SVR Tabanlı SMT Yerleştirme Sürecinde Bileşen Kaymalarının Tahmini

1. Giriş

Bu araştırma, Yüzey Montaj Teknolojisi (SMT) montajında kritik ancak genellikle gözden kaçan bir kalite sorununu ele almaktadır: Yerleştirme (Pick-and-Place, P&P) sürecinde bileşen kaymaları. Bileşenler ıslak lehim pastası üzerine yerleştirildiğinde, akışkan dinamiği ve pasta özellikleri, ideal konumdan sapmalara neden olabilir. Sonraki reflow lehimleme bir miktar kendiliğinden hizalanma sağlasa da, yüksek yoğunluklu ve yüksek güvenilirlikli elektronik üretim için başlangıçtaki kaymaları en aza indirmek son derece önemlidir.

1.1. Yüzey Montaj Teknolojisi (SMT)

SMT, elektronik bileşenlerin baskılı devre kartlarına (PCB) montajında kullanılan baskın yöntemdir. Temel sıralama şu adımları içerir:

1. Şablon Baskı: Lehim pastasının PCB pedleri üzerine uygulanması.
2. Yerleştirme: Bileşenlerin pasta üzerine monte edilmesi.
3. Reflow Lehimleme: Pastanın eritilerek kalıcı lehim bağlantılarının oluşturulması.

Her adımda kaliteyi izlemek için denetim aşamaları (SPI, Pre-AOI, Post-AOI) entegre edilmiştir.

1.2. Yerleştirme Sürecinde Bileşen Kayması

Kaymalar, ıslak lehim pastasının akmaya meyilli, viskoz, Newtonyen olmayan bir akışkan olması nedeniyle meydana gelir. Pasta hacmi, ofset veya viskozitedeki dengesizlikler, bileşeni hareket ettiren kuvvetler oluşturur. Diğer faktörler arasında makine titreşimi ve PCB eğilmesi yer alır. Bileşen boyutları küçüldükçe, bu mikro kaymalar verim ve güvenilirlik için makro sorunlar haline gelir.

2. Metodoloji ve Deneysel Tasarım

En son teknolojiye sahip bir SMT montaj hattında kapsamlı bir deney gerçekleştirildi. Bileşen kaymaları, temel girdi değişkenlerine göre veri toplanarak incelendi:

• Lehim Pastası Özellikleri: Hacim, ofset (yerleştirme hatası), akmaya meyil davranışı.
• Yerleştirme Ayarları: Yerleştirme kuvvetini ve hassasiyetini etkileyen makine parametreleri.
• Çevresel Faktörler: Olası titreşim ve konveyör stabilite ölçümleri.

Bu veri seti, tahmine dayalı makine öğrenimi modellerinin eğitilmesi ve doğrulanması için temel oluşturdu.

3. Destek Vektör Regresyon Modeli

Destek Vektör Regresyonu (SVR), kontrollü üretim deneylerinde yaygın bir senaryo olan, sınırlı sayıda örnekle doğrusal olmayan ilişkileri ele alma etkinliği nedeniyle seçilmiştir.

3.1. Model Formülasyonu

SVR'nin temel amacı, tüm eğitim verileri için gerçek hedef değerler $y_i$'den en fazla bir $\epsilon$ marjı kadar sapma gösteren ve mümkün olduğunca düz olan bir $f(x)$ fonksiyonu bulmaktır. Optimizasyon problemi şu şekilde ifade edilebilir:

Minimize Et: $\frac{1}{2} ||w||^2 + C \sum_{i=1}^{n} (\xi_i + \xi_i^*)$

Kısıtlar Altında: $y_i - (w \cdot \phi(x_i) + b) \le \epsilon + \xi_i$

$(w \cdot \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*$

$\xi_i, \xi_i^* \ge 0$

Burada $w$ ağırlık vektörü, $b$ yanlılık (bias), $\phi(x_i)$ girdiyi daha yüksek boyutlu bir özellik uzayına eşler, $C$ düzenlileştirme parametresi ve $\xi_i, \xi_i^*$, $\epsilon$-tüpünün dışındaki hatalara izin veren gevşek değişkenlerdir.

