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

1. مقدمه

فناوری نصب سطحی (SMT) یک روش غالب در مونتاژ الکترونیکی است که در آن قطعات مستقیماً روی بردهای مدار چاپی (PCB) قرار می‌گیرند. یک مرحله حیاتی، فرآیند لحیم‌کاری ری‌فلو است که در آن خمیر لحیم مذاب رفتار دینامیک سیال از خود نشان می‌دهد و باعث حرکت قطعات می‌شود - پدیده‌ای که به عنوان "خودترازی" شناخته می‌شود. در حالی که این پدیده می‌تواند خطاهای جزئی جایگذاری را اصلاح کند، خودترازی نادرست منجر به عیوبی مانند "تومب‌استونینگ" و "پل‌زنی" می‌شود. این مطالعه شکاف موجود در پیش‌بینی عملی و مبتنی بر داده از این حرکت را با توسعه مدل‌های یادگیری ماشین برای پیش‌بینی جابجایی قطعه در جهت‌های x، y و چرخشی ($\theta$) با دقت بالا مورد توجه قرار می‌دهد، با هدف بهینه‌سازی پارامترهای دستگاه پیک و پلیس.

2. روش‌شناسی و چیدمان آزمایشی

این پژوهش از یک رویکرد دو مرحله‌ای پیروی کرد: اول، تحلیل داده‌های آزمایشی برای درک روابط بین خودترازی و عواملی مانند هندسه قطعه/پد؛ دوم، اعمال مدل‌های پیشرفته یادگیری ماشین برای پیش‌بینی.

2.1 جمع‌آوری داده و مهندسی ویژگی

داده‌های آزمایشی شامل قطعات غیرفعال SMT مختلف (مانند مقاومت‌ها، خازن‌ها) جمع‌آوری شد. ویژگی‌های کلیدی شامل موارد زیر بود:

• هندسه قطعه: طول، عرض، ارتفاع.
• هندسه پد: طول پد، عرض پد، فاصله.
• پارامترهای فرآیند: حجم خمیر لحیم، طراحی روزنه استنسیل، انحراف اولیه جایگذاری.
• متغیرهای هدف: جابجایی نهایی در X ($\Delta x$)، Y ($\Delta y$) و چرخش ($\Delta \theta$).

2.2 مدل‌های یادگیری ماشین

سه مدل رگرسیون پیاده‌سازی و مقایسه شدند:

• رگرسیون بردار پشتیبان (SVR): مؤثر در فضاهای با ابعاد بالا، با استفاده از هسته تابع پایه شعاعی (RBF).
• شبکه عصبی (NN): یک پرسپترون چندلایه (MLP) با لایه‌های پنهان برای درک روابط غیرخطی.
• رگرسیون جنگل تصادفی (RFR): یک مجموعه از درخت‌های تصمیم، مقاوم در برابر بیش‌برازش و قادر به رتبه‌بندی اهمیت ویژگی‌ها.

3. نتایج و تحلیل

3.1 مقایسه عملکرد مدل

رگرسیون جنگل تصادفی (RFR) در هر سه وظیفه پیش‌بینی (X، Y، چرخش) از هر دو مدل SVR و شبکه‌های عصبی عملکرد بهتری داشت. این مدل به میانگین ضریب تعیین (R²) 99% برای جابجایی‌های موقعیتی و 96% برای جابجایی چرخشی دست یافت، با خطاهای مطلق میانگین بسیار پایین (مثلاً ~13 میکرومتر). این نشان‌دهنده توانایی برتر RFR در مدیریت روابط پیچیده، غیرخطی و بالقوه تعاملی درون داده‌های فرآیند ری‌فلو SMT است.

3.2 عوامل پیش‌بین کلیدی

تحلیل اهمیت ویژگی‌های مدل RFR موارد زیر را آشکار کرد:

• انحراف اولیه جایگذاری: مهم‌ترین عامل منفرد برای پیش‌بینی جابجایی نهایی.
• هندسه پد و فاصله: حیاتی در تعیین نیروی بازگرداننده و موقعیت تعادل.
• حجم خمیر لحیم: مستقیماً بر بزرگی نیروهای کشش سطحی تأثیر می‌گذارد.
• هندسه قطعه: بر ممان اینرسی قطعه و پاسخ آن به نیروهای لحیم تأثیر می‌گذارد.

