پیش‌بینی جابجایی قطعات در فرآیند Pick-and-Place SMT مبتنی بر SVR

1. مقدمه

این پژوهش به یک مسئله کیفی حیاتی اما اغلب نادیده گرفته شده در مونتاژ فناوری نصب سطحی (SMT) می‌پردازد: جابجایی قطعات در طول فرآیند Pick-and-Place (P&P). هنگامی که یک قطعه بر روی خمیر لحیم مرطوب قرار می‌گیرد، دینامیک سیال و ویژگی‌های خمیر می‌توانند باعث جابجایی آن از موقعیت مورد نظر شوند. در حالی که عملیات لحیم‌کاری رفلو بعدی مقداری خودترازی ایجاد می‌کند، به حداقل رساندن جابجایی اولیه برای تولید الکترونیک با چگالی بالا و قابلیت اطمینان بالا امری ضروری است.

1.1. فناوری نصب سطحی (SMT)

SMT روش غالب برای مونتاژ قطعات الکترونیکی بر روی بردهای مدار چاپی (PCB) است. خط اصلی SMT شامل سه فرآیند اصلی است: چاپ استنسیل (SPP)، Pick-and-Place (P&P) و لحیم‌کاری رفلو. نقاط بازرسی کیفیت، مانند بازرسی خمیر لحیم (SPI) و بازرسی نوری خودکار (AOI)، برای نظارت بر نتایج فرآیند یکپارچه شده‌اند.

1.2. جابجایی قطعه در فرآیند Pick-and-Place

این جابجایی پس از قرارگیری به دلیل خواص ویسکوالاستیک خمیر لحیم (افتادگی، عدم تعادل) و عوامل خارجی مانند لرزش ماشین رخ می‌دهد. با کوچک‌تر شدن اندازه قطعات و کاهش فاصله پایه‌ها، این جابجایی‌های میکروسکوپی به عوامل مهمی در ایجاد عیوبی مانند اتصال کوتاه یا مدار باز تبدیل می‌شوند و این فرض که رفلو آن‌ها را به طور کامل اصلاح می‌کند را به چالش می‌کشند.

2. روش‌شناسی و مدل SVR

این مطالعه از یک رویکرد داده‌محور استفاده می‌کند و از یادگیری ماشین برای مدل‌سازی رابطه پیچیده و غیرخطی بین پارامترهای فرآیند و جابجایی قطعه بهره می‌برد.

2.1. رگرسیون بردار پشتیبان (SVR)

SVR به دلیل اثربخشی آن در حل مسائل رگرسیون غیرخطی با ابعاد بالا و تعداد نمونه محدود، که یک سناریوی رایج در داده‌های آزمایشی صنعتی است، انتخاب شد.

2.2. توابع هسته: خطی در مقابل RBF

دو تابع هسته ارزیابی شدند: هسته خطی (SVR-Linear) و هسته تابع پایه شعاعی (SVR-RBF). هسته RBF به ویژه برای ثبت روابط پیچیده و غیرخطی در داده‌ها مناسب است.

3. تنظیمات آزمایشی و داده‌ها

یک آزمایش جامع بر روی یک خط مونتاژ SMT پیشرفته طراحی شد. داده‌ها در مورد ویژگی‌های ورودی کلیدی که تصور می‌شد بر جابجایی تأثیر می‌گذارند، جمع‌آوری شد، از جمله:

• ویژگی‌های خمیر لحیم: حجم، انحراف از پد، خواص افتادگی.
• تنظیمات قرارگیری: نیروی قرارگیری، سرعت، دقت.
• عوامل قطعه و برد: اندازه قطعه، وزن، صافی PCB.

متغیر خروجی، جابجایی اندازه‌گیری شده قطعه (مثلاً بر حسب میکرون) در جهت‌های X و Y پس از قرارگیری اما قبل از رفلو بود.

4. نتایج و تحلیل

مدل‌ها بر روی مجموعه داده جمع‌آوری شده آموزش داده و آزمایش شدند و عملکرد آن‌ها با استفاده از معیارهایی مانند میانگین خطای مطلق (MAE) و جذر میانگین مربعات خطا (RMSE) ارزیابی شد.

4.1. عملکرد پیش‌بینی

توضیح نمودار (ضمنی): یک نمودار پراکندگی که مقادیر پیش‌بینی شده در مقابل مقادیر واقعی جابجایی قطعه را مقایسه می‌کند، نشان می‌دهد که پیش‌بینی‌های SVR-RBF به طور فشرده در امتداد خط ایده‌آل y=x خوشه‌بندی شده‌اند، در حالی که پیش‌بینی‌های SVR-Linear پراکندگی بیشتری نشان می‌دهند، به ویژه در مقادیر جابجایی بالاتر.

