(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111571380.0 (22)申请日 2021.12.21 (71)申请人 中国电子科技 集团公司第三十八研 究所 地址 230088 安徽省合肥市高新 技术开发 区香樟大道19 9号 (72)发明人 查珊珊　陈兴玉　邹文忠　张燕龙　 周金文　张哲昆　吴书豪　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 代理人 丁瑞瑞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 30/02(2012.01)G06Q 50/04(2012.01) G06K 9/62(2022.01) (54)发明名称 一种数据驱动的SMT制造周期预测及修正方 法 (57)摘要 本发明公开了一种数据驱动的SMT制造周期 预测及修正方法， 所述方法包 括： 获取SMT制造过 程中设备、 产品、 质量数据， 对数据进行预处理； 读取预处理后的数据， 采用特征加权的方式进行 聚类， 选取离簇中心最近的特征为关键特征， 构 建关键特征子集； 构建SMT 生产周期预测模型， 并 将关键特征子集作为预测模型的输入； 采用残差 修正机制， 根据预测值与实际值的残差值对预测 模型的预测结果进行修正， 并对最终预测精度进 行评估； 本发明的优点在于： 提供对SMT 生产周期 预测的方法， 指导企业动态优化制造资源分配、 精细管控制造过程、 把握市场多变需求。 权利要求书3页 说明书8页 附图1页 CN 114254827 A 2022.03.29 CN 114254827 A 1.一种数据驱动的SMT制造周期预测及修 正方法， 其特 征在于， 所述方法包括： 步骤一： 获取SMT制造过程中设备、 产品、 质量数据， 对数据进行 预处理； 步骤二： 读取预处理后的数据， 采用特征加权的方式进行聚类， 选取离簇 中心最近的特 征为关键特 征， 构建关键特征子集； 步骤三： 构建SMT生产周期预测模型， 并将关键特 征子集作为预测模型的输入； 步骤四： 采用残差修正机制， 根据预测值与实 际值的残差值对预测模型的预测结果进 行修正， 并对最终预测精度进行评估。 2.根据权利要求1所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述步骤一包括： S11： 通过半导体设备SECS/GEM协议或者MES系统获取SMT制造过程中印刷机、 贴片机、 回流炉、 SPI检测设备、 AOI检测设备、 X ‑ray检测设备的工作/待机/阻塞/暂停/故障时间数 据、 品质异常处 理时间数据、 生产准备时间、 紧急插单 数据； S12： 对上述数据的缺失值或者NAN空值删除， 对于不同量纲的数据， 通过公式 进行最大 ‑最小归一 化处理， 使得上述各类数据在(0， 1)之间。 3.根据权利要求2所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述步骤二包括： S21： 读取经过步骤一处理过的SMT制造过程数据， 通过Relief算法确定特征集中各个 特征的权重； S22： 将步骤S21中获得的特征权重， 结合模糊C均值聚类的方法， 选取离簇中心最近的 特征为关键特 征， 获得关键特 征子集； S23:结合Calinski ‑Haraba系数和轮廓系数对关键特征子集进行聚类分析， 根据聚类 结果调整模糊C均值聚类的模糊阈值、 模糊权 重。 4.根据权利要求3所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述S21包括： 利用公式 确定特征集中 各个特征的权重； 其中， W(F)表示特征F的权重， m表示随机抽取样本次数， k表示抽取样本个数， p(C)表示 在类别中所占的比例， p(class(R))为随机选 取的R样本的类别所占的比例， diff(A1， R1， R2) 表示样本R1和R2在特征F上的距离， Mj(C)表示类 中第j个最近邻样本 。 5.根据权利要求3所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述S22中模糊C均值聚类的方法为： 通过公式 构建特征权重 ‑模糊C均值聚类目 标函数， 其中， fc为聚类中心的数量， fn为特征数量， wj为表示第j个特征的权重， fxj为第j个 特征， cm为取值范围从1到无穷的模糊权 重， ui， j为第i类别中包 含第j个特 征的隶属度且权　利　要　求　书 1/3 页 2 CN 114254827 A 2其中， cxj为 样本xj的聚类中心， ci表示第i个聚类中心且 其中， ε为模糊阈值， 为第t次迭代第i类别中包 含第j个特 征的隶属度。 6.根据权利要求5所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述S23包括： 通过公式 获取Calinski‑Haraba系数， 通过公式 获取轮廓系数， 其中： 为第k类聚类中心， 为全部特征的中心， fk为属于k类的所有特征， a(i)为 第i个特征与不同簇的全部特征之 间的平均距离。 b(i)为第i个特征与相同簇的全部特征之 间的平均距离； 结合Calinski ‑Haraba系数和轮廓系数对关键特征子集进行聚类分析， 若CH值没有达 到第一预设值或SC值没有达到第二预设值， 则调整步骤S22中的模糊阈值ε和模糊权重cm， 直到达到上述设置的条件则停止调整参数。 7.根据权利要求3所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述步骤三包括： S31： 将步骤S23获得的关键特 征子集数据作为样本数据集； S32： 结合残差修正、 极限学习机构建SMT生产周期预测模型， 将步骤S31获取的数据作 为预测模型输入； S33： 构建目标函数并优化步骤32中极限学习机预测模型的权重和阈值得到最优的预 测模型。 8.根据权利要求7所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述S32包括： 通过公式 构建SMT生产周期预测模型， 其中， βi表示输出权重， wi表示输入权重， bi表示第i个隐藏单元偏置， ypre表示预测值， xt 表示输入变量。 9.根据权利要求7所述的一种数据驱动的SMT制造周期预测及修正方法， 其特征在于， 所述S33包括： 通过公式 构建目标函数， ypre(t)表示t时刻的权　利　要　求　书 2/3 页 3 CN 114254827 A 3