基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化方法

摘要

基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化方法，属于电气技术及电气工程领域。为了解决现有贴片机表面贴装工艺优化算法所获得的解仅是局部最优解，并不是全局最优的元件调度方案因此限制了生产速度和工艺的效率的进一步提高的问题，通过使用聚类分析算法，将不同种类的元件进行分类；对分类的元件集合建立元器件贴装循环次数数学模型；采用遗传算法得到贴装顺序及供料器位置配置最优解；贴装顺序及供料器位置配置最优解分别提供给贴片机运动控制子系统和供料器分配子系统，实现贴装工艺的优化。本发明用于多吸嘴贴片机贴装工艺优化。

说明书

技术领域

本发明涉一种多吸嘴贴片机贴装工艺优化方法，属于电气技术及电气工程领域。

背景技术

表面贴装技术(SMT)是目前电子组装行业中被广泛应用的一种工艺，其将表面元器件(无芯片管脚或短管脚的元器件)直接安置在电子印刷板的指定位置，既能保证准确放置元件又能提高生产效率，所用的电子印刷板不需要特定钻孔。随着电子组装技术的飞速发展，我国已成为表面贴装技术最大的市场，已经被广泛应用于诸如航天、汽车、家电等行业。

贴片机是表面贴装技术的实现形式，已经被广泛应用在电子组装生产线中，贴片机是整个生产工艺的核心技术，其生产速度直接影响到工艺的效率。针对多吸嘴贴片机（如图1所示），应该满足以下条件，一是尽量保证多个吸嘴能够同时吸取元件；二是每个供料器中只存放一种类型的元器件；三是是否需要飞行定位修正元件位置，若不需要则可以直接贴装元件，若需要则要到上视相机处利用图像修正贴装位置，一般对于BGA封装的元件需要位置修正保证贴装精度；四是减少换吸嘴头的时间。因此，优化元器件贴装工艺、缩短贴片机的贴装时间具有极其重要的现实意义和工程价值。在实际的生产流程中，贴片时间过长，将导致电子印刷版上的焊膏失效，元件贴装效果变差，严重影响产品的质量；而缩短工艺时间可以明显改进上述不足。目前，优化算法主要分为两种。一种是已知供料器位置的情况下优化贴装顺序，另一种是元件贴装顺序固定的情况下优化供料器排列位置。常用的方法是对两种情况分别建立元件贴装顺序优化数学模型并计算最优解。常用的算法主要有蚁群算法、神经网络等，所获得的解往往是局部最优解，限制了生产速度和工艺的效率的进一步提高。

发明内容

为了解决现有贴片机表面贴装工艺优化算法所获得的解仅是局部最优解，并不是全局最优的元件调度方案因此限制了生产速度和工艺的效率的进一步提高的问题，进而提出了基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化方法。

基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化方法，按照如下步骤进行：

步骤一、使用聚类分析算法，将不同种类的元件进行分类；

步骤二、对步骤一中分类的元件集合建立元器件贴装循环次数数学模型；

步骤三、根据步骤二中建立的元器件贴装循环次数数学模型，采用遗传算法得到贴装顺序及供料器位置配置最优解；

步骤四：将步骤三得到的贴装顺序及供料器位置配置最优解分别提供给贴片机运动控制子系统和供料器分配子系统，实现贴装工艺的优化。

步骤三根据步骤二中建立的元器件贴装循环次数数学模型，采用遗传算法得到贴装顺序及供料器位置配置最优解的具体过程是：

Ⅰ、不同类别的元件贴片循环次数数学建模后产生初始种群；

Ⅱ、依次进行适应度计算、选择、交叉、变异、产生新种群并循环以上五个过程计算

得到每个种类元件的最优贴片顺序及供料器配置位置。

步骤一中使用聚类分析算法，将不同种类的元件进行分类，得到优化贴片数据的方法具体步骤如下：

步骤一一：贴片机的贴片数据包含即将生产的电路板上所有必要的元件信息：元件在电路板上的位置、元件的类型、元件的规格，建立一个元件属性向量表示：

X=[x₁,x₂,x₃,x₄]

x₁表示元件是否需要上视检测，取值为0时表示不需要，取值为1时表示需要；x₂表示元件的类型，取值为0时表示该元件为电阻，取值为1时表示该元件为电容，取值为2时表示元件为发光二极管，其它类型依次类推；x₃表示元件的值大小，当取值为0时表示元件无值大小，如发光二极管或者运算放大器，当取值为10时表示电阻阻值为10K，取值为0.1时表示电容大小为0.1μF；x₄表示元件的封装类型和规格，取值为0时表示为CHIP_0805，取值为1时表示CHIP_0604，其余依次类推；

