CN111125941B - 一种csp焊点焊后残余应力测量方法 - Google Patents
一种csp焊点焊后残余应力测量方法 Download PDFInfo
- Publication number
- CN111125941B CN111125941B CN201910608336.9A CN201910608336A CN111125941B CN 111125941 B CN111125941 B CN 111125941B CN 201910608336 A CN201910608336 A CN 201910608336A CN 111125941 B CN111125941 B CN 111125941B
- Authority
- CN
- China
- Prior art keywords
- csp
- residual stress
- welding
- value
- welding spot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 18
- 229910000679 solder Inorganic materials 0.000 title claims description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012916 structural analysis Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000013401 experimental design Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005476 soldering Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012536 packaging technology Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供了一种CSP焊点焊后残余应力测量方法，首先确定对CSP焊点焊后残余应力值有影响的影响因素，再选取灵敏度分析结果中对焊后残余应力影响显著的显著影响因素，建立带动量项BP神经网络，通过对训练后输出值和目标输出值的相关性进行线性回归分析，以在显著影响因素与残余应力值之间建立起非线性映射关系，以实现对CSP焊点焊后残余应力的预测，为进一步深入研究CSP焊点焊后残余应力进而提高CSP焊点服役后可靠性提供理论指导。
Description
技术领域
本发明涉及电子元器件封装技术领域，尤其涉及一种CSP焊点焊后残余应力测量方法。
背景技术
随着电子产品不断向微型化、轻薄化、多功能化与高可靠性方向的发展，使得封装技术中高密度、高精度、细间距和微尺度成为了必然趋势。芯片尺寸封装(Chip ScalePackage：CSP)作为一种新型封装技术由此而出现并得到日益广泛应用，具有超小型封装、封装密度高和电热性能良好等优势。CSP封装结构中互连焊点(即CSP焊点)直接承担着电气连接、机械支撑及散热作用，通常CSP器件失效大都是由于焊点失效所引起的。CSP器件组装过程中，焊点在再流焊过程中会经历固态到熔融而又冷凝的过程，在焊接完成后焊点内会产生并累积不小的内应力即焊后残余应力，残余应力的存在将会引起焊点的损伤，这种损伤在在后续的生产工艺以及产品使用过程中，会扩展汇合而形成宏观裂纹，直接导致器件的失效或者引起吸潮、界面脱层以及间接引起其它材料失效，因此，对焊点焊后残余应力所引起的焊点失效问题应给予足够重视以确保焊点服役后的可靠性。目前国内外学者的研究了焊点结构参数的变化对焊点焊后残余应力的影响，但对焊点焊后残余应力的研究尚不充分，如未能给出焊点各个结构参数对焊点焊后残余应力影响程度的大小排序，也没有给出焊点焊后残余应力的预测模型以解决残余应力计算工作量大等问题。
灵敏度分析正是解决多个设计变量或参数变化对模型结果影响程度大小的方法，而BP(Back Propagation)神经网络能够实现非线性映射关系，且在焊点形态、故障诊断和焊接质量等领域的预测方面被广泛应用。因此，本发明建立了CSP焊点有限元模型，选取灵敏度分析结果中对焊后残余应力影响显著的因子，建立带动量项神经网络，在显著因子与残余应力之间建立起非线性映射关系，以实现对CSP焊点焊后残余应力的预测，为进一步深入研究CSP焊点焊后残余应力进而提高CSP焊点服役后可靠性提供理论指导。该方法结合灵敏度分析和带动量项神经网络算法对CSP焊点焊后残余应力进行预测，具有优良的鲁棒性能，计算方法简单，极大的方便了后期CSP焊点焊后残余应力的预测。
发明内容
本发明的目的在于提供一种CSP焊点焊后残余应力测量方法，能够结合灵敏度分析和带动量项BP神经网络算法对CSP焊点焊后残余应力进行预测，具有优良的鲁棒性能，计算方法简单，极大的方便了后期CSP焊点焊后残余应力的预测。
为了达到上述目的，本发明提供了一种CSP焊点焊后残余应力测量方法，其特征在于，包括：
基于ANSYS建立CSP焊点的仿真分析模型并进行温度场分析，以对所述仿真分析模型施加再流焊温度载荷，并得到所述CSP焊点的温度场分布；
将所述CSP焊点的温度场分布作为结构分析的载荷以进行结构分析，并得到所述CSP焊点的残余应力值；
