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

1. Pengenalan

Penyelidikan ini membincangkan isu kualiti kritikal namun sering diabaikan dalam pemasangan Teknologi Permukaan Terpasang (SMT): anjakan komponen semasa proses Pilih-dan-Letak (P&P). Apabila komponen diletakkan ke atas pateri basah, dinamik bendalir dan ciri pateri boleh menyebabkannya beralih dari kedudukan yang dituju. Walaupun penyolderan refluks seterusnya menawarkan sedikit penjajaran sendiri, meminimumkan anjakan awal adalah sangat penting untuk pembuatan elektronik berketumpatan tinggi dan kebolehpercayaan tinggi.

1.1. Teknologi Permukaan Terpasang

SMT adalah kaedah utama untuk memasang komponen elektronik ke atas papan litar bercetak (PCB). Talian SMT teras terdiri daripada tiga proses utama: Percetakan Stensil (SPP), Pilih-dan-Letak (P&P), dan Refluks Pateri. Titik pemeriksaan kualiti, seperti Pemeriksaan Pateri Solder (SPI) dan Pemeriksaan Optik Automatik (AOI), disepadukan untuk memantau hasil proses.

1.2. Anjakan Komponen dalam Proses P&P

Anjakan berlaku selepas penempatan disebabkan oleh sifat viskoelastik pateri solder (slumping, ketidakseimbangan) dan faktor luaran seperti getaran mesin. Apabila saiz komponen mengecil dan jarak pad menurun, anjakan mikro ini menjadi penyumbang utama kepada kecacatan seperti jambatan atau litar terbuka, mencabar andaian bahawa refluks akan membetulkannya sepenuhnya.

2. Metodologi & Model SVR

Kajian ini menggunakan pendekatan berasaskan data, menggunakan pembelajaran mesin untuk memodelkan hubungan kompleks dan bukan linear antara parameter proses dan anjakan komponen.

2.1. Regresi Vektor Sokongan (SVR)

SVR dipilih kerana keberkesanannya dalam menangani masalah regresi bukan linear berdimensi tinggi dengan bilangan sampel yang terhad, satu senario biasa dalam data eksperimen industri.

2.2. Fungsi Kernel: Linear vs. RBF

Dua fungsi kernel dinilai: kernel Linear (SVR-Linear) dan kernel Fungsi Asas Jejarian (SVR-RBF). Kernel RBF amat sesuai untuk menangkap hubungan kompleks dan bukan linear dalam data.

3. Persediaan Eksperimen & Data

Eksperimen komprehensif direka bentuk pada talian pemasangan SMT canggih. Data dikumpulkan mengenai ciri input utama yang dipercayai mempengaruhi anjakan, termasuk:

• Ciri Pateri Solder: Isipadu, ofset dari pad, sifat slumping.
• Penetapan Penempatan: Daya penempatan, kelajuan, ketepatan.
• Faktor Komponen & Papan: Saiz komponen, berat, kerataan PCB.

Pembolehubah output adalah anjakan komponen yang diukur (contohnya, dalam mikron) dalam arah X dan Y selepas penempatan tetapi sebelum refluks.

4. Keputusan & Analisis

Model-model dilatih dan diuji pada set data yang dikumpulkan, dengan prestasi dinilai menggunakan metrik seperti Ralat Mutlak Min (MAE) dan Ralat Punca Min Kuasa Dua (RMSE).

4.1. Prestasi Ramalan

Penerangan Carta (Tersirat): Plot serakan yang membandingkan nilai anjakan komponen yang diramal vs. sebenar akan menunjukkan ramalan SVR-RBF berkelompok rapat di sepanjang garis ideal y=x, manakala ramalan SVR-Linear akan menunjukkan lebih banyak penyebaran, terutamanya pada magnitud anjakan yang lebih tinggi.

