CN113850026B - 引线键合焊点的电学性能的预测方法、装置、设备及介质 - Google Patents
引线键合焊点的电学性能的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113850026B CN113850026B CN202111435861.9A CN202111435861A CN113850026B CN 113850026 B CN113850026 B CN 113850026B CN 202111435861 A CN202111435861 A CN 202111435861A CN 113850026 B CN113850026 B CN 113850026B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- simulation
- training
- 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.)
- Active
Links
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种引线键合焊点的电学性能的预测方法、装置、设备及介质,该方法包括:接收引线键合焊点的电学性能的预测请求;获取所述引线键合焊点的外界环境参数;将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。本发明基于神经网络技术,结合有限元仿真计算,实现了根据实际环境对引线键合焊点的电学性能进行精准分析和预测,为下级元器件和控制装置提供决策依据,保证了产品性能,提高了运用精度和效率。
Description
技术领域
本发明涉及电子封装引线键合工艺的技术领域,尤其涉及一种引线键合焊点的电学性能的预测方法、装置、设备及介质。
背景技术
引线键合具有成本低廉,工艺较易实现,适用范围广等优点,进而成为电子封装工艺中连接芯片间引线最常用、最广泛应用的方式,其中引线键合焊点作为芯片与外界输入输出通道的连接点,其好坏直接决定了芯片的使用性能和可靠性。
现有技术中,由于引线键合过程中涉及的变化极其复杂,且异质键合存在与工况有关的后续反应,仅仅通过现有检测手段无法实现非破坏性的内部检测。另外,后续在使用过程中无法对引线键合焊点进行电学性能的全寿命周期检测,进而导致无法对所在的传感器性能进行精准的评估。
发明内容
针对上述技术问题,本发明实施例提供了一种引线键合焊点的电学性能的预测方法、装置、设备及介质,旨在解决现有技术中无法快速对引线键合焊点的电学性能进行检测的问题。
第一方面,本发明实施例提供了一种引线键合焊点的电学性能的预测方法,其包括:
接收引线键合焊点的电学性能的预测请求;
获取所述引线键合焊点的外界环境参数;
将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;
将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
第二方面,本发明实施例提供了一种引线键合焊点的电学性能的预测装置,其包括:
接收单元,用于接收引线键合焊点的电学性能的预测请求;
获取单元,用于获取所述引线键合焊点的外界环境参数;
第一输入单元,用于将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;
第二输入单元,用于将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
第三方面,本发明实施例又提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面所述的引线键合焊点的电学性能的预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的引线键合焊点的电学性能的预测方法。
本发明实施例提供了一种引线键合焊点的电学性能的预测方法、装置、设备及介质,该方法通过接收到对引线键合焊点的电学性能进行预测的请求后,获取所述引线键合焊点的外界环境参数,然后将外界环境参数输入至预置的第一神经网络模型中进行仿真解算并将仿真解算后得到的参数信息输入至预置的第二神经网络模型中进行预测,实现了所述引线键合焊点的电学性能信息,有利于对下级元器件或控制装置进行及时处理,降低了不同焊点内部结构差异和环境变化对器件使用性能的影响,保证了产品性能,提高了器件的鲁棒性,解决了现有技术中无法快速对引线键合焊点的电学性能进行检测的问题。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的引线键合焊点的电学性能的预测方法的流程示意图。
图2为本发明实施例提供的引线键合焊点的电学性能的预测方法的子流程示意图。
图3为本发明实施例提供的引线键合焊点的电学性能的预测方法的另一子流程示意图。
图4为本发明实施例提供的引线键合焊点的电学性能的预测方法的另一流程示意图。
