表面黏着技术在现代电子组装产业中的意义与作用分析Word文件下载.docx
- 文档编号:13837614
- 上传时间:2022-10-13
- 格式:DOCX
- 页数:25
- 大小:872.43KB
表面黏着技术在现代电子组装产业中的意义与作用分析Word文件下载.docx
《表面黏着技术在现代电子组装产业中的意义与作用分析Word文件下载.docx》由会员分享,可在线阅读,更多相关《表面黏着技术在现代电子组装产业中的意义与作用分析Word文件下载.docx(25页珍藏版)》请在冰豆网上搜索。
則此製程無需再經由波焊製程。
如圖一左半部所示。
圖一、表面黏著基本製程
二、表面黏著製程現況及製程問題
表面黏著組裝製程中涉入相當複雜且廣泛的變數,如原材料、機械設備、參數設定、生產程式等等(如圖二所示),
圖二、表面黏著製程變數因效分析圖
由圖二中得知,由於表面黏著製程中牽扯的變數極多,因此如何穩定地、有效率地生產高品質的電子產品,已成為一般電子組裝業的一大課題與挑戰。
根據統計資料顯示,在表面黏著製程中,從事於製程的除錯及改善的時間約莫佔全部製程故障時間的百分之七十左右(如圖三所示)。
因此如何降低機器故障率、減少焊性缺點、及穩定製程仍是業界的一大難題。
也因此表面黏著製程的診斷及改善為本研究計劃主要的研究目標。
圖三、表面黏著製程故障時間分佈(資料來源:
VeriFoneTaiwanLtd.)
然而一般領域研究者對表面黏著技術研究通常著重於單一製程的個別探討,並導出許多的複雜公式,但這些公式通常有以下的缺點:
(1)無法將公式有效準確地應用於瞬息萬變實務上;
(2)未將完整表面黏著製程之交互作用納入考量;
(3)須有特殊的儀器方能量取公式中的各種參數;
4)難以啟發一般使用者於實務中從事品質改善,除非要有進階課程的學習。
再者,由於將製程經驗及知識加以轉換成適當的文件與記錄是相當困難的事,一般業者對於表面黏著技術製程知識的獲取、經驗傳承及教育訓練,倍感困惑及無力感。
尤其對如雨後春筍般出現新的製程,如FPT,BGA,CSP,FLIPCHIP等更覺雪上加霜。
深感知識獲得之不易及傳承上的難上加難。
為了解決以上的問題,本論文將以『模糊類神經』(NeuroFuzzy)技術建立一套嶄新的『表面黏著製程診斷系統』透過協助模式以幫助工程師及作業者即時地解決一些製程及焊性缺點,以期提昇產品品質及提高製程穩定性。
此系統包含以下要件
(1)模糊類神經模式-FAMS;
(2)完整表面黏著製程的實驗結果;
(3)專有製程知識及(4)實際生產中獲得的製程管制資料,用以發展與建構此智慧型診斷系統,並彌補傳統統計製程管制之缺點,成為一套能協助表面黏著製程管理、品質改善及輔助診斷的利器。
此系統將使用類神經模糊的軟體(fuzzyTECH)及VisualBasic進行特殊程式碼撰寫以作適當的介面延伸。
發展完成的系統可提供
(1)最佳化表面黏著製程參數;
(2)圖型化製程改善使用介面;
(3)製程訓練的藍本;
(4)線上規則學習機制等。
除此之外,本診斷系統可藉由系統參數化之設計以模擬製程參數變化對錫膏印刷品質、迴焊效果、及整個製程總合變化。
且系統已經實際於表面黏著生產線上試用,可達百分之八十五的準確度,因此本系統可在程度上應用於其它廠牌之表面黏著機器及製程上,有效率地協助製程的改善及穩定性,使業者更能改善其表面黏著的製程能力,進而增加其品質競爭力。
貳、研究背景
目前在表面黏著製程改善的相關研究上,大概可區分為三大類:
1.一般表面黏著技術的研究,著重於以特殊數學方程式表示個別製程的生產狀態。
2.某些製程改善的研究,強調運用傳統統計製程品管之概念,以改善表面黏著生產製程。
