一种基于机器学习的引线键合质量预测控制方法技术

本发明专利技术属于电子封装引线键合工艺技术领域，公开了一种基于机器学习的引线键合质量预测控制方法，选取引线键合的若干个关键工艺参数作为引线键合的关键影响因素，基于关键影响因素构建质量预测神经网络模型；采集获取引线键合机工作时关键影响因素对应的实时工艺参数；根据实时工艺参数，利用质量预测神经网络模型进行引线键合质量预测，得到质量预测结果；根据质量预测结果对引线键合机的工艺参数进行实时调整，以保证预期的键合质量。本发明专利技术能够有效提高产品良率，有效克服不同加工工况对产品质量的影响，满足对产品质量的精细化需求。

【技术实现步骤摘要】
一种基于机器学习的引线键合质量预测控制方法
本专利技术属于电子封装引线键合工艺
，更具体地，涉及一种基于机器学习的引线键合质量预测控制方法。
技术介绍
引线键合自专利技术以来，由于其成本较为低廉，工艺较容易实现，适用范围广的优点，已经成为电子封装工艺中连接芯片间引线的最常用、最广泛应用的连接方式。为确保顺利实现芯片与外部的输入输出，引线键合通常需要保证芯片和外部的电气连接畅通，引线键合质量直接关系到电子电路的运行稳定性和产品质量。而由于引线键合通常在较为微小的层面进行操作，当外部因素产生波动时，难以准确进行人工识别及时调整，容易引起键合质量下降导致引线开路、短路和键合处电阻不稳定等问题，这些问题将直接影响产品的使用效果和使用寿命。引线键合质量受到很多因素的影响，例如键合时间、键合力、键合温度等；现有的质量检测方法主要以离线监测方式为主，包括拉力测试、推球测试等，检测反馈慢且具备破坏性，因此无法对所有引线进行测试，大部分引线只能进行人工镜检，检测较为繁琐，质量无法得到有效保证的同时，这种检测工艺也无法得出键合中的问题所在，需要人工进行经验判断，对经验有很高要求且不可避免出现因决策失误引起的质量及效率问题。
技术实现思路
为了解决现有技术存在的问题，本专利技术提供一种基于机器学习的引线键合质量预测控制方法。本专利技术提供一种基于机器学习的引线键合质量预测控制方法，包括以下步骤：步骤S1：选取引线键合的若干个关键工艺参数作为引线键合的关键影响因素，基于所述关键影响因素构建质量预测神经网络模型；步骤S2：采集获取引线键合机工作时所述关键影响因素对应的实时工艺参数；步骤S3：根据所述实时工艺参数，利用所述质量预测神经网络模型进行引线键合质量预测，得到质量预测结果；根据所述质量预测结果对所述引线键合机的工艺参数进行调整，得到调整后的工艺参数。优选的，所述步骤S1中，所述关键影响因素包括超声频率、键合压力、键合温度、键合时间和进给量。优选的，所述步骤S1中，将抗拉强度、疲劳寿命和电学性能作为所述质量预测神经网络模型的输出响应。优选的，所述步骤S1包括以下子步骤：步骤S11：选取引线键合的关键影响因素，构建训练集；步骤S12：利用所述训练集对神经网络进行训练，初步得到质量预测神经网络模型；步骤S13：利用初步得到的质量预测神经网络模型对引线键合的新工艺参数进行质量预测；步骤S14：若质量预测结果与质量实际结果的误差大于误差预设值，则返回至步骤S12，直至质量预测结果与质量实际结果的误差小于所述误差预设值，得到最终训练好的质量预测神经网络模型。优选的，所述神经网络选用BP神经网络。优选的，采用随机梯度下降法对所述神经网络进行训练。优选的，所述步骤2中，采集获取实时工艺参数包括：通过压力传感器对键合压力进行测定，得到键合压力的实时数据；通过超声系统得到超声频率的实时数据；通过温度传感器对键合处温度进行测定，得到键合温度的实时数据；通过控制系统得到键合时间的实时数据；通过送线系统得到进给量的实时数据。优选的，所述步骤S3包括以下子步骤：步骤S31：将所述步骤S2中得到的所述实时工艺参数输入至所述步骤S1中得到的所述质量预测神经网络模型中进行引线键合质量预测；步骤S32；对预测质量是否合格进行判定；若预测质量不合格，则利用所述质量预测神经网络模型计算得到调整后的工艺参数；步骤S33：以所述调整后的工艺参数作为基准，对原有的工艺参数进行调整，以使得引线键合的质量达标。优选的，将所述调整后的工艺参数输入至所述质量预测神经网络模型中，得到调整后的引线键合质量预测结果，若调整后的预测质量达到期望质量，则结束工艺参数优化过程，否则继续利用所述质量预测神经网络模型对工艺参数进行反馈调节，直到输出的预测质量达到期望质量。本专利技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：在专利技术中，首先选取引线键合的若干个关键工艺参数作为引线键合的关键影响因素，基于关键影响因素构建质量预测神经网络模型；然后采集获取引线键合机工作时关键影响因素对应的实时工艺参数；之后根据实时工艺参数，利用质量预测神经网络模型进行引线键合质量预测，得到质量预测结果；根据质量预测结果对引线键合机的工艺参数进行调整，得到调整后的工艺参数。本专利技术利用神经网络模型在工程实际中实时进行质量预测和工艺参数调整，能够减少人工镜检等传统方式引起的误差，能够降低破坏性测试带来的检测成本，能够有效提高产品良率，实现质量预测和工艺优化。附图说明图1为本专利技术实施例提供的一种基于机器学习的引线键合质量预测控制方法的流程图；图2为本专利技术实施例提供的一种基于机器学习的引线键合质量预测控制方法中采用的人工智能神经网络的结构示意图；图3为本专利技术实施例提供的一种基于机器学习的引线键合质量预测控制方法中采用的引线键合机的原理示意图。其中，1-频率计、2-换能器、3-温度测量设备、4-夹具底座、5-劈刀、6-施力装置。具体实施方式为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。本专利技术提供的一种基于机器学习的引线键合质量预测控制方法，参见图1，包括以下步骤：步骤S1：选取引线键合的若干个关键工艺参数作为引线键合的关键影响因素，基于所述关键影响因素构建质量预测神经网络模型；步骤S2：采集获取引线键合机工作时所述关键影响因素对应的实时工艺参数；步骤S3：根据所述实时工艺参数，利用所述质量预测神经网络模型进行引线键合质量预测，得到质量预测结果；根据所述质量预测结果对所述引线键合机的工艺参数进行调整，得到调整后的工艺参数。其中，所述步骤S1包括以下子步骤：步骤S11：选取引线键合的关键影响因素，构建训练集；步骤S12：利用所述训练集对神经网络进行训练，初步得到质量预测神经网络模型；步骤S13：利用初步得到的质量预测神经网络模型对引线键合的新工艺参数进行质量预测；步骤S14：若质量预测结果与质量实际结果的误差大于误差预设值（即可判定预测错误率高），则返回至步骤S12，直至质量预测结果与质量实际结果的误差小于所述误差预设值（即可判定预测错误率低），得到最终训练好的质量预测神经网络模型。其中，所述步骤S2中实时工艺参数的获取包括：通过压力传感器对键合力进行测定，得到键合压力的实时数据；通过超声系统得到超声频率的实时数据；通过温度传感器对键合处温度进行测定，得到键合温度的实时数据；通过控制系统得到键合时间的实时数据；通过送线系统得到进给量的实时数据。其中，所述步骤S3包括以下子步骤：步骤S31：将所述步骤S2中得到的所述实时工艺参数输入至所述步骤S1中得到的所述训练好的质量预测神经网络模型中进行引线键合质量预测；步骤S32；若预测质量不合格，则利用所述训练好的本文档来自技高网...

