CN113536489B - 一种组件封装的连接构型和工艺参数确定方法 - Google Patents

Abstract

本发明提供了一种组件封装的连接构型和工艺参数确定方法，包括，步骤A：获取连接构型和工艺参数的样本数据；步骤B：以工艺参数作为输入，连接构型作为输出，训练神经网络模型；步骤C：通过仿真分析获取连接构型与焊点可靠性关系；步骤D：建立工艺参数‑连接构型‑可靠性反演方程，基于粒子群算法调整工艺参数，直到计算结果满足可靠性要求。本发明的优点在于：以连接构型作为工艺参数和焊接可靠性的中间参数，通过两次映射确定了工艺参数与连接可靠性的关系，并建立了反演方程，通过粒子群算法更新参数并计算不同参数下的焊点可靠性，从而不需要真实的焊接验证即可根据焊点可靠性要求获得连接构型和工艺参数，降低试验成本和时间。

Description

一种组件封装的连接构型和工艺参数确定方法

技术领域

本发明涉及电子组件封装技术领域，尤其涉及一种组件封装的连接构型和工艺参数确定方法。

背景技术

随着电子产品不断向小型化、轻重量和多功能方向的推进，微***的封装密度愈来愈高，单位面积内器件数目不断增加，互联结构焊点愈来愈小，其所承载的力学、电学和热学负荷则愈来愈重，对互联界面的可靠性要求日益提高。据罗姆航空数据，由连接工艺因素引起的T/R组件失效高达三分之一，从连接工艺角度来研究微波组件的可靠性具有重要意义。但在当前连接工艺研究中，在组件封装连接设计制造阶段通常采用经验来确定应有的工艺参数，试制样件后进行实测焊点性能，若焊点性能不达标则需要重新返回设计阶段更改工艺参数，不断试错才能达到预期的焊点性能指标，最终导致产品研制周期长、投入成本高。很少能从数据挖掘的角度分析连接焊点界面结构的演化机理，来优化组件封装工艺，提升工艺的稳定性；也很少从数据挖掘和优化算法的复合作用下来分析微波组件焊点连接构型对连接可靠性寿命的影响。

公开号为CN104239645A的发明专利申请公开了一种微组装组件抗振可靠性设计方法和***，基于仿真模型分析焊缝宽度与固有频率的关系，获取临界频率对应的焊缝临界宽度，以焊缝临界宽度为准则确定焊缝关键工艺参数，由此解决了先焊接，后试验，然后调整参数的传统方式的成本问题，但是其仅考虑焊缝宽度，然后确定焊接工艺参数，并未充分考虑链结构性及不同工艺组合对焊接可靠性的影响。

发明内容

本发明所要解决的技术问题在于提供一种针对组件连接确定焊接连接构型和工艺参数的方法。

本发明是通过以下技术方案解决上述技术问题的：一种组件封装的连接构型和工艺参数确定方法，包括，

步骤A：获取连接构型和工艺参数的样本数据；

步骤B：以工艺参数作为输入，连接构型作为输出，训练神经网络模型；

步骤C：通过仿真分析获取连接构型与焊点可靠性关系；

步骤D：建立工艺参数-连接构型-可靠性反演方程，基于粒子群算法调整工艺参数，直到计算结果满足可靠性要求。

本发明以连接构型作为工艺参数和焊接可靠性的中间参数，通过两次映射确定了工艺参数与连接可靠性的关系，并建立了反演方程，通过粒子群算法更新参数并计算不同参数下的焊点可靠性，实现基于可靠性要求确定焊接工艺参数的目的，从而不需要真实的焊接验证即可根据焊点可靠性要求获得连接构型和工艺参数，降低试验成本和时间。

优选的，所述获取连接构型和工艺参数的样本数据的方法包括，

步骤i：确定连接构型的几何参数和物性参数；

步骤ii：确定焊接过程关键工艺参数；

步骤iii：设计实验，获取等间距的设计焊接过程关键工艺参数的数值，进行焊接实验，获取每一组工艺参数对应的连接构型。

优选的，所述连接构型的几何参数包括焊点爬高、焊点延伸宽度和焊点厚度；物性参数包括材料种类、材料密度、弹性模量、温度特性。

优选的，所述焊接过程关键工艺参数包括焊接中的峰值温度、降温速率、焊膏厚度。

优选的，还包括基于步骤iii中的实验数据设计仿真实验，在不同工艺参数下模拟焊点连接构型，扩展样本数据的步骤。

优选的，步骤B中在训练前对样本数据进行预处理，对样本数据进行清洗、插补和扩充，将预处理后的样本数据随机划分，构建训练集和测试集，以工艺参数中的峰值温度、降温速率和焊膏厚度作为神经网络模型的输入，以焊点爬高、焊点延伸宽度和焊点厚度作为神经网络模型的输出。