3.另外一些研究則運用專家系統與決策支援系統,提供製程問題改善的建議。
以下分別討論這三類研究的優缺點:
(1)表面黏著生產技術在電子業界與學術界皆有不少研究,其中多數的研究試圖利用專業實驗室的特殊儀器或複雜的方程式代表個別製程的生產狀態,但往往疏忽其製程中各變數數間的交互作用,對實務上鮮少有正面重大的改善效果,只有在特殊原材料或機器研發時才能明顯地見到此研究方法的效益。
以錫膏印刷製程(Printing)為例,有些研究著重於鋼版開孔(Stencilaperture)的設計、刮刀(Squeegee)材質的選定、印刷速度、刮刀壓力、及間隙值(Snap-offheight)的控制。
並以相關數學公式表示之,如Dr.Anderson(1994)所提出的錫膏印刷效應[8]:
:
刮刀剪力:
錫膏黏度:
刮刀角速度H:
刮刀距離R:
刮刀半徑
T:
上刮刀扭力
之後,Haung(1996)也提供類似的錫膏印刷公式[7]:
是剪力;
v是刮刀速度;
h是鋼板厚度;
D鋼板開孔方式;
η是錫膏黏度
錫膏黏度與剪力倒數成正比:
由以上兩式,可得:
其缺點如下:
因子分析之結論牽涉到特殊剪力的衡量與機器本身結構效應的評估,這些皆需要專業的器材量取或是機器本身能提供動態機構的變化量,否則甚難使用於實務中,有效地改善錫膏印刷的品質。
(2)在業界使用的表面黏著製程控制中,傳統的統計製程品管(SPC)扮演著極重要的角色。
然而,SPC的主要缺點是只有當製程出現異常時才警告操作員或工程師,但無法提供相對應的改善對策。
例如TrutnaandAguayo(1992)提出一套專為表面黏著製程的控制計劃[5],其系統優點為:
1)透過實驗計畫訂定錫膏印刷製程與零件取製的管制界限,2)可提供快速的品質資訊,3)製程超出管制界限時,適時地提出警告。
但其具以下缺點:
1)需要工程師隨時更新管制規格及文件,2)缺乏圖形化的管制界面,3)並未研究所有製程的交互作用效應,4)缺乏進一步的改善建議以引導作業員來進行改善。
SteveHall(1993)亦利用實驗設計方式取得錫膏印刷製程管制的資料,主要是針對刮刀速度、刮刀壓力,刮刀脫離速度、錫膏顆粒尺寸、及基板尺寸進行管制[6]。
其系統優點如下:
1)對錫膏印刷製程提供許多良好的管制點,2)利用製程能力指數來告知作業員目前的製程狀況,3)可連結錫膏印刷機,作動態的管制。
但其具缺點如下:
1)並未考慮其他可能造成焊性缺點的製程,2)需要很龐大的金錢投資,如機器連結界面、影像檢查機、特殊的視覺系統等。
3)只適用於特定的印刷機中。
其他尚有類似的研究,如AnvariandChow(1992)迴焊爐溫度設計的技巧與建議[11]、Charles(1995)提出的表面黏著細腳距(Fine-pitch)製程控制[15]、Ralph(1995)提出一些各製程優先檢驗的標準[14]。
但此類研究通常具有以下缺點:
1)動態生產環境之下,難以設定製程管制的界限2)參數設定隨不同廠牌機器而變更,3)無法提供有效的製程改善對策,4)難以文件化,5)難以有效率的電腦化製程管制。
(3)在業界使用的表面黏著製程診斷系統研究中,一般專注於錫膏印刷製程問題之研究,但並將零件擺置的偏移量、迴焊的效應列入考量,更遑論及反向的製程參數建議。
如Amir(1994)提出一套表面黏著診斷專家系統[3],其優點如下:
1)當統計製程管制的界限超出後,作業員依其錫膏印刷設定參數值,輸入此專家系統中以得到系統之推薦值,2)檢驗錫膏印刷設定的參數值,如刮刀壓力、刮刀角度、刮刀速度、真空板高度、及清潔模式,3)硬體除錯,如真空強度,過濾器、及幫浦等,4)提供推論解釋的機制。
