SMT 리플로우 공정에서의 부품 이동 예측을 위한 데이터 기반 모델

2.1 데이터 수집 및 피처 엔지니어링

자동 정렬과 주요 영향 요인 간의 관계를 규명하기 위해 실험 데이터를 수집했습니다. 피처 세트는 다음과 같은 요소를 포함하도록 세심하게 설계되었습니다:

• 부품 형상: 치수(길이, 너비, 높이).
• 패드 형상: 패드 크기, 모양, 간격.
• 공정 파라미터: 솔더 페이스트 양, 배치 오프셋(초기 정렬 불량).
• 목표 변수: X($\Delta x$), Y($\Delta y$) 방향의 최종 이동 및 회전($\Delta \theta$).

이 데이터 기반 접근법은 Lv 등이 전자 산업에서의 데이터 마이닝을 검토하며 이러한 적용 연구의 부족함을 지적한 바와 같이, 전통적인 시뮬레이션 중심 방법을 넘어섭니다.

2.2 머신러닝 모델

예측을 위해 세 가지 강력한 회귀 모델이 구현 및 튜닝되었습니다:

• 서포트 벡터 회귀(SVR): 고차원 공간에서 효과적이며, 오류를 임계값 $\epsilon$ 내에 맞추려 합니다.
• 신경망(NN): 입력 피처와 부품 이동 간의 복잡한 비선형 관계를 포착하도록 설계된 다층 퍼셉트론입니다.
• 랜덤 포레스트 회귀(RFR): 여러 의사결정 트리의 예측을 집계하는 앙상블 방법으로, 정확도와 과적합 방지 능력으로 유명합니다.

3.1 예측 정확도 지표

랜덤 포레스트 회귀 모델이 모든 지표에서 우수한 성능을 보였습니다:

• 모델 적합도 (R²): 병진 이동(X, Y)의 경우 ~99%, 회전 이동의 경우 96%.
• 평균 절대 오차 (MAE): 13.47 µm (X), 12.02 µm (Y), 1.52도 (회전).

이러한 오차는 일반적인 부품 및 패드 치수(예: 0402 패키지는 ~1000x500 µm)보다 훨씬 작아, 높은 실용적 관련성을 나타냅니다.

3.2 모델 성능 비교

RFR은 SVR과 NN보다 지속적으로 더 나은 성능을 보였습니다. 이는 기본적인 ML 문헌(예: Breiman, 2001)에서 강조된 바와 같이, 복잡한 상호작용이 있는 테이블 형식 데이터에 대한 앙상블 방법의 알려진 강점과 일치합니다. NN의 상대적으로 낮은 성능은 물리적 실험에서 일반적인 상대적으로 작은 데이터셋 크기에서 비롯된 것일 수 있으며, 이러한 상황에서 RFR의 견고성이 빛을 발합니다.

4.1 핵심 통찰 및 논리적 흐름

핵심 통찰: 리플로우 중 솔더 조인트 형성의 "블랙박스"는 무질서한 과정이 아니라, 충분한 데이터로 역공학이 가능한 결정론적이고 물리 법칙에 의해 구동되는 시스템입니다. 본 연구는 전통적으로 계산 비용이 많이 드는 CFD 시뮬레이션으로 모델링되던 복잡한 유체 역학과 표면 장력이 트리 기반 앙상블 학습으로 놀라운 정확도로 포착될 수 있음을 증명합니다. 논리적 흐름은 우아할 정도로 단순합니다: 결과(이동)를 측정하고, 초기 조건(피처)을 기록한 다음, 모델이 숨겨진 함수 $f$를 학습하게 하여 $[\Delta x, \Delta y, \Delta \theta] = f(\text{형상, 페이스트, 오프셋...})$ 관계를 찾아냅니다. 이는 모든 부품-패드 조합에 대해 나비에-스토크스 방정식을 명시적으로 풀 필요를 우회합니다.

