陈龙鑫

个人信息

参与实验室科研项目

人机智能协同关键技术及其在智能制造中的应用

非可信智能驱动的可靠智造

研究课题

SMT生产过程数据驱动的PCBA元件焊接缺陷自动复检方法研究

学术成果

共撰写/参与撰写专利 6 项，录用/发表论文 2 篇，投出待录用论文0篇。

patent

1. 基于多分支融合自编码器的印刷电路板功能异常检测方法 赵云波, 李佳玉, 谢祖浩, 陈龙鑫, and 董少杰 2025 [Abs] [pdf]

   本发明涉及印刷电路板生产加工技术领域，公开了一种基于多分支融合自编码器的印刷电路板功能异常检测方法，包括：采集印刷电路板的锡膏检测数据，为每个锡膏添加所属元件的极差特征；基于访问路径对锡膏检测数据进行统一重排；对重排后的锡膏检测数据提取空间特征；捕捉重排的锡膏检测数据中的电气特征；使用跨结构特征融合模块融合空间特征与电气特征，得到融合特征；对融合特征进行重构，得到重构数据；计算锡膏检测数据与重构数据的均方误差，并转换为异常概率，结合设定阈值判定对应的印刷电路板是否功能异常。本发明通过空间和电气双维度特征融合、多尺度动态建模及掩码引导的精准分析，实现了对印刷电路板功能异常的高精度、高效率检测。

2. 锡膏印刷质量异常预测方法、系统、设备及存储介质 赵云波, 刘斌琨, 康宇, 曹洋, 陈龙鑫, and 李佳玉 2025 [Abs] [pdf]

   本发明公开了一种锡膏印刷质量异常预测方法、系统、设备及存储介质，它们是一一对应的方案，方案中：依据PCB分层结构和印刷质量的空间相关性，分别利用引脚图卷积和元件图卷积捕获引脚间和元件间空间相关性，再利用分配‑聚合操作搭建引脚图卷积和元件图卷积间的沟通桥梁，可以分层捕获不同层次的锡膏印刷质量和PCB布局的关联，从而有效提高印刷异常的预测准确率。

3. 基于改进PatchTST模型的印刷电路板功能测项良率预测方法 赵云波, 李佳玉, 谢祖浩, 陈龙鑫, and 董少杰 2025 [Abs] [pdf]

   本发明涉及功能测项良率预测技术领域，公开了一种基于改进PatchTST模型的印刷电路板功能测项良率预测方法，包括：收集印刷电路板测项结果数据，并计算对应的测项良率数据；通过移动平均将测项良率数据分解为趋势项和残差项，并分别进行多尺度时间片段划分，划分后的各分支时间片段序列经Transformer编码器提取特征，通过动态加权机制实现分支内特征聚合与分支间融合，输出趋势项和残差项的预测结果，并进行线性融合，生成最终的测项良率预测值。本发明通过不同尺度的时间片段划分，实现局部波动细节捕捉与长期趋势建模；利用加权融合模块，平衡趋势与残差预测结果，从而提升模型预测的准确性与可靠性。

4. 液压减震器无监督故障检测方法、系统、设备与存储介质 赵云波, 刘斌琨, 康宇, 曹洋, 余碧桢, and 陈龙鑫 2024 [Abs] [pdf]

   本发明公开了一种液压减震器无监督故障检测方法、系统、设备与存储介质，它们是一一对应的方案，方案中：利用减震器健康状态下的数据无监督的训练检测模型，具体的，对比利用健康中心和健康样本间的来度量样本一致性，对比健康中心多传感器信号相关性和健康样本的多传感器信号相关性来度量多传感器模式一致性，继而通过两类一致性直接建模减震器的工作状态，可以在没有故障样本参与训练的前提下仍然实现较好的检测结果。

5. 锡膏印刷机在线故障预测软件V1.0 赵云波, 陈龙鑫, 朱慧娟, 康宇, and 许镇义 2022 [Abs] [pdf]

   本软件系统用于锡膏印刷机的在线故障预测，通过 url 接口实时获取锡膏印刷机 的状态数据，调用事先训练好的机器学习模型进行故障预测，并将故障预测结果 展示在前端可视化界面，以辅助工程师及时进行维护。

6. 故障诊断模型的训练方法、装置、电子设备及存储介质 赵云波, 陈龙鑫, 刘斌琨, 朱慧娟, 许镇义, and 柏鹏 [Abs]