选取所述CSP焊点的残余应力值的影响因素，并确定所述影响因素的上限值和下限值；
以最大残余应力值为输出参数对所述仿真分析模型进行灵敏度分析，以得到所述影响因素中对所述CSP焊点的残余应力值的影响显著的显著影响因素；
根据所述显著影响因素训练样本数据，并建立带动量项的BP神经网络；
对所述训练后输出值和目标输出值的相关性进行线性回归分析，以建立所述显著影响因素与所述CSP焊点的残余应力值之间的非线性映射关系。
可选的，进行结构分析时，对所述CSP焊点所在的PCB底面的四个角点处施加全约束，以得到所述CSP焊点的残余应力值。
可选的，所述影响因素包括焊点直径、焊点高度、焊盘直径及焊点间距中的一种或多种。
可选的，采用拉丁超立方蒙特卡罗法对所述仿真分析模型进行灵敏度分析，其中，所述灵敏度分析的模拟次数为100次。
可选的，所述带动量项的BP神经网络的输入层的节点数为3，输出层的节点数为1，隐含层的节点数为9。
可选的，所述带动量项BP神经网络的传递函数为tansig，学习率为0.05，最大迭代次数为3000，动量因子为0.8。
可选的，训练样本数据的步骤为：根据正交试验设计的原理，获取不同的显著影响因素水平组合，然后以此为基础，把样本数据增加到合适的数量。
在本发明提供的CSP焊点焊后残余应力测量方法中，首先确定对CSP焊点焊后残余应力值有影响的影响因素，再选取灵敏度分析结果中对焊后残余应力影响显著的显著影响因素，建立带动量项BP神经网络，通过对训练后输出值和目标输出值的相关性进行线性回归分析，以在显著影响因素与残余应力值之间建立起非线性映射关系，以实现对CSP焊点焊后残余应力的预测，为进一步深入研究CSP焊点焊后残余应力进而提高CSP焊点服役后可靠性提供理论指导。
附图说明
图1为本发明实施例提供的CSP焊点残余应力有限元分析模型图；
图2为本发明实施例提供的再流焊温度加载曲线图；
图3为本发明实施例提供的CSP焊点残余应力分布图；
图4为本发明实施例提供的CSP焊点参数灵敏度分析结果图；
图5为本发明实施例提供的带动量项BP神经网络的全局误差图；
图6为本发明实施例提供的带动量项BP神经网络的线性回归分析图；
图7为本发明实施例提供的带动量项BP神经网络的线性回归分析图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示，本发明提供了一种CSP焊点焊后残余应力测量方法，包括：
步骤S1：基于ANSYS建立CSP焊点的仿真分析模型并进行温度场分析，以对所述仿真分析模型施加再流焊温度载荷，并得到所述CSP焊点的温度场分布；
步骤S2：将所述CSP焊点的温度场分布作为结构分析的载荷以进行结构分析，并得到所述CSP焊点的残余应力值；
步骤S3：选取所述CSP焊点的残余应力值的影响因素，并确定所述影响因素的上限值和下限值；
步骤S4：以最大残余应力值为输出参数对所述仿真分析模型进行灵敏度分析，以得到所述影响因素中对所述CSP焊点的残余应力值的影响显著的显著影响因素；
步骤S5：根据所述显著影响因素训练样本数据，并建立带动量项的BP神经网络；
步骤S6：对所述训练后输出值和目标输出值的相关性进行线性回归分析，以建立所述显著影响因素与所述CSP焊点的残余应力值之间的非线性映射关系。
具体的，如图2所示，首先基于ANSYS建立SAC305无铅CSP焊点的仿真分析模型，材料如下表所示：
表1材料参数
再进行温度场分析，对建立好的仿真分析模型施加再流焊温度载荷，获得CSP焊点的温度场分布，施加的再流焊温度载荷为如图3所示的典型的无铅再流焊温度曲线。接下来，将温度场分布作为结构分析的载荷，对CSP焊点所在的PCB底面四个角点处施加全约束，获取CSP焊点的残余应力值，仿真所得残余应力分布图如图4所示。
进一步，选取CSP焊点的残余应力值的影响因素为焊点直径、焊点高度、焊盘直径和焊点间距中的一种或多种，确定影响因素的上限值和下限值为焊点直径SB_D(0.22，0.28)mm、焊点高度SB_H(0.15，0.25)mm、焊盘直径SB_P(0.18，0.22)mm和焊点间距SB_DIST(0.32，0.4)mm，且均服从均匀分布。
接下来，采用拉丁超立方蒙特卡罗法对所述仿真分析模型以最大残余应力值为输出参数对CSP焊点的仿真分析模型模型进行灵敏度分析，其中灵敏度分析中的模拟次数为100次，获取影响因素中影响残余应力值显著的显著影响因素，获得的灵敏度分析结果图如图5所示。
接着，确定带动量项BP神经网络的输入层、输出层、隐含层节点数分别为3、1和9；获取训练样本数据，首先根据正交试验设计的原理，采用L16(45)正交表获取了3显著影响因素4水平的16组不同显著影响因素水平组合，然后以此为基础，把样本数据增加到45组。以45组CSP焊点形态参数组合与对应的残余应力值作为神经网络的训练样本，如下表所示。
表2训练及测试样本数据
然后确定带动量项BP神经网络的传递函数、学习率、最大迭代次数和动量因子分别为tansig、0.05、3000和0.8；建立带动量项BP神经网络，获得网络全局误差减小过程如图6所示。
最后，对网络训练后输出值和目标输出值的相关性进行线性回归分析，获得带动量项BP神经网络的线性回归分析图如图7所示，从图7中可以看出，带动量BP项的神经网络经过训练后的输出值与期望输出值的线性回归分析中相关指数R2为0.756。当相关指数R2为0.75时，就表明输出值与期望输出值有强相关关系，网络拟合效果较好。由此可见，带动量BP项网络残余应力预测模型的拟合效果较好，可以建立所述显著影响因素与所述CSP焊点的残余应力值之间的非线性映射关系。
为了测试已完成学习训练的带动量项BP神经网络模型的预测效果，另取10组测试样本数据对网络进行测试，样本数据与相应的预测值和仿真值对比结果如表3所示。从表3中数据可以看出，预测值和仿真值之间的相对误差均不超过10％，其中最大相对误差为7.93％，平均误差为3.19％。由此可见，本实施例所建立的带动量BP项网络预测模型较好地实现了CSP焊点焊后残余应力值的预测。
表3带动量项BP神经网络的预测值和仿真值对比
综上，在本发明实施例提供的CSP焊点焊后残余应力测量方法中，首先确定对CSP焊点焊后残余应力值有影响的影响因素，再选取灵敏度分析结果中对焊后残余应力影响显著的显著影响因素，建立带动量项BP神经网络，通过对训练后输出值和目标输出值的相关性进行线性回归分析，以在显著影响因素与残余应力值之间建立起非线性映射关系，以实现对CSP焊点焊后残余应力的预测，为进一步深入研究CSP焊点焊后残余应力进而提高CSP焊点服役后可靠性提供理论指导。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (4)
1.一种CSP焊点焊后残余应力测量方法，其特征在于，包括：
基于ANSYS建立CSP焊点的仿真分析模型并进行温度场分析，以对所述仿真分析模型施加再流焊温度载荷，并得到所述CSP焊点的温度场分布；
将所述CSP焊点的温度场分布作为结构分析的载荷以进行结构分析，并得到所述CSP焊点的残余应力值；
选取所述CSP焊点的残余应力值的影响因素，并确定所述影响因素的上限值和下限值；
以最大残余应力值为输出参数对所述仿真分析模型进行灵敏度分析，以得到所述影响因素中对所述CSP焊点的残余应力值的影响显著的显著影响因素；
根据所述显著影响因素训练样本数据，并建立带动量项的BP神经网络；
对训练后输出值和目标输出值的相关性进行线性回归分析，以建立所述显著影响因素与所述CSP焊点的残余应力值之间的非线性映射关系；
进行结构分析时，对所述CSP焊点所在的PCB底面的四个角点处施加全约束，以得到所述CSP焊点的残余应力值；所述影响因素包括焊点直径、焊点高度、焊盘直径及焊点间距中的一种或多种；
训练样本数据的步骤为：根据正交试验设计的原理，获取不同的显著影响因素水平组合，然后以此为基础，把样本数据增加到合适的数量。
2.如权利要求1所述的CSP焊点焊后残余应力测量方法，其特征在于，采用拉丁超立方蒙特卡罗法对所述仿真分析模型进行灵敏度分析，其中，所述灵敏度分析的模拟次数为100次。
3.如权利要求1所述的CSP焊点焊后残余应力测量方法，其特征在于，所述带动量项的BP神经网络的输入层的节点数为3，输出层的节点数为1，隐含层的节点数为9。
4.如权利要求3所述的CSP焊点焊后残余应力测量方法，其特征在于，带动量项BP神经网络的传递函数为tansig，学习率为0.05，最大迭代次数为3000，动量因子为0.8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608336.9A CN111125941B (zh) | 2019-07-08 | 2019-07-08 | 一种csp焊点焊后残余应力测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608336.9A CN111125941B (zh) | 2019-07-08 | 2019-07-08 | 一种csp焊点焊后残余应力测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111125941A CN111125941A (zh) | 2020-05-08 |
| CN111125941B true CN111125941B (zh) | 2022-08-09 |
Family
ID=70495159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910608336.9A Active CN111125941B (zh) | 2019-07-08 | 2019-07-08 | 一种csp焊点焊后残余应力测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125941B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753458A (zh) * | 2020-07-03 | 2020-10-09 | 北京航天微电科技有限公司 | 再流焊温度场分析方法、装置、计算机设备 |
| CN112149331B (zh) * | 2020-09-25 | 2022-08-19 | 湖北三江航天红峰控制有限公司 | 基于有限元仿真的热风回流炉虚拟模型建立方法 |
| CN113536489B (zh) * | 2021-08-25 | 2023-06-20 | 中国电子科技集团公司第三十八研究所 | 一种组件封装的连接构型和工艺参数确定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363870A (zh) * | 2018-02-11 | 2018-08-03 | 宁波大学 | 一种基于深度学习的数控机床主轴热误差建模方法 |
| CN109408844A (zh) * | 2018-07-11 | 2019-03-01 | 桂林电子科技大学 | 芯片封装焊点随机振动应力和回波损耗的优化方法 |
| CN109918823A (zh) * | 2019-03-15 | 2019-06-21 | 成都航空职业技术学院 | 一种减小扭转应力的微尺度bga焊点结构参数优化方法 |
-
2019
- 2019-07-08 CN CN201910608336.9A patent/CN111125941B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363870A (zh) * | 2018-02-11 | 2018-08-03 | 宁波大学 | 一种基于深度学习的数控机床主轴热误差建模方法 |
| CN109408844A (zh) * | 2018-07-11 | 2019-03-01 | 桂林电子科技大学 | 芯片封装焊点随机振动应力和回波损耗的优化方法 |
| CN109918823A (zh) * | 2019-03-15 | 2019-06-21 | 成都航空职业技术学院 | 一种减小扭转应力的微尺度bga焊点结构参数优化方法 |
Non-Patent Citations (6)
| Title |
|---|
| 3D封装微尺度CSP焊点随机振动应力应变分析;韩立帅等;《焊接学报》;20190625;第40卷(第6期);第64-70页 * |
| proposal of area-arrayed bump joint structures for minimizing residual stress in stacked silicon chips mounted by flip chip technology;nobuki ueta等;《2008 international conference on electronic materials and packaging》;20090213;第228-231页 * |
| Shape prediction and residual stress evaluation of BGA and flip chip solder joints;H. Sakai等;《ITHERM 2000. The Seventh Intersociety Conference on Thermal and Thermomechanical Phenomena in Electronic Systems (Cat. No.00CH37069)》;20020806;第181-186页 * |
| The analysis and evaluation of chip scale package (CSP) solder joint reliability;HongZhen Yang等;《2011 International Conference on Electrical and Control Engineering》;20111024;第1315-1318页 * |
| 基于ANSYS软件PDS模块机械零件状态函数灵敏度分析;李响铸;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20081015(第10期);C028-2 * |
| 基于人工神经网络的激光点焊焊点形态预测;陶汪等;《机械工程学报》;20091115;第45卷(第11期);第300-305页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111125941A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111125941B (zh) | 一种csp焊点焊后残余应力测量方法 | |
| Li et al. | DMAIC approach to improve the capability of SMT solder printing process | |
| Amalu et al. | Modelling evaluation of Garofalo-Arrhenius creep relation for lead-free solder joints in surface mount electronic component assemblies | |
| CN101426344B (zh) | 回流温度曲线设定方法及其装置 | |
| CN109190223B (zh) | 一种车联网lccc芯片焊点热循环与随机振动寿命优化方法 | |
| CN109388820B (zh) | 确定不规则温循剖面下焊点损伤累积完整法则的有限元仿真方法 | |
| Huang | Reducing solder paste inspection in surface-mount assembly through Mahalanobis–Taguchi analysis | |
