التنبؤ بالانحرافات المكونية في عملية التركيب الآلي (Pick-and-Place) لتقنية التركيب السطحي باستخدام الانحدار الآلي الداعم (SVR)

1. المقدمة

يتناول هذا البحث قضية جودة حرجة وغالبًا ما يتم تجاهلها في تجميع تقنية التركيب السطحي (SMT): انحراف المكونات أثناء عملية التركيب الآلي (P&P). عندما يتم وضع مكون على معجون لحام رطب، يمكن لديناميكيات الموائع وخصائص المعجون أن تتسبب في انحرافه عن موضعه المخطط له. بينما يوفر لحام إعادة التدفق اللاحق قدرًا من المحاذاة الذاتية، يظل تقليل الانحرافات الأولية أمرًا بالغ الأهمية لتصنيع الإلكترونيات عالية الكثافة والموثوقية.

1.1. تقنية التركيب السطحي

تعد تقنية التركيب السطحي (SMT) الطريقة السائدة لتجميع المكونات الإلكترونية على لوحات الدوائر المطبوعة (PCBs). يتكون خط تقنية التركيب السطحي الأساسي من ثلاث عمليات رئيسية: الطباعة بالقوالب (SPP)، والتركيب الآلي (P&P)، وإعادة تدفق اللحام. يتم دمج نقاط فحص الجودة، مثل فحص معجون اللحام (SPI) والفحص البصري الآلي (AOI)، لمراقبة نتائج العملية.

1.2. انحراف المكونات في عملية التركيب الآلي

يحدث الانحراف بعد التركيب بسبب الخصائص اللزجة المرنة لمعجون اللحام (الترهل، عدم التوازن) والعوامل الخارجية مثل اهتزاز الآلة. مع انكماش أحجام المكونات وانخفاض المسافة بين الأطراف، تصبح هذه الانحرافات الدقيقة مساهمًا كبيرًا في العيوب مثل الجسور أو الدوائر المفتوحة، مما يتحدى الافتراض بأن إعادة التدفق ستصححها بالكامل.

2. المنهجية ونموذج الانحدار الآلي الداعم

تستخدم الدراسة نهجًا قائمًا على البيانات، باستخدام التعلم الآلي لنمذجة العلاقة المعقدة وغير الخطية بين معلمات العملية وانحراف المكون.

2.1. الانحدار الآلي الداعم (SVR)

تم اختيار الانحدار الآلي الداعم (SVR) لفاعليته في التعامل مع مشاكل الانحدار غير الخطية عالية الأبعاد مع عدد محدود من العينات، وهو سيناريو شائع في البيانات التجريبية الصناعية.

2.2. دوال النواة: الخطية مقابل الشعاعية الأساسية

تم تقييم دالتين للنواة: نواة خطية (SVR-Linear) ونواة دالة شعاعية أساسية (SVR-RBF). تعد نواة الدالة الشعاعية الأساسية مناسبة بشكل خاص لالتقاط العلاقات المعقدة وغير الخطية في البيانات.

3. الإعداد التجريبي والبيانات

تم تصميم تجربة شاملة على خط تجميع حديث لتقنية التركيب السطحي. تم جمع البيانات حول الميزات المدخلة الرئيسية التي يُعتقد أنها تؤثر على الانحراف، بما في ذلك:

• خصائص معجون اللحام: الحجم، الانحراف عن الوسادة، خصائص الترهل.
• إعدادات التركيب: قوة التركيب، السرعة، الدقة.
• عوامل المكون واللوحة: حجم المكون، الوزن، استواء لوحة الدوائر المطبوعة.

كان المتغير الناتج هو انحراف المكون المقاس (على سبيل المثال، بالميكرون) في اتجاهي X و Y بعد التركيب ولكن قبل إعادة التدفق.

4. النتائج والتحليل

تم تدريب النماذج واختبارها على مجموعة البيانات المجمعة، مع تقييم الأداء باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE).

4.1. أداء التنبؤ

وصف الرسم البياني (ضمنيًا): سيظهر مخطط مبعثر يقارن قيم انحراف المكون المتوقعة مقابل الفعلية أن تنبؤات نموذج SVR-RBF تتجمع بإحكام على طول الخط المثالي y=x، بينما ستظهر تنبؤات نموذج SVR-Linear تشتتًا أكبر، خاصة عند مقادير الانحراف الأعلى.

4.2. النتائج الرئيسية حول عوامل الانحراف

أكد التحليل أن عدم توازن حجم معجون اللحام وانحراف التركيب هما المحركان الأساسيان لانحراف المكون. من شأن تحليل أهمية الميزات لنموذج SVR-RBF (أو معاملات/متجهات الدعم للنموذج) أن يرتب هذه العوامل كميًا.