优选的，所述通过仿真分析获取连接构型与焊点可靠性关系的方法为，根据基板和元器件的几何尺寸建立相应的有限元模型，设定物性参数，参考实际环境中基板工作时承受的载荷，施加对应的边界条件和载荷，基于Engelmaier-Wild焊点失效模型对温度冲击下焊点疲劳寿命进行评估，确定连接构型与焊点应力应变分布之间的关联关系，建立连接构型与可靠性关系网络。

优选的，所述工艺参数-连接构型-可靠性反演方程包括，

工艺参数反演模型：

Find X

s.t.min{x₁}≤反演x₁≤max{x₁}

min{x₂}≤反演x₂≤max{x₂}

…

min{x_n}≤反演x_n≤max{x_n}

连接构型反演模型：

Find Y

s.t.min{y₁}≤反演y₁≤max{y₁}

min{y₂}≤反演y₂≤max{y₂}

…

min{y_n}≤反演y_n≤max{y_n}

其中X为工艺参数集合、Y为连接构型集合、Z为焊点寿命，x_i为第i个工艺参数，y_i为第i个连接构型参数，s.t.表示约束条件，RMSE表示均方根值。

优选的，所述基于粒子群算法调整连接构型的方法为，

步骤1：初始化算法的各个参数，设置最大迭代次数，自变量数量，离子的最大速度，惯性权重，位置信息，自我和群体学习因子，在速度区间和搜索空间中随机初始化速度和位置，设置粒子群群体大小，每个离子初始化一个随机飞行速度，设置目标值和约束条件；

步骤2：随机生成多组连接构型参数组合，基于连接构型与焊点可靠性的关系，确定焊点的应力应变，得到全局最优解；

步骤3：判断全局最优解是否满足目标值，或者是否达到最大迭代次数，如果满足则输出全局最优解及对应的连接构型参数，如果不满足，则更新结构参数和对应的粒子速度，返回步骤2，在后续的迭代过程中，将更新后的最优解与全局最优解进行比较更新全局最优解；

确定连接构型后，基于以上同样的方法确定工艺参数。

优选的，所述粒子群算法的优化目标为危险焊点的最大应力和最大应变值，所述约束条件为各参数的区间范围；更新速度和位置的公式为：

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X_id＝X_id+V_id

其中，ω≥0为惯性因子，数值越大，全局寻优能力越强，数值越小，局部寻优能力越强；C₁和C₂为加速度常数，前者是每个离子的个体学习因素，后者是每个粒子的社会学习因素；random(0,1)表示区间[0,1]内的随机数，P_id表示第i个变量的个体极值的第d维，P_gd表示全局最优解的第d维，V_id表示第i个变量的粒子群变化速度的第d维，X_id表示第i个变量的粒子空间值的第d维。

本发明提供的组件封装的连接构型和工艺参数确定方法的优点在于：以连接构型作为工艺参数和焊接可靠性的中间参数，通过两次映射确定了工艺参数与连接可靠性的关系，并建立了反演方程，通过粒子群算法更新参数并计算不同参数下的焊点可靠性，实现基于可靠性要求确定焊接工艺参数的目的，从而不需要真实的焊接验证即可根据焊点可靠性要求获得连接构型和工艺参数，降低试验成本和时间。

附图说明

图1为本发明的实施例提供的组件封装的连接构型和工艺参数确定方法的流程图；

图2为本发明的实施例提供的组件封装的连接构型和工艺参数确定方法的连接构型的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供了一种组件封装的连接构型和工艺参数确定方法，包括

步骤A：获取连接构型和工艺参数的样本数据；

步骤B：以工艺参数作为输入，连接构型作为输出，训练神经网络模型；

步骤C：通过仿真分析获取连接构型与焊点可靠性关系；

步骤D：建立工艺参数-连接构型-可靠性反演方程，基于粒子群算法调整工艺参数，直到计算结果满足可靠性要求。

本实施例以连接构型作为工艺参数和焊接可靠性的中间参数，通过两次映射确定了工艺参数与连接可靠性的关系，并建立了反演方程，通过粒子群算法更新参数并计算不同参数下的焊点可靠性，实现基于可靠性要求确定焊接工艺参数的目的，从而不需要真实的焊接验证即可根据焊点可靠性要求获得连接构型和工艺参数，降低试验成本和时间。

具体的，本实施例提供的组件封装的连接构型和工艺参数确定方法包括，

步骤A：获取连接构型和工艺参数的样本数据；

所述获取连接构型和工艺参数的样本数据的方法包括，

步骤i：确定连接构型的几何参数和物性参数；

参考图2，所述几何参数包括焊点爬高H，焊点延伸款度L和焊点厚度T；所述物性参数包括材料种类、材料密度、弹性模量、温度特性等，其中温度特性为材料随温度变化的特性参数。