图5为本发明实施例提供的引线键合焊点的电学性能的预测方法的另一子流程示意图。
图6为本发明实施例提供的引线键合焊点的电学性能的预测方法的另一子流程示意图。
图7为本发明实施例提供的引线键合焊点的电学性能的预测方法的另一子流程示意图。
图8为本发明实施例提供的引线键合焊点的电学性能的预测装置的示意性框图。
图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的引线键合焊点的电学性能的预测方法的流程示意图。本发明实施例的所述的引线键合焊点的电学性能的预测方法应用于终端设备中,该方法通过安装于终端设备中的应用软件进行执行。其中,终端设备为具备接入互联网功能的终端设备,例如台式电脑、笔记本电脑、平板电脑或手机等设备。
如图1所示,该方法包括以下步骤S110-S140。
S110、接收引线键合焊点的电学性能的预测请求。
具体的,所述预测请求为用户在终端设备中输入请求对任意一个引线键合焊点的电学性能进行预测的指令信息。其中,引线键合是一种使用细金属线,利用热、压力、超声波能量为使金属引线与基板焊盘紧密焊合,实现芯片与基板间的电气互连和芯片间的信息互通。
S120、获取所述引线键合焊点的外界环境参数。
在本实施例中,所述外界环境参数包括环境温度、环境湿度和器件工作时的加速度等。终端设备在接收到对所述引线键合焊点的电学性能进行预测的指令信息后,从芯片中获取用户输入的所述外界环境参数,然后根据所述外界环境参数进行仿真解算并进行相应的预测,便可得到所述引线键合焊点的电学性能信息。
S130、将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息。
在本实施例中,所述参数信息即为所述仿真材料参数,包括:晶相分布、位错、孔隙率、原子扩散率等影响焊点电学性能及可靠性的关键参数,所述第一神经网络模型由BP神经网络(BP,back propagation,反向传播)构建而成,通过将所述外界环境参数输入至由BP神经网络构建而成的第一神经网络模型中后,便可对所述外界环境参数进行仿真解算,进而得到所述引线键合焊点的参数信息。其中,BP神经网络是一种多层的前馈神经网络,BP神经网络的信号是前向传播,误差是反向传播。BP神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
S140、将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
其中,所述第二神经网络模型为预先训练好且可以由RNN、CNN、BP、RBF等神经网络构建。在本实施例中,所述第二神经网络模型采用BP神经网络构建得到,终端设备将所述参数信息分别输入到所述第二神经网络模型中输入层的各个节点中后,进入到所述第二神经网络模型的隐含层中进行线性运算,最后由所述第二神经网络模型的输出层输出,便可得到所述引线键合的电学性能信息。
在其他发明实施例中,如图2所示,步骤S110之前,还包括步骤S210、S220和S230。
S210、根据预设的外界环境数据、预设的有限元仿真输出的仿真材料参数构建训练所述第一神经网络模型的第一数据集,其中,所述外界环境数据为所述第一神经网络模型的输入数据,所述仿真材料参数为所述第一神经网络模型的输出数据。
S220、根据所述第一数据集对所述第一神经网络模型中进行训练,得到训练后的第一神经网络模型。
其中,所述外界环境数据即为所述外界环境参数,包括环境温度、环境湿度和器件工作时的加速度等;所述仿真材料参数即为所述参数信息,包括:晶相分布、位错、孔隙率、原子扩散率等影响焊点电学性能及可靠性的关键参数,所述第一数据集为预先进行有限元仿真后得到的数据集,通过所述第一数据集便可完成对所述第一神经网络模型进行训练。
在其他发明实施例中,如图3所示,步骤S220包括子步骤S221、S222和S223。
S221、对所述第一数据集进行预处理,得到所述第一神经网络模型的第一训练集和第一测试集;
S222、根据所述第一训练集对所述第一神经网络模型进行训练优化,得到训练优化后的第一神经网络模型;
S223、根据所述第一测试集对所述训练优化后的第一神经网络模型进行测试,得到所述训练后的第一神经网络模型。
在本实施例中,所述第一数据集的预处理为将所述第一数据集以预设的比例划分为第一训练集和第一测试集,其中,所述第一训练集为用于对所述第一神经网络模型进行训练直至所述第一神经网络模型收敛,所述第一测试集为用于对经过所述第一训练集训练优化后的第一神经网络进行测试的数据集,所述第一测试集输入至所述训练优化后的第一神经网络模型中后,若所述训练优化后的第一神经网络模型未通过测试,则需继续对所述第一神经网络模型再次进行训练和优化,直至所述第一神经网络模型通过测试。另外,所述第一测试集对所述第一神经网络模型测试的具体标准为:对所述第一神经网络模型输出的仿真材料参数与实际的边界条件进行对比,若误差低于容许误差,则所述第一神经网络模型通过测试,反之则继续进行训练优化。
S230、根据所述仿真材料参数对所述第二神经网络模型进行训练,得到训练后的第二神经网络模型。
