Jelen cikk célja, hogy bemutassa az újraömlesztéses forrasztási technológia kritikus lépésének, a stencilnyomtatási folyamatnak a gépi tanuláson alapuló modellezési lehetőségeit. Ismertetjük az egyes gépi tanulási módszerek alapjait, majd pedig a következő gépi tanulási módszerek optimalizálását a stencilnyomtatás tekintetében: mesterséges neurális hálózat, neuro-fuzzy rendszer, szupport-vektor gépek, boost-olt döntési fák. A módszerek vizsgálatához és optimalizáláshoz kísérleti úton nyertük a tanító adathalmazt, melynek bementi paraméterei a forraszpaszta szemcseméretének tulajdonságai, a stencilapertúra mérete és a nyomtatási sebesség. A folyamat minőségét jellemző kimeneti paraméterek pedig a forraszpaszta-lenyomatok területe, magassága, térfogata. Az egyes, gépi tanulási módszerek becslési hibáját az átlagos abszolút százalékos hiba (MAPE – mean absolute percentage error) értékével jellemeztük. A vizsgált gépi tanulási módszerek teljesítményét összességében megfelelőnek találtuk (az átlagos becslési hiba 5% alatti), kivéve a neuro-fuzzy rendszert, melynek alkalmazását nem javasoljuk a stencilnyomtatási folyamat modellezésére.
Kulcsszavak: stencilnyomtatás; gépi tanulás; mesterséges neurális hálók; döntési fák; neuro-fuzzy rendszerek; szupport-vektor gépek |
