表面粘着技术解析Word文件下载.docx

表面粘着技术解析Word文件下载.docx

《表面粘着技术解析Word文件下载.docx》由会员分享，可在线阅读，更多相关《表面粘着技术解析Word文件下载.docx（24页珍藏版）》请在冰豆网上搜索。

则此制程无需再经由波焊制程。

如图一左半部所示。

图一、表面粘着基本制程

二、表面粘着制程现况及制程问题

表面粘着组装制程中涉入相当复杂且广泛的变量，如原材料、机械设备、参数设定、生产程序等等（如图二所示），

图二、表面粘着制程变量因效分析图

由图二中得知，由于表面粘着制程中牵扯的变量极多，因此如何稳定地、有效率地生产高品质的电子产品，已成为一般电子组装业的一大课题与挑战。

根据统计资料显示，在表面粘着制程中，从事于制程的除错及改善的时间约莫占全部制程故障时间的百分之七十左右（如图三所示）。

因此如何降低机器故障率、减少焊性缺点、及稳定制程仍是业界的一大难题。

也因此表面粘着制程的诊断及改善为本研究计划主要的研究目标。

图三、表面粘着制程故障时间分布（资料来源：

VeriFoneTaiwanLtd.）

然而一般领域研究者对表面粘着技术研究通常着重于单一制程的个别探讨，并导出许多的复杂公式，但这些公式通常有以下的缺点：

（1）无法将公式有效准确地应用于瞬息万变实务上；

（2）未将完整表面粘着制程之交互作用纳入考量；

（3）须有特殊的仪器方能量取公式中的各种参数；

4）难以启发一般使用者于实务中从事品质改善，除非要有进阶课程的学习。

再者，由于将制程经验及知识加以转换成适当的文件与记录是相当困难的事，一般业者对于表面粘着技术制程知识的获取、经验传承及教育训练，倍感困惑及无力感。

尤其对如雨后春笋般出现新的制程，如FPT,BGA,CSP,FLIPCHIP等更觉雪上加霜。

深感知识获得之不易及传承上的难上加难。

为了解决以上的问题，本论文将以『模糊类神经』（NeuroFuzzy）技术建立一套崭新的『表面粘着制程诊断系统』透过协助模式以帮助工程师及作业者实时地解决一些制程及焊性缺点，以期提升产品品质及提高制程稳定性。

此系统包含以下要件

（1）模糊类神经模式-FAMS；

（2）完整表面粘着制程的实验结果；

（3）专有制程知识及（4）实际生产中获得的制程管制资料，用以发展与建构此智能型诊断系统，并弥补传统统计制程管制之缺点，成为一套能协助表面粘着制程管理、品质改善及辅助诊断的利器。

此系统将使用类神经模糊的软件（fuzzyTECH）及VisualBasic进行特殊程序代码撰写以作适当的接口延伸。

发展完成的系统可提供

（1）最佳化表面粘着制程参数；

（2）图型化制程改善使用接口；

（3）制程训练的蓝本；

（4）线上规则学习机制等。

除此之外，本诊断系统可藉由系统参数化之设计以仿真制程参数变化对锡膏印刷品质、回焊效果、及整个制程总合变化。

且系统已经实际于表面粘着生产线上试用，可达百分之八十五的准确度，因此本系统可在程度上应用于其它厂牌之表面粘着机器及制程上，有效率地协助制程的改善及稳定性，使业者更能改善其表面粘着的制程能力，进而增加其品质竞争力。

贰、研究背景

目前在表面粘着制程改善的相关研究上，大概可区分为三大类：

1.一般表面粘着技术的研究，着重于以特殊数学方程式表示个别制程的生产状态。

2.某些制程改善的研究，强调运用传统统计制程品管之概念，以改善表面粘着生产制程。

3.另外一些研究则运用专家系统与决策支持系统，提供制程问题改善的建议。

以下分别讨论这三类研究的优缺点：

（1）表面粘着生产技术在电子业界与学术界皆有不少研究，其中多数的研究试图利用专业实验室的特殊仪器或复杂的方程式代表个别制程的生产状态，但往往疏忽其制程中各变量数间的交互作用，对实务上鲜少有正面重大的改善效果，只有在特殊原材料或机器研发时才能明显地见到此研究方法的效益。

以锡膏印刷制程（Printing）为例，有些研究着重于钢版开孔（Stencilaperture）的设计、刮刀（Squeegee）材质的选定、印刷速度、刮刀压力、及间隙值（Snap-offheight）的控制。

并以相关数学公式表示之，如Dr.Anderson（1994）所提出的锡膏印刷效应[8]：

:

刮刀剪力:

锡膏粘度:

刮刀角速度H:

刮刀距离R:

刮刀半径

T:

上刮刀扭力

之后，Haung（1996）也提供类似的锡膏印刷公式[7]：

是剪力；

v是刮刀速度；

h是钢板厚度；

D钢板开孔方式；

η是锡膏粘度

锡膏粘度与剪力倒数成正比：

由以上两式，可得：

其缺点如下：

因子分析之结论牵涉到特殊剪力的衡量与机器本身结构效应的评估，这些皆需要专业的器材量取或是机器本身能提供动态机构的变化量，否则甚难使用于实务中，有效地改善锡膏印刷的品质。

