SMT大数据的产品质量预测办法和实现研究

张雪 王晓燕

摘要：近些年，表面贴装技术（SMT）的自动化、信息化水平有很大提升，生产出的产品性能更优异。SMT生产工艺复杂，各道工序实施阶段均可能出现质量缺陷，若在生产线上不能尽早地洞察、处理这些缺陷，则很可能降低产品质量，严重时会造成整块印制板报废，增加产品的生产费用。文章从大数据技术角度预测基于SMT下锡膏印刷过程的产品质量，预测阶段设定了时间窗口，动态更新数据，最后创建了时间序列数据包，较明显地提升了模型预测的正确率。

关键词：表面贴装技术;大数据;产品质量;质量预测;时间窗口;预测方法

中图分类号：TS807                文献标识码：A

在多种先进科技的推动下，移动互联网时代到来，电子信息产业在社会经济发展中具有较高地位。我国是全球电子消费与生产量最大的国家，在20世纪80年代就研发出表面贴装技术——SMT，该项技术引领着电子产品生产模式的创新[1]。SMT工艺精细、复杂，多种因素影响着具体生产过程，制造成本偏高，急需应用先进方法管控SMT工艺各环节的质量，尤其是锡膏印刷过程。本文采用SMT大数据技术预测SMT生产线锡膏印刷工序的质量。

1  SMT介绍

1.1  工艺流程

锡膏印刷、元件贴装及回流焊是SMT的主要工艺构成。图1是锡膏印刷过程，在钢网借用刮刀促使锡膏位置发生偏移并穿行钢网表面，将其整合至钢网开孔内，放开钢网后，在制印电路板（PCB）的焊盘上完成印刷，随后在贴片机的帮衬下把元件安置于预定部位，在以上过程中要保证其引脚与PCB的焊盘形成一一对应的关系，最后把PCB导送到回流炉中进行焊接处理，打造出结构稳定的锡膏衔接，并且保留了原始的机械及电子属性[2]。

1.2  SMT优点

1.2.1  组装密度大

SMT制造出的电子产品和传统工艺制造的产品做比较，质量减小超过75%，尺寸减小约60%，主要是片状元器件的规格尺寸与质量明显减小的缘故。

1.2.2  可靠性高

采用SMT制造的电子产品，能使片状元器件具备形体微小、质量小等特征，贴装操作自动化达到较高水平，这也是制造出的产品抗震性能好的主要原因之一，两者之间形成了较强大的黏合力，整板的不良品率为2%～3%。

1.2.3  高频特性好

基于多芯片模块（MCM）工艺生产制造的通用微型计算机的时频最高能达到100 MHz，能压缩2～3倍因寄生电抗形成的冗余功率损耗。

1.2.4  为实现自动化生产创造便利性

若采用当下的通孔技术，能实现PCB安装过程的全自动化，杜绝安装时发生磕碰等状况，且联合使用了真空吸放器件，能进一步提升元器件安置的紧凑性。

2  SMT产品质量预测模型

2.1  预测分析SMT产品质量的流程

从宏观层面分析，SMT产品质量预测模型流程主要由关键数据收集、特征设定、再建特点、设计数据包、信息预处理、设定算法、建设健全模型组成。

2.2  SMT工程特征及构建数据包

2.2.1  基于时序特征重构SMT质量预测特征

装配制造行业内很多产品的生产线工序繁杂，不同工序之间实现串行生产，或者并行生产，或者串并行混合式生产。SMT是经典的高精度式串行生产线，环环紧扣，最后生产的产品质量是不同工序综合作用的结果。时变性与非线性是生产制造过程的主要特征。生产过程是繁杂动态改变的过程，应分析不同因素之间形成的交互性。

排除突发性的不可调控因素之外，其余很多因素很难被定量分析，收集有关数据时存在较大难度。为规避该部分信息缺失的情况，本文历经系统化分析后，提出把 t-1时刻对应质量属性值作为 t时刻产品的一个输入特征，利用其弥补信息缺失的漏洞，使其符合制造行业产品生产特征[3]。