3.2. Çekirdek Fonksiyonları: Doğrusal ve RBF

Verileri farklı özellik uzaylarına eşlemek için iki çekirdek fonksiyonu kullanıldı:

• Doğrusal Çekirdek (SVR-Doğrusal): $K(x_i, x_j) = x_i \cdot x_j$. Özellikler ve kayma arasında doğrusal bir ilişki olduğunu varsayar.
• Radyal Tabanlı Fonksiyon Çekirdeği (SVR-RBF): $K(x_i, x_j) = \exp(-\gamma ||x_i - x_j||^2)$. Karmaşık, doğrusal olmayan etkileşimleri yakalar; burada $\gamma$, tek bir eğitim örneğinin etkisini kontrol eder.

4. Sonuçlar ve Analiz

Çalışma, P&P sürecindeki bileşen kaymalarının önemli ve tahmin edilebilir olduğunu doğruladı.

4.1. Tahmin Performansı

SVR-RBF modeli, daha düşük hata metrikleri (örn., Ortalama Mutlak Hata - MAE, Kök Ortalama Kare Hata - RMSE) ile ölçüldüğü üzere, tahmin doğruluğunda tutarlı bir şekilde SVR-Doğrusal modeli geride bıraktı. Bu, lehim pastası özellikleri/yerleştirme ayarları ile bileşen kayması arasındaki ilişkinin doğası gereği doğrusal olmadığını göstermektedir.

4.2. Kaymayı Etkileyen Temel Faktörler

Modelin analizi, lehim pastası hacim dengesizliği ve yerleştirme ofsetinin, bileşen kaymalarını tetikleyen en kritik faktörler olduğunu ortaya koydu. Pastanın viskoz akmaya meyilli yapısı, bu dengesizlikleri bileşen üzerindeki yanal kuvvetlere ileten birincil ortam görevi görür.

5. Temel İçgörü ve Analist Perspektifi

Temel İçgörü: Bu makale, SMT'de "önemsiz" bir süreç varyasyonu olan bileşen kaymasını, makine öğrenimi kullanarak nicelendirilebilir ve tahmin edilebilir bir kalite metriğine başarıyla dönüştürmektedir. Gerçek atılım sadece tahmin modelinin kendisi değil, aynı zamanda modern denetim sistemlerinden (SPI, AOI) gelen verilerin, reflow öncesi montaj sürecinin mekanik davranışının dijital ikizini oluşturmak için birleştirilebileceğinin kavram kanıtıdır. Bu, kalite kontrolünü reaktif denetimden proaktif tahmine taşır.

Mantıksal Akış: Yazarların mantığı sağlam ve sektöre uygundur: 1) Kayma sorununun gerçek olduğunu ve küçülmeyle birlikte arttığını kabul edin. 2) Lehim pastası durumunun birincil itici güç olduğunu varsayın. 3) Karmaşık, doğrusal olmayan akışkan-yapı etkileşimini modellemek için orta ölçekli veri setleri için güçlü bir ML aracı olan SVR'yi kullanın. 4) Doğrusal olmayan çekirdeklerin (RBF) daha iyi performans gösterdiğini doğrulayarak fiziği teyit edin. Bu, yarı iletken süreç kontrolünde kullanılan yaklaşımlara benzer şekilde, üretim bilişimindeki en iyi uygulamaları yansıtır.

Güçlü ve Zayıf Yönler: En büyük güçlü yan, sadece simülasyon değil, gerçek üretim hattı verilerinin kullanılmasıdır. Bu, modele anında pratik güvenilirlik kazandırır. SVR seçimi, olası veri seti boyutu için uygundur. Ancak, makinenin erken aşama üretim araştırmalarında yaygın bir kusur olan, tecrit edilmiş bir model olmasıdır. Kaymayı tahmin eder ancak düzeltici eylemler önererek (örn., "pasta hacmini %X oranında ayarla") açıkça geri bildirim döngüsünü kapatmaz. Ayrıca, SVR güçlü olsa da, tablo verileriyle genellikle başarılı olan Random Forest veya Gradient Boosting gibi diğer ensemble yöntemleriyle karşılaştırma yapmak, iddiayı güçlendirirdi. MIT Üretim ve Verimlilik Laboratuvarı'ndaki araştırmacıların çalışmaları genellikle bu kapalı döngü, eyleme dönüştürülebilir zeka yönünü vurgular.