4. چارچوب فنی و تحلیل

دیدگاه یک تحلیلگر صنعتی درباره ارزش استراتژیک و محدودیت‌های این مطالعه.

4.1 بینش اصلی

این مقاله صرفاً درباره پیش‌بینی جابجایی‌های در سطح میکرون نیست؛ بلکه یک چرخش استراتژیک از شبیه‌سازی مبتنی بر فیزیک به تجربه‌گرایی مبتنی بر داده در ساخت دقیق است. نویسندگان به درستی شناسایی کرده‌اند که مدل‌های تئوریک تشکیل اتصال لحیم، هرچند ظریف، اغلب در واقعیت آشفته تولید با تنوع بالا شکست می‌خورند. با برخورد با کوره ری‌فلو به عنوان یک "جعبه سیاه" و استفاده از RFR برای نگاشت ورودی‌ها (فایل‌های طراحی، داده‌های جایگذاری) به خروجی‌ها (موقعیت نهایی)، آن‌ها یک راه‌حل عمل‌گرا ارائه می‌دهند که نیاز به حل معادلات پیچیده چندفیزیکی در زمان واقعی را دور می‌زند. این مشابه فلسفه پشت کاربردهای موفق هوش مصنوعی در سایر زمینه‌ها است، مانند استفاده از CNN برای تشخیص تصویر به جای کدنویسی آشکارسازهای ویژگی.

4.2 جریان منطقی

منطق تحقیق مستحکم و مرتبط با تولید است: 1) شناسایی مسئله: خودترازی یک شمشیر دولبه است. 2) شناسایی شکاف: کمبود ابزارهای پیش‌بین عملی. 3) بهره‌برداری از داده‌های موجود: استفاده از نتایج آزمایشی به عنوان سوخت آموزش. 4) اعمال ابزارهای مدرن: آزمایش چندین پارادایم یادگیری ماشین. 5) اعتبارسنجی و شناسایی مدل برتر: پیروزی RFR. 6) پیشنهاد کاربرد: بازخورد پیش‌بینی‌ها به دستگاه‌های جایگذاری. این آینه‌ای از چارچوب استاندارد CRISP-DM (فرآیند استاندارد بین‌صنعتی برای داده‌کاوی) است و آن را به یک الگوی قابل تکرار برای سایر چالش‌های بهینه‌سازی فرآیند در مونتاژ الکترونیکی تبدیل می‌کند.

4.3 نقاط قوت و ضعف

نقاط قوت: انتخاب RFR عالی است - قابل تفسیر است (از طریق اهمیت ویژگی)، غیرخطی بودن را به خوبی مدیریت می‌کند و در مقایسه با یادگیری عمیق، کمتر مستعد بیش‌برازش روی داده‌های محدود است. دقت گزارش شده (~13µm خطا) چشمگیر و بالقوه قابل اجرا برای بسیاری از خطوط SMT است. تمرکز اولیه روی قطعات غیرفعال یک نقطه شروع خردمندانه و قابل مدیریت است.

نقاط ضعف و کور: فیل در اتاق محدوده داده و تعمیم‌پذیری است. مدل روی مجموعه خاصی از قطعات، خمیرها و پوشش‌های برد آموزش دیده است. عملکرد آن با انواع قطعات جدید و دیده نشده (مانند QFPهای بزرگ، BGAها) یا آلیاژهای لحیم بدون سرب با خواص خیس‌شدگی متفاوت چگونه است؟ این مطالعه به چالش یادگیری مستمر و سازگاری مدل در یک محیط پویای کارخانه اشاره می‌کند اما به طور کامل به آن نمی‌پردازد. علاوه بر این، در حالی که معیارهای خطا به طور میانگین پایین هستند، ما نیاز داریم توزیع خطا را ببینیم - چند نمونه پرت فاجعه‌بار همچنان می‌تواند باعث کاهش بازدهی شود.

