Прогнозирование смещений компонентов в процессе SMT монтажа на основе метода опорных векторов для регрессии (SVR)

1. Введение

Данное исследование посвящено критической, но часто упускаемой из виду проблеме качества в сборке по технологии поверхностного монтажа (SMT): смещению компонентов в процессе Pick-and-Place (P&P). Когда компонент устанавливается на влажную паяльную пасту, динамика жидкости и характеристики пасты могут вызвать его смещение от заданного положения. Хотя последующая пайка оплавлением обеспечивает некоторую самоцентровку, минимизация начальных смещений имеет первостепенное значение для производства высокоплотной и высоконадежной электроники.

1.1. Технология поверхностного монтажа

SMT является доминирующим методом монтажа электронных компонентов на печатные платы (ПП). Основная линия SMT состоит из трех основных процессов: трафаретная печать (SPP), установка компонентов (Pick-and-Place, P&P) и пайка оплавлением. Для контроля результатов процесса интегрированы точки проверки качества, такие как инспекция паяльной пасты (SPI) и автоматическая оптическая инспекция (AOI).

1.2. Смещение компонентов в процессе P&P

Смещение происходит после установки из-за вязкоупругих свойств паяльной пасты (сползание, дисбаланс) и внешних факторов, таких как вибрация оборудования. По мере уменьшения размеров компонентов и шага между выводами эти микросмещения становятся значимыми причинами дефектов, таких как мостики или обрывы, что ставит под сомнение предположение о том, что оплавление полностью их исправит.

2. Методология и модель SVR

В исследовании используется подход, основанный на данных, с применением машинного обучения для моделирования сложной нелинейной взаимосвязи между параметрами процесса и смещением компонента.

2.1. Метод опорных векторов для регрессии (SVR)

SVR был выбран благодаря своей эффективности в решении задач нелинейной регрессии высокой размерности при ограниченном количестве образцов, что является типичным сценарием для промышленных экспериментальных данных.

2.2. Ядерные функции: Линейное vs. RBF

Были оценены две ядерные функции: линейное ядро (SVR-Linear) и ядро радиальной базисной функции (SVR-RBF). Ядро RBF особенно хорошо подходит для выявления сложных нелинейных взаимосвязей в данных.

3. Экспериментальная установка и данные

Был разработан комплексный эксперимент на современной линии SMT-сборки. Были собраны данные по ключевым входным параметрам, которые, как предполагается, влияют на смещение, включая:

• Характеристики паяльной пасты: Объем, смещение относительно контактной площадки, свойства сползания.
• Настройки установки: Сила установки, скорость, точность.
• Факторы компонента и платы: Размер и вес компонента, плоскостность ПП.

Выходной переменной являлось измеренное смещение компонента (например, в микронах) по осям X и Y после установки, но до оплавления.

4. Результаты и анализ

Модели были обучены и протестированы на собранном наборе данных, а их эффективность оценена с использованием метрик, таких как средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (RMSE).

4.1. Эффективность прогнозирования

Описание диаграммы (подразумеваемое): Точечная диаграмма, сравнивающая прогнозируемые и фактические значения смещения компонентов, показала бы, что прогнозы SVR-RBF тесно группируются вдоль идеальной линии y=x, в то время как прогнозы SVR-Linear демонстрировали бы большее рассеяние, особенно при больших величинах смещения.

4.2. Ключевые выводы о факторах смещения

Анализ подтвердил, что дисбаланс объема паяльной пасты и смещение при установке являются основными драйверами смещения компонента. Анализ важности признаков модели SVR-RBF (или коэффициенты/опорные векторы модели) количественно ранжировал бы эти факторы.

5. Технические детали и математическая формулировка

Основная задача оптимизации SVR заключается в нахождении функции $f(x) = w^T \phi(x) + b$, которая отклоняется от фактической цели $y_i$ не более чем на значение $\epsilon$ (эпсилон-трубка), оставаясь при этом как можно более плоской. Прямая задача оптимизации формулируется следующим образом:

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

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

Где $C$ — параметр регуляризации, $\xi_i, \xi_i^*$ — переменные ослабления (slack variables), а $\phi(x)$ — ядерная функция, отображающая данные в пространство более высокой размерности. Для ядра RBF: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. Аналитический фреймворк: Пример без кода

Рассмотрим производителя, столкнувшегося со снижением выхода годных на 2% для новой платы с малым шагом. AOI после оплавления показывает несовмещение, но данные Pre-AOI после P&P не анализируются. Применяя фреймворк данной статьи:

1. Сбор данных: Корреляция данных SPI (объем пасты, смещение на площадке) с данными Pre-AOI (позиция компонента до оплавления) для бракованных плат.
2. Применение модели: Использование предварительно обученной модели SVR-RBF (как в статье) для прогнозирования ожидаемого смещения на основе измерений SPI.
3. Идентификация корневой причины: Модель прогнозирует значительные смещения (>50% от шага) для компонентов, где SPI показал высокую дисперсию объема пасты между площадками. Корневая причина отслеживается до износа трафарета, вызывающего неравномерное нанесение пасты.
4. Корректирующее действие: Внедрение более строгих контрольных пределов SPI для дисперсии объема пасты и планирование профилактического обслуживания трафаретов, тем самым устраняя смещение в его источнике до оплавления.