| Yang et al. | A neural network-based prediction model for fine pitch stencil-printing quality in surface mount assembly | |
| CN102625597A (zh) | 一种印制板组合件单板焊接工艺方法 | |
| CN110298126B (zh) | 一种基于失效物理的多元Copula功率器件可靠性评价方法 | |
| Huang et al. | Application of multi-quality parameter design in the optimization of underfilling process–a case study of a vehicle electronic module | |
| Blackwell | Surface mount technology | |
| CN111209720A (zh) | 一种电子元器件表面贴装工艺热应力损伤仿真方法 | |
| Chung et al. | The investigation of modified Norris-Landzberg acceleration models for reliability assessment of Ball Grid Array packages | |
| JP2000046905A (ja) | 電子機器の信頼性評価方法、その信頼性評価装置およびその信頼性評価プログラムを記録した媒体 | |
| CN109359328B (zh) | 焊点寿命的预测方法、装置、计算机设备和存储介质 | |
| CN114266178A (zh) | 一种功率器件健康状态评估方法和系统 | |
| Kościelski et al. | Materials and soldering challenges in lead-free package-on-package (PoP) technology | |
| US7484190B1 (en) | Method to optimize the manufacturing of interconnects in microelectronic packages | |
| Ernst et al. | Influences of organic materials on packaging technologies and their consideration for lifetime evaluation | |
| JP2010204012A (ja) | 溶融半田評価装置、評価方法及びプログラム | |
| HEHGERAJ | STUDY OF DEFORMATION AND CRACK PROPAGATION ON COMPONENT DURING REFLOW SOLDERING PROCESS | |
| JP2001125945A (ja) | 配線基板設計支援方法、設計支援ツール、設計支援システム及び情報記憶媒体 | |
| KR100579773B1 (ko) | 무연 땜납에 의한 전자회로 실장배선기판의 제조방법 | |
| Wohlrabe et al. | R1—A reliability comparison study between 14 lead free alloys |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200508 Assignee: Guilin Shenghui Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980044665 Denomination of invention: A Method for Measuring Residual Stress of CSP Solder Joint After Welding Granted publication date: 20220809 License type: Common License Record date: 20231031 Application publication date: 20200508 Assignee: Guilin Yuanjing Electronic Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980044645 Denomination of invention: A Method for Measuring Residual Stress of CSP Solder Joint After Welding Granted publication date: 20220809 License type: Common License Record date: 20231030 |
|
| EE01 | Entry into force of recordation of patent licensing contract |