一種基于集成學習的自動貼裝參數智能決策方法技術

本發明專利技術提供一種基于集成學習的自動貼裝參數智能決策方法，收集自動貼裝數據的輸入特征、自動貼裝過程的參數形成數據集，處理得到輸入特征屬性向量，采用AdaBoost算法和XgBoost算法對參數進行預測，建立預測模型；采用隨機森林對參數進行預測，得到最終預測模型；調用最終預測模型，輸入新產品的輸入特征屬性向量，得到智能預測自動貼裝參數。本發明專利技術提供一種電子封裝領域自動貼片參數智能決策方法，將人工智能領域的機器學習中的集成學習與自動貼片的參數智能決策過程相結合，為自動點膠和貼片的工藝參數生成提供了可行方案，從而解決了稀疏和分散參數的預測問題，克服了單純依靠工藝試驗進行決策的周期長、成本高、經驗難積累的缺點。

【技術實現步驟摘要】
一種基于集成學習的自動貼裝參數智能決策方法
本專利技術涉及半導體器件
，具體涉及一種基于集成學習的自動貼裝參數智能決策方法。
技術介紹
自動貼裝是決定電子封裝產品性能及精度的關鍵工序，而自動貼裝的結果是由自動點膠和貼片的多個參數共同決定的。南京理工大學、蘇州科技學院和中電38所等均采用工藝試驗法分析了芯片尺寸、貼片膠體楊氏模量和熱膨脹系數等因素對自動貼裝效果的影響。但點膠和貼片參數數量較多，且共同影響最后的貼裝效果，依靠經驗很難快速選擇最優參數。試驗法通常需要設計大量工藝試驗，根據貼裝效果不斷調整工藝參數，同一個芯片往往需要迭代多次，參數確認周期長；工藝確認成本高，需要投入大量的工藝驗證件和輔料；工程師經驗難積累，未建立起芯片固有特征與自動貼裝參數之間的關系。利用集成學習技術進行自動貼片工藝參數智能決策是解決上述問題的一種有效途徑，但目前沒有團隊將人工智能引入電子封裝的工藝參數決策。
技術實現思路
本專利技術是為了解決電子封裝未能引入人工智能的問題，提供一種電子封裝領域自動貼片參數智能決策方法。該方法將人工智能領域的機器學習中的集成學習與自動貼片的參數智能決策過程相結合，為自動點膠和貼片的工藝參數生成提供了可行方案，從而解決了稀疏和分散參數的預測問題，克服了單純依靠工藝試驗進行決策的周期長、成本高、經驗難積累的缺點。本專利技術提供一種基于集成學習的自動貼裝參數智能決策方法，包括如下步驟：S1、數據準備：收集自動貼裝數據的輸入特征、自動貼裝過程的第一稀疏參數和第二稀疏參數形成數據集，將數據集劃分為訓練集、驗證集和測試集；S2、建立輸入特征屬性向量：將輸入特征進行預處理得到輸入特征屬性向量；S3、建立預測模型：采用集成學習Boosting算法(用來減小監督式學習中偏差的機器學習算法)中的AdaBoost算法(迭代算法)和XgBoost算法(極端梯度提升)對第一稀疏參數進行預測，選擇基回歸器并設置超參數，使用數據集訓練，得到預測模型；S4、補充預測模型：在預測模型中，采用集成學習Bagging算法(引導聚集算法)中的隨機森林對第二稀疏參數進行預測，選擇基學習器并設置超參數，使用數據集訓練，得到最終預測模型；S5、生成自動貼裝參數：調用最終預測模型，輸入新產品的輸入特征屬性向量，生成預測的第一稀疏參數和第二稀疏參數，得到智能預測自動貼裝參數。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S1第一稀疏參數包括：點膠時間參數、點膠速度參數、點膠高度參數、提前出膠參數、貼片提前減速距離參數、貼片后減速距離參數、貼片后延遲速度參數和提前收膠參數；步驟S1和步驟S4中第二稀疏參數包括：點膠氣壓參數和貼片前延遲速度參數。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S1中數據集的樣本總數不少于1000組，訓練集、驗證集和測試集的比例依次為：70％，20％，10％。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S1中數據集的輸入特征包括：數值型特征、序數特征和標稱特征。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，數值型特征包括芯片長度、芯片寬度、芯片高度和針頭內徑，序數特征為焊盤潔凈度，標稱特征為導電膠種類。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S2包括：S21、定義數值型特征并將數值型特征進行歸一化處理，得到數值型特征向量；S22、將序數特征進行編碼，得到序數特征向量；S23、將標稱特征進行One-hot編碼，得到標稱特征向量；S24、將數值型特征向量、序數特征向量和標稱特征向量組合，得到輸入特征屬性向量。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S21中歸一化處理的公式為：本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S3中采用AdaBoost算法進行預測的第一稀疏參數包括：點膠時間參數、點膠速度參數、點膠高度參數、提前出膠參數、貼片提前減速距離參數、貼片后減速距離參數和貼片后延遲速度參數。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S3中采用XgBoos算法進行預測的第一稀疏參數為提前收膠參數。本專利技術所述的一種基于集成學習的自動貼裝參數智能決策方法，作為優選方式，步驟S3中基回歸器和步驟S4中基學習器均為CART。本專利技術具有以下優點：(1)縮短試驗周期，節約工藝試驗所需物料成本。對于需要自動貼裝的產品，不再需要盲目地設置參數進行大量的工藝試驗。只需輸入待貼裝芯片的固有特征屬性，即可給出一組預測的自動貼裝工藝參數。30種器件工藝參數確認時間從3—7天縮短至1小時，每個芯片的工藝迭代次數由30次縮短為不超過6次。(2)采用集成學習的方法，彌補了使用單一學習器預測稀疏參數準確率較低的弊端。本專利技術中分別將基學習器以串行和并行的方式進行集成，并賦予每個基學習器一定的權重，使得最終預測效果遠超越單一學習器的效果。(3)將人工智能機器學習領域的算法用于電子封裝領域的自動貼裝工藝參數智能決策，建立了從芯片固有特征屬性到待預測的點膠和貼片參數的模型。工程師經驗以人工智能算法模型的形式保存了下來，工藝數據得到了充分的挖掘和利用。附圖說明圖1為一種基于集成學習的自動貼裝參數智能決策方法流程圖；圖2為一種基于集成學習的自動貼裝參數智能決策方法Boosting算法結構圖；圖3為一種基于集成學習的自動貼裝參數智能決策方法隨機森林算法結構圖；圖4為一種基于集成學習的自動貼裝參數智能決策方法實施例2-3流程圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。實施例1如圖1所示，一種基于集成學習的自動貼裝參數智能決策方法，包括如下步驟：S1、數據準備：收集自動貼裝數據的輸入特征、自動貼裝過程的第一稀疏參數和第二稀疏參數形成數據集，將數據集劃分為訓練集、驗證集和測試集；S2、建立輸入特征屬性向量：將輸入特征進行預處理得到輸入特征屬性向量；S3、建立預測模型：如圖2-3所示，采用集成學習Boosting算法中的AdaBoost算法和XgBoost算法對第一稀疏參數進行預測，選擇基回歸器并設置超參數，使用數據集訓練，得到預測模型；S4、補充預測模型：在預測模型中，采用集成學習Bagging算法中的隨機森林對第二稀疏參數進行預測，選擇基學習器并設置超參數，使用數據集訓練，得到最終預測模型；S5、生成自動貼裝參數：調用最終預測模型，輸入新產品的輸入特征屬性向量，生成預測的第一稀疏參數和第二稀疏參數，得到智能預測自動貼裝參數。實施例2本文檔來自技高網...

