Ramalan Berasaskan SVR bagi Anjakan Komponen dalam Proses Pilih-dan-Letak SMT

1. Pengenalan

Kajian ini menangani isu kualiti kritikal namun sering diabaikan dalam pemasangan Teknologi Permukaan Terapang (SMT): anjakan komponen semasa proses Pilih-dan-Letak (P&P). Apabila komponen diletakkan ke atas pes pateri basah, dinamik bendalir dan ciri-ciri pes boleh menyebabkan ketidaksejajaran daripada kedudukan ideal. Walaupun pematerian alir semula seterusnya menawarkan sedikit penjajaran sendiri, meminimumkan anjakan awal adalah sangat penting untuk pembuatan elektronik berketumpatan tinggi dan kebolehpercayaan tinggi.

1.1. Teknologi Permukaan Terapang

SMT ialah kaedah utama untuk memasang komponen elektronik ke atas papan litar bercetak (PCB). Urutan teras melibatkan:

1. Pencetakan Stensil: Menggunakan pes pateri ke atas pad PCB.
2. Pilih dan Letak: Memasang komponen ke atas pes.
3. Pematerian Alir Semula: Mencairkan pes untuk membentuk sambungan pateri kekal.

Peringkat pemeriksaan (SPI, Pre-AOI, Post-AOI) disepadukan untuk memantau kualiti pada setiap langkah.

1.2. Anjakan Komponen dalam Proses P&P

Anjakan berlaku kerana pes pateri basah adalah bendalir likat, bukan Newton yang boleh melendut. Ketidakseimbangan dalam isipadu pes, ofset, atau kelikatan menghasilkan daya yang menggerakkan komponen. Faktor lain termasuk getaran mesin dan kelekukan PCB. Apabila saiz komponen mengecil, anjakan mikro ini menjadi masalah makro untuk hasil dan kebolehpercayaan.

2. Metodologi & Reka Bentuk Eksperimen

Eksperimen komprehensif telah dijalankan pada barisan pemasangan SMT terkini. Data dikumpulkan mengenai anjakan komponen berbanding pembolehubah input utama:

• Ciri-ciri Pes Pateri: Isipadu, ofset (ketidaktepatan penempatan), tingkah laku lendutan.
• Tetapan Penempatan: Parameter mesin yang mempengaruhi daya dan ketepatan penempatan.
• Faktor Persekitaran: Metrik getaran berpotensi dan kestabilan penghantar.

Set data ini membentuk asas untuk melatih dan mengesahkan model pembelajaran mesin ramalan.

3. Model Regresi Sokongan Vektor

Regresi Sokongan Vektor (SVR) dipilih kerana keberkesanannya dalam mengendalikan hubungan bukan linear dengan bilangan sampel yang terhad, satu senario biasa dalam eksperimen pembuatan terkawal.

3.1. Formulasi Model

Objektif teras SVR adalah untuk mencari fungsi $f(x)$ yang menyimpang daripada nilai sasaran sebenar $y_i$ tidak lebih daripada margin $\epsilon$ untuk semua data latihan, sambil menjadi setara mungkin. Masalah pengoptimuman boleh dinyatakan sebagai:

Minimumkan: $\frac{1}{2} ||w||^2 + C \sum_{i=1}^{n} (\xi_i + \xi_i^*)$

Dengan syarat: $y_i - (w \cdot \phi(x_i) + b) \le \epsilon + \xi_i$

$(w \cdot \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*$

$\xi_i, \xi_i^* \ge 0$

Di mana $w$ ialah vektor pemberat, $b$ ialah bias, $\phi(x_i)$ memetakan input ke ruang ciri berdimensi lebih tinggi, $C$ ialah parameter pensuisan biasa, dan $\xi_i, \xi_i^*$ ialah pembolehubah longgar yang membenarkan ralat di luar tiub $\epsilon$.

3.2. Fungsi Kernel: Linear vs. RBF

Dua fungsi kernel digunakan untuk memetakan data ke ruang ciri berbeza:

• Kernel Linear (SVR-Linear): $K(x_i, x_j) = x_i \cdot x_j$. Menganggap hubungan linear antara ciri dan anjakan.
• Kernel Fungsi Asas Jejarian (SVR-RBF): $K(x_i, x_j) = \exp(-\gamma ||x_i - x_j||^2)$. Menangkap interaksi kompleks, bukan linear, di mana $\gamma$ mengawal pengaruh satu contoh latihan.

4. Keputusan & Analisis

Kajian mengesahkan bahawa anjakan komponen dalam proses P&P adalah signifikan dan boleh diramal.

4.1. Prestasi Ramalan

Model SVR-RBF secara konsisten mengatasi model SVR-Linear dalam ketepatan ramalan, seperti yang diukur oleh metrik ralat yang lebih rendah (cth., Ralat Mutlak Min - MAE, Ralat Punca Min Kuasa Dua - RMSE). Ini menunjukkan bahawa hubungan antara ciri-ciri pes pateri/tetapan penempatan dan anjakan komponen adalah sememangnya bukan linear.

4.2. Faktor Utama Mempengaruhi Anjakan

Analisis model mendedahkan bahawa ketidakseimbangan isipadu pes pateri dan ofset penempatan adalah faktor paling kritikal yang mendorong anjakan komponen. Lendutan likat pes bertindak sebagai medium utama yang menghantar ketidakseimbangan ini kepada daya sisi pada komponen.

5. Inti Pati & Perspektif Penganalisis

Inti Pati: Kertas kerja ini berjaya membingkai semula variasi proses "boleh diabaikan" dalam SMT—anjakan komponen—menjadi metrik kualiti yang boleh diukur dan diramal menggunakan pembelajaran mesin. Kejayaan sebenar bukan hanya model ramalan itu sendiri, tetapi bukti konsep bahawa data daripada sistem pemeriksaan moden (SPI, AOI) boleh digabungkan untuk mencipta kembar digital bagi tingkah laku mekanikal proses pemasangan sebelum alir semula. Ini mengalihkan kawalan kualiti daripada pemeriksaan reaktif kepada ramalan proaktif.

Aliran Logik: Logik penulis adalah kukuh dan relevan dengan industri: 1) Akui masalah anjakan adalah nyata dan berkembang dengan pengecilan saiz. 2) Hipotesiskan bahawa keadaan pes pateri adalah pemacu utama. 3) Gunakan SVR, alat ML teguh untuk set data kecil-sederhana, untuk memodelkan interaksi bendalir-struktur kompleks, bukan linear. 4) Sahkan bahawa kernel bukan linear (RBF) berprestasi lebih baik, mengesahkan fizik. Ini mencerminkan amalan terbaik dalam informatika pembuatan, serupa dengan pendekatan yang digunakan dalam kawalan proses semikonduktor.

Kekuatan & Kelemahan: Kekuatan utama ialah penggunaan data barisan pengeluaran sebenar, bukan hanya simulasi. Ini memberikan kredibiliti praktikal segera kepada model. Pilihan SVR adalah sesuai untuk saiz set data yang berkemungkinan. Walau bagaimanapun, kelemahan kertas kerja ini adalah biasa dalam penyelidikan ML-untuk-pembuatan peringkat awal: ia adalah model terpencil. Ia meramal anjakan tetapi tidak secara eksplisit menutup gelung dengan mencadangkan tindakan pembetulan (cth., "laraskan isipadu pes sebanyak X%"). Tambahan pula, walaupun SVR berkuasa, membandingkannya dengan kaedah ensembel lain seperti Hutan Rawak atau Penggayaan Kecerunan, yang sering cemerlang dengan data jadual, akan menguatkan tuntutan. Kerja penyelidik di Makmal untuk Produktiviti dan Pembuatan MIT sering menekankan aspek kecerdasan boleh tindak, gelung tertutup ini.

