مدل پیش‌بینی مبتنی بر داده برای جابجایی قطعات در فرآیند ریفلو SMT

2.1 جمع‌آوری داده و مهندسی ویژگی

داده‌های آزمایشی برای برقراری رابطه بین خودترازی و عوامل کلیدی تأثیرگذار جمع‌آوری شد. مجموعه ویژگی‌ها با دقت مهندسی شد تا شامل موارد زیر باشد:

• هندسه قطعه: ابعاد (طول، عرض، ارتفاع).
• هندسه پد: اندازه، شکل و فاصله پد.
• پارامترهای فرآیند: حجم خمیر لحیم، آفست جایگذاری (عدم تراز اولیه).
• متغیرهای هدف: جابجایی نهایی در X ($\Delta x$)، Y ($\Delta y$) و چرخش ($\Delta \theta$).

این رویکرد مبتنی بر داده فراتر از روش‌های سنتی سنگین شبیه‌سازی می‌رود، همانطور که در مرورهای داده‌کاوی در صنایع الکترونیک مانند مرور Lv و همکاران اشاره شده است که بر کمبود چنین مطالعات کاربردی تأکید داشت.

2.2 مدل‌های یادگیری ماشین

سه مدل رگرسیون قوی برای پیش‌بینی پیاده‌سازی و تنظیم شدند:

• رگرسیون بردار پشتیبان (SVR): مؤثر در فضاهای با ابعاد بالا، که سعی در برازش خطا در یک آستانه $\epsilon$ دارد.
• شبکه عصبی (NN): یک پرسپترون چندلایه طراحی شده برای درک روابط پیچیده و غیرخطی بین ویژگی‌های ورودی و حرکت قطعه.
• رگرسیون جنگل تصادفی (RFR): یک روش گروهی که پیش‌بینی‌های چندین درخت تصمیم را تجمیع می‌کند و به دلیل دقت و مقاومت در برابر بیش‌برازش شناخته شده است.

3.1 معیارهای دقت پیش‌بینی

مدل رگرسیون جنگل تصادفی عملکرد برتر خود را در تمام معیارها نشان داد:

• برازش مدل (R²): ~99% برای جابجایی‌های انتقالی (X, Y)، 96% برای جابجایی چرخشی.
• میانگین خطای مطلق (MAE): 13.47 میکرومتر (X)، 12.02 میکرومتر (Y)، 1.52 درجه (چرخش).

این خطاها به طور قابل توجهی کوچکتر از ابعاد معمول قطعات و پدها هستند (به عنوان مثال، بسته‌های 0402 حدود 1000x500 میکرومتر هستند)، که نشان‌دهنده ارتباط عملی بالاست.

3.2 مقایسه عملکرد مدل‌ها

RFR به طور مداوم از SVR و NN بهتر عمل کرد. این همسو با نقاط قوت شناخته شده روش‌های گروهی برای داده‌های جدولی با تعاملات پیچیده است، همانطور که در ادبیات پایه‌ای یادگیری ماشین (مانند Breiman، 2001) برجسته شده است. عملکرد بالقوه پایین‌تر NN ممکن است ناشی از اندازه نسبتاً کوچکتر مجموعه داده رایج در آزمایش‌های فیزیکی باشد، جایی که استحکام RFR می‌درخشد.

4.1 بینش اصلی و جریان منطقی

بینش اصلی: «جعبه سیاه» تشکیل اتصال لحیم در حین ریفلو یک فرآیند آشفته نیست، بلکه یک سیستم قطعی و فیزیک‌محور است که با داده کافی می‌توان آن را مهندسی معکوس کرد. این مطالعه ثابت می‌کند که دینامیک پیچیده سیالات و نیروهای کشش سطحی، که به طور سنتی با شبیه‌سازی‌های CFD پرهزینه مدل می‌شوند، می‌توانند با وفاداری قابل توجه توسط یادگیری گروهی مبتنی بر درخت درک شوند. جریان منطقی به زیبایی ساده است: نتیجه (جابجایی) را اندازه بگیرید، شرایط اولیه (ویژگی‌ها) را ثبت کنید و اجازه دهید مدل تابع پنهان $f$ را یاد بگیرد به طوری که $[\Delta x, \Delta y, \Delta \theta] = f(\text{هندسه، خمیر، آفست...})$. این نیاز به حل صریح معادلات ناویر-استوکس برای هر ترکیب قطعه-پد را دور می‌زند.

