تحلیل آماری جابجایی قطعات در فرآیند Pick and Place فناوری نصب سطحی (SMT)

1. مقدمه

فناوری نصب سطحی (SMT) روش غالب برای مونتاژ قطعات الکترونیکی بر روی بردهای مدار چاپی (PCB) است. فرآیند برداشتن و قراردادن (P&P)، که در آن قطعات بر روی خمیر لحیم مرطوب قرار می‌گیرند، مرحله‌ای حیاتی است. یک پدیده ظریف اما مهم در این مرحله، جابجایی قطعه است — حرکت ناخواسته قطعه بر روی خمیر لحیم چسبناک قبل از فرآیند لحیم‌کاری رفلو.

به طور سنتی، این جابجایی ناچیز در نظر گرفته می‌شد و اغلب به اثر "خودترازی" فرآیند رفلو بعدی برای اصلاح خطاهای جزئی قرارگیری تکیه می‌شد. با این حال، با کوچک شدن ابعاد قطعات به مقیاس زیرمیلی‌متر و سخت‌گیرانه‌تر شدن استانداردهای کیفیت برای PCBها (با هدف نرخ عیب نزدیک به صفر)، درک و کنترل جابجایی قطعه برای تولید با بازدهی بالا امری حیاتی شده است.

این مقاله به شکافی مهم می‌پردازد: مطالعات پیشین فاقد تحلیل داده‌های خط تولید واقعی بودند. نویسندگان دو مسئله اصلی را بررسی می‌کنند: ۱) توصیف رفتار جابجایی قطعه، و ۲) شناسایی و رتبه‌بندی عوامل مؤثر بر آن، با استفاده از روش‌های آماری بر روی داده‌های یک خط مونتاژ SMT پیشرفته.

2. روش‌شناسی و جمع‌آوری داده

قوت این مطالعه در بنیان تجربی آن است که فراتر از مدل‌های نظری حرکت می‌کند.

3. نتایج و تحلیل

4. جزئیات فنی و فرمول‌ها

تحلیل به احتمال زیاد بر مدل‌های آماری پایه‌ای تکیه داشت. یک نمایش ساده‌شده از رویکرد رگرسیون قابل نمایش است. جابجایی قطعه $S$ (یک بردار یا بزرگی دو بعدی) را می‌توان به عنوان تابعی از چندین عامل مدل کرد:

$S = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + ... + \beta_n X_n + \epsilon$

که در آن:

• $\beta_0$ عرض از مبدأ است.
• $X_1, X_2, ..., X_n$ نمایانگر عوامل نرمال‌شده هستند (مثلاً $X_1$ = انحراف X خمیر، $X_2$ = حجم خمیر، $X_3$ = کد نوع قطعه).
• $\beta_1, \beta_2, ..., \beta_n$ ضرایبی هستند که توسط رگرسیون تعیین می‌شوند و نشان‌دهنده اندازه اثر و جهت هر عامل هستند. تحلیل اثرات اصلی این مطالعه اساساً این مقادیر $\beta$ را بررسی می‌کند.
• $\epsilon$ جمله خطا است.

بزرگی جابجایی $|S|$ را می‌توان با استفاده از مدل‌های خطی یا خطی تعمیم‌یافته مشابه تحلیل کرد، که در آن مقدار $R^2$ نشان می‌دهد چه مقدار از واریانس جابجایی توسط عوامل در نظر گرفته شده توضیح داده می‌شود.

5. نتایج آزمایشی و نمودارها

توضیح نمودار فرضی بر اساس زمینه مقاله:

شکل ۲: نمودار اثرات اصلی برای جابجایی قطعه. یک نمودار میله‌ای یا خطی که میانگین تغییر در بزرگی جابجایی (مثلاً بر حسب میکرومتر) را هنگام تغییر هر عامل از سطح پایین به بالا نشان می‌دهد. میله مربوط به "انحراف موقعیت X خمیر" بلندترین خواهد بود و به صورت بصری آن را به عنوان تأثیرگذارترین عامل تأیید می‌کند. "نوع قطعه" چندین میله نشان می‌دهد، یکی برای هر یک از شش نوع، که مشخص می‌کند کدام یک مستعدتر به جابجایی هستند.

شکل ۳: نمودار پراکندگی جابجایی در مقابل عدم ثبت صحیح خمیر. ابری از نقاط داده که همبستگی مثبت قوی را نشان می‌دهد. یک خط رگرسیون با شیب تند $\beta_1$ بر روی داده‌ها برازش می‌شود و خطای قرارگیری خمیر را به جابجایی قطعه به صورت کمّی پیوند می‌دهد.

شکل ۴: نمودار جعبه‌ای جابجایی بر اساس مکان قطعه روی PCB. چندین جعبه که در یک طرح شماتیک PCB چیده شده‌اند، نشان می‌دهند که قطعات قرارگرفته نزدیک لبه‌ها یا نشانه‌های خاص، میانگین جابجایی‌ها و واریانس‌های متفاوتی را در مقایسه با قطعات مرکزی نشان می‌دهند که از یافته "موقعیت طراحی شده" پشتیبانی می‌کند.

6. نمونه چارچوب تحلیل

مطالعه موردی: تحلیل ریشه‌ای افت بازدهی در مونتاژ خازن 0201.