2.2.2  建设SMT预测模型数据包

本文所提及的“数据包”，被定义为在大量数据下，深度解读数据后，采用部分特征或者字段对初始數据进行切割、分离处理，在形成的不同类型数据包上建出数个模型形成的集合体。鉴于SMT生产线上具备很多有代表性的数批次、少量制造的特征，PCB变动范畴较大，PCB现实加工中材料受力、形变等均对其加工过程造成一定影响，故而在维持封装、钢网及刮刀所属类别等因素恒定的工况下，参照PCB细化数据包具有很大现实意义。

本文建立以时间序列特征为基础的质量预测模型，通过持续聚集既往数据，持续更新模型。一旦有大批量数据被整合至模型内，势必会对其精确度形成不良影响，复杂度也会有所增大。为应对以上情况，对数据规划设置时间窗口，联合使用滚动有限阶段完善策略，为线上自适应动态预测产品制造质量提供更强大的支撑，可以理解成保持合理性较强的数据样本数M，规划移动序列数据窗口（嵌进维度为T），按照一定次序取用刚印刷完的PCB上的数据，将前一个数据包内时间截部分数据样本取而代之，产出一个新的时间窗口，借此方式达到动态化更新时间序列数据包，更替产品质量预测模型，进而更为精准地预测下一个PCB的质量属性。

2.2.3  数据预处理

Z-Score标准化是数据挖掘阶段常用方法之一，可采用下式表示：

式中，   、   分别是数据集的均值、方差。本课题应用Z-Score标准化，一方面能顺利解除不同量纲之间的差别，把数据映射到[0，1]区间内;另一方面考虑特征分布不同形成的影响，确保各个特征均服从标准正态分布[4]。

2.3  基于RBF神经网络的SMT质量预测模型

2.3.1  RBF神经网络算法原理

神经网络即人工神经网络（ANN），由大批量和生物神经元有较高相似度的处理单元衔接后形成。感知器网络是神经网络内最简单的模型。

径向基函数（RBF）神经网络的基本思想可以做出如下表述：基于径向基函数建设隐含层，输出层针对输出的神经元进行线性整合。

2.3.2  建设SMT产品质量预测模型

（1）利用R编辑RBF神经网络的学习程序;

（2）将SMT质量预测实验数据输入其中，并参照该数据创设合理性较高的SMT质量预测，设置的参数有ANN隐含层的激活函数、神经元数目、神经元的中心位点等[5];

（3）利用事前训练好的预测模型预测试样的锡膏印刷体积，比较预测结果和实测值，测算出预测均值、方差及误差，在此基础上测评预测模型的精度。

3  模型的实现和验证

3.1  SMT生产工艺与数据资源

3.1.1  生产工艺

某企业的SMT生产线共计设置了9个工位，各工位均配置了数字化生产装置，能录入与存储产品制造生产中形成的数据。

3.1.2  数据资源

本文选用企业SMT产品内Q1封装型焊盘进行分析，收集数据周期的时间窗口设定为一个月，收集到的原始数据高达295 910条，数据资源囊括了原料预备与钢网检测16个原料特征参数，锡膏印刷工位涉及印刷、制造环境及过程状态参数，分别有15个、2个、10个，Serial Peripheral Interface（SPI）检测工位有3个焊盘检测参数囊括其中。

3.2  大数据特征工程与数据预处理

3.2.1  特征工程

首先，分析STM質量预测模式应用情景的特殊性，形成的预测结果能为改进、完善工艺参数提供可靠支持，故而采用过滤式法内的间距有关系数，弹性网络挑选和焊盘体积有关的部分影响因素[6]。