【技術保護點】
1.一種基于集成學習的自動貼裝參數智能決策方法，其特征在于：包括如下步驟：/nS1、數據準備：收集自動貼裝數據的輸入特征、自動貼裝過程的第一稀疏參數和第二稀疏參數形成數據集，將所述數據集劃分為訓練集、驗證集和測試集；/nS2、建立輸入特征屬性向量：將所述輸入特征進行預處理得到輸入特征屬性向量；/nS3、建立預測模型：采用集成學習Boosting算法中的AdaBoost算法和XgBoost算法對所述第一稀疏參數進行預測，選擇基回歸器并設置超參數，使用所述數據集訓練，得到預測模型；/nS4、補充預測模型：在所述預測模型中，采用集成學習Bagging算法中的隨機森林對所述第二稀疏參數進行預測，選擇基學習器并設置所述超參數，使用所述數據集訓練，得到最終預測模型；/nS5、生成自動貼裝參數：調用所述最終預測模型，輸入新產品的所述輸入特征屬性向量，生成預測的所述第一稀疏參數和所述第二稀疏參數，得到智能預測自動貼裝參數。/n

【技術特征摘要】
1.一種基于集成學習的自動貼裝參數智能決策方法，其特征在于：包括如下步驟：
S1、數據準備：收集自動貼裝數據的輸入特征、自動貼裝過程的第一稀疏參數和第二稀疏參數形成數據集，將所述數據集劃分為訓練集、驗證集和測試集；
S2、建立輸入特征屬性向量：將所述輸入特征進行預處理得到輸入特征屬性向量；
S3、建立預測模型：采用集成學習Boosting算法中的AdaBoost算法和XgBoost算法對所述第一稀疏參數進行預測，選擇基回歸器并設置超參數，使用所述數據集訓練，得到預測模型；
S4、補充預測模型：在所述預測模型中，采用集成學習Bagging算法中的隨機森林對所述第二稀疏參數進行預測，選擇基學習器并設置所述超參數，使用所述數據集訓練，得到最終預測模型；
S5、生成自動貼裝參數：調用所述最終預測模型，輸入新產品的所述輸入特征屬性向量，生成預測的所述第一稀疏參數和所述第二稀疏參數，得到智能預測自動貼裝參數。


2.根據權利要求1所述的一種基于集成學習的自動貼裝參數智能決策方法，其特征在于：步驟S1所述第一稀疏參數包括：點膠時間參數、點膠速度參數、點膠高度參數、提前出膠參數、貼片提前減速距離參數、貼片后減速距離參數、貼片后延遲速度參數和提前收膠參數；步驟S1和步驟S4中所述第二稀疏參數包括：點膠氣壓參數和貼片前延遲速度參數。


3.根據權利要求1所述的一種基于集成學習的自動貼裝參數智能決策方法，其特征在于：步驟S1中所述數據集的樣本總數不少于1000組，所述訓練集、所述驗證集和所述測試集的比例依次為：70％，20％，10％。


4.根據權利要求1所述的一種基于集成學習的自動貼裝參數智能決策方法，其特征在于：步驟...

【專利技術屬性】
技術研發人員：杜仲輝，劉德喜，井津域，史磊，康楠，劉洋，景翠，
申請(專利權)人：北京遙測技術研究所，航天長征火箭技術有限公司，
類型：發明
國別省市：北京;11