CN110231404A - 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 - Google Patents

Abstract

本发明公开了一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法，涉及机器学习技术领域，该方法针对样本芯片原始的时域振动信号，根据特征提取方法，从时域、频域和时频域分别提取特征，通过输入极限学习机中进行学习和分类后得到焊点检测模型，利用焊点检测模型即能自动检测出芯片中是否存在倒装焊焊点缺失缺陷，从而快速高效将缺陷芯片和正常芯片区分出来，与传统的人力视觉检测不同，该方法机器化、自动化程度高，且检测结果客观性和准确性更好，为实现更加快速且高效的倒装焊焊点缺失缺陷检测提供了方法。

Description

一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法

技术领域

本发明涉及机器学习技术领域，尤其是一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法。

背景技术

集成电路(IC)制造业在电子信息技术的发展和应用中起着至关重要的作用，它的发展深刻影响着信息现代化、国防建设、国家经济发展等重大领域。研究表明，IC封装成本占据了IC制造总成本的40％，并且，25％的IC失效也来源于IC封装。作为IC封装的主流工艺之一，倒装芯片技术越来越受到人们的关注和研究。目前，IC封装高集成度、轻薄化、微型化的发展趋势，导致对倒装芯片生产工艺流程的要求更为严格，然而，由此带来的尺寸和表面效应影响也更加明显，另外，由于无铅化等对封装材料提出的新要求，在封装界面上更易发生形变、划伤或弯翘，从而引起焊点疲劳和应力集中，最终导致焊点缺陷的产生，典型的倒装焊焊点缺陷有缺失、虚焊和裂纹等，而这也将降低生产效率，提高生产成本，最终阻碍倒装焊技术的进一步发展。传统的依靠人力视觉的倒装焊缺陷检测方法，受制于检测人员视觉疲劳、情绪变化等主观因素影响，已经不能满足大规模工业生产的需求。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法，该方法可以快速、高效地检测出芯片中的倒装焊焊点缺失缺陷，从而将缺陷芯片和正常芯片区分出来。

本发明的技术方案如下：

一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法，该方法包括：

获取样本芯片，样本芯片包括缺陷芯片和正常芯片，缺陷芯片中包含倒装焊焊点缺失缺陷，正常芯片中不包含倒装焊焊点缺失缺陷；

利用激光扫描测振仪获取各个样本芯片的时域振动信号，并对时域振动信号进行特征提取获取时域特征；

根据时域振动信号确定样本芯片的频域振动信号，并对频域振动信号进行特征提取获取频域特征；

根据时域振动信号确定样本芯片的时频域振动信号，并对时频域振动信号进行特征提取获取时频域特征；

将提取到的各个样本芯片的特征数据输入极限学习机进行学习和分类得到焊点检测模型，各个样本芯片的特征数据包括样本芯片的时域特征、频域特征和时频域特征；

利用焊点检测模型检测待测芯片，确定待测芯片中是否存在倒装焊焊点缺失缺陷。

其进一步的技术方案为，获取到的时域特征包括但不限于平均值、标准差、均方根误差、峰峰值、偏度、峰度、波峰因数和波形因数。

其进一步的技术方案为，获取到的频域特征包括但不限于平均频率、中心频率、均方根和根方差。

其进一步的技术方案为，根据时域振动信号确定样本芯片的时频域振动信号，并对时频域振动信号进行特征提取获取时频域特征，包括：对时域振动信号进行小波包分解，并提取出表示小波包树第三层八个节点能量占比的八个时频域特征。

其进一步的技术方案为，将提取到的各个样本芯片的特征数据输入极限学习机进行学习和分类得到焊点检测模型，包括：

对于每个样本芯片的特征数据，根据主成分分析法对提取到的特征数据进行特征降维；

将各个样本芯片的特征降维后的特征数据输入极限学习机进行学习和分类得到焊点检测模型。

本发明的有益技术效果是：

本申请公开了一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法，该方法针对样本芯片原始的时域振动信号，根据特征提取方法，从时域、频域和时频域分别提取特征，通过输入极限学习机中进行学习和分类后得到焊点检测模型，利用焊点检测模型即能自动检测出芯片中是否存在倒装焊焊点缺失缺陷，从而快速高效将缺陷芯片和正常芯片区分出来，与传统的人力视觉检测不同，该方法机器化、自动化程度高，且检测结果客观性和准确性更好，为实现更加快速且高效的倒装焊焊点缺失缺陷检测提供了方法。