4.2. یافته‌های کلیدی در مورد عوامل جابجایی

تحلیل تأیید کرد که عدم تعادل حجم خمیر لحیم و انحراف قرارگیری، محرک‌های اصلی جابجایی قطعه هستند. تحلیل اهمیت ویژگی مدل SVR-RBF (یا ضرایب/بردارهای پشتیبان مدل) این عوامل را به صورت کمی رتبه‌بندی می‌کند.

5. جزئیات فنی و فرمول‌بندی ریاضی

مسئله بهینه‌سازی هسته SVR هدف یافتن تابع $f(x) = w^T \phi(x) + b$ است که حداکثر به اندازه یک مقدار $\epsilon$ (لوله اپسیلون) از هدف واقعی $y_i$ انحراف دارد، در حالی که تا حد ممکن تخت باقی می‌ماند. مسئله بهینه‌سازی اولیه به این صورت است:

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

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

که در آن $C$ پارامتر تنظیم است، $\xi_i, \xi_i^*$ متغیرهای slack هستند و $\phi(x)$ تابع هسته‌ای است که داده‌ها را به فضایی با ابعاد بالاتر نگاشت می‌کند. برای هسته RBF: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. چارچوب تحلیل: یک مثال موردی غیرکدی

یک سازنده را در نظر بگیرید که افت بازده ۲ درصدی در یک PCB جدید با فاصله پایه ریز را تجربه می‌کند. AOI پس از رفلو عدم تراز را نشان می‌دهد، اما داده‌های Pre-AOI پس از P&P تحلیل نشده‌اند. با اعمال چارچوب این مقاله:

1. جمع‌آوری داده: داده‌های SPI (حجم خمیر، انحراف هر پد) را با داده‌های Pre-AOI (موقعیت قطعه قبل از رفلو) برای بردهای معیوب همبسته کنید.
2. اعمال مدل: از یک مدل SVR-RBF از پیش آموزش دیده (مانند مدل مقاله) برای پیش‌بینی جابجایی مورد انتظار بر اساس اندازه‌گیری‌های SPI استفاده کنید.
3. شناسایی علت ریشه‌ای: مدل جابجایی قابل توجهی (>۵۰٪ فاصله پایه) را برای قطعاتی که SPI واریانس حجم بالایی بین پدها نشان داده بود، پیش‌بینی می‌کند. علت ریشه‌ای به سایش استنسیل که باعث رسوب ناهموار خمیر می‌شود، ردیابی می‌شود.
4. اقدام اصلاحی: محدودیت‌های کنترل سخت‌گیرانه‌تر SPI برای واریانس حجم خمیر را اجرا و برنامه نگهداری پیشگیرانه استنسیل را زمان‌بندی کنید، در نتیجه جابجایی را در منبع آن و قبل از رفلو برطرف کنید.

7. دیدگاه تحلیلگر صنعتی

بینش اصلی: این مقاله با موفقیت جابجایی قطعه را از یک عامل "نویز" که توسط رفلو جذب می‌شود، به یک متغیر فرآیندی قابل پیش‌بینی و کنترل بازتعریف می‌کند. ارزش واقعی فقط در دقت پیش‌بینی نیست، بلکه در تغییر پارادایم کیفیت از بازرسی پس از رفلو به پیش‌بینی و تصحیح درون فرآیندی است.

جریان منطقی: منطق تحقیق صحیح است: شناسایی یک عیب میکروسکوپی پرهزینه (جابجایی)، فرضیه‌سازی محرک‌های آن (پارامترهای خمیر/قرارگیری)، استفاده از یک ابزار ML مناسب (SVR برای داده‌های کوچک و غیرخطی) و اعتبارسنجی با داده‌های تولید واقعی. مقایسه بین هسته‌های خطی و RBF گامی حیاتی است که پیچیدگی مسئله را ثابت می‌کند.

نقاط قوت و ضعف:
نقاط قوت: استفاده کاربردی از ML بر روی یک مسئله صنعتی واقعی و با ارزش بالا. انتخاب SVR به جای یادگیری عمیق پیچیده‌تر به دلیل قابلیت تفسیر و کارایی آن با داده محدود قابل تحسین است - اصلی که در ادبیات پایه‌ای ML که از ابزار مناسب برای کار دفاع می‌کند [Hastie و همکاران، ۲۰۰۹] تکرار شده است.
نقاط ضعف: نقطه ضعف احتمالی مقاله محدوده داده است. مقاله به "عوامل بالقوه غیرمستقیم بسیار دیگر" (لرزش، ناپایداری نوار نقاله) اشاره می‌کند اما مدل احتمالاً فقط از یک زیرمجموعه استفاده می‌کند. استقرار واقعی در کارخانه نیازمند یکپارچه‌سازی داده‌ها از سنسورهای اینترنت اشیاء روی نوار نقاله‌ها و هدهای قرارگیری، حرکت به سمت یک دوقلوی دیجیتال از خط، همانطور که در چارچوب‌های صنعت ۴.۰ تصور شده است، می‌باشد.

