Utabiri wa Mabadiliko ya Vipengele katika Mchakato wa SMT Pick-and-Place Kulingana na SVR

1. Utangulizi

Utafiti huu unashughulikia suala muhimu la ubora ambalo mara nyingi hupuuzwa katika usanikishaji wa Teknolojia ya Uso wa Mwamba (SMT): mabadiliko ya vipengele wakati wa mchakato wa Pick-and-Place (P&P). Kijenzi kinapowekwa kwenye mchanga wa kuuza wenye unyevu, mienendo ya majimaji na sifa za mchanga zinaweza kusababisha kijenzi kisogee kutoka kwenye nafasi yake iliyokusudiwa. Ingawa uuzaji wa reflow unaofuata hutoa usawa fulani wa kujitegemea, kupunguza mabadiliko ya awali ni muhimu sana kwa utengenezaji wa vifaa vya elektroniki vilivyo na msongamano mkubwa na uaminifu wa juu.

1.1. Teknolojia ya Uso wa Mwamba (SMT)

SMT ndiyo njia kuu ya kusanikisha vipengele vya elektroniki kwenye bodi za mzunguko zilizochapishwa (PCB). Msingi wa mstari wa SMT una mchakato mkuu tatu: Uchapishaji wa Stensili (SPP), Pick-and-Place (P&P), na Reflow ya Kuuza. Vipimo vya ubora, kama vile Uchunguzi wa Mchanga wa Kuuza (SPI) na Uchunguzi wa Macho Otomatiki (AOI), vimejumuishwa ili kufuatilia matokeo ya mchakato.

1.2. Mabadiliko ya Kijenzi katika Mchakato wa P&P

Mabadiliko hutokea baada ya uwekaji kutokana na sifa za viscoelastic za mchanga wa kuuza (kuteleza, kutokuwa na usawa) na sababu za nje kama vile mtetemo wa mashine. Kadiri saizi za vipengele zinavyopungua na umbali kati ya pini unavyopungua, mabadiliko haya madogo yanakuwa sababu muhimu ya kasoro kama vile kuvuka au mzunguko wazi, na hivyo kuthibitisha dhana kwamba reflow itarekebisha kabisa.

2. Njia ya Utafiti & Modeli ya SVR

Utafiti huu unatumia njia inayotegemea takwimu, ukifanya kutumia masomo ya mashine kuunda mfano wa uhusiano tata, usio wa mstari kati ya vigezo vya mchakato na mabadiliko ya kijenzi.

2.1. Urejeshaji wa Vekta ya Usaidizi (SVR)

SVR ilichaguliwa kwa ufanisi wake katika kushughulikia matatizo ya urejeshaji yasiyo ya mstari yenye mwelekeo mwingi, kwa kutumia idadi ndogo ya sampuli, hali ya kawaida katika takwimu za majaribio ya viwanda.

2.2. Viini vya Kazi: Mstari dhidi ya RBF

Viini viwili vya kazi vilipimwa: kiini cha Mstari (SVR-Linear) na kiini cha Kazi ya Msingi ya Radi (SVR-RBF). Kiini cha RBF kinafaa hasa kwa kukamata uhusiano tata, usio wa mstari katika takwimu.

3. Usanidi wa Majaribio & Takwimu

Jaribio kamili liliundwa kwenye mstari wa kisasa wa usanikishaji wa SMT. Takwimu zilikusanywa kuhusu vipengele muhimu vya ingizo vinavyodhaniwa kuathiri mabadiliko, ikiwa ni pamoja na:

• Sifa za Mchanga wa Kuuza: Kiasi, uhamisho kutoka kwa pad, sifa za kuteleza.
• Mipangilio ya Uwekaji: Nguvu ya uwekaji, kasi, usahihi.
• Sababu za Kijenzi & Bodi: Ukubwa wa kijenzi, uzito, uwazi wa PCB.

Tofauti ya pato ilikuwa mabadiliko ya kijenzi yaliyopimwa (kwa mfano, kwa mikroni) katika mwelekeo wa X na Y baada ya uwekaji lakini kabla ya reflow.

4. Matokeo & Uchambuzi

Mifano ilifunzwa na kupimwa kwenye seti ya takwimu zilizokusanywa, na ufanisi ulikadiriwa kwa kutumia vipimo kama vile Kosa la Wastani Kabisa (MAE) na Kosa la Mzizi wa Wastani wa Mraba (RMSE).

4.1. Ufanisi wa Utabiri

Maelezo ya Chati (Yanayodokezwa): Grafu ya mtawanyiko inayolinganisha thamani za mabadiliko ya kijenzi zilizotabiriwa dhidi ya halisi ingeonyesha utabiri wa SVR-RBF ukikusanywa kwa karibu kwenye mstari bora wa y=x, wakati utabiri wa SVR-Linear ungeonyesha mtawanyiko zaidi, hasa kwa ukubwa mkubwa wa mabadiliko.