7. Взгляд отраслевого аналитика

Ключевая идея: Эта статья успешно переосмысливает смещение компонентов, превращая его из «шумового» фактора, поглощаемого оплавлением, в прогнозируемую и управляемую переменную процесса. Реальная ценность заключается не только в точности прогноза, но и в смещении парадигмы качества вверх по потоку — от инспекции после оплавления к внутрипроцессному прогнозированию и корректировке.

Логическая последовательность: Логика исследования обоснована: идентификация дорогостоящего микро-дефекта (смещение), гипотеза о его драйверах (параметры пасты/установки), применение подходящего инструмента машинного обучения (SVR для небольших нелинейных данных) и валидация на реальных производственных данных. Сравнение линейного и RBF ядер является критическим шагом, доказывающим сложность проблемы.

Сильные стороны и недостатки:
Сильные стороны: Прагматичное применение машинного обучения к реальной, высокоценной промышленной проблеме. Выбор SVR вместо более сложного глубокого обучения заслуживает похвалы за интерпретируемость и эффективность при ограниченных данных — принцип, отраженный в основополагающей литературе по машинному обучению, выступающей за правильный инструмент для задачи [Hastie et al., 2009].
Недостатки: Ахиллесовой пятой статьи, вероятно, является объем данных. В ней упоминаются «многие другие косвенные потенциальные факторы» (вибрация, нестабильность конвейера), но модель, вероятно, использует лишь их подмножество. Реальное внедрение на производстве требует интеграции данных с датчиков IoT на конвейерах и установочных головках, двигаясь в сторону цифрового двойника линии, как это предусмотрено концепцией Индустрии 4.0.

Практические выводы:

1. Для инженеров-технологов: Немедленно начните коррелировать данные SPI и Pre-AOI, если они доступны. Взаимосвязь между дисбалансом пасты и смещением является прямым рычагом управления процессом.
2. Для производителей оборудования (таких как соавтор Koh Young): Это план для нового класса программного обеспечения «Прогнозирующего управления процессом». Интегрируйте эту модель SVR непосредственно в машины SPI или AOI для предоставления оценок риска смещения в реальном времени и рекомендуемых корректировок.
3. Для исследователей: Следующий шаг — установление причинно-следственных связей и предписывающая аналитика. Не просто прогнозируйте смещение; используйте модель, чтобы ответить на вопрос: «Какая корректировка параметров установки минимизирует прогнозируемое смещение для этого конкретного компонента?» Это согласуется с переходом от машинного обучения к обучению с подкреплением в системах управления, как это наблюдается в передовой робототехнике.

По сути, эта работа представляет собой надежное доказательство концепции, открывающее дверь к истинному прогнозированию качества в SMT. Теперь отрасль должна пройти через эту дверь, инвестируя в инфраструктуру данных и межсистемную интеграцию, необходимые для внедрения этих моделей в эксплуатацию.

8. Будущие применения и направления исследований

• Замкнутое управление процессом: Прямая интеграция прогностической модели с машиной P&P для динамической корректировки координат установки в реальном времени с целью компенсации прогнозируемых смещений.
• Интеграция с цифровым двойником: Использование модели SVR в качестве компонента в рамках комплексного цифрового двойника линии SMT для виртуальных испытаний, оптимизации процесса и обучения операторов.
• Расширенный анализ материалов: Расширение модели для прогнозирования смещений при использовании новых типов паяльных паст (например, низкотемпературных, высоконадежных) или клеев, применяемых в гетерогенной интеграции.
• Многостадийное прогнозирование дефектов: Комбинирование модели прогнозирования смещения с моделями образования мостиков припоя или пор во время оплавления для прогнозирования конечного качества паяного соединения на основе начальных параметров печати и установки.
• Улучшение объяснимого ИИ (XAI): Применение таких методов, как SHAP (SHapley Additive exPlanations), чтобы сделать прогнозы модели SVR-RBF более интерпретируемыми для инженеров-технологов, наглядно показывая, как каждый входной признак влияет на прогнозируемое смещение.

9. Ссылки

1. Рисунок 1 адаптирован из стандартной схемы процесса SMT.
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (Принципы выбора моделей, такие как SVR).
3. IPC-7525, «Рекомендации по проектированию трафаретов». IPC. (Отраслевой стандарт для трафаретной печати, влияющий на нанесение пасты).
4. Koh Young Technology. (n.d.). Решения для автоматической оптической инспекции (AOI). Получено с https://www.kohyoung.com (Контекст для технологий инспекции).
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. (Основополагающая теория SVR).
6. Zhu, J., et al. (2021). Machine learning for advanced manufacturing: A review. Journal of Manufacturing Systems, 60, 672-694. (Контекст для машинного обучения в производстве).