機器人錫焊溫度數(shù)據(jù)分析方法

金 奇，霍 澍，陳家欣，王欣悅，張 達

（中達電子（江蘇）有限公司，江蘇 蘇州 215200）

關(guān)鍵字：機器人錫焊；溫度；數(shù)據(jù)分析

1 引言

在機器人錫焊技術(shù)得到廣泛應(yīng)用的背景下，各類電子產(chǎn)品在生產(chǎn)加工期間紛紛使用錫焊機器人，但由于批量自動化生產(chǎn)，無法及時發(fā)現(xiàn)錫焊烙鐵的損耗變異，很容易出現(xiàn)錫焊品質(zhì)問題。而機器人錫焊溫度作為機器人錫焊作業(yè)的重要影響因素，在錫焊品質(zhì)中起到舉足輕重的作用[1]。因此，了解錫焊機器人的重要組成要素，并能精確采集到機器人錫焊溫度顯得尤為重要。另外，通過隨機森林數(shù)據(jù)分類算法充分挖掘錫焊溫度數(shù)據(jù)，降低由錫焊問題引起的生產(chǎn)不良率，有利于現(xiàn)場找出錫焊品質(zhì)問題的根因，真正促進電子元件焊接質(zhì)量的提升。

2 數(shù)據(jù)分析方法

數(shù)據(jù)分析是指通過適當(dāng)?shù)姆治龇椒▽Υ罅渴占貋淼臄?shù)據(jù)進行詳細研究和概括總結(jié)，提取有效信息并得出結(jié)論。隨著智能制造的不斷發(fā)展，企業(yè)處理數(shù)據(jù)的能力不斷提升，數(shù)據(jù)量與日俱增。這需要將這些繁雜的數(shù)據(jù)進行提煉，以此探索數(shù)據(jù)的規(guī)律，進而幫助企業(yè)管理者做出正確決策。

數(shù)據(jù)分析已經(jīng)逐漸演變成一種解決問題的過程，甚至可以說是一種方法論。雖然每一種產(chǎn)品都會有一套適應(yīng)自身發(fā)展需求的數(shù)據(jù)分析流程，但是數(shù)據(jù)分析的核心流程都是一樣的，典型的數(shù)據(jù)分析流程如圖1所示。

圖1 數(shù)據(jù)分析流程

本文重點對機器人錫焊溫度數(shù)據(jù)分析方法進行研究。需求源于廠區(qū)的生產(chǎn)部門，對數(shù)據(jù)分析的實時性提出了較高的要求。因此，需要對數(shù)據(jù)獲取的硬件提出更高的要求，來保證數(shù)據(jù)源的可靠性。第一，需要充分了解錫焊機器人的硬件架構(gòu)，熟悉各個硬件的數(shù)據(jù)傳輸方式，并且采集錫焊機器人溫度數(shù)據(jù)的硬件需要達到工業(yè)級的要求；第二，需要充分構(gòu)建采集與分析的軟件架構(gòu)，在保證數(shù)據(jù)分析實時性的同時，確保系統(tǒng)高速且穩(wěn)定運行。

3 硬件架構(gòu)

錫焊機器人硬件架構(gòu)如圖2所示，包括智能分析模組、顯示屏、烙鐵主機、機器人、可編程邏輯控制器（Programmable Logic Controller，PLC）、送錫模組、焊接模組、除渣模組。機器人負責(zé)整個錫焊作業(yè)流程，而智能分析模組負責(zé)采集并分析整個錫焊機器人硬件架構(gòu)中的數(shù)據(jù)源。

圖2 錫焊機器人硬件架構(gòu)

3.1 機器人錫焊作業(yè)流程

機器人錫焊主要是模仿手工焊的作業(yè)流程[2]。機器人模仿人的手臂，末端安裝送錫模組和焊接模組，完成焊點位置定位、送錫和焊接整個作業(yè)流程。PLC負責(zé)控制送錫量與除渣，并采集機器人的運動到位信號，主要經(jīng)過以下三個作業(yè)流程。

1）焊接模組固定安裝自動焊的電烙鐵及送錫模組的出錫導(dǎo)管，使烙鐵、出錫導(dǎo)管和臺達機器人成為一個運動整體，夾持機構(gòu)具備調(diào)節(jié)烙鐵焊接角度的功能。