步骤ii：确定焊接过程关键工艺参数；

所述焊接过程关键工艺参数包括焊接中的峰值温度、降温速率、焊膏厚度。

步骤iii：设计实验，获取等间距的设计焊接过程关键工艺参数的数值，进行焊接实验，获取每一组工艺参数对应的连接构型。

进一步的，还包括通过步骤iii中的实验数据设计仿真实验，在不同工艺参数下模拟焊点融化凝固成型后的连接构型，并参考实验数据进行验证和修正，从而扩展样本数据的步骤。

步骤B：以工艺参数作为输入，连接构型作为输出，训练神经网络模型；

在训练前对样本数据进行预处理，包括对样本数据进行清洗、插补和扩充，将预处理后的样本数据随机划分，构建训练集和测试集，本实施例中以80％的数据作为训练集，20％的数据作为测试集，进行模型训练；以工艺参数中的峰值温度、降温速率和焊膏厚度作为神经网络模型的输入，以焊点爬高、焊点延伸宽度和焊点厚度作为神经网络模型的输出。

在进行训练时，卷积神经网络的卷积层学习得到工艺参数训练数据的特征参数，然后将特征参数输入到池化层汇总，输出卷积数据，经过3次卷积操作后，在全连接层中，将上一层的特征数据重构后作为全连接网络的输入，并进行全连接计算，得到输出数据。

将卷积神经网络的预测数据与真实数据进行比较，当存在差别时，利用神经网络自身的反向传播学习微调每层网络中的权重和偏置，修正完权值和偏置后再次进行前向运算，计算误差，在训练过程中可以增多网络层数，在保证网络不会过拟合的范围内加深网络深度，调整每一层的神经元个数，加大训练周期，知道误差满足预期目标或者损失值达到最小并趋于稳定时停止训练，从而得到典型连接工艺下，由工艺参数预测连接构型的映射模型。

步骤C：通过仿真分析获取连接构型与焊点可靠性关系，具体方法为，

根据基板和元器件的几何尺寸，在ANSYS软件中建立相应的有限元模型，设定选用的物性参数，参考实际环境中基板工作时承受的载荷，施加对应的边界条件和载荷，基于Engelmaier-Wild焊点失效模型对温度冲击下焊点疲劳寿命进行评估，确定连接构型与焊点应力应变分布之间的关联关系，建立连接构型与可靠性关系网络。

步骤D：建立工艺参数-连接构型-可靠性反演方程，基于粒子群算法调整工艺参数，直到计算结果满足可靠性要求。

所述工艺参数-连接构型-可靠性反演方程包括，

工艺参数反演模型：

Find X

s.t.min{x₁}≤反演x₁≤max{x₁}

min{x₂}≤反演x₂≤max{x₂}

…

min{x_n}≤反演x_n≤max{x_n}

连接构型反演模型：

Find Y

s.t.min{y₁}≤反演y₁≤max{y₁}

min{y₂}≤反演y₂≤max{y₂}

…

min{y_n}≤反演y_n≤max{y_n}

其中X为工艺参数集合、Y为连接构型集合、Z为焊点寿命，x_i为第i个工艺参数，y_i为第i个连接构型参数，s.t.表示约束条件，RMSE表示均方根值，Z_i表示第t次迭代中的焊点寿命。

所述基于粒子群算法调整工艺参数的方法为，

步骤1：初始化算法的各个参数，设置最大迭代次数，自变量数量，离子的最大速度，惯性权重，位置信息，自我和群体学习因子，在速度区间和搜索空间中随机初始化速度和位置，设置粒子群群体大小，每个离子初始化一个随机飞行速度，设置目标值和约束条件；

步骤2：随机生成多组连接构型参数组合，基于步骤C得到的连接构型与焊点可靠性的关系，确定焊点的应力应变，得到全局最优解；

步骤3：判断全局最优解是否满足目标值，或者是否达到最大迭代次数，如果满足则输出全局最优解及对应的连接构型参数，如果不满足，则更新结构参数和对应的粒子速度，返回步骤2，在后续的迭代过程中，将更新后的最优解与全局最优解进行比较更新全局最优解。

所述粒子群算法的优化目标为危险焊点的最大应力和最大应变值，所述约束条件为各参数的区间范围；更新速度和位置的公式为：

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X_id＝X_id+V_id

其中，ω≥0为惯性因子，数值越大，全局寻优能力越强，数值越小，局部寻优能力越强；C₁和C₂为加速度常数，前者是每个离子的个体学习因素，后者是每个粒子的社会学习因素；random(0,1)表示区间[0,1]内的随机数，P_id表示第i个变量的个体极值的第d维，P_gd表示全局最优解的第d维，V_id表示第i个变量的粒子群变化速度的第d维，X_id表示第i个变量的粒子空间值的第d维。

