smt表面黏著技术.docx
- 文档编号:8374178
- 上传时间:2023-01-30
- 格式:DOCX
- 页数:13
- 大小:175.19KB
smt表面黏著技术.docx
《smt表面黏著技术.docx》由会员分享,可在线阅读,更多相关《smt表面黏著技术.docx(13页珍藏版)》请在冰豆网上搜索。
smt表面黏著技术
壹、前言
表面粘着技术(SurfaceMountTechnology)已渐渐地取代传统『人工插件』的波焊作业方式,俨然成为现代电子组装产业的主流,因它可以组装制造出相当轻、薄、短、小且品质良好的电子产品。
据统计资料显示大约百分之九十的个人计算机,皆制造于表面粘着生产线,而非经由传统的波焊生产方法。
主要原因是由于现代的电子产品要求小型化、高密度化、及更高的电子讯号传输效率。
这也就是为什么表面粘着生产技术逐渐地取代传统波焊生产技术的主要原因。
一、基本表面粘着制程
表面粘着制程基本的生产制程可分为两类:
(1)烘烤制程(Curing)–在过焊锡炉(Wavesolderingmachine)波焊之前,先以胶(Adhesive)将零件固定,再经过锡波的浸润(Wetting)后,即可形成零件与焊垫(Pads)之间的焊接点(Solderjoints)。
其流程如图一右半部所示。
(2)回焊制程(Reflowing)–第一步在焊垫上网印上锡膏(Paste),而后以自动机器于相对焊垫上放置零件,再经过回焊炉的高温烘烤,即可将零件及焊垫之间形成焊点,除非零件面(Primaryside)具有其它的传统零件。
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由推论过程而转换为真确值输出(crispoutput),如图六所示。
图、六Fuzzification,Inference,andDefuzzification
其计算推理过程机制里,含有以下的两个组件:
●集成(Aggregation):
计算规则之前提部“IF”
●合成(Composition):
计算规则之结论部“THEN”
集成(Aggregation)
在模糊系统里常应用以下三个的逻辑推论式:
合成(Composition)
每一条规则之前提部皆有适当的定义以触发结论部,并赋予一个触发程度值(Degree)以适当的描述现有的状态。
适切地合成前提部的触发程度值(DegreeofSupport)为仿真推论中之重要步骤。
此模糊推论可称为MAX-MIN/MAX-PROD推论。
.
FAMs解模糊化
在模糊推论之后紧接着解模糊化动作(Defuzzification)-其推论结果可为某系统所量身定作的语意变量,用以调整最后的输出值。
其中之语意输入值与真确值之关系可以模糊关系式(MembershipFunction)来表示。
FAMs使用两个步骤以完成解模糊化动作,1)转换每一语意变量为一典型值(Typicalvalue),2)折衷每一输出值而求得最适权衡值
计算典型值(typicalvalue)
最常应用于典型值的计算方法是找寻各别的模糊关系式之最大值。
如果模糊关系式有许多最大的区间值,则选取其中值数(Median)。
如图七所示。
图、七典型值计算(各别模糊关系式之最大值)
找寻最适权衡值
第二个步骤在于如何求取真确值的输出,如图八所示。
在典型值的水平位置上赋予一权重值(weight)来表示其对规则本身触发的程度。
权重值之高低是以黑色箭号重叠于灰色箭号之高度而定,如图八所示。
。
最终之最适权衡值如图八之三角箭头所指之位置值。
图、八解模糊化(真确值输出)
这个解模糊化的方法称为最大中心值法(CenterofMaximum),其与最大重心法(CenterofGravity)具异曲同工之妙。
