Mfano wa Kutabiri Kwa Msingi wa Data wa Kuhama kwa Vipengele Katika Mchakato wa Reflow wa SMT

2.1 Ukusanyaji wa Data & Uhandisi wa Vipengele

Data ya majaribio ilikusanywa ili kuanzisha uhusiano kati ya usawa-wenyewe na mambo muhimu yanayoathiri. Seti ya vipengele iliundwa kwa uangalifu ili ijumuishe:

• Jiometri ya Kijenzi: Vipimo (urefu, upana, kimo).
• Jiometri ya Pad: Ukubwa wa pad, umbo, na nafasi.
• Vigezo vya Mchakato: Kiasi cha mchanga wa kuunganisha, ukingo wa kuweka (kutokuwiana kwa awali).
• Vigelele Lengwa: Kuhama kwa mwisho katika X ($\Delta x$), Y ($\Delta y$), na kuzunguka ($\Delta \theta$).

Mbinu hii inayotegemea data inapita zaidi ya mbinu za jadi zenye mzito wa uigizaji, kama ilivyotajwa katika ukaguzi wa uchimbaji data katika elektroniki kama ule wa Lv et al., ambao ulionyesha uhaba wa utafiti kama huo unaotumika.

2.2 Miundo ya Kujifunza kwa Mashine

Miundo mitatu thabiti ya regression ilitekelezwa na kurekebishwa kwa ajili ya utabiri:

• Support Vector Regression (SVR): Inafaa kwa nafasi zenye mwelekeo mwingi, ikitafuta kufaa kosa ndani ya kizingiti $\epsilon$.
• Neural Network (NN): Perceptron yenye tabaka nyingi iliyoundwa kukamata uhusiano tata, usio wa mstari kati ya vipengele vya ingizo na usogeaji wa kijenzi.
• Random Forest Regression (RFR): Mbinu ya jumla inayokusanya utabiri kutoka kwa miti mingi ya uamuzi, maarufu kwa usahihi wake na upinzani dhidi ya kuzidi kufundisha.

3.1 Vipimo vya Usahihi wa Utabiri

Mfano wa Random Forest Regression ulionyesha utendaji bora zaidi katika vipimo vyote:

• Ufaa wa Mfano (R²): ~99% kwa kuhama kwa kutafsiri (X, Y), 96% kwa kuhama kwa kuzunguka.
• Kosa la Wastani Halisi (MAE): 13.47 µm (X), 12.02 µm (Y), digrii 1.52 (Kuzunguka).

Makosa haya ni madogo sana ikilinganishwa na vipimo vya kawaida vya kijenzi na pad (mfano, vifurushi vya 0402 ni ~1000x500 µm), ikionyesha umuhimu mkubwa wa vitendo.

3.2 Ulinganisho wa Utendaji wa Mfano

RFR kila wakati ilifanya vizuri kuliko SVR na NN. Hii inalingana na nguvu zinazojulikana za mbinu za jumla kwa data ya jedwali yenye mwingiliano tata, kama ilivyoelezewa katika fasihi ya msingi ya ML (mfano, Breiman, 2001). Utendaji unaowezekana wa chini wa NN unaweza kutokana na ukubwa wa seti ya data ndogo kiasi kawaida katika majaribio ya kimwili, ambapo uthabiti wa RFR unang'aa.

4.1 Uelewa Mkuu & Mtiririko wa Mantiki

Uelewa Mkuu: "Sanduku nyeusi" la uundaji wa kiungo cha kuunganisha wakati wa reflow sio mchakato wa fujo bali ni mfumo wenye uamuzi, unaoendeshwa na fizikia ambao unaweza kurekebishwa kwa nyuma kwa data ya kutosha. Utafiti huu unathibitisha kwamba mienendo tata ya majimaji na nguvu za mvutano wa uso, ambazo kwa kawaida zinaigizwa kwa uigizaji wa CFD wenye gharama kubwa ya hesabu, zinaweza kukamatwa kwa uaminifu wa kushangaza na kujifunza kwa jumla kulingana na miti. Mtiririko wa mantiki ni rahisi kwa ustadi: pima matokeo (kuhama), rekodi hali ya awali (vipengele), na uache mfano ujifunze kitendakazi kilichofichwa $f$ kiasi kwamba $[\Delta x, \Delta y, \Delta \theta] = f(\text{jiometri, mchanga, ukingo...})$. Hii inapita hitaji la kutatua milinganyo ya Navier-Stokes kwa kila mchanganyiko wa kijenzi na pad.

