CN113536489B - 一种组件封装的连接构型和工艺参数确定方法 - Google Patents
一种组件封装的连接构型和工艺参数确定方法 Download PDFInfo
- Publication number
- CN113536489B CN113536489B CN202110981544.0A CN202110981544A CN113536489B CN 113536489 B CN113536489 B CN 113536489B CN 202110981544 A CN202110981544 A CN 202110981544A CN 113536489 B CN113536489 B CN 113536489B
- Authority
- CN
- China
- Prior art keywords
- connection configuration
- parameters
- welding
- reliability
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000008569 process Effects 0.000 title claims abstract description 98
- 238000003466 welding Methods 0.000 claims abstract description 84
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000005476 soldering Methods 0.000 claims description 14
- 150000002500 ions Chemical class 0.000 claims description 9
- 229910000679 solder Inorganic materials 0.000 claims description 9
- 230000013016 learning Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000004806 packaging method and process Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
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
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{xn}≤反演xn≤max{xn}
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{yn}≤反演yn≤max{yn}
其中X为工艺参数集合、Y为连接构型集合、Z为焊点寿命,xi为第i个工艺参数,yi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:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
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,Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维,Vid表示第i个变量的粒子群变化速度的第d维,Xid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{xn}≤反演xn≤max{xn}
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{yn}≤反演yn≤max{yn}
其中X为工艺参数集合、Y为连接构型集合、Z为焊点寿命,xi为第i个工艺参数,yi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,Zi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:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
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,Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维,Vid表示第i个变量的粒子群变化速度的第d维,Xid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{xn}≤反演xn≤max{xn}
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{yn}≤反演yn≤max{yn}
其中X为工艺参数集合、Y为连接构型集合、Z为焊点寿命,xi为第i个工艺参数,yi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,Zi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:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
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,Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维,Vid表示第i个变量的粒子群变化速度的第d维,Xid表示第i个变量的粒子空间值的第d维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981544.0A CN113536489B (zh) | 2021-08-25 | 2021-08-25 | 一种组件封装的连接构型和工艺参数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981544.0A CN113536489B (zh) | 2021-08-25 | 2021-08-25 | 一种组件封装的连接构型和工艺参数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536489A CN113536489A (zh) | 2021-10-22 |
CN113536489B true CN113536489B (zh) | 2023-06-20 |
Family
ID=78092877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981544.0A Active CN113536489B (zh) | 2021-08-25 | 2021-08-25 | 一种组件封装的连接构型和工艺参数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536489B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114147380B (zh) * | 2021-12-08 | 2023-06-20 | 华东理工大学 | 基于数字孪生框架的转子焊接方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023663A (en) * | 1996-04-08 | 2000-02-08 | Samsung Electronics Co., Ltd. | Method and apparatus for inspecting a solder joint using a correlation neural network |
CN108875219A (zh) * | 2018-06-21 | 2018-11-23 | 桂林电子科技大学 | 一种减小功率循环应力的bga焊点结构参数优化方法 |
CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN111125941A (zh) * | 2019-07-08 | 2020-05-08 | 桂林电子科技大学 | 一种csp焊点焊后残余应力测量方法 |
CN111581862A (zh) * | 2020-04-20 | 2020-08-25 | 湖南大学 | 一种焊接接头微区力学性能的等效测试方法 |
CN112257280A (zh) * | 2020-10-29 | 2021-01-22 | 桂林电子科技大学 | 再流焊bga群焊点液固相连续形态预测方法 |
CN113199184A (zh) * | 2021-07-05 | 2021-08-03 | 北京航空航天大学 | 一种基于改进自适应模糊神经网络的焊缝外形预测方法 |
-
2021
- 2021-08-25 CN CN202110981544.0A patent/CN113536489B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023663A (en) * | 1996-04-08 | 2000-02-08 | Samsung Electronics Co., Ltd. | Method and apparatus for inspecting a solder joint using a correlation neural network |
CN108875219A (zh) * | 2018-06-21 | 2018-11-23 | 桂林电子科技大学 | 一种减小功率循环应力的bga焊点结构参数优化方法 |
CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
CN111125941A (zh) * | 2019-07-08 | 2020-05-08 | 桂林电子科技大学 | 一种csp焊点焊后残余应力测量方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN111581862A (zh) * | 2020-04-20 | 2020-08-25 | 湖南大学 | 一种焊接接头微区力学性能的等效测试方法 |
CN112257280A (zh) * | 2020-10-29 | 2021-01-22 | 桂林电子科技大学 | 再流焊bga群焊点液固相连续形态预测方法 |
CN113199184A (zh) * | 2021-07-05 | 2021-08-03 | 北京航空航天大学 | 一种基于改进自适应模糊神经网络的焊缝外形预测方法 |
Non-Patent Citations (4)
Title |
---|
A Novel Vertical Wire-Bonding Compensation Structure Adaptively Modeled and Optimized With GRNN and GA Methods for System in Package;Hao-Ran Zhu et al.;《IEEE Transactions on Electromagnetic Compatibility》;第63卷(第6期);第2-10页 * |
Process optimization of SnCuNi soldering material using artificial parametric design;Chien-Yi Huang et al.;《Journal of Intelligent Manufacturing》;第25卷;第3-10页 * |
基于遗传算法与神经网络微电阻点焊工艺参数优化;高星鹏等;《宇航材料工艺》(第3期);第34-37页 * |
结合DFM及焊点形态理论对SMT虚拟组装***的研究;胡元君;《信息记录材料》;第19卷(第4期);第3-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536489A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783970B (zh) | 一种面向电子产品可靠性仿真分析的热分析方法 | |
CN103559418A (zh) | 一种基于故障物理的电子产品任务可靠度计算方法 | |
CN113536489B (zh) | 一种组件封装的连接构型和工艺参数确定方法 | |
CN116305522A (zh) | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 | |
CN109190152A (zh) | 一种减小功率循环-谐响应耦合下的应力的csp焊点结构参数优化方法 | |
US20170255718A1 (en) | Method and system for determing welding process parameters | |
US9102012B2 (en) | Method and system for determining welding sequences | |
CN112414668A (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
CN112580228A (zh) | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 | |
CN116579207A (zh) | 焊点焊后残余应力预测与优化的变可信度模型确定方法 | |
CN104484511A (zh) | 一种基于仿真分析的机器人结构动态特性设计方法 | |
CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN111756587B (zh) | 一种采用GraphSAGE预测时序网络链路的方法 | |
CN115659895B (zh) | 减小封装芯片翘曲度的方法、装置、存储介质及电子设备 | |
CN117574721A (zh) | 一种工艺参数概率模型优化方法 | |
US20100063946A1 (en) | Method of performing parallel search optimization | |
Sineglazov et al. | An algorithm for solving the problem of forecasting | |
CN112214843A (zh) | 一种用于风洞试验机翼模型有限元刚度修正方法及装置 | |
CN116628854A (zh) | 一种翼型气动特性预测方法、***、电子设备及存储介质 | |
CN115587688A (zh) | 一种基于bim的装配式建筑构件的调度方法及*** | |
CN114819107A (zh) | 基于深度学习的混合数据同化方法 | |
CN114580139A (zh) | 用于自动评估仿真模型的方法 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿***及动态补偿方法 | |
CN110543724A (zh) | 面向总体设计的卫星结构性能预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |