Model Ramalan Berasaskan Data untuk Anjakan Komponen dalam Proses Reflow SMT

2.1 Pengumpulan Data & Kejuruteraan Ciri

Data eksperimen dikumpulkan untuk mewujudkan hubungan antara penjajaran sendiri dan faktor pengaruh utama. Set ciri direka dengan teliti untuk merangkumi:

• Geometri Komponen: Dimensi (panjang, lebar, tinggi).
• Geometri Pad: Saiz pad, bentuk, dan jarak.
• Parameter Proses: Isipadu pes pateri, anjakan penempatan (ketidakjajaran awal).
• Pembolehubah Sasaran: Anjakan akhir dalam X ($\Delta x$), Y ($\Delta y$), dan putaran ($\Delta \theta$).

Pendekatan berasaskan data ini melangkaui kaedah tradisional yang berat dengan simulasi, seperti yang dinyatakan dalam ulasan perlombongan data dalam elektronik oleh Lv et al., yang menekankan kekurangan kajian gunaan sedemikian.

2.2 Model Pembelajaran Mesin

Tiga model regresi teguh telah dilaksanakan dan ditala untuk ramalan:

• Regresi Vektor Sokongan (SVR): Berkesan dalam ruang berdimensi tinggi, berusaha untuk memuatkan ralat dalam ambang $\epsilon$.
• Rangkaian Neural (NN): Persepsi berbilang lapisan yang direka untuk menangkap hubungan kompleks dan bukan linear antara ciri input dan pergerakan komponen.
• Regresi Hutan Rawak (RFR): Kaedah ensembel yang menggabungkan ramalan daripada pelbagai pokok keputusan, terkenal dengan ketepatannya dan ketahanan terhadap 'overfitting'.

3.1 Metrik Ketepatan Ramalan

Model Regresi Hutan Rawak menunjukkan prestasi unggul merentas semua metrik:

• Kesesuaian Model (R²): ~99% untuk anjakan translasi (X, Y), 96% untuk anjakan putaran.
• Ralat Mutlak Purata (MAE): 13.47 µm (X), 12.02 µm (Y), 1.52 darjah (Putaran).

Ralat ini jauh lebih kecil daripada dimensi komponen dan pad yang biasa (contohnya, pakej 0402 adalah ~1000x500 µm), menunjukkan relevansi praktikal yang tinggi.

3.2 Perbandingan Prestasi Model

RFR secara konsisten mengatasi SVR dan NN. Ini selari dengan kekuatan kaedah ensembel yang diketahui untuk data jadual dengan interaksi kompleks, seperti yang ditekankan dalam literatur ML asas (contohnya, Breiman, 2001). Prestasi NN yang lebih rendah mungkin berpunca daripada saiz set data yang agak kecil yang biasa dalam eksperimen fizikal, di mana keteguhan RFR bersinar.

4.1 Teras Pengetahuan & Aliran Logik

Teras Pengetahuan: "Kotak hitam" pembentukan sambungan pateri semasa reflow bukanlah proses huru-hara tetapi sistem deterministik yang didorong oleh fizik yang boleh direka balik dengan data yang mencukupi. Kajian ini membuktikan bahawa dinamik bendalir kompleks dan daya ketegangan permukaan, yang secara tradisinya dimodelkan dengan simulasi CFD yang mahal secara pengiraan, boleh ditangkap dengan kesetiaan yang luar biasa oleh pembelajaran ensembel berasaskan pokok. Aliran logiknya elegan dan mudah: ukur hasil (anjakan), rekod keadaan awal (ciri), dan biarkan model mempelajari fungsi tersembunyi $f$ supaya $[\Delta x, \Delta y, \Delta \theta] = f(\text{geometri, pes, anjakan...})$. Ini memintas keperluan untuk menyelesaikan persamaan Navier-Stokes secara eksplisit untuk setiap gabungan komponen-pad.

4.2 Kekuatan & Kelemahan Kritikal

Kekuatan: Pendekatan pragmatik, data-dahulu adalah aset terbesarnya. Mencapai ketepatan ramalan peringkat mikron dengan RFR memberikan nilai segera untuk pengoptimuman proses. Pemilihan RFR adalah bijak, kerana ia mengendalikan ketidaklinearan dan interaksi ciri dengan baik tanpa memerlukan set data besar yang diperlukan untuk pembelajaran mendalam.

Kelemahan Kritikal: Tumit Achilles kajian ini adalah potensi kekurangan kebolehgeneralisasiannya. Model ini hampir pasti dilatih pada set komponen tertentu (mungkin cip pasif), pes pateri, dan kemasan pad tertentu. Adakah ia akan meramal dengan tepat untuk pakej QFN atau dengan fluks tanpa pembersihan berbanding larut air? Seperti banyak model ML, ia berisiko menjadi "anak digital" bagi persediaan makmal yang sangat spesifik. Tambahan pula, walaupun ramalan diselesaikan, kausaliti tidak. Model ini tidak menjelaskan mengapa komponen bergerak, mengehadkan penggunaannya untuk inovasi reka bentuk asas. Ia adalah alat korelasi yang sangat baik tetapi bukan alat kausatif.

4.3 Pandangan Tindakan untuk Industri

1. Laksanakan Sekarang: Pembekal EMS dan OEM dengan talian SMT berisiko tinggi dan volum tinggi harus mempelopori metodologi ini. Mulakan dengan membina set data daripada proses anda sendiri—ROI daripada mengurangkan kecacatan 'tombstoning' dan 'bridging' sahaja sudah mewajarkan usaha tersebut.
2. Optimumkan Penempatan: Integrasikan model ramalan ke dalam perisian mesin Pick & Place. Daripada mensasarkan pusat pad nominal, mesin harus mensasarkan lokasi "prapampasan" $P_{comp} = P_{nominal} - \text{anjakan yang diramal}$, secara efektif menggunakan proses reflow sebagai peringkat penentukuran automatik akhir.
3. Rapatkan Jurang Fizik-ML: Sempadan seterusnya ialah AI Hibrid. Gunakan model berasaskan fizik yang dipermudahkan (contohnya, mengira momen ketegangan permukaan) untuk menjana data latihan sintetik atau sebagai ciri itu sendiri, kemudian diperhalusi dengan data dunia sebenar. Ini, serupa dengan cara rangkaian neural berinformasi fizik (PINNs) beroperasi, akan menangani kelemahan kebolehgeneralisasian.

4.4 Contoh Rangka Kerja Analisis (Tanpa Kod)

Senario: Seorang jurutera proses perlu mengurangkan kecacatan untuk pemasangan kapasitor 0201 baharu. Aplikasi Rangka Kerja: 1. Lapisan Data: Untuk 50 papan, sengaja ubah anjakan penempatan dalam julat terkawal (contohnya, ±50 µm). Rekodkan anjakan awal X, Y, $\theta$, dimensi pad, dan saiz apertur stensil. 2. Lapisan Pengukuran: Selepas reflow, gunakan Pemeriksaan Optik Automatik (AOI) atau mikroskopi ketepatan untuk mengukur $\Delta x, \Delta y, \Delta \theta$ akhir. 3. Lapisan Pemodelan: Masukkan data yang dikumpulkan ke dalam model RFR (menggunakan pustaka seperti scikit-learn). Latih model untuk meramal anjakan. 4. Lapisan Tindakan: Model mengeluarkan peta pampasan. Masukkan ini ke dalam mesin P&P untuk menggunakan penempatan prapampasan untuk 500 papan seterusnya. 5. Pengesahan: Pantau kadar kecacatan ('tombstoning', anjakan) daripada kelompok seterusnya untuk mengukur peningkatan.