数据驱动的焊膏印刷工艺参数推荐技术

苏 欣

（成都航空职业技术学院汽车工程学院，四川 成都 610100）

0 引 言

表面贴装技术（Surface Mount Technology，SMT）被广泛应用于电子组装行业，主要包括焊膏印刷、印刷质量检测、元件贴装、热风回流焊和焊接质量检测5 个工艺流程。传统方式下焊膏印刷过程主要依赖工艺人员经验结合试制的方法对工艺参数进行制定，主观性大、经验依赖性强、难以根据人工经验在该范围内寻找到最优的印刷参数组合，从而导致印刷质量不稳定。已有统计数据表明，由于焊膏印刷控制不佳带来的缺陷占SMT 生产过程中缺陷总数的70%［1］。

为解决上述问题，目前国内外已有大量学者基于数据的角度对焊膏印刷过程的质量控制［2-5］、工艺优化推荐［6-8］等方面进行了相关研究。

在质量预测方面，肖长冬［9］利用一种改进的径向基函数神经网络预测模型实现了焊膏印刷厚度的预测；黄小瑜［10］基于SVM-RFE 获得了锡膏印刷性能和缺陷的关键影响因素，实现了缺陷数据的有效降维；Tsai［11］采用统计过程控制和监控生产过程中的焊膏体积与印刷质量，提高了焊膏印刷过程能力；冯尔磊［12］基于AGNES 和PSO 优化的RBF 神经网络构建的印刷质量预测模型，实现了预测模型学习过程的自主化；常建涛等［13］基于改进模糊诊断构建了锡膏印刷质量追溯模型，实现了锡膏印刷环节缺陷发生的定性定量分析。

在工艺优化方面，Huang等［14］通过多函数参数化建模确定了QFN 封装器件的锡膏印刷工艺最优方案。Hung等［15］通过田口正交分析和模糊层次分析将锡膏印刷厚度的Cpk 指数提高了150%，并获取了最优工艺参数组合。Su等［16］采用聚类算法统计了产线锡膏印刷性能，从而确定了工艺改进方向。Pan 等［17］分析了影响印刷质量的参数，并采用神经网络和响应曲面法优化了工艺参数。

但现有研究工作仍主要是面向焊膏印刷后的质量追溯或工艺优化，对焊膏印刷的最优工艺参数推荐的研究仍比较少。

本文首先构建面向每一元器件焊膏印刷质量预测模型，包括面向每一元器件的印刷合格率预测、焊膏相对面积/体积预测、印刷缺陷类型预测3 个子模型；其次以每一元器件印刷质量最优为目标，构建印制板焊膏印刷工艺参数推荐模型，实现印刷前的最优工艺参数推荐；最后基于实际印制板的印刷数据中对各模型的正确性进行验证，在现有数据条件下印刷合格率预测的平均准确度达到98%，推荐出的工艺参数的偏差值与经验值的偏差小于10%，质量预测和工艺参数推荐结果均可满足实际生产应用要求。

1 焊膏印刷过程

焊膏印刷［18-19］是通过刮刀的移动将焊膏填充到钢模板上的开孔内，通过印制板与钢模板的分离实现将焊膏沉积在印制板上的元器件焊盘上的过程（见图1），其主要工艺流程包括以下6个步骤：

图1 焊膏印刷原理［13］

1）工艺参数设置。依据印制板的尺寸及元器件的位置信息通过人工方式对印刷过程中的工艺参数在焊膏印刷机上进行设置，所涉及的工艺参数主要包括印刷压力、印刷速度、脱模速度、脱模距离等。

2）装载钢模板。确定钢模板安装方向及固定位置，将钢模板安装固定在印刷设备上。

3）装载印制板。将印制板装载在印刷设备上相应位置，保证与钢模板的相对位置。

4）焊膏印刷。在钢模板印刷区域前施加焊膏，将刮刀向钢模板开口方向移动至覆盖钢模板上全部开孔区域，使得焊膏填充至钢网开口区域内并与印制板上元器件焊盘区域接触。

5）分离钢模板。将钢模板与印制板分离，焊膏由于重力停留在印制板上，取下印制板，完成印刷过程。

6）质量检验。焊膏印刷后采用印刷质量检测设备对每一元器件对应焊盘上的焊膏体积/面积进行逐一检验。首先根据印刷后焊膏形态、位置等信息综合判断印刷是否合格。当判断合格时，需要分析焊膏的体积/面积，从而为后续工序工艺的制定提供依据；当判断为不合格即有缺陷时，需要进一步判断是哪一种缺陷类型。常见的缺陷类型包括塌边、错位、粘连、锡少等，最后根据不同缺陷类型确定返修方式。

2 元器件印刷质量预测模型构建

随机森林算法［20-23］是一种基于Bagging框架设计的集成学习方法，其随机地建立一个由多个决策树组成的决策森林，然后利用多个决策树对样本进行训练、分类和预测。这种方法结合了Bagging 集成学习理论与随机子空间算法，具有训练速度快、泛化能力强、不易过拟合、可平衡误差、准确率高、实现简单、抗噪声能力强等特点。如图2 所示，随机森林算法的主要原理流程如下：

1）在原始数据集中有放回地随机采样，得到M个训练子集。

2）在样本的N个特征中随机选择n个特征。

3）对M个训练子集进行训练，并将n个特征做最优切分，从而分别得到M个决策树结果。

4）投票或取均值得到票数最高的预测结果。

由于印制板上元器件种类、数量多，不同印制板上元器件差异也较大，直接构建适应任一印制板焊膏印刷质量预测模型的难度较大，而印制板焊膏印刷后的质量实际反映的是该印制板上每一元器件的印刷质量，因此本文将印制板的印刷质量预测转化为对该印制板上每一种类元器件的印刷质量预测结果的求和，从而实现对印制板的印刷质量结果的预测。

因此，基于随机森林算法分别建立面向每一元器件的印刷合格率预测、焊膏相对面积/体积预测、印刷缺陷类型预测3 个子模型，3 个子模型共同构成面向每一元器件的印刷质量预测模型，实现对每一元器件的印刷质量预测。其中印刷合格率预测子模型以不同元器件种类在相应印制板的设计参数和工艺参数为输入参数，输出为不同元器件的焊膏体积/面积等质量结果位于标准中要求的合格质量结果的概率；焊膏相对面积/体积预测子模型以设计参数、预测为合格的印制板对应的工艺参数为输入，预测得到该元器件在印刷合格条件下的焊膏体积/面积分布，为后面的工艺参数推荐模型提供支撑；印刷缺陷类型预测子模型以设计参数、预测为缺陷的印制板对应的工艺参数为输入，预测得到该元器件在印刷不合格时的具体缺陷种类，为实际的工艺优化提供依据。各子模型的输入输出参数如表1 所示，其中设计参数包括元器件的位置参数及所在印制板的长宽高等，工艺参数包括刮刀压力、脱模速度等。

表1 各子模型输入输出

3 印制板焊膏印刷工艺参数推荐模型构建

不同印制板上元器件组合千差万别，但每一印制板均可看作由不同位置元器件组合得到的，每一位置元器件对应的最优工艺参数组合可能存在多组不同的解，因此对整个印制板的焊膏印刷工艺参数推荐的目的是，基于历史生产数据找到一个合适的工艺参数组合，使得印制板上每一元器件的印刷结果同时达到最优或较优。如图3 所示，构建焊膏印刷工艺参数推荐模型的主要流程包括：

图3 焊膏印刷工艺参数推荐模型构建流程图

1）获取元器件设计参数集。

将待推荐工艺参数的印制板的长宽高、每一元器件的位置等参数按照每一元器件对应的参数进行划分，整理成元器件的设计参数集，且与元器件印刷质量预测模型输入项保持一致。

2）元器件工艺参数待选集生成。

针对每一元器件，从已有数据库中匹配找到出现过该元器件的所有合格印制板所对应的工艺参数，生成该元器件的工艺参数待选集。

3）元器件待预测参数集生成。

将元器件的设计参数集和工艺参数待选集按笛卡尔积的方式相乘，得到元器件待预测参数集。

4）工艺参数初始值生成。

根据印制板的设计参数，利用余弦相似度选法在已有数据库中匹配出与该印制板设计参数最接近的印制板对应的合格工艺参数，并将该工艺参数作为工艺参数初始值。

5）元器件最优/较优工艺参数可选集生成。

将元器件待预测参数集作为元器件焊膏印刷质量预测模型的输入，首先利用印刷合格预测子模型预测该元器件的印刷结果是否为产生缺陷，若预测结果为缺陷，则排除此组工艺参数，若预测结果为合格，再利用焊膏相对面积/体积预测子模型预测出焊膏面积和体积，从而产生该组工艺参数对应的质量预测结果，并与工艺参数初始值对应的质量实际结果进行比较，取质量最优的前5 组工艺参数组合，从而得到每个元器件的最优工艺参数可选集和较优工艺参数可选集。

6）印刷工艺参数推荐。

将印制板上每一元器件的最优工艺参数可选集做交集，若该交集有值，则选择该交集中的工艺参数组合在元器件最优工艺参数可选集中出现频次最高的那组工艺参数组合作为印制板的推荐工艺参数，若该交集没有值，则选择在元器件最优工艺参数可选集和较优工艺参数可选集中出现频率最高的实例作为该印制板的推荐印刷工艺参数。