4.2. Penemuan Utama mengenai Faktor Anjakan

Analisis mengesahkan bahawa ketidakseimbangan isipadu pateri solder dan ofset penempatan adalah pemacu utama anjakan komponen. Analisis kepentingan ciri model SVR-RBF (atau pekali/vektor sokongan model) akan mengkedudkan faktor-faktor ini secara kuantitatif.

5. Butiran Teknikal & Formulasi Matematik

Masalah pengoptimuman SVR teras bertujuan untuk mencari fungsi $f(x) = w^T \phi(x) + b$ yang menyimpang dari sasaran sebenar $y_i$ paling banyak nilai $\epsilon$ (tiub epsilon), sambil kekal selurus mungkin. Masalah pengoptimuman primal adalah:

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

tertakluk kepada:
$y_i - (w^T \phi(x_i) + b) \le \epsilon + \xi_i$
$(w^T \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*$
$\xi_i, \xi_i^* \ge 0$

Di mana $C$ adalah parameter pemiawaian, $\xi_i, \xi_i^*$ adalah pembolehubah slack, dan $\phi(x)$ adalah fungsi kernel yang memetakan data ke ruang berdimensi lebih tinggi. Untuk kernel RBF: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. Kerangka Analisis: Contoh Kes Bukan Kod

Pertimbangkan pengeluar yang mengalami penurunan hasil 2% pada PCB jarak halus baharu. AOI selepas refluks menunjukkan ketidaksejajaran, tetapi data Pre-AOI selepas P&P tidak dianalisis. Menggunakan kerangka kerja kertas ini:

1. Pengumpulan Data: Hubungkan data SPI (isipadu pateri, ofset per pad) dengan data Pre-AOI (kedudukan komponen sebelum refluks) untuk papan yang gagal.
2. Aplikasi Model: Gunakan model SVR-RBF yang telah dilatih (seperti dalam kertas) untuk meramal anjakan yang dijangkakan berdasarkan ukuran SPI.
3. Pengenalpastian Punca Akar: Model meramal anjakan ketara (>50% jarak) untuk komponen di mana SPI menunjukkan varians isipadu tinggi antara pad. Punca akar dikesan kepada kehausan stensil yang menyebabkan pemendapan pateri tidak sekata.
4. Tindakan Pembetulan: Melaksanakan had kawalan SPI yang lebih ketat untuk varians isipadu pateri dan menjadualkan penyelenggaraan pencegahan stensil, dengan itu menangani anjakan pada sumbernya sebelum refluks.

7. Perspektif Penganalisis Industri

Inti Pati: Kertas ini berjaya membingkai semula anjakan komponen dari faktor "bunyi" yang diserap oleh refluks kepada pembolehubah proses yang boleh diramal dan boleh dikawal. Nilai sebenar bukan hanya pada ketepatan ramalan, tetapi dalam mengalihkan paradigma kualiti ke hulu dari pemeriksaan pasca-refluks kepada ramalan dan pembetulan dalam proses.

Aliran Logik: Logik penyelidikan adalah kukuh: kenal pasti kecacatan mikro yang mahal (anjakan), buat hipotesis pemandunya (parameter pateri/penempatan), gunakan alat ML yang sesuai (SVR untuk data kecil, bukan linear), dan sahkan dengan data pengeluaran sebenar. Perbandingan antara kernel linear dan RBF adalah langkah kritikal yang membuktikan kerumitan masalah.

Kekuatan & Kelemahan:
Kekuatan: Penggunaan ML yang pragmatik pada masalah industri sebenar dan bernilai tinggi. Pemilihan SVR berbanding pembelajaran mendalam yang lebih kompleks adalah terpuji untuk kebolehinterpretasian dan kecekapannya dengan data terhad—prinsip yang digema dalam literatur ML seminal yang menganjurkan alat yang tepat untuk kerja [Hastie et al., 2009].
Kelemahan: Kelemahan utama kertas ini kemungkinan skop data. Ia menyebut "banyak faktor potensi tidak langsung lain" (getaran, ketidakstabilan penghantar) tetapi model mungkin hanya menggunakan subset. Pelaksanaan sebenar di kilang memerlukan integrasi data dari sensor IoT pada penghantar dan kepala penempatan, bergerak ke arah kembar digital talian, seperti yang dibayangkan oleh kerangka kerja Industri 4.0.

