CN113111570A - 一种基于机器学习的引线键合质量预测控制方法 - Google Patents
一种基于机器学习的引线键合质量预测控制方法 Download PDFInfo
- Publication number
- CN113111570A CN113111570A CN202110255527.9A CN202110255527A CN113111570A CN 113111570 A CN113111570 A CN 113111570A CN 202110255527 A CN202110255527 A CN 202110255527A CN 113111570 A CN113111570 A CN 113111570A
- Authority
- CN
- China
- Prior art keywords
- quality prediction
- quality
- bonding
- neural network
- process parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004100 electronic packaging Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000009658 destructive testing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009123 feedback regulation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 235000014820 Galium aparine Nutrition 0.000 description 1
- 240000005702 Galium aparine Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明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。
Description
技术领域
本发明属于电子封装引线键合工艺技术领域,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。
背景技术
引线键合自发明以来,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。
发明内容
为了解决现有技术存在的问题,本发明提供一种基于机器学习的引线键合质量预测控制方法。
本发明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。
本发明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:
在发明中,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。本发明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为本发明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为本发明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为本发明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。
本发明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质量预测神经网络模型计算得到可以使得质量合格的工艺参数;
步骤S33:以步骤S32得到的调整后的工艺参数作为基准,对原有可调整参数进行调整,以使得键合质量重新达标。
本发明可以预测键合质量并根据各因素对键合质量的影响规律给出调整意见,在同一台设备上完成多个步骤,并且实现预测质量好,生产效率高。本发明可以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,降低破坏性测试带来的检测成本,提高产品良率,达到质量预测和工艺优化目的。
下面对本发明做进一步的说明。
参见图2,构建所述质量预测神经网络模型包括:1)选取超声频率、键合压力、键合温度、键合时间以及进给量作为影响引线键合的关键影响因素;2)分析键合质量时,抗拉强度、疲劳寿命、电学性能通过相关试验测定,如破坏拉力实验、疲劳试验和电学实验,故选取抗拉强度、疲劳寿命和电学性能作为判定键合质量的标准,即可选取抗拉强度、疲劳寿命和电学性能作为质量预测神经网络模型的输出响应;3)利用y(t)=f(x1(t),x2(t),…,xn(t))来描述引线键合的质量预测神经网络模型,其中x1,x2,…,xn表示影响引线键合的若干个关键工艺参数(即关键影响因素),分别对应步骤1)中提到的超声频率、键合压力等输入参数; y表示输出响应,对应抗拉强度、疲劳寿命和电学性能;f为输入、输出间的复杂多变量非线性函数;4)选用BP神经网络建立质量预测神经网络模型,实现对于键合质量的预测和对工艺参数的调整功能。
参见图3,所述引线键合机的工作原理和工艺参数的调节原理包括:1)利用超声系统记录和调整引线键合机的振动频率,具体可利用频率计1获得超声频率的实时数据,其中所述超声系统由发生器、换能器2和聚能器组成,具体可通过变频式超声波发生器实现超声频率的调整;2)通过电机控制劈刀5的上下运动,实现对键合所需压力的调整,在施力装置6上安装施力测量计,在夹具底座4上安装压力传感器实现对键合压力的测定,夹具底座4为固定被键合器件的底座;3)通过在键合工作台上安装温度测量设备3(具体可为温度传感器)实现对键合处温度的测定;4)利用控制系统完成对键合时间的记录和调整;5)通过送线系统实现对进给量的控制,即在劈刀5的上方安装线轴,并用线轴电机控制线轴旋转实现对进给量的调整,利用光学传感器完成对进给量的测定,当劈刀5带动引线运动时,若引线长度不够,则引线会在光学传感器前移走,从而触发光学传感器,给线轴电机一个脉冲,每次脉冲进给量一定,记录脉冲次数即为总进给量;6)通过超声系统、控制系统及各传感器配合,实现引线键合时工艺参数的测定和调整,其中所述送线系统为控制系统的一部分。
