一种基于时间重构图卷积的PCB锡膏印刷质量预测方法与流程

一种基于时间重构图卷积的pcb锡膏印刷质量预测方法
技术领域
1.本发明涉及pcb锡膏印刷质量预测技术领域，特别涉及一种基于时间重构图卷积的pcb锡膏印刷质量预测方法。


背景技术：

2.pcb由于广泛的用途每年都有巨大的加工量。绝大多数不良品都可以追溯到锡膏印刷环节，因此有必要对pcb锡膏印刷质量进行预测以提前调整锡膏印刷机的相关参数从而提高良率。
3.现有技术的锡膏印刷质量的难点在于，第一、pcb主板通常是非等时间间隔生产，时序预测与时间间隔是息息相关的，基于等间隔的方法学习的锡膏体积演变规律可能会出现畸变；第二、不同焊盘的锡膏体积演变规律存在差异，差异较小的锡膏体积演变规律之间存在相似性，可以协同预测，差异较大的锡膏体积演变规律之间可能会互相干扰，难以使用统一模型进行预测。


技术实现要素：

4.本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于时间重构图卷积的pcb锡膏印刷质量预测方法，以解决上述背景技术中提出的问题。
5.一种基于时间重构图卷积的pcb锡膏印刷质量预测方法，具体步骤包括：
6.步骤s1、获取pcb板的历史锡膏体积检测序列和对应的检测时间的历史数据，并进行预处理；
7.步骤s2、建立时间重构模块，根据对应的检测时间的时间间隔对历史数据进行重构，得到重构数据；
8.步骤s3、建立时空图卷积模块，提取得到的重构数据的锡膏体积之间的关联性和锡膏体积自身的变化规律；
9.步骤s4、根据锡膏体积之间的关联性和锡膏体积自身的变化规律构建线性回归器，预测得到锡膏体积变化规律。
10.作为本发明进一步的技术方案：所述步骤s1中的具体步骤包括：
11.步骤s11、获取pcb板的历史锡膏体积检测序列以及对应的检测时间，将t时刻检测的pcb板锡膏体积记作n为锡膏体积检测数量，第i个锡膏体积检测结果记作i＝1,2,
…
,n，并得到历史锡膏体积检测序列n是pcb板数；
12.步骤s12、利用滑动窗格法对历史锡膏体积检测序列s进行划分，其中历史窗口大小为k，每次平移步长为s，预测窗口大小为t，堵塞阈值为α；得到历史窗口锡膏体积检测序列为预测窗口锡膏体积检测序列为
13.步骤s13、构建权重标签矩阵通过预测窗口偏移序列中任意时刻任意位置标记锡膏印刷不良位置，其中权重标签矩阵l相应的不良位置标记为1，否则为0；
14.步骤s14、构建邻接矩阵基于皮尔逊相关系数计算锡膏体积的相关性，公式化如下：
[0015][0016]
其中，表示从t1时刻到tn时刻第i个锡膏体积的集合，是的均值，是的方差，c
i,j
是第i个锡膏体积和第j个锡膏体积的皮尔逊相关系数；
[0017]
基于阈值函数t
λ
(c)对相关性进行过滤，当相关性c
i,j
小于λ时，则两个锡膏具有相关性，剔除负相关或者无相关的干扰，所述阈值函数t
λ
(c)公式化如下：
[0018][0019]
并由此构建得到邻接矩阵：
[0020][0021]
作为本发明进一步的技术方案：所述步骤s2中的具体步骤包括：
[0022]
步骤s21、对得到的检测时间的生产时刻进行归一化：
[0023]
当pcb板生产时获得监测样本，得到生产时刻，且令生产时刻向量当pcb板生产时获得监测样本，得到生产时刻，且令生产时刻向量并对向量t进行归一化，公式化如下：
[0024][0025]
得到归一化后的生产时间向量
[0026]
s22：根据得到的生产时刻构建时间注意力，对历史数据基于构建的时间注意力进行加权重构；
[0027]
对归一化后的真实生产时间向量编码：
[0028][0029][0030]
然后计算生产时间的自我注意力矩阵，公式化如下：
[0031][0032]
再利用softmax对att约束，将锡膏之间的注意力得分转换成[0，1]之间的概率分布：
[0033]
[0034]
