CN114741999B - 一种基于数字孪生技术的引线键合在线监测方法 - Google Patents

一种基于数字孪生技术的引线键合在线监测方法 Download PDF

Info

Publication number
CN114741999B
CN114741999B CN202210644278.7A CN202210644278A CN114741999B CN 114741999 B CN114741999 B CN 114741999B CN 202210644278 A CN202210644278 A CN 202210644278A CN 114741999 B CN114741999 B CN 114741999B
Authority
CN
China
Prior art keywords
bonding
model
wire bonding
establishing
attribute value
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
Application number
CN202210644278.7A
Other languages
English (en)
Other versions
CN114741999A (zh
Inventor
王小平
曹万
熊波
梁世豪
陈明艳
陈耀源
陈列
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Finemems Inc
Original Assignee
Wuhan Finemems Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Finemems Inc filed Critical Wuhan Finemems Inc
Priority to CN202210644278.7A priority Critical patent/CN114741999B/zh
Publication of CN114741999A publication Critical patent/CN114741999A/zh
Application granted granted Critical
Publication of CN114741999B publication Critical patent/CN114741999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明的一种基于数字孪生技术的引线键合在线监测方法，其包括步骤：建立并优化引线键合的仿真模型、建立引线键合的数据模型、建立引线键合的可视化模型。所述数字孪生模型由仿真模型、数据模型、可视化模型相互耦合演化而来。本发明的在线监测方法，其通过建立引线键合的数字孪生模型实现对引线键合过程进行实时仿真模拟，能够利用数字孪生模型实时接收外界环境参数和运行参数，对键合过程进行实时仿真，在虚拟空间实现对键合过程的可视化监测，为操作人员提供如晶相分布、位错、孔隙率、原子扩散率等影响器件寿命及可靠性的关键材料参数，并将其作为判断和决策的参考依据，进而提高产品良率，降低因未能及时察觉材料缺陷带来的损失。