【技术保护点】
1.一种基于机器学习的引线键合质量预测控制方法，其特征在于，包括以下步骤：/n步骤S1：选取引线键合的若干个关键工艺参数作为引线键合的关键影响因素，基于所述关键影响因素构建质量预测神经网络模型；/n步骤S2：采集获取引线键合机工作时所述关键影响因素对应的实时工艺参数；/n步骤S3：根据所述实时工艺参数，利用所述质量预测神经网络模型进行引线键合质量预测，得到质量预测结果；根据所述质量预测结果对所述引线键合机的工艺参数进行调整，得到调整后的工艺参数。/n

【技术特征摘要】
1.一种基于机器学习的引线键合质量预测控制方法，其特征在于，包括以下步骤：
步骤S1：选取引线键合的若干个关键工艺参数作为引线键合的关键影响因素，基于所述关键影响因素构建质量预测神经网络模型；
步骤S2：采集获取引线键合机工作时所述关键影响因素对应的实时工艺参数；
步骤S3：根据所述实时工艺参数，利用所述质量预测神经网络模型进行引线键合质量预测，得到质量预测结果；根据所述质量预测结果对所述引线键合机的工艺参数进行调整，得到调整后的工艺参数。


2.根据权利要求1所述的基于机器学习的引线键合质量预测控制方法，其特征在于，所述步骤S1中，所述关键影响因素包括超声频率、键合压力、键合温度、键合时间和进给量。


3.根据权利要求1所述的基于机器学习的引线键合质量预测控制方法，其特征在于，所述步骤S1中，将抗拉强度、疲劳寿命和电学性能作为所述质量预测神经网络模型的输出响应。


4.根据权利要求1所述的基于机器学习的引线键合质量预测控制方法，其特征在于，所述步骤S1包括以下子步骤：
步骤S11：选取引线键合的关键影响因素，构建训练集；
步骤S12：利用所述训练集对神经网络进行训练，初步得到质量预测神经网络模型；
步骤S13：利用初步得到的质量预测神经网络模型对引线键合的新工艺参数进行质量预测；
步骤S14：若质量预测结果与质量实际结果的误差大于误差预设值，则返回至步骤S12，直至质量预测结果与质量实际结果的误差小于所述误差预设值，得到最终训练好的质量预测神经网络模型。


5.根据权利要求...

【专利技术属性】
技术研发人员：李辉，申胜男，顾倍康，马元琦，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42