2）送錫機構(gòu)是由錫卷支架、送錫器、步進電機、出錫軟管、出錫導(dǎo)管等組成，送錫過程是先將錫絲引入送錫器，控制步進電機來控制焊點的送錫量，然后經(jīng)過出錫軟管抵達烙鐵頭，最后烙鐵頭高溫熔化至焊點上。

3）除渣模組是通過在焊接區(qū)域外的附近位置安裝一個吹氣軟管、電磁閥、收集盒，采用吹氣式除渣的方式，去除烙鐵頭因連續(xù)焊接產(chǎn)生的錫渣和氧化物。當(dāng)烙鐵頭需要除渣時，機器人運動到除渣位置，通過PLC控制電磁閥將壓縮空氣從吹氣軟管中吹出，便于烙鐵頭部的氧化物和錫渣吹進收集盒。

3.2 智能分析模組

智能分析模組采用低功耗中央處理器、高速固態(tài)硬盤、高速運行內(nèi)存和Linux操作系統(tǒng)，可保證系統(tǒng)的高速采集、長期穩(wěn)定運行和節(jié)省能耗，并結(jié)合PLC采集的運動到位信號，精準完成烙鐵溫度數(shù)據(jù)的采集和分析任務(wù)，實現(xiàn)焊點數(shù)量的統(tǒng)計與焊點品質(zhì)監(jiān)測，最終通過直觀的曲線顯示呈現(xiàn)給用戶。

4 軟件架構(gòu)

智能分析模組中安裝Linux的發(fā)行版Centos7操作系統(tǒng)，兼顧LabVIEW和Python兩種開發(fā)環(huán)境，分別用于數(shù)據(jù)的采集與分析。

4.1 數(shù)據(jù)采集環(huán)境

本文基于LabVIEW 2020的數(shù)據(jù)采集開發(fā)環(huán)境，利用LabVIEW獨特的多線程、生產(chǎn)者消費者設(shè)計模式，完成錫焊溫度數(shù)據(jù)的采集、PLC信號監(jiān)控、數(shù)據(jù)存儲和界面UI的交互[3]。高速無遺漏的錫焊溫度數(shù)據(jù)采集采用生產(chǎn)者消費者（數(shù)據(jù)）結(jié)構(gòu)，通過隊列的方式傳輸采集與分析線程間數(shù)據(jù)。如圖3所示，生產(chǎn)者完成數(shù)據(jù)采集任務(wù)，而消費者完成數(shù)據(jù)分析任務(wù)，具體過程由以下四個方面來執(zhí)行。

圖3 生產(chǎn)者與消費者流程示意圖

1）讀取烙鐵主機及PLC的通信參數(shù)，初始化智能分析模組的通信端口，通知生產(chǎn)者進行數(shù)據(jù)采集任務(wù)。

2）智能分析模組實時通訊烙鐵主機，讀取烙鐵頭的溫度數(shù)據(jù)，并合并當(dāng)前采集時間數(shù)據(jù)和PLC監(jiān)測信號數(shù)據(jù)傳入生產(chǎn)者隊列（緩沖區(qū)）。如果緩沖區(qū)溢出，即暫停數(shù)據(jù)采集（生產(chǎn)），否則持續(xù)采集溫度數(shù)據(jù)并喚醒消費者進行數(shù)據(jù)分析（消費）。

3）消費者接收到喚醒任務(wù)后，持續(xù)進行數(shù)據(jù)分析。如果緩沖區(qū)為空，說明數(shù)據(jù)采集（生產(chǎn)）任務(wù)停止，待生產(chǎn)者重新喚醒后，即緩沖區(qū)不為空，重新進行數(shù)據(jù)分析（消費）。

4）因為烙鐵休眠狀態(tài)下的溫度數(shù)據(jù)不是本文錫焊溫度數(shù)據(jù)分析的樣本，所以需要實時判斷輪詢烙鐵是否進入休眠狀態(tài)。當(dāng)采集系統(tǒng)查詢到烙鐵休眠時就停止數(shù)據(jù)采集（生產(chǎn)）直至烙鐵再次被使用。

