一种基于神经网络的印制电路板孔加工质量预测方法技术

本发明专利技术涉及电路板加工技术领域，具体涉及一种基于神经网络的印制电路板孔加工质量预测方法，首先确定神经网络模型中输入层和输出层的个数，根据输入层个数设计实验，进行若干次实验以获取孔加工的实验数据，对获取的实验数据进行预处理后构建神经网络模型，利用处理后的实验数据对神经网络模型进行训练和验证，利用构建好的神经网络模型对需要进行预测的加工参数进行模拟，获取最优参数。本发明专利技术利用神经网络构建影响孔质量的因素与孔加工质量要求之间的预测模型，利用该模型进行工艺模拟来获得最优的加工参数，使电路板的孔加工达到质量要求，确保了产品的质量，相较于传统的加工实验，实验成本更低，实验次数更少，周期更短，实验结果更准。实验结果更准。实验结果更准。

【技术实现步骤摘要】
一种基于神经网络的印制电路板孔加工质量预测方法


[0001]本专利技术涉及电路板加工
，具体涉及一种基于神经网络的印制电路板孔加工质量预测方法。

技术介绍

[0002]线路板，也即印刷线路板，又称PCB或印制电路板，是电子工业的重要部件之一。随着信息技术的飞速发展，各种设备之间的信息交流正朝着快速化、复杂化及多样化的趋势发展，为应对不同设备对信息传输过程中的要求，开发了多种印制电路板材料来满足不同的需求。面对多种不同材料特性、不同厚度的印制电路板的孔加工，如何选择合理的加工参数来达到满足高效高质的需求成为加工中的难点。目前，一般是在批量加工前先进行加工实验，根据加工的结果选择适合的加工参数来确保电路板孔加工最终能够符合质量要求，然后在保障质量要求的基础上提高生产效率，此种方法针对不同的产品需要消耗大量的时间来测试，且实际的加工测试过程中可能会存在一些人工误差，导致结果不准确，实验出来的加工参数不一定符合最优的结果。

