【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于深度学习的多温区回流焊温度调节方法及介质。
技术介绍
1、多温区回流焊的温度调节在现代电子制造中是必不可少的。它不仅能够保证焊接质量和稳定性，提高生产效率，还能节约能源和适应复杂的电路板结构，是电子制造过程中重要的技术手段之一。
2、不同的电子元件对于回流焊的温度敏感度不同，有些元件对高温敏感，而有些对温度变化不敏感，通过多温区控制，可以调节每个区域的温度，确保每个元件都在最适合的焊接温度范围内，从而避免焊接温度过高或过低造成的质量问题，如焊点冷焊、焊接熔合不良等。但是，工艺参数的设置复杂度和板材的选择多样性导致了多温区回流焊的温度调节效率较低。
技术实现思路
1、本专利技术提供一种基于深度学习的多温区回流焊温度调节方法及介质，其主要目的在于解决多温区回流焊温度调节效率较低的问题。
2、为实现上述目的，本专利技术提供的一种基于深度学习的多温区回流焊温度调节方法，包括：
3、采集回流焊炉的多个温区的温度数据，根据所述温度数据生成所述回流焊炉的多个温度时间序列；
4、利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征；
5、利用预设的残差连接算法对所述局部温度特征进行跳跃连接处理，对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，其中，所述预设的残差连接算法为：其中，是跳跃连接处理后的局部温度特征，是所述温度时间序列，是卷积层的
6、利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征；
7、利用预设的时间窗口提取所述降维特征中的关键特征，根据所述关键特征对所述降维特征进行动态加权；
8、根据所述动态加权后的降维特征生成所述回流焊炉的温度预测值，根据所述温度预测值生成所述回流焊炉的温控方案，利用所述温控方案对所述回流焊率进行温度调节。
9、可选地，所述温度数据为每个所述温区的设定温度、实际温度和环境温度。
10、可选地，所述根据所述温度数据生成所述回流焊炉的多个温度时间序列，包括：
11、确定所述温度数据所对应的时间标签；
12、根据所述时间标签对每个所述温区的温度数据进行数据排序，得到所述回流焊炉的多个温度时间序列。
13、可选地， 所述利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征，包括：
14、将所述温度时间序列输入至预先训练的温度调节模型中，所述温度调节模型中的卷积层对所述温度时间序列进行逐层特征提取，得到所述温度时间序列的温度曲线和温升速率；
15、确定所述温度曲线和所述温升速率为所述温度时间序列的局部温度特征。
16、可选地，所述对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，包括：
17、计算所述跳跃连接处理后的局部温度特征的均值和标准差；
18、对每个跳跃连接处理后的局部温度特征进行零均值化，得到所述跳跃连接处理后的局部温度特征的零均值化特征；
19、利用所述标准差除以所述零均值化特征，得到所述跳跃连接处理后的局部温度特征的归一化特征，确定所述归一化特征为所述回流焊炉的初级温度特征。
20、可选地，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
21、确定所述温度调节模型中的池化层的池化窗口；
22、逐个选取所述池化窗口内的所述初级温度特征中的最大特征值为所述池化窗口的输出；
23、根据所述池化窗口的输出确定所述回流焊炉的降维特征。
24、可选地，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
25、确定所述温度调节模型中的池化层的池化窗口；
26、逐个计算所述池化窗口内的所述初级温度特征中的平均特征值，确定所述平均特征值为所述池化窗口的输出；
27、根据所述池化窗口的输出确定所述回流焊炉的降维特征。
28、可选地，在所述根据所述关键特征对所述降维特征进行动态加权之前，还包括：
29、利用预设的权重算法生成所述关键特征的特征权重，其中，所述预设的权重算法为：其中，是第个所述关键特征的特征权重，是归一化因子，是第个所述关键特征的向量表示，是欧几里得距离，是预设的时间窗口中心点的特征向量，是标准差，用于控制权重分布的平滑程度。
30、可选地，所述利用预设的时间窗口提取所述降维特征中的关键特征，包括：
31、确定所述预设的时间窗口的滑动步长；
32、根据所述滑动步长和所述预设的时间窗口对所述降维特征进行子序列许选取；
33、提取所述选取到的子序列中的阶段转换点，根据所述阶段转换点生成所述降维特征中的关键特征。
34、为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于深度学习的多温区回流焊温度调节方法。
35、本专利技术实施例通过多层卷积层逐个提取温度时间序列的局部温度特征，可以有效地捕捉到温度数据中的局部模式和趋势，可以提高模型对温度变化的敏感性，从而更准确地预测温度变化，利用预设的残差连接算法对局部温度特征进行跳跃连接处理，可以解决梯度消失和梯度爆炸的问题，提高模型的训练稳定性，同时，跳跃连接可以将浅层特征与深层特征进行融合，提高模型的表达能力，每一层输入数据的分布会随着前一层参数的更新而变化，这使得网络的训练变得复杂和不稳定，批量归一化通过对每一层的输入进行规范化处理，将其转化为均值为0，方差为1的标准正态分布，从而稳定了输入数据的分布，通过预设的时间窗口提取降维特征中的关键特征，并根据关键特征对降维特征进行动态加权，可以使模型更加关注对温度调节影响较大的特征，从而提高温度调节的效率和准确性，进而根据动态加权后的降维特征生成回流焊炉的温度预测值，并根据预测值生成温控方案，最后利用该方案对回流焊率进行温度调节，实现了对回流焊炉温度的精准控制，因此本专利技术提出的基于深度学习的多温区回流焊温度调节方法及介质，可以解决多温区回流焊温度调节效率较低的问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的多温区回流焊温度调节方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述温度数据为每个所述温区的设定温度、实际温度和环境温度。
3.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述根据所述温度数据生成所述回流焊炉的多个温度时间序列，包括：
4.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于， 所述利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征，包括：
5.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，包括：
6.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述利用所述温度调节模型中的池化层对所述初级温度特征进行下采样，得到所述回流焊炉的降维特征，包括：
7.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其
8.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，在所述根据所述关键特征对所述降维特征进行动态加权之前，还包括：
9.如权利要求1至8中任一项所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述利用预设的时间窗口提取所述降维特征中的关键特征，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的基于深度学习的多温区回流焊温度调节方法。
...【技术特征摘要】
1.一种基于深度学习的多温区回流焊温度调节方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述温度数据为每个所述温区的设定温度、实际温度和环境温度。
3.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述根据所述温度数据生成所述回流焊炉的多个温度时间序列，包括：
4.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于， 所述利用预先训练的温度调节模型中的多层卷积层逐个提取所述温度时间序列的局部温度特征，包括：
5.如权利要求1所述的基于深度学习的多温区回流焊温度调节方法，其特征在于，所述对跳跃连接处理后的局部温度特征进行批量归一化处理，得到所述回流焊炉的初级温度特征，包括：
6.如权利要求1所述的基于深度学习的多温区回流焊温...
【专利技术属性】
技术研发人员：肖娜，
申请(专利权)人：深圳市丹宇电子有限公司，
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。