نموذج تنبؤي قائم على البيانات لانزياح المكونات في عملية إعادة التدفق SMT

2.1 جمع البيانات وهندسة السمات

تم جمع بيانات تجريبية لإنشاء العلاقة بين الاصطفاف الذاتي والعوامل المؤثرة الرئيسية. تم تصميم مجموعة السمات بدقة لتشمل:

• هندسة المكون: الأبعاد (الطول، العرض، الارتفاع).
• هندسة الوسادة: حجم الوسادة، شكلها، والمسافات بينها.
• معاملات العملية: حجم معجون اللحام، إزاحة التركيب (الانزياح الأولي).
• المتغيرات المستهدفة: الانزياح النهائي في X ($\Delta x$)، وY ($\Delta y$)، والدوران ($\Delta \theta$).

يتجاوز هذا النهج القائم على البيانات الطرق التقليدية المعتمدة بكثافة على المحاكاة، كما لوحظ في مراجعات التنقيب عن البيانات في الإلكترونيات مثل تلك التي أجراها Lv وزملاؤه، والتي أبرزت ندرة مثل هذه الدراسات التطبيقية.

2.2 نماذج التعلم الآلي

تم تنفيذ ثلاثة نماذج انحدار قوية وضبطها للتنبؤ:

• انحدار ناقلات الدعم (SVR): فعال في المساحات عالية الأبعاد، يسعى لملاءمة الخطأ ضمن عتبة $\epsilon$.
• الشبكة العصبية (NN): مُدرك متعدد الطبقات مصمم لالتقاط العلاقات المعقدة وغير الخطية بين سمات الإدخال وحركة المكون.
• انحدار غابة القرارات العشوائية (RFR): طريقة تجميعية تجمع التنبؤات من أشجار قرار متعددة، تشتهر بدقتها ومقاومتها للإفراط في التخصيص.

3.1 مقاييس دقة التنبؤ

أظهر نموذج انحدار غابة القرارات العشوائية أداءً متفوقًا عبر جميع المقاييس:

• مطابقة النموذج (R²): ~99% للانزياحات الانتقالية (X, Y)، و96% لانزياح الدوران.
• متوسط الخطأ المطلق (MAE): 13.47 ميكرومتر (X)، 12.02 ميكرومتر (Y)، 1.52 درجة (الدوران).

هذه الأخطاء أصغر بكثير من الأبعاد النموذجية للمكونات والوسادات (على سبيل المثال، حزم 0402 بحجم ~1000x500 ميكرومتر)، مما يشير إلى أهمية عملية عالية.

3.2 مقارنة أداء النماذج

تفوق نموذج RFR باستمرار على SVR وNN. يتوافق هذا مع نقاط القوة المعروفة للطرق التجميعية للبيانات الجدولية ذات التفاعلات المعقدة، كما تم تسليط الضوء عليه في الأدبيات الأساسية للتعلم الآلي (مثل Breiman، 2001). قد ينبع الأداء المنخفض المحتمل للشبكة العصبية من حجم مجموعة البيانات الأصغر نسبيًا الشائع في التجارب الفيزيائية، حيث يبرز متانة نموذج RFR.

4.1 الفكرة الأساسية والتسلسل المنطقي

الفكرة الأساسية: "الصندوق الأسود" لتشكيل وصلة اللحام أثناء إعادة التدفق ليس عملية فوضوية بل نظامًا حتميًا مدفوعًا بالفيزياء يمكن هندسته العكسية ببيانات كافية. تثبت هذه الدراسة أن ديناميكيات الموائع المعقدة وقوى التوتر السطحي، التي تُنمذج تقليديًا بمحاكاة CFD مكلفة حسابيًا، يمكن التقاطها بدقة ملحوظة من خلال التعلم التجميعي القائم على الأشجار. التسلسل المنطقي بسيط بأناقة: قياس النتيجة (الانزياح)، تسجيل الظروف الأولية (السمات)، وترك النموذج يتعلم الدالة المخفية $f$ بحيث $[\Delta x, \Delta y, \Delta \theta] = f(\text{الهندسة، المعجون، الإزاحة...})$. يتجاوز هذا الحاجة إلى حل معادلات نافييه-ستوكس صراحة لكل تركيبة مكون-وسادة.

