基于神经网络技术的LTCC收缩率预判方法技术

本发明专利技术涉及一种基于神经网络技术的LTCC收缩率预判方法，通过正交试验，确定收缩率的各影响因素；将各影响因素作为结构参数，对每层LTCC建立影响因素列表；设置神经网络，根据生产线历史数据，训练神经网络，获得收缩率预测模型；利用收缩率预测模型预测LTCC产品的收缩率。本发明专利技术针对不同LTCC产品在投产前无法精确获知其收缩率的问题，从LTCC产品设计和工艺出发，确认了影响收缩率的因素，并使用神经网络技术建立了影响因素和收缩率之间的数学模型，实现了LTCC产品收缩率的精确预估。

【技术实现步骤摘要】
基于神经网络技术的LTCC收缩率预判方法
本专利技术涉及一种基于神经网络技术的LTCC收缩率预判方法，属于低温共烧陶瓷

技术介绍
基于低温共烧陶瓷技术(LTCC)的微波电路组件，如LTCC滤波器和电源模块，已经成功运用到我国的正样卫星产品中，由于LTCC能够实现微波电路的三维设计，因此其被认为是微波电路小型化进而实现卫星小型化的关键技术之一。LTCC常规工艺过程如图1所示，其中步骤9被称之为“低温共烧”或者简称为“共烧”，在共烧过程中LTCC生瓷会发生收缩，实现陶瓷由软到硬的转变，从而形成致密坚硬的多层陶瓷电路，这个过程中生瓷收缩的程度由“收缩率”表示。因此，工序1-8中的工艺电路图形尺寸则需要根据该收缩率做放大处理，这样才能保证最终的产品在共烧环节中收缩至所需要的真实尺寸。然而，LTCC的收缩率受很多因素的影响，原材料供应商通常只给出一个固定的参考收缩率值，因此现阶段国内外业界普遍的作法是：工艺人员参考原料供应商的技术文档，再根据经验将设计师的电路图做一个适当比例的放大，然后进行加工生产，最后在共烧过程中生瓷收缩到设计师希望的尺寸。但是，对于一些复杂产品，有时需要先生产一版产品，测量收缩率，更正放大倍数，再重新生产的情况。由于卫星用LTCC产品使用金作为原材料，二次投板会造成时间和资源的浪费，不利于控制成本和进度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于神经网络技术的LTCC收缩率预判方法，实现在生产前对每款LTCC产品的收缩率做出精确预判，从而提高成品率和电路性能，缩短加工周期。本专利技术目的通过如下技术方案予以实现：提供一种基于神经网络技术的LTCC收缩率预判方法，包括如下步骤：(1)通过正交试验，确定收缩率的各影响因素；(2)将各影响因素作为结构参数，对每层LTCC建立影响因素列表；(3)设置神经网络，根据生产线历史数据，训练神经网络，获得收缩率预测模型；(4)利用收缩率预测模型预测LTCC产品的收缩率。优选的，获得收缩率预测模型步骤如下：3.1构建三层人工神经网络，将其分为三部分：第一层为输入神经元用于接收收缩率的各影响因素，第二层为隐含神经元用于处理输入与输出的非线性关系，第三层为输出神经元用于输出LTCC收缩率；3.2利用生产线历史数据，调整神经网络中的权重值，使模型的输出与历史收缩率数据一致；3.3利用未被使用的生产线历史数据，验证神经网络模型收缩率的准确性；当模型的输出与历史收缩率数据之间的误差满足要求时，完成建模，否则回到3.1，调整隐含神经元个数。优选的，收缩率的各影响因素包括：常用金属浆料覆盖率、电阻浆料覆盖率、孔密度和腔体密度。优选的，常用浆料和电阻浆料覆盖率包括浆料CN30-080覆盖率、浆料CN30-025覆盖率、浆料CN36-020覆盖率、浆料DL10-088覆盖率和浆料FX87-101B覆盖率。优选的，正交试验包括对不同的浆料配合相应的丝网，设置不同的覆盖率；将电阻配合丝网印刷在白瓷片上；在白瓷片上实现不同的打孔密度，并使用漏板填孔；在白瓷片上实现不同尺寸的腔体；进行正交试验，分别获得收缩率的值，获取生产线历史数据。