附图说明

图1是本申请公开的倒装焊焊点缺失缺陷智能检测方法的方法流程图。

图2是样本芯片的时域振动信号的示意图。

图3是图2所示的时域振动信号变换后的频域振动信号的频谱图。

图4是对图2的时域振动信号进行三层小波包分解后的小波包树示意图。

图5是对图2的时域振动信号进行三层小波包分解后，小波包树第三层八个节点包含能量所占百分比示意图。

图6是使用主成分分析法对提取出的21个特征数据进行贡献率排序的示意图。

图7是实验中使用极限学习机神经网络进行检测的结果示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请公开了一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法，主要包括几个步骤，请参考图1所示的步骤流程图：

步骤一，获取样本芯片，样本芯片包括缺陷芯片和正常芯片，缺陷芯片中包含倒装焊焊点缺失缺陷，正常芯片中不包含倒装焊焊点缺失缺陷。实际操作时，可以通过如下方法制备得到样本芯片：

(1)、选型：使用PB08型倒装芯片作为样本芯片，裸芯片尺寸5.08×5.08×0.653mm，其下表面共有88(22×4)个共晶铅锡焊点均匀分布在四边，焊点直径120μm，焊点间距254μm。

(2)、备片：为引入倒装焊焊点缺失缺陷，随机挑选部分样本芯片作为缺陷芯片，借助影像测量仪MC001-YR2010，使用尖头镊子随机剔除1～2个焊点，并标注缺陷芯片。其余样本芯片即作为正常芯片。

(3)、贴片：使用德国finetech公司的多用途亚微米贴片机，将芯片以回流焊方式焊接于基板上，基板为Practical Component公司FA10有机保焊膜层压板。

利用上述步骤(1)-(3)可以制备得到一系列的样本芯片，样本芯片中包含一定数量的缺陷芯片。

步骤二，利用激光扫描测振仪获取各个样本芯片的时域振动信号，具体的，将样本芯片固定在气浮平台上，使用超声换能器(230MHz)以45°方向发射超声波，激励样本芯片振动，利用固定于样本芯片中心垂直位置上方的激光扫描测振仪扫描该样本芯片从而获取样本芯片的时域振动信号。

然后对时域振动信号进行特征提取获取时域特征，本申请中至少提取出9个常用的时域特征，获取到的时域特征包括但不限于平均值、标准差、均方根误差、峰峰值、偏度、峰度、波峰因数和波形因数，各个时域特征的表达式为：

平均值：

标准差：

均方根误差：

峰峰值：

偏度：

峰度：

波峰因数：

波形因数：

其中，x(n)表示时域振动信号，N表示采样的样本点个数。

步骤三，根据时域振动信号确定样本芯片的频域振动信号，也即对时域振动信号进行傅里叶变换将时域振动信号转换为频域振动信号。然后对时域振动信号进行特征提取获取频域特征，获取到的频域特征包括但不限于平均频率、中心频率、均方根和根方差，各个频域特征的表达式为：

平均频率：

中心频率：

均方根：

根方差：

其中，p(m)表示时域振动信号x(n)对应的频域振动信号，M表示频谱条数，f(m)表示第m条频谱相应的频率。

步骤四，根据时域振动信号确定样本芯片的时频域振动信号，并对时频域振动信号进行特征提取获取时频域特征。具体的，对时域振动信号进行小波包分解，并提取出表示小波包树第三层八个节点能量占比的八个时频域特征。

步骤五，对根据主成分分析法对提取到的每个样本芯片的特征数据进行特征降维，每个样本芯片的特征数据包括按照上述步骤二～四分别提取到的9个时域特征、4个频域特征和8个时频域特征，对提取到的21个特征数据进行特征降维可以减少特征数量。

步骤六，随机抽取一定比例的样本芯片的特征降维后的特征数据输入极限学习机进行学习和分类得到焊点检测模型，将剩余的样本芯片的特征降维后的特征数据输入训练后的训练后的极限学习机进行预测，检验模型检测准确率。

