金 奇，霍 澍，陳家欣，王欣悅，張 達(dá)

（中達(dá)電子（江蘇）有限公司，江蘇 蘇州 215200）

關(guān)鍵字：機(jī)器人錫焊；溫度；數(shù)據(jù)分析

1 引言

在機(jī)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(jī)器人，但由于批量自動(dòng)化生產(chǎn)，無(wú)法及時(shí)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(wèn)題。而機(jī)器人錫焊溫度作為機(jī)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(jī)器人的重要組成要素，并能精確采集到機(jī)器人錫焊溫度顯得尤為重要。另外，通過(guò)隨機(jī)森林?jǐn)?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(wèn)題引起的生產(chǎn)不良率，有利于現(xiàn)場(chǎng)找出錫焊品質(zhì)問(wèn)題的根因，真正促進(jìn)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(guò)適當(dāng)?shù)姆治龇椒▽?duì)大量收集回來(lái)的數(shù)據(jù)進(jìn)行詳細(xì)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(jìn)行提煉，以此探索數(shù)據(jù)的規(guī)律，進(jìn)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(wèn)題的過(guò)程，甚至可以說(shuō)是一種方法論。雖然每一種產(chǎn)品都會(huì)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(diǎn)對(duì)機(jī)器人錫焊溫度數(shù)據(jù)分析方法進(jìn)行研究。需求源于廠區(qū)的生產(chǎn)部門，對(duì)數(shù)據(jù)分析的實(shí)時(shí)性提出了較高的要求。因此，需要對(duì)數(shù)據(jù)獲取的硬件提出更高的要求，來(lái)保證數(shù)據(jù)源的可靠性。第一，需要充分了解錫焊機(jī)器人的硬件架構(gòu)，熟悉各個(gè)硬件的數(shù)據(jù)傳輸方式，并且采集錫焊機(jī)器人溫度數(shù)據(jù)的硬件需要達(dá)到工業(yè)級(jí)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(shí)時(shí)性的同時(shí)，確保系統(tǒng)高速且穩(wěn)定運(yùn)行。

3 硬件架構(gòu)

錫焊機(jī)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(jī)、機(jī)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(jī)器人負(fù)責(zé)整個(gè)錫焊作業(yè)流程，而智能分析模組負(fù)責(zé)采集并分析整個(gè)錫焊機(jī)器人硬件架構(gòu)中的數(shù)據(jù)源。

圖2 錫焊機(jī)器人硬件架構(gòu)

3.1 機(jī)器人錫焊作業(yè)流程

機(jī)器人錫焊主要是模仿手工焊的作業(yè)流程[2]。機(jī)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(diǎn)位置定位、送錫和焊接整個(gè)作業(yè)流程。PLC負(fù)責(zé)控制送錫量與除渣，并采集機(jī)器人的運(yùn)動(dòng)到位信號(hào)，主要經(jīng)過(guò)以下三個(gè)作業(yè)流程。

1）焊接模組固定安裝自動(dòng)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(tái)達(dá)機(jī)器人成為一個(gè)運(yùn)動(dòng)整體，夾持機(jī)構(gòu)具備調(diào)節(jié)烙鐵焊接角度的功能。

2）送錫機(jī)構(gòu)是由錫卷支架、送錫器、步進(jìn)電機(jī)、出錫軟管、出錫導(dǎo)管等組成，送錫過(guò)程是先將錫絲引入送錫器，控制步進(jìn)電機(jī)來(lái)控制焊點(diǎn)的送錫量，然后經(jīng)過(guò)出錫軟管抵達(dá)烙鐵頭，最后烙鐵頭高溫熔化至焊點(diǎn)上。

3）除渣模組是通過(guò)在焊接區(qū)域外的附近位置安裝一個(gè)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(shí)，機(jī)器人運(yùn)動(dòng)到除渣位置，通過(guò)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(jìn)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(yùn)行內(nèi)存和Linux操作系統(tǒng)，可保證系統(tǒng)的高速采集、長(zhǎng)期穩(wěn)定運(yùn)行和節(jié)省能耗，并結(jié)合PLC采集的運(yùn)動(dòng)到位信號(hào)，精準(zhǔn)完成烙鐵溫度數(shù)據(jù)的采集和分析任務(wù)，實(shí)現(xiàn)焊點(diǎn)數(shù)量的統(tǒng)計(jì)與焊點(diǎn)品質(zhì)監(jiān)測(cè)，最終通過(guò)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(kāi)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(kāi)發(fā)環(huán)境，利用LabVIEW獨(dú)特的多線程、生產(chǎn)者消費(fèi)者設(shè)計(jì)模式，完成錫焊溫度數(shù)據(jù)的采集、PLC信號(hào)監(jiān)控、數(shù)據(jù)存儲(chǔ)和界面UI的交互[3]。高速無(wú)遺漏的錫焊溫度數(shù)據(jù)采集采用生產(chǎn)者消費(fèi)者（數(shù)據(jù)）結(jié)構(gòu)，通過(guò)隊(duì)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(fèi)者完成數(shù)據(jù)分析任務(wù)，具體過(guò)程由以下四個(gè)方面來(lái)執(zhí)行。

