一种基于数据挖掘的回流焊工艺质量预测方法

技术领域

本发明涉及微电子零件制造技术领域，具体涉及一种基于数据挖掘的回流焊工艺质量预测方法。

背景技术

集成电路产业已成为国民经济发展的关键，而集成电路设计、集成电路制造、集成电路封装和集成电路测试是集成电路产业发展的四大支柱产业。它们既相互独立，又密不可分，不仅影响电子信息产业乃至国家经济的发展，而且与每个家庭的生活也息息相关。随着微电子系统的小型化和高性能化，电子封装对系统的影响已变得和芯片一样重要。

芯片生产中常面临着多品种、小批量、交付周期短的生产模式，依靠经验和大量工艺试验来保证产品生产质量的方法已变得越来越困难。芯片在制造过程中的对最终产品质量起到至关重要的工艺主要为回流焊工艺，目前在产品设计过程中还是根据产品、耗材的不同由设计人员按照耗材的属性和以往的经验来人工预设参数，再通过仿真的方式来获取最终的结果。但是由于质量指标不唯一，有时往往需要建立多个仿真模型，并且仿真求解的时间较长，这无疑就增加了设计及生产过程中的时间成本。上述问题亟待解决，为此，提出一种基于数据挖掘的回流焊工艺质量预测方法。

发明内容

本发明所要解决的技术问题在于：如何在对网格内各要素信息归集的基础上，通过对关怀对象主体预警预测信息的关联应用和分析，从而完成事前告知、事中关注、事后评估的全流程信息化管理工作，提供了一种基于数据挖掘的回流焊工艺质量预测方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：初步确定回流焊工艺质量的影响因素与质量指标及其取值范围

通过文献以及对工艺的研究对回流焊工艺影响质量指标的因素、质量指标进行初步分析，获取影响质量指标的因素以及质量指标的取值上下限；

S2：筛选回流焊工艺质量主要影响因素与质量指标及进行数据采集

选择分式析因试验设计获取样本点，采用计算机仿真的方法获取样本点的响应值，利用Spearman相关系数分析质量指标与影响质量指标的因素两者之间的相关性，保留强相关性的质量指标与影响质量指标的因素组合，确定最终主要影响质量指标的因素和质量指标，基于主要的影响质量指标的因素和质量指标通过MES系统进行数据采集；

S3：建立回流焊工艺质量预测模型

通过拉丁超立方抽样构建样本空间获取数据并将其作为建模数据，将回流焊的非连续变量进行定值化处理，建立基于多种算法的多个训练模型并进行训练，得到多个算法模型，将多个算法模型进行预测结果的精度进行对比，选取预测准确度最高的算法模型作为最终的回流焊工艺质量预测模型；

S4：优化回流焊工艺质量预测模型

利用已有的实际生产数据和历史预测数据，不断训练回流焊工艺质量预测模型，实现回流焊工艺质量预测模型的优化。

更进一步的，在所述步骤S2中，强相关性的质量指标与影响质量指标的因素组合的相关系数大于0.5。

更进一步的，在所述步骤S3中，回流焊的非连续变量包括焊点种类、锡膏材料种类。

更进一步的，在所述步骤S3中，算法包括代理模型算法与Boosting-MKELM算法。

更进一步的，在所述步骤S4中，实际生产数据为通过MES系统采集的主要影响质量指标的因素和质量指标以及设备状态参数数据。

本发明相比现有技术具有以下优点：通过多个计算机仿真软件建立了回流焊工艺的仿真模型，并通过试验设计加仿真的方式获得了质量主要影响因素与质量指标关系的数据集，相比较与物理实验大大减小了实验成本，缩短了对工艺的研究周期；将主流的机器学习算法和常用的代理模型算法进行了比对，采用了更先进、计算结果更精确的Boosting-MKELM算法，能够很好的满足质量预测与分析的要求。

附图说明

图1是本发明实施例一基于数据挖掘的回流焊工艺质量预测方法的实施流程图；

图2是本发明实施例一中基于数据挖掘的回流焊工艺质量预测方法的开发技术路线流程图；

图3是本发明实施例一中基于Boosting-MKELM算法的预测框架图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

如图1、2所示，本实施例提供一种技术方案：一种基于数据挖掘的回流焊工艺质量预测方法，包括以下步骤：

第一步：影响因素与质量指标及其取值范围的初步确定

通过针对文献以及工艺的研究初步对回流焊工艺影响质量指标的因素、质量指标等进行分析，对各参数之间的相关性进行初步研究实现对关键数据的识别和约简，降低模型的构建难度，同时能够保持模型的准确性。为避免非关键质量影响因素及质量指标对质量缺陷分析的干扰，对关键工序进行数据结构优化分析，在此基础上获取影响质量指标的因素以及质量指标的取值上下限。