在本实施例中,所述仿真材料参数为训练所述第一神经网络模型的过程中所述第一神经网络输出的数据,所述第二神经网络模型训练的过程中,将所述仿真材料参数作为输入数据,材料的电学性能信息(如电阻、电容等)作为输出数据来构建训练所述第二神经网络模型的数据集,然后将该数据集以一定的比例拆分成训练集和测试集,然后进行相应的训练和测试,便可得到所述训练后的第二神经网络模型。
在其他发明实施例中,如图4所示,步骤S210之前,还包括步骤S310、S320、S330和S340。
S310、建立所述引线键合焊点的三维实体模型。
S320、根据所述三维实体模型的结构参数、几何参数、材料参数、状态参数、边界条件构建所述引线键合焊点的仿真模型。
S330、将预设的接触边界材料参数输入至所述仿真模型中进行有限元仿真,得到所述有限元仿真输出的仿真结果,其中,所述接触边界材料参数包括所述接触边界材料的外界环境数据、所述接触边界材料属性值。
S340、对所述仿真结果进行校验,得到所述有限元仿真的校验结果。
在本实施例中,通过对所述接触边界材料参数进行有限元仿真,得到仿真结果为切片孔隙度的仿真结果,然后将所述切片孔隙度与实际切片孔隙度进行对比以对所述仿真结果进行校验,便可得到所述有限元仿真的校验结果。其中,所述仿真结果的校验具体过程为:计算所述切片孔隙度与实际切片孔隙度的误差α并将误差α与容许误差ξ进行对比,若误差α大于容许误差ξ,则判定所述仿真结果不合格;若误差α小于容许误差ξ,则判定所述仿真结果合格。
在其他发明实施例中,如图5所示,步骤S330之前,还包括:S410、S420和S430。
S410、根据预设的接触边界周围材料属性、所述仿真结果进行分子动力学仿真,得到所述接触边界材料属性值。
S420、根据所述接触边界周围材料属性、所述仿真结果、所述接触边界材料属性值构建训练所述第三神经网络模型的第二数据集,其中所述接触边界周围材料属性、所述仿真结果为所述第三神经网络模型的输入数据,所述接触边界材料属性值为所述第三神经网络模型的输出数据。
S430、根据所述第二数据集对所述第三神经网络模型进行训练,得到训练后的第三神经网络模型。
其中,所述第三神经网络模型为用于修正所述仿真模型进行有限元仿真后的仿真结果进行修正,所述第三神经网络模型为预先训练好且可以由RNN(Recurrent NeuralNetwork,循环神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)、BP神经网络、RBF神经网络(RBF,Radical Basis Function,径向基函数)等神经网络构建。在本实施例中,所述第三神经网络模型由BP神经网络构建,训练所述第三神经网络模型的第二数据集由所述接触边界周围材料属性、所述仿真结果经过分子动力学仿真得到。由于分子动力学耗时长,结果多且复杂,因此,采用所述第三神经网络模型替代分子动力学以对所述仿真模型的结果进行修正,进而大幅度提高有限元仿真的速度。
在其他发明实施例中,如图6所示,步骤S430包括子步骤S431、S432和S433。
S431、将所述第二数据集进行预处理,得到所述第三神经网络模型的第二训练集和第二测试集;
S432、根据所述第二训练集对所述第三神经网络模型进行训练优化,得到训练优化后的第三神经网络模型;
S433、根据所述第二测试集对所述训练优化后的第三神经网络模型进行测试,得到所述训练后的第一神经网络模型。
在本实施例中,所述第二数据集的预处理为将所述第二数据集以预设的比例划分为第二训练集和第二测试集,其中,所述第二训练集为用于对所述第三神经网络模型进行训练直至所述第一神经网络模型收敛,所述第二测试集为用于对经过所述第二训练集训练优化后的第三神经网络进行测试的数据集,所述第二测试集输入至所述训练优化后的第三神经网络模型中后,若所述训练优化后的第三神经网络模型未通过测试,则需继续对所述第三神经网络模型再次进行训练和优化,直至所述第三神经网络模型通过测试。另外,所述第二测试集对所述第三神经网络模型测试的具体标准为:对所述第三神经网络模型输出的仿真材料参数与实际的边界条件进行对比,若误差低于容许误差,则所述第三神经网络模型通过测试,反之则继续进行训练优化。
在其他发明实施例中,如图7所示,步骤S340包括子步骤S341和S342。
S341、若所述校验结果为不合格,根据预设的优化算法对所述仿真结果进行优化;
S342、根据预置的第三神经网络模型修改接触边界元属性材料并再次根据所述仿真模型进行有限元仿真。
其中,所述优化算法包括梯度下降法、牛顿法和拟牛顿法、共轭梯度法、启发式优化方法以及拉格朗日乘数法。本实施例中,采用梯度下降法来对所述仿真结果进行优化,具体优化过程:设定初始点x0为首次切片孔隙度的计算结果,容许误差为ξ,迭代代数k=0;根据公式f(x(k))=(∂f/∂x1, ∂f/∂x2…∂f/∂xn)T计算迭代点处的梯度和方向;若满足收敛条件,结束计算并输出结果;若不满足收敛,则利用泰勒展开式确定最优步长ak:ak=-f(x(k))Ts(k)/(s(k))TH(x) Ts(k),式中的H矩阵代表x(k)点的Hesse(黑森)矩阵,式中s(k)=-f(x(k))/‖f(x(k))‖;利用迭代下降公式x(k+1)=x(k)-ak(f(x(k))/‖f(x(k))‖)得到下一步的点x(k+1),令k=k+1,重新进行计算,直至满足收敛条件。
在本发明实施例所提供的引线键合焊点的电学性能的预测方法中,通过接收引线键合焊点的电学性能的预测请求;获取所述引线键合焊点的外界环境参数;将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。本发明实施例通过接收到对引线键合焊点的电学性能进行预测的请求后,获取所述引线键合焊点的外界环境参数,然后将外界环境参数输入至预置的第一神经网络模型中进行仿真解算并将仿真解算后得到的参数信息输入至预置的第二神经网络模型中进行预测,实现了所述引线键合焊点的电学性能信息,有利于对下级元器件或控制装置进行及时处理,降低了不同焊点内部结构差异和环境变化对器件使用性能的影响,保证了产品性能,解决了现有技术中无法快速对引线键合焊点的电学性能进行检测的问题。
本发明实施例还提供了一种引线键合焊点的电学性能的预测装置100,该装置用于执行前述引线键合焊点的电学性能的预测方法的任一实施例。
具体地,请参阅图8,图8是本发明实施例提供的引线键合焊点的电学性能的预测装置100的示意性框图。
如图8所示,所述的引线键合焊点的电学性能的预测装置100,该装置包括:接收单元110、获取单元120、第一输入单元130和第二输入单元140。
接收单元110,用于接收引线键合焊点的电学性能的预测请求。
获取单元120,用于获取所述引线键合焊点的外界环境参数。
第一输入单元130,用于将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息。
第二输入单元140,用于将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
在另一实施例中,所述的引线键合焊点的电学性能的预测装置100还包括:第一构建单元、第一训练单元和第二训练单元。
第一构建单元,用于根据预设的外界环境数据、预设的有限元仿真输出的仿真材料参数构建训练所述第一神经网络模型的第一数据集,其中,所述外界环境数据为所述第一神经网络模型的输入数据,所述仿真材料参数为所述第一神经网络模型的输出数据。
第一训练单元,用于根据所述第一数据集对所述第一神经网络模型中进行训练,得到训练后的第一神经网络模型。
在另一实施例中,所述第一训练单元包括:第一预处理单元、第三训练单元和第一测试单元。
第一预处理单元,用于对所述第一数据集进行预处理,得到所述第一神经网络模型的第一训练集和第一测试集;第三训练单元,用于根据所述第一训练集对所述第一神经网络模型进行训练优化,得到训练优化后的第一神经网络模型;第一测试单元,用于根据所述第一测试集对所述训练优化后的第一神经网络模型进行测试,得到所述训练后的第一神经网络模型。
第二训练单元,用于根据所述仿真材料参数对所述第二神经网络模型进行训练,得到训练后的第二神经网络模型。
在另一实施例中,所述的引线键合焊点的电学性能的预测装置100还包括:第二构建单元、第三构建单元、仿真单元和校验单元。
第二构建单元,用于建立所述引线键合焊点的三维实体模型。
第三构建单元,用于根据所述三维实体模型的结构参数、几何参数、材料参数、状态参数、边界条件构建所述引线键合焊点的仿真模型。
第一仿真单元,用于将预设的接触边界材料参数输入至所述仿真模型中进行有限元仿真,得到所述有限元仿真输出的仿真结果,其中,所述接触边界材料参数包括所述接触边界材料的外界环境数据、所述接触边界材料属性值;
校验单元,用于对所述仿真结果进行校验,得到所述有限元仿真的校验结果。
在另一实施例中,所述校验单元包括:优化单元和修改单元。
优化单元,用于若所述校验结果为不合格,根据预设的优化算法对所述仿真结果进行优化;修改单元,用于根据预置的第三神经网络模型修改接触边界元属性材料并再次根据所述仿真模型进行有限元仿真。
在另一实施例中,所述的引线键合焊点的电学性能的预测装置100还包括:第二仿真单元、第四构建单元、第四训练单元。
第二仿真单元,用于根据预设的接触边界周围材料属性、所述仿真结果进行分子动力学仿真,得到所述接触边界材料属性值。
第四构建单元,用于根据所述接触边界周围材料属性、所述仿真结果、所述接触边界材料属性值构建训练所述第三神经网络模型的第二数据集,其中所述接触边界周围材料属性、所述仿真结果为所述第三神经网络模型的输入数据,所述接触边界材料属性值为所述第三神经网络模型的输出数据;
第四训练单元,用于根据所述第二数据集对所述第三神经网络模型进行训练,得到训练后的第三神经网络模型。
在另一实施例中,所述第四训练单元包括:第二预处理单元、第五训练单元和第二测试单元。
第二预处理单元,用于将所述第二数据集进行预处理,得到所述第三神经网络模型的第二训练集和第二测试集;第五训练单元,用于根据所述第二训练集对所述第三神经网络模型进行训练优化,得到训练优化后的第三神经网络模型;第二测试单元,用于根据所述第二测试集对所述训练优化后的第三神经网络模型进行测试,得到所述训练后的第一神经网络模型。
本发明实施例所提供的引线键合焊点的电学性能的预测装置100用于执行上述接收引线键合焊点的电学性能的预测请求;获取所述引线键合焊点的外界环境参数;将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
请参阅图9,图9是本发明实施例提供的计算机设备的示意性框图。
参阅图9,该设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行引线键合焊点的电学性能的预测方法。
该处理器502用于提供计算和控制能力,支撑整个设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行引线键合焊点的电学性能的预测方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图9中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的设备500的限定,具体的设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:接收引线键合焊点的电学性能的预测请求;获取所述引线键合焊点的外界环境参数;将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
本领域技术人员可以理解,图9中示出的设备500的实施例并不构成对设备500具体构成的限定,在其他实施例中,设备500可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,设备500可以仅包括存储器及处理器502,在这样的实施例中,存储器及处理器502的结构及功能与图9所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器502、数字信号处理器502(Digital Signal Processor,DSP)、专用集成电路、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。
在本发明的另一实施例中提供计算机存储介质。该存储介质可以为非易失性的计算机可读存储介质。该存储介质存储有计算机程序5032,其中计算机程序5032被处理器502执行时实现以下步骤:接收引线键合焊点的电学性能的预测请求;获取所述引线键合焊点的外界环境参数;将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台设备500 (可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U 盘、移动硬盘、只读存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种引线键合焊点的电学性能的预测方法,其特征在于,包括以下步骤:
建立所述引线键合焊点的三维实体模型;
根据所述三维实体模型的结构参数、几何参数、材料参数、状态参数、边界条件构建所述引线键合焊点的仿真模型;
将预设的接触边界材料参数输入至所述仿真模型中进行有限元仿真,得到所述有限元仿真输出的仿真结果,其中,所述接触边界材料参数包括所述接触边界材料的外界环境数据、所述接触边界材料属性值;
对所述仿真结果进行校验,得到所述有限元仿真的校验结果;
根据预设的外界环境数据、预设的有限元仿真输出的仿真材料参数构建训练第一神经网络模型的第一数据集,其中,所述外界环境数据为所述第一神经网络模型的输入数据,所述仿真材料参数为所述第一神经网络模型的输出数据;
根据所述第一数据集对所述第一神经网络模型中进行训练,得到训练后的第一神经网络模型;
根据所述仿真材料参数对第二神经网络模型进行训练,得到训练后的第二神经网络模型;
接收引线键合焊点的电学性能的预测请求;
获取所述引线键合焊点的外界环境参数;
将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;
将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
2.根据权利要求1所述的引线键合焊点的电学性能的预测方法,其特征在于,根据所述第一数据集对所述第一神经网络模型中进行训练,得到训练后的第一神经网络模型,包括:
对所述第一数据集进行预处理,得到所述第一神经网络模型的第一训练集和第一测试集;
根据所述第一训练集对所述第一神经网络模型进行训练优化,得到训练优化后的第一神经网络模型;
根据所述第一测试集对所述训练优化后的第一神经网络模型进行测试,得到所述训练后的第一神经网络模型。
3.根据权利要求1所述的引线键合焊点的电学性能的预测方法,其特征在于,对所述仿真结果进行校验,得到所述有限元仿真的校验结果之后,还包括:
若所述校验结果为不合格,根据预设的优化算法对所述仿真结果进行优化;
根据预置的第三神经网络模型修改接触边界元属性材料并再次根据所述仿真模型进行有限元仿真。
4.根据权利要求3所述的引线键合焊点的电学性能的预测方法,其特征在于,将预设的接触边界材料参数输入至所述仿真模型中进行有限元仿真,得到所述有限元仿真输出的仿真结果之前,还包括:
根据预设的接触边界周围材料属性、所述仿真结果进行分子动力学仿真,得到所述接触边界材料属性值;
根据所述接触边界周围材料属性、所述仿真结果、所述接触边界材料属性值构建训练所述第三神经网络模型的第二数据集,其中所述接触边界周围材料属性、所述仿真结果为所述第三神经网络模型的输入数据,所述接触边界材料属性值为所述第三神经网络模型的输出数据;
根据所述第二数据集对所述第三神经网络模型进行训练,得到训练后的第三神经网络模型。
5.根据权利要求4所述的引线键合焊点的电学性能的预测方法,其特征在于,根据所述第二数据集对所述第三神经网络模型进行训练,得到训练后的第三神经网络模型,包括:
将所述第二数据集进行预处理,得到所述第三神经网络模型的第二训练集和第二测试集;
根据所述第二训练集对所述第三神经网络模型进行训练优化,得到训练优化后的第三神经网络模型;
根据所述第二测试集对所述训练优化后的第三神经网络模型进行测试,得到所述训练后的第一神经网络模型。
6.一种引线键合焊点的电学性能的预测装置,其特征在于,包括:
三维建模单元,用于建立所述引线键合焊点的三维实体模型;
仿真建模单元,用于根据所述三维实体模型的结构参数、几何参数、材料参数、状态参数、边界条件构建所述引线键合焊点的仿真模型;
仿真单元,用于将预设的接触边界材料参数输入至所述仿真模型中进行有限元仿真,得到所述有限元仿真输出的仿真结果,其中,所述接触边界材料参数包括所述接触边界材料的外界环境数据、所述接触边界材料属性值;
校验单元,用于对所述仿真结果进行校验,得到所述有限元仿真的校验结果;
第一数据集构建单元,用于根据预设的外界环境数据、预设的有限元仿真输出的仿真材料参数构建训练第一神经网络模型的第一数据集,其中,所述外界环境数据为所述第一神经网络模型的输入数据,所述仿真材料参数为所述第一神经网络模型的输出数据;
第一训练单元,用于根据所述第一数据集对所述第一神经网络模型中进行训练,得到训练后的第一神经网络模型;
第二训练单元,用于根据所述仿真材料参数对第二神经网络模型进行训练,得到训练后的第二神经网络模型;
接收单元,用于接收引线键合焊点的电学性能的预测请求;
获取单元,用于获取所述引线键合焊点的外界环境参数;
第一输入单元,用于将所述外界环境参数输入至预先训练好的第一神经网络模型中进行仿真解算,得到所述引线键合焊点的参数信息;
第二输入单元,用于将所述参数信息输入至预先训练好的第二神经网络模型中进行电学性能预测,得到所述引线键合焊点的电学性能信息。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的引线键合焊点的电学性能的预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的引线键合焊点的电学性能的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111435861.9A CN113850026B (zh) | 2021-11-30 | 2021-11-30 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111435861.9A CN113850026B (zh) | 2021-11-30 | 2021-11-30 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850026A CN113850026A (zh) | 2021-12-28 |
CN113850026B true CN113850026B (zh) | 2022-02-18 |
Family
ID=78982260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111435861.9A Active CN113850026B (zh) | 2021-11-30 | 2021-11-30 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850026B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710381B (zh) * | 2022-04-01 | 2024-08-06 | 中国人民解放军国防科技大学 | 信道容量估计方法、装置、设备及介质 |
