基于谐振器装配工艺的滤波器一致性质量控制方法.pdf

《基于谐振器装配工艺的滤波器一致性质量控制方法.pdf》由会员分享，可在线阅读，更多相关《基于谐振器装配工艺的滤波器一致性质量控制方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(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 201910376043.2 (22)申请日 2019.05.07 (71)申请人 中江联合 （北京） 科技有限公司 地址 100048 北京市海淀区车公庄西路甲 19号华通大厦A座221室 (72)发明人 周豫山 (74)专利代理机构 北京卫智畅科专利代理事务 所(普通合伙) 11557 代理人 朱春野 (51)Int.Cl. G05B 19/418(2006.01) (54)发明名称 基于谐振器装配工艺的滤波器一致性质量 控制方法 (57)摘要 一种基于谐振器装配工艺的滤波器。

2、一致性 质量控制方法采用的步骤包括： 步骤一： 测试谐 振器参数， 包括频率、 电阻、 静态电容、 动态电容 和电感； 步骤二： 采用工艺质量一致性模型预测 滤波器质量， 达标则进入下一步， 未达标则更换 谐振器， 重复步骤二； 步骤三： 装配谐振器； 步骤 四： 测试滤波器性能， 达标则进入下一工序， 不达 标则返回步骤二。 本发明可以对谐振器做多个参 数的综合分析， 通过降维对多个错综复杂关系的 变量归结为少数几个综合因子； 可以在工序装配 前提前预测谐振器装配成滤波器的性能数据； 可 以在搭配前提前预测搭配的结果并进行反馈。 权利要求书1页 说明书4页 附图3页 CN 110096041。

3、 A 2019.08.06 CN 110096041 A 1.一种基于谐振器装配工艺的滤波器一致性质量控制方法， 其特征在于， 采用的步骤 包括： 步骤一： 测试谐振器参数， 包括频率、 电阻、 静态电容、 动态电容和电感； 步骤二： 采用工艺质量一致性模型预测滤波器质量， 达标则进入下一步， 未达标则更换 谐振器， 重复步骤二； 步骤三： 装配谐振器； 步骤四： 测试滤波器性能， 达标则进入下一工序， 不达标则返回步骤二。 2.根据权利要求1所述基于谐振器装配工艺的滤波器一致性质量控制方法， 其特征在 于， 所述步骤二具体为： 2.1 收集谐振器装配过程中的历史数据， 根据相关性大小的不同判。

4、断特征参数重要 性， 给定特征参数对应权重， 选择性剔除相关性小于0.3的特征； 2.2 对所述特征参数进行降维处理； 2.3 对所述特征参数做归一化处理； 2.4 将装配工序的控制参数作为训练样本， 并对数据进行聚类集中处理； 2.5 采用径向基神经网络预测谐振器装配工序的工艺结果参数。 3.根据权利要求2所述基于谐振器装配工艺的滤波器一致性质量控制方法， 其特征在 于： 所述径向基神经网络的激活函数表示为： 因此可计算径向基神经网络的公式为 其中ci为基函数中心点， 为函数的宽度参数， wij为神经网络的权值， x为神经网络的输 入， yj为神经网络的输出； 需要求解的参数有三个： 基函数。

5、中心， 宽度(方差)以及隐含层到输出层的权值： 基函数中心可由k-means聚类选取h个中心点； 宽度由公式求解：cmax为所选取中心点之间的最大距离； 连接权值用最小二乘法对损失函数求偏导直接计算得到， 计算公式为： 权利要求书 1/1 页 2 CN 110096041 A 2 基于谐振器装配工艺的滤波器一致性质量控制方法 技术领域 0001 本发明涉及滤波器生产技术领域， 具体涉及一种基于谐振器装配工艺的滤波器一 致性质量控制方法。 背景技术 0002 谐振器装配工序装配时长较长， 对产品质量影响较多。 目前谐振器装配工序对工 艺质量控制的手段均是通过实验结果推断的方法， 基本采用如下方法。

6、： 0003 1.手工组合： 依靠人工将谐振器装配成滤波器， 将装好的滤波器通过网络分析仪 进行性能的测试， 根据测试生成的性能图像来随机替换晶体。 0004 2.依靠经验： 在人工搭配组合滤波器之后， 依靠经验观察网络分析仪图像波形的 变化， 通过多次实践， 找到单个晶体可能对网络分析仪波形的影响， 选择性的调换单个晶 体， 使滤波器的性能达到工艺要求。 0005 3.因子分析： 由于谐振器参数因子过多， 通过对少数几个参数的相关性判断， 会丢 失很多信息， 很难保证其他因素的影响大小。 0006 滤波器的性能测试不能够直接通过网络分析仪的图像判定哪只谐振器引起四项 指标不合格， 只能通过经。

7、验推测， 不一定是最合适的搭配组合， 因此产品性能的高低不一， 一致性较差。 现阶段形成的经验是1、 2号谐振器影响左侧的波形， 5、 6号谐振器影响右侧的 波形， 较多的依靠人工经验未能形成有效的知识传承。 装配工序装配时间较长， 对产品质量 影响较多。 平均每个滤波器的装配在2040分钟之间。 随着谐振器逐渐装配成滤波器后， 最 终会有部分剩余的谐振器无法搭配。 发明内容 0007 本发明针对现有技术的不足， 提出一种利用装配工序历史的大量数据， 结合机器 学习算法， 构建谐振器装配工序质量一致性控制模型， 保证产品质量一致性， 降低工艺质量 的偏差， 进一步优化工艺， 提高装配工序的装配。

8、效率， 减少时长的基于谐振器装配工艺的滤 波器一致性质量控制方法。 具体技术方案如下： 0008 一种基于谐振器装配工艺的滤波器一致性质量控制方法， 具体步骤为： 0009 步骤一： 测试谐振器参数， 包括频率、 电阻、 静态电容、 动态电容和电感； 0010 步骤二： 采用工艺质量一致性模型预测滤波器质量， 达标则进入下一步， 未达标则 更换谐振器， 重复步骤二； 0011 步骤三： 装配谐振器； 0012 步骤四： 测试滤波器性能， 达标则进入下一工序， 不达标则返回步骤二。 0013 为更好的实现本发明， 进一步为： 0014 所述步骤二具体为： 0015 2.1收集谐振器装配过程中的历。

9、史数据， 根据相关性大小的不同判断特征参数重 要性， 给定特征参数对应权重， 选择性剔除相关性小于0.3的特征； 说明书 1/4 页 3 CN 110096041 A 3 0016 2.2对所述特征参数进行降维处理； 0017 2.3对所述特征参数做归一化处理； 0018 2.4将装配工序的控制参数作为训练样本， 并对数据进行聚类集中处理； 0019 2.5采用径向基神经网络预测谐振器装配工序的工艺结果参数。 0020 所述径向基神经网络的激活函数表示为： 0021 0022 因此可计算径向基神经网络的公式为： 0023 0024 其中ci为基函数中心点， 为函数的宽度参数， wij为神经网络。

10、的权值， x为神经网络 的输入， yj为神经网络的输出； 0025 需要求解的参数有三个： 基函数中心， 宽度(方差)以及隐含层到输出层的权值： 0026 基函数中心可由k-means聚类选取h个中心点； 0027宽度由公式求解：cmax为所选取中心点之间的最大距离； 连 接 权 值 用 最 小 二 乘 法 对 损 失 函 数 求 偏 导 直 接 计 算 得 到 ， 计 算 公 式 为 ： 0028 本发明的有益效果为： 1、 可以对谐振器做多个参数的综合分析， 通过降维对多个 错综复杂关系的变量归结为少数几个综合因子； 2、 可以在工序装配前提前预测谐振器装配 成滤波器的性能数据； 可以在搭。

11、配前提前预测搭配的结果并进行反馈； 3、 可以依据装配工 序质量一致性模型预测的滤波器结果数据寻找合适的谐振器组合； 4、 对现场人员知识水平 要求低， 不用太多的人工经验， 形成有效的知识传承； 5、 依据预测搭配组合进行搭配， 装配 工序平均每个滤波器装配需要2-3分钟， 提高工作效率10倍。 附图说明 0029 图1为本发明中工序示意图； 0030 图2为本发明中的方法流程图； 0031 图3为本发明中径向基神经网络的示意图。 具体实施方式 0032 下面结合附图对本发明的较佳实施例进行详细阐述， 以使本发明的优点和特征能 更易于被本领域技术人员理解， 从而对本发明的保护范围做出更为清楚。

12、明确的界定。 0033 名词解释： 0034 ANN： 人工神经网络是由具有适应性的简单单元组成的广泛并行互联的网络， 由多 个神经元模型按照一定的规则连接构成， 是一种模拟人脑的神经网络以期能够实现类人工 智能的机器学习技术。 说明书 2/4 页 4 CN 110096041 A 4 0035 降维： 降维是指采用某种映射方法， 将原高维空间中的数据点映射到低维度的空 间中。 0036 聚类： 聚类是将对象进行分组的一项任务， 使相似的对象归为一类， 不相似的对象 归为不同类。 0037 如图1和图2所示： 一种基于谐振器装配工艺的滤波器一致性质量控制方法， 具体 步骤为： 0038 步骤一。