圖3 生產(chǎn)者與消費(fèi)者流程示意圖

1）讀取烙鐵主機(jī)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(jìn)行數(shù)據(jù)采集任務(wù)。

2）智能分析模組實(shí)時(shí)通訊烙鐵主機(jī)，讀取烙鐵頭的溫度數(shù)據(jù)，并合并當(dāng)前采集時(shí)間數(shù)據(jù)和PLC監(jiān)測(cè)信號(hào)數(shù)據(jù)傳入生產(chǎn)者隊(duì)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(fèi)者進(jìn)行數(shù)據(jù)分析（消費(fèi)）。

3）消費(fèi)者接收到喚醒任務(wù)后，持續(xù)進(jìn)行數(shù)據(jù)分析。如果緩沖區(qū)為空，說(shuō)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(jìn)行數(shù)據(jù)分析（消費(fèi)）。

4）因?yàn)槔予F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(shí)時(shí)判斷輪詢烙鐵是否進(jìn)入休眠狀態(tài)。當(dāng)采集系統(tǒng)查詢到烙鐵休眠時(shí)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(kāi)發(fā)環(huán)境。Python具有豐富和強(qiáng)大的數(shù)據(jù)處理和分析任務(wù)的庫(kù)集，且開(kāi)源、嚴(yán)謹(jǐn)、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(guò)Python的開(kāi)發(fā)環(huán)境，實(shí)現(xiàn)機(jī)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(diǎn)，擴(kuò)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(kāi)發(fā)。

5 數(shù)據(jù)分析

5.1 數(shù)據(jù)集介紹

機(jī)器人錫焊中沿用了手工焊常見(jiàn)的五步法：準(zhǔn)備施焊、加熱焊件、融化焊料、移開(kāi)焊錫、移開(kāi)烙鐵，而這些錫焊溫度變化的過(guò)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(zhǔn)備施焊階段，烙鐵接通電源，烙鐵溫度會(huì)逐漸升溫至設(shè)定溫度后等待作業(yè)；其次在焊點(diǎn)作業(yè)過(guò)程中，加熱焊件與融化焊料都是傳導(dǎo)吸熱的過(guò)程，加上烙鐵自身加熱過(guò)程，兩者都會(huì)體現(xiàn)在烙鐵溫度變化中；最后作業(yè)結(jié)束后移開(kāi)焊錫與烙鐵時(shí)，烙鐵會(huì)由于PID算法的緣故出現(xiàn)溫度小幅度波動(dòng)的回溫現(xiàn)象。

本文重點(diǎn)研究圖4中作業(yè)溫度數(shù)據(jù)變化，而焊點(diǎn)溫度數(shù)據(jù)是以時(shí)間序列方式記錄變化的數(shù)據(jù)段。為了更好地研究每個(gè)焊點(diǎn)的錫焊品質(zhì)，首先需要把焊點(diǎn)數(shù)據(jù)進(jìn)行分段研究，即通過(guò)采集PLC記錄下來(lái)的機(jī)器人動(dòng)作信號(hào)，對(duì)錫焊時(shí)序數(shù)據(jù)進(jìn)行劃分，具體實(shí)現(xiàn)方法為以下三個(gè)方面。

1）記錄下機(jī)器人焊點(diǎn)移動(dòng)點(diǎn)位信號(hào)，可以將實(shí)際錫焊作業(yè)時(shí)的溫度變化數(shù)據(jù)和其他過(guò)程數(shù)據(jù)分割開(kāi)來(lái)，以此統(tǒng)計(jì)焊點(diǎn)數(shù)量。

2）根據(jù)上一步分割信號(hào)對(duì)錫焊溫度數(shù)據(jù)進(jìn)行分組，每組中包含一個(gè)焊點(diǎn)作業(yè)溫度變化過(guò)程，以每0.5 s記錄時(shí)間及溫度，故每一焊點(diǎn)依其加工時(shí)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(gè)樣本。

