大尺寸PBGA再流焊最优温度曲线参数设置方法

摘要

本发明公开的大尺寸PBGA再流焊最优温度曲线参数设置方法，涉及微电子封装领域，针对大尺寸再流焊焊接工艺，采用基于机器学习的混合神经网络参数优化方法。其优化过程为：收集大尺寸PBGA工艺参数，建立大尺寸PBGA再流焊工艺数据集，对数据进行预处理，建立混合模型，粒子群算法优化参数；其采用的混合神经网络比传统的神经网络算法具有更高的精度、更快的运算速度，更好的适合于该领域，通过改进的粒子群算法更好的选择工艺参数；本发明可以很好的为大尺寸PBGA再流焊生产提供良好的工艺指导。

说明书

技术领域

本发明属于微电子封装领域，具体涉及为大尺寸PBGA再流焊最优温度曲线参数设置方法。

背景技术

随着JG电子产品越来越多采用大型印制电路板组件及大尺寸PBGA器件，大尺寸PBGA器件所带来的高可靠性组装问题日益突出。因此需要对大尺寸PBGA再流焊工艺过程对其控制，再流焊过程控制在工艺上表现为再流焊温度曲线的控制，它是指印刷电路板与表面组装元器件之间的焊点温度随时间变化的曲线须满足一定的控制要求。因再流焊曲线不适当而影响的大尺寸PBGA1缺陷形式主要有：部分元件爆裂/破裂、翘曲、锡粒、桥接、虚焊、PCB脱层起泡等，而这些缺陷都可以通过改进再流曲线的控制加以避免，为了解决上述问题提出了一种混合神经网络的再流焊工艺参数优化方法，通过对工艺参数的控制，有效的减少了上述缺陷。。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供大尺寸PBGA再流焊最优温度曲线参数设置方法，用于减少其中一些缺陷。主要包括以下步骤：

大尺寸PBGA再流焊工艺参数获得；

大尺寸PBGA再流焊工艺数据集建立；

数据预处理：采用所述数据收集步骤所收集的数据集，对数据进行预处理；

建立模型：建立一个四层混合神经网络模型；

预测大尺寸PBGA温度曲线及其工艺参数；

粒子群优化算法选择最优的工艺参数组合；

混合的神经网络，可有效的针对多维序列的数据，以及提高了预测模型的准确率，并保证预测的时效性。进而通过粒子群算法对预测出的工艺参数进行优化以及提高了工艺参数的准确性。

与现有的技术相比，本发明具有如下有益效果：

大尺寸PBGA再流焊最优温度曲线参数设置方法，其采用BP神经网络、径向基RBF神经网络混合算法，步骤为：大尺寸PBGA工艺参数获取，建立大尺寸PBGA数据集，数据预处理，建立模型，预测工艺参数，粒子群优化算法对工艺参数进行优化；其采用的混合神经网络具有更高的泛化能力以及更高的精度，更适应于再流焊领域，以及提高了大尺寸PBGA温度曲线的预测精度及其工艺参数，改进的粒子群算法具有收敛速度快，结构简单，调节参数少，优化后的工艺参数，为大尺寸PBGA再流焊工艺生产中提高了有益的指导。

附图说明

图1为大尺寸PBGA再流焊最优温度曲线参数设置方法

具体实施方式

下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明所提供大尺寸PBGA再流焊最优温度曲线参数设置方法具体实施方法具体如下：

实施时，所述的大尺寸PBGA再流焊工艺参数获取具体为：链速、PCB厚度、BGA高度、焊点温度、回流时间、保温时间、预热时间、冷却时间等；

实施时，所述的工艺参数建立大尺寸PBGA工艺参数数据集；

实施时，所述的数据预处理具体为：对大尺寸PBGA再流焊工艺参数数据进行从高维到低维处理，数据进行归一化处理；

实施时，对处理后的数据集75％作为训练集，15％作为测试集，10％作为预测数据集。

实施时，所述的混合神经网络具体为：采用BP神经网络和径向基RBF神经网络的混合模型：建立一个四层的混合神经网络，一个输入层，两个隐藏层，一个输出层，隐藏层1 有9个节点数，隐藏层2设置3个节点数。

进一步模型参数设置为epochs＝1000；goal＝1e-3；lr＝0.01；

实施时，所述的改进的粒子群算法进行优化具体为：初始化一个尺度的工艺参数；将其中一个尺度的工艺参数粒子代入工艺参数适应函数计算粒子群的适应度值；对缺陷最小设置在限制范围内的速度变化以及边界；使用粒子群进行迭代搜索找相应的工艺参数适应度值；迭代搜索的工艺参数粒子变量进行比较；全局粒子进行比较；达到全局最优的工艺参数。

对本发明的大尺寸PBGA再流焊最优温度曲线参数设置方法工作原理进行详细说明，以使本领域技术人员更了解本发明：

本发明针对大尺寸PBGA再流焊焊接工艺，采用了一种基于BP神经网络和径向基RBF混合的神经网络参数优化方法，其优化过程为：收集大尺寸PBGA工艺参数，建立大尺寸PBGA 再流焊工艺数据集，对数据进行预处理，建立混合模型，粒子群算法优化参数；其采用的混合神经网络比传统的神经网络算法具有更高的精度、更快的运算速度，更好的适合于该领域，通过粒子群算法更好的选择工艺参数；本发明可以很好的为再流焊生产提供良好的工艺指导。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。