4.4 بینش‌های عملی

برای مهندسان فرآیند SMT و سازندگان تجهیزات:

1. پایلوت فوری: این مطالعه را روی خط تولید خود برای یک محصول با حجم بالا تکرار کنید. شروع به جمع‌آوری داده‌های ساختاریافته درباره انحراف جایگذاری و اندازه‌گیری پس از ری‌فلو (با استفاده از SPI و AOI) کنید. مدل RFR اختصاصی خود را بسازید.
2. تمرکز بر یکپارچه‌سازی: ارزش واقعی در کنترل حلقه بسته است. با فروشندگان دستگاه‌های جایگذاری (مانند Fuji، ASM SIPLACE) برای توسعه یک API همکاری کنید که تصحیح پیش‌بینی شده مدل ($-\Delta x, -\Delta y, -\Delta \theta$) را به مختصات جایگذاری برای برد بعدی بازخورد دهد.
3. گسترش مجموعه ویژگی‌ها: متغیرهای فرآیندی زمان واقعی که مقاله از قلم انداخته است را در نظر بگیرید: دمای مناطق کوره ری‌فلو، سرعت نوار نقاله، غلظت نیتروژن و رطوبت محیط. این یک سیستم واقعاً سازگار ایجاد می‌کند.
4. معیارسنجی در برابر فیزیک: شبیه‌سازی را رها نکنید. از یک رویکرد ترکیبی استفاده کنید: اجازه دهید مدل یادگیری ماشین پیش‌بینی سریع و برخط را انجام دهد، اما از شبیه‌سازی‌های مبتنی بر فیزیک (مانند استفاده از ابزارهایی مانند ANSYS) به صورت آفلاین برای اعتبارسنجی و درک موارد مرزی استفاده کنید و یک چرخه بهبود ایجاد کنید.

5. تحلیل اصیل و چشم‌انداز صنعت

این مطالعه نمایانگر یک کاربرد مهم و به‌موقع از یادگیری ماشین برای یک چالش دیرینه تولید است. گذار از مدل‌های تئوریک دینامیک سیالات به پیش‌بینی مبتنی بر داده، آینه‌ای از یک روند گسترده‌تر در صنعت 4.0 است، جایی که داده‌های تجربی اغلب از مدل‌های مبتنی بر اصول اولیه در محیط‌های پیچیده و پرنویز پیشی می‌گیرند. موفقیت نویسندگان با جنگل تصادفی تعجب‌آور نیست؛ ماهیت مجموعه‌ای آن، آن را در برابر بیش‌برازش روی مجموعه داده‌های محدود - یک مسئله رایج در تولید که جمع‌آوری میلیون‌ها نمونه برچسب‌دار غیرعملی است - مقاوم می‌کند. این با یافته‌ها در سایر حوزه‌ها همسو است، مانند استفاده از مدل‌های مبتنی بر درخت برای نگهداری پیش‌بینانه روی تجهیزات نیمه‌هادی، جایی که آن‌ها اغلب بر شبکه‌های عصبی پیچیده‌تر روی داده‌های جدولی ساختاریافته برتری می‌یابند.

با این حال، محدوده مطالعه محدودیت اصلی آن است. مدل روی قطعات غیرفعال نشان داده شده است، جایی که نیروهای خودترازی نسبتاً منظم هستند. آزمایش واقعی روی قطعات فعال مانند بسته‌های تخت چهارطرفه (QFPs) یا آرایه‌های شبکه‌ای توپی (BGAs) خواهد بود، جایی که تشکیل اتصال لحیم پیچیده‌تر است و شامل تعداد بیشتری اتصال وابسته به هم می‌شود. علاوه بر این، به نظر می‌رسد مدل ایستا است. در یک خط SMT واقعی، فرمولاسیون خمیر لحیم تغییر می‌کند، استنسیل‌ها فرسوده می‌شوند و پروفیل کوره منحرف می‌شود. یک سیستم واقعاً مستحکم به یک مؤلفه یادگیری برخط نیاز دارد، مشابه سیستم‌های کنترل سازگار مورد استفاده در رباتیک، تا مدل را به طور مستمر به‌روزرسانی کند. تحقیقات مؤسساتی مانند مؤسسه فرانهوفر برای مهندسی ساخت و اتوماسیون IPA درباره سیستم‌های تولید خودبهینه‌ساز بر این نیاز به سازگاری تأکید می‌کند.