另外，目前實(shí)驗(yàn)階段的錫焊機(jī)器人并不具備實(shí)時(shí)監(jiān)測(cè)焊點(diǎn)品質(zhì)的功能，需要人工記錄焊點(diǎn)的品質(zhì)結(jié)果。由于人工記錄的時(shí)間的遲延問(wèn)題，需要在焊點(diǎn)品質(zhì)判定結(jié)論之后以標(biāo)簽的形式合并記錄在每個(gè)焊點(diǎn)的樣本數(shù)據(jù)集中，加工檢測(cè)通過(guò)標(biāo)記為0，不通過(guò)標(biāo)記為1。錫焊采集數(shù)據(jù)說(shuō)明如下三個(gè)方面。

1）時(shí)間戳：以實(shí)驗(yàn)開(kāi)始時(shí)間為0紀(jì)錄時(shí)間戳，如175 959.914；

2）溫度：依據(jù)加工時(shí)間，多筆溫度記錄對(duì)應(yīng)一個(gè)預(yù)測(cè)目標(biāo)，如[452.4，449.5，450.3，451.8，449.5，451.3， …]；

3）加工檢測(cè)結(jié)果：為模型預(yù)測(cè)目標(biāo)，正常焊點(diǎn)為0，異常焊點(diǎn)為1。

錫焊溫度原始數(shù)據(jù)存在少量異常值，需先進(jìn)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(cè)試數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集，分別有420，120，200筆數(shù)據(jù)，不通過(guò)率約為5%。

5.2 特征工程

錫焊溫度數(shù)據(jù)為時(shí)間序列數(shù)據(jù)類型，在建模前需進(jìn)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(shí)間序列數(shù)據(jù)，增加多樣特征項(xiàng)后再進(jìn)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(shí)域，頻域和時(shí)序特征角度分析溫度變化過(guò)程。常見(jiàn)的時(shí)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(duì)傅里葉變換的譜統(tǒng)計(jì)量，原始序列曲線經(jīng)過(guò)絕對(duì)傅里葉變換后轉(zhuǎn)到頻域，計(jì)算頻域的光譜質(zhì)心、方差、峰度、偏度等值。反映時(shí)序變化的特征包括一階差分絕對(duì)和，近似熵。一階差分絕對(duì)和，返回時(shí)序數(shù)據(jù)的一階差分結(jié)果的絕對(duì)值之和，計(jì)算公式為近似熵用來(lái)量化時(shí)序數(shù)據(jù)的周期性、不可預(yù)測(cè)性和波動(dòng)性，時(shí)間序列越復(fù)雜對(duì)應(yīng)的近似熵越大。為了加快算法收斂速度，對(duì)提取完成后的特征進(jìn)行特征歸一化。

5.3 分類模型方法

整個(gè)模型是在Python3.7環(huán)境下搭建的，本文對(duì)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(gè)分類算法模型進(jìn)行分析對(duì)比，以獲得更好更穩(wěn)定的模型預(yù)測(cè)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(yàn)分布p（A）和似然函數(shù)p（B|A）的情況下，模型的后驗(yàn)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(cè)及模型選擇。在預(yù)測(cè)方面，給定訓(xùn)練數(shù)據(jù)，通過(guò)貝葉斯方法得到對(duì)未來(lái)數(shù)據(jù)的預(yù)測(cè)；而在模型選擇方面，貝葉斯模型選擇通過(guò)比較不同模型的似然函數(shù)來(lái)選取最優(yōu)的，可以避免過(guò)擬合現(xiàn)象。

2）支持向量機(jī)。支持向量機(jī)（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(xiǎn)最小化原則和統(tǒng)計(jì)學(xué)習(xí)理論，最大化提升模型準(zhǔn)確度。

針對(duì)線性問(wèn)題，SVM 找到最優(yōu)超平面，該超平面被定義為兩個(gè)類之間的最大分離邊際，代表兩個(gè)類之間最大間隔或邊距，每邊最近的數(shù)據(jù)點(diǎn)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(biāo)簽在{+1，-1} 內(nèi)。若為非線性的問(wèn)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(duì)數(shù)據(jù)進(jìn)行分類的新計(jì)算公式為