技术实现思路

[0003]为了解决上述问题，本专利技术提供了一种基于神经网络的印制电路板孔加工质量预测方法。
[0004]本专利技术采用如下方案实现：
[0005]一种基于神经网络的印制电路板孔加工质量预测方法，首先确定神经网络模型中输入层和输出层的个数，根据输入层个数设计实验，进行若干次实验以获取孔加工的实验数据，对获取的实验数据进行预处理后构建神经网络模型，利用处理后的实验数据对神经网络模型进行训练和验证，利用构建好的神经网络模型对需要进行预测的加工参数进行模拟，获取最优参数；所述输入层为影响孔质量的因素，所述输出层为所加工的孔的质量要求。
[0006]进一步的，包括以下步骤：
[0007]S1，确定伸进神经网络模型中输入层个数和输出层个数；
[0008]S2，根据输入层的个数设计全因子实验，重复进行若干次实验，获取电路板孔加工质量的实验数据；
[0009]S3，对获取的实验数据进行预处理，对实验数据进行归一化处理，将获取的实验数据按照合适的比例分配为训练数据和验证数据；
[0010]S4，构建神经网络模型，确定隐藏层数量以及训练参数；
[0011]S5，利用S3中的训练数据对神经网络模型进行训练；完成神经网络模型的构建；
[0012]S6，完成神经网络模型的构建；利用S3中的训练数据对神经网络模型进行训练
[0013]S7，将验证数据集需要进行预测的备选加工参数输入训练构建后好的神经网络模型，对利用神经网络模型进行验证工艺模拟，获得工艺模拟输出的结果；
[0014]S8，选择备选的加工参数在模型中进行根据工艺模拟，根据输出的结果，在备选加工参数中获取最优的加工参数。
[0015]进一步的，所述步骤S2中，在确定好具体的输入层和输出层后，根据输入的因素选取各个因素的水平，进行全因子实验，对不同因素和不同水平加工下的所要求的孔的质量进行检测，重复若干次实验后获取实验数据。
[0016]进一步的，所述步骤S3中，将获取的实验数据随机分配为训练数据和验证数据，其中训练数据为实验数据的70～90％。
[0017]进一步的，所述步骤S4中训练参数包括节点数、传递函数、训练方法、学习方法、学习率、训练次数、训练目标。
[0018]进一步的，所述训练参数中的传递函数、训练方法、学习方法、学习率、训练次数、训练目标参数通过多次模拟实验获得，在多次模拟实验的结果中，在多次模拟实验的结果中所有训练参数的调整需满足保证模型训练梯度下降过程中出现梯度爆炸或梯度消失，且在满足所设定的误差范围内模型运行的时间最短，根据设定的误差结果选取最佳的训练参数。
[0019]进一步的，所述步骤S5中，在利用训练数据对神经网络模型进行训练后，利用S3中的验证数据对神经网络模型进行验证，调整神经网络模型的参数到预设的目标误差范围内。
[0020]进一步的，所述步骤S7中，对神经网络模型进行验证，结果满足小于可接受误差范围之后，需要选择新的加工参数设计实验，获取相应的实验结果，利用新的实验结果对神经网络模型进行准确性测试，若测试结果满足小于可接受误差范围，则继续执行步骤S8，若测试结果不满足小于可接受误差范围，则回到步骤S4。
[0021]进一步的，所述步骤S5中，若训练和验证之后判定未达到训练目标，则回到S4。
[0022]进一步的，所述影响孔质量的因素包括加工材料的物理特性、加工刀具的结构和材料、加工刀具直径和加工参数；所述孔的质量要求包括孔壁粗糙度、孔位精度、毛刺及圆度等孔质量指标。
[0023]对比现有技术，本专利技术具有以下有益效果：
[0024]1.本专利技术利用神经网络构建影响孔质量的因素与孔加工质量要求之间的预测模型，利用该模型进行工艺模拟来获得最优的加工参数，使电路板的孔加工达到质量要求，确保了产品的质量，相较于传统的实际加工实验，实验成本更低，实验次数更少，周期更短，实验结果更准。
[0025]2.利用该神经网络模型，不仅能预测某一个生产条件的某一种孔质量指标，还能预测该条件下多种孔质量指标，能对某种生产条件下的孔质量进行综合评估，进一步改善孔加工质量。
[0026]3.利用该神经网络模型，能针对特定孔质量指标进行优化，只需要进行不同的工艺模拟，然后获取特定孔质量指标的生产条件，进行重复实验即可根据输出结果针对性地进行优化。
附图说明
[0027]图1为本专利技术提供的一种基于神经网络的印制电路板孔加工质量预测方法的流程
图。
[0028]图2为本专利技术的神经网络模型结构图。
具体实施方式
[0029]为便于本领域技术人员理解本专利技术，下面将结合具体实施例和附图对本专利技术作进一步详细描述。
[0030]参照图1至图2，本专利技术提供的一种基于神经网络的印制电路板孔加工质量预测方法，首先确定神经网络模型中输入层和输出层的个数，根据输入层个数设计实验，进行若干次实验以获取孔加工的实验数据，对获取的实验数据进行预处理后构建神经网络模型，利用处理后的实验数据对神经网络模型进行训练和验证，利用构建好的神经网络模型对需要进行预测的加工参数进行模拟，获取最优参数。
[0031]所述输入层为影响孔质量的因素，所述输出层为所加工的孔的质量要求。其中，影响孔质量的因素包括加工材料的物理特性、加工刀具的结构和材料、加工刀具直径和加工参数(比如机床转速、进给速度)，孔的质量要求包括孔壁粗糙度、孔位精度、毛刺及圆度等孔质量指标。
[0032]基于神经网络的印制电路板孔加工质量预测方法包括以下步骤：
[0033]S1，确定伸进网络模型中输入层个数和输出层个数，本实施例中，输入层的个数为3，输出层的个数为2，其中输入层包括机床钻速、进给速度和加工孔数(具体实施可根据实际需求进行设置)，输出层包括孔壁粗糙度和孔位精度(具体实施可根据实际需求进行设置)；
[0034]S2，根据输入层的个数设计实验(需要保证能获取到神经网络模型的训练和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的印制电路板孔加工质量预测方法，其特征在于，首先确定神经网络模型中输入层和输出层的个数，根据输入层个数设计实验，进行若干次实验以获取孔加工的实验数据，对获取的实验数据进行预处理后构建神经网络模型，利用处理后的实验数据对神经网络模型进行训练和验证，利用构建好的神经网络模型对需要进行预测的加工参数进行模拟，获取最优参数；所述输入层为影响孔质量的因素，所述输出层为所加工的孔的质量要求。2.根据权利要求1所述的基于神经网络的印制电路板孔加工质量预测方法，其特征在于，包括以下步骤：S1，确定神经网络模型中输入层个数和输出层个数；S2，根据输入层的个数设计实验，重复进行若干次实验，获取电路板孔加工质量的实验数据；S3，对获取的实验数据进行预处理，对实验数据进行归一化处理，将获取的实验数据分配为训练数据和验证数据；S4，构建神经网络模型，确定隐藏层数量以及训练参数；S5，；完成神经网络模型的构建；S6，利用S3中的训练数据对神经网络模型进行训练S7，将验证数据集输入训练后的神经网络模型，对神经网络模型进行验证；S8，选择备选的加工参数在模型中进行工艺模拟，根据输出的结果，在备选加工参数中获取最优的加工参数。3.根据权利要求2所述的基于神经网络的印制电路板孔加工质量预测方法，其特征在于，所述步骤S2中，在确定好具体的输入层和输出层后，根据输入的因素选取各个因素的水平，进行全因子实验，对不同因素和不同水平加工下的所要求的孔的质量进行检测，重复若干次实验后获取实验数据。4.根据权利要求2所述的基于神经网络的印制电路板孔加工质量预测方法，其特征在于，所述步骤S3中，将获取的实验数据随机分配为训练数据和验证数据，其中训练数据为实验数据的70～90％。5.根据权利要求2所述的...

【专利技术属性】
技术研发人员：郑李娟，严冰，王成勇，欧卓东，黄欣，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：