【技术实现步骤摘要】
本专利技术涉及焊锡条性能管理，具体是涉及基于多因素的焊锡条抗拉伸强度智能检测方法及系统。
技术介绍
1、锡焊条是用来锡焊的焊条。在不要求高温高压条件下锡焊可用于密封式金属焊接，焊锡是一种常用的焊接材料，它的主要成分是锡，焊锡条的抗拉强度是指在拉伸状态下能够承受的最大力量，焊锡条的抗拉强度直接影响焊接工艺的强度，因此对于焊锡条的抗拉强度的把控是至关重要的。
2、由于焊锡条的抗拉强度的老化，是各种环境因素之间交互影响所共同作用的，现有的对于焊锡条抗拉伸强度的老化测试方式缺乏对于各种环境因素的综合考量，难以实现对于焊锡条抗拉伸强度的精准预测把控。
技术实现思路
1、为解决上述技术问题，提供一种基于多因素的焊锡条抗拉伸强度智能检测方法及系统，本技术方案解决了上述的现有的对于焊锡条抗拉伸强度的老化测试方式缺乏对于各种环境因素的综合考量，难以实现对于焊锡条抗拉伸强度的精准预测把控的问题。
2、为达到以上目的，本专利技术采用的技术方案为：
3、一种基于多因素的焊锡条抗拉伸强度智能检测方法，包括：
4、确定影响焊锡条抗拉伸强度下降值的至少一个环境因素，记为影响因素；
5、基于实际环境，确定每个影响因素的取值范围；
6、于影响因素的取值范围内，按照设定的参数梯度取若干个值，组成影响因素对应的若干个样本值；
7、分别于每个影响因素对应的若干个样本值中取一个值，并组合成样本参数集合；
8、遍历所有影响因素的所
9、分别于测试箱中测试每一组样本参数集合下，焊锡条抗拉伸强度下降值与时间的变化关系；
10、基于所有样本参数集合对应的焊锡条抗拉伸强度下降值与时间的变化关系，构建焊锡条抗拉伸强度下降值智能预测模型；
11、获取焊锡条的保存环境，基于焊锡条的保存环境结合焊锡条抗拉伸强度下降值智能预测模型确定焊锡条抗拉伸强度。
12、优选的，所述于影响因素的取值范围内，按照设定的参数梯度取若干个值，组成影响因素对应的若干个样本值还包括：
13、将每个影响因素对应的若干个样本划分为模型样本值和模型验证值，其中，任意两个大小相邻的模型样本值之间至少存在有一个模型验证值。
14、优选的，所述分别于测试箱中测试每一组样本参数集合下，焊锡条抗拉伸强度下降值与时间的变化关系具体包括：
15、设定至少两个模拟测试时长；
16、基于设定的模拟测试时长个数，对于每组样本参数集合，均准备对应个数的焊锡条测试样本；
17、将测试箱中的参数设定为样本参数集合对应的参数，并对每一个焊锡条测试样本按照模拟测试时长进行环境老化实验；
18、对每一个进行过环境老化实验后的焊锡条测试样本进行抗拉伸强度下降值测试，得到样本参数集合对应的每一个模拟测试时长下的焊锡条抗拉伸强度下降值；
19、于二维直角坐标系中，以模拟测试时长为横轴，以焊锡条抗拉伸强度下降值为纵轴，标出样本参数集合对应的焊锡条抗拉伸强度下降值－模拟测试时长坐标点。
20、优选的，所述基于所有样本参数集合对应的焊锡条抗拉伸强度下降值与时间的变化关系，构建焊锡条抗拉伸强度下降值智能预测模型具体包括：
21、确定样本参数集合中所有元素均为模型样本值的样本参数集合，记为模型训练样本参数集合，记样本参数集合中非模型训练样本参数集合为模型验证样本参数集合；
22、基于模型训练样本参数集对应的焊锡条抗拉伸强度下降值－模拟测试时长坐标点，调用至少一个已知的函数进行拟合，获取模型训练样本参数集对应的至少一个拟合函数；
23、将对应元素之间不存在其他模型样本值的两个模型训练样本参数集合，作为拟合模型训练样本参数集合组；
24、确定每个拟合模型训练样本参数集合组之间的所有模型验证样本参数集合；
25、将拟合模型训练样本参数集合组中每个模型训练样本参数集对应的所有拟合函数进行两两组合，得到若干个拟合函数组；
26、分别计算拟合所有拟合函数组对于模型验证样本参数集合的损失值；
27、筛选出损失值最小的拟合函数组，将拟合函数组对应的两个拟合函数作为拟合模型训练样本参数集合组对应的模型训练样本参数集的焊锡条抗拉伸强度下降值－时间变化函数；
28、基于所有拟合模型训练样本参数集合组对应的模型训练样本参数集的焊锡条抗拉伸强度下降值－时间变化函数，构建焊锡条抗拉伸强度下降值智能预测模型。
29、优选的，所述分别计算拟合所有拟合函数组对于模型验证样本参数集合的损失值具体包括：
30、基于强度拟合公式，计算拟合模型训练样本参数集合组之间的模型验证样本参数集合每一个模拟测试时长下对于每个拟合函数组的抗拉伸强度下降值拟合值；
31、分别调取每个模型验证样本参数集合对应的每一个模拟测试时长下的焊锡条抗拉伸强度下降值，并与模型验证样本参数集合的抗拉伸强度下降值拟合值作差并取绝对值，得到模型验证样本参数集合对应的损失值；
32、将所有模型验证样本参数集合对应的损失值相加，得到拟合函数组对应的损失值；
33、其中，所述强度拟合公式具体为：，