5. التفاصيل التقنية والصياغة الرياضية

تهدف مشكلة التحسين الأساسية للانحدار الآلي الداعم (SVR) إلى إيجاد دالة $f(x) = w^T \phi(x) + b$ تنحرف عن الهدف الفعلي $y_i$ بقيمة على الأكثر $\epsilon$ (أنبوب إبسيلون)، مع بقائها مسطحة قدر الإمكان. مشكلة التحسين الأولية هي:

$$\min_{w, b, \xi, \xi^*} \frac{1}{2} ||w||^2 + C \sum_{i=1}^{n} (\xi_i + \xi_i^*)$$

بشرط:
$y_i - (w^T \phi(x_i) + b) \le \epsilon + \xi_i$
$(w^T \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*$
$\xi_i, \xi_i^* \ge 0$

حيث $C$ هي معلمة التنظيم، $\xi_i, \xi_i^*$ هي متغيرات الترخي، و $\phi(x)$ هي دالة النواة التي تعين البيانات إلى فضاء ذي أبعاد أعلى. بالنسبة لنواة الدالة الشعاعية الأساسية: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. إطار التحليل: مثال حالة بدون كود برمجي

لنفترض أن أحد المصنعين يعاني من انخفاض في العائد بنسبة 2٪ على لوحة دوائر مطبوعة جديدة ذات مسافات دقيقة بين الأطراف. يظهر الفحص البصري الآلي بعد إعادة التدفق عدم محاذاة، ولكن بيانات الفحص البصري الآلي ما قبل إعادة التدفق (Post-P&P Pre-AOI) لا يتم تحليلها. بتطبيق إطار هذا البحث:

1. جمع البيانات: ربط بيانات فحص معجون اللحام (SPI) (حجم المعجون، الانحراف لكل وسادة) ببيانات الفحص البصري الآلي ما قبل إعادة التدفق (Pre-AOI) (موضع المكون قبل إعادة التدفق) للوحات الفاشلة.
2. تطبيق النموذج: استخدام نموذج SVR-RBF مدرب مسبقًا (مثل الموجود في البحث) للتنبؤ بالانحراف المتوقع بناءً على قياسات فحص معجون اللحام (SPI).
3. تحديد السبب الجذري: يتنبأ النموذج بانحرافات كبيرة (>50٪ من المسافة بين الأطراف) للمكونات التي أظهر فيها فحص معجون اللحام (SPI) تباينًا عاليًا في الحجم بين الوسائد. يتم تتبع السبب الجذري إلى تآكل القالب مما تسبب في ترسيب غير متساوٍ للمعجون.
4. الإجراء التصحيحي: تنفيذ حدود تحكم أكثر صرامة في فحص معجون اللحام (SPI) لتباين حجم المعجون وجدولة صيانة وقائية للقالب، وبالتالي معالجة الانحراف من مصدره قبل إعادة التدفق.

7. منظور محلل صناعي

الفكرة الأساسية: يعيد هذا البحث بنجاح صياغة انحراف المكون من عامل "ضوضاء" يتم امتصاصه بواسطة إعادة التدفق إلى متغير عملية يمكن التنبؤ به والتحكم فيه. القيمة الحقيقية ليست فقط في دقة التنبؤ، ولكن في تحويل نموذج الجودة لأعلى في سلسلة التصنيع من الفحص بعد إعادة التدفق إلى التنبؤ والتصحيح أثناء العملية.

التسلسل المنطقي: منطق البحث سليم: تحديد عيب دقيق مكلف (الانحراف)، وضع فرضية حول محركاته (معلمات المعجون/التركيب)، استخدام أداة تعلم آلي مناسبة (SVR للبيانات الصغيرة غير الخطية)، والتحقق من ذلك ببيانات إنتاج حقيقية. المقارنة بين نواتي الدالة الخطية والشعاعية الأساسية هي خطوة حاسمة تثبت تعقيد المشكلة.

نقاط القوة والضعف:
نقاط القوة: الاستخدام العملي للتعلم الآلي في مشكلة صناعية حقيقية وعالية القيمة. اختيار الانحدار الآلي الداعم (SVR) بدلاً من التعلم العميق الأكثر تعقيدًا جدير بالثناء لقابليته للتفسير وكفاءته مع البيانات المحدودة - وهو مبدأ تردده الأدبيات الأساسية في التعلم الآلي التي تدعو إلى استخدام الأداة المناسبة للعمل [Hastie et al., 2009].
نقاط الضعف: نقطة الضعف المحتملة في البحث هي نطاق البيانات. يذكر البحث "العديد من العوامل المحتملة غير المباشرة الأخرى" (الاهتزاز، عدم استقرار الناقل) ولكن النموذج ربما يستخدم فقط مجموعة فرعية منها. يتطلب النشر الحقيقي على أرضية المصنع دمج البيانات من أجهزة استشعار إنترنت الأشياء على الناقلات ورؤوس التركيب، والتحرك نحو نموذج رقمي مزدوج للخط، كما تصوره أطر الصناعة 4.0.