4.2. Matokeo Muhimu Kuhusu Sababu za Mabadiliko

Uchambuzi ulithibitisha kwamba kutokuwa na usawa kwa kiasi cha mchanga wa kuuza na uhamisho wa uwekaji ndio sababu kuu za mabadiliko ya kijenzi. Uchambuzi wa umuhimu wa kipengele cha modeli ya SVR-RBF (au mgawo/vekta za usaidizi za modeli) ungeorodhesha kwa kiasi sababu hizi.

5. Maelezo ya Kiufundi & Uundaji wa Kihisabati

Tatizo kuu la uboreshaji la SVR linalenga kupata kazi $f(x) = w^T \phi(x) + b$ ambayo inatofautiana na lengo halisi $y_i$ kwa zaidi ya thamani $\epsilon$ (epsilon-tube), huku ikibaki nyepesi iwezekanavyo. Tatizo la msingi la uboreshaji ni:

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

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

Ambapo $C$ ni kigezo cha kawaida, $\xi_i, \xi_i^*$ ni vigezo vya ulegevu, na $\phi(x)$ ni kazi ya kiini inayobadilisha takwimu kwa nafasi yenye mwelekeo wa juu. Kwa kiini cha RBF: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. Mfumo wa Uchambuzi: Mfano wa Kesi Bila Msimbo

Fikiria mtengenezaji anayepata kupungua kwa mavuno kwa 2% kwenye PCB mpya yenye umbali mdogo kati ya pini. AOI baada ya reflow inaonyesha kutolingana, lakini takwimu za Pre-AOI baada ya P&P hazichambuliwi. Kwa kutumia mfumo wa karatasi hii:

1. Ukusanyaji wa Takwimu: Linganisha takwimu za SPI (kiasi cha mchanga, uhamisho kwa kila pad) na takwimu za Pre-AOI (nafasi ya kijenzi kabla ya reflow) kwa bodi zinazoshindwa.
2. Matumizi ya Modeli: Tumia modeli ya SVR-RBF iliyofunzwa awali (kama ile iliyoko kwenye karatasi) kutabiri mabadiliko yanayotarajiwa kulingana na vipimo vya SPI.
3. Utambuzi wa Sababu ya Msingi: Modeli inatabiri mabadiliko makubwa (>50% ya umbali kati ya pini) kwa vipengele ambapo SPI ilionyesha tofauti kubwa ya kiasi kati ya pad. Sababu ya msingi inafuatiliwa hadi kwenye uchakavu wa stensili unaosababisha uwekaji usio sawa wa mchanga.
4. Hatua ya Kurekebisha: Tekeleza mipaka madhubuti ya udhibiti wa SPI kwa tofauti ya kiasi cha mchanga na upange matengenezo ya kinga ya stensili, na hivyo kushughulikia mabadiliko kwenye chanzo chake kabla ya reflow.

7. Mtazamo wa Mchambuzi wa Sekta

Ufahamu Msingi: Karatasi hii imefanikiwa kubadilisha mabadiliko ya kijenzi kutoka kwa sababu ya "kelele" inayofyonzwa na reflow kuwa kigezo cha mchakato kinachoweza kutabiriwa na kudhibitiwa. Thamani halisi sio tu katika usahihi wa utabiri, bali katika kubadilisha dhana ya ubora kutoka kwa uchunguzi wa baada ya reflow hadi utabiri na urekebishaji wa ndani ya mchakato.

Mtiririko wa Mantiki: Mantiki ya utafiti ni sahihi: tambua kasoro ndogo ya gharama kubwa (mabadiliko), dhania viongozi vyake (vigezo vya mchanga/uwekaji), tumia zana inayofaa ya ML (SVR kwa takwimu ndogo, zisizo za mstari), na uthibitishe kwa takwimu halisi za uzalishaji. Ulinganisho kati ya viini vya mstari na RBF ni hatua muhimu inayothibitisha utata wa tatizo.

Nguvu & Kasoro:
Nguvu: Matumizi ya vitendo ya ML kwenye tatizo halisi, lenye thamani kubwa la kiuchumi. Uchaguzi wa SVR badala ya masomo ya kina magumu ya kina unastahili sifa kwa ufafanuzi wake na ufanisi kwa takwimu ndogo—kanuni inayokubalika katika fasihi ya msingi ya ML inayopendekeza zana sahihi kwa kazi [Hastie et al., 2009].
Kasoro: Kasoro kuu ya karatasi hii labda ni wigo wa takwimu. Inataja "sababu nyingine nyingi za ziada zisizo za moja kwa moja" (mtetemo, kutokuwa na utulivu wa conveyor) lakini modeli labda inatumia sehemu ndogo tu. Utumizi halisi wa kiwandani unahitaji kuunganisha takwimu kutoka kwa sensorer za IoT kwenye conveyors na vichwa vya uwekaji, kuelekea kwenye mfano wa kidijitali wa mstari, kama ilivyotarajiwa na mifumo ya Sekta 4.0.