所述引线键合质量预测、工艺参数调整包括:1)引线键合机处于工作状态中,通过步骤S2实现对工艺参数的实时测定,将步骤S2测定的实时数据输入到步骤S1得到的所述质量预测神经网络模型中,通过所述质量预测神经网络模型预测当前工艺参数(即实时数据)下得到的键合质量;2)若得到的预测质量未达到期望质量,则说明基于当前工艺参数得到的键合质量不合格,进而利用所述质量预测神经网络模型进行反馈调节,将对工艺参数中的键合频率、键合力、键合时间、进给量进行优化调整,得到调整后的工艺参数;3)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。
所述质量预测神经网络模型的具体建立过程如下:1)赋予网络各权值和阈值为(-1,1)之间的随机小量,从网络输入节点输入,并沿正向传播的学习样本的信息在隐节点和输出节点进行加权相加,并都经过激活函数作用后,在输出节点k得到输出信息yk;2)由训练样本的期望输出与网络的实际输出建立误差信号,根据此误差信号在反向传播中修正权值和阈值;3)将训练样本输入质量预测神经网络模型进行往复学习,直至均方误差小于指定的精度,停止训练,得到训练好的质量预测神经网络模型。
在所述质量预测神经网络模型中,根据输入算出输出y的预测值y’,再通过求y’与实际值求取误差,根据误差修正模型,直至模型的准确率合格,误差足够小为止。
优选的方案中,可利用随机梯度下降法提高模型的训练效率,即将训练集随机、均匀的分成n份,获得n个整体样本的无偏估计子集,在每个子集上拿去训练,然后求出平均梯度值,更新一次权重,这样重复直至用完所有子集。
综上所述,本发明在引线键合过程中,利用各仪器设备采集影响引线键合质量的各项工艺参数,对键合质量做出预测并在预测质量不佳时自动对工艺参数进行调整,实现在不进行破坏性测试的条件下识别并调整键合质量不佳的参数组,使引线键合达到期望质量,本发明在工程实际中提高了生产效率,降低了生产成本,符合当前技术要求。
本发明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至少包括如下技术效果:
1)利用神经网络进行质量预测,减少了人工镜检等传统方式引起的误差,减少了检测损耗,降低了生产成本,提高了产品质量的稳定性;
2)外界环境变化时可以自动进行工艺调整,提高了键合机的鲁棒性,大大降低了故障率,保证了产品预期质量的稳定。
3)可按照产品的工作需求迅速提供较为精细的优化方案,对使用寿命和工作稳定性有较大提升,大大节省了现场实验的调试时间。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
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4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,所述神经网络选用BP神经网络。
6.根据权利要求4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,采用随机梯度下降法对所述神经网络进行训练。
7.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。
8.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。
9.根据权利要求8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,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255527.9A CN113111570A (zh) | 2021-03-09 | 2021-03-09 | 一种基于机器学习的引线键合质量预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255527.9A CN113111570A (zh) | 2021-03-09 | 2021-03-09 | 一种基于机器学习的引线键合质量预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111570A true CN113111570A (zh) | 2021-07-13 |
Family
ID=76710740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110255527.9A Pending CN113111570A (zh) | 2021-03-09 | 2021-03-09 | 一种基于机器学习的引线键合质量预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111570A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779895A (zh) * | 2021-11-10 | 2021-12-10 | 深圳市裕展精密科技有限公司 | 数据模型的建立装置和方法、加工质量的预测装置和方法 |
CN113780900A (zh) * | 2021-11-09 | 2021-12-10 | 深圳市裕展精密科技有限公司 | 基于边缘计算的焊接检测系统及方法 |
CN113850026A (zh) * | 2021-11-30 | 2021-12-28 | 武汉飞恩微电子有限公司 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
WO2023196063A1 (en) * | 2022-04-06 | 2023-10-12 | Kulicke And Soffa Industries, Inc. | Methods of determining suitability of a wire bonding tool for a wire bonding application, and related methods |
