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: Al-Yerleştir (P&P) sürecindeki bileşen kaymaları. Bir bileşen ıslak lehim pastası üzerine yerleştirildiğinde, akışkan dinamiği ve pasta özellikleri, bileşenin amaçlanan konumundan kaymasına neden olabilir. Sonraki reflow lehimleme bir miktar kendiliğinden hizalamayı sağlasa da, yüksek yoğunluklu, yüksek güvenilirlikli elektronik üretim için başlangıç kaymalarını en aza indirmek son derece önemlidir.

1.1. Yüzey Montaj Teknolojisi

SMT, elektronik bileşenlerin baskılı devre kartlarına (PCB) montajında kullanılan baskın yöntemdir. Temel SMT hattı üç ana süreçten oluşur: Şablon Baskı (SPP), Al-Yerleştir (P&P) ve Lehim Reflow. Lehim Pasta İncelemesi (SPI) ve Otomatik Optik İnceleme (AOI) gibi kalite kontrol noktaları, süreç sonuçlarını izlemek için entegre edilmiştir.

1.2. Yerleştirme Sürecinde Bileşen Kayması

Kayma, yerleştirmeden sonra lehim pastasının viskoelastik özellikleri (sarkma, dengesizlik) ve makine titreşimi gibi dış faktörler nedeniyle meydana gelir. Bileşen boyutları küçüldükçe ve pin aralığı azaldıkça, bu mikro kaymalar, köprüleme veya açık devre gibi hataların önemli nedenleri haline gelir ve reflow'un bunları tamamen düzelteceği varsayımını zorlaştırır.

2. Metodoloji & SVR Modeli

Çalışma, süreç parametreleri ile bileşen kayması arasındaki karmaşık, doğrusal olmayan ilişkiyi modellemek için makine öğrenimini kullanan veri odaklı bir yaklaşım benimsemektedir.

2.1. Destek Vektör Regresyonu (SVR)

SVR, sınırlı sayıda örnekle yüksek boyutlu, doğrusal olmayan regresyon problemlerini ele almadaki etkinliği nedeniyle seçilmiştir; bu, endüstriyel deneysel verilerde sık görülen bir senaryodur.

2.2. Çekirdek Fonksiyonları: Doğrusal vs. RBF

İki çekirdek fonksiyonu değerlendirilmiştir: Doğrusal çekirdek (SVR-Doğrusal) ve Radyal Tabanlı Fonksiyon çekirdeği (SVR-RBF). RBF çekirdeği, özellikle verilerdeki karmaşık, doğrusal olmayan ilişkileri yakalamak için uygundur.

3. Deneysel Kurulum & Veri

En son teknoloji bir SMT montaj hattında kapsamlı bir deney tasarlanmıştır. Kaymayı etkilediği düşünülen temel girdi özellikleri üzerine veri toplanmıştır, bunlar arasında:

• Lehim Pasta Özellikleri: Hacim, pad'den sapma, sarkma özellikleri.
• Yerleştirme Ayarları: Yerleştirme kuvveti, hız, hassasiyet.
• Bileşen & Kart Faktörleri: Bileşen boyutu, ağırlık, PCB düzlüğü.

Çıktı değişkeni, yerleştirmeden sonra ancak reflow'dan önce X ve Y yönlerinde ölçülen bileşen kaymasıydı (örneğin, mikron cinsinden).

4. Sonuçlar & Analiz

Modeller, toplanan veri seti üzerinde eğitilmiş ve test edilmiş olup, performans Ortalama Mutlak Hata (MAE) ve Kök Ortalama Kare Hata (RMSE) gibi metrikler kullanılarak değerlendirilmiştir.

4.1. Tahmin Performansı

Grafik Açıklaması (İma Edilen): Tahmin edilen ve gerçek bileşen kayma değerlerini karşılaştıran bir dağılım grafiği, SVR-RBF tahminlerinin ideal y=x çizgisi boyunca sıkı bir şekilde kümelenmiş olduğunu, SVR-Doğrusal tahminlerinin ise özellikle daha yüksek kayma büyüklüklerinde daha fazla dağılım gösterdiğini ortaya koyardı.

