CN109332937B - 一种基于温度曲线的激光软钎焊质量检测方法 - Google Patents

Abstract

本发明属于激光软钎焊控制领域，涉及一种基于温度曲线的激光软钎焊质量检测方法，包括：设定激光软钎焊机的开环控制算法的输入参数，对激光头进行对焦并调节焊盘的离焦量；根据开环控制算法进行焊接，记录开环控制算法的输入参数，采集开环控制算法的功率特征作为第一部分特征；采集焊点焊接过程中的温度数据，对温度数据进行滤波处理，提取滤波后的温度数据特征形成特征向量，得到第二部分特征；将第一部分特征与第二部分特征组合形成特征向量，然后将特征向量送入分类器进行判断，得到焊点焊接质量的检测结果。本发明提高了激光软钎焊过程中的自动化程度，减少了成本，并提高了效率。

Description

一种基于温度曲线的激光软钎焊质量检测方法

技术领域

本发明属于激光软钎焊控制领域，涉及一种激光软钎焊机质量检测方法。

背景技术

随着IC芯片设计水平和制造技术的提高，表面组装技术(Surface MountTechnology，简称SMT)正朝着高密度、高可靠性的微型化方向发展。目前，四侧引脚扁平封装(Quad Flat Package，简称QFP)的引线中心距离已达到0.3mm，单一器件上的引脚数目可达到576条以上，利用传统气相再流焊等方式会造成引线脚“桥连”等情况。激光由于其局部加热，热影响区域小，非接触式加热等特点，广泛应用于精细元器件焊接。在激光软钎焊的自动化工艺中，为了实现激光软钎焊高度自动化流程，实现精准配准后，受到材料和环境等影响，后续钎焊质量仍不能完全保证，故需要进行激光软钎焊的质量检测。但由于焊点数量较多，检查焊接情况是否达到质量要求，是一件繁琐的工作，因此需要一套自动化的激光焊接质量检测方法，减少人工成本，并提高效率。

激光软钎焊的质量检测是实现激光焊接自动化的重要步骤，也是一个十分复杂的技术问题。传统的激光焊接质量检测除了人工检测外，主要方法是设计新方案，采集能够间接反映焊接过程的光、声、电等信号进行判断。而激光软钎焊受到控制算法、材料等影响较大，采集间接信息的方法并不能完全反映实际焊接过程，效果不佳，而利用X射线照射、显微观察等方法，效率太低，成本过高，自动化程度低。

发明内容

为解决现有激光软钎焊质量检测技术的不足，本发明提供一种基于温度曲线的激光软钎焊质量检测方法，记录开环控制算法的输入功率信息，获取激光输出过程中焊点温度数据，利用温度数据反映焊接过程，以实现焊点质量自动检测，减少成本，提高效率。

本发明采用如下技术方案实现：一种基于温度曲线的激光软钎焊质量检测方法，包括以下步骤：

a、设定激光软钎焊机的开环控制算法的输入参数，对激光头进行对焦并调节焊盘的离焦量；

b、根据开环控制算法进行焊接，记录开环控制算法的输入参数，采集开环控制算法的功率特征作为第一部分特征；

c、采集焊点焊接过程中的温度数据，对温度数据进行滤波处理，提取滤波后的温度数据特征形成特征向量，作为第二部分特征；

d、将第一部分特征与第二部分特征组合形成特征向量，然后将特征向量送入分类器进行判断，得到焊点焊接质量的检测结果。

优选地，步骤b所述开环控制算法的功率特征包括预热段、焊接段和保温段三个阶段的输入功率及持续时间。

优选地，步骤c包括以下步骤：

在焊盘焊接过程中，采集焊点焊接过程中温度数据，采用巴特沃斯滤波器进行滤波，获得滤波处理后的温度曲线；

对滤波处理后的温度曲线从时域和频域两方面进行特征提取，得到第二部分特征。

优选地，对滤波处理后的温度曲线，从时域上提取的特征包括预热段达到的最高温度和出现最高温度至焊接结束的波峰个数。

与现有技术相比，本发明具有以下有益效果：

(1)质量检测特征提取加入控制算法的输入功率信息，可以适应开环控制的输入变化；

(2)直接利用激光软钎焊机控制输出的温度数据，避免了设计额外系统来获取焊接过程中的间接信号，利用温度数据反映焊接过程，以实现焊点质量自动检测，减少人工成本，提高检测效率；

(3)检测结果可以继续优化模型，提高检测精度。

附图说明

图1为本发明激光软钎焊质量检测方法流程图；

图2为本发明一个实施例中开环控制算法的三个阶段输入功率图；

图3为本发明一个实施例中采用巴特沃斯滤波器对温度曲线滤波后的效果图；

图4为本发明一个实施例中温度曲线经过小波分解后重构的效果图；

图5为本发明一个实施例中BP神经网络的结果框图；

图6为本发明一个实施例中BP神经网络训练误差迭代图；

图7为本发明一个实施例中BP神经网络在不同情况下的测试数据集上检测正确率图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的保护范围。

激光软钎焊机焊接主要分为载入焊盘、设定控制输入参数及质量检测三部分。本发明激光软钎焊质量检测方法基于温度曲线，在PCB焊盘点完锡膏后，放入激光软钎焊机下方，设定控制输入的功率后进行焊接。红外测温传感器检测焊接过程中的温度变化，并采集温度数据用于训练模型；整个焊接过程采用开环控制算法，输入的恒功率包括三段，即分为预热段、焊接段和保温段功率，通过巴特沃斯滤波处理采集的温度数据，抑制预热段助焊剂挥发对温度数据的影响；温度数据经过预处理后，进行特征提取，提取的特征集包括第一部分特征和第二部分特征。为了引入开环控制算法输入参数的区别，第一部分特征采集控制算法的功率输入信息，第二部分特征为温度曲线的时域和频域信息，采用小波分解方法提取温度能量谱作为频域信息；最后，搭建卷积神经网络，对提取的特征集送入卷积神经网络进行训练，得到模型；将模型用于后续焊接点的质量检测，最终得到检测正确率为85％，并能够不断迭代优化模型。

在本实施例中，基于温度曲线的激光软钎焊质量检测方法如图1-7所示，包括：

S1、载入焊盘：将点好锡膏的焊盘放入激光软钎焊机的下方卡槽，利用摄像头进行定位，完成焊盘配准工作。

S2、设定激光软钎焊机的控制参数，利用黑白相机进行激光头的对焦并调节焊盘的离焦量。

设定控制参数主要是设定开环控制算法的输入参数，包括：预热段、焊接段和保温段三个阶段的输入功率及持续时间；本实施例中，开环控制算法的三个阶段输入功率如图2所示。

其中，离焦量为激光头距离焊点的距离，本步骤对焦的同时调节焊盘的离焦量从而使得本发明质量检测方法能够适应开环控制算法输入参数的变化。利用黑白相机对焦，数据消耗较少，成本低。

S3、设定好开环控制算法的输入参数之后，根据开环控制算法进行焊接，记录开环控制算法的输入参数，采集开环控制算法的功率特征作为第一部分特征。

功率特征包括预热段、焊接段和保温段三个阶段的输入功率和持续时间，以使质量检测算法能够适应开环控制算法输入的变化。

S4、通过红外温度传感器采集焊点焊接过程中的温度数据，对温度数据进行滤波处理，提取滤波后的温度数据特征形成特征向量，作为第二部分特征。

由于预热阶段锡膏会熔融，助焊剂挥发而产生烟雾，因此红外温度传感器受到影响，所采集的焊点焊接过程中的温度数据并不是焊点的实际温度，而且抖动剧烈，不利于后续分析。本发明采用巴特沃斯滤波器对红外温度传感器所采集的温度数据进行滤波，并调整滤波器参数，很好的抑制了预热阶段因为助焊剂挥发所带来的影响。

在具体实施过程中，本步骤主要是利用巴特沃斯滤波器改善预热段助焊剂挥发对红外温度传感器获取数据的影响；对经过滤波的温度数据在频域和时域上提取特征，频域上采用小波分解来提取温度数据的能量谱，从而获得特征向量。本步骤可分为以下两步骤来实现：

S41、在焊盘焊接过程中，利用红外温度传感器采集焊点焊接过程中温度数据。采用巴特沃斯滤波器进行滤波，获得滤波处理后的温度曲线。具体为：焊盘送入激光软钎焊机中，红外温度传感器采集焊点焊接过程的温度数据Data，温度数据是焊接过程的控制输出，是直接的数据，可以很好的反映焊接过程。

巴特沃斯滤波器的数学模型为：

H(w)表示滤波器的振幅，W_s是阻带截止频率，w_p为通频带边缘频率，n为滤波器的阶数。

滤波器设计函数buttord()中，参数w_p，W_s分别为数字滤波器的通带、阻带截止频率的归一化值，其中0<＝W_p<＝1，0<＝W_s<＝1，W_p<W_s则设计为带通滤波器，在电路中，阻带频率公式：

根据采样频率f_s特点，结合参数要求，不断尝试滤波器W_p、W_s参数值来查看滤波效果，最终确定满足要求的滤波参数。

本实施例中，滤波器的具体参数设计为：采样频率f_s为1000HZ，通带截止频率W_p为

阻带截止频率W_s为

通带衰减R_p为2dB，阻带衰减R_s为40dB。

本步骤获取温度数据Data后，将温度数据Data通过巴特沃斯滤波器进行滤波，得到滤波后数据Filter_data，对温度曲线滤波后的结果如图3所示，由图3可知，巴特沃斯滤波器有效地改善了预热段因助焊剂挥发带来的影响。也就是说，经过巴特沃斯滤波器滤波处理的温度曲线，不仅改善了预热段因助焊剂挥发所带来的影响，温度曲线也更加平滑。

S42、对滤波处理后的温度曲线提取特征，主要从时域和频域两方面进行特征提取，得到第二部分特征。

由于激光软钎焊系统在不同规格的焊盘的输入功率不同，导致最高温度以及各阶段持续时间等参数不同，时域特征无法反映焊接过程的全部信息。因此，需要提取温度曲线的频域信息，本实施例采用小波分解获取温度曲线不同频率的能量谱。

具体为：对经过滤波处理后的Filter_data进行特征提取，结合激光软钎焊的具体工况以及焊接特点，特征从时域和频域两方面提取。时域上提取的特征有最高温度(反应预热段达到的最高温度，过高容易形成球)和出现最高温度至焊接结束的波峰个数(反映后续焊接的抖动情况)；频域上采用小波分解，本实施例中，采用“sym8”小波对滤波处理后的温度曲线进行两层分解，求解各尺度能量。

小波分解的数学模型为：

其中，a是小波分解的缩放参数，b是平移参数,函数

是尺度函数，函数ψ(x)为小波函数。E_j表示在尺度j上的能量，x_i,j表示信号由小波分解后在尺度j上细节信号的第i个数值。小波分解的分解结果如图4所示。

S5、将第一部分特征与第二部分特征组合形成特征向量Vector，然后将特征向量Vector送入分类器进行判断，得到焊点焊接质量的检测结果。

分类器的具体数学模型如下式：

其中，w_ij是特征权重，Θ是激活函数阈值，f为激活函数。对样本提取的特征向量，与特征权重相乘，激活函数的输出结果与期望结果比较。通过BP算法，来优化权重矩阵，得到适用于当前激光软钎焊质量检测的模型。

本实施例中，分类器如图5所示，采用包括输入层、隐藏层和输出层共3层的BP神经网络，神经网络隐藏层的层数设置为10层。

将后续焊接过程中的温度数据，采用相同的处理方法，得到特征向量送入训练误差稳定的分类器数学模型，进行分类，得到质量评价。

本实施例中，BP神经网络在训练过程中的误差迭代情况如图6所示，最终误差收敛在0.12附近；BP神经网络在不同情况下的测试集上质量检测的正确率如图7所示，主要分布在0.85附近；通过测试，本发明对于焊接是否有效的检测正确率为85％。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于温度曲线的激光软钎焊质量检测方法，其特征在于，包括以下步骤：

a、设定激光软钎焊机的开环控制算法的输入参数，对激光头进行对焦并调节焊盘的离焦量；

b、根据开环控制算法进行焊接，记录开环控制算法的输入参数，采集开环控制算法的功率特征作为第一部分特征；

c、采集焊点焊接过程中的温度数据，对温度数据进行滤波处理，提取滤波后的温度数据特征形成特征向量，作为第二部分特征；

d、将第一部分特征与第二部分特征组合形成特征向量，然后将特征向量送入分类器进行判断，得到焊点焊接质量的检测结果；

步骤b所述开环控制算法的功率特征包括预热段、焊接段和保温段三个阶段的输入功率及持续时间；

步骤c包括以下步骤：

在焊盘焊接过程中，采集焊点焊接过程中温度数据，采用巴特沃斯滤波器进行滤波，获得滤波处理后的温度曲线；

对滤波处理后的温度曲线从时域和频域两方面进行特征提取，得到第二部分特征；

对滤波处理后的温度曲线，采用小波分解方法从频域进行特征提取；对滤波处理后的温度曲线，从时域上提取的特征包括预热段达到的最高温度和出现最高温度至焊接结束的波峰个数。

2.根据权利要求1所述的基于温度曲线的激光软钎焊质量检测方法，其特征在于，所述巴特沃斯滤波器的数学模型为：

H(w)表示滤波器的振幅，W_s是阻带截止频率，w_p为通频带边缘频率，n为滤波器的阶数；设采样频率为f_s，则通频带边缘频率W_p为

阻带截止频率W_s为

通带衰减R_p为2dB，阻带衰减R_s为40dB。

3.根据权利要求1所述的基于温度曲线的激光软钎焊质量检测方法，其特征在于，小波分解的数学模型为：

其中，a是小波分解的缩放参数，b是平移参数，函数

是尺度函数，函数ψ(x)为小波函数；E_j表示在尺度j上的能量，x_i，j表示信号由小波分解后在尺度j上细节信号的第i个数值。

4.根据权利要求1所述的基于温度曲线的激光软钎焊质量检测方法，其特征在于，所述分类器为包括输入层、隐藏层和输出层的BP神经网络，其中隐藏层的层数设置为10层。

5.根据权利要求4所述的基于温度曲线的激光软钎焊质量检测方法，其特征在于，所述BP神经网络的数学模型为：

其中，w_ij是样本权重，Θ是激活函数阈值，f为激活函数。

6.根据权利要求1所述的基于温度曲线的激光软钎焊质量检测方法，其特征在于，步骤a之前还设有载入焊盘的步骤：将点好锡膏的焊盘放入激光软钎焊机的下方卡槽，利用摄像头进行定位，完成焊盘配准工作；

步骤a利用黑白相机进行激光头的对焦。

Images