تأثیر بالقوه قابل توجه است. با پیش‌بینی دقیق جابجایی، این فناوری می‌تواند "جایگذاری پیش‌بینانه" را ممکن سازد، جایی که قطعات عمداً با یک انحراف محاسبه‌شده توسط الگوریتم به اشتباه جایگذاری می‌شوند تا به موقعیت ایده‌آل خودتراز شوند. این می‌تواند الزامات دقت (و هزینه) دستگاه‌های جایگذاری فوق‌دقیق را کاهش دهد، نیاز به بازکاری پس از ری‌فلو را کم کند و بازدهی را افزایش دهد، به ویژه برای قطعات مینیاتوری مانند بسته‌های 0201 یا 01005. این شکاف بین طراحی دیجیتال (داده‌های CAD) و نتیجه فیزیکی را پل می‌زند و به دیدگاه "دوقلوی دیجیتال" برای فرآیند مونتاژ SMT کمک می‌کند.

6. جزئیات فنی و فرمول‌بندی ریاضی

وظیفه اصلی پیش‌بینی یک مسئله رگرسیون چندمتغیره است. برای یک قطعه معین $i$، مدل یک تابع نگاشت $f$ را از یک بردار ویژگی $\mathbf{X_i}$ به یک بردار هدف $\mathbf{Y_i}$ یاد می‌گیرد: $$\mathbf{Y_i} = f(\mathbf{X_i}) + \epsilon_i$$ که در آن $\mathbf{Y_i} = [\Delta x_i, \Delta y_i, \Delta \theta_i]^T$ و $\mathbf{X_i}$ شامل ویژگی‌هایی مانند ابعاد قطعه $(L_c, W_c)$، ابعاد پد $(L_p, W_p, S)$، حجم لحیم $V_s$ و انحراف اولیه $(x_{0,i}, y_{0,i})$ است.

الگوریتم جنگل تصادفی با ساخت تعداد زیادی درخت تصمیم در طول آموزش عمل می‌کند. پیش‌بینی نهایی، میانگین پیش‌بینی درخت‌های منفرد برای رگرسیون است. اهمیت یک ویژگی معین $j$ اغلب به عنوان کاهش کل در ناخالصی گره (اندازه‌گیری شده توسط میانگین مربعات خطا، MSE) که بر روی تمام درخت‌هایی که ویژگی برای تقسیم استفاده شده است میانگین گرفته می‌شود، محاسبه می‌شود: $$\text{Importance}(j) = \frac{1}{N_{trees}} \sum_{T} \sum_{t \in T: \text{split on } j} \Delta \text{MSE}_t$$ که در آن $\Delta \text{MSE}_t$ کاهش MSE در گره $t$ است.

7. نتایج آزمایشی و توصیف نمودار

توصیف نمودار (فرضی بر اساس متن): یک نمودار میله‌ای به طور مؤثری سه مدل یادگیری ماشین را مقایسه می‌کند. محور x سه وظیفه پیش‌بینی را فهرست می‌کند: "جابجایی X"، "جابجایی Y" و "جابجایی چرخشی". برای هر وظیفه، سه میله گروه‌بندی شده عملکرد SVR، شبکه عصبی (NN) و جنگل تصادفی (RFR) را نشان می‌دهند. محور y اولیه (چپ) ضریب تعیین (R²) را از 90% تا 100% نشان می‌دهد، با میله‌های RFR که به نزدیکی بالا می‌رسند (99%، 99%، 96%). یک محور y ثانویه (راست) می‌تواند میانگین خطای مطلق (MAE) را در میکرومتر (برای X، Y) و درجه (برای چرخش) نشان دهد، با میله‌های RFR که کوتاه‌ترین هستند و کمترین خطا را نشان می‌دهند (13.47 µm، 12.02 µm، 1.52°). این تصویر به وضوح دقت و صحت برتر RFR را در تمام معیارها نشان می‌دهد.

نتیجه عددی کلیدی: مدل جنگل تصادفی به میانگین خطای پیش‌بینی 13.47 میکرومتر برای جابجایی جانبی دست یافت که کمتر از عرض یک موی انسان (~70 µm) است و دقت عملی استثنایی برای مونتاژ SMT را نشان می‌دهد.

8. چارچوب تحلیل: یک مثال موردی غیرکدی

سناریو: یک ارائه‌دهنده خدمات تولید الکترونیک (EMS) به دلیل تومب‌استونینگ مقاومت‌های 0402، 2% کاهش بازدهی روی یک برد را تجربه می‌کند.