3）隨機(jī)森林。隨機(jī)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(duì)每棵決策樹進(jìn)行單獨(dú)預(yù)測(cè)，然后計(jì)算所有決策樹投票的最終結(jié)果。隨機(jī)森林創(chuàng)建多個(gè)分類和回歸樹，使用 Gini 雜質(zhì)度量選擇每個(gè)節(jié)點(diǎn)的最低雜質(zhì)，作為節(jié)點(diǎn)中的類標(biāo)簽分布。Gini 雜質(zhì)的值在 [0, 1] 中，當(dāng)一個(gè)節(jié)點(diǎn)中的所有元素都屬于同一類時(shí)，得到0。變量x=x1,x2，…，xj在節(jié)點(diǎn)t的Gini雜質(zhì)度量，其中j是節(jié)點(diǎn)t的子節(jié)點(diǎn)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(diǎn)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(duì)變量X的不同值的加權(quán)平均值，定義公式為

分裂標(biāo)準(zhǔn)的決定將基于m個(gè)變量中計(jì)算的最低基尼雜質(zhì)值。在隨機(jī)森林中，每棵樹使用一組不同的m個(gè)變量來(lái)構(gòu)造分裂規(guī)則。

相比于傳統(tǒng)的分類器，隨機(jī)森林對(duì)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(shí)，不需要降維，也能實(shí)現(xiàn)較高的準(zhǔn)確度和較快的訓(xùn)練速度。另外，由于隨機(jī)性的引入，減少了數(shù)據(jù)過(guò)擬合的問(wèn)題。

5.4 模型結(jié)果與評(píng)估

對(duì)于二元分類器，通常使用準(zhǔn)確性來(lái)評(píng)估模型性能，但在處理不平衡的數(shù)據(jù)時(shí)，準(zhǔn)確性無(wú)法反映實(shí)際值。實(shí)驗(yàn)選擇接收者操作特征曲線（Receiver Operating Characteristic，ROC）作為模型評(píng)估方式，以真實(shí)陽(yáng)性率繪制為不同截止點(diǎn)的假陽(yáng)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(jì)算界于[0, 1]之間的數(shù)字，利于直觀的判別模型準(zhǔn)確度。

另外，使用F1分?jǐn)?shù)作為模型的評(píng)價(jià)指標(biāo)，是測(cè)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(cè)為正例的樣本比重，F(xiàn)1值越大，表示預(yù)測(cè)的結(jié)果越好。F1的計(jì)算公式為

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證隨機(jī)森林在焊點(diǎn)分類數(shù)據(jù)集上表現(xiàn)效果良好，準(zhǔn)確率高，且F1也達(dá)到了80%以上，故此實(shí)驗(yàn)選擇隨機(jī)森林模型作為預(yù)測(cè)模型。建模過(guò)程選取6個(gè)特征因子，重要度排序見(jiàn)表1，透過(guò)剪枝使用10顆樹，深度為5。

表1 錫焊數(shù)據(jù)模型分析準(zhǔn)確率

隨機(jī)森林作為焊點(diǎn)溫度數(shù)據(jù)分類實(shí)驗(yàn)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(shí)模型訓(xùn)練過(guò)程提供良好的隨機(jī)性，在生產(chǎn)中可提供關(guān)鍵參數(shù)監(jiān)控，實(shí)時(shí)用于質(zhì)量分析關(guān)注項(xiàng)目。

5.5 現(xiàn)場(chǎng)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(jī)器人現(xiàn)場(chǎng)生產(chǎn)。通過(guò)現(xiàn)場(chǎng)一千多片PCB板的試驗(yàn)驗(yàn)證，最終攔截了80%以上的PCB板焊點(diǎn)不良。

6 結(jié)束語(yǔ)

綜上所述，促進(jìn)機(jī)器人錫焊品質(zhì)的提升，不僅需要深入了解整個(gè)錫焊機(jī)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(lái)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(guò)Python隨機(jī)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(jī)器人現(xiàn)場(chǎng)，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(shí)驗(yàn)由于人為因素（焊點(diǎn)品質(zhì)人為判定）的介入，可能出現(xiàn)的人為誤判會(huì)直接影響數(shù)據(jù)分析模型的評(píng)估，后續(xù)可以加入視覺(jué)硬件及算法，增加焊點(diǎn)數(shù)據(jù)品質(zhì)判定的可信度，以此進(jìn)一步優(yōu)化數(shù)據(jù)分析模型。另外，本次實(shí)驗(yàn)數(shù)據(jù)模型是建立在同一批PCB相同大小焊點(diǎn)的數(shù)據(jù)，對(duì)于不同大小的焊點(diǎn)數(shù)據(jù)后續(xù)還需要去做進(jìn)一步的實(shí)驗(yàn)驗(yàn)證。