论文部分内容阅读
在电子组装行业的制造成本中,由焊接故障造成的成本占据着相当大的份额。在SMT的主要工艺流程—锡膏印刷、元件贴装和回流焊中如果参数设置不当都可能产生焊接故障。减少焊接故障,提高SMT焊接质量一直是企业孜孜不倦追求的目标。本文主要研究如何通过数据挖掘技术提高SMT的焊接质量。聚类分析可以在不需要先验知识的情况下,根据SMT生产线的SPC数据(记录SMT每个工艺流程的参数及AOI系统的检测结果)的分布情况,挖掘导致焊接故障发生的主要因素;决策树算法可以根据聚类分析结果和SPC数据生成分类树,生成的分类树可以根据SMT三个工艺流程设置的参数预测出焊接质量的结果,当结果不理想时,可以对参数进行重新调整,以提高SMT生产线的焊接质量。本文主要进行以下工作:(1)阐述表面贴装技术的国内外研究现状及发展,分析现有的表面贴装技术—实验设计与统计分析、模型仿真、统计过程控制、人工智能和数据挖掘等方法。(2)分析现有数据挖掘算法的特点、优势及适用范围,结合提高SMT焊接质量的实际需求,阐述选择SOM神经网络、K-Means聚类和决策树等算法作为本文数据挖掘算法的原因。(3)针对SOM自组织算法输出结果精度不足和K-Means聚类算法输出结果受初始值影响的问题,使用SOM与K-Means相结合的S-K二次聚类方法,弥补各自的不足。实验结果表明,S-K二.次聚类方法能够提高聚类精度。(4)针对C4.5决策树算法在某些情况下容易产生多值偏向的问题,提出引入与属性值个数相关的平衡因子,对属性的分裂信息进行修正,能够降低多值属性的信息增益率,使得算法可以选择其他更有意义的属性作为分裂节点。实验结果表明,改进了的C4.5算法具有更好的分类效果。(5)将S-K二.次聚类算法与改进的C4.5决策树算法相结合构建SMT焊接质量预测模型,通过聚类分析数据样本可以得到影响焊接质量的主要因素,使用决策树算法生成分类树,并验证决策分类树的有效性。