4.2 Nguvu & Kasoro Muhimu

Nguvu: Mbinu ya vitendo, inayokipa kipaumbele data, ndio mali yake kubwa zaidi. Kufikia usahihi wa utabiri wa kiwango cha micron na RFR hutoa thamani ya haraka kwa uboreshaji wa mchakato. Uchaguzi wa RFR ulikuwa wa busara, kwani unashughulikia kutokuwa na mstari na mwingiliano wa vipengele vizuri bila kuhitaji seti kubwa za data zinazohitajika kwa kujifunza kwa kina.

Kasoro Muhimu: Kikosi cha utafiti huu ni ukosefu wake wa uwezekano wa kutumika kwa jumla. Mfano karibu hakika umefundishwa kwenye seti maalum ya vipengele (labda chipsi zisizo na nguvu), mchanga wa kuunganisha, na umalizi wa pad. Je, ingetabiri kwa usahihi kwa kifurushi cha QFN au kwa flux isiyo safi dhidi ya flux inayoyeyuka kwa maji? Kama miundo mingi ya ML, ina hatari ya kuwa "mzigo wa dijiti" wa usanidi maalum sana wa maabara. Zaidi ya hayo, ingawa utabiri umetatuliwa, sababu haijatatuliwa. Mfano hauelezi kwa nini kijenzi kinasogea, na hivyo kuzuia matumizi yake kwa uvumbuzi wa msingi wa muundo. Ni zana bora ya uhusiano lakini sio ya kusababisha.

4.3 Ufahamu Unaoweza Kutekelezwa kwa Sekta

1. Tekeleza Sasa: Watoa huduma wa EMS na OEM wenye laini za SMT zenye mchanganyiko mwingi na kiasi kikubwa wanapaswa kuanzisha mbinu hii. Anza kwa kujenga seti ya data kutoka kwa mchakato wako mwenyewe—Rudi kwenye Uwekezaji (ROI) kutokana na kupunguza kasoro za "tombstoning" na "bridging" pekee yanathibitisha juhudi.
2. Boresha Kuweka: Unganisha mfano wa utabiri ndani ya programu ya mashine ya Pick & Place. Badala ya kulenga katikati ya kawaida ya pad, mashine inapaswa kulenga eneo la "kulipia mapema" $P_{comp} = P_{nominal} - \text{kuhama kutabiriwa}$, kwa ufanisi kutumia mchakato wa reflow kama hatua ya mwisho, ya otomatiki ya urekebishaji.
3. Jaza Pengo la Fizikia-ML: Upeo wa pili ni AI ya Mseto. Tumia mfano rahisi unaotegemea fizikia (mfano, kuhesabu muda wa mvutano wa uso) kutoa data ya mafunzo ya sintetiki au kama kipengele yenyewe, kisha uboreshe na data halisi ya ulimwengu. Hii, sawa na jinsi mitandao ya neural yenye maelezo ya fizikia (PINNs) inavyofanya kazi, ingeshughulikia kasoro ya kutumiwa kwa jumla.

4.4 Mfano wa Mfumo wa Uchambuzi (Bila Msimbo)

Hali: Mhandisi wa mchakato anahitaji kupunguza kasoro kwa usanikishaji mpya wa capacitor 0201.
Utumiaji wa Mfumo:
1. Tabaka la Data: Kwa bodi 50, badilisha makusudi ukingo wa kuweka ndani ya anuwai iliyodhibitiwa (mfano, ±50 µm). Rekodi ukingo wa awali wa X, Y, $\theta$, vipimo vya pad, na ukubwa wa tundu la stensili.
2. Tabaka la Upimaji: Baada ya reflow, tumia Ukaguzi wa Otomatiki wa Macho (AOI) au hadubini ya usahihi kupima $\Delta x, \Delta y, \Delta \theta$ ya mwisho.
3. Tabaka la Kuiga: Ingiza data iliyokusanywa kwenye mfano wa RFR (kwa kutumia maktaba kama scikit-learn). Fundisha mfano kutabiri kuhama.
4. Tabaka la Kitendo: Mfano hutoa ramani ya fidia. Lishe hii kwenye mashine ya P&P ili kutumia kuweka kulipia mapema kwa bodi 500 zijazo.
5. Uthibitishaji: Fuatilia viwango vya kasoro (tombstoning, kuhama) kutoka kwa kundi linalofuata ili kupima uboreshaji.