4.2 نقاط قوت و ضعف‌های حیاتی

نقاط قوت: رویکرد عمل‌گرا و داده‌محور بزرگترین دارایی آن است. دستیابی به دقت پیش‌بینی در سطح میکرون با RFR ارزش فوری برای بهینه‌سازی فرآیند فراهم می‌کند. انتخاب RFR هوشمندانه بود، زیرا بدون نیاز به مجموعه داده‌های عظیم مورد نیاز برای یادگیری عمیق، به خوبی با غیرخطی بودن و تعاملات ویژگی‌ها برخورد می‌کند.

ضعف‌های حیاتی: نقطه ضعف این مطالعه، فقدان بالقوه تعمیم‌پذیری آن است. این مدل تقریباً قطعاً بر روی مجموعه خاصی از قطعات (احتمالاً چیپ‌های پسیو)، خمیر لحیم و پوشش پد آموزش دیده است. آیا برای یک بسته QFN یا با فلاکس بدون شستشو در مقابل محلول در آب به دقت پیش‌بینی می‌کند؟ مانند بسیاری از مدل‌های ML، خطر تبدیل شدن به یک «دوقلوی دیجیتال» از یک تنظیم آزمایشگاهی بسیار خاص را دارد. علاوه بر این، در حالی که پیش‌بینی حل شده است، علت‌یابی حل نشده است. این مدل توضیح نمی‌دهد که چرا یک قطعه حرکت می‌کند، که استفاده از آن را برای نوآوری اساسی در طراحی محدود می‌کند. این یک ابزار همبستگی عالی است اما یک ابزار علّی نیست.

4.3 بینش‌های عملی برای صنعت

1. همین حالا پیاده‌سازی کنید: ارائه‌دهندگان خدمات ساخت الکترونیک (EMS) و سازندگان تجهیزات اصلی (OEM) با خطوط SMT با تنوع بالا و حجم بالا باید این روش‌شناسی را به صورت پایلوت اجرا کنند. با ساخت یک مجموعه داده از فرآیند خود شروع کنید - بازگشت سرمایه تنها از کاهش عیوب تومب‌ستونینگ و پل زدن، این تلاش را توجیه می‌کند.
2. بهینه‌سازی جایگذاری: مدل پیش‌بینی را در نرم‌افزار دستگاه Pick & Place ادغام کنید. به جای هدف‌گیری مرکز اسمی پد، دستگاه باید یک مکان «پیش‌جبران‌شده» را هدف قرار دهد: $P_{comp} = P_{nominal} - \text{جابجایی پیش‌بینی‌شده}$، که به طور مؤثر از فرآیند ریفلو به عنوان یک مرحله نهایی کالیبراسیون خودکار استفاده می‌کند.
3. پل زدن بین شکاف فیزیک و ML: مرز بعدی هوش مصنوعی ترکیبی است. از یک مدل ساده‌شده مبتنی بر فیزیک (مانند محاسبه گشتاورهای کشش سطحی) برای تولید داده‌های آموزشی مصنوعی یا به عنوان یک ویژگی خود استفاده کنید، سپس با داده‌های دنیای واقعی آن را اصلاح کنید. این روش، مشابه نحوه عملکرد شبکه‌های عصبی آگاه از فیزیک (PINNs)، ضعف تعمیم‌پذیری را برطرف می‌کند.

4.4 مثال چارچوب تحلیل (بدون کدنویسی)

سناریو: یک مهندس فرآیند نیاز به کاهش عیوب برای مونتاژ یک خازن جدید 0201 دارد. کاربرد چارچوب: 1. لایه داده: برای 50 برد، آفست جایگذاری را عمداً در یک محدوده کنترل‌شده تغییر دهید (مثلاً ±50 میکرومتر). آفست اولیه X، Y، $\theta$، ابعاد پد و اندازه روزنه استنسیل را ثبت کنید. 2. لایه اندازه‌گیری: پس از ریفلو، از بازرسی نوری خودکار (AOI) یا میکروسکوپ دقیق برای اندازه‌گیری $\Delta x, \Delta y, \Delta \theta$ نهایی استفاده کنید. 3. لایه مدل‌سازی: داده‌های جمع‌آوری شده را در یک مدل RFR (با استفاده از کتابخانه‌هایی مانند scikit-learn) وارد کنید. مدل را برای پیش‌بینی جابجایی آموزش دهید. 4. لایه اقدام: مدل یک نقشه جبران خروجی می‌دهد. این را به دستگاه P&P وارد کنید تا جایگذاری پیش‌جبران‌شده را برای 500 برد بعدی اعمال کند. 5. اعتبارسنجی: نرخ عیوب (تومب‌ستونینگ، جابجایی) از دسته بعدی را برای کمی‌سازی بهبود، نظارت کنید.