1.一种基于机器学习的回流焊工艺参数优化方法,其特征在于,包括:获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果;
分别将所述工艺参数和所述历史检测结果进行数值化;
将数值化的工艺参数作为集成学习算法的输入参数,将数值化的历史检测结果作为所述集成学习算法的输出参数,利用所述集成学习算法训练得到焊接质量预测模型;
利用所述焊接质量预测模型预测回流焊的焊接质量,并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化,直至获得最优的回流焊工艺参数。
2.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,所述方法还包括:
将最优的回流焊工艺参数部署到回流焊焊接系统中,以对元器件进行自动焊接加工。
3.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,影响回流焊焊接质量的工艺参数包括以下一种或多种参数的组合:温度曲线、被加工元器件的属性、回流焊炉属性、焊膏属性、金属粉末属性、焊盘的不良类型以及组件的重量。
4.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,自动光学检测系统的历史检测结果包括一种或多种结果的组合:正常、桥接、移位、无锡、锡不足、漏料、极性、歪斜、脚弯、错件、多锡、短接以及锡球。
5.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,在将数值化的工艺参数作为集成学习算法的输入参数,将数值化的历史检测结果作为集成学习算法的输出参数之前,所述方法还包括:将数值化的工艺参数和历史检测结果处理成所述集成学习算法能够识别的数据结构;
对数值化的工艺参数和历史检测结果进行归一化处理。
6.根据权利要求1所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,所述集成学习算法采用LightGBM分类算法。
7.根据权利要求3所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化,直至获得最优的回流焊工艺参数,包括:
将所述预测结果反馈至PPO算法的智能体,以使所述智能体根据所述预测结果更新神经网络策略;
基于新的神经网络策略选择新的输入参数输入至所述焊接质量预测模型中;
利用所述智能体迭代更新所述焊接质量预测模型的输入参数,直至所述自动光学检测系统的检测结果为正常时,对应的输入参数为最优的回流焊工艺参数。
8.根据权利要求7所述的基于机器学习的回流焊工艺参数优化方法,其特征在于,所述智能体根据所述预测结果更新神经网络策略包括:利用奖励函数对上一次预测结果对应的各个输入参数进行增强或减弱。
9.一种基于机器学习的回流焊工艺参数优化装置,其特征在于,包括:数据获取单元,用于获取影响回流焊焊接质量的工艺参数以及自动光学检测系统的历史检测结果;
数据数值化单元,用于分别将所述工艺参数和所述历史检测结果进行数值化;
模型生成单元,用于将数值化的工艺参数作为集成学习算法的输入参数,将数值化的历史检测结果作为所述集成学习算法的输出参数,并利用所述集成学习算法训练得到焊接质量预测模型;
参数优化单元,用于利用所述焊接质量预测模型预测回流焊的焊接质量,并将预测结果反馈至强化学习算法中对所述焊接质量预测模型的输入参数进行迭代优化,直至获得最优的回流焊工艺参数。
10.一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1‑8任意一项所述的基于机器学习的回流焊工艺参数优化方法。