第二步：主要影响因素与质量指标的筛选及数据采集

为了得到回流焊工艺质量的主要影响因素与质量指标，基于获取的影响质量指标的因素作为输入，采取试验设计的方法获取相关样本点，在对比研究多种不同的试验设计方法后选定分式析因试验设计；该试验设计相比于其它试验设计的需要的次数最少，可以有效缩短计算机仿真所需要的时间。在获取样本点后采用计算机仿真的方法获取样本点的响应值，利用Spearman相关系数分析质量指标与影响质量指标的因素两者之间的相关性，保留相关系数大于0.5的质量指标与影响质量指标的因素组合，确定最终主要影响质量指标的因素和质量指标，进一步降低模型的构建难度，同时能够保持模型的准确性。最终基于主要影响质量指标的因素和质量指标进行MES数据采集的研究，通过MES系统采集主要影响质量指标的因素和质量指标以及设备状态参数，实现工艺及设备数据的监控。

第三步：回流焊工艺质量预测模型的建立

获取主要影响质量指标的因素以及质量指标后采用有较好空间投影性的拉丁超立方抽样方式构建样本空间，将获得的数据作为建模的数据。为了比较常见的代理模型算法与Boosting-MKELM算法的优劣(其预测框架图见图3)，将这几种算法进行预测结果的精度进行对比，选取预测准确度最高的Boosting-MKELM算法搭建最终的回流焊工艺质量预测模型。

第四步：回流焊工艺质量预测模型的优化

基于上述回流焊工艺质量预测模型的研究，利用已有的实际生产数据和历史预测数据等，不断训练回流焊工艺质量预测模型，最终能够帮助工艺人员进行材料的选配及工艺参数的快速设计，不断提升产品质量。

实施例二

本实施例提供一种技术方案：一种基于数据挖掘的回流焊工艺质量预测方法，具体实施要点如下：

第一点：简化回流焊工艺研究对象

回流焊工艺的影响因素众多，主要可分为两类，分别是定性因素和定量因素，质量指标为过回流焊后锡膏的尺寸参数和力学性能参数。回流焊工艺的产品众多，不同产品其PCB上焊点种类也不一样，可挑选出几种最具代表性的焊点种类，搭配不同的锡膏种类分别展开研究。

第二点：主要影响因素与质量指标筛选方法的选择

除了采取分式析因试验设计获取样本点外还可以采用均匀试验设计、正交试验设计等所需试验次数较少的方法。在通过仿真获取响应值后需要对影响因素与质量指标的数据集展开分析，由于数据集的数据量较少，所以不能够采取机器学习的方法进行特征筛选，优先采用相关系数、信息熵、方差分析等。

第三点：回流焊工艺质量预测模型的搭建

回流焊工艺质量预测模型的数据来源为拉丁超立方抽样，拉丁超立方的优点是所选取的样本点在空间中有良好的散布性，但是无法处理定性因素(焊点种类、锡膏材料种类)，所以需要将定性因素进行组合搭配，分别使用拉丁超立方抽样获取定量因素的样本点再通过仿真获取响应值，建立多个质量预测模型最终融合建立回流焊工艺质量预测模型。为了对比常见的代理模型算法和Boosting-MKELM算法的优劣，只需在一种定性因素组合下进行验证，挑选出预测准确度最高的Boosting-MKELM算法，作为整个回流焊工艺最佳的算法。

第四点：回流焊工艺质量预测模型的持续优化

回流焊工艺质量预测模型对于实际生产有着很重要的指导意义，为了更好的完善和优化质量预测模型，将生产中的实际数据和对应的质量预测模型的历史预测数据作为模型数据源的补充，其中生产中的实际数据来自MES系统采集的数据，需要对其进行数据预处理。随着预测模型的不断使用，数据量也在不断增加，其预测精度也会不断提高，最终形成对于回流焊工艺质量预测模型的持续优化。

综上所述，上述实施例的基于数据挖掘的回流焊工艺质量预测方法，通过对于工艺的定性分析以及相关文献的研究，初步确定工艺的质量指标以及影响质量指标的因素，通过试验设计初步获取样本数据，分析和挖掘样本数据得出因素与产品质量的相关关系，获取质量指标以及影响质量指标的主要因素；通过试验设计创造主要因素样本空间，利用计算机仿真技术获取主要因素样本空间的质量指标响应值，再比较常用的代理模型算法和主流的机器学习算法建立模型，采用了更先进、计算结果更精确的Boosting-MKELM算法，完成了对于回流焊工艺质量指标的预测。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。