对于反演得到的连接构型，以同样的方法进行反演确定其工艺参数，即可得到焊接所使用的连接构型和工艺参数。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种组件封装的连接构型和工艺参数确定方法，其特征在于：包括，

步骤A：获取连接构型和工艺参数的样本数据；

步骤B：以工艺参数作为输入，连接构型作为输出，训练神经网络模型；

步骤B中在训练前对样本数据进行预处理，对样本数据进行清洗、插补和扩充，将预处理后的样本数据随机划分，构建训练集和测试集，以工艺参数中的峰值温度、降温速率和焊膏厚度作为神经网络模型的输入，以焊点爬高、焊点延伸宽度和焊点厚度作为神经网络模型的输出；

步骤C：通过仿真分析获取连接构型与焊点可靠性关系；

步骤D：建立工艺参数-连接构型-可靠性反演方程，基于粒子群算法调整工艺参数，直到计算结果满足可靠性要求；

所述工艺参数-连接构型-可靠性反演方程包括，

工艺参数反演模型：

Find X

s.t.min{x₁}≤反演x₁≤max{x₁}

min{x₂}≤反演x₂≤max{x₂}

…

min{x_n}≤反演x_n≤max{x_n}

连接构型反演模型：

Find Y

s.t.min{y₁}≤反演y₁≤max{y₁}

min{y₂}≤反演y₂≤max{y₂}

...

min{y_n}≤反演y_n≤max{y_n}

其中X为工艺参数集合、Y为连接构型集合、Z为焊点寿命，x_i为第i个工艺参数，y_i为第i个连接构型参数，s.t.表示约束条件，RMSE表示均方根值，Z_i表示第t次迭代中的焊点寿命。

2.根据权利要求1所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：所述获取连接构型和工艺参数的样本数据的方法包括，

步骤i：确定连接构型的几何参数和物性参数；

步骤ii：确定焊接过程关键工艺参数；

步骤iii：设计实验，获取等间距的设计焊接过程关键工艺参数的数值，进行焊接实验，获取每一组工艺参数对应的连接构型。

3.根据权利要求2所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：所述连接构型的几何参数包括焊点爬高、焊点延伸宽度和焊点厚度；物性参数包括材料种类、材料密度、弹性模量、温度特性。

4.根据权利要求2所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：所述焊接过程关键工艺参数包括焊接中的峰值温度、降温速率、焊膏厚度。

5.根据权利要求2所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：还包括基于步骤iii中的实验数据设计仿真实验，在不同工艺参数下模拟焊点连接构型，扩展样本数据的步骤。

6.根据权利要求1所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：所述通过仿真分析获取连接构型与焊点可靠性关系的方法为，根据基板和元器件的几何尺寸建立相应的有限元模型，设定物性参数，参考实际环境中基板工作时承受的载荷，施加对应的边界条件和载荷，基于Engelmaier-Wild焊点失效模型对温度冲击下焊点疲劳寿命进行评估，确定连接构型与焊点应力应变分布之间的关联关系，建立连接构型与可靠性关系网络。

7.根据权利要求1所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：所述基于粒子群算法调整连接构型的方法为，

步骤1：初始化算法的各个参数，设置最大迭代次数，自变量数量，离子的最大速度，惯性权重，位置信息，自我和群体学习因子，在速度区间和搜索空间中随机初始化速度和位置，设置粒子群群体大小，每个离子初始化一个随机飞行速度，设置目标值和约束条件；

步骤2：随机生成多组连接构型参数组合，基于连接构型与焊点可靠性的关系，确定焊点的应力应变，得到全局最优解；

步骤3：判断全局最优解是否满足目标值，或者是否达到最大迭代次数，如果满足则输出全局最优解及对应的连接构型参数，如果不满足，则更新结构参数和对应的粒子速度，返回步骤2，在后续的迭代过程中，将更新后的最优解与全局最优解进行比较更新全局最优解；

确定连接构型后，基于以上同样的方法确定工艺参数。

8.根据权利要求7所述的一种组件封装的连接构型和工艺参数确定方法，其特征在于：所述粒子群算法的优化目标为危险焊点的最大应力和最大应变值，所述约束条件为各参数的区间范围；更新速度和位置的公式为：

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X_id＝X_id+V_id

其中，ω≥0为惯性因子，数值越大，全局寻优能力越强，数值越小，局部寻优能力越强；C₁和C₂为加速度常数，前者是每个离子的个体学习因素，后者是每个粒子的社会学习因素；random(0,1)表示区间[0,1]内的随机数，P_id表示第i个变量的个体极值的第d维，P_gd表示全局最优解的第d维，V_id表示第i个变量的粒子群变化速度的第d维，X_id表示第i个变量的粒子空间值的第d维。

Images