Model Ramalan Berasaskan Data untuk Anjakan Komponen dalam Proses Reflow SMT

1. Pengenalan

Teknologi Permukaan Terpasang (SMT) ialah kaedah utama dalam pemasangan elektronik di mana komponen diletakkan terus ke atas papan litar bercetak (PCB). Fasa kritikal ialah proses pateri reflow, di mana pateri cair mempamerkan tingkah laku dinamik bendalir, menyebabkan komponen bergerak—fenomena yang dikenali sebagai "penjajaran sendiri." Walaupun ini boleh membetulkan ralat penempatan kecil, penjajaran sendiri yang tidak tepat membawa kepada kecacatan seperti "tombstoning" dan "bridging." Kajian ini menangani jurang dalam ramalan praktikal, berasaskan data untuk pergerakan ini dengan membangunkan model pembelajaran mesin untuk meramal anjakan komponen dalam arah x, y, dan putaran ($\theta$) dengan ketepatan tinggi, bertujuan untuk mengoptimumkan parameter mesin "pick-and-place".

2. Metodologi & Persediaan Eksperimen

Penyelidikan mengikuti pendekatan dua langkah: pertama, menganalisis data eksperimen untuk memahami hubungan antara penjajaran sendiri dan faktor seperti geometri komponen/pad; kedua, menggunakan model ML maju untuk ramalan.

2.1 Pengumpulan Data & Kejuruteraan Ciri

Data eksperimen dikumpulkan melibatkan pelbagai komponen pasif SMT (contohnya, perintang, kapasitor). Ciri utama termasuk:

• Geometri Komponen: Panjang, lebar, tinggi.
• Geometri Pad: Panjang pad, lebar pad, jarak.
• Parameter Proses: Isipadu pateri, reka bentuk apertur stensil, ofset penempatan awal.
• Pembolehubah Sasaran: Anjakan akhir dalam X ($\Delta x$), Y ($\Delta y$), dan putaran ($\Delta \theta$).

2.2 Model Pembelajaran Mesin

Tiga model regresi dilaksanakan dan dibandingkan:

• Regresi Vektor Sokongan (SVR): Berkesan dalam ruang berdimensi tinggi, menggunakan kernel fungsi asas jejarian (RBF).
• Rangkaian Neural (NN): Perceptron berbilang lapisan (MLP) dengan lapisan tersembunyi untuk menangkap hubungan tak linear.
• Regresi Hutan Rawak (RFR): Ensembel pokok keputusan, teguh terhadap "overfitting" dan mampu mengisih kepentingan ciri.

3. Keputusan & Analisis

3.1 Perbandingan Prestasi Model

Regresi Hutan Rawak (RFR) mengatasi kedua-dua SVR dan Rangkaian Neural dalam ketiga-tiga tugas ramalan (X, Y, putaran). Ia mencapai purata pekali penentuan (R²) 99% untuk anjakan kedudukan dan 96% untuk anjakan putaran, dengan ralat mutlak purata yang sangat rendah (contohnya, ~13 µm). Ini menunjukkan keupayaan unggul RFR untuk mengendalikan hubungan kompleks, tak linear, dan berpotensi interaktif dalam data proses reflow SMT.

3.2 Faktor Ramalan Utama

Analisis kepentingan ciri model RFR mendedahkan:

• Ofset Penempatan Awal: Faktor tunggal paling signifikan untuk meramal anjakan akhir.
• Geometri & Jarak Pad: Kritikal dalam menentukan daya pemulihan dan kedudukan keseimbangan.
• Isipadu Pateri: Secara langsung mempengaruhi magnitud daya tegangan permukaan.
• Geometri Komponen: Mempengaruhi momen inersia komponen dan tindak balas kepada daya pateri.

4. Kerangka Teknikal & Analisis

Perspektif penganalisis industri mengenai nilai strategik dan batasan kajian.

4.1 Teras Wawasan

Kertas kerja ini bukan sekadar meramal anjakan peringkat mikron; ia adalah pivot strategik daripada simulasi berasaskan fizik kepada empirisisme berasaskan data dalam pembuatan ketepatan. Penulis mengenal pasti dengan betul bahawa model teori pembentukan sendi pateri, walaupun elegan, sering gagal dalam realiti pengeluaran "high-mix" yang kacau. Dengan memperlakukan ketuhar reflow sebagai "kotak hitam" dan menggunakan RFR untuk memetakan input (fail reka bentuk, data penempatan) kepada output (kedudukan akhir), mereka menawarkan penyelesaian pragmatik yang memintas keperluan untuk menyelesaikan persamaan pelbagai-fizik yang kompleks secara masa nyata. Ini serupa dengan falsafah di sebalik aplikasi AI yang berjaya dalam bidang lain, seperti menggunakan CNN untuk pengecaman imej berbanding mengekod pengesan ciri eksplisit.

4.2 Aliran Logik

Logik penyelidikan adalah kukuh dan relevan dengan pengeluaran: 1) Mengakui Masalah: Penjajaran sendiri adalah pedang bermata dua. 2) Mengenal Pasti Jurang: Kekurangan alat ramalan praktikal. 3) Memanfaatkan Data Sedia Ada: Gunakan keputusan eksperimen sebagai bahan latihan. 4) Gunakan Alat Moden: Uji pelbagai paradigma ML. 5) Sahkan dan Kenal Pasti Juara: RFR menang. 6) Cadangkan Aplikasi: Suap ramalan kembali ke mesin penempatan. Ini mencerminkan kerangka kerja CRISP-DM (Proses Piawai Rentas Industri untuk Perlombongan Data), menjadikannya cetak biru yang boleh direplikasi untuk cabaran pengoptimuman proses lain dalam pemasangan elektronik.

4.3 Kekuatan & Kelemahan

Kekuatan: Pemilihan RFR adalah cemerlang—ia boleh ditafsir (melalui kepentingan ciri), mengendalikan ketaklinearan dengan baik, dan kurang terdedah kepada "overfitting" pada data terhad berbanding pembelajaran mendalam. Ketepatan yang dilaporkan (~13µm ralat) adalah mengagumkan dan berpotensi boleh ditindak untuk banyak barisan SMT. Memberi tumpuan kepada komponen pasif dahulu adalah titik permulaan yang bijak dan boleh diurus.

Kelemahan & Titik Buta: Isu yang jelas ialah skop data dan kebolehgeneralisasian. Model dilatih pada set komponen, pateri, dan kemasan papan tertentu. Bagaimana prestasinya dengan jenis komponen baharu yang tidak dilihat sebelum ini (contohnya, QFP besar, BGA) atau aloi pateri bebas plumbum dengan sifat pembasahan berbeza? Kajian ini membayangkan tetapi tidak menangani sepenuhnya cabaran pembelajaran berterusan dan penyesuaian model dalam persekitaran kilang yang dinamik. Tambahan pula, walaupun metrik ralat rendah secara purata, kita perlu melihat taburan ralat—beberapa nilai terpencil yang buruk masih boleh menyebabkan kehilangan hasil.

4.4 Wawasan Boleh Tindak

Untuk jurutera proses SMT dan pengeluar peralatan:

1. Pilot Segera: Replikasi kajian ini pada barisan pengeluaran anda sendiri untuk produk berisipadu tinggi. Mula kumpul data berstruktur tentang ofset penempatan dan ukuran pasca-reflow (menggunakan SPI dan AOI). Bina model RFR proprietari anda.
2. Tumpu pada Integrasi: Nilai sebenar ialah kawalan gelung tertutup. Bekerjasama dengan vendor mesin penempatan (seperti Fuji, ASM SIPLACE) untuk membangunkan API yang menyuap pembetulan ramalan model ($-\Delta x, -\Delta y, -\Delta \theta$) kembali ke koordinat penempatan untuk papan seterusnya.
3. Kembangkan Set Ciri: Gabungkan pembolehubah proses masa nyata yang terlepas dalam kertas kerja: suhu zon ketuhar reflow, kelajuan penghantar, kepekatan nitrogen, dan kelembapan persekitaran. Ini mencipta sistem yang benar-benar adaptif.
4. Penanda Aras Terhadap Fizik: Jangan tinggalkan simulasi. Gunakan pendekatan hibrid: biarkan model ML membuat ramalan pantas, dalam talian, tetapi gunakan simulasi berasaskan fizik (contohnya, menggunakan alat seperti ANSYS) luar talian untuk mengesah dan memahami kes tepi, mencipta kitaran penambahbaikan yang baik.