（2）在业界使用的表面粘着制程控制中，传统的统计制程品管（SPC）扮演着极重要的角色。

然而，SPC的主要缺点是只有当制程出现异常时才警告操作员或工程师，但无法提供相对应的改善对策。

例如TrutnaandAguayo（1992）提出一套专为表面粘着制程的控制计划[5]，其系统优点为：

1）透过实验计画订定锡膏印刷制程与零件取制的管制界限，2）可提供快速的品质信息，3）制程超出管制界限时，适时地提出警告。

但其具以下缺点：

1）需要工程师随时更新管制规格及文件，2）缺乏图形化的管制界面，3）并未研究所有制程的交互作用效应，4）缺乏进一步的改善建议以引导作业员来进行改善。

SteveHall（1993）亦利用实验设计方式取得锡膏印刷制程管制的资料，主要是针对刮刀速度、刮刀压力,刮刀脱离速度、锡膏颗粒尺寸、及基板尺寸进行管制[6]。

其系统优点如下：

1）对锡膏印刷制程提供许多良好的管制点，2）利用制程能力指数来告知作业员目前的制程状况，3）可连结锡膏印刷机，作动态的管制。

但其具缺点如下：

1）并未考虑其它可能造成焊性缺点的制程，2）需要很庞大的金钱投资，如机器连结界面、影像检查机、特殊的视觉系统等。

3）只适用于特定的印刷机中。

其它尚有类似的研究，如AnvariandChow（1992）回焊炉温度设计的技巧与建议[11]、Charles（1995）提出的表面粘着细脚距（Fine-pitch）制程控制[15]、Ralph（1995）提出一些各制程优先检验的标准[14]。

但此类研究通常具有以下缺点：

1）动态生产环境之下，难以设定制程管制的界限2）参数设定随不同厂牌机器而变更，3）无法提供有效的制程改善对策，4）难以文件化，5）难以有效率的计算机化制程管制。

（3）在业界使用的表面粘着制程诊断系统研究中，一般专注于锡膏印刷制程问题之研究，但并将零件摆置的偏移量、回焊的效应列入考量，更遑论及反向的制程参数建议。

如Amir（1994）提出一套表面粘着诊断专家系统[3],其优点如下：

1）当统计制程管制的界限超出后，作业员依其锡膏印刷设定参数值，输入此专家系统中以得到系统之推荐值，2）检验锡膏印刷设定的参数值，如刮刀压力、刮刀角度、刮刀速度、真空板高度、及清洁模式，3）硬件除错，如真空强度，过滤器、及帮浦等，4）提供推论解释的机制。

另外Venkatswaran&

Srihari（1995）提出一套表面粘着制决策支持系统，提供锡膏印刷制程改善的建议[4]。

其研究范畴如下：

1）锡膏印刷机除错建议，2）锡膏特性仿真，3）基板（substrate）特性的考量，4）钢板设计，5）工作环境影响。

虽此二系统提供相当优异的表面粘着制程诊断系统，但它们皆遗漏了回焊制程中回焊参数的重要效应与因子间交互作用之考量，其诊断系统只可局部地适用于前半段的表面粘着制程改善上。

由于实务上的表面粘着制程牵扯因素甚广，除原材料外，工作环境的变化、机器的变动性、人员操作倾向等皆会影响焊性品质及电子零件组装后的可靠度。

因此，仅靠单一制程研究或传统的统计制程管制并不能达到预期的改善效果，唯有考量各制程之重要因子，并以整体制程探讨方能得到诊断问题的解决对策。

参、研究目的

综合先前的相关文献后得知，目前有关表面粘着制程改善方面的研究，其主要的缺失整理如下：

（1）使用数学公式以改善制程方面的研究，通常需具有特殊的仪器与设备方能求得公式中所使用的参数值，同时也未考虑各制程因子间的交互作用，因此在实务应用上非常困难。

（2）传统统计制程品管的研究，无法适时提供制程改善的建议，并且在动态的生产环境下，难以设定制程管制的界限。

除此，也并提供必要的矫正建议。

（3）至于使用专家系统或决策支持系统方面的研究，并无考虑回焊制程参数与制程因子间的交互作用，因此只可能作用于前半段制程。

针对上述研究缺失，本研究将发展一智能型表面粘着制程诊断系统，主要是结合实验设计、模糊集群分析法与模糊类神经网络模式，提供制程管理者机器设定参数与制程诊断与改善的建议。

此系统将全面地考量整个生产制程，而不只着重于单一制程分析。

除此，本系统能有效地考虑各制程因子间的交互效应。

本研究有下列五项主要目标：

（1）发展一完整的表面粘着制程诊断决策支持系统。

（2）建立以图形界面的表面粘着诊断系统，以取代传统的统计品管制程控制的方法，并考虑到变量间的交互效应，以利生产品质的提高与稳定。

（3）利用现有统计品管制程控制的资料，运用模糊集群分析法与实验设计的方式，将原始资料转变成适当的制程参数。

（4）利用模糊类神经网络模式建立一套表面粘着制程诊断系统，提供机器设定参数与制程诊断与改善的建议。

（5）深入了解表面粘着制程中可控制因子的交互作用现象。

肆、研究方法

本论文采用Kosko（1992）所建立的FAMs（FuzzyAssociativeMemories）模糊类神经网络模式作为建立诊断规则之工具[20]。

FAM的主要原理是运用模糊系统的映像原理（如图四所示），此网络基本上是一个模糊化的二元异联想神经网络.其中最简单的FAM网络就是一个关联组。

然而通常一个FAM系统中包含许多的模糊关联组，而这些关联组即整合成一个规则矩阵（RuleMatrix）。

图四、模糊映像（Kosko,1992）

以隶属向量来表示A和B，则和，若欲转换成模糊关联，可将嵌入数值化的FAM矩阵内，然后使用以下的模糊化Hebbian学习方法训练之:

其隶属向量可做为FAM规则库的输入层。

至于回想向量输出（recalledmembership-vectoroutput）B则为所有的之总合:

FAM模糊类神经网络模式之系统架构如图五所示，下列文字叙述其各别作用：

图五、FAM网络之系统架构

FAMsIf-Then规则推论

FAMs模式将语化的输入经