4.2 강점 및 주요 한계점

강점: 실용적이고 데이터 중심의 접근법이 가장 큰 자산입니다. RFR로 마이크론 수준의 예측 정확도를 달성하는 것은 공정 최적화에 즉각적인 가치를 제공합니다. RFR 선택은 탁월했습니다. 이는 딥러닝에 필요한 방대한 데이터셋을 요구하지 않으면서도 비선형성과 피처 상호작용을 잘 처리합니다.

주요 한계점: 본 연구의 아킬레스건은 일반화 가능성의 부재 가능성입니다. 모델은 거의 확실히 특정 부품 세트(아마도 패시브 칩), 솔더 페이스트 및 패드 마감 처리에 대해 훈련되었을 것입니다. QFN 패키지나 노클린 플럭스 대 워터 솔루블 플럭스에 대해서도 정확하게 예측할 수 있을까요? 많은 ML 모델과 마찬가지로, 매우 특정한 실험실 설정의 "디지털 트윈"이 될 위험이 있습니다. 더욱이, 예측 문제는 해결되었지만, 인과 관계는 해결되지 않았습니다. 모델은 부품이 왜 움직이는지 설명하지 않아, 근본적인 설계 혁신에 대한 사용을 제한합니다. 이는 훌륭한 상관 관계 도구이지만 인과 관계 도구는 아닙니다.

4.3 산업 현장을 위한 실행 가능한 통찰

1. 지금 바로 구현: 다품종 대량 생산 SMT 라인을 보유한 EMS 업체 및 OEM은 이 방법론을 시범 도입해야 합니다. 자체 공정에서 데이터셋 구축을 시작하십시오. 툼스토닝 및 브리징 결함만 줄여도 투자 대비 수익(ROI)을 정당화할 수 있습니다.
2. 배치 최적화: 예측 모델을 픽 앤 플레이스(Pick & Place) 장비의 소프트웨어에 통합하십시오. 장비는 명목상 패드 중심을 목표로 하는 대신, "사전 보정된" 위치 $P_{comp} = P_{nominal} - \text{예측 이동}$을 목표로 해야 하며, 이를 통해 리플로우 공정을 최종 자동 보정 단계로 효과적으로 활용할 수 있습니다.
3. 물리학-ML 간극 해소: 다음 개척지는 하이브리드 AI입니다. 단순화된 물리 기반 모델(예: 표면 장력 모멘트 계산)을 사용하여 합성 훈련 데이터를 생성하거나 피처 자체로 사용한 다음, 실제 데이터로 정제하십시오. 이는 물리 정보 신경망(PINN)이 작동하는 방식과 유사하며, 일반화 가능성 결함을 해결할 것입니다.

4.4 분석 프레임워크 예시 (코드 없음)

시나리오: 공정 엔지니어가 새로운 0201 커패시터 조립의 결함을 줄여야 합니다. 프레임워크 적용: 1. 데이터 계층: 50개의 보드에 대해 제어된 범위(예: ±50 µm) 내에서 의도적으로 배치 오프셋을 변화시킵니다. 초기 X, Y, $\theta$ 오프셋, 패드 치수, 스텐실 개구 크기를 기록합니다. 2. 측정 계층: 리플로우 후, 자동 광학 검사(AOI) 또는 정밀 현미경을 사용하여 최종 $\Delta x, \Delta y, \Delta \theta$를 측정합니다. 3. 모델링 계층: 수집된 데이터를 RFR 모델(scikit-learn과 같은 라이브러리 사용)에 입력합니다. 이동을 예측하도록 모델을 훈련시킵니다. 4. 실행 계층: 모델이 보정 맵을 출력합니다. 이를 P&P 장비에 입력하여 다음 500개 보드에 대해 사전 보정된 배치를 적용합니다. 5. 검증: 다음 배치의 결함률(툼스토닝, 이동)을 모니터링하여 개선 정도를 정량화합니다.