4.2. Kayma Faktörleri Üzerine Temel Bulgular

Analiz, lehim pasta hacmi dengesizliği ve yerleştirme sapmasının bileşen kaymasının birincil itici güçleri olduğunu doğrulamıştır. SVR-RBF modelinin özellik önem analizi (veya modelin katsayıları/destek vektörleri) bu faktörleri niceliksel olarak sıralayacaktır.

5. Teknik Detaylar & Matematiksel Formülasyon

Temel SVR optimizasyon problemi, gerçek hedef $y_i$'den en fazla bir $\epsilon$ değeri (epsilon-tüpü) kadar saparken, mümkün olduğunca düz kalan bir $f(x) = w^T \phi(x) + b$ fonksiyonu bulmayı amaçlar. Primal optimizasyon problemi şudur:

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

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

Burada $C$ düzenlileştirme parametresi, $\xi_i, \xi_i^*$ gevşek değişkenler ve $\phi(x)$ veriyi daha yüksek boyutlu bir uzaya eşleyen çekirdek fonksiyonudur. RBF çekirdeği için: $K(x_i, x_j) = \phi(x_i)^T \phi(x_j) = \exp(-\gamma ||x_i - x_j||^2)$.

6. Analiz Çerçevesi: Kod İçermeyen Bir Vaka Örneği

Yeni, ince aralıklı bir PCB'de verimde %2 düşüş yaşayan bir üreticiyi düşünün. Reflow sonrası AOI hizalanma hatası gösteriyor, ancak P&P sonrası Ön-AOI verileri analiz edilmiyor. Bu makalenin çerçevesini uygulayarak:

1. Veri Toplama: SPI verilerini (pasta hacmi, pad başına sapma) arızalı kartlar için Ön-AOI verileriyle (reflow öncesi bileşen konumu) ilişkilendirin.
2. Model Uygulama: SPI ölçümlerine dayanarak beklenen kaymayı tahmin etmek için önceden eğitilmiş bir SVR-RBF modeli (makaledeki gibi) kullanın.
3. Kök Neden Tespiti: Model, SPI'nin pad'ler arasında yüksek hacim varyansı gösterdiği bileşenler için önemli kaymalar (>%50 pin aralığı) tahmin eder. Kök neden, eşit olmayan pasta birikimine neden olan şablon aşınmasına kadar izlenir.
4. Düzeltici Faaliyet: Pasta hacmi varyansı için daha katı SPI kontrol limitleri uygulayın ve önleyici şablon bakımını planlayarak, böylece kaymayı reflow'dan önce kaynağında ele alın.

7. Sektör Analisti Perspektifi

Temel İçgörü: Bu makale, bileşen kaymasını reflow tarafından emilen bir "gürültü" faktörü olmaktan, tahmin edilebilir ve kontrol edilebilir bir süreç değişkenine başarıyla dönüştürmektedir. Gerçek değer sadece tahmin doğruluğunda değil, aynı zamanda kalite paradigmasını reflow sonrası incelemeden, süreç içi tahmin ve düzeltmeye kaydırmaktadır.

Mantıksal Akış: Araştırma mantığı sağlamdır: maliyetli bir mikro hatayı (kayma) tanımlamak, itici güçlerini (pasta/yerleştirme parametreleri) varsaymak, uygun bir ML aracı (küçük, doğrusal olmayan veri için SVR) kullanmak ve gerçek üretim verileriyle doğrulamak. Doğrusal ve RBF çekirdekleri arasındaki karşılaştırma, problemin karmaşıklığını kanıtlayan kritik bir adımdır.

Güçlü & Zayıf Yönler:
Güçlü Yönler: Gerçek, yüksek değerli bir endüstriyel problem üzerinde ML'nin pragmatik kullanımı. Daha karmaşık derin öğrenme yerine SVR seçimi, yorumlanabilirliği ve sınırlı veriyle verimliliği için takdire şayandır—bu, iş için doğru aracı savunan temel ML literatüründe yankılanan bir ilkedir [Hastie ve diğerleri, 2009].
Zayıf Yönler: Makalenin Aşil topuğu muhtemelen veri kapsamıdır. "Birçok diğer dolaylı potansiyel faktörden" (titreşim, konveyör dengesizliği) bahseder ancak model muhtemelen sadece bir alt küme kullanmaktadır. Gerçek fabrika katı dağıtımı, konveyörler ve yerleştirme başlıkları üzerindeki IoT sensörlerinden gelen verilerin entegrasyonunu gerektirir ve Endüstri 4.0 çerçevelerinin öngördüğü gibi hattın dijital ikizine doğru ilerler.