Eyleme Dönüştürülebilir İçgörüler: SMT mühendisleri ve kalite yöneticileri için bu araştırma net bir yol haritası sunar: 1) Hattınızı Enstrümanla Donatın: SPI ve Pre-AOI verilerinin kart/bileşen kimliğine göre kaydedildiğinden ve ilişkilendirildiğinden emin olun. 2) SVR-RBF ile Başlayın: Yerleştirme hatalarını tahmin etmek için temel model olarak kullanın. 3) Tahminden Reçeteye Geçin: Bir sonraki adım, bu tahmin ediciyi şablon yazıcı ve yerleştirme makinesi kontrolleriyle entegre ederek gerçek zamanlı bir telafi sistemi oluşturmaktır. SPI ile pasta hacmini ölçtükten sonra, tahmin edilen kaymayı dengelemek için o spesifik bileşenin yerleştirme koordinatlarını ayarlayan bir sistem hayal edin—gerçek adaptif üretim. Bu, Endüstri 4.0 vizyonu ve NIST CPS Çerçevesi ile uyumludur.

6. Teknik Detaylar ve Matematiksel Çerçeve

SVR modelinin etkinliği, regresyon için matematiksel formülasyonuna bağlıdır. $\epsilon$-duyarsız kayıp fonksiyonu anahtardır: $\epsilon$'dan küçük hataları cezalandırmaz, model karmaşıklığını daha büyük eğilimleri ve aykırı değerleri yakalamaya odaklar. RBF çekirdeği $K(x_i, x_j) = \exp(-\gamma ||x_i - x_j||^2)$ aracılığıyla çekirdek hilesi, girdi özelliklerini (pasta hacmi, ofset vb.) örtük olarak, doğrusal bir regresyon hiperdüzleminin veriyi etkili bir şekilde ayırabildiği çok yüksek boyutlu bir uzaya eşler; bu da orijinal uzayda karmaşık, doğrusal olmayan bir fonksiyona karşılık gelir. $C$ parametresi, düz bir fonksiyon ($f(x)$) elde etme ile $\epsilon$'dan büyük tolere edilen sapma miktarı arasındaki dengeyi kontrol eder.

7. Deneysel Sonuçlar ve Grafik Açıklaması

Grafik Açıklaması (Metne Dayalı): Sağlanan metin spesifik şekiller içermese de, sonuçlar böyle bir çalışmaya tipik olarak eşlik edecek temel grafiklerin varlığını ima etmektedir:

• Şekil 1: SMT Süreç Akışı: Şablon Baskı, SPI, Yerleştirme, Pre-AOI, Reflow ve Post-AOI'nin sıralı adımlarını gösteren, bileşen kaymasının nerede meydana geldiğini ve verilerin nerede toplandığını vurgulayan bir diyagram.
• Şekil 2: Gerçek vs. Tahmin Edilen Kayma Dağılım Grafiği: Ölçülen bileşen kaymalarını (x-ekseni) SVR-RBF ve SVR-Doğrusal modelleri tarafından tahmin edilen kaymalarla (y-ekseni) karşılaştıran bir dağılım grafiği. İdeal uyum çizgisi (y=x) gösterilir. SVR-RBF veri noktaları, SVR-Doğrusal noktalara kıyasla bu çizginin etrafında çok daha sıkı kümelenir, görsel olarak üstün doğruluğunu gösterir.
• Şekil 3: Hata Dağılımı Histogramı: Her iki model için tahmin hatalarının (Gerçek - Tahmin) frekansını gösteren bir histogram. SVR-RBF histogramı daha dar ve sıfır etrafında daha merkezli olacak, daha küçük ve daha seyrek büyük hatalar olduğunu gösterir.
• Şekil 4: Özellik Önem Sıralaması Grafiği: Girdi özelliklerini (örn., pasta hacmi farkı, X-ofset, Y-ofset, pasta yüksekliği) nihai SVR-RBF modelindeki göreceli önemlerine veya katsayı büyüklüklerine göre sıralayan, bileşen kaymasının en önemli itici güçlerini belirleyen bir çubuk grafik.

8. Analiz Çerçevesi: Kod İçermeyen Bir Örnek Vaka

Senaryo: Bir üretici, tıbbi bir cihaz için PCB montajında Post-AOI sırasında aralıklı arızalar yaşamaktadır. Arıza, hizalanmamış 0201 metrik kapasitörlerle ilişkilidir.