رؤى قابلة للتنفيذ:

1. لمهندسي العمليات: ابدأ فورًا في ربط بيانات فحص معجون اللحام (SPI) والفحص البصري الآلي ما قبل إعادة التدفق (Pre-AOI) إذا كانت متاحة. العلاقة بين عدم توازن المعجون والانحراف هي رافعة مباشرة للتحكم في العملية.
2. لصانعي المعدات (مثل المؤلف المشارك Koh Young): هذا هو مخطط لفئة جديدة من برامج "التحكم التنبؤي في العمليات". قم بدمج نموذج الانحدار الآلي الداعم (SVR) هذا مباشرة في أجهزة فحص معجون اللحام (SPI) أو الفحص البصري الآلي (AOI) لتقديم درجات مخاطر الانحراف في الوقت الفعلي وتوصيات التصحيحات.
3. للباحثين: الخطوة التالية هي الاستدلال السببي والتحليلات الوصفية. لا تكتفِ بالتنبؤ بالانحراف؛ استخدم النموذج للإجابة على سؤال "ما التعديل في معلمة التركيب الذي سيقلل الانحراف المتوقع لهذا المكون المحدد؟" يتوافق هذا مع الانتقال من التعلم الآلي إلى التعلم المعزز في أنظمة التحكم، كما هو الحال في الروبوتات المتقدمة.

في جوهر الأمر، هذا العمل هو دليل قوي على المفهوم يفتح الباب أمام الجودة التنبؤية الحقيقية في تقنية التركيب السطحي. يجب على الصناعة الآن أن تسير عبر هذا الباب من خلال الاستثمار في البنية التحتية للبيانات والتكامل بين الأدوات المطلوبة لتشغيل هذه النماذج.

8. التطبيقات المستقبلية واتجاهات البحث

• التحكم في العمليات بحلقة مغلقة: دمج نموذج التنبؤ مباشرة مع آلة التركيب الآلي (P&P) لضبط إحداثيات التركيب ديناميكيًا في الوقت الفعلي للتعويض عن الانحرافات المتوقعة.
• دمج النموذج الرقمي المزدوج: استخدام نموذج الانحدار الآلي الداعم (SVR) كعنصر داخل نموذج رقمي مزدوج شامل لخط تقنية التركيب السطحي للاختبار الافتراضي، وتحسين العمليات، وتدريب المشغلين.
• تحليل المواد المتقدم: توسيع النموذج للتنبؤ بالانحرافات لمعاجين لحام جديدة (مثل معاجين اللحام منخفضة الحرارة وعالية الموثوقية) أو المواد اللاصقة المستخدمة في التكامل غير المتجانس.
• التنبؤ بالعيوب متعددة المراحل: دمج نموذج التنبؤ بالانحراف مع نماذج لتشكيل الجسور أو الفراغات أثناء إعادة التدفق للتنبؤ بجودة وصلة اللحام النهائية من معلمات الطباعة والتركيب الأولية.
• تحسينات الذكاء الاصطناعي القابل للتفسير (XAI): استخدام تقنيات مثل SHAP (SHapley Additive exPlanations) لجعل تنبؤات نموذج SVR-RBF أكثر قابلية للتفسير لمهندسي العمليات، مع إظهار واضح لكيفية مساهمة كل ميزة مدخلة في الانحراف المتوقع.

9. المراجع

1. الشكل 1 مقتبس من تدفق عملية تقنية التركيب السطحي القياسي.
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (لمبادئ اختيار النموذج مثل SVR).
3. IPC-7525, "Stencil Design Guidelines". IPC. (المعيار الصناعي لطباعة القوالب الذي يؤثر على ترسيب المعجون).
4. Koh Young Technology. (n.d.). Automated Optical Inspection (AOI) Solutions. Retrieved from https://www.kohyoung.com (السياق لتكنولوجيا الفحص).
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. (النظرية الأساسية للانحدار الآلي الداعم SVR).
6. Zhu, J., et al. (2021). Machine learning for advanced manufacturing: A review. Journal of Manufacturing Systems, 60, 672-694. (السياق للتعلم الآلي في التصنيع).