Wawasan Boleh Tindak: Untuk jurutera SMT dan pengurus kualiti, penyelidikan ini menyediakan pelan tindakan yang jelas: 1) Alatkan Barisan Anda: Pastikan data SPI dan Pre-AOI direkod dan dikaitkan mengikut ID papan/komponen. 2) Mulakan dengan SVR-RBF: Gunakannya sebagai model asas untuk meramal kecacatan penempatan. 3) Langkah Melangkaui Ramalan kepada Preskripsi: Langkah seterusnya ialah menyepadukan peramal ini dengan kawalan mesin pencetak stensil dan pilih-dan-letak untuk mencipta sistem pampasan masa nyata. Bayangkan sistem yang, selepas mengukur isipadu pes dengan SPI, melaraskan koordinat penempatan untuk komponen khusus itu untuk mengatasi anjakan yang diramal—pembuatan adaptif sebenar. Ini selari dengan visi Industri 4.0 dan Kerangka CPS NIST untuk pembuatan pintar.

6. Butiran Teknikal & Kerangka Matematik

Keberkesanan model SVR bergantung pada formulasi matematiknya untuk regresi. Fungsi kerugian $\epsilon$-tidak sensitif adalah kunci: ia tidak mengenakan penalti untuk ralat lebih kecil daripada $\epsilon$, menumpukan kerumitan model untuk menangkap trend besar dan pencilan. Helah kernel, melalui kernel RBF $K(x_i, x_j) = \exp(-\gamma ||x_i - x_j||^2)$, secara tersirat memetakan ciri input (isipadu pes, ofset, dll.) ke dalam ruang berdimensi sangat tinggi di mana hiperplan regresi linear boleh memisahkan data dengan berkesan, sepadan dengan fungsi bukan linear kompleks dalam ruang asal. Parameter $C$ mengawal pertukaran antara mencapai fungsi rata ($f(x)$) dan jumlah penyimpangan lebih besar daripada $\epsilon$ yang ditoleransi.

7. Keputusan Eksperimen & Penerangan Carta

Penerangan Carta (Berdasarkan Teks): Walaupun teks yang diberikan tidak termasuk angka khusus, keputusan membayangkan kewujudan carta utama yang biasanya mengiringi kajian sedemikian:

• Raj. 1: Aliran Proses SMT: Gambar rajah yang menggambarkan langkah berurutan Pencetakan Stensil, SPI, Pilih-dan-Letak, Pre-AOI, Alir Semula, dan Post-AOI, menyerlahkan di mana anjakan komponen berlaku dan di mana data dikumpulkan.
• Raj. 2: Plot Serakan Anjakan Sebenar vs. Diramal: Plot serakan yang membandingkan anjakan komponen yang diukur (paksi-x) dengan anjakan yang diramal oleh model SVR-RBF dan SVR-Linear (paksi-y). Garis padanan ideal (y=x) akan ditunjukkan. Titik data SVR-RBF akan berkelompok lebih rapat di sekitar garis ini berbanding titik SVR-Linear, secara visual menunjukkan ketepatannya yang lebih unggul.
• Raj. 3: Histogram Taburan Ralat: Histogram yang menunjukkan kekerapan ralat ramalan (Sej - Diramal) untuk kedua-dua model. Histogram SVR-RBF akan lebih sempit dan lebih berpusat di sekitar sifar, menunjukkan ralat besar yang lebih kecil dan kurang kerap.
• Raj. 4: Carta Kepentingan Ciri: Carta bar yang mengarang ciri input (cth., delta isipadu pes, ofset-X, ofset-Y, ketinggian pes) mengikut kepentingan relatif atau magnitud pekalinya dalam model SVR-RBF akhir, mengenal pasti pemacu utama anjakan komponen.

8. Kerangka Analisis: Contoh Kes Bukan Kod

Skenario: Sebuah pengilang mengalami kegagalan berselang-seli pada pemasangan PCB untuk peranti perubatan semasa Post-AOI. Kegagalan berkaitan dengan kapasitor metrik 0201 yang tidak sejajar.

Aplikasi Kerangka Penyelidikan:

1. Perkaitan Data: Pasukan kualiti menggunakan kerangka kerja untuk mengaitkan data. Mereka menghubungkan nombor siri papan gagal khusus dari Post-AOI kembali ke imej Pre-AOI mereka (menunjukkan penempatan akhir sebelum alir semula) dan seterusnya kembali ke data SPI untuk pad kapasitor khusus tersebut.
2. Pengekstrakan Ciri: Untuk setiap kapasitor gagal, mereka mengekstrak ciri: Isipadu Pes (perbezaan pad kiri vs. kanan), Ofset Penempatan dari SPI, dan saiz komponen.
3. Ramalan Model: Mereka memasukkan ciri ini ke dalam model SVR-RBF yang telah dilatih (seperti dalam kertas kerja). Model mengeluarkan magnitud dan arah anjakan yang diramal.
4. Analisis Punca Akar: Model secara konsisten meramal anjakan besar untuk kapasitor di mana SPI menunjukkan ketidakseimbangan isipadu >15% antara pad. Ini mengarahkan siasatan bukan pada mesin pilih-dan-letak, tetapi pada proses pencetakan stensil—mungkin apertur tersumbat atau tekanan pengikis tidak sekata.
5. Tindakan: Pasukan menumpukan penyelenggaraan pada pencetak stensil untuk tapak kaki komponen khusus itu, menyelesaikan punca akar, dan bukannya mengkalibrasi semula mesin P&P tanpa perlu.

Contoh ini menunjukkan bagaimana model ramalan mengalihkan penyelesaian masalah daripada tekaan kepada proses berasaskan data yang disasarkan.

9. Aplikasi Masa Depan & Hala Tuju Pembangunan

Penyelidikan ini membuka beberapa laluan yang menjanjikan:

• Penempatan Adaptif Masa Nyata: Menyepadukan model ramalan secara langsung ke dalam sistem kawalan mesin P&P. Menggunakan data SPI masa nyata, mesin boleh mengira koordinat penempatan terpampas untuk menafikan anjakan yang diramal, mencapai penempatan "sempurna" pada percubaan pertama.
• Pengoptimuman Tetingkap Proses: Menggunakan model bukan hanya untuk ramalan, tetapi untuk simulasi. Jurutera boleh menguji secara maya bagaimana perubahan pada spesifikasi pes (kelikatan, lendutan), reka bentuk stensil, atau daya penempatan mempengaruhi anjakan, mengoptimumkan proses sebelum percubaan fizikal.
• Pengembangan kepada Kecacatan Lain: Rangka kerja gabungan data dan ML yang sama (SVR atau algoritma lain) boleh digunakan untuk meramal kecacatan lain seperti batu nisan, jambatan pateri, atau pateri tidak mencukupi, mencipta "Enjin Ramalan Kualiti" komprehensif untuk barisan SMT.
• Penyepaduan dengan Benang Digital: Menanamkan model ini ke dalam benang digital seluruh kilang atau sistem pelaksanaan pembuatan (MES) untuk menyediakan kebolehkesanan dan wawasan ramalan merentasi keseluruhan kitaran hayat produk, menyumbang kepada ramalan kebolehpercayaan.
• Model ML Lanjutan: Meneroka model lebih kompleks seperti Rangkaian Neural Dalam atau Rangkaian Neural Berinformasi Fizik (PINNs) yang boleh menggabungkan persamaan asas dinamik bendalir secara langsung ke dalam proses pembelajaran, berpotensi meningkatkan ketepatan dengan data yang kurang.

10. Rujukan

1. [Rujukan Rajah] Skema proses SMT utama.
2. Lau, J., & Erasmus, S. (2010). Applied Surface Mount Assembly. Springer Science & Business Media. (Untuk asas SMT).
3. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14(3), 199-222. (Untuk teori SVR).
4. National Institute of Standards and Technology (NIST). (2023). Cybermanufacturing Systems. Diambil dari https://www.nist.gov/programs-projects/cybermanufacturing-systems. (Untuk konteks pembuatan pintar).
5. Monostori, L., et al. (2016). Cyber-physical systems in manufacturing. CIRP Annals, 65(2), 621-641. (Untuk penyepaduan Industri 4.0).
6. Koh Young Technology. (2023). SPI & AOI Technology White Papers. (Untuk inspirasi sumber data).
7. MIT Laboratory for Manufacturing and Productivity. (2022). Research in AI for Manufacturing. (Untuk konteks terkini).