最大中心值COM(Centerofminimum)
此方法是将推论后之模糊关系值最大平均值作为真确值的输出,并计算折衷结果。
并利用中值数计算架构以进行后续动作,
是模糊关系向量B于输出空间Y之模糊中值数,如下列方程式:
Y代表输出空间
伍、表面粘着制程诊断系统之建立
本研究将发展一套完整的表面粘着制程诊断系统,以辅助作业员及工程师解决品质不良及制程的变异,并提供适当的改善对策为其主要目标。
本诊断系统利用下列两个主要模块发展完成:
1)制程参数设定模块,2)初始化机器参数设定模块。
制程参数设定模块主要是提供制程参数之仿真(如温度设定、锡膏厚度、完整制程等)。
而初始化机器参数设定模块,其主要是针对旧有或新增之产品之机器参数,作一适当的建议。
其系统发展架构如图九所示。
图九、系统发展架构
以下逐一叙述这两模块之建立流程:
一、以实验设计方式量测制程因子
利用显著因子设计一200组的实验于一般生产中,并收集记录其结果,此类资料将成为往后模糊类神经模式训练时的学习资料(Learningdata)。
实验方法及流程如图十所示。
图十、实验计画与流程
其程序如下:
1.收集统计制程品管方面的相关数据与资料
在实际生产环境下,透过计算机网络联机收集实时的制程品管资料,以作为模糊类神经网络模式训练之用。
其收集对象包含:
1)锡膏印刷制程因子-如刮刀压力、刮刀速度、离板间距、锡膏粘度、钢版开孔方式、印刷厚度、印刷面积、印刷偏移量、及印刷分辨率等。
2)零件取置置程因子-如零件摆置偏移量。
3)回焊制程因子-如预热斜率(Preheatingslope)、浸润温度(SoakingTemperature)、尖峰温度(Peaktemperature)等。
再将此类资料依据领域专家所预先设订模糊化及数量化之准则,计算其焊性(Solderability)评核分数,以作为模糊类神经网络模式训练时测试资料(Testdata)。
其焊性评分标准及公式如下:
表一、焊性检查标准
二、运用模糊集群分析法(FuzzyClustering)将SPC资料分类并去除多余重复之资料
这里所使用的模糊集群分析法是所谓的模糊中心法(FuzzyC-means),其主要目的是在一群数据中找寻虚拟区隔界面,而落于其间的资料群体即可称为一个集群(Cluster),在集群中找出其中心值即可代表此一族群。
此功能已并入fuzzyTECH软件中。
假设虚拟区隔界面为
而其集群中心v1,v2,…,vc之计算公式如下:
三、使用模糊类神经网络模式建立相关的诊断规则
将上述淬取后资料当作训练资料,而前面实验设计所得的资料作为训练资料,再运用模糊类神经网络模式进行规则的淬取,并赋予每条规则适当的权重,作为建立系统知识库时的信赖度水准。
一个模糊类神经系统学习示意图,如图十一所示、制程上主要的规则推理架构如图十二所示,而模糊类神经学习策略如图十三所示。
图十一、模糊类神经系统
图十二、制程上主要的规则推理架构
图十三、模糊类神经学习策略(fuzzyTECH软件上)
经无数次的学习过程后,其最终学习结果,如表二所示。
表二模糊类神经学习结果
Proc./Block
State/Rules
锡膏印刷制程
回焊制程
焊性评估
Block#1
I
Block#2
II
Block#1
III
Block#2
IV
Block#1
V
MaxDev.起始值
123.78
50.00
123.80
33.34
50.00
MaxDev.训练值
14.76
10.67
14.22
8.94
12.58
Avg.Dev.起始值
79.59
22.75
60.39
15.58
28.07
Avg.Dev.训练值
4.75
3.89
7.26
4.20
6.42
淬取规则数
205
354
222
268
231
决策空间图(附录)
图.A至图.F.
图.G至图.L.
