数据挖掘在提高SMT焊接质量中的应用研究

摘要

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的主要工艺流程一锡膏印刷、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。

目录

摘要

第一章 绪论

1．1 课题提出的背景及研究意义

1．2 表面贴装技术工艺概述

1．3 表面贴装技术的国内外研究现状

1．4 本文主要研究内容与结构

第二章 数据挖掘技术

2．1 数据挖掘的基本原理

2．1．1 数据、信息与知识

2．1．2 数据挖掘的流程

2．1．3 数据挖掘的体系结构

2．2 数据挖掘算法分类

2．3 数据挖掘算法的选择

2．4 本章小结

第三章 基于SOM和K-Means的二次聚类方法

3．1 SOM神经网络

3．1．1 SOM神经网络的模型

3．1．2 SOM神经网络的训练思路

3．1．3 SOM神经网络的优缺点分析

3．2 K-Means聚类算法

3．2．1 K-Means聚类算法的学习过程

3．2．2 K-Means聚类算法的的优缺点分析

3．3 基于SOM和K-Means的二次聚类方法

3．3．1 S-K二次聚类方法的改进思路

3．3．2 S-K二次聚类方法的计算过程

3．4 实验仿真验证

3．5 本章小结

第四章 决策树分类算法

4．1 决策树算法的主要研究内容

4．1．1 属性选择标准

4．1．2 决策树的剪枝技术

4．2 决策树算法的分析和选择

4．3 C4.5决策树算法及其改进算法

4．3．1 C4.5决策树算法

4．3．2 改进的C4.5算法

4．3．3 实验仿真验证

4．4 本章小结

第五章 焊接质量预测模型设计与验证

5．1 SMT焊接质量预测模型的框架

5．2 数据预处理

5．2．1 数据准备

5．2．2 数据清洗

5．2．3 数据约简

5．2．4 数据转换

5．3 聚类分析

5．4 基于决策树的焊接质量预测

5．4．1 决策树的生成

5．4．2 决策树性能测试

5．5 本章小结

结论及展望

参考文献

攻读学位其间发表的论文

声明

致谢