數據驅動的焊膏印刷工藝參數推薦技術

蘇 欣

（成都航空職業技術學院汽車工程學院，四川 成都 610100）

0 引 言

表面貼裝技術（Surface Mount Technology，SMT）被廣泛應用于電子組裝行業，主要包括焊膏印刷、印刷質量檢測、元件貼裝、熱風回流焊和焊接質量檢測5 個工藝流程。傳統方式下焊膏印刷過程主要依賴工藝人員經驗結合試制的方法對工藝參數進行制定，主觀性大、經驗依賴性強、難以根據人工經驗在該范圍內尋找到最優的印刷參數組合，從而導致印刷質量不穩定。已有統計數據表明，由于焊膏印刷控制不佳帶來的缺陷占SMT 生產過程中缺陷總數的70%［1］。

為解決上述問題，目前國內外已有大量學者基于數據的角度對焊膏印刷過程的質量控制［2-5］、工藝優化推薦［6-8］等方面進行了相關研究。

在質量預測方面，肖長冬［9］利用一種改進的徑向基函數神經網絡預測模型實現了焊膏印刷厚度的預測；黃小瑜［10］基于SVM-RFE 獲得了錫膏印刷性能和缺陷的關鍵影響因素，實現了缺陷數據的有效降維；Tsai［11］采用統計過程控制和監控生產過程中的焊膏體積與印刷質量，提高了焊膏印刷過程能力；馮爾磊［12］基于AGNES 和PSO 優化的RBF 神經網絡構建的印刷質量預測模型，實現了預測模型學習過程的自主化；常建濤等［13］基于改進模糊診斷構建了錫膏印刷質量追溯模型，實現了錫膏印刷環節缺陷發生的定性定量分析。

在工藝優化方面，Huang等［14］通過多函數參數化建模確定了QFN 封裝器件的錫膏印刷工藝最優方案。Hung等［15］通過田口正交分析和模糊層次分析將錫膏印刷厚度的Cpk 指數提高了150%，并獲取了最優工藝參數組合。Su等［16］采用聚類算法統計了產線錫膏印刷性能，從而確定了工藝改進方向。Pan 等［17］分析了影響印刷質量的參數，并采用神經網絡和響應曲面法優化了工藝參數。

但現有研究工作仍主要是面向焊膏印刷后的質量追溯或工藝優化，對焊膏印刷的最優工藝參數推薦的研究仍比較少。

本文首先構建面向每一元器件焊膏印刷質量預測模型，包括面向每一元器件的印刷合格率預測、焊膏相對面積/體積預測、印刷缺陷類型預測3 個子模型；其次以每一元器件印刷質量最優為目標，構建印制板焊膏印刷工藝參數推薦模型，實現印刷前的最優工藝參數推薦；最后基于實際印制板的印刷數據中對各模型的正確性進行驗證，在現有數據條件下印刷合格率預測的平均準確度達到98%，推薦出的工藝參數的偏差值與經驗值的偏差小于10%，質量預測和工藝參數推薦結果均可滿足實際生產應用要求。

1 焊膏印刷過程

焊膏印刷［18-19］是通過刮刀的移動將焊膏填充到鋼模板上的開孔內，通過印制板與鋼模板的分離實現將焊膏沉積在印制板上的元器件焊盤上的過程（見圖1），其主要工藝流程包括以下6個步驟：

圖1 焊膏印刷原理［13］

1）工藝參數設置。依據印制板的尺寸及元器件的位置信息通過人工方式對印刷過程中的工藝參數在焊膏印刷機上進行設置，所涉及的工藝參數主要包括印刷壓力、印刷速度、脫模速度、脫模距離等。

2）裝載鋼模板。確定鋼模板安裝方向及固定位置，將鋼模板安裝固定在印刷設備上。

3）裝載印制板。將印制板裝載在印刷設備上相應位置，保證與鋼模板的相對位置。

4）焊膏印刷。在鋼模板印刷區域前施加焊膏，將刮刀向鋼模板開口方向移動至覆蓋鋼模板上全部開孔區域，使得焊膏填充至鋼網開口區域內并與印制板上元器件焊盤區域接觸。

5）分離鋼模板。將鋼模板與印制板分離，焊膏由于重力停留在印制板上，取下印制板，完成印刷過程。

6）質量檢驗。焊膏印刷后采用印刷質量檢測設備對每一元器件對應焊盤上的焊膏體積/面積進行逐一檢驗。首先根據印刷后焊膏形態、位置等信息綜合判斷印刷是否合格。當判斷合格時，需要分析焊膏的體積/面積，從而為后續工序工藝的制定提供依據；當判斷為不合格即有缺陷時，需要進一步判斷是哪一種缺陷類型。常見的缺陷類型包括塌邊、錯位、粘連、錫少等，最后根據不同缺陷類型確定返修方式。

2 元器件印刷質量預測模型構建

隨機森林算法［20-23］是一種基于Bagging框架設計的集成學習方法，其隨機地建立一個由多個決策樹組成的決策森林，然后利用多個決策樹對樣本進行訓練、分類和預測。這種方法結合了Bagging 集成學習理論與隨機子空間算法，具有訓練速度快、泛化能力強、不易過擬合、可平衡誤差、準確率高、實現簡單、抗噪聲能力強等特點。如圖2 所示，隨機森林算法的主要原理流程如下：

1）在原始數據集中有放回地隨機采樣，得到M個訓練子集。

2）在樣本的N個特征中隨機選擇n個特征。

3）對M個訓練子集進行訓練，并將n個特征做最優切分，從而分別得到M個決策樹結果。

4）投票或取均值得到票數最高的預測結果。

由于印制板上元器件種類、數量多，不同印制板上元器件差異也較大，直接構建適應任一印制板焊膏印刷質量預測模型的難度較大，而印制板焊膏印刷后的質量實際反映的是該印制板上每一元器件的印刷質量，因此本文將印制板的印刷質量預測轉化為對該印制板上每一種類元器件的印刷質量預測結果的求和，從而實現對印制板的印刷質量結果的預測。

因此，基于隨機森林算法分別建立面向每一元器件的印刷合格率預測、焊膏相對面積/體積預測、印刷缺陷類型預測3 個子模型，3 個子模型共同構成面向每一元器件的印刷質量預測模型，實現對每一元器件的印刷質量預測。其中印刷合格率預測子模型以不同元器件種類在相應印制板的設計參數和工藝參數為輸入參數，輸出為不同元器件的焊膏體積/面積等質量結果位于標準中要求的合格質量結果的概率；焊膏相對面積/體積預測子模型以設計參數、預測為合格的印制板對應的工藝參數為輸入，預測得到該元器件在印刷合格條件下的焊膏體積/面積分布，為后面的工藝參數推薦模型提供支撐；印刷缺陷類型預測子模型以設計參數、預測為缺陷的印制板對應的工藝參數為輸入，預測得到該元器件在印刷不合格時的具體缺陷種類，為實際的工藝優化提供依據。各子模型的輸入輸出參數如表1 所示，其中設計參數包括元器件的位置參數及所在印制板的長寬高等，工藝參數包括刮刀壓力、脫模速度等。

表1 各子模型輸入輸出

3 印制板焊膏印刷工藝參數推薦模型構建

不同印制板上元器件組合千差萬別，但每一印制板均可看作由不同位置元器件組合得到的，每一位置元器件對應的最優工藝參數組合可能存在多組不同的解，因此對整個印制板的焊膏印刷工藝參數推薦的目的是，基于歷史生產數據找到一個合適的工藝參數組合，使得印制板上每一元器件的印刷結果同時達到最優或較優。如圖3 所示，構建焊膏印刷工藝參數推薦模型的主要流程包括：

圖3 焊膏印刷工藝參數推薦模型構建流程圖

1）獲取元器件設計參數集。

將待推薦工藝參數的印制板的長寬高、每一元器件的位置等參數按照每一元器件對應的參數進行劃分，整理成元器件的設計參數集，且與元器件印刷質量預測模型輸入項保持一致。

2）元器件工藝參數待選集生成。

針對每一元器件，從已有數據庫中匹配找到出現過該元器件的所有合格印制板所對應的工藝參數，生成該元器件的工藝參數待選集。

3）元器件待預測參數集生成。

將元器件的設計參數集和工藝參數待選集按笛卡爾積的方式相乘，得到元器件待預測參數集。

4）工藝參數初始值生成。

根據印制板的設計參數，利用余弦相似度選法在已有數據庫中匹配出與該印制板設計參數最接近的印制板對應的合格工藝參數，并將該工藝參數作為工藝參數初始值。

5）元器件最優/較優工藝參數可選集生成。

將元器件待預測參數集作為元器件焊膏印刷質量預測模型的輸入，首先利用印刷合格預測子模型預測該元器件的印刷結果是否為產生缺陷，若預測結果為缺陷，則排除此組工藝參數，若預測結果為合格，再利用焊膏相對面積/體積預測子模型預測出焊膏面積和體積，從而產生該組工藝參數對應的質量預測結果，并與工藝參數初始值對應的質量實際結果進行比較，取質量最優的前5 組工藝參數組合，從而得到每個元器件的最優工藝參數可選集和較優工藝參數可選集。

6）印刷工藝參數推薦。

將印制板上每一元器件的最優工藝參數可選集做交集，若該交集有值，則選擇該交集中的工藝參數組合在元器件最優工藝參數可選集中出現頻次最高的那組工藝參數組合作為印制板的推薦工藝參數，若該交集沒有值，則選擇在元器件最優工藝參數可選集和較優工藝參數可選集中出現頻率最高的實例作為該印制板的推薦印刷工藝參數。