最后利用得到的自我注意力矩阵对第i个锡膏从t1时刻到tn时刻的特征集合进行重构：
[0035][0036]
其中，表示重构后的时序锡膏印刷特征，将重构后的特征组建成图g
′
t
＝(r
′
t
,a)，作为时空图卷积的输入。
[0037]
作为本发明进一步的技术方案：所述步骤s3中的具体步骤包括：
[0038]
步骤s31、构建时空图卷积模块捕获锡膏间演化规律的相关性，以及单个锡膏的体积变化规律，其中每个时空图卷积模块包括两个gated cnn、一个gcn，以及一个batch normalization层；
[0039]
步骤s32、通过所述gated cnn学习单个锡膏的体积变化规律，公式化如下：
[0040][0041]
其中，w
c1
和w
c2
是卷积核，b
c1
和b
c2
是偏置，他们都是可训练参数，σ是非线性激活函数sigmoid，是矩阵之间的元素乘积，表示第k层gated cnn的输入，表示第k层gated cnn的输出，
[0042]
步骤s33、通过所述gcn挖掘锡膏之间体积变化规律的相关性，公式化如下：
[0043][0044]
其中，g
θ
是核，是图卷积操作，θ0是可训练参数，表示第k层gcn输入，是第k层gcn输出，是单位矩阵，d
ii
＝∑
jaij
是度矩阵。
[0045]
作为本发明进一步的技术方案：所述步骤s4中的具体步骤包括：
[0046]
步骤s41、根据最后一层gated cnn的输出经过全连接层后得到最终输出：
[0047][0048]
步骤s42、基于设计的加权平均绝对误差损失减少虚假的低误差指标：
[0049][0050]
其中，是t时刻第i个锡膏质量类别标签，异常标签是1，正常标签是0，是t时刻第i个锡膏体积，为相应的预测值，ω为异常样本的类别权重；
[0051]
根据加权平均绝对误差损失得到总体损失函数如下：
[0052][0053]
其中，θ是模型参数，μ是超参数。
[0054]
与现有技术相比，本发明存在以下技术效果：
[0055]
采用上述的技术方案，通过基于时间重构的时空图神经网络，首先根据焊盘上锡膏体积的时间相关性构建稀疏图以提高相似演变规律的协同同时避免不同演变规律的干扰然后根据生产时刻的间隔构建时间注意力对数据重构。克服现有方法的不足，通过时序相关性构建稀疏图，继而使用根据生产间隔设计的时间注意力对原始数据进行重构，从而
对pcb锡膏印刷质量进行预测。
附图说明
[0056]
下面结合附图，对本发明的具体实施方式进行详细描述：
[0057]
图1为本技术公开实施例的方法步骤示意图；
[0058]
图2为本技术公开实施例的方法流程框图。
具体实施方式
[0059]
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。
[0060]
请参考图1和图2，本发明实施例中，一种基于时间重构图卷积的pcb锡膏印刷质量预测方法，具体步骤包括：
[0061]
步骤s1、获取pcb板的历史锡膏体积检测序列和对应的检测时间的历史数据，并进行预处理，具体步骤包括：
[0062]
步骤s11、收集历史pcb板锡膏体积检测序列以及对应的检测时间，在时间t检测的pcb板锡膏体积记作n为锡膏体积检测数量，第i个锡膏体积检测结果记作i＝1,2,
…
,n。最终得到历史锡膏体积检测序列,n。最终得到历史锡膏体积检测序列n是pcb板数。
[0063]
步骤s12、利用滑动窗格法，对历史锡膏体积检测序列s进行划分，历史窗口大小为k，每次平移步长为s，预测窗口大小为t，堵塞阈值为α。由此得到历史窗口锡膏体积检测序列预测窗口锡膏体积检测序列
[0064]
步骤s13、构建权重标签矩阵由于锡膏印刷出现残次品是小概率的、非常重要的，因此需要重点关注印刷不良。预测窗口偏移序列中任意时刻任意位置出现少锡不良或者多锡不良，权重标签矩阵l相应的位置标记为1，否则为0。
[0065]
步骤s14、构建邻接矩阵计算锡膏体积的相关性，这里选用皮尔逊相关系数。公式化如下：
[0066][0067]
表示从t1时刻到tn时刻第i个锡膏体积的集合。是的均值，是的方差。c
i,j
是第i个锡膏体积和第j个锡膏体积的皮尔逊相关系数。
[0068]
引入了阈值函数t
λ
(c)对相关性进行过滤，当相关性c
i,j
小于λ时，则两个锡膏不是
不关联的，由此避免负相关或者无相关的干扰。阈值函数t
λ
(c)形式化如下：
[0069][0070]
由此构建邻接矩阵
[0071]
步骤s2、建立时间重构模块，根据对应的检测时间的时间间隔对历史数据进行重构，得到重构数据，具体步骤包括：
[0072]
步骤s21、对得到的检测时间的生产时刻进行归一化：
[0073]
与通过传感器对维护目标进行定期采样不同，只有当pcb被生产时才能获得监测样本，因此采样间隔是不规则的。令真实生产时间向量首先向量t进行归一化，公式化如下：
[0074][0075]
得到归一化后的生产时间向量
[0076]
步骤s22、根据得到的生产时刻构建时间注意力，对历史数据基于构建的时间注意力进行加权重构；
[0077]
为了克服不规则生产时间间隔引起锡膏体积时序预测的畸变，因此利用生产时刻构建时间注意力，对原始数据按照时间注意力进行加权重构。
[0078]
对归一化后的真实生产时间向量编码：
[0079][0080][0081]
然后计算生产时间的自我注意力矩阵，形式化如下：
[0082][0083]
接着利用softmax对att约束，将锡膏之间的注意力得分转换成[0,1]之间的概率分布，同时更加凸显锡膏之间的关系。
[0084][0085]
最后利用得到的注意力矩阵对第i个锡膏从t1时刻到tn时刻的特征集合进行重构。
[0086][0087]
其中，表示重构后的时序锡膏印刷特征，将重构后的特征组建成图g
′
t
＝(r
′
t
,a),作为时空图卷积的输入。
[0088]
步骤s3、建立时空图卷积模块，提取得到的重构数据的锡膏体积之间的关联性和
锡膏体积自身的变化规律，具体步骤包括：
[0089]
步骤s31、对于锡膏体积预测，将每个生产时刻的pcb用图表示，连续生产的pcb则构成了时空图。具有相似体积变化规律的锡膏协同预测可以抵御单个锡膏体积随机波动的不良影响。锡膏体积变化规律差异较大的焊盘则不具备关联，避免互相干扰。因此为了捕获锡膏间演化规律的相关性以及单个锡膏的体积变化规律，构建了时空图卷积模块。
[0090]
每个时空图卷积模块由两个gated cnn、一个gcn和一个batch normalization层组成。
[0091]
步骤s32、gated cnn学习单个锡膏的体积变化规律，公式化如下：
[0092][0093]
其中，w
c1
和w
c2
是卷积核，b
c1
和b
c2
是偏置，他们都是可训练参数，σ是非线性激活函数sigmoid，是矩阵之间的元素乘积，表示第k层gated cnn的输入，表示第k层gated cnn的输出，
[0094]
步骤s33、gcn用于挖掘锡膏之间体积变化规律的相关性，公式化如下
[0095][0096]
其中，g
θ
是核，是图卷积操作，θ0是可训练参数，表示第k层gcn输入，是第k层gcn输出，是单位矩阵，d
ii
＝∑
jaij
是度矩阵。
[0097]
步骤s4、根据锡膏体积之间的关联性和锡膏体积自身的变化规律构建线性回归器，预测得到锡膏体积变化规律，具体步骤包括：
[0098]
步骤s41、根据最后一层gated cnn的输出经过全连接层后得到最终输出：
[0099][0100]
步骤s42、我们任务的目标是通过准确预测锡膏体积提前感知印刷质量异常的产品，考虑到锡膏体积异常样本远远少于正常样本，必须提高异常样本的权重，以防止虚假的低误差指标，这里设计了加权平均绝对误差损失
[0101][0102]
是t时刻第i个锡膏质量类别标签，异常标签是1，正常标签是0，是t时刻第i个锡膏体积，为相应的预测值，ω为异常样本的类别权重。