Araştırma Çerçevesinin Uygulanması:

1. Veri Korelasyonu: Kalite ekibi, çerçeveyi verileri ilişkilendirmek için kullanır. Post-AOI'dan gelen spesifik arızalı kart seri numaralarını, Pre-AOI görüntülerine (reflow öncesi nihai yerleşimi gösteren) ve daha da geriye, o spesifik kapasitör pedleri için SPI verilerine bağlarlar.
2. Özellik Çıkarımı: Her arızalı kapasitör için şu özellikleri çıkarırlar: Pasta Hacmi (sol ped vs. sağ ped farkı), SPI'dan Yerleştirme Ofseti ve bileşen boyutu.
3. Model Tahmini: Bu özellikleri önceden eğitilmiş bir SVR-RBF modeline (makaledeki gibi) girerler. Model, tahmin edilen bir kayma büyüklüğü ve yönü çıktılar.
4. Kök Neden Analizi: Model, SPI'nın pedler arasında >%15 hacim dengesizliği gösterdiği kapasitörler için tutarlı bir şekilde büyük kaymalar tahmin eder. Bu, soruşturmayı yerleştirme makinesine değil, şablon baskı sürecine yönlendirir—belki tıkanmış bir açıklık veya düzensiz sıyırıcı basıncı.
5. Eylem: Ekip, gereksiz yere P&P makinesini yeniden kalibre etmek yerine, bakımı o spesifik bileşen ayak izi için şablon yazıcıya odaklayarak kök nedeni çözer.

Bu örnek, tahmine dayalı modelin sorun gidermeyi tahminden, hedefli, veriye dayalı bir sürece nasıl kaydırdığını göstermektedir.

9. Gelecek Uygulamalar ve Gelişim Yönleri

Araştırma, birkaç umut verici alan açmaktadır:

• Gerçek Zamanlı Adaptif Yerleştirme: Tahmin modelini doğrudan P&P makinesinin kontrol sistemine entegre etmek. Gerçek zamanlı SPI verilerini kullanarak, makine tahmin edilen kaymayı etkisiz hale getirmek için telafi edilmiş bir yerleştirme koordinatı hesaplayabilir, ilk denemede "mükemmel" yerleştirme elde edebilir.
• Süreç Penceresi Optimizasyonu: Modeli sadece tahmin için değil, simülasyon için kullanmak. Mühendisler, pasta spesifikasyonlarındaki (viskozite, akmaya meyil), şablon tasarımındaki veya yerleştirme kuvvetindeki değişikliklerin kaymayı nasıl etkileyeceğini sanal olarak test edebilir, fiziksel denemelerden önce süreci optimize edebilir.
• Diğer Hatalara Genişletme: Aynı veri füzyonu ve ML çerçevesi (SVR veya diğer algoritmalar), mezar taşı (tombstoning), lehim köprüsü veya yetersiz lehim gibi diğer hataları tahmin etmek için uygulanabilir, SMT hattı için kapsamlı bir "Kalite Tahmin Motoru" oluşturabilir.
• Dijital İplik ile Entegrasyon: Bu modeli tesis çapında bir dijital ipliğe veya üretim yürütme sistemine (MES) gömerek, tüm ürün yaşam döngüsü boyunca izlenebilirlik ve tahmine dayalı içgörüler sağlayabilir, güvenilirlik tahminlerine beslenebilir.
• Gelişmiş ML Modelleri: Derin Sinir Ağları veya Fizik Bilgili Sinir Ağları (PINNs) gibi, akışkan dinamiğinin temel denklemlerini doğrudan öğrenme sürecine dahil edebilen daha karmaşık modellerin araştırılması, potansiyel olarak daha az veriyle doğruluğu artırabilir.

10. Kaynaklar

1. [Şekil Referansı] Temel SMT süreçlerinin şeması.
2. Lau, J., & Erasmus, S. (2010). Applied Surface Mount Assembly. Springer Science & Business Media. (SMT temelleri için).
3. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14(3), 199-222. (SVR teorisi için).
4. National Institute of Standards and Technology (NIST). (2023). Cybermanufacturing Systems. Erişim adresi: https://www.nist.gov/programs-projects/cybermanufacturing-systems. (Akıllı üretim bağlamı için).
5. Monostori, L., et al. (2016). Cyber-physical systems in manufacturing. CIRP Annals, 65(2), 621-641. (Endüstri 4.0 entegrasyonu için).
6. Koh Young Technology. (2023). SPI & AOI Technology White Papers. (Veri kaynağı ilhamı için).
7. MIT Laboratory for Manufacturing and Productivity. (2022). Research in AI for Manufacturing. (En son teknoloji bağlamı için).