另外Venkatswaran&
Srihari(1995)提出一套表面黏著製決策支援系統,提供錫膏印刷製程改善的建議[4]。
其研究範疇如下:
1)錫膏印刷機除錯建議,2)錫膏特性模擬,3)基板(substrate)特性的考量,4)鋼板設計,5)工作環境影響。
雖此二系統提供相當優異的表面黏著製程診斷系統,但它們皆遺漏了迴焊製程中迴焊參數的重要效應與因子間交互作用之考量,其診斷系統只可局部地適用於前半段的表面黏著製程改善上。
由於實務上的表面黏著製程牽扯因素甚廣,除原材料外,工作環境的變化、機器的變動性、人員操作傾向等皆會影響焊性品質及電子零件組裝後的可靠度。
因此,僅靠單一製程研究或傳統的統計製程管制並不能達到預期的改善效果,唯有考量各製程之重要因子,並以整體製程探討方能得到診斷問題的解決對策。
參、研究目的
綜合先前的相關文獻後得知,目前有關表面黏著製程改善方面的研究,其主要的缺失整理如下:
(1)使用數學公式以改善製程方面的研究,通常需具有特殊的儀器與設備方能求得公式中所使用的參數值,同時也未考慮各製程因子間的交互作用,因此在實務應用上非常困難。
(2)傳統統計製程品管的研究,無法適時提供製程改善的建議,並且在動態的生產環境下,難以設定製程管制的界限。
除此,也並提供必要的矯正建議。
(3)至於使用專家系統或決策支援系統方面的研究,並無考慮迴焊製程參數與製程因子間的交互作用,因此只可能作用於前半段製程。
針對上述研究缺失,本研究將發展一智慧型表面黏著製程診斷系統,主要是結合實驗設計、模糊集群分析法與模糊類神經網路模式,提供製程管理者機器設定參數與製程診斷與改善的建議。
此系統將全面地考量整個生產製程,而不只著重於單一製程分析。
除此,本系統能有效地考慮各製程因子間的交互效應。
本研究有下列五項主要目標:
(1)發展一完整的表面黏著製程診斷決策支援系統。
(2)建立以圖形界面的表面黏著診斷系統,以取代傳統的統計品管製程控制的方法,並考慮到變數間的交互效應,以利生產品質的提高與穩定。
(3)利用現有統計品管製程控制的資料,運用模糊集群分析法與實驗設計的方式,將原始資料轉變成適當的製程參數。
(4)利用模糊類神經網路模式建立一套表面黏著製程診斷系統,提供機器設定參數與製程診斷與改善的建議。
(5)深入瞭解表面黏著製程中可控制因子的交互作用現象。
肆、研究方法
本論文採用Kosko(1992)所建立的FAMs(FuzzyAssociativeMemories)模糊類神經網路模式作為建立診斷規則之工具[20]。
FAM的主要原理是運用模糊系統的映射原理(如圖四所示),此網路基本上是一個模糊化的二元異聯想神經網路.其中最簡單的FAM網路就是一個關聯組。
然而通常一個FAM系統中包含許多的模糊關聯組,而這些關聯組即整合成一個規則矩陣(RuleMatrix)。
圖四、模糊映射(Kosko,1992)
以隸屬向量來表示A和B,則和,若欲轉換成模糊關聯,可將嵌入數值化的FAM矩陣內,然後使用以下的模糊化Hebbian學習方法訓練之:
其隸屬向量可做為FAM規則庫的輸入層。
至於回想向量輸出(recalledmembership-vectoroutput)B則為所有的之總合:
FAM模糊類神經網路模式之系統架構如圖五所示,下列文字敘述其各別作用:
圖五、FAM網路之系統架
- 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:
- 表面 黏着 技术 现代 电子 组装 产业 中的 意义 作用 分析
![提示](https://static.bdocx.com/images/bang_tan.gif)