4.2 數(shù)據(jù)分析環(huán)境

本文基于Python的數(shù)據(jù)分析開發(fā)環(huán)境。Python具有豐富和強大的數(shù)據(jù)處理和分析任務(wù)的庫集，且開源、嚴謹、靈活和易于學(xué)習(xí)，是最適合做數(shù)據(jù)分析的。本文通過Python的開發(fā)環(huán)境，實現(xiàn)機器人錫焊溫度數(shù)據(jù)的預(yù)處理、建模與分析。

另外，LabVIEW從2018版后增加了Python節(jié)點，擴展了LabVIEW和Python的交互功能，便于LabVIEW調(diào)用Python的功能，有利于整套軟件環(huán)境的集成開發(fā)。

5 數(shù)據(jù)分析

5.1 數(shù)據(jù)集介紹

機器人錫焊中沿用了手工焊常見的五步法：準備施焊、加熱焊件、融化焊料、移開焊錫、移開烙鐵，而這些錫焊溫度變化的過程數(shù)據(jù)也體現(xiàn)在了原始數(shù)據(jù)中。如圖4所示，首先在準備施焊階段，烙鐵接通電源，烙鐵溫度會逐漸升溫至設(shè)定溫度后等待作業(yè)；其次在焊點作業(yè)過程中，加熱焊件與融化焊料都是傳導(dǎo)吸熱的過程，加上烙鐵自身加熱過程，兩者都會體現(xiàn)在烙鐵溫度變化中；最后作業(yè)結(jié)束后移開焊錫與烙鐵時，烙鐵會由于PID算法的緣故出現(xiàn)溫度小幅度波動的回溫現(xiàn)象。

本文重點研究圖4中作業(yè)溫度數(shù)據(jù)變化，而焊點溫度數(shù)據(jù)是以時間序列方式記錄變化的數(shù)據(jù)段。為了更好地研究每個焊點的錫焊品質(zhì)，首先需要把焊點數(shù)據(jù)進行分段研究，即通過采集PLC記錄下來的機器人動作信號，對錫焊時序數(shù)據(jù)進行劃分，具體實現(xiàn)方法為以下三個方面。

1）記錄下機器人焊點移動點位信號，可以將實際錫焊作業(yè)時的溫度變化數(shù)據(jù)和其他過程數(shù)據(jù)分割開來，以此統(tǒng)計焊點數(shù)量。

2）根據(jù)上一步分割信號對錫焊溫度數(shù)據(jù)進行分組，每組中包含一個焊點作業(yè)溫度變化過程，以每0.5 s記錄時間及溫度，故每一焊點依其加工時間產(chǎn)生6~10筆溫度記錄。

3）分組后繼續(xù)篩選數(shù)據(jù)，剔除記錄為0異常溫度數(shù)據(jù)，最終篩選后的數(shù)據(jù)集記為一個樣本。

另外，目前實驗階段的錫焊機器人并不具備實時監(jiān)測焊點品質(zhì)的功能，需要人工記錄焊點的品質(zhì)結(jié)果。由于人工記錄的時間的遲延問題，需要在焊點品質(zhì)判定結(jié)論之后以標簽的形式合并記錄在每個焊點的樣本數(shù)據(jù)集中，加工檢測通過標記為0，不通過標記為1。錫焊采集數(shù)據(jù)說明如下三個方面。

1）時間戳：以實驗開始時間為0紀錄時間戳，如175 959.914；

2）溫度：依據(jù)加工時間，多筆溫度記錄對應(yīng)一個預(yù)測目標，如[452.4，449.5，450.3，451.8，449.5，451.3， …]；

3）加工檢測結(jié)果：為模型預(yù)測目標，正常焊點為0，異常焊點為1。

錫焊溫度原始數(shù)據(jù)存在少量異常值，需先進行數(shù)據(jù)清洗后才能用于數(shù)據(jù)分析與建模，如采集數(shù)據(jù)組內(nèi)皆為0的溫度，將其以異常值方式剔除。數(shù)據(jù)集區(qū)分為訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集、驗證數(shù)據(jù)集，分別有420，120，200筆數(shù)據(jù)，不通過率約為5%。