4 实验结果及分析

4.1 数据集

本文实验采用某生产线的印制板实际焊膏印刷数据作为实验数据。对焊膏印刷过程中的生产数据进行采集，数据预处理后得到80 组不同印制板的设计参数和印制板上约172 万条不同元器件的工艺数据和质量检验结果。对所有实验数据按照4：1 的比重划分训练集和测试集。

4.2 实验设置

由于焊膏印刷过程随时在进行，随时在产生新数据，为使在更新数据集后也有一个稳定的训练测试分割，将每一组数据都使用一个标识符来决定是否进入测试集，并计算每个实例标识符的哈希值。如果这个哈希值在最大哈希值的20%以内，则该实例对应的数据集进入测试集，以保证测试集中的数据在每次模型训练过程中是一致的。

由于印刷过程中涉及的各类数据产生的机制不同，代表的含义不同，具有不同的量级和单位，例如印制板的长度、宽度为毫米级，而元器件位置坐标为微米级，这对数据分析会造成很大影响，因此采用Min-Max 方法对所有数据进行标准化处理，将所有数据映射到（0，1）范围中。

由于获取到的焊膏印刷质量合格数据与质量缺陷数据之间的比值达到170万：2万，即接近100：1，在此情况下，直接训练模型效果不佳。因此采用SMOTE-Tomek［24-25］方法，采用SMOTE 对得到的质量缺陷类的少数类样本进行过采样，然后清理Tomek连接样本，从而实现对噪声样本的清理。经过测试，采用10：1 的不平衡性数据比例是使该印刷质量缺陷模型预测准确率最好的数据比例，既减少了多数类中的冗余数据，又增加了少数类的样本规模，从而实现焊膏印刷过程中的数据不平衡处理。

实验过程中对每个模型采用五折交叉验证的方法，并结合网格搜索来自动进行参数寻优。

4.3 评估指标

实验过程中针对不同的模型类别采用不同的评价标准。采用分类模型时，通过计算混淆矩阵评估各子模型的精度，在混淆矩阵中，包含4 种数据：1）真正（TP）：被模型预测为好的优质产品；2）假正（FP）：被模型预测为好的缺陷产品；3）假负（FN）：被模型预测为次的优质产品；4）真负（TN）：被模型预测为次的缺陷产品。根据混淆矩阵的结果采用准确率（accuracy）、精准率（precision）、召回率（recall）、F1 值（f1-score）等对分类结果进行判断。采用回归模型时，采用均方根误差（RMSE）作为评价标准。

4.4 实验结果

4.4.1 元器件印刷质量预测结果

在现有数据条件下，印刷合格率预测子模型的训练结果如表2 所示，模型的平均准确度达到98%，其中表2 中的类别0 和1 分别对应印刷合格和不合格2种类别，印刷缺陷类型预测子模型的训练结果如表3所示，其中表3 中的类别0~9 分别对应印刷过程中实际产生的短路、桥连、错位、拉尖、锡多、少锡、无锡、面积偏少、高度偏高、高度偏低等10 种印刷缺陷类别，由于元器件印刷缺陷的数据量相对仍然较少，模型的平均准确度达到72%。与XGBoost 算法和三层神经网络算法的预测准确率对比结果如表4 所示，3 种算法均具有较高的准确率，其中本文采用的随机森林算法的准确率最高。在数据中随机抽取18 条记录用于测试焊膏相对面积/体积预测子模型的准确率，结果如图4所示，该子模型的平均RMSE值达到4.1626。因此，构建的元器件印刷质量预测模型的准确率均较高，可以满足工艺参数推荐模型构建的要求。

表2 印刷合格率预测子模型准确度

表3 印刷缺陷类型预测子模型准确度/%

表4 不同算法预测准确率对比

图4 焊膏相对面积/体积预测模型的准确率

4.4.2 印制板焊膏印刷工艺参数推荐结果分析

基于焊膏印刷参数推荐模型，将模型推荐出的印制板的工艺参数与基于经验的工艺参数作对比，部分验证结果如表5 所示。实验结果表明，模型推荐的工艺参数与经验值结果比较，刮刀压力的最大偏差为7.69%，脱模速度的最大偏差为-8.33%，偏差值均小于10%，工艺参数推荐结果可以满足实际生产应用要求。

表5 印制板焊膏印刷工艺参数推荐结果对比

5 结束语

本文从数据的角度，提出了一种印刷工艺参数的推荐方法。基于某产线的印制板实际焊膏印刷数据，首先构建了面向印制板每一元器件焊膏印刷质量预测模型，包括面向每一元器件的印刷合格率预测、焊膏相对面积/体积预测、印刷缺陷类型预测3 个子模型；其次以每一元器件印刷质量最优为目标，构建了印制板焊膏印刷工艺参数推荐模型，实现印刷前的最优工艺参数推荐。实验结果表明，质量预测和工艺参数推荐结果均可满足实际生产应用要求。