五、领域专家检查上述所建立的诊断规则,删除异常状况的规则
经由模糊类神经网络所建立的知识库,需再经领域专家运用其专有的制程知识,将不可能或差异甚大的规则予以去除,并汇集成一精化规则库。
六、智能型表面粘着诊断系统产生
将汇集的规则库编译(compile)成fuzzyTECH之”ftr”二进制文件,加上VisualBasic之适当的程序化,即可形成一个制程参数诊断系统。
系统架构如图十四所示。
此系统可以在Windows98及WindowsNT之操作系统下运作。
系统需求:
1.计算机486以上,配有16M以上之记亿体及10M以上的硬盘空间。
2.fuzzyTECH模糊系统软件(v5.0以上),以作线上学习功能。
3.MSExcel以产生图表
图十四、系统产出架构图
陆、表面粘着制程诊断系统之运作
当诊断系统运作时,下面这两模块(SMT制程诊断模块与SMT制程参数初始模块),将提供适当的建议与解决方案。
以下将逐一介绍这两模块之运作情形。
(一)SMT制程诊断模块
此模块的主要的目的是提供制程改善的对策及建议制程参数的设定值,以辅助作业员或工程师处理不良制程及机器参数设定错误所产生的问题。
其操作制程改善流程如图十五所示:
图十五、机器与制程诊断流程图
其完整操作程序如下:
步驟1、先检查锡膏印刷的分辨率及偏移率,如果评估结果合乎检验标准则进入步骤二。
反之,确认以下状况:
(1)印刷偏移–此系统随即检查锡膏印刷机的起始设定及机构调整程序,例如印刷程序的品质(X-Y,Theta)、定位点、真空隔板、及隔板等。
(2)低分辨率–此系统随即要求使用者输入锡膏印刷机目前的参数值,经过诊断系统的推理后,提供一组或多组较适合的参数值。
倘若建议参数的绩效不佳,将其记录作为往后系统执行时的参考数值。
步驟2、估零件放置于基板上的准确性,若合乎于检验标准则进入步骤三。
反之,视问题的特性,提供使用者适当的建议方案,以解决取置机设定问题。
如真空压力、送料器状态、吸嘴状况、及定位问题等。
步驟3、评估回焊焊性的结果,若合于检验标准则进入下一制程。
若不合标准,则系统要求使用者输入目前温度的设定值,以评估回焊温度参数的适合度,并提供一组或多组较适合的温度参数值。
倘若建议参数值的绩效不佳,则将其记录作为往后系统执行时的参考数值。
其实际的系统操作接口如图十六所示。
图十六、锡膏印刷制程仿真图十七、回焊温度仿真
图十八、完整制程仿真
(二)SMT制程参数初始模块
本模块会依据以下的基本信息提供一新产品的参数设定:
1)基板信息:
如厚度、尺寸、零件数、零件别等。
2)PCBA(PCBAssembly):
组合密度。
3)制程信息:
细脚距或宽脚距。
其操作程序步骤如下(如图十九所示)及实际功能展示(图二十所示):
步驟1、使用者需输入上述的基本信息,再进入步骤二。
步驟2、将诊断系统所建议的新参数值,设定于锡膏印刷机、取置机、及回焊炉上。
步驟3、评估锡膏印刷品质,若合于标准则进入步骤四。
反之,进入机器调整诊断模块诊断印刷品质不良的原因。
步驟4、评估回焊焊性的结果,若合于检验标准则记录其相关参数值,作为以后面临类似产品时的参考数据。
若不合标准,则进入机器调整诊断模块,诊断回焊性不良的原因。
图十九、制程参数初始化流程图
(三)规则库线上学习
主要利用fuzzyTECH作为DDE(DynamicDataExchange)server,使用者可以将动态规则加载系统所预设的表格中,并设定学习参数(如Termstepwidth,DOSstepwidth,及WinnerNeurons等),及可运用MSDDE之沟通桥梁以执行动态学习的目的。
图二十、制程参数初始化操作接口
(三)系统架构及互动操作
本系统已于台湾金讯电子实战测试,精确度在百分之八十五以上,其误差评估图如附录中之图、M至T所示。
此系统架构于动态的接口及制程的互动性,使用者可以随时地利用本系统来达到品质改善及降低当线率的目标。
示意图如图二十一所示。
图二十一、系统架构及操作示意图
柒、结论与建议
本研究所得到之实验结果及系统建立的部份,皆得来不易。
其目的在:
1)发展一制程参数专家系统,以决定表面粘着制程之最佳化参数设定。
2)发展一机器调整专家系统,提供机器调整时之相关建议。
3)深入分析表面粘着制程中各重要因子的交互效用,以模糊规则表示。
4)发展一表面粘着制程中各重要因子的图型焊性检验标准。
5)发展一崭新图形界面之表面粘着制程诊断系统。
6)提出制程中因子之交互效应,协助制程参数的调整以改善制程及焊性方面的缺点。
其中尚有一些重点需要加强,此类重点将是以后研究的对象,以扩充本系统成为表面粘着制程的最佳利器:
1.需进一步考虑锡膏印刷的流体力学(Rheology)部份,以克服不同品牌锡膏的效应。
2.如何连结现有统计品管软件,以期加强实效。
3.如何将工作环境之温、湿度效应纳入考量。
4.如何再进一步加强仿真准确性,以达百分之九十五的目标。
捌、参考文献
[1]MichaelBrisky(1992),MasteringSMTManufacturing,N.Y.:
SMTPLUS,INC.
[2]StevenBryant,KenLoewenthalandEd
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- smt 表面 技术