Ufahamu Unaoweza Kutekelezwa:

1. Kwa Wahandisi wa Mchakato: Anza mara moja kulinganisha takwimu za SPI na Pre-AOI ikiwa zinapatikana. Uhusiano kati ya kutokuwa na usawa kwa mchanga na mabadiliko ni kiwango cha moja kwa moja cha udhibiti wa mchakato.
2. Kwa Watengenezaji wa Vifaa (kama mwandishi mwenzake Koh Young): Hii ni mpango wa aina mpya ya programu ya "Udhibiti wa Mchakato wa Utabiri". Unganisha modeli hii ya SVR moja kwa moja kwenye mashine za SPI au AOI ili kutoa alama za hatari ya mabadiliko kwa wakati halisi na marekebisho yanayopendekezwa.
3. Kwa Watafiti: Hatua inayofuata ni uthibitishaji wa sababu na uchambuzi wa maagizo. Usitabiri tu mabadiliko; tumia modeli kujibu "marekebisho gani ya kigezo cha uwekaji yatapunguza mabadiliko yaliyotabiriwa kwa kijenzi hiki mahususi?" Hii inalingana na mwendo kutoka ML hadi masomo ya uimarishaji katika mifumo ya udhibiti, kama inavyoonekana katika roboti za hali ya juu.

Kimsingi, kazi hii ni uthibitishaji thabiti wa dhana ambayo inafungua mlango kwa ubora wa kweli wa utabiri katika SMT. Sekta lazima sasa iingie kwenye mlango huu kwa kuwekeza katika miundombinu ya takwimu na ushirikiano wa zana mbalimbali zinazohitajika kuwezesha mifano hii.

8. Matumizi ya Baadaye & Mwelekeo wa Utafiti

• Udhibiti wa Mchakato wa Mzunguko Uliofungwa: Kuunganisha modeli ya utabiri moja kwa moja na mashine ya P&P ili kurekebisha kwa nguvu viwianishi vya uwekaji kwa wakati halisi ili kulipa fidia kwa mabadiliko yaliyotabiriwa.
• Ushirikiano wa Mfano wa Kidijitali: Kutumia modeli ya SVR kama kijenzi ndani ya mfano kamili wa kidijitali wa mstari wa SMT kwa ajili ya majaribio ya mtandaoni, uboreshaji wa mchakato, na mafunzo ya waendeshaji.
• Uchambuzi wa Juu wa Nyenzo: Kupanua modeli kutabiri mabadiliko kwa mchanga mpya wa kuuza (kwa mfano, mchanga wa joto la chini, wenye uaminifu wa juu) au gundi zinazotumiwa katika ushirikiano mchanganyiko.
• Utabiri wa Kasoro ya Hatua Nyingi: Kuchanganya modeli ya utabiri wa mabadiliko na mifano ya kuvuka au mapengo ya kuuza wakati wa reflow ili kutabiri ubora wa mwisho wa kiungo cha kuuza kutoka kwa vigezo vya awali vya uchapishaji na uwekaji.
• Uboreshaji wa AI Inayoelezeka (XAI): Kutumia mbinu kama vile SHAP (SHapley Additive exPlanations) ili kufanya utabiri wa modeli ya SVR-RBF uwe wa kufafanuliwa kwa wahandisi wa mchakato, kuonyesha wazi jinsi kila kipengele cha ingizo kinachochangia kwenye mabadiliko yaliyotabiriwa.

9. Marejeo

1. Kielelezo 1 kilirekebishwa kutoka kwa mtiririko wa kawaida wa mchakato wa SMT.
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (Kwa kanuni za uteuzi wa modeli kama SVR).
3. IPC-7525, "Stencil Design Guidelines". IPC. (Kiwango cha sekta cha uchapishaji wa stensili kinachoathiri uwekaji wa mchanga).
4. Koh Young Technology. (n.d.). Automated Optical Inspection (AOI) Solutions. Imepatikana kutoka https://www.kohyoung.com (Muktadha wa teknolojia ya uchunguzi).
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. (Nadharia ya msingi ya SVR).
6. Zhu, J., et al. (2021). Machine learning for advanced manufacturing: A review. Journal of Manufacturing Systems, 60, 672-694. (Muktadha wa ML katika utengenezaji).