5.2 特征工程

錫焊溫度數(shù)據(jù)為時間序列數(shù)據(jù)類型，在建模前需進行特征工程，以增加特征多樣性，提升數(shù)據(jù)豐富度。根據(jù)每一組時間序列數(shù)據(jù)，增加多樣特征項后再進行關(guān)鍵因子特征提取，以提升后續(xù)模型整體穩(wěn)健度。特征提取方法以時域，頻域和時序特征角度分析溫度變化過程。常見的時域波形特征包括均值、方差、峰值、偏度、峭度、波形因子、脈沖因子；頻域特征包括絕對傅里葉變換的譜統(tǒng)計量，原始序列曲線經(jīng)過絕對傅里葉變換后轉(zhuǎn)到頻域，計算頻域的光譜質(zhì)心、方差、峰度、偏度等值。反映時序變化的特征包括一階差分絕對和，近似熵。一階差分絕對和，返回時序數(shù)據(jù)的一階差分結(jié)果的絕對值之和，計算公式為近似熵用來量化時序數(shù)據(jù)的周期性、不可預(yù)測性和波動性，時間序列越復(fù)雜對應(yīng)的近似熵越大。為了加快算法收斂速度，對提取完成后的特征進行特征歸一化。

5.3 分類模型方法

整個模型是在Python3.7環(huán)境下搭建的，本文對錫焊樣本數(shù)據(jù)的分布、特征和智能分析模組處理器性能有了充分理解之后，將著重從以下三個分類算法模型進行分析對比，以獲得更好更穩(wěn)定的模型預(yù)測結(jié)果。

1）貝葉斯。貝葉斯法則[4]主要概念為，某屬性的事件發(fā)生次數(shù)越多，該屬性成立的可能性越大。A為概率模型的參數(shù)，B為給定的數(shù)據(jù)集。在給定模型的先驗分布p（A）和似然函數(shù)p（B|A）的情況下，模型的后驗分布由貝葉斯定理獲得公式

式中，p（A）是模型的邊緣似然函數(shù)。

貝葉斯方法可作為預(yù)測及模型選擇。在預(yù)測方面，給定訓(xùn)練數(shù)據(jù)，通過貝葉斯方法得到對未來數(shù)據(jù)的預(yù)測；而在模型選擇方面，貝葉斯模型選擇通過比較不同模型的似然函數(shù)來選取最優(yōu)的，可以避免過擬合現(xiàn)象。

2）支持向量機。支持向量機（Support Vector Machine，SVM）是用于分類和回歸的監(jiān)督學(xué)習(xí)方法，這些分類器基于風(fēng)險最小化原則和統(tǒng)計學(xué)習(xí)理論，最大化提升模型準確度。

針對線性問題，SVM 找到最優(yōu)超平面，該超平面被定義為兩個類之間的最大分離邊際，代表兩個類之間最大間隔或邊距，每邊最近的數(shù)據(jù)點與超平面的距離最大化，這被稱為最大邊距超平面，也被定義為最大邊距分類器。SVM 分類器將函數(shù)定義為

式中，w是超平面的法向量，b是偏置權(quán)重，假設(shè)標簽在{+1，-1} 內(nèi)。若為非線性的問題，解決方案是使用核函數(shù)。內(nèi)核模擬初始數(shù)據(jù)在更高維度的特征空間中的投影，將非線性空間轉(zhuǎn)換為線性空間。內(nèi)積 (xi,xj) 被核函數(shù) K(x,xi)=（?(x),?(xi))替換。對數(shù)據(jù)進行分類的新計算公式為

3）隨機森林。隨機森林（Random Forest，RF），是一種集成學(xué)習(xí)方法，其基本思想是先打包幾棵不同參數(shù)的決策樹，并對每棵決策樹進行單獨預(yù)測，然后計算所有決策樹投票的最終結(jié)果。隨機森林創(chuàng)建多個分類和回歸樹，使用 Gini 雜質(zhì)度量選擇每個節(jié)點的最低雜質(zhì)，作為節(jié)點中的類標簽分布。Gini 雜質(zhì)的值在 [0, 1] 中，當(dāng)一個節(jié)點中的所有元素都屬于同一類時，得到0。變量x=x1,x2，…，xj在節(jié)點t的Gini雜質(zhì)度量，其中j是節(jié)點t的子節(jié)點數(shù)，N是樣本數(shù)，nci是樣本數(shù)x1值屬于c類，ai是節(jié)點t處具有值xi的樣本數(shù)。Gini 雜質(zhì)公式為

