一种基于胶体剩余量的时间压力智能控制方法与流程

本发明涉及胶量控制技术领域，尤其涉及一种基于胶体剩余量的时间压力智能控制方法。

背景技术：

点胶是微电子封装工业中一道很重要的工序，广泛用于集成电路封装和表面贴装，把一定量的胶体点胶到工件上看似简单，然而由于点胶过程涉及到气体、液体等多种介质，所用的粘接剂为非牛顿流体，其复杂多变的性能使得点胶的性能和质量难以保证。

时间-压力方式是目前封装过程中应用最广泛的点胶技术，但它的精度不高；从控制的角度来看，半导体封装过程具有一些特性：过程为多变量、非线性、强耦合、分布式参数及干扰敏感性大。

时间-压力点胶技术其主要原理为：注射针管中的胶体直接受到压缩空气的压力，有一个电磁阀在一定时间内控制出胶量；当机器工作时，顶针首先接触到待点胶物，机器发出信号，点胶控制器接收到信号后，输出点胶信号使电磁阀吐胶通道开通，施加气压，针管内开始増压，压力为p，并迫使胶体流出，同时设定加压时间为t，当时间到位后，电磁阀吐胶通道关闭，点胶停止，接着点胶头移到下一个点胶位置。

点胶过程传统上是开环控制，目前市场上对剩余胶量下的出胶量控制主要按经验来调节，此种调节方法比较费时且无法做到每次出胶很好的一致性。

技术实现要素：

针对现有技术存在的问题：本发明提供了基于胶体剩余量的时间压力智能控制方法，通过检测不同剩余胶量下的出胶时刻和电压数值的大小，并通过神经网络模型计算得到出胶量，数字化显示点胶时间和胶体剩余量，此种方法调节简单方便，具有较好的一致性，保证稳定的点胶效果和精准的出胶量。

本发明解决其技术问题所采用的技术方案是：一种基于胶体剩余量的时间压力智能控制方法，包括以下步骤：

s1：启动剩余胶量调节，电磁阀吐气道开通，针管内气压升高，控制器电压值随之增大，采集控制器出胶时刻和对应电压值；

控制器控制电磁阀开通时间，吐胶时间越长，吐出胶量就越多，控制器控制比例阀输出端气压值，电压越大，吐出气压越大，吐出胶量就越多；

当设定吐出压力参数后，气压注入针筒内，气压值逐渐增大，通过控制器内部转换，在控制器端测得点胶时间在某个出胶时刻和电压值的对应关系。

s2：根据出胶时刻和电压函数的偏微分值与管内剩余胶量成正比关系，标定剩余胶量；

由于满胶时，筒内气体容积为最小值，胶体容积为最大值，电磁阀开通前，筒内气体压强等于大气压强，由于此时气体容积最小，当电磁阀开通后，筒内气体达到气压平衡的所需的时间最短，即1个大气压和设定压力参数，因此出胶时刻和电压曲线偏微分值为最大值；点胶过程中，胶体剩余量逐渐减少，筒内气体容积增大，气压平衡所需时间增大，因此时间压力函数一阶偏微分值减小，通过出胶时刻和电压函数一阶偏微分值标定当前剩余胶量。

s3：建立当前剩余胶量、点胶时间、吐出压力与吐出胶量之间的模型，预测吐出胶量值。

进一步的，s1的采集控制器电压和出胶时刻有两种方式，一种设定若干组不同电压和出胶时刻参数，另一种设定若干组固定电压和出胶时刻参数。

设定若干组固定电压和出胶时刻参数：

设定固定吐出压力值，通过控制器将气压值转换为电压值，由于满胶时，胶体容积为最大值，筒内气体容积为最小值，电磁阀开通前，筒内气体压强等于大气压强，由于此时气体容积最小，当电磁阀开通后，筒内气体达到气压平衡的所需的时间最短因此出胶时刻和电压曲线偏微分值为最大值；点胶过程中，胶体剩余量逐渐减少，胶体容积也减少，筒内气体容积增大，筒内气体达到气压平衡所需时间增大，因此时间出胶时刻和电压一阶偏微分值逐渐减小，由此用出胶时刻和电压函数一阶偏微分值来标定胶体剩余量。