سناریو: یک کارخانه پس از تغییر خط، افزایش عیوب "تومب‌استونینگ" را برای خازن‌های 0201 مشاهده می‌کند.

کاربرد چارچوب این مقاله:

1. جمع‌آوری داده: بلافاصله داده‌های SPI (موقعیت، حجم، ارتفاع خمیر) و داده‌های Pre-AOI (موقعیت قطعه) را برای بردهای حاوی خازن‌های 0201 جمع‌آوری کنید. داده‌ها را بر اساس مکان پنل PCB برچسب‌گذاری کنید.
2. EDA: توزیع جابجایی قطعه را برای قطعات 0201 رسم کنید. میانگین جابجایی قبل و بعد از تغییر خط را مقایسه کنید. آیا تفاوت معنی‌داری دارد؟ (از آزمون t استفاده کنید).
3. اثرات اصلی: همبستگی بین جابجایی و هر پارامتر SPI را محاسبه کنید. مقاله پیش‌بینی می‌کند که انحراف موقعیت خمیر قوی‌ترین همبستگی را خواهد داشت. بررسی کنید که آیا استنسیل جدید یا تنظیمات پرینتر این انحراف را افزایش داده است.
4. مدل رگرسیون: یک مدل ساده بسازید: Shift_0201 = f(Paste_X_Offset, Paste_Volume, Panel_Location). ضریب Paste_X_Offset تأثیر آن را کمّی می‌کند. اگر این ضریب بالا باشد، احتمالاً ریشه مشکل فرآیند چاپ است، نه هد قراردهنده.
5. اقدام: به جای کالیبره مجدد دستگاه P&P (که یک گام اول رایج اما نادرست است)، بر اصلاح هم‌راستایی استنسیل یا فشار اسکوییج برای بهبود دقت رسوب خمیر تمرکز کنید.

این رویکرد ساختاریافته و مبتنی بر داده، از عیب‌یابی پرهزینه و ناکارآمد آزمون و خطا جلوگیری می‌کند.

7. کاربردها و جهت‌های آینده

یافته‌ها راه را برای چندین کاربرد پیشرفته هموار می‌کنند:

• کنترل فرآیند پیش‌بینانه: ادغام داده‌های SPI بلادرنگ با کنترل تطبیقی دستگاه P&P. اگر SPI یک انحراف خمیر را اندازه‌گیری کند، برنامه P&P می‌تواند به طور خودکار یک انحراف جبرانی را به مختصات قرارگیری قطعه اعمال کند تا جابجایی پیش‌بینی شده را خنثی کند.
• بهینه‌سازی مبتنی بر هوش مصنوعی/یادگیری ماشین: مدل‌های رگرسیون نقطه شروع هستند. الگوریتم‌های یادگیری ماشین (مانند جنگل‌های تصادفی، گرادیان بوستینگ) را می‌توان روی مجموعه داده‌های بزرگ‌تر آموزش داد تا برهم‌کنش‌های غیرخطی بین عوامل را مدل کرده و جابجایی را برای قطعات پیچیده با دقت بالاتر پیش‌بینی کنند.
• قوانین طراحی برای ساخت (DFM): طراحان PCB می‌توانند از بینش‌های مربوط به حساسیت نوع قطعه و اثرات مکان برای ایجاد چیدمان‌های مقاوم‌تر استفاده کنند. قطعات حیاتی را می‌توان در مناطق "کم‌جابجایی" برد قرار داد.
• مواد پیشرفته: توسعه نسل بعدی خمیرهای لحیم با تیکسوتروپی بالاتر یا خواص رئولوژیکی سفارشی‌شده برای "قفل کردن" بهتر قطعات در جای خود بلافاصله پس از قرارگیری، که پنجره زمانی جابجایی را کاهش می‌دهد.
• استانداردسازی: این کار مبنای تجربی برای تعریف معیارهای صنعتی جدید یا استانداردهای تلرانس برای "جابجایی قابل قبول قبل از رفلو" برای کلاس‌های مختلف قطعات فراهم می‌کند.

8. مراجع

1. نویسنده(گان). (سال). عنوان مقاله مورد استناد در مورد فرآیندهای SMT. نام مجله، جلد(شماره)، صفحات. [ارجاع به منبع شکل ۱]
2. Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (برای زمینه‌سازی در مورد بسته‌بندی پیشرفته و چالش‌های دقت قرارگیری).
3. IPC-7525C. (2022). Stencil Design Guidelines. IPC. (استاندارد صنعتی که اهمیت حیاتی چاپ استنسیل را برجسته می‌کند).
4. Isola, A. et al. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (مقاله CycleGAN، که به عنوان نمونه‌ای از یک مدل مبتنی بر داده که نگاشت‌های پیچیده را یاد می‌گیرد — مشابه یادگیری نگاشت از پارامترهای فرآیند به نتایج جابجایی — به آن ارجاع داده شده است).
5. SEMI.org. (2023). Advanced Packaging Roadmap. SEMI. (نقشه راه صنعتی که نیاز به دقت قرارگیری در سطح میکرون را تأکید می‌کند).

9. دیدگاه تحلیلگر صنعت