基于特征工程的PCB锡膏位置偏移预测方法
## 论文相关信息
本文内容取自[1]。
本论文的介绍链接
研究意义
随着电子信息产业的蓬勃发展，印刷电路板(PCB)作为电子信息产业的关键部件之一，高效稳定的生产显得越来越重要。锡膏印刷工艺是PCB生产中的关键工艺步骤，直接决定了PCB的电气功能是否正常。焊膏位置偏移作为典型的PCB印刷缺陷类型，如果能够实现对焊膏位置偏移的预测，那么通过调整焊膏印刷机的位置补偿参数就可以避免位置偏移缺陷，从而降低缺陷产品修复的成本，提高生产效率。
对于锡膏位置偏移预测的研究相对较少。现有的方法利用深度学习来拟合波动的位置偏移时间序列，并使用重加权来克服不良位置偏移量远少于良好产品所造成的负面影响，以预测偏移量在未来一段时间内是否会出现缺陷。然而，这些基于深度学习的方法存在可解释性不足的问题，难以有效地辅助工程师进行预测性判断，因此在实际工业生产线应用中存在很大的局限性。
本文工作
本文提出了一种基于特征工程的PCB焊膏位置偏移预测方法，旨在通过手动设计能够反映偏移时间序列特征的统计特征，使该方法更具可解释性。具体来说，由于良品数量远远超过次品数量，因此需要对数据进行重新采样，以减少良品的比例。然后，手工设计了均值、方差、峰度、偏度、绝对值均值、最大绝对值指数等14个统计指标。最后，利用支持向量机对人工设计的特征进行非线性变换，实现对偏移缺陷的时间预测。
图1 方法框图
图2 特征工程细节
本文主要贡献可总结为两点：
-
一这14个手工设计的功能是为工业场景中的PCB锡膏位置偏移预测而构建的。
-
一用6天左右的实际锡膏印刷生产数据对该方法进行了评价，取得了较好的实验结果。
实验结果
每个模型重复五次进行检验，对实验结果求平均值，五次实验结果的标准差用（.）表示，反映了模型的稳定性，如下表所示。
图3 实验结果表
由于锡膏印刷位置偏移的良品远远多于不良品，所以简单地将大部分时间序列预测为良品，模型的精度可以达到0.999，但这并不能反映模型的真实预测能力。召回率、精度和F1分数更能表明模型对有缺陷的锡膏印刷位置的区分能力。可以看出，SVM在查全率和F1分数上都明显领先于其他方法，并且在5个重复测试中表现出更高的稳定性。这四种方法都保持了较高的准确率，证明我们构建的特征工程确实能够反映出良品和次品之间的不同特征。
图4显示了SVM预测结果作为混淆矩阵的可视化。验证了该方法的优良性能。图5为不同不良品权重下的模型性能对比。可以看出，虽然增加缺陷产品的权重会慢慢提高召回率，但也会造成准确率的显著下降。这表明，增加缺陷权重会导致模型简单地将更多的好产品预测为缺陷，从而导致F1分数逐渐下降，而F1分数是模型整体性能的一个指标。
图4 混淆矩阵
图5 为不同不良品权重下的模型性能对比
为了实现模型决策的可解释性，我们使用随机森林对手工设计的14个特征进行了分析，如图6所示。这可以解释我们的模型做出决策的基础。y方向上的14个手动特征比x方向上的14个手动特征更重要，因为y方向上有更多的差偏移。粘贴位置偏移的最大绝对值对结果有显著影响，绝对值的平均值、标准差、均方根和平均值也是主要影响因素，证明了手工设计特征的有效性和可解释性。
图6 不同特征对分类结果的影响权重可视化
参考文献
- [1]B. Liu, Y. Zhao, Y. Kang, Y. Cao, P. Bai, and Z. Xu, “A Feature Engineering-based Method for PCB Solder Paste Position Offset Prediction,” in 2023 6th International Symposium on Autonomous Systems (ISAS), 2023, pp. 1–6.