4 實驗結果及分析

4.1 數據集

本文實驗采用某生產線的印制板實際焊膏印刷數據作為實驗數據。對焊膏印刷過程中的生產數據進行采集，數據預處理后得到80 組不同印制板的設計參數和印制板上約172 萬條不同元器件的工藝數據和質量檢驗結果。對所有實驗數據按照4：1 的比重劃分訓練集和測試集。

4.2 實驗設置

由于焊膏印刷過程隨時在進行，隨時在產生新數據，為使在更新數據集后也有一個穩定的訓練測試分割，將每一組數據都使用一個標識符來決定是否進入測試集，并計算每個實例標識符的哈希值。如果這個哈希值在最大哈希值的20%以內，則該實例對應的數據集進入測試集，以保證測試集中的數據在每次模型訓練過程中是一致的。

由于印刷過程中涉及的各類數據產生的機制不同，代表的含義不同，具有不同的量級和單位，例如印制板的長度、寬度為毫米級，而元器件位置坐標為微米級，這對數據分析會造成很大影響，因此采用Min-Max 方法對所有數據進行標準化處理，將所有數據映射到（0，1）范圍中。

由于獲取到的焊膏印刷質量合格數據與質量缺陷數據之間的比值達到170萬：2萬，即接近100：1，在此情況下，直接訓練模型效果不佳。因此采用SMOTE-Tomek［24-25］方法，采用SMOTE 對得到的質量缺陷類的少數類樣本進行過采樣，然后清理Tomek連接樣本，從而實現對噪聲樣本的清理。經過測試，采用10：1 的不平衡性數據比例是使該印刷質量缺陷模型預測準確率最好的數據比例，既減少了多數類中的冗余數據，又增加了少數類的樣本規模，從而實現焊膏印刷過程中的數據不平衡處理。

實驗過程中對每個模型采用五折交叉驗證的方法，并結合網格搜索來自動進行參數尋優。

4.3 評估指標

實驗過程中針對不同的模型類別采用不同的評價標準。采用分類模型時，通過計算混淆矩陣評估各子模型的精度，在混淆矩陣中，包含4 種數據：1）真正（TP）：被模型預測為好的優質產品；2）假正（FP）：被模型預測為好的缺陷產品；3）假負（FN）：被模型預測為次的優質產品；4）真負（TN）：被模型預測為次的缺陷產品。根據混淆矩陣的結果采用準確率（accuracy）、精準率（precision）、召回率（recall）、F1 值（f1-score）等對分類結果進行判斷。采用回歸模型時，采用均方根誤差（RMSE）作為評價標準。

4.4 實驗結果

4.4.1 元器件印刷質量預測結果

在現有數據條件下，印刷合格率預測子模型的訓練結果如表2 所示，模型的平均準確度達到98%，其中表2 中的類別0 和1 分別對應印刷合格和不合格2種類別，印刷缺陷類型預測子模型的訓練結果如表3所示，其中表3 中的類別0~9 分別對應印刷過程中實際產生的短路、橋連、錯位、拉尖、錫多、少錫、無錫、面積偏少、高度偏高、高度偏低等10 種印刷缺陷類別，由于元器件印刷缺陷的數據量相對仍然較少，模型的平均準確度達到72%。與XGBoost 算法和三層神經網絡算法的預測準確率對比結果如表4 所示，3 種算法均具有較高的準確率，其中本文采用的隨機森林算法的準確率最高。在數據中隨機抽取18 條記錄用于測試焊膏相對面積/體積預測子模型的準確率，結果如圖4所示，該子模型的平均RMSE值達到4.1626。因此，構建的元器件印刷質量預測模型的準確率均較高，可以滿足工藝參數推薦模型構建的要求。

表2 印刷合格率預測子模型準確度

表3 印刷缺陷類型預測子模型準確度/%

表4 不同算法預測準確率對比

圖4 焊膏相對面積/體積預測模型的準確率

4.4.2 印制板焊膏印刷工藝參數推薦結果分析

基于焊膏印刷參數推薦模型，將模型推薦出的印制板的工藝參數與基于經驗的工藝參數作對比，部分驗證結果如表5 所示。實驗結果表明，模型推薦的工藝參數與經驗值結果比較，刮刀壓力的最大偏差為7.69%，脫模速度的最大偏差為-8.33%，偏差值均小于10%，工藝參數推薦結果可以滿足實際生產應用要求。

表5 印制板焊膏印刷工藝參數推薦結果對比

5 結束語

本文從數據的角度，提出了一種印刷工藝參數的推薦方法?；谀钞a線的印制板實際焊膏印刷數據，首先構建了面向印制板每一元器件焊膏印刷質量預測模型，包括面向每一元器件的印刷合格率預測、焊膏相對面積/體積預測、印刷缺陷類型預測3 個子模型；其次以每一元器件印刷質量最優為目標，構建了印制板焊膏印刷工藝參數推薦模型，實現印刷前的最優工藝參數推薦。實驗結果表明，質量預測和工藝參數推薦結果均可滿足實際生產應用要求。