其次，由于工程内不同因素通常会形成非线性关系，间距相关系数能较为精确的测量因素之间的相关性程度，攻击包括了73个初始特征，历经机理分析过程剔除了53个不相关特征后，测算出特征和目标属性之间的间距相关系数。比如，刮刀分离速度、距离的相关系数分别为0.088 926 94、0.101 671 11;刮刀平均、最小及最大压力的间距相关系数分别为0.102 040 78、0.176 742 07、0.150 448 02。经比较分析后，发现工业生产中现实数据相关性系数和理论值之间存在较大差距，故而最后决定选用相关系数大于0.15的特征作为本课题研究的关键特征。

再者，采用弹性网络建设回归模型，测算出各个特征的相关系数。在弹性网络模型下，各个特征重要程度的可视化呈现情况为：线段越临近x轴提示重要性越低，反之越高[7]。

伴随特征的减少，相对误差呈现出先减后增的趋势，本文选用了最小相对误差下的特征组合，具体情况见表1。

最后，基于时间序列重建特征。历经简化处理的数据集样本量为1 771条，将 t-1时刻焊盘体积作为 t时刻产品的一个新特征，创建质量特征分析的时间序列数据包。

3.2.2  数据预处理

采用Z-score标准化公式对数据集进行归一化处理，解除不同量纲之间的差别，将全部产品特征分布映射成标准正态分布。最后经归一化处理后的局部数据样本如表2所示[8]。

3.3 模型预测结果

在论述过程中可以加进 t-1时刻的焊盘体积重新构建新特征，如下通过建设两个数据包A、B进行检测验证。两个数据包均源于相同批次的PCB，板长是[200，400]的SMT印刷产品，输入两个数据包的特征值等同，但数据包B内含有重构的特征 t-1焊盘体积。

本文采用RBF预测两个数据包[9]。PCB长为[200，400]时，数据包A、B的平均相对误差分别为11.83%、6.58%。综合以上图表及数据，不难发现在其他要素等同的状况下，整合至新特征的数据包B检测集拟合效果综合性更好，对产品质量预测的精确度也显著高于数据包A。

4  结语

本课题以SMT大数据分析为支撑，以锡膏印刷阶段预测焊盘体积为研究对象，建立一套较为完善的SMT产品质量预测分析框架，有机融合传统机理分析与大数据核心技术，分析产品生产线、数据特征及现实运用需求等因素，建立在线、动态化、自适应性较高的质量预测模型;拓展对数据资源分析的深度，提取复杂多变的微小要素规划其所属类型，实现了对数据的精细化分析，提升了信息的利用价值。在产品加工制造之前，企业可以组织技术人员采用相似模型对部分新产品进行模拟测算，有针对性地优化既往生产模式，降低生产频次，压缩生产成本，协助企业创造更大的经济效益。

（责任编辑：侯辛锋）

参考文献：

[1]翟运，张东.大数据技术在贵州省环境管理中的应用分析[J].环境与发展，2020（7）：236，239.

[2]贾晓宗，陈影，芦建文.影响焦炭质量预测效果的原因分析[J].包钢科技，2020（2）：5-7，24.

[3]杨岚，石宇强.基于大数据的多工序产品质量预测[J].西南科技大学学报，2020（1）：81-89.

[4]张修建，张鹏程，刘晓旭.智能化计量管理信息系统设计及应用价值[J].国防科技，2020（1）：24-29.

[5]程平，王立宇.基于随机森林的税务热线服务质量预测研究[J].财会通讯，2020（2）：137-140.

[6]邵健，何安瑞，董光德，等.基于工业互联的钢铁全流程质量管控系统[J].冶金自动化，2020（1）：8-16，43.

[7]吴双，石宇强.基于BP网络与XGBoost的质量控制方法研究[J].制造业自动化，2019（12）：12-17.

[8]那勇.Spark框架下基于对比散度的网络服务TLRBM推荐算法[J].计算机应用与软件，2019（8）：293-299.

[9]任明仑，宋月丽.大数据：数据驱动的过程质量控制与改进新视角[J].计算机集成制造系统，2019（11）：2731-2742.