کاربرد چارچوب:

1. جمع‌آوری داده: برای 10,000 برد بعدی، برای هر مقاومت 0402 ثبت کنید: طراحی پد از فایل Gerber، اندازه روزنه استنسیل، حجم بازرسی خمیر لحیم (SPI)، مختصات ثبت شده دستگاه جایگذاری $(x_0, y_0)$ و مختصات پس از ری‌فلو $(x_f, y_f, \theta_f)$ از بازرسی نوری خودکار (AOI).
2. آموزش مدل: یک مدل RFR با استفاده از این مجموعه داده بسازید، با ویژگی‌ها (اندازه پد، حجم خمیر، انحراف اولیه) و اهداف (جابجایی نهایی).
3. تولید بینش: اهمیت ویژگی‌های مدل نشان می‌دهد که عدم تقارن در حجم خمیر لحیم بین دو پد قوی‌ترین پیش‌بین جابجایی چرخشی ($\Delta \theta$) منجر به تومب‌استونینگ است، حتی بیشتر از خطای اولیه جایگذاری.
4. اقدام: به جای تلاش برای بهبود دقت جایگذاری (گران)، تمرکز به سمت بهبود طراحی استنسیل و فرآیند چاپ برای اطمینان از تقارن حجم خمیر تغییر می‌کند. مدل همچنین می‌تواند یک "امتیاز ریسک" برای هر جایگذاری قطعه در زمان واقعی ارائه دهد و جایگذاری‌های پرخطر را برای اصلاح فوری قبل از ری‌فلو علامت‌گذاری کند.

9. کاربردهای آینده و جهت‌های توسعه

• جایگذاری سازگار حلقه بسته: یکپارچه‌سازی مستقیم مدل پیش‌بین در نرم‌افزار کنترل دستگاه پیک و پلیس برای تنظیم پویای مختصات جایگذاری در زمان واقعی و ایجاد یک خط مونتاژ خوداصلاح‌گر.
• گسترش به قطعات فعال: اعمال چارچوب برای پیش‌بینی ترازیابی قطعات پیچیده مانند BGAها، QFNها و کانکتورها، جایی که خودترازی محدودتر اما همچنان حیاتی است.
• یکپارچه‌سازی دوقلوی دیجیتال: استفاده از مدل به عنوان یک مؤلفه اصلی از یک دوقلوی دیجیتال فرآیند SMT، که امکان بهینه‌سازی فرآیند مجازی و آزمایش سناریوهای "چه می‌شد اگر" قبل از تولید فیزیکی را فراهم می‌کند.
• مدل‌های ترکیبی فیزیک-هوش مصنوعی: ترکیب مدل RFR مبتنی بر داده با معادلات ساده‌شده مبتنی بر فیزیک (مانند نیروی کشش سطحی) برای بهبود دقت برون‌یابی به انواع یا مواد قطعه جدید و دیده نشده.
• یادگیری صفر-تک/کم-تک: توسعه تکنیک‌هایی برای پیش‌بینی جابجایی برای بسته‌های قطعه جدید با حداقل داده آموزشی جدید، با بهره‌برداری از یادگیری انتقالی از پایه گسترده مدل‌های قطعه موجود.

10. مراجع

1. Parviziomran, I., Cao, S., Srihari, K., & Won, D. (سال). مدل پیش‌بینی مبتنی بر داده از جابجایی قطعات در حین فرآیند ری‌فلو در فناوری نصب سطحی. نام مجله، جلد(شماره)، صفحات. (منبع PDF)
2. Böhme, B., و همکاران. (2022). سیستم‌های خودبهینه‌ساز در تولید الکترونیک. مؤسسه فرانهوفر IPA. [https://www.ipa.fraunhofer.de/]
3. Lv, C., و همکاران. (2020). مروری جامع بر داده‌کاوی در ساخت الکترونیک. مجله تولید هوشمند، 31(2)، 239-256.
4. Breiman, L. (2001). جنگل‌های تصادفی. یادگیری ماشین، 45(1)، 5-32. (مقاله بنیادی در مورد الگوریتم استفاده شده)
5. ANSI/IPC J-STD-001. (2020). الزامات برای مجموعه‌های الکتریکی و الکترونیکی لحیم‌کاری شده. IPC. (استاندارد صنعتی برای فرآیندهای SMT)