एसवीआर-आधारित एसएमटी पिक-एंड-प्लेस प्रक्रिया में घटक शिफ्ट की भविष्यवाणी

1. परिचय

यह शोध सतह माउंट प्रौद्योगिकी (एसएमटी) असेंबली में एक महत्वपूर्ण परंतु अक्सर अनदेखी की जाने वाली गुणवत्ता समस्या को संबोधित करता है: पिक-एंड-प्लेस (पीएंडपी) प्रक्रिया के दौरान घटकों का खिसकना। जब किसी घटक को गीले सोल्डर पेस्ट पर रखा जाता है, तो द्रव गतिकी और पेस्ट की विशेषताएं इसे उसके इच्छित स्थान से खिसका सकती हैं। हालांकि बाद की रीफ्लो सोल्डरिंग कुछ स्व-संरेखण प्रदान करती है, उच्च-घनत्व, उच्च-विश्वसनीयता इलेक्ट्रॉनिक्स विनिर्माण के लिए प्रारंभिक शिफ्ट को न्यूनतम करना परम आवश्यक है।

1.1. सतह माउंट प्रौद्योगिकी

एसएमटी, प्रिंटेड सर्किट बोर्ड (पीसीबी) पर इलेक्ट्रॉनिक घटकों को असेंबल करने की प्रमुख विधि है। मुख्य एसएमटी लाइन में तीन प्रमुख प्रक्रियाएं शामिल हैं: स्टेंसिल प्रिंटिंग (एसपीपी), पिक-एंड-प्लेस (पीएंडपी), और सोल्डर रीफ्लो। प्रक्रिया परिणामों की निगरानी के लिए गुणवत्ता निरीक्षण बिंदु, जैसे सोल्डर पेस्ट निरीक्षण (एसपीआई) और स्वचालित ऑप्टिकल निरीक्षण (एओआई), एकीकृत किए जाते हैं।

1.2. पिक-एंड-प्लेस प्रक्रिया में घटक शिफ्ट

यह शिफ्ट प्लेसमेंट के बाद सोल्डर पेस्ट की श्यान-प्रत्यास्थ गुणों (स्लम्पिंग, असंतुलन) और मशीन कंपन जैसे बाहरी कारकों के कारण होती है। जैसे-जैसे घटकों के आकार सिकुड़ते हैं और पिच कम होती है, ये सूक्ष्म शिफ्ट ब्रिजिंग या ओपन सर्किट जैसे दोषों के महत्वपूर्ण योगदानकर्ता बन जाते हैं, जिससे यह धारणा चुनौतीपूर्ण हो जाती है कि रीफ्लो उन्हें पूरी तरह से ठीक कर देगा।

2. पद्धति एवं एसवीआर मॉडल

अध्ययन प्रक्रिया पैरामीटर और घटक शिफ्ट के बीच जटिल, अरेखीय संबंध को मॉडल करने के लिए मशीन लर्निंग का उपयोग करते हुए, एक डेटा-संचालित दृष्टिकोण अपनाता है।

2.1. सपोर्ट वेक्टर रिग्रेशन (एसवीआर)

एसवीआर को सीमित संख्या में नमूनों के साथ उच्च-आयामी, अरेखीय रिग्रेशन समस्याओं को संभालने में इसकी प्रभावशीलता के लिए चुना गया था, जो औद्योगिक प्रायोगिक डेटा में एक सामान्य परिदृश्य है।

2.2. कर्नेल फ़ंक्शन: रैखिक बनाम आरबीएफ

दो कर्नेल फ़ंक्शन का मूल्यांकन किया गया: एक रैखिक कर्नेल (एसवीआर-लीनियर) और एक रेडियल बेसिस फ़ंक्शन कर्नेल (एसवीआर-आरबीएफ)। आरबीएफ कर्नेल डेटा में जटिल, अरेखीय संबंधों को पकड़ने के लिए विशेष रूप से उपयुक्त है।

3. प्रायोगिक सेटअप एवं डेटा

एक अत्याधुनिक एसएमटी असेंबली लाइन पर एक व्यापक प्रयोग डिजाइन किया गया था। शिफ्ट को प्रभावित करने वाले माने जाने वाले प्रमुख इनपुट फीचर्स पर डेटा एकत्र किया गया, जिनमें शामिल हैं:

• सोल्डर पेस्ट विशेषताएं: आयतन, पैड से ऑफसेट, स्लम्प गुण।
• प्लेसमेंट सेटिंग्स: प्लेसमेंट बल, गति, सटीकता।
• घटक एवं बोर्ड कारक: घटक आकार, वजन, पीसीबी समतलता।

आउटपुट वेरिएबल प्लेसमेंट के बाद परंतु रीफ्लो से पहले एक्स और वाई दिशाओं में मापा गया घटक शिफ्ट (जैसे, माइक्रोन में) था।

4. परिणाम एवं विश्लेषण

मॉडल को एकत्रित डेटासेट पर प्रशिक्षित और परीक्षण किया गया, जिसका प्रदर्शन माध्य निरपेक्ष त्रुटि (एमएई) और मूल माध्य वर्ग त्रुटि (आरएमएसई) जैसे मेट्रिक्स का उपयोग करके मूल्यांकित किया गया।

4.1. भविष्यवाणी प्रदर्शन

चार्ट विवरण (अंतर्निहित): भविष्यवाणी बनाम वास्तविक घटक शिफ्ट मानों की तुलना करने वाला एक स्कैटर प्लॉट दिखाएगा कि एसवीआर-आरबीएफ भविष्यवाणियां आदर्श y=x रेखा के साथ कसकर समूहित हैं, जबकि एसवीआर-लीनियर भविष्यवाणियां अधिक फैलाव दिखाएंगी, विशेष रूप से उच्च शिफ्ट परिमाण पर।

4.2. शिफ्ट कारकों पर प्रमुख निष्कर्ष

विश्लेषण ने इस बात की पुष्टि की कि सोल्डर पेस्ट आयतन असंतुलन और प्लेसमेंट ऑफसेट घटक शिफ्ट के प्राथमिक चालक हैं। एसवीआर-आरबीएफ मॉडल की फीचर महत्व विश्लेषण (या मॉडल के गुणांक/सपोर्ट वेक्टर) इन कारकों को मात्रात्मक रूप से रैंक करेगा।

5. तकनीकी विवरण एवं गणितीय सूत्रीकरण

मूल एसवीआर अनुकूलन समस्या का उद्देश्य एक फ़ंक्शन $f(x) = w^T \phi(x) + b$ ढूंढना है जो वास्तविक लक्ष्य $y_i$ से अधिकतम एक मान $\epsilon$ (एप्सिलॉन-ट्यूब) से विचलित होता है, साथ ही यथासंभव समतल बना रहता है। प्राथमिक अनुकूलन समस्या है:

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

इस प्रतिबंध के अधीन:
$y_i - (w^T \phi(x_i) + b) \le \epsilon + \xi_i$
$(w^T \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*$
$\xi_i, \xi_i^* \ge 0$

जहां $C$ नियमितीकरण पैरामीटर है, $\xi_i, \xi_i^*$ स्लैक वेरिएबल हैं, और $\phi(x)$ कर्नेल फ़ंक्शन है जो डेटा को उच्च-आयामी स्थान में मैप करता है। आरबीएफ कर्नेल के लिए: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. विश्लेषण ढांचा: एक गैर-कोड केस उदाहरण

एक निर्माता पर विचार करें जो एक नए, फाइन-पिच पीसीबी पर 2% उपज गिरावट का अनुभव कर रहा है। रीफ्लो के बाद का एओआई गलत संरेखण दिखाता है, लेकिन पोस्ट-पीएंडपी प्री-एओआई डेटा का विश्लेषण नहीं किया गया है। इस पेपर के ढांचे को लागू करना:

1. डेटा संग्रह: विफल बोर्डों के लिए एसपीआई डेटा (पेस्ट आयतन, प्रति पैड ऑफसेट) को प्री-एओआई डेटा (रीफ्लो से पहले घटक स्थिति) से सहसंबद्ध करें।
2. मॉडल अनुप्रयोग: एसपीआई माप के आधार पर अपेक्षित शिफ्ट की भविष्यवाणी करने के लिए एक पूर्व-प्रशिक्षित एसवीआर-आरबीएफ मॉडल (जैसे पेपर में) का उपयोग करें।
3. मूल कारण पहचान: मॉडल उन घटकों के लिए महत्वपूर्ण शिफ्ट (>50% पिच) की भविष्यवाणी करता है जहां एसपीआई ने पैड के बीच उच्च आयतन विचरण दिखाया। मूल कारण स्टेंसिल वियर का पता लगाया जाता है जिससे असमान पेस्ट जमाव होता है।
4. सुधारात्मक कार्रवाई: पेस्ट आयतन विचरण के लिए सख्त एसपीआई नियंत्रण सीमा लागू करें और निवारक स्टेंसिल रखरखाव का कार्यक्रम निर्धारित करें, जिससे रीफ्लो से पहले ही स्रोत पर शिफ्ट को संबोधित किया जा सके।

7. उद्योग विश्लेषक का परिप्रेक्ष्य

मूल अंतर्दृष्टि: यह पेपर सफलतापूर्वक घटक शिफ्ट को रीफ्लो द्वारा अवशोषित एक "शोर" कारक से एक पूर्वानुमान योग्य और नियंत्रणीय प्रक्रिया चर के रूप में पुनः परिभाषित करता है। वास्तविक मूल्य केवल भविष्यवाणी सटीकता में नहीं है, बल्कि गुणवत्ता प्रतिमान को पोस्ट-रीफ्लो निरीक्षण से इन-प्रोसेस भविष्यवाणी और सुधार की ओर स्थानांतरित करने में है।

तार्किक प्रवाह: शोध तर्क सुदृढ़ है: एक महंगे सूक्ष्म-दोष (शिफ्ट) की पहचान करें, इसके चालकों (पेस्ट/प्लेसमेंट पैरामीटर) की परिकल्पना करें, एक उपयुक्त एमएल टूल (छोटे, अरेखीय डेटा के लिए एसवीआर) का उपयोग करें, और वास्तविक उत्पादन डेटा के साथ सत्यापित करें। रैखिक और आरबीएफ कर्नेल के बीच तुलना एक महत्वपूर्ण कदम है जो समस्या की जटिलता को सिद्ध करती है।

शक्तियां एवं कमियां:
शक्तियां: एक वास्तविक, उच्च-मूल्य की औद्योगिक समस्या पर एमएल का व्यावहारिक उपयोग। व्याख्यात्मकता और सीमित डेटा के साथ दक्षता के लिए अधिक जटिल डीप लर्निंग पर एसवीआर का चुनन प्रशंसनीय है—एक सिद्धांत जो मौलिक एमएल साहित्य में प्रतिध्वनित होता है जो कार्य के लिए सही उपकरण की वकालत करता है [हैस्टी एट अल., 2009]।
कमियां: पेपर की अकिलीज़ एड़ी संभवतः डेटा दायरा है। यह "कई अन्य अप्रत्यक्ष संभावित कारकों" (कंपन, कन्वेयर अस्थिरता) का उल्लेख करता है लेकिन मॉडल संभवतः केवल एक उपसमुच्चय का उपयोग करता है। वास्तविक प्लांट-फ्लोर तैनाती के लिए कन्वेयर और प्लेसमेंट हेड पर आईओटी सेंसर से डेटा को एकीकृत करने की आवश्यकता है, जो इंडस्ट्री 4.0 ढांचे द्वारा परिकल्पित लाइन के डिजिटल ट्विन की ओर बढ़ रहा है।