[0103]
总体损失函数如下：
[0104][0105]
θ是模型参数，μ是超参数。
[0106]
步骤s43、预测锡膏体积变化规律，得到pcb锡膏印刷质量的预测结果。
[0107]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于时间重构图卷积的pcb锡膏印刷质量预测方法，其特征在于，具体步骤包括：步骤s1、获取pcb板的历史锡膏体积检测序列和对应的检测时间的历史数据，并进行预处理；步骤s2、建立时间重构模块，根据对应的检测时间的时间间隔对历史数据进行重构，得到重构数据；步骤s3、建立时空图卷积模块，提取得到的重构数据的锡膏体积之间的关联性和锡膏体积自身的变化规律；步骤s4、根据锡膏体积之间的关联性和锡膏体积自身的变化规律构建线性回归器，预测得到锡膏体积变化规律。2.根据权利要求1所述一种基于时间重构图卷积的pcb锡膏印刷质量预测方法，其特征在于，所述步骤s1中的具体步骤包括：步骤s11、获取pcb板的历史锡膏体积检测序列以及对应的检测时间，将t时刻检测的pcb板锡膏体积记作n为锡膏体积检测数量，第i个锡膏体积检测结果记作并得到历史锡膏体积检测序列n是pcb板数；步骤s12、利用滑动窗格法对历史锡膏体积检测序列s进行划分，其中历史窗口大小为k，每次平移步长为s，预测窗口大小为t，堵塞阈值为α；得到历史窗口锡膏体积检测序列为预测窗口锡膏体积检测序列为步骤s13、构建权重标签矩阵通过预测窗口偏移序列中任意时刻任意位置标记锡膏印刷不良位置，其中权重标签矩阵l相应的不良位置标记为1，否则为0；步骤s14、构建邻接矩阵基于皮尔逊相关系数计算锡膏体积的相关性，公式化如下：其中，表示从t1时刻到t
n
时刻第i个锡膏体积的集合，是的均值，是的方差，c
i,j
是第i个锡膏体积和第j个锡膏体积的皮尔逊相关系数；基于阈值函数t
λ
(c)对相关性进行过滤，当相关性c
i,j
小于λ时，则两个锡膏具有相关性，剔除负相关或者无相关的干扰，所述阈值函数t
λ
(c)公式化如下：并由此构建得到邻接矩阵：
cnn的输出，步骤s33、通过所述gcn挖掘锡膏之间体积变化规律的相关性，公式化如下：其中，g
θ
是核，是图卷积操作，θ0是可训练参数，表示第k层gcn输入，是第k层gcn输出，是单位矩阵，d
ii
＝∑
j
a
ij
是度矩阵。5.根据权利要求1所述一种基于时间重构图卷积的pcb锡膏印刷质量预测方法，其特征在于，所述步骤s4中的具体步骤包括：步骤s41、根据最后一层gated cnn的输出经过全连接层后得到最终输出：步骤s42、基于设计的加权平均绝对误差损失减少虚假的低误差指标：其中，是t时刻第i个锡膏质量类别标签，异常标签是1，正常标签是0，是t时刻第i个锡膏体积，为相应的预测值，ω为异常样本的类别权重；根据加权平均绝对误差损失得到总体损失函数如下：其中，θ是模型参数，μ是超参数。

技术总结
本发明公开了一种基于时间重构图卷积的PCB锡膏印刷质量预测方法，包括获取PCB板的历史锡膏体积检测序列和对应的检测时间的历史数据，并进行预处理；建立时间重构模块，根据对应的检测时间的时间间隔对历史数据进行重构，得到重构数据；建立时空图卷积模块，提取得到的重构数据的锡膏体积之间的关联性和锡膏体积自身的变化规律；根据锡膏体积之间的关联性和锡膏体积自身的变化规律构建线性回归器，预测得到锡膏体积变化规律。本发明根据焊盘上锡膏体积的时间相关性构建稀疏图以提高相似演变规律的协同同时避免不同演变规律的干扰然后根据生产时刻的间隔构建时间注意力对数据重构后预测PCB锡膏印刷质量。重构后预测PCB锡膏印刷质量。重构后预测PCB锡膏印刷质量。


技术研发人员：康宇 刘斌琨 赵云波 曹洋 许镇义 柏鹏
受保护的技术使用者：合肥综合性国家科学中心人工智能研究院（安徽省人工智能实验室）
技术研发日：2023.05.16
技术公布日：2023/9/23