步骤七，利用焊点检测模型检测待测芯片，即能确定待测芯片中是否存在倒装焊焊点缺失缺陷，从而将存在倒装焊焊点缺失缺陷的缺陷芯片与正常芯片区分开来。

通过上述方法使用极限学习机神经网络进行分类后，可以准确地将缺陷芯片从正常芯片中分隔出来，且相较于原始的人工视觉检测方法，该方法有效避免了视觉疲劳、情绪变化等人力主观因素对检测结果的影响，从而有效地提高了焊点缺失芯片检测的准确性，以及提高检测效率。本申请以一个实例来说明本申请的智能检测方法：

首先采用上述步骤一中的方法制备得到一系列的样本芯片，样本芯片中包含一定数量的缺陷芯片。然后采用美国Ultran Group CPA3型容式空气耦合超声换能器，测量分辨率为0.02μm/s，将其固定于X-Y轴微动平台上，以45°方向朝样本芯片中心发射超声波，激励样本芯片振动。利用固定于样本芯片中心垂直位置上方的激光扫描测振仪获取样本芯片的时域振动信号，采样频率为1.28MHz，所得样本芯片的时域振动信号如图2所示。

针对样本芯片的时域振动信号提取出平均值、标准差、均方根误差、峰峰值等9个常用的时域特征。利用傅里叶变换，将样本芯片的振动信号从时域转换为频域，频域振动信号的频谱图如图3所示，针对样本芯片的频域振动信号提取出包括平均频率、中心频率、均方根和根方差在内的4个常用的频域特征。对样本芯片的时域振动信号进行3层小波包分解，小波包树如图4所示，小波包树第三层八个节点包含的能量所占百分比如图5所示，提取出表示该八个节点能量占比的8个时频域特征。

用主成分分析法，对提取出的9个时域特征、4个频域特征、8个时频特征共21个特征数据进行贡献率分析，如图6所示，从图中可以看出，前五个特征数据累计贡献率达到93.3％，表明前五个特征数据可以代表原始的特征数据的绝大部分信息，因此，将21个特征数据减少为5个特征数据，达到了特征降维的目的。

最终，得到720组包含5个特征数据的特征数据库。随机抽取600组特征数据输入极限学习机神经网络进行训练和学习，神经网络隐藏层神经元个数设置为20，传递函数使用Sigmoid函数，训练完成后，将剩余120组特征数据输入极限学习机进行检测，检测准确率达到100％，结果如图7所示。实验结果证明了基于振动信号的倒装焊焊点缺失缺陷智能检测方法能够快速、准确地识别出缺陷芯片。

以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (5)

1.一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法，其特征在于，所述方法包括：

获取样本芯片，所述样本芯片包括缺陷芯片和正常芯片，所述缺陷芯片中包含倒装焊焊点缺失缺陷，所述正常芯片中不包含倒装焊焊点缺失缺陷；

利用激光扫描测振仪获取各个所述样本芯片的时域振动信号，并对所述时域振动信号进行特征提取获取时域特征；

根据所述时域振动信号确定所述样本芯片的频域振动信号，并对所述频域振动信号进行特征提取获取频域特征；

根据所述时域振动信号确定所述样本芯片的时频域振动信号，并对所述时频域振动信号进行特征提取获取时频域特征；

将提取到的各个所述样本芯片的特征数据输入极限学习机进行学习和分类得到焊点检测模型，各个所述样本芯片的所述特征数据包括所述样本芯片的时域特征、频域特征和时频域特征；

利用所述焊点检测模型检测待测芯片，确定所述待测芯片中是否存在倒装焊焊点缺失缺陷。

2.根据权利要求1所述的方法，其特征在于，获取到的所述时域特征包括但不限于平均值、标准差、均方根误差、峰峰值、偏度、峰度、波峰因数和波形因数。

3.根据权利要求1所述的方法，其特征在于，获取到的所述频域特征包括但不限于平均频率、中心频率、均方根和根方差。

4.根据权利要求1所述的方法，其特征在于，所述根据所述时域振动信号确定所述样本芯片的时频域振动信号，并对所述时频域振动信号进行特征提取获取时频域特征，包括：对所述时域振动信号进行小波包分解，并提取出表示小波包树第三层八个节点能量占比的八个所述时频域特征。

5.根据权利要求1-4任一所述的方法，其特征在于，所述将提取到的各个所述样本芯片的特征数据输入极限学习机进行学习和分类得到焊点检测模型，包括：

对于每个所述样本芯片的特征数据，根据主成分分析法对提取到的所述特征数据进行特征降维；

将各个所述样本芯片的特征降维后的特征数据输入极限学习机进行学习和分类得到所述焊点检测模型。