设定若干组不同电压和出胶时刻参数：

设定吐出压力值变化，需要基于当前设定吐出压力参数的情况下，用采集到的控制器电压和出胶时刻曲线一次偏微分值来标定胶体剩余量。

进一步的，s2的出胶时刻和电压函数是根据出胶时刻和控制器测得电压值，利用origin软件进行多项式拟合，得到参数a，b，c数值，得到电压和出胶时刻的二次函数，表达式为：u=c+bt+at²。

进一步的，s2的剩余胶量是根据二次函数进行一阶偏微分值得到当前时刻剩余胶量。

根据偏微分值进行当前剩余胶量胶量标定，在点胶过程中，通过实测的出胶时刻和电压样本进行拟合，计算表达式一阶偏微分值，从而得出当前时刻剩余胶量；对二项式进行一阶微分后，得到u^'=2at+b，当剩余胶量为90%，即标定t时刻90%胶量对应的值为2at+b，t为固定值，2at+b为常数，按此方法进行其他剩余胶量下的样本函数拟合，并标定其他剩余胶量。

进一步的，s3的当前剩余胶量、点胶时间、吐出压力与吐出胶量建立模型，包括以下步骤：

s31：建立剩余胶量、吞吐压力、点胶时间为输入，吐出胶量为输出的测试集合，并对测试集数据进行归一化处理；

s32：将归一化处理后测试集数据送入bp神经网络模型训练，采用levenberg_marquardt优化算法对bp算法进行改进，通过设置显示频率、设置最大训练次数、训练目标精度和学习率，建立稳定bp神经网络模型，得到模型权值和阈值参数；

s33：通过对比实际测试吐出胶量和bp神经网络预测吐出胶量对比，验证模型有效性。

电压控制器除用于出胶量调节外，还具有胶体剩余量报警判断，当胶体剩余量小于设定报警值时，控制器屏蔽吐胶信号，同时在显示屏上显示报警提示信息。

本发明的有益效果是：

1、通过检测不同胶体剩余量下控制器出胶时刻和电压数值的大小，通过神经网络模型预测吐出胶量，此种方法调节简单方便，并且可以做到很好的一致性，保证每次点胶作业时出胶量一致，从而保证稳定的点胶效果和精准的吐出胶量。

附图说明

图1为本发明基于胶体剩余量的时间压力智能控制方法流程图；

图2为本发明时间-电压拟合二项式公式；

图3为本发明实际出胶量和预测出胶量的对比效果图。

具体实施方式

下面结合附图，对本发明的实施例作进一步的详细说明。

本发明的一种基于胶体剩余量的时间压力智能控制方法，具体为：

s1：启动剩余胶量调节，电磁阀吐气道开通，针管内气压升高，控制器电压值随之增大，采集控制器出胶时刻和对应电压值；

s2：根据出胶时刻和电压函数的偏微分值与管内剩余胶量成正比关系，标定剩余胶量；

例如设定点胶时间和吐出压力参数为50ms和100kpa，吐出压力逐渐增大，电压随之增大，采集电压和对应出胶时刻样本集，其中出胶时刻为点胶时间上的离散点值；如表1为剩余胶量为90%时，出胶时刻对应电压值，图2是根据出胶时刻和电压值得到拟合函数曲线图。

表1

根据出胶时刻和控制器测得电压值，利用origin软件进行多项式拟合，得到电压值和出胶时刻的一般二次函数。

根据表1样本集运用origin软件进行函数拟合得出参数a，b，c数值，拟合二项式表达式为：u=c+bt+at²，表2为电压与出胶时刻的二项式表达式，以及a，b，c参数值：

表2

根据电压与出胶时刻的二项式表达式的偏微分值进行当前剩余胶量胶量标定，在点胶过程中，通过实测的电压与出胶时刻样本进行拟合，得出当前时刻剩余胶量。进行一阶微分后，得到u^'=2at+b，其中u^'=du/dt，u^'表示电压随气体平衡所需时间的变化率；例如剩余胶量为90%时，胶筒内气体达到平衡时间较短，对应的u^'较大，随着剩余胶量的减少，胶筒内气体达到平衡时间变大，对应的u'越小，所以出胶时刻和电压二次函数的偏微分值与管内剩余胶量成正比关系。

在设定点胶时间和吐出压力参数为50ms和100kpa条件下，胶筒内气压增大，剩余胶量随着时间逐渐减小，当剩余胶量为90%时，标定t时刻90%剩余胶量对应的值为2at+b，选取t为30ms定值，30ms时刻90%胶量对应的值为60a+b；按t为30ms定值进行其他剩余胶量下的样本函数拟合，采集其它剩余胶量的出胶时刻对应电压值，通过二次函数的偏微分值，标定t为30ms定值时其他剩余胶量。

s3：建立当前剩余胶量、点胶时间、吐出压力与吐出胶量之间的模型，预测吐出胶量值。

根据控制器记录到的出胶时刻和电压值，得到剩余胶量；建立剩余胶量、吐出压力、点胶时间样本集，并作为输入；测量每次出胶量，建立出胶量输出样本集；将胶体剩余量样本，吐出压力、点胶时间与出胶量数据对构建成样本数据；举例数据如表3所示；其中，剩余胶量按照10%递减，设置不同吞吐压力和不同点胶时间的出胶量集合，实际数据建立过程中剩余胶量的设定为1-100%，共计100种场景，本实施例表格中只列出10种数据。

表3

再举例建立一组剩余胶量按照10%递减，吐出压力恒定为120kpa，但点胶时间不同的输入样本集，建立出胶量为输出的样本集，数据如表4所示：

表4

采用表3、表4类型的样本集，为了防止过拟合，本实施例实际共采集5000组测试集数据，针对不同剩余胶量、不同吐出压力、不同点胶时间条件下的出胶实测数据作为测试集；对数据进行归一化处理，设计三层前向神经网络，输入层神经元个数为1，隐层神经元个数为5，输出层神经元个数为1；隐层和输出层都选取sigmoid函数为激励函数；在matlab软件中初始化权值函数为：[w1,b1,w2,b2]=initff(xin,n,'tansig',yout,'purelin')，其中，xin为输入矢量，n为隐层神经元个数，tansig为传递函数，yout为输出层神经元个数，purelin为传递函数，w1为第一层神经网络权值矩阵，b1为第一层神经网络偏置，w2为第一层神经网络权值矩阵，b2为第二层神经网络偏置。

采用优化算法levenberg_marquardt法对bp算法进行改进，matlab中采用[w1,b1,w2,b2,te,tr]=trainlm(w1,b1,'tansig',w2,b2,'purelin',xin,t,tp)函数训练神经网络；其中，te为实际训练次数，tr为网络训练误差平方和向量，t为目标向量，tp为学习算法参数表，tp=[dispfreq,maxepoch,erogoal,learnrate]用来设置显示频率、最大训练次数、训练目标精度和学习率，这里分别设为：dispfreq=20，maxepoch=3000，erogoal=0.001，learnrate=0.001；经过训练学习，得到一组权系数[w1,b1,w2,b2]，这组权系数就代表胶体剩余量样本、点胶时间、吐出压力值与吐出胶量的bp神经网络模型参数。

测量过程中，采集到胶体剩余量、点胶时间、吐出压力值后，进行归一化处理，然后代入神经网络前向计算公式（1）和公式（2）：

隐层的第个神经元的输出表示为：

输出层的神经元的输出表示为：

其中，为输入矩阵，为输出，为权系数，为阈值，为激励函数，根据前向公式得到系统的输出，最后进行反归一化处理。

采用此方法训练得到稳定bp神经网络模型，利用10组验证数据对模型进行校验，得出胶量实测结果与预测结果的对比值如表5所示：

表5

图3为实际出胶量和预测出胶量的对比效果图，从图中可以看出实测出胶量和预测出胶量基本一致，说明本发明建立的bp神经网络模型稳定有效。

另外，再选取10组数据验证，在剩余胶量递减，吐出压力恒定，点胶时间增加时，实测出胶量和预测出胶量的对比，对比结果如表6所示：

表6

从上表可以看出实测出胶量和预测出胶量基本相同，同时每次预测出胶量也基本相同，说明本发明建立的bp神经网络模型预测出胶量基本一致，有好的点胶效果和精准的吐出胶量。

本发明的有益效果是通过检测不同胶体剩余量下控制器出胶时刻和电压数值的大小，通过神经网络模型预测吐出胶量，此种方法调节简单方便，并且可以做到很好的一致性，保证每次点胶作业时出胶量一致，从而保证稳定的点胶效果和精准的吐出胶量。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。