.png){kind=icon}
返回
Soldering reflow process optimization based on simulation
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-024-14944-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种基于再流焊后缺陷检测仿真结果的再流热制程（RTR）优化模型。RTR是指强制对流再流焊炉中每个区的温度设置，是焊料再流过程（SRP）中最重要的参数。组件通过SRP过程中生成的焊点连接到印刷电路板（PCB）上。RTR会影响焊点质量，因此成为决定PCB质量的主要因素。因此，适当的RTR对SRP至关重要。本研究提出了一种优化模型，通过保持最优RTR设置来降低再流焊后焊点缺陷水平。具体而言，基于自动光学检测（AOI）结果提出了一种定制化缺陷度量（DM），并将其定义为优化模型的目标函数（OF）。随后，应用仿真模型以提高优化效率。仿真是一种常用的工具，可根据历史数据特征或模拟实际生产线环境来生成数据。仿真因其能显著节省实验成本（即材料和时间）而在行业相关研究中得到广泛应用。仿真模型可根据环境因素或数据特征开发。本研究选择随机森林回归（RFR）模型，并使用实际实验数据进行训练，以估算优化模型的OF值。为高效求解优化问题，应用了具有自适应搜索区域的进化策略（ES）。所提出的模型对SRP具有重要意义。该模型具有以下优点：首先，机器学习（ML）方法的应用提高了计算能力和优化效率；其次，该模型结合了再流焊炉和AOI设备，提高了设备间通信效率及自动化程度。所提出的优化框架也可应用于其他PCB组装线，以实现质量改进和RTR设置。实验结果证明了所提出模型的有效性。具体而言，识别出的RTR相比原始RTR使DM降低了74%，通过率提高了2.3%，且与实际实验结果一致。
Keyword:
Soldering reflow process
Simulation
Optimization
Machine learning methods
Metaheuristic method
期刊
IF:
3.1
论文数:
2.1K
被引数:
6.4W
机构
引用论文
Thermal Profile Prediction for Ball Grid Array Solder Joints Using Physic-Informed Artificial Neural Network基于物理信息人工神经网络的球栅阵列焊点热特性预测
.png){kind=icon}
PREAI
分享收藏SMT process recommendations. Defect minimization methods for a no-clean SMT processSMT工艺建议。无铅SMT工艺的缺陷最小化方法
PREAI
分享收藏A modelling tool for the thermal optimisation of the reflow soldering of printed circuit assemblies用于印刷电路组件回流焊热优化的建模工具
PREAI
分享收藏Reflow Thermal Recipe Segment Optimization Model Based on Artificial Neural Network Approach基于人工神经网络方法的回流热程序段优化模型
PREAI
分享收藏分享收藏
查看更多内容