CN114741999B (zh) * | 2022-06-09 | 2022-09-02 | 武汉飞恩微电子有限公司 | 一种基于数字孪生技术的引线键合在线监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270151A (zh) * | 2020-11-02 | 2021-01-26 | 中国电子科技集团公司第三十八研究所 | 基于智能算法的引线键合结构参数反演方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7085699B2 (en) * | 2003-12-23 | 2006-08-01 | Texas Instruments Incorporated | Wire bonding simulation |
CN113111570A (zh) * | 2021-03-09 | 2021-07-13 | 武汉大学 | 一种基于机器学习的引线键合质量预测控制方法 |
CN113239653B (zh) * | 2021-04-20 | 2022-08-12 | 武汉大学 | 基于复合失效模式耦合的igbt寿命预测方法及系统 |
-
2021
- 2021-11-30 CN CN202111435861.9A patent/CN113850026B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270151A (zh) * | 2020-11-02 | 2021-01-26 | 中国电子科技集团公司第三十八研究所 | 基于智能算法的引线键合结构参数反演方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113850026A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850026B (zh) | 引线键合焊点的电学性能的预测方法、装置、设备及介质 | |
US11868201B2 (en) | Memory evaluation method and apparatus | |
TWI776323B (zh) | 用於半導體設計與製造的統一材料至系統模擬、設計與驗證 | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN112967272A (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
WO2021244677A1 (zh) | 一种轮胎模型的优化方法及设备 | |
US20180060471A1 (en) | Addressing of process and voltage points | |
CN113779910B (zh) | 产品性能分布预测方法及装置、电子设备及存储介质 | |
CN116029004A (zh) | 建模方法、装置及电子设备 | |
JP4526596B2 (ja) | 信号遅延評価プログラム、信号遅延評価方法、および信号遅延評価装置 | |
CN113051854A (zh) | 基于硬件结构感知的自适应学习式功率建模方法与系统 | |
CN114610645B (zh) | 任务可靠性和测试性联合确定方法、装置和计算机设备 | |
CN114443141A (zh) | 测控指令循环约束故障的确定方法及装置 | |
CN113806985B (zh) | 一种仿真分析方法及装置 | |
CN109357957B (zh) | 一种基于极值窗口的疲劳监测计数方法 | |
CN114626267A (zh) | 芯片失效分析方法、装置、电子设备及存储介质 | |
CN110209566B (zh) | 一种对软件的测试方法及装置 | |
US9513903B2 (en) | Fault-tolerant system and fault-tolerant operating method capable of synthesizing result by at least two calculation modules | |
CN117034824B (zh) | 复用测试用例和验证环境的仿真验证系统、方法、终端及介质 | |
CN111985173A (zh) | 一种适用于近似计算电路可靠性分析方法及系统 | |
JPH11219382A (ja) | 遅延算出装置、遅延算出方法および遅延算出用プログラムを記録した記録媒体 | |
US20040215437A1 (en) | System and method for improved accuracy of standard cell timing models | |
CN118609734B (zh) | 基于深度算子网络的焊接材料力学性能参数智能求解方法 | |
CN114792115B (zh) | 基于反卷积重建网络的遥测信号野值去除方法、装置及介质 | |
CN114297572B (zh) | 社交网络中节点传播影响力识别方法、装置和计算机设备 |
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 |