13、： 测试谐振器参数， 包括频率、 电阻、 静态电容、 动态电容和电感； 0039 步骤二： 采用工艺质量一致性模型预测滤波器质量， 达标则进入下一步， 未达标则 更换谐振器， 重复步骤二； 0040 2.1收集谐振器装配工序的历史谐振器性能参数、 历史工艺结果参数， 将收集到的 数据以文件形式存放到数据库中， 将工序历史数据转换为格式化数据后存储到原始样本数 据库中， 装配工序的谐振器性能参数数据包括常温数据以及高低温数据， 常温数据参数包 括频率、 电阻、 F/T、 R/T、 静态电容、 动态电容、 电感、 Q， 高低温数据会有多条温度数据， 如-45 度、 -25度、 25度及其它温度， 。

14、共8个温度， 每个温度下参数有ppm、 电阻， 工艺要求为谐振器装 配成的滤波器的性能数据， 收集整理后模型的输入数据项为12个谐振器的性能常温和高低 温性能参数， 根据相关性大小的不同判断特征参数重要性， 给定特征参数对应权重， 选择性 剔除相关性小于0.3的特征； 0041 2.2在特征参数的数据处理后， 进行谐振器装配工序的质量一致性控制模型的构 建， 建模前依据主成分分析、 线性判别分析对特征参数进行降维， 即线性变换， 将原始多个 特征变量转化为几个综合指标， 从而简化模型结构； 0042 2.3由于不同评价指标具有不同的量纲和量纲单位， 为了消除量纲影响， 需要对装 配工序的控制参。

15、数做归一化处理， 归一化处理公式如下： 0043 0044 其中 为所有样本数据的均值， 为所有样本数据的标准差； 0045 2.4将数据整理后作为训练样本， 对于比较分散的数据， 为了防止训练时过度拟 合， 在验证集上效果差， 需要对数据进行聚类集中处理， 把具有相同特征的数据聚集在一 组， 聚类中心视情况而定， 通过欧式距离判定样本与聚类中心的距离， 聚类公式如下所示： 0046 0047 其中y1是聚类中心， dist是样本距离中心的欧式距离； 聚类过程中需要逐步迭代 计算距离判定类别才能最终收敛到中心。 每一步迭代求中心的公式如下所示： 0048 0049 其中 i是簇ci的均值向量，。

16、 有时也称为质心， ci表示第i类； 0050 如图3所示： 2.5采用径向基神经网络预测谐振器装配工序的工艺结果参数； 所述 径向基神经网络的激活函数表示为： 说明书 3/4 页 5 CN 110096041 A 5 0051 0052 因此可计算径向基神经网络的公式为： 0053 0054 其中ci为基函数中心点， 为函数的宽度参数， wij为神经网络的权值， x为神经网络 的输入， yj为神经网络的输出； 0055 需要求解的参数有三个： 基函数中心， 宽度(方差)以及隐含层到输出层的权值： 0056 基函数中心可由k-means聚类选取h个中心点； 0057宽度由公式求解：cmax为所。

17、选取中心点之间的最大距离； 连接权值用最小二乘法对损失函数求偏导直接计算得到， 计算公式为： 0058 0059 本实施例中： 将12个谐振器的性能参数作为输入层的参数， 将滤波器4个性能指 标： 带外杂波、 插入损耗、 阻带衰减、 带内波动作为输出层的输出， 结合径向基神经网络 (RBFNN)算法针对谐振器装配工序问题建立模型， 总样本数据共1000条， 其中使用900条样 本数据进行模型训练， 其余100条样本数据进行测试， 输入层264个节点、 中间层3653个节 点， 输出层4个节点， 工艺质量一致性控制应用模型在装配工序开始工作前自动获取谐振器 性能测试参数， 通过工艺质量一致性模型预测结果参数； 0060 步骤三： 在预测结束后， 进行谐振器的装配， 在装配结束后工艺质量一致性控制应 用模型自动获取工艺结果数据， 并通过模型预测误差模块判断误差， 重新调整工艺质量一 致性控制模型的参数， 达到自学习的能力； 0061 步骤四： 测试滤波器性能， 达标则进入下一工序， 不达标则返回步骤二。 说明书 4/4 页 6 CN 110096041 A 6 图1 说明书附图 1/3 页 7 CN 110096041 A 7 图2 说明书附图 2/3 页 8 CN 110096041 A 8 图3 说明书附图 3/3 页 9 CN 110096041 A 9 。