Uygulanabilir İçgörüler:

1. Süreç Mühendisleri İçin: Mümkünse SPI ve Ön-AOI verilerini ilişkilendirmeye hemen başlayın. Pasta dengesizliği ile kayma arasındaki ilişki, süreç kontrolü için doğrudan bir kaldıraçtır.
2. Ekipman Üreticileri İçin (ortak yazar Koh Young gibi): Bu, yeni bir "Tahmine Dayalı Süreç Kontrol" yazılım sınıfı için bir taslaktır. Bu SVR modelini doğrudan SPI veya AOI makinelerine entegre ederek gerçek zamanlı kayma risk skorları ve önerilen düzeltmeler sağlayın.
3. Araştırmacılar İçin: Bir sonraki adım nedensel çıkarım ve reçeteli analitik'tir. Sadece kaymayı tahmin etmeyin; modeli "bu spesifik bileşen için tahmin edilen kaymayı en aza indirmek için hangi yerleştirme parametresi ayarı yapılmalı?" sorusunu yanıtlamak için kullanın. Bu, gelişmiş robotikte görüldüğü gibi, kontrol sistemlerinde ML'den pekiştirmeli öğrenmeye geçişle uyumludur.

Özünde, bu çalışma, SMT'de gerçek tahmine dayalı kalitenin kapısını aralayan sağlam bir kavram kanıtıdır. Sektör şimdi, bu modelleri işletmeye almak için gereken veri altyapısına ve araçlar arası entegrasyona yatırım yaparak bu kapıdan geçmelidir.

8. Gelecekteki Uygulamalar & Araştırma Yönleri

• Kapalı Döngü Süreç Kontrolü: Tahmin modelini doğrudan P&P makinesiyle entegre ederek, tahmin edilen kaymaları telafi etmek için yerleştirme koordinatlarını gerçek zamanlı olarak dinamik bir şekilde ayarlamak.
• Dijital İkiz Entegrasyonu: SVR modelini, SMT hattının kapsamlı bir dijital ikizinin bileşeni olarak sanal test, süreç optimizasyonu ve operatör eğitimi için kullanmak.
• Gelişmiş Malzeme Analizi: Modeli, heterojen entegrasyonda kullanılan yeni lehim pastaları (örn. düşük sıcaklık, yüksek güvenilirlikli pastalar) veya yapıştırıcılar için kaymaları tahmin etmek üzere genişletmek.
• Çok Aşamalı Hata Tahmini: Kayma tahmin modelini, reflow sırasında lehim köprülemesi veya boşluk oluşumu modelleriyle birleştirerek, nihai lehim bağlantısı kalitesini başlangıçtaki baskı ve yerleştirme parametrelerinden tahmin etmek.
• Açıklanabilir YZ (XAI) İyileştirmeleri: SHAP (SHapley Additive exPlanations) gibi teknikleri kullanarak SVR-RBF modelinin tahminlerini süreç mühendisleri için daha yorumlanabilir hale getirmek, her bir girdi özelliğinin tahmin edilen kaymaya nasıl katkıda bulunduğunu net bir şekilde göstermek.

9. Referanslar

1. Şekil 1 standart SMT süreç akışından uyarlanmıştır.
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. baskı). Springer. (SVR gibi model seçimi ilkeleri için).
3. IPC-7525, "Şablon Tasarım Kılavuzları". IPC. (Pasta birikimini etkileyen endüstri standardı).
4. Koh Young Technology. (t.y.). Otomatik Optik İnceleme (AOI) Çözümleri. https://www.kohyoung.com adresinden alındı (İnceleme teknolojisi bağlamı).
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. (Temel SVR teorisi).
6. Zhu, J., ve diğerleri. (2021). Machine learning for advanced manufacturing: A review. Journal of Manufacturing Systems, 60, 672-694. (Üretimde ML bağlamı).