文.影響焦炭質量預測效果的原因分析[J].包鋼科技，2020（2）：5-7，24.

[3]楊嵐，石宇強.基于大數據的多工序產品質量預測[J].西南科技大學學報，2020（1）：81-89.

[4]張修建，張鵬程，劉曉旭.智能化計量管理信息系統設計及應用價值[J].國防科技，2020（1）：24-29.

[5]程平，王立宇.基于隨機森林的稅務熱線服務質量預測研究[J].財會通訊，2020（2）：137-140.

[6]邵健，何安瑞，董光德，等.基于工業互聯的鋼鐵全流程質量管控系統[J].冶金自動化，2020（1）：8-16，43.

[7]吳雙，石宇強.基于BP網絡與XGBoost的質量控制方法研究[J].制造業自動化，2019（12）：12-17.

[8]那勇.Spark框架下基于對比散度的網絡服務TLRBM推薦算法[J].計算機應用與軟件，2019（8）：293-299.

[9]任明侖，宋月麗.大數據：數據驅動的過程質量控制與改進新視角[J].計算機集成制造系統，2019（11）：2731-2742.