考虑微钻磨损量特征的PCB孔壁粗糙度预测方法

【摘要】：在印制电路板(Printed Circuit Board,简称PCB)的机械钻孔加工过程中,PCB微钻磨损会直接导致PCB孔壁粗糙度的恶化,进而影响PCB的电气性能和使用可靠性。为了在钻孔过程将PCB孔壁粗糙度及时的控制在标准范围内,有必要依据磨损量特征对孔壁粗糙度展开预测研究。然而,目前实际生产中通常只是依据钻孔次数的经验值对微钻磨损和孔壁粗糙度进行合格与否的判断,缺乏严格准确的量化预测方法。因此,实现PCB孔壁粗糙度准确控制的关键是如何提取微钻磨损量特征的值,并在该特征值基础上建立有效的孔壁粗糙度预测方法。所以,本文的研究目的主要是通过引入一系列机器视觉算法对PCB微钻的磨损量进行提取,再采用梯度提升树(Gradient Boosting Decision Tree,简称GBDT)算法实现在磨损量等特征基础上的孔壁粗糙度预测,进而建立准确有效的预测方法。本文的主要贡献如下:(1)探究了影响PCB孔壁粗糙度特征量(微钻磨损量)的测量方法。本文确定了实际直径、刃面磨损面积以及刃面缺口深度三个反应PCB微钻磨损的特征。针对实际直径的提取,提出了轮廓叠加算法和关键点选择算法为主的机器视觉检测方法,该方法可以有效避开刀槽的影响提高微钻实际直径特征的提取精度。针对PCB微钻刃面磨损面积以及刃面缺口深度提取,提出了基于区域生长算法的刃面识别方法,通过对比传统的最大类间方法差算法(又称大津法,即OTSU算法),该方法显著提高了刃面缺口深度和磨损量面积特征提取的准确性。(2)进行了PCB孔壁粗糙度预测特征值的选择。本文首先应用调研法获得实际工况下影响孔壁粗糙度的所有因素,应用因果图分析选取能够定量分析建模的特征量,并通过灰色关联度分析排除了预测建模的次要因素。此外,通过对考虑磨损量的新特征组合与以钻孔次数为主的传统特征组合应用于多种机器学习算法的预测结果比较,选取了以微钻磨损量为主的参数作为孔壁粗糙度预测的特征值。(3)提出了考虑磨损量新特征量的PCB孔壁粗糙度预测模型方法及系统实现。本文在新特征量上提出了基于GBDT网络的PCB孔壁粗糙度预测方法。在模型建立上,应用贝叶斯算法优化GBDT网络中的超参数组合,通过与初始网络的预测结果对比验证发现,优化后的GBDT网络预测准确率更高,可以达到实际生产应用的需求。此外,本文通过搭建图形交互界面,完成了考虑微钻磨损量特征的PCB孔壁粗糙度预测系统。