拆分的基尼指數(shù)是基尼度量對變量X的不同值的加權(quán)平均值，定義公式為

分裂標準的決定將基于m個變量中計算的最低基尼雜質(zhì)值。在隨機森林中，每棵樹使用一組不同的m個變量來構(gòu)造分裂規(guī)則。

相比于傳統(tǒng)的分類器，隨機森林對特征具有比較好的魯棒性。在處理較高維度（較多特征）數(shù)據(jù)時，不需要降維，也能實現(xiàn)較高的準確度和較快的訓(xùn)練速度。另外，由于隨機性的引入，減少了數(shù)據(jù)過擬合的問題。

5.4 模型結(jié)果與評估

對于二元分類器，通常使用準確性來評估模型性能，但在處理不平衡的數(shù)據(jù)時，準確性無法反映實際值。實驗選擇接收者操作特征曲線（Receiver Operating Characteristic，ROC）作為模型評估方式，以真實陽性率繪制為不同截止點的假陽性率的函數(shù)，曲線下方面積（Area Under the Curve，AUC）量化ROC曲線性能，計算界于[0, 1]之間的數(shù)字，利于直觀的判別模型準確度。

另外，使用F1分數(shù)作為模型的評價指標，是測試精度和召回率的加權(quán)諧波平均值。Precision指被分類器判定為正例中的正樣本的比重，Recall指總的正樣本中被預(yù)測為正例的樣本比重，F(xiàn)1值越大，表示預(yù)測的結(jié)果越好。F1的計算公式為

經(jīng)過實驗驗證隨機森林在焊點分類數(shù)據(jù)集上表現(xiàn)效果良好，準確率高，且F1也達到了80%以上，故此實驗選擇隨機森林模型作為預(yù)測模型。建模過程選取6個特征因子，重要度排序見表1，透過剪枝使用10顆樹，深度為5。

表1 錫焊數(shù)據(jù)模型分析準確率

隨機森林作為焊點溫度數(shù)據(jù)分類實驗的主要分類模型，因其在大量且高維數(shù)據(jù)中亦能保持良好的指令周期，同時模型訓(xùn)練過程提供良好的隨機性，在生產(chǎn)中可提供關(guān)鍵參數(shù)監(jiān)控，實時用于質(zhì)量分析關(guān)注項目。

5.5 現(xiàn)場部署

本文將數(shù)據(jù)采集系統(tǒng)與數(shù)據(jù)分析模型融合成一套數(shù)據(jù)分析方法，嵌入到智能分析模組并導(dǎo)入錫焊機器人現(xiàn)場生產(chǎn)。通過現(xiàn)場一千多片PCB板的試驗驗證，最終攔截了80%以上的PCB板焊點不良。

6 結(jié)束語

綜上所述，促進機器人錫焊品質(zhì)的提升，不僅需要深入了解整個錫焊機器人的作業(yè)流程，還需要充分保證錫焊溫度數(shù)據(jù)的來源，采用精確的錫焊溫度才能有利于保證后期數(shù)據(jù)分析效果。通過Python隨機森林分類算法得到最佳的數(shù)據(jù)分析模型，并融合數(shù)據(jù)采集系統(tǒng)形成一套完整的數(shù)據(jù)分析方法導(dǎo)入錫焊機器人現(xiàn)場，有利于降低PCB錫焊作業(yè)的不良率，提高生產(chǎn)系統(tǒng)的整體品質(zhì)。但是，本次實驗由于人為因素（焊點品質(zhì)人為判定）的介入，可能出現(xiàn)的人為誤判會直接影響數(shù)據(jù)分析模型的評估，后續(xù)可以加入視覺硬件及算法，增加焊點數(shù)據(jù)品質(zhì)判定的可信度，以此進一步優(yōu)化數(shù)據(jù)分析模型。另外，本次實驗數(shù)據(jù)模型是建立在同一批PCB相同大小焊點的數(shù)據(jù)，對于不同大小的焊點數(shù)據(jù)后續(xù)還需要去做進一步的實驗驗證。