بینش‌های عملی:

1. برای مهندسان فرآیند: اگر در دسترس است، بلافاصله شروع به همبستگی داده‌های SPI و Pre-AOI کنید. رابطه بین عدم تعادل خمیر و جابجایی یک اهرم مستقیم برای کنترل فرآیند است.
2. برای سازندگان تجهیزات (مانند نویسنده همکار Koh Young): این مقاله یک نقشه راه برای یک کلاس جدید از نرم‌افزار "کنترل فرآیند پیش‌بینانه" است. این مدل SVR را مستقیماً در ماشین‌های SPI یا AOI ادغام کنید تا امتیازات ریسک جابجایی بلادرنگ و تصحیحات توصیه شده را ارائه دهد.
3. برای محققان: گام بعدی استنتاج علّی و تحلیل تجویزی است. فقط جابجایی را پیش‌بینی نکنید؛ از مدل برای پاسخ به این سوال استفاده کنید که "چه تنظیم پارامتر قرارگیری، جابجایی پیش‌بینی شده را برای این قطعه خاص به حداقل می‌رساند؟" این با حرکت از ML به یادگیری تقویتی در سیستم‌های کنترل، همانطور که در رباتیک پیشرفته دیده می‌شود، همسو است.

در اصل، این کار یک اثبات مفهوم قوی است که در را به سوی کیفیت پیش‌بینانه واقعی در SMT می‌گشاید. صنعت اکنون باید با سرمایه‌گذاری در زیرساخت داده و یکپارچه‌سازی بین ابزارهای مورد نیاز برای عملیاتی کردن این مدل‌ها، از این در عبور کند.

8. کاربردهای آینده و جهت‌های تحقیقاتی

• کنترل فرآیند حلقه بسته: یکپارچه‌سازی مدل پیش‌بینی به طور مستقیم با ماشین P&P برای تنظیم پویا مختصات قرارگیری در زمان واقعی به منظور جبران جابجایی‌های پیش‌بینی شده.
• یکپارچه‌سازی دوقلوی دیجیتال: استفاده از مدل SVR به عنوان یک جزء درون یک دوقلوی دیجیتال جامع از خط SMT برای آزمایش مجازی، بهینه‌سازی فرآیند و آموزش اپراتور.
• تحلیل مواد پیشرفته: گسترش مدل برای پیش‌بینی جابجایی برای خمیرهای لحیم جدید (مانند خمیرهای دمای پایین، با قابلیت اطمینان بالا) یا چسب‌های مورد استفاده در یکپارچه‌سازی ناهمگن.
• پیش‌بینی عیب چندمرحله‌ای: ترکیب مدل پیش‌بینی جابجایی با مدل‌های اتصال کوتاه لحیم یا حفره‌دار شدن در طول رفلو برای پیش‌بینی کیفیت نهایی اتصال لحیم از پارامترهای اولیه چاپ و قرارگیری.
• بهبودهای هوش مصنوعی قابل تفسیر (XAI): استفاده از تکنیک‌هایی مانند SHAP (توضیحات افزودنی شپلی) برای قابل تفسیرتر کردن پیش‌بینی‌های مدل SVR-RBF برای مهندسان فرآیند، به وضوح نشان می‌دهد که هر ویژگی ورودی چگونه به جابجایی پیش‌بینی شده کمک می‌کند.

9. مراجع

1. شکل ۱ اقتباس شده از جریان فرآیند استاندارد SMT.
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (برای اصول انتخاب مدل مانند SVR).
3. IPC-7525, "Stencil Design Guidelines". IPC. (استاندارد صنعتی برای چاپ استنسیل که بر رسوب خمیر تأثیر می‌گذارد).
4. Koh Young Technology. (n.d.). Automated Optical Inspection (AOI) Solutions. Retrieved from https://www.kohyoung.com (متن برای فناوری بازرسی).
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. (تئوری پایه‌ای SVR).
6. Zhu, J., et al. (2021). Machine learning for advanced manufacturing: A review. Journal of Manufacturing Systems, 60, 672-694. (متن برای ML در تولید).