5. Analisis Asal & Perspektif Industri

Kajian ini mewakili aplikasi pembelajaran mesin yang signifikan dan tepat pada masanya kepada cabaran pembuatan yang lama wujud. Peralihan daripada model dinamik bendalir teori kepada ramalan berasaskan data mencerminkan trend lebih luas dalam Industri 4.0, di mana data empirikal selalunya mengatasi model prinsip pertama dalam persekitaran kompleks dan bising. Kejayaan penulis dengan Hutan Rawak tidak mengejutkan; sifat ensembelnya menjadikannya teguh terhadap "overfitting" pada set data terhad—isu biasa dalam pembuatan di mana mengumpul berjuta-juta sampel berlabel adalah tidak praktikal. Ini selaras dengan penemuan dalam domain lain, seperti menggunakan model berasaskan pokok untuk penyelenggaraan ramalan pada peralatan semikonduktor, di mana ia selalunya mengatasi rangkaian neural yang lebih kompleks pada data berjadual berstruktur.

Walau bagaimanapun, skop kajian adalah batasan utamanya. Model ditunjukkan pada komponen pasif, di mana daya penjajaran sendiri agak terkawal. Ujian sebenar akan menjadi komponen aktif seperti "quad flat packs" (QFP) atau "ball grid arrays" (BGA), di mana pembentukan sendi pateri lebih kompleks dan melibatkan bilangan sendi saling bergantung yang lebih besar. Tambahan pula, model kelihatan statik. Dalam barisan SMT sebenar, formulasi pateri berubah, stensil haus, dan profil ketuhar hanyut. Sistem yang benar-benar teguh memerlukan komponen pembelajaran dalam talian, serupa dengan sistem kawalan adaptif yang digunakan dalam robotik, untuk sentiasa mengemas kini model. Penyelidikan dari institusi seperti Fraunhofer Institute for Manufacturing Engineering and Automation IPA mengenai sistem pengeluaran pengoptimuman sendiri menekankan keperluan untuk kebolehsesuaian ini.

Impak potensi adalah besar. Dengan meramal anjakan dengan tepat, teknologi ini boleh membolehkan "penempatan ramalan," di mana komponen sengaja diletakkan salah dengan ofset yang dikira algoritma supaya ia menjajar sendiri ke kedudukan sempurna. Ini boleh melonggarkan keperluan ketepatan (dan kos) mesin penempatan ultra-tepat, mengurangkan keperluan untuk kerja semula pasca-reflow, dan meningkatkan hasil, terutamanya untuk komponen dikecilkan seperti pakej 0201 atau 01005. Ia merapatkan jurang antara reka bentuk digital (data CAD) dan hasil fizikal, menyumbang kepada visi "digital twin" untuk proses pemasangan SMT.

6. Butiran Teknikal & Formulasi Matematik

Tugas ramalan teras ialah masalah regresi multivariat. Untuk komponen $i$ tertentu, model mempelajari fungsi pemetaan $f$ daripada vektor ciri $\mathbf{X_i}$ kepada vektor sasaran $\mathbf{Y_i}$: $$\mathbf{Y_i} = f(\mathbf{X_i}) + \epsilon_i$$ di mana $\mathbf{Y_i} = [\Delta x_i, \Delta y_i, \Delta \theta_i]^T$ dan $\mathbf{X_i}$ termasuk ciri seperti dimensi komponen $(L_c, W_c)$, dimensi pad $(L_p, W_p, S)$, isipadu pateri $V_s$, dan ofset awal $(x_{0,i}, y_{0,i})$.

Algoritma Hutan Rawak beroperasi dengan membina pelbagai pokok keputusan semasa latihan. Ramalan akhir ialah purata ramalan pokok individu untuk regresi. Kepentingan ciri untuk ciri $j$ tertentu selalunya dikira sebagai jumlah penurunan ketidakmurnian nod (diukur oleh Ralat Kuasa Dua Purata, MSE) yang dipuratakan ke atas semua pokok di mana ciri digunakan untuk pemisahan: $$\text{Kepentingan}(j) = \frac{1}{N_{pokok}} \sum_{T} \sum_{t \in T: \text{pisah pada } j} \Delta \text{MSE}_t$$ di mana $\Delta \text{MSE}_t$ ialah penurunan MSE pada nod $t$.

7. Keputusan Eksperimen & Penerangan Carta

Penerangan Carta (Hipotesis berdasarkan teks): Carta bar akan berkesan membandingkan tiga model pembelajaran mesin. Paksi-x akan menyenaraikan tiga tugas ramalan: "Anjakan-X," "Anjakan-Y," dan "Anjakan Putaran." Untuk setiap tugas, tiga bar berkumpulan akan mewakili prestasi SVR, Rangkaian Neural (NN), dan Hutan Rawak (RFR). Paksi-y utama (kiri) akan menunjukkan Pekali Penentuan (R²) dari 90% hingga 100%, dengan bar RFR mencapai hampir ke atas (99%, 99%, 96%). Paksi-y sekunder (kanan) boleh menunjukkan Ralat Mutlak Purata (MAE) dalam mikrometer (untuk X, Y) dan darjah (untuk putaran), dengan bar RFR menjadi yang terpendek, menunjukkan ralat terendah (13.47 µm, 12.02 µm, 1.52°). Visual ini akan menggambarkan dengan jelas ketepatan dan kepersisan unggul RFR merentas semua metrik.