34、式中，为模型验证样本参数集合，为模型验证样本参数集合中第i个元素，为对于拟合函数组的在t时刻的抗拉伸强度下降值拟合值，为拟合函数组对应的两个拟合函数，为对应的模型训练样本参数集合中第i个元素，为对应的模型训练样本参数集合中第i个元素。
35、优选的，所述基于所有拟合模型训练样本参数集合组对应的模型训练样本参数集的焊锡条抗拉伸强度下降值－时间变化函数，构建焊锡条抗拉伸强度下降值智能预测模型具体包括：
36、确定输入的环境参数集合，基于输入的环境参数集合，确定每一个影响因素对应模型样本值中大于输入的环境参数且与输入的环境参数最接近的每一个影响因素对应的模型样本值，记为第一模型样本值集合；
37、确定每一个影响因素对应模型样本值中小于输入的环境参数且与输入的环境参数最接近的每一个影响因素对应的模型样本值，记为第二模型样本值集合；
38、分别确定第一模型样本值集合和第二模型样本值集合组成的拟合模型训练样本参数集合组的焊锡条抗拉伸强度下降值－时间变化函数；
39、则所述焊锡条抗拉伸强度下降值智能预测模型具体为：，
40、为输入的环境参数集合，为输入的环境参数对应的焊锡条抗拉伸强度下降值－时间变化函数，为第一模型样本值集合对应的焊锡条抗拉伸强度下降值－时间变化函数，为第二模型样本值集合对应的焊锡条抗拉伸强度下降值-时间变化函数，为第一模型样本值集合中第i个元素，为第二模型样本值集合中第i个元素，为输入的环境参数集合中第i个元素。
41、优选的，所述获取焊锡条的保存环境，基于焊锡条的保存环境结合焊锡条抗拉伸强度下降值智能预本文档来自技高网...
【技术保护点】
1.一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述于影响因素的取值范围内，按照设定的参数梯度取若干个值，组成影响因素对应的若干个样本值还包括：
3.根据权利要求2所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述分别于测试箱中测试每一组样本参数集合下，焊锡条抗拉伸强度下降值与时间的变化关系具体包括：
4.根据权利要求3所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述基于所有样本参数集合对应的焊锡条抗拉伸强度下降值与时间的变化关系，构建焊锡条抗拉伸强度下降值智能预测模型具体包括：
5.根据权利要求4所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述分别计算拟合所有拟合函数组对于模型验证样本参数集合的损失值具体包括：
6.根据权利要求5所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述基于所有拟合模型训练样本参数集合组对应的模型训练样本参数集的焊锡
7.根据权利要求6所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述获取焊锡条的保存环境，基于焊锡条的保存环境结合焊锡条抗拉伸强度下降值智能预测模型确定焊锡条抗拉伸强度具体包括：
8.一种基于多因素的焊锡条抗拉伸强度智能检测系统，用于实现如权利要求1-6任一项所述的基于多因素的焊锡条抗拉伸强度智能检测方法，包括：
9.根据权利要求8所述的一种基于多因素的焊锡条抗拉伸强度智能检测系统，其特征在于，所述模型分析模块包括：
10.根据权利要求8所述的一种基于多因素的焊锡条抗拉伸强度智能检测系统，其特征在于，所述抗拉伸强度分析模块包括：
...【技术特征摘要】
1.一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述于影响因素的取值范围内，按照设定的参数梯度取若干个值，组成影响因素对应的若干个样本值还包括：
3.根据权利要求2所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述分别于测试箱中测试每一组样本参数集合下，焊锡条抗拉伸强度下降值与时间的变化关系具体包括：
4.根据权利要求3所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述基于所有样本参数集合对应的焊锡条抗拉伸强度下降值与时间的变化关系，构建焊锡条抗拉伸强度下降值智能预测模型具体包括：
5.根据权利要求4所述的一种基于多因素的焊锡条抗拉伸强度智能检测方法，其特征在于，所述分别计算拟合所有拟合函数组对于模型验证样本参数集合的损失值具体包括：
<...【专利技术属性】
技术研发人员：刘玉洁，肖东明，刘家党，余海涛，黄家强，肖大为，肖涵飞，肖健，肖雪，
申请(专利权)人：深圳市同方电子新材料有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。