4.2 نقاط القوة والثغرات الحرجة

نقاط القوة: النهج العملي، القائم على البيانات أولاً، هو أكبر ميزاته. تحقيق دقة تنبؤية بمستوى الميكرومتر باستخدام RFR يوفر قيمة فورية لتحسين العملية. كان اختيار RFR ذكيًا، حيث يتعامل مع اللاخطية وتفاعلات السمات بشكل جيد دون المطالبة بمجموعات البيانات الضخمة المطلوبة للتعلم العميق.

الثغرات الحرجة: نقطة الضعف القاتلة للدراسة هي افتقارها المحتمل للتعميم. من المؤكد تقريبًا أن النموذج تم تدريبه على مجموعة محددة من المكونات (على الأرجح شرائح سلبية)، ومعجون لحام، وطلاءات وسادات. هل سيتنبأ بدقة لحزمة QFN أو مع مادة مساعدة تنظيف مقابل مادة مساعدة قابلة للذوبان في الماء؟ مثل العديد من نماذج التعلم الآلي، فإنه يواجه خطر أن يكون "توأمًا رقميًا" لإعداد معمل محدد للغاية. علاوة على ذلك، بينما تم حل مشكلة التنبؤ، فإن السببية لم تُحل. لا يشرح النموذج لماذا يتحرك المكون، مما يحد من استخدامه للابتكار التصميمي الأساسي. إنه أداة ارتباطية ممتازة ولكنها ليست أداة سببية.

4.3 رؤى قابلة للتطبيق للصناعة

1. التنفيذ الآن: يجب على مزودي خدمات التصنيع الإلكتروني (EMS) والشركات المصنعة للمعدات الأصلية (OEM) التي تمتلك خطوط SMT عالية التنوع والحجم تجريب هذه المنهجية. ابدأ ببناء مجموعة بيانات من عمليتك الخاصة - فإن العائد على الاستثمار من تقليل عيوب "الشواهد" والجسور القصيرة يبرر الجهد وحده.
2. تحسين التركيب: دمج نموذج التنبؤ في برنامج آلة التركيب (Pick & Place). بدلاً من استهداف مركز الوسادة الاسمي، يجب أن تستهدف الآلة موقعًا "مُعوضًا مسبقًا" $P_{comp} = P_{nominal} - \text{الانزياح المتوقع}$، وبالتالي استخدام عملية إعادة التدفق بشكل فعال كمرحلة معايرة نهائية آلية.
3. سد الفجوة بين الفيزياء والتعلم الآلي: الحد التالي هو الذكاء الاصطناعي الهجين. استخدم نموذجًا مبسطًا قائمًا على الفيزياء (على سبيل المثال، حساب عزوم التوتر السطحي) لتوليد بيانات تدريب اصطناعية أو كسمة بحد ذاتها، ثم قم بالتحسين باستخدام بيانات العالم الحقيقي. هذا، على غرار كيفية عمل الشبكات العصبية المستنيرة بالفيزياء (PINNs)، سيعالج ثغرة التعميم.

4.4 مثال على إطار التحليل (بدون كود)

السيناريو: يحتاج مهندس العمليات إلى تقليل العيوب لتجميع مكثف جديد مقاس 0201. تطبيق الإطار: 1. طبقة البيانات: لـ 50 لوحة، قم بتغيير إزاحة التركيب عمدًا ضمن نطاق مسيطر عليه (مثل ±50 ميكرومتر). سجل الإزاحة الأولية في X، وY، و$\theta$، وأبعاد الوسادة، وحجم فتحة الاستنسل. 2. طبقة القياس: بعد إعادة التدفق، استخدم فحص بصري آلي (AOI) أو مجهر دقيق لقياس $\Delta x, \Delta y, \Delta \theta$ النهائية. 3. طبقة النمذجة: أدخل البيانات المجمعة في نموذج RFR (باستخدام مكتبات مثل scikit-learn). درب النموذج على التنبؤ بالانزياح. 4. طبقة التنفيذ: ينتج النموذج خريطة تعويض. قم بتغذية هذه الخريطة في آلة التركيب لتطبيق تركيب مُعوض مسبقًا للـ 500 لوحة التالية. 5. التحقق: راقب معدلات العيوب (الشواهد، الانزياح) من الدفعة التالية لقياس التحسن.