步骤一二：根据步骤一中建立的元件属性向量，采用聚类算法将元件进行分类处理，将提取的属性向量与群特性的向量比较，若两者距离范数最小则该元素归属这一群聚类；

d(x_i,C_q)==Θ

$>d(x_i,C_q)={\left(\underset{n=1}{\overset{4}{\Sigma }}{(x_{\mathrm{in}}-C_{\mathrm{qn}})}^2\right)}^{\frac{1}{4}}$>

i=2to N

其中m={1,...,N}代表元件的序号，N代表元件的总数；q代表聚类数；C_q代表第q个聚类集合；Θ表示距离的最小值且Θ=0；d(x_i,C_q)表示从向量X到聚类C_q的距离；

步骤一三：根据步骤二可将全部元件分成q类，并给出每个聚类中的元素个数；通过聚类分析算法将贴片数据根据不同的属性划分为可数个类型集合；根据不同的类型集合按照不同的贴片流程处理。

步骤三中采用遗传算法得到贴装顺序及供料器位置配置最优解具体为：采用遗传算法获得取件过程中各类型元件的供料器个数和安放位置，针对整个贴片过程而言能够在取件总次数一定的情况下路径最少；

取件过程遵循以下条件：一、最大化多个吸嘴同时取件次数；二、供料器的个数最少为1个，三、距离PCB板最近的供料器位置为1号库位，其余库位距离依次增加。

步骤三中循环计算的次数为50次。

本发明具有以下有益效果：

本发明通过使用聚类分析算法，将不同种类的元件进行分类；对分类的元件集合建立元器件贴装循环次数数学模型；采用遗传算法得到贴装顺序及供料器位置配置最优解；贴装顺序及供料器位置配置最优解分别提供给贴片机运动控制子系统和供料器分配子系统，实现贴装工艺的优化。本发明用于多吸嘴贴片机贴装工艺优化。

本发明通过聚类分析算法将贴片数据根据不同的属性分成不同的类别，从而针对不同的类别采用特定的贴片流程能够提高贴装工艺效率，并利用遗传算法有效减小了陷入局部最优解的风险，得到全局最优的供料器分配和贴装顺序的解，通过将以上算法解得的最优解提供给贴片机运动控制子系统和供料器分配子系统，实现贴装工艺的优化。本方法能提高贴装效率10%～15%。

附图说明

图1是本发明方法涉及的多吸嘴贴片机结构示意图。

具体实施方式

具体实施方式一：本实施方式中基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化算法，具体步骤如下：

步骤一、使用聚类分析算法，将不同种类的元件进行分类；在贴片过程中，不同封装的元件贴片流程是不同的。比如一块电子印刷板上会有大量的电阻和电容等普通元件，同时会存在若干数量的比如SOP、BGA封装类型的大型多引脚元件。普通元件是不需要图像辅助修正贴片位置即可达到一定精度的，而大型多引脚芯片则需要进行飞行定位辅助修正贴片位置提高精度，若将两种芯片同时吸取贴装势必会延长生产时间，因此使用聚类分析算法将两种类型芯片分类后再分别贴装既能提高遗传算法的速率保证全局最优解，也可有效减少贴片行程，降低生产时间。

步骤二、对步骤一中分类的元件集合建立元器件贴装循环次数数学模型；

步骤三、根据步骤二中建立的元器件贴装循环次数数学模型，采用遗传算法得到贴装顺序及供料器位置配置最优解；将不同类别的元件贴片循环次数数学建模后产生的初始种群，依次进行适应度计算、选择、交叉、变异、产生新种群等循环计算得到每个种类元件的最优贴片顺序及供料器配置位置。

步骤四：将步骤三得到的贴装顺序及供料器位置配置最优解分别提供给贴片机运动控制子系统和供料器分配子系统，实现贴装工艺的优化。

通过以上步骤，进行贴装工艺优化后贴装效率提高了10%～15%。

具体实施方式二：本实施方式中基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化算法与具体实施方式一的不同之处在于：步骤一中聚类分析算法优化贴片数据的方法具体步骤如下：

步骤一一：贴片机的贴片数据是电路印刷板上的元件信息生成的一种数据集合，它包含了即将生产的电路板上所有必要的元件信息，比如元件在电路板上的位置、元件的类型、元件的规格等等。建立一个元件属性向量表示：

X=[x₁,x₂,x₃,x₄]

x₁表示元件是否需要上视检测，取值为0时表示不需要，取值为1时表示需要；x₂表示元件的类型，取值为0时表示该元件为电阻，取值为1时表示该元件为电容，取值为2时表示元件为发光二极管，其它类型依次类推；x₃表示元件的值大小，当取值为0时表示元件无值大小，如发光二极管或者运算放大器，当取值为10时表示电阻阻值为10K，取值为0.1时表示电容大小为0.1μF；x₄表示元件的封装类型和规格，取值为0时表示为CHIP_0805，取值为1时表示CHIP_0604，其余依次类推。