Keputusan Berangka Utama: Model Hutan Rawak mencapai purata ralat ramalan 13.47 mikrometer untuk anjakan sisi, iaitu kurang daripada lebar sehelai rambut manusia (~70 µm), menunjukkan kepersisan praktikal yang luar biasa untuk pemasangan SMT.

8. Kerangka Analisis: Contoh Kes Bukan Kod

Skenario: Pembekal EMS mengalami kehilangan hasil 2% pada papan disebabkan oleh "tombstoning" perintang 0402.

Aplikasi Kerangka:

1. Pengumpulan Data: Untuk 10,000 papan seterusnya, rekod untuk setiap perintang 0402: reka bentuk pad dari fail Gerber, saiz apertur stensil, isipadu pateri dari pemeriksaan pateri (SPI), koordinat $(x_0, y_0)$ yang direkod mesin penempatan, dan koordinat pasca-reflow $(x_f, y_f, \theta_f)$ dari Pemeriksaan Optik Automatik (AOI).
2. Latihan Model: Bina model RFR menggunakan set data ini, dengan ciri (saiz pad, isipadu pateri, ofset awal) dan sasaran (anjakan akhir).
3. Penjanaan Wawasan: Kepentingan ciri model menunjukkan bahawa asimetri dalam isipadu pateri antara dua pad ialah peramal terkuat untuk anjakan putaran ($\Delta \theta$) yang membawa kepada "tombstoning", lebih daripada ralat penempatan awal.
4. Tindakan: Daripada cuba meningkatkan ketepatan penempatan (mahal), tumpuan beralih kepada meningkatkan reka bentuk stensil dan proses percetakan untuk memastikan simetri isipadu pateri. Model juga boleh menyediakan "skor risiko" untuk setiap penempatan komponen secara masa nyata, menandakan penempatan berisiko tinggi untuk pembetulan segera sebelum reflow.

9. Aplikasi Masa Depan & Arah Pembangunan

• Penempatan Adaptif Gelung Tertutup: Mengintegrasikan model ramalan terus ke dalam perisian kawalan mesin "pick-and-place" untuk melaraskan koordinat penempatan secara dinamik dalam masa nyata, mencipta barisan pemasangan pembetulan sendiri.
• Pengembangan kepada Komponen Aktif: Menggunakan kerangka kerja untuk meramal penjajaran komponen kompleks seperti BGA, QFN, dan penyambung, di mana penjajaran sendiri lebih terbatas tetapi masih kritikal.
• Integrasi Digital Twin: Menggunakan model sebagai komponen teras digital twin proses SMT, membolehkan pengoptimuman proses maya dan ujian senario "bagaimana-jika" sebelum pengeluaran fizikal.
• Model Fizik-AI Hibrid: Menggabungkan model RFR berasaskan data dengan persamaan berasaskan fizik yang dipermudahkan (contohnya, untuk daya tegangan permukaan) untuk meningkatkan ketepatan ekstrapolasi kepada jenis komponen atau bahan baharu yang tidak dilihat sebelum ini.
• Pembelajaran Sifar/Sedikit Pukulan: Membangunkan teknik untuk meramal anjakan untuk pakej komponen baharu dengan data latihan baharu yang minimum, memanfaatkan pembelajaran pindahan dari asas luas model komponen sedia ada.

10. Rujukan

1. Parviziomran, I., Cao, S., Srihari, K., & Won, D. (Tahun). Data-Driven Prediction Model of Components Shift during Reflow Process in Surface Mount Technology. Nama Jurnal, Jilid(Issu), halaman. (Sumber PDF)
2. Böhme, B., et al. (2022). Self-optimizing systems in electronics production. Fraunhofer IPA. [https://www.ipa.fraunhofer.de/]
3. Lv, C., et al. (2020). A comprehensive review of data mining in electronic manufacturing. Journal of Intelligent Manufacturing, 31(2), 239-256.
4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. (Kertas kerja seminal mengenai algoritma yang digunakan)
5. ANSI/IPC J-STD-001. (2020). Requirements for Soldered Electrical and Electronic Assemblies. IPC. (Piawaian industri untuk proses SMT)