优选的，对于Ferro材料，正交试验的步骤如下：1.1准备8英寸白瓷片24张，对应打孔图的漏板一张，印刷大面积图形的丝网L一张，印刷中等面积图形的丝网M一张，印刷小面积图形的丝网S一张；1.2取3张白瓷片打孔，并使用浆料CN30-078和漏板进行填孔，作为组1；取3张白瓷片，使用丝网L印刷浆料CN30-080，作为组2；取3张白瓷片，使用丝网L印刷浆料CN30-025，作为组3；取3张白瓷片，使用丝网M印刷浆料CN36-020，作为组4；取3张白瓷片，使用丝网S印刷浆料DL10-088，作为组5；取3张白瓷片，使用丝网S印刷浆料FX87-101B，作为组6；1.3将24张白瓷片中的每个平均分为四块；1.4把组1～6分别分割成的12个1/4块分别叠在一起；1.5取3张白瓷片分割成的12个1/4块叠在一起，作为组7；1.6取3张白瓷片分割成的12个1/4块叠在一起，并用激光加工通腔，作为组8；1.7将组1-8中的每块一分为四；1.8测量组1-8的产品尺寸，每组烧制一种产品，测量收缩率。优选的，收缩率预测模型的输入信号为影响收缩率的变量，记为I＝[I1,I2,I3,……I147]T，神经网络模型的输入信号为输出数据为X方向收缩率和Y方向收缩率，记为O＝[X,Y]T；输入与输出的非线性公式为：其中p表示隐含层神经元的个数，表示第m个输入神经元和第i个隐藏神经元之间的权重参数，是在指第1个输出神经网络与隐藏层中的第i个神经元之间的权重参数，是在指第2个输出神经网络与隐藏层中的第i个神经元之间的权重参数，和分别表示第1个输出神经元和第2个输出神经元的偏置权重值，sigmoid函数公式为σ(γ)＝1/(1+e-γ)。同时提供一种基于神经网络技术的LTCC收缩率预判方法，包括如下步骤：(1)通过正交试验，确定生产所需常用金属浆料覆盖率、电阻浆料覆盖率、孔密度和腔体密度对收缩率的影响；(2)分别根据每层的各浆料覆盖率、电阻覆盖率、孔密度和腔体密度建立收缩率模型；(3)利用每层的收缩率模型，预测LTCC产品的收缩率。优选的，生产所需常用金属浆料和电阻浆料包括浆料CN30-080、浆料CN30-025、浆料CN36-020和浆料DL10-088。优选的，正交试验包括对不同的浆料配合相应的丝网，设置不同的覆盖率；将电阻配合丝网印刷在白瓷片上；在白瓷片上实现不同的打孔密度，并使用漏板填孔；在白瓷片上实现不同尺寸的腔体；进行正交试验，分别获得收缩率的值，获取各浆料覆盖率、电阻覆盖率、孔密度和腔体密度对收缩率的影响的数据。本专利技术与现有技术相比具有如下优点：(1)本专利技术针对不同LTCC产品在投产前无法精确获知其收缩率的问题，从LTCC产品设计和工艺出发，确认了影响收缩率的因素，并使用神经网络技术建立了影响因素和收缩率之间的数学模型，实现了LTCC产品收缩率的精确预估。(2)本专利技术利用历史数据训练神经网络，获得了成熟的神经网络模型，实现了快速准确的预测收缩率，避免了收缩率失控。(3)本专利技术对于小批量产品，全金体系的产品，保证一次投产的成功率。附图说明图1为本专利技术LTCC常规工艺流程示意图；图2为不同因素在X方向对收缩率影响对比示意图；图3为Ferro基产品数据统计示例图；图4为神经网络验证实验训练过程示意图；图5为神经网络验证实验训练结果精度示意图；图6为神经网络模型的结构图。具体实施方式本专利技术的思路为：1.确认影响收缩率的因素；2.根据生产线历史产生的数据，建立影响因素和收缩率之间的数学模型对应关系。本专利技术将以LTCC材料体系中的的Ferro材料为例，阐述具体的实现途径。1.确认影响收缩率的因素，通常包括浆料材料、孔密度、腔体密度。如图1所示，涉及到对生瓷的操作都位于第9步低温共烧之前，包括生瓷落片、生瓷打孔、通孔填充、导体印刷、二次开腔、生瓷堆叠、生瓷压合和生瓷切割。这些操作的工艺参数是固化的，主要的区别是每款产品使用的浆料种类、开腔和打孔的密度。因此，首先进行这些因素的单项实验，鉴于Ferro体系使用的浆料众多，所以本专利技术只考虑生产线常用的浆料。为本文档来自技高网...