CN116929277A (zh) * | 2023-06-29 | 2023-10-24 | 浙江佳博科技股份有限公司 | 一种键合铜丝加工的质量检测方法及监测机构 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
US20190094842A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Orchestration of learning and execution of model predictive control tool for manufacturing processes |
-
2021
- 2021-03-09 CN CN202110255527.9A patent/CN113111570A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
US20190094842A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Orchestration of learning and execution of model predictive control tool for manufacturing processes |
Non-Patent Citations (3)
Title |
---|
张彩珍等: "基于神经网络的引线键合质量预测模型研究", 《兰州交通大学学报》 * |
毕向东等: "基于DOE和BP神经网络对Al线键合工艺优化", 《半导体技术》 * |
齐翊等: "电子器件封装中引线键合质量的检测方法", 《电子工艺技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780900A (zh) * | 2021-11-09 | 2021-12-10 | 深圳市裕展精密科技有限公司 | 基于边缘计算的焊接检测系统及方法 |
CN113779895A (zh) * | 2021-11-10 | 2021-12-10 | 深圳市裕展精密科技有限公司 | 数据模型的建立装置和方法、加工质量的预测装置和方法 |
CN113850026A (zh) * | 2021-11-30 | 2021-12-28 | 武汉飞恩微电子有限公司 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
WO2023196063A1 (en) * | 2022-04-06 | 2023-10-12 | Kulicke And Soffa Industries, Inc. | Methods of determining suitability of a wire bonding tool for a wire bonding application, and related methods |
CN116929277A (zh) * | 2023-06-29 | 2023-10-24 | 浙江佳博科技股份有限公司 | 一种键合铜丝加工的质量检测方法及监测机构 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111570A (zh) | 一种基于机器学习的引线键合质量预测控制方法 | |
JP5583821B2 (ja) | 超音波ボンディング方法及びボンディング装置 | |
CN105655263B (zh) | 用于导线键合的拉伸测试的方法和系统 | |
CN103972116B (zh) | 导线键合机和校准导线键合机的方法 | |
CN109741927B (zh) | 微型变压器生产线的设备故障和潜在不良品智能预测系统 | |
KR20090057116A (ko) | 초음파 용접을 위한 품질 제어 방법 | |
US10549423B2 (en) | Controller and machine learning device | |
CN109828230B (zh) | 电能表自动化检定流水线表位故障的定位方法 | |
CN110308352A (zh) | 一种智能化探针测试平台及其测试方法 | |
CN110276385A (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
CN111351697A (zh) | 一种键合金丝可靠性评价方法 | |
CN116125242A (zh) | 对象检测方法及系统 | |
CN107907057A (zh) | 一种光栅尺可靠性试验台及基于载荷谱的可靠性试验方法 | |
CN112686838B (zh) | 船舶锚链闪光焊接系统的快速检测装置及检测方法 | |
CN110032811B (zh) | 基于Copula函数的工业机器人电气驱动器的可靠性分析方法 | |
CN117094217A (zh) | 一种基于数字孪生模型的减速机故障维修方法和系统 | |
CN114741999B (zh) | 一种基于数字孪生技术的引线键合在线监测方法 | |
CN207133371U (zh) | 一种便携式风电机组部件性能测试装置 | |
CN115936515A (zh) | 电缆运行状态的确定方法、装置、存储介质和电子设备 | |
CN108151661B (zh) | 一种膜厚测量系统 | |
CN114967775A (zh) | 一种用于健身器材的力馈调控系统及方法 | |
CN1431520A (zh) | 激光二极管自动测试系统 | |
CN209514009U (zh) | 一种线性马达特性测试装置 | |
CN107340487A (zh) | 一种查看测试系统处于稳定状态下实际加工能力的方法 | |
CN101393875A (zh) | 全自动引线键合机键合头力补偿方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |