基于人工智能优化的键合金丝焊接方法与系统与流程

本发明涉及智能联动控制，特别是涉及基于人工智能优化的键合金丝焊接方法、基于人工智能优化的键合金丝焊接系统。

背景技术：

1、键合金丝是一种用于微电子封装过程中的细金属丝，主要用于集成电路和半导体器件中作为连接引线，将半导体芯片与外部依靠热压球焊或超声热压球焊连接起来，作为芯片和外部电路之间的电连接引线，键合金丝是半导体集成电路、分立器件、传感器、光电子等传统封装工艺制程中必不可少的基础原材料，主要用于连接半导体芯片和外部电路之间的电气通路。它们通常由金、铝或铜等导电性能良好的金属制成。键合金丝是一种用于电子产品制造中的重要材料，控制其生产过程的稳定性和精准性对产品质量至关重要。

2、但是，在键合金丝生产的相关技术领域，目前广泛应用的建模分析方法却存在着明显的局限性，这些建模分析方法在精确识别键合金丝在生产过程中的焊接路程规划不准确，这一技术短板直接导致了产品质量的波动，并显著影响了生产效率的提升。鉴于焊接路程的精确控制对于保障键合金丝连接质量和长期稳定性具有至关重要的作用，因此，现有建模分析方法的这一显著不足，已成为制约键合金丝生产质量进一步提高和生产效率全面优化的核心瓶颈。为了克服这一挑战，本发明提出基于人工智能优化的键合金丝焊接方法以实现对键合金丝生产过程中焊接路程的精准控制。

技术实现思路

1、基于此，有必要针对现有的键合金丝在焊接过程中存在焊接路程规划准确度低、效率低的问题，提出基于人工智能优化的键合金丝焊接方法与系统。

2、本发明通过以下技术方案实现：人工智能优化的键合金丝系统焊接方法包括如下步骤：

3、s1：收集基于焊接电流、电压、温度的实时参数数据，获取基于焊缝形态、液体飞溅的状态数据，记录焊接过程中产生的声音数据。

4、s2：对待加工工件进行三维建模得到工件模型，对工件模型进行空间划分得到栅格地图。根据栅格地图，结合实时参数数据、状态数据和声音数据，使用rrt算法生成初始最优路径。使用dwa算法对初始最优路径进行局部优化得到局部优化路径，利用双向theta*算法对局部优化路径进行调整，得到最优焊接路径。

5、s3：基于机器学习算法构建预测模型，并将实时参数数据输入到预测模型中得到预测结果，根据预测结果对最优焊接路径进行自适应调节。

6、s4：根据最优路径对待加工工件进行焊接，得到键合金丝成品。

7、s5：采集键合金丝成品的工件图像，对工件图像进行预处理、特征提取和缺陷识别，判断键合金丝成品的外观是否符合预设标准，并保留满足预设标准的键合金丝成品。

8、进一步地，在步骤s2中，划分栅格地图的具体步骤包括：

9、s211：将工件模型所处的三维区域分割成网格状。

10、s212：将每个网格定义为一个工件位置节点，每个工件位置节点均记录在网格地图上，得到栅格地图。

11、进一步地，在步骤s2中，初始最优路径的生成方法包括：

12、s221：根据加工工艺选择多个工件位置节点作为途经节点。

13、s222：采用rrt算法生成一条经过全部途径节点的路径作为初始最优路径。进一步地，在步骤s222中，两个相邻的途径节点之间局部初始最优路径的生成方法包括：

14、s2221：设置下一途径节点为qgoal，根据预设的空间形状在当前途径节点与下一途径节点划分空间范围，在空间范围内随机产生一个临时节点qrandom，选择当前途径节点作为临时节点的父节点。

15、s2222：检查临时节点qrandom与当前途径节点连线是否经过障碍物，是则丢弃临时节点，并重新生成临时节点，否则根据临时节点qrandom与当前途径节点连线与x轴的夹角θ以及步长s确定新节点qnew的位置，并将新节点qnew放入节点链表p当中。

16、其中，新节点的坐标公式表达为：

17、；

18、；

19、式中，xnew是新节点的x轴坐标，ynew是新节点的y轴坐标，为当前途径节点的x轴坐标，为当前途径节点的y轴坐标。

20、进一步的，在步骤s2中，使用dwa算法对局部初始最优路径进行局部优化包括：

21、s231：根据局部初始最优路径以及实时参数数据形成多个预测轨迹ci。

22、s232：取预测轨迹末端的速度v来延长预测轨迹曲线，并根据预测轨迹末端的角速度w来剔除不合格的预测轨迹。

23、s233：根据节点链表p中的新节点确定临时目标点。

24、s234：判断当前途径节点与临时目标点之间是否出现障碍物，是则对障碍物进行标记。并丢弃相对应的一簇预测轨迹ci。

25、s235：根据当前临时目标点的位置与偏航角选择下一临时目标点。

26、s236：判断下一临时目标点是否为下一途径节点，是则输出经过每个临时目标点的局部初始最优路径。否则继续寻找下一临时目标点。

27、进一步地，在步骤s232中，采用dwa算法的评价函数剔除不合格的预测轨迹，公式表达为：

28、；

29、式中，α，β，γ是评价函数各个指标对应的权值，head(v，w)表示方位角的评价函数，其值为π-θ，θ是角度的差值，vel(v，w)表示当前机器人运动时刻的线速度大小，dist(v，w)表示当机器人在速度(v，w)时，它的相应运动轨迹与障碍物之间的最短距离，σ值为归一化系数。

30、进一步的，在步骤s2中，使用双向theta*算法对当前途径节点和下一途径节点之间的局部最优路径进行调整获取最优焊接路径的步骤包括：

31、s241：初始化当前途径节点和下一途径节点，分别在正反两个搜索方向上创建open表和close表，并将当前途径节点和下一途径节点加入对应的open表中，从当前途径节点到临时目标点的实际路径代价g值，从临时目标点到下一途径节点的启发式估算代价f值。

32、s242：比较open列表中当前途径节点到每个临时目标点的启发函数f值，更新f值最小的临时目标点作为最优临时节点。

33、s243：检查最优临时节点是否为下一途径节点，是则生成一条经过所有最优临时节点的正向路径。否则将最优临时节点移入close列表并从open列表移除。

34、s244：从下一途径节点逆向寻找逆向最优临时节点直到当前途径节点，生成一条经过所有逆向最优临时节点的逆向路径，判断正向路径与逆向路径是否一致，是则保留正向路径作为最优焊接路径。

35、进一步的，在步骤s3中，构建基于机器学习算法的预测模型，并将焊接参数放入预测模型中，输出预测结果，判断预测结果是否超出预设的参数范围，是则根据rrt算法调整最优焊接路径。

36、进一步的，在步骤s5中，预处理包括数字化、归一化、灰度变换、直方图均衡化处理，数字化用于将工件图像转换为数字图像。归一化用于数字图像的像素值转到0~1之间。灰度变换用于调节数字图像的灰度级分布。直方图均衡化对图像中像素个数多的灰度级进行展宽，对像素个数少的灰度级进行缩减。

37、本发明还提供基于人工智能优化的键合金丝焊接系统，包括：

38、数据收集模块，用于收集焊接电流、电压、温度实时数据，获取焊缝形态、液体飞溅的状态数据，记录焊接过程中产生的声音数据。

39、路径规划模块，包括划分栅格单元、初始路径单元、优化路径单元、微调路径单元。划分栅格单元用于将待加工工件的三维工件模型划分为网格状形成栅格地图。初始路径单元用于根据栅格地图、实时参数数据、状态数据和声音数据，使用rrt算法生成初始最优路径。优化路径单元用于使用dwa算法对初始路径进行局部优化得到局部优化路径。微调路径单元用于使用双向theta*算法对局部优化路径进行微调，得到最优焊接路径。

40、自适应调节模块，用于判断焊接过程中，实际焊接路径是否经过障碍物，是则采用所述rrt算法对所述最优焊接路径进行自适应调整。

41、焊接模块，用于根据所述最优焊接路径对所述待加工工件进行焊接，得到键合金丝成品。

42、焊接检测模块，用于对所述键合金丝成品进行检测，判断所述键合金丝成品的外观是否符合预设标准，并保留满足所述预设标准的键合金丝成品。

43、相较于现有技术，本发明具有如下有益效果：

44、本发明采用rrt算法能够快速生成初始最优路径，为后续的局部优化和调整提供了良好的基础，双向theta*算法则从两端同时搜索，进一步提高了路径规划的效率，dwa算法在局部优化过程中充分考虑了实时的障碍物信息和机器人的动力学约束，确保了路径的安全性。双向theta*算法能够找到更加自然、平滑的路径，避免了不必要的转弯和停顿，提高了焊接的效率和质量。整个算法流程结合了多种算法的优点，根据不同的应用场景和需求进行灵活调整和优化。dwa算法具有实时性强的特点，能够根据实时的参数数据和状态数据对路径进行动态调整和优化。

45、通过优化焊接路径和减少不必要的移动和停顿，显著提高焊接生产效率。智能的路径规划功能能够确保焊接线条在连接处无缝且平整，从而提高焊接产品的质量和可靠性。通过提高焊接效率和质量，智能能够降低制造成本和废品率，为企业创造更大的经济效益。