【技术保护点】
1.一种基于神经网络技术的LTCC收缩率预判方法，其特征在于，包括如下步骤：(1)通过正交试验，确定收缩率的各影响因素；(2)将各影响因素作为结构参数，对每层LTCC建立影响因素列表；(3)设置神经网络，根据生产线历史数据，训练神经网络，获得收缩率预测模型；(4)利用收缩率预测模型预测LTCC产品的收缩率。

【技术特征摘要】
1.一种基于神经网络技术的LTCC收缩率预判方法，其特征在于，包括如下步骤：(1)通过正交试验，确定收缩率的各影响因素；(2)将各影响因素作为结构参数，对每层LTCC建立影响因素列表；(3)设置神经网络，根据生产线历史数据，训练神经网络，获得收缩率预测模型；(4)利用收缩率预测模型预测LTCC产品的收缩率。2.根据权利要求1所述基于神经网络技术的LTCC收缩率预判方法，其特征在于，获得收缩率预测模型步骤如下：3.1构建三层人工神经网络，将其分为三部分：第一层为输入神经元用于接收收缩率的各影响因素，第二层为隐含神经元用于处理输入与输出的非线性关系，第三层为输出神经元用于输出LTCC收缩率；3.2利用生产线历史数据，调整神经网络中的权重值，使模型的输出与历史收缩率数据一致；3.3利用未被使用的生产线历史数据，验证神经网络模型收缩率的准确性；当模型的输出与历史收缩率数据之间的误差满足要求时，完成建模，否则回到3.1，调整隐含神经元个数。3.根据权利要求1所述基于神经网络技术的LTCC收缩率预判方法，其特征在于，收缩率的各影响因素包括：常用金属浆料覆盖率、电阻浆料覆盖率、孔密度和腔体密度。4.根据权利要求3所述基于神经网络技术的LTCC收缩率预判方法，其特征在于，常用浆料和电阻浆料覆盖率包括浆料CN30-080覆盖率、浆料CN30-025覆盖率、浆料CN36-020覆盖率、浆料DL10-088覆盖率和浆料FX87-101B覆盖率。5.根据权利要求1所述基于神经网络技术的LTCC收缩率预判方法，其特征在于，正交试验包括对不同的浆料配合相应的丝网，设置不同的覆盖率；将电阻配合丝网印刷在白瓷片上；在白瓷片上实现不同的打孔密度，并使用漏板填孔；在白瓷片上实现不同尺寸的腔体；进行正交试验，分别获得收缩率的值，获取生产线历史数据。6.根据权利要求1所述基于神经网络技术的LTCC收缩率预判方法，其特征在于，对于Ferro材料，正交试验的步骤如下：1.1准备8英寸白瓷片24张，对应打孔图的漏板一张，印刷大面积图形的丝网L一张，印刷中等面积图形的丝网M一张，印刷小面积图形的丝网S一张；1.2取3张白瓷片打孔，并使用浆料CN30-078和漏板进行填孔，作为组1；取3张白瓷片，使用丝网L印刷浆料CN30-080，作为组2；取3张白瓷片，使用丝网L印刷浆料CN30-025，...

【专利技术属性】
技术研发人员：杨士成，姜威，徐美娟，石伟，张婷，白浩，闫淑霞，
申请(专利权)人：西安空间无线电技术研究所，
类型：发明
国别省市：陕西,61