   本申请公开了一种故障诊断模型的训练方 法、装置、电子设备及存储介质，属于计算机技术 领域。所述方法包括：获取多个工况中各工况集 下的故障数据，分别作为源域数据，并获取目标 工况下的故障数据，作为目标域数据，所述工况 集包括所述多个工况中的至少一个工况，所述工 况集下的故障数据为已标记故障类别的数据，所 述目标工况下的故障数据为未标记故障类别的 数据；确定所述目标域数据与各所述源域数据之 间的目标分布差异；根据所述目标分布差异选取 源域数据作为训练数据；根据所述训练数据，对 所述目标工况的故障诊断模型进行训练。本申请 能够提高模型训练效果，进而提高对目标工况进 行故障诊断的准确率。

Conference Articles

1. A Reliable Ensemble Model Based on Hierarchical Component Features for Repair Label Prediction of Soldering Defects Longxin Chen, Yunbo Zhao, Binkun Liu, Shaojie Dong, Huijuan Zhu, and Peng Bai In 2024 14th Asian Control Conference (ASCC) 2024 [Abs] [pdf]

   Using solder paste inspection (SPI) and automated optical inspection (AOI) data, accurate prediction for repair labels of soldering defective printed circuit board (PCB) components can help reduce labor costs. Existing research tries to pick out both the false defect components (actually good) and impossible-to-repair components among defective PCB components, using SPI and AOI data. However, it is inappropriate to pick out the false defect components from screened components using defective information in AOI data. Therefore, the problem setting of existing research is inappropriate, resulting in the algorithm’s performance not meeting actual requirements. To address this problem, we only care about the reliable prediction of impossible-to-repair components. We propose a hierarchical component feature extraction method that can comprehensively characterize the degree of component defects from multiple levels, including pin level and component level. Then we apply the ensemble model based on XGBoost and TabNet and adjust the probability threshold of components judged as impossible-to-repair category, achieving the reliable prediction of impossible-to-repair components. Finally, we validated our method on real datasets and achieved better experimental results compared to baseline methods, which can meet actual requirements,

2. Prediction of Yield in Functional Testing of Motherboards in Laptop Manufacturing Yunbo Zhao, Shaojie Dong, Yu Kang, Kangcheng Wang, Longxin Chen, and Peng Bai In 2024 14th Asian Control Conference (ASCC) 2024 [Abs] [pdf]

   Functional testing stands as a pivotal quality control step in the production process of laptop motherboards, aiming to validate the proper functioning of various components. However, due to the multitude of functional modules involved on the motherboard, testing all of them requires a significant amount of time and resources. As a result, production line engineers often rely on empirical selection of modules with low yield rates for testing. However, such empirical yield estimation is often inaccurate. To address this challenge, this study proposes a hybrid model based on XGBoost and Long Short-Term Memory (LSTM) networks to predict the yield of each functional module. By harnessing the feature learning capability of XGBoost and the sequential modeling power of LSTM, this model efficiently explores the intricate correlations among motherboard functional modules, thereby accurately forecasting their yields. We extensively train and validate the model using historical production data and successfully deploy it on real laptop motherboard production lines. Experimental results demonstrate that our hybrid model accurately predicts the yield of each functional module, providing crucial guidance for the functional testing process. Through in-depth analysis of the predicted yield results, engineers can systematically choose testing projects to save time and resources. This research offers a novel approach and pathway for enhancing motherboard production efficiency and quality.

博客文章

学位论文

Theses

1. PCB缺陷元件复检及其可修复性判定方法研究 陈龙鑫 中国科学技术大学, 合肥 2025 [Abs] [pdf]

   表面贴装技术(Surface Mount Technology, SMT)是一种将电子元件焊接到 印刷电路板(Printed Circuit Board, PCB)表面指定位置的技术。为把控焊接质量, 标准 SMT 工艺采用自动光学检测(Automated Optical Inspection, AOI)机器对完 成焊接的 PCB 元件进行初步缺陷检测。然而,据调研,超过 95% 的 AOI 初检缺 陷元件实际并无缺陷。因此,需由专人对 AOI 初检缺陷元件进行缺陷复检,并 对复检为缺陷的元件进行可修复性判定。这两个环节高度依赖人工,会耗费较大 人力成本,影响生产效率。因此,实现自动的缺陷元件复检及其可修复性判定, 可以节省人力成本,并提高产线的自动化水平及生产效率。 但是,在实现自动的缺陷元件复检及其可修复性判定的过程中,面临以下难 点:在缺陷元件自动复检任务中,复检无缺陷元件的数量远超复检缺陷元件的数 量,存在数据类别高度不平衡的难点;在缺陷元件可修复性自动判定任务中,复 检缺陷元件的数量少,存在数据样本量小的难点。目前相关研究较少,尚处于初 步探索阶段,未充分关注并深入解决上述难点,因此取得的效果有限。 因此,本文基于 SMT 生产过程数据,针对缺陷元件自动复检任务和缺陷元 件可修复性自动判定任务展开研究。

毕业去向

比亚迪股份有限公司， 软件工程师