步骤一二：根据步骤一中建立的元件属性向量，采用聚类算法将元件进行分类处理，将提取的属性向量与群特性的向量比较，若两者距离范数最小（为零）则该元素归属这一群聚类；

实现过程如下：

m=1,q=1

C_m={x₁}

For i=2to N

-FIND C_q:d(x_i,C_q)=min_1≤j≤qd(x_i,C_j)

-If d(x_i,C_q)==Θ

*m=m+1

*C_q=C_q∪{x_i}

-Else

*q=q+1

-End{if}

End{for}

其中m={1,...,N}代表元件的序号，N代表元件的总数；q代表聚类数；C_q代表第q个聚类集合；Θ表示距离的最小值(阈值)且Θ=0；d(x_i,C_q)表示从向量X到聚类C_q的距离(相似性)：

$>d(x_i,C_q)={\left(\underset{n=1}{\overset{4}{\Sigma }}{(x_{\mathrm{in}}-C_{\mathrm{qn}})}^2\right)}^{\frac{1}{4}}$>

步骤一三：根据步骤二可将全部元件分成q类，并给出每个聚类中的元素个数。通过聚类分析算法，能够将贴片数据根据不同的属性划分为可数个类型集合，可以降低换取吸嘴的次数、减少飞行定位的次数，降低贴片工艺耗时；根据不同的类型集合按照不同的贴片流程处理，亦可提高遗传算法的计算效率。

具体实施方式三：本实施方式中基于聚类分析与遗传算法的多吸嘴贴片机贴装工艺优化算法与具体实施方式二的不同之处在于：步骤三中采用遗传算法得到贴装顺序及供料器位置配置最优解具体如下：

运用遗传算法计算聚类贴片的最优方案。最优方案重点解决每种元件的飞达库个数和安放位置。由于贴片机是按照：换吸嘴-取件-飞行定位-贴装四个步骤循环工作的，其中换吸嘴和飞行定位是按照具体元件类型而定是否需要的且次数越少耗时越少，步骤三聚类分析时得到的聚类种类即可将这两个过程的次数降至最低；另外，贴装过程的时间即使元件的类型不同耗时也是大致相同的。因此，本发明采用遗传算法进一步解决取件过程中各类型元件的供料器个数和安放位置，针对整个贴片过程而言能够在取件总次数一定的情况下路径最少进一步降低贴片耗时的目的。取件过程遵循以下条件：一是最大化多个吸嘴同时取件次数；二是供料器的个数最少为1个，三是按照图1可知距离PCB板最近的供料器位置为1号库位，其余库位距离依次增加。假设某贴片机共有n=4个吸嘴头，由步骤三聚类分析中得到不需要上视检测的每类元件的个数由大到小依次为q₁,q₂...,q_l，需要求解这些聚类元件的飞达库个数k₁,k₂...,k_l,对应的库位标号为p₁,p₂...

个体编码及初始种群：将k₁,k₂...,k_l组成一条染色体，初始种群数目选择为4个，例如k_i(1≤i≤l)都取二进制数11，即X₁=11111111表示每类元件的飞达数都为4，且依次二进制数10表示3，二进制数01表示2，二进制数00表示1，这样编码能够确保每次基因改变时只有以为变化且数值连续。其余染色体为X₂=11111110，X₃=11111010，X₄=11101010。

适应度计算及选择：将X_i的值带入到适应度函数计算，选择把当前群体中适应度较高的个体按与适应度成正比的概率遗传到下一代群体中，要求适应度较高的个体将有更多的机会遗传到下一代群体中。

其中适应度函数：

MinJ=int(q₁/k₁)+int(q₂/k₂)+...+int(q_l/k_l)+(q₁modk₁+q₂modk₂+...+q_lmodk_l)/n

k₁,k₂...,k_l={1,2,3,4}

其中int()表示取整运算，mod表示取余数运算。适应度函数J表示取件过程的次数，即保证最少的取件过程。

交叉和变异运算：对染色体随机配对并随机交叉基因位置得到新的染色体，如X₂=11111110，X₃=11111010配对并在交叉点4的位置互换基因得到新的染色体X'₂=11111010，X'₃=11111110；在每条染色体的随机位置取反进行变异运算，比如X'₃=11111010将第二位取反变异为新的染色体X″₃=10111010。

将新的染色体带入适应度函数重新计算每个染色体的适应度，选择适应度高的最为下一代的初始种群重复交叉和变异运算直至适应度达到理想的值，一般进行50次运算即可。