在电路板的生产过程中,锡膏印刷环节是影响产品质量的重要一环,统计表明,锡膏印刷环节产生的缺陷占整体缺陷的60%～70%,采取先进的质量追溯方法对锡膏印刷过程进行准确、高效、全面的质量追溯是降低缺陷发生概率的有效手段。目前,锡膏印刷环节的质量追溯主要存在以下问题:大多数研究采用事后追溯,追溯粒度较粗,且追溯的准确度较低。而深度学习技术近年来在各个领域的优异表现,为质量追溯提供了一条新的思路。因此,本文基于深度学习等相关技术构建新的质量追溯方法,为企业加强质量管控,降低产品缺陷率提供技术支撑。针对上述问题,主要研究内容如下:(1)梳理了SMT生产工艺流程和锡膏印刷流程,详细分析了锡膏印刷过程的机理,确定了常见的质量问题和工艺参数,确定了SMT锡膏印刷质量追溯总体框架。SMT锡膏印刷质量追溯框架主要包含三部分:基于长短时记忆模型建立的锡膏印刷质量预测模型、基于改进CNN建立的锡膏印刷缺陷类别预测模型和基于改进模糊诊断建立的动态锡膏印刷质量追溯模型。(2)基于长短时记忆网络和集成学习构建了SMT产线锡膏印刷环节的质量预测模型,通过将锡膏印刷环节的历史生产数据和检测结果输入到模型中,训练模型,提取历史生产数据中的时序信息,对待印刷PCB板在经过锡膏印刷环节后,是否存在缺陷进行预测。(3)基于改进的卷积神经网络进行锡膏印刷环节质量类型预测。将锡膏印刷环节的历史数据和缺陷类别输入到模型中,训练模型,将上一步中,质量预测结果为存在缺陷的PCB板的相关数据输入到模型中,对具体的缺陷类别进行预测。在构建模型过程中,通过对历史数据进行分析,提出一维循环卷积方法和最小化池化函数,提升了模型的预测准确度。(4)基于改进后的模糊诊断进行锡膏印刷环节缺陷原因的追溯。通过将锡膏印刷环节的历史数据输入到模型中,获得缺陷类别对缺陷成因的隶属度矩阵,完成模型的训练。将上一步预测得到的具体缺陷类别输入到模型中,获得缺陷成因序列,实现缺陷成因的追溯。在构建模型过程中,提出了一种新的模糊统计隶属度与德尔菲隶属度的结合方法,使得模型可以根据生产条件变化动态更新。基于以上研究内容,完成了锡膏印刷环节质量追溯实例,进行了结果分析和模型之间的对比分析。验证了模型的可靠性和准确性,并通过产线多批次生产,验证了本文所提方法的有效性。