Wawasan Boleh Tindak:

1. Untuk Jurutera Proses: Segera mulakan korelasi data SPI dan Pre-AOI jika ada. Hubungan antara ketidakseimbangan pateri dan anjakan adalah tuas langsung untuk kawalan proses.
2. Untuk Pembuat Peralatan (seperti penulis bersama Koh Young): Ini adalah cetak biru untuk kelas perisian "Kawalan Proses Ramalan" baharu. Integrasikan model SVR ini terus ke dalam mesin SPI atau AOI untuk memberikan skor risiko anjakan masa nyata dan pembetulan yang disyorkan.
3. Untuk Penyelidik: Langkah seterusnya adalah inferens kausal dan analitik preskriptif. Jangan hanya ramal anjakan; gunakan model untuk menjawab "pelarasan parameter penempatan apakah yang akan meminimumkan anjakan yang diramal untuk komponen khusus ini?" Ini selari dengan peralihan dari ML kepada pembelajaran pengukuhan dalam sistem kawalan, seperti yang dilihat dalam robotik maju.

Pada dasarnya, kerja ini adalah bukti konsep yang kukuh yang membuka pintu kepada kualiti ramalan sebenar dalam SMT. Industri kini mesti melaluinya dengan melabur dalam infrastruktur data dan integrasi silang alat yang diperlukan untuk mengoperasikan model-model ini.

8. Aplikasi Masa Depan & Hala Tuju Penyelidikan

• Kawalan Proses Gelung Tertutup: Mengintegrasikan model ramalan secara langsung dengan mesin P&P untuk melaraskan koordinat penempatan secara dinamik dalam masa nyata untuk mengimbangi anjakan yang diramal.
• Integrasi Kembar Digital: Menggunakan model SVR sebagai komponen dalam kembar digital komprehensif talian SMT untuk ujian maya, pengoptimuman proses, dan latihan operator.
• Analisis Bahan Lanjutan: Memperluaskan model untuk meramal anjakan untuk pateri solder novel (contohnya, pateri suhu rendah, kebolehpercayaan tinggi) atau pelekat yang digunakan dalam integrasi heterogen.
• Ramalan Kecacatan Pelbagai Peringkat: Menggabungkan model ramalan anjakan dengan model untuk jambatan solder atau pengosongan semasa refluks untuk meramal kualiti sendi solder akhir dari parameter percetakan dan penempatan awal.
• Penambahbaikan AI Boleh Diterangkan (XAI): Menggunakan teknik seperti SHAP (SHapley Additive exPlanations) untuk menjadikan ramalan model SVR-RBF lebih boleh ditafsir untuk jurutera proses, dengan jelas menunjukkan bagaimana setiap ciri input menyumbang kepada anjakan yang diramal.

9. Rujukan

1. Rajah 1 diadaptasi dari aliran proses SMT standard.
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (Untuk prinsip pemilihan model seperti SVR).
3. IPC-7525, "Garis Panduan Reka Bentuk Stensil". IPC. (Piawaian industri untuk percetakan stensil yang mempengaruhi pemendapan pateri).
4. Koh Young Technology. (n.d.). Penyelesaian Pemeriksaan Optik Automatik (AOI). Diambil dari https://www.kohyoung.com (Konteks untuk teknologi pemeriksaan).
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. (Teori asas SVR).
6. Zhu, J., et al. (2021). Machine learning for advanced manufacturing: A review. Journal of Manufacturing Systems, 60, 672-694. (Konteks untuk ML dalam pembuatan).