一种基于机器学习的键合机焊接质量检测方法与流程

本申请涉及键合机，尤其是涉及一种基于机器学习的键合机焊接质量检测方法。

背景技术：

1、键合机在键合过程中，由于芯片/基板污染造成的焊接质量问题往往难以在焊接过程中直接检测，即使在后续工艺中能检测出焊接质量问题也会导致错过补焊机会，导致芯片报废，良品率下降。如果不能及时检测焊线质量问题，甚至会造成后续焊点空压(指劈刀与芯片/基板直接接触)，对芯片/基板造成破坏。

2、目前焊接质量检测的主要方法有电检法、变形量检测等。其中，电检法利用电路导通/不导通时电流/电压的差异检测焊线与芯片/基板的连通情况，对于完全不能焊接的焊点或焊线断裂的情况有较好的检测能力，同时可以较好地检测线尾长度。

3、但电检法对于能焊接但焊接质量不达标的焊接不能有效检测。并且电检法需要专门的通电回路，会增加键合头的复杂度及成本。同时，电检法往往需要额外的时间或动作进行检测，会导致焊线速度变慢。

技术实现思路

1、本申请的其中一个目的在于提供一种能够解决上述背景技术中至少一个缺陷的基于机器学习的键合机焊接质量检测方法。

2、为达到上述的至少一个目的，本申请采用的技术方案为：一种基于机器学习的键合机焊接质量检测方法，包括如下步骤：

3、s100：于键合机焊接过程中连续采集焊点的变形量数据和超声阻抗数据；

4、s200：在当前采集的焊点数量达到设定值时，对当前采集的焊点的平均变形速率以及最小阻抗进行特征处理，基于特征处理的特征数据进行聚类；

5、s300：继续采集焊点并基于聚类的边界判断新焊点是否焊接正常；若新焊点焊接正常，将新焊点的特征加入到聚类中进行聚类更新；若新焊点焊接不正常，进行报警并中断焊接过程；

6、s400：重复步骤s300，直至完成全部的焊接过程。

7、优选的，在步骤s100中，于每个焊点的焊接过程中对焊点的变形量数据以及超声阻抗数据进行多次采样，从而在该焊点的焊接完成后计算并记录当前焊点的平均变形速率和最小阻抗。

8、优选的，聚类采用优化后的dbscan算法；在进行焊点特征数据的聚类过程中，通过观测聚类的结果实时调整聚类的输入量以进行聚类的更新。

9、优选的，聚类的输入量包括领域半径以及阈值，通过调整阈值对聚类进行更新。

10、优选的，在步骤s300中，对于新焊点的焊接情况判断包括如下具体过程：

11、s310：建立聚类坐标系，横纵坐标轴分别表示平均变形速率和最小阻抗；

12、s320：基于聚类的结果在聚类坐标系中形成对应的聚类点；

13、s330：寻找聚类点中的核心点，并根据核心点划分边界；

14、s340：将新焊点对应的特征映射至聚类坐标系中形成映射点，若映射点介于边界和横纵坐标轴之间的区域，判定该新焊点焊接不正常，否则判定该新焊点焊接正常。

15、优选的，在步骤s300中，当聚类的焊点数量达到设定的数据更新阈值时，对部分历史焊点进行舍弃。

16、优选的，在步骤s300中，当采集的焊点数量达到设定的数据更新阈值时，保留设定数量的最新焊点并对保留的焊点重新进行聚类，其余焊点进行丢弃。

17、优选的，在步骤s300中，若出现频繁发生误报或实际焊接质量差而不报警的情况，基于聚类坐标系内聚类点的分布情况，对聚类的输入量进行调整。

18、与现有技术相比，本申请的有益效果在于：

19、(1)与电检法相比，本申请的检测方法利用换能器和变形量等现有特性对焊接结果进行判别，不需要额外的装置，节约成本，且可以区分能焊接但焊接质量差的情况。

20、(2)与纯变形量检测方法相比，本申请可以适用于开启变形量控制后的检测。本申请同时将变形速率与换能器相关的数据作为特征变量进行检测，检测结果更加可靠。

21、(3)本申请采用无监督学习方式，不需客户输入焊接质量评价结果，方便操作，采用可视化显示，方便用户寻找合适阈值。

22、(4)本申请采用优化后的dbscan聚类算法，算法忽略新值对历史值的影响，且针对本申请用到的二分类进行了优化，计算速度快。与电检法相比，本申请的检测方法额外消耗的时间在1ms之内，几乎不会影响焊线的速度。

技术特征：

1.一种基于机器学习的键合机焊接质量检测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于机器学习的键合机焊接质量检测方法，其特征在于，在步骤s100中，于每个焊点的焊接过程中对焊点的变形量数据以及超声阻抗数据进行多次采样，从而在该焊点的焊接完成后计算并记录当前焊点的平均变形速率和最小阻抗。

3.如权利要求1所述的基于机器学习的键合机焊接质量检测方法，其特征在于，聚类采用优化后的dbscan算法；

4.如权利要求3所述的基于机器学习的键合机焊接质量检测方法，其特征在于，聚类的输入量包括领域半径以及阈值，通过调整阈值对聚类进行更新。

5.如权利要求1-4任一项所述的基于机器学习的键合机焊接质量检测方法，其特征在于，在步骤s300中，对于新焊点的焊接情况判断包括如下具体过程：

6.如权利要求5所述的基于机器学习的键合机焊接质量检测方法，其特征在于，在步骤s300中，当聚类的焊点数量达到设定的数据更新阈值时，对部分历史焊点进行舍弃。

7.如权利要求6所述的基于机器学习的键合机焊接质量检测方法，其特征在于，在步骤s300中，当采集的焊点数量达到设定的数据更新阈值时，保留设定数量的最新焊点并对保留的焊点重新进行聚类，其余焊点进行丢弃。

8.如权利要求5所述的基于机器学习的键合机焊接质量检测方法，其特征在于，在步骤s300中，若出现频繁发生误报或实际焊接质量差而不报警的情况，基于聚类坐标系内聚类点的分布情况，对聚类的输入量进行调整；其中，聚类的输入量为领域半径及阈值。

技术总结
本申请公开了一种基于机器学习的键合机焊接质量检测方法，包括如下步骤：于键合机焊接过程中连续采集焊点的变形量数据和超声阻抗数据；在当前采集的焊点数量达到设定值时，对当前采集的焊点的平均变形速率以及最小阻抗进行特征处理，基于特征处理的特征数据进行聚类；继续采集焊点并基于聚类的边界判断新焊点是否焊接正常；若新焊点焊接正常，将新焊点的特征加入到聚类中进行聚类更新；若新焊点焊接不正常，进行报警并中断焊接过程；重复前述步骤直至完成全部的焊接过程。本申请的有益效果：与电检法相比，本申请的检测方法利用换能器和变形量等现有特性对焊接结果进行判别，不需要额外的装置，节约成本，且可以区分能焊接但焊接质量差的情况。

技术研发人员：郑林卫,田志,谢栋,郑劼,唐昀
受保护的技术使用者：宁波尚进自动化科技有限公司
技术研发日：
技术公布日：2025/3/13