Модель прогнозирования смещения компонентов в процессе SMT-оплавления на основе данных

2.1 Сбор данных и проектирование признаков

Экспериментальные данные были собраны для установления взаимосвязи между самовыравниванием и ключевыми влияющими факторами. Набор признаков был тщательно спроектирован и включает:

• Геометрия компонента: Размеры (длина, ширина, высота).
• Геометрия контактной площадки: Размер, форма и расстояние между площадками.
• Параметры процесса: Объем паяльной пасты, смещение при установке (начальное несовпадение).
• Целевые переменные: Конечное смещение по X ($\Delta x$), Y ($\Delta y$) и угол поворота ($\Delta \theta$).

Этот подход, основанный на данных, выходит за рамки традиционных методов, ориентированных на симуляции, как отмечается в обзорах по интеллектуальному анализу данных в электронике, например, в работе Lv и др., где подчеркивался дефицит подобных прикладных исследований.

2.2 Модели машинного обучения

Для прогнозирования были реализованы и настроены три надежные регрессионные модели:

• Регрессия на основе метода опорных векторов (SVR): Эффективна в пространствах высокой размерности, стремится уложить ошибку в пределах порога $\epsilon$.
• Нейронная сеть (NN): Многослойный перцептрон, предназначенный для выявления сложных нелинейных взаимосвязей между входными признаками и движением компонента.
• Регрессия случайного леса (RFR): Ансамблевый метод, агрегирующий прогнозы множества деревьев решений, известный своей точностью и устойчивостью к переобучению.

3.1 Метрики точности прогнозирования

Модель регрессии случайного леса продемонстрировала превосходную производительность по всем метрикам:

• Соответствие модели (R²): ~99% для линейных смещений (X, Y), 96% для углового смещения.
• Средняя абсолютная ошибка (MAE): 13.47 мкм (X), 12.02 мкм (Y), 1.52 градуса (поворот).

Эти ошибки значительно меньше типичных размеров компонентов и контактных площадок (например, корпуса 0402 имеют размеры ~1000x500 мкм), что указывает на высокую практическую значимость.

3.2 Сравнительная производительность моделей

RFR стабильно превосходил SVR и NN. Это согласуется с известными преимуществами ансамблевых методов для табличных данных со сложными взаимодействиями, как подчеркивается в фундаментальной литературе по машинному обучению (например, Breiman, 2001). Возможно, более низкая производительность NN может быть связана с относительно небольшим размером набора данных, характерным для физических экспериментов, где проявляется устойчивость RFR.

4.1 Ключевая идея и логическая последовательность

Ключевая идея: «Черный ящик» формирования паяного соединения во время оплавления — это не хаотический процесс, а детерминированная, управляемая физикой система, которую можно реконструировать при наличии достаточного объема данных. Это исследование доказывает, что сложные гидродинамические силы и силы поверхностного натяжения, традиционно моделируемые с помощью ресурсоемких CFD-симуляций, могут быть с высокой точностью воспроизведены с помощью ансамблевого обучения на основе деревьев. Логическая последовательность элегантно проста: измерить результат (смещение), записать начальные условия (признаки) и позволить модели изучить скрытую функцию $f$, такую что $[\Delta x, \Delta y, \Delta \theta] = f(\text{геометрия, паста, смещение...})$. Это позволяет обойти необходимость явного решения уравнений Навье-Стокса для каждой комбинации компонент-площадка.

4.2 Сильные стороны и критические недостатки

Сильные стороны: Прагматичный подход, ориентированный в первую очередь на данные, является его главным достоинством. Достижение точности прогнозирования на уровне микрон с помощью RFR обеспечивает немедленную ценность для оптимизации процесса. Выбор RFR был проницательным, поскольку он хорошо справляется с нелинейностью и взаимодействием признаков, не требуя огромных наборов данных, необходимых для глубокого обучения.

Критические недостатки: Ахиллесовой пятой исследования является потенциальное отсутствие обобщаемости. Модель почти наверняка обучена на конкретном наборе компонентов (вероятно, пассивных чипах), паяльной пасте и покрытиях площадок. Будет ли она точно предсказывать для корпуса QFN или с безотмывочным флюсом по сравнению с водорастворимым? Как и многие модели машинного обучения, она рискует стать «цифровым двойником» очень специфичной лабораторной установки. Более того, хотя прогнозирование решено, причинность — нет. Модель не объясняет, почему компонент движется, что ограничивает ее использование для фундаментальных инноваций в проектировании. Это превосходный корреляционный инструмент, но не причинно-следственный.

4.3 Практические рекомендации для промышленности

1. Внедряйте сейчас: Поставщикам EMS и OEM-производителям с SMT-линиями высокого ассортимента и большого объема следует опробовать эту методологию. Начните с создания набора данных на основе собственного процесса — окупаемость от снижения дефектов «гробового камня» и мостиков оправдывает усилия.
2. Оптимизируйте установку: Интегрируйте модель прогнозирования в программное обеспечение установочной машины Pick & Place. Вместо того чтобы целиться в номинальный центр площадки, машина должна целиться в «предварительно скомпенсированное» местоположение $P_{comp} = P_{nominal} - \text{прогнозируемое смещение}$, эффективно используя процесс оплавления в качестве финальной, автоматической калибровочной стадии.
3. Преодолейте разрыв между физикой и машинным обучением: Следующий рубеж — гибридный искусственный интеллект. Используйте упрощенную физическую модель (например, расчет моментов поверхностного натяжения) для генерации синтетических обучающих данных или в качестве самого признака, а затем доработайте с помощью реальных данных. Это, подобно тому, как работают нейронные сети с учетом физических законов (PINNs), позволит устранить недостаток обобщаемости.

4.4 Пример аналитической структуры (без кода)

Сценарий: Инженеру-технологу необходимо снизить количество дефектов для новой сборки с конденсатором 0201. Применение структуры: 1. Уровень данных: Для 50 плат намеренно варьируйте смещение установки в контролируемом диапазоне (например, ±50 мкм). Записывайте начальное смещение X, Y, $\theta$, размеры площадок и размер апертуры трафарета. 2. Уровень измерений: После оплавления используйте автоматический оптический контроль (AOI) или прецизионную микроскопию для измерения конечных значений $\Delta x, \Delta y, \Delta \theta$. 3. Уровень моделирования: Введите собранные данные в модель RFR (используя библиотеки, такие как scikit-learn). Обучите модель прогнозировать смещение. 4. Уровень действий: Модель выдает карту компенсации. Передайте ее в машину P&P для применения предварительно скомпенсированной установки для следующих 500 плат. 5. Валидация: Отслеживайте уровень дефектов («гробовой камень», смещение) в следующей партии для количественной оценки улучшений.