Analyse statistique du déplacement des composants dans le processus de placement SMT

1. Introduction

La Technologie de Montage en Surface (SMT) est la méthode dominante pour assembler des composants électroniques sur des cartes de circuits imprimés (PCB). Le processus de pick-and-place (P&P), où les composants sont positionnés sur de la pâte à braser humide, est critique. Un phénomène subtil mais significatif à ce stade est le déplacement du composant—le mouvement non désiré d'un composant sur la pâte à braser visqueuse avant le brasage par refusion.

Traditionnellement, ce déplacement était considéré comme négligeable, s'appuyant souvent sur l'effet d'« auto-alignement » du processus de refusion pour corriger les erreurs de placement mineures. Cependant, à mesure que les tailles des composants se réduisent à des échelles sub-millimétriques et que les normes de qualité pour les PCB deviennent plus strictes (visant des taux de défauts proches de zéro), comprendre et contrôler le déplacement des composants est devenu primordial pour une fabrication à haut rendement.

Cet article comble une lacune critique : les études antérieures manquaient d'analyse de données réelles de ligne de production. Les auteurs étudient deux problèmes fondamentaux : 1) caractériser le comportement du déplacement des composants, et 2) identifier et classer les facteurs qui y contribuent, en utilisant des méthodes statistiques sur des données provenant d'une ligne d'assemblage SMT de pointe.

2. Méthodologie & Collecte des données

La force de l'étude réside dans sa base empirique, dépassant les modèles théoriques.

3. Résultats & Analyse

4. Détails techniques & Formules

L'analyse s'est probablement appuyée sur des modèles statistiques fondamentaux. Une représentation simplifiée de l'approche par régression peut être présentée. Le déplacement du composant $S$ (un vecteur 2D ou une amplitude) peut être modélisé comme une fonction de plusieurs facteurs :

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

Où :

• $\beta_0$ est l'ordonnée à l'origine.
• $X_1, X_2, ..., X_n$ représentent les facteurs normalisés (par exemple, $X_1$ = Décalage X de la pâte, $X_2$ = Volume de pâte, $X_3$ = Code du type de composant).
• $\beta_1, \beta_2, ..., \beta_n$ sont les coefficients déterminés par la régression, indiquant l'ampleur et la direction de l'effet de chaque facteur. L'analyse des effets principaux de l'étude examine essentiellement ces valeurs $\beta$.
• $\epsilon$ est le terme d'erreur.

L'amplitude du déplacement $|S|$ pourrait être analysée en utilisant des modèles linéaires ou linéaires généralisés similaires, la valeur $R^2$ indiquant la proportion de variance du déplacement expliquée par les facteurs inclus.

5. Résultats expérimentaux & Graphiques

Description hypothétique de graphique basée sur le contexte de l'article :

Figure 2 : Graphique des effets principaux pour le déplacement des composants. Un diagramme à barres ou un graphique en ligne montrant le changement moyen de l'amplitude du déplacement (par exemple, en micromètres) lorsque chaque facteur passe de son niveau bas à son niveau haut. La barre pour « Décalage de position X de la pâte » serait la plus haute, confirmant visuellement qu'il s'agit du facteur le plus influent. « Type de composant » montrerait plusieurs barres, une pour chacun des six types, révélant lesquels sont les plus sujets au déplacement.

Figure 3 : Nuage de points du déplacement en fonction du mauvais positionnement de la pâte. Un nuage de points montrant une forte corrélation positive. Une droite de régression avec une pente raide $\beta_1$ serait ajustée aux données, reliant quantitativement l'erreur de placement de la pâte au déplacement du composant.

Figure 4 : Diagramme en boîte du déplacement par emplacement du composant sur le PCB. Plusieurs boîtes disposées sur un schéma de mise en page de PCB, montrant que les composants placés près des bords ou de repères spécifiques présentent des déplacements médians et des variances différents par rapport à ceux du centre, soutenant la découverte concernant la « position prévue ».

6. Exemple de cadre d'analyse

Étude de cas : Analyse des causes profondes d'une baisse de rendement dans l'assemblage de condensateurs 0201.

Scénario : Une usine observe une augmentation des défauts de tombstoning pour les condensateurs 0201 après un changement de ligne.

Application du cadre de cet article :

1. Collecte des données : Collecter immédiatement les données SPI (position, volume, hauteur de la pâte) et les données Pre-AOI (position du composant) pour les cartes contenant des condensateurs 0201. Étiqueter les données par l'emplacement du panneau PCB.
2. EDA : Tracer la distribution du déplacement des composants pour les pièces 0201. Comparer le déplacement moyen avant et après le changement. Est-il significativement différent ? (Utiliser un test t).
3. Effets principaux : Calculer la corrélation entre le déplacement et chaque paramètre SPI. L'article prédit que le décalage de position de la pâte sera la corrélation la plus forte. Vérifier si le nouveau pochoir ou la configuration de l'imprimante a augmenté ce décalage.
4. Modèle de régression : Construire un modèle simple : Déplacement_0201 = f(Décalage_X_Pâte, Volume_Pâte, Emplacement_Panneau). Le coefficient pour Décalage_X_Pâte quantifiera son impact. S'il est élevé, la cause racine est probablement le processus d'impression, et non la tête de placement.
5. Action : Au lieu de re-calibrer la machine P&P (une première étape courante mais mal orientée), se concentrer sur la correction de l'alignement du pochoir ou de la pression de la racle pour améliorer la précision du dépôt de pâte.

Cette approche structurée et basée sur les données évite un dépannage coûteux et inefficace par essais et erreurs.

7. Applications futures & Orientations

Les résultats ouvrent la voie à plusieurs applications avancées :

• Contrôle prédictif du processus : Intégrer les données SPI en temps réel avec le contrôle adaptatif de la machine P&P. Si le SPI mesure un décalage de pâte, le programme P&P pourrait automatiquement appliquer un décalage compensatoire aux coordonnées de placement du composant pour contrer le déplacement prédit.
• Optimisation par IA/ML : Les modèles de régression sont un point de départ. Des algorithmes d'apprentissage automatique (par exemple, Forêts aléatoires, Gradient Boosting) pourraient être entraînés sur des ensembles de données plus larges pour modéliser les interactions non linéaires entre les facteurs et prédire le déplacement avec une plus grande précision pour les composants complexes.
• Règles de Conception pour la Fabrication (DFM) : Les concepteurs de PCB pourraient utiliser les informations sur la sensibilité du type de composant et les effets de l'emplacement pour créer des mises en page plus robustes. Les composants critiques pourraient être placés dans des zones « à faible déplacement » de la carte.
• Matériaux avancés : Développement de pâtes à braser de nouvelle génération avec une thixotropie plus élevée ou des propriétés rhéologiques adaptées pour mieux « verrouiller » les composants en place immédiatement après le placement, réduisant la fenêtre temporelle pour le déplacement.
• Normalisation : Ce travail fournit une base empirique pour définir de nouvelles métriques industrielles ou des normes de tolérance pour le « déplacement acceptable avant refusion » pour différentes classes de composants.

8. Références

1. Auteur(s). (Année). Titre de l'article cité sur les processus SMT. Nom du Journal, Volume(Numéro), pages. [Référence à la source de la Fig. 1]
2. Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (Pour le contexte sur l'encapsulation avancée et les défis de précision de placement).
3. IPC-7525C. (2022). Stencil Design Guidelines. IPC. (Norme industrielle soulignant l'importance critique de l'impression au pochoir).
4. Isola, A. et al. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (Article CycleGAN, référencé comme exemple de modèle basé sur les données qui apprend des mappages complexes—analogue à l'apprentissage du mappage des paramètres de processus aux résultats de déplacement).
5. SEMI.org. (2023). Advanced Packaging Roadmap. SEMI. (Feuille de route industrielle soulignant le besoin d'une précision de placement au niveau du micron).

9. Perspective d'un analyste industriel