Description

一种基于数字孪生技术的引线键合在线监测方法
技术领域
本发明属于电子封装引线键合工艺领域，具体涉及一种基于数字孪生技术的引线键合在线监测方法。
背景技术
引线键合自发明以来，已经成为电子封装工艺中连接芯片间引线最常用、最广泛应用的引线工艺。其键合效果和工艺过程对器件所产生的影响将很大程度的影响器件的使用性能及可靠性。而在引线键合工艺中，可在线检测参数少，工艺过程涉及材料弹塑性形变、摩擦、相变甚至化学反应，以常规方法极难描述其各类本构关系，单纯采用微观力学模型则不能实现对宏观实际的实时仿真。
数字孪生技术的出现以及迅速发展为解决上述问题提供了新的思路。数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全寿命周期过程。数字孪生技术可充分利用信息反馈，进行迅速的深度学习和精确模拟，完成深度信息物理融合，实现对引线键合的实时在线监测，为操作人员提供可靠决策依据，保证和提高产品质量。
发明内容
针对上述问题提出一套在线监测系统，通过数字孪生技术实时监测引线键合过程并进行状态分析。
本发明的基于数字孪生技术的引线键合在线监测方法，其包括步骤：S1、建立并优化引线键合的仿真模型；S2、建立引线键合的数据模型；S3、建立引线键合的可视化模型。
优选地，所述步骤S1包括步骤：S11、建立键合机的实体三维模型；S12、基于上述实体三维模型建立仿真模型；S13、将待键合材料的属性值和部分实际边界条件输入仿真模型中进行仿真计算，得到在工作状态下的劈刀计算轨迹，上述部分实际边界条件包括键合温度、键合压力、键合时间；S14、利用经过训练的神经网络对接触边界材料属性值进行优化，输出经优化后的接触边界材料属性值。
优选地，所述步骤S14包括：S141、实测并采集在对键合过程中的劈刀轨迹，得到劈刀实测轨迹；S142、计算劈刀计算轨迹相对于劈刀实测轨迹的误差，判断该误差是否大于许用误差；当该误差大于许用误差时，对劈刀计算轨迹和接触边界材料属性值同时进行优化更新，再次进行上述判断，直至上述误差小于或等于许用误差；S143、输出仿真结果，得到接触边界材料属性值。
优选地，使用梯度下降法这一算法进行上述优化。
优选地，所述神经网络为基于分子动力学仿真结果所训练的神经网络，其训练步骤包括步骤：S1401、利用接触边界周围材料属性值和劈刀计算轨迹作为输入数据进行分子动力学仿真，输出得到接触边界材料属性值；S1402、选取足量数据重复步骤，形成具有足量数据的初始数据集；S1403、对初始数据集进行预处理：将初始数据集按一定比例划分为训练数据集和测试数据集；S1404、建立神经网络，利用该数据集对神经网络进行训练优化；S1405、训练并优化上述人工神经网络，直至其以预设的准确度标准通过测试。
优选地，步骤S3包括步骤：S31、解算由仿真模型的经仿真计算得到的最终的接触边界材料属性值，定义其几何属性值、运动属性值和功能属性值；S32、对物理模型进行渲染；S33、建立物理设备到数字孪生体的真实映射，从结构和功能上使模型具备行为特征。
优选地，上述的接触边界周围材料属性值包括键合温度、键合压力、键合时间。
优选地，上述的接触边界材料属性值包括晶相分布、位错分布、孔隙率和原子扩散率中的一种或多种。
优选地，步骤S2包括步骤：S21、利用多源传感器实时采集键合过程中的劈刀实测轨迹、键合温度、键合压力及键合时间；S22、利用数据模型接收采集到的实时信息。
优选地，步骤S21包括：通过在工作台周围安装温度传感器实现对键合处温度的测定；在换能器处安装线圈或磁铁，利用回波数据确定劈刀实时位置，并绘制劈刀实际测轨迹；通过直线电机控制劈刀的上下运动，实现对键合所需压力的调整，在键合工作台安装力施测量计实现对压力的测定；利用压力系统完成对键合时间的记录和调整，通过直线电机来控制劈刀的施压时间。
本发明的优点在于：
1）通过数字孪生技术实现了对引线键合过程的实时仿真，可以直接得到晶相分布、位错、孔隙率、原子扩散率等影响器件寿命及可靠性的关键材料参数，以便操作人员直观地对键合质量进行判断；
2）采用神经网络进行仿真计算过程的调整修正，提高了仿真速度，有利于实现实时仿真，实时显示实际键合情况；
3）利用少量可在线检测的参数实现了对因工艺过程复杂难以常规方法进行测算的材料参数的实时计算，为操作人员提供了可靠的决策依据，有利于及时根据键合情况做出调整，保证和提高了产品质量；
4）实时监测外界环境变化，可以及时察觉环境变化对键合过程的影响并做出调整，提高了键合机的鲁棒性，减少了因未能及时察觉环境改变或盲目调整带来的损失。
附图说明
图1为本发明的键合机及部分传感器的安装示意图。
图2为本发明一优选实施例中步骤S1的流程图。
图3为本发明一优选实施例中步骤S14的流程图。
图4为本发明一优选实施例中步骤S3的流程图。
图5为本发明一优选实施例中步骤S2的流程图。
图6为本发明一优选实施例中的引线键合在线监测方法的流程图。
图7为本发明一优选实施例中神经网络的训练方法流程图。
图8为本发明的实际内核图。
图9为本发明的运行流程图。
图10为本发明中的仿真模型优化及计算过程示意图。
附图标记： 1、温度测量设备2、施力测量计 3、劈刀 4、焊盘 5、换能器。
具体实施方式
为了使本发明的技术手段、创作特征、工作流程、使用方法、达成目的与功效易于了解，下面结合附图进一步阐述本发明。
请参阅图1。现有的键合机，其通常是通过工作台上的驱动装置驱动劈刀3将金属引线焊接于焊盘4上，在这一过程中还可以通过换能器5对金丝和焊盘进行加热。本发明的引线键合在线监测方法，其目的即是对这一键合过程的在线监测。
请结合参阅图1、图8及图9。在一优选实施例中，本发明的引线键合在线监测方法包括以下步骤：S1、建立引线键合的仿真模型并进行优化；S2、建立引线键合的数据模型；S3、建立引线键合的可视化模型。
其中，如图2所示，步骤S1的具体过程为：
1）利用三维建模软件（如UG、Pro/E、CATIA、3d MAX等）根据物理实际建立键合机的实体三维模型作为物理模型，将物理模型导入虚拟现实仿真引擎（如Unity3D），使用其内置的物理引擎构建仿真模型；
2）向仿真模型输入待键合材料的属性值和部分实际边界条件，进行有限元分析仿真计算；上述部分实际边界条件包括键合温度、键合压力、键合时间。
3）将另一部分边界条件的有限元仿真计算结果与实测结果进行对比、优化，直到误差达到允许范围。具体地，如图3所示，可通过将有限元分析仿真计算得到的劈刀计算轨迹与劈刀实测轨迹进行比对，计算其误差，若仿真计算结果与实测轨迹误差大于许用误差（也称容差），则判定仿真结果不合格，采取优化算法对结果进行更新，将更新后的数据输入充分训练的神经网络，利用充分训练神经网络修改接触边界材料属性值，并重复上述有限元分析仿真计算及结果对比，直到误差达到允许范围；
4）当误差达到允许范围后，表明仿真计算结果已能够较为精确地表示物理实体地工作状况，可将此时仿真计算的结果（导出量）进行输出，得到材料此时的晶相分布、位错、孔隙率、原子扩散率等参数。
下面以梯度下降法为例对上述的优化算法进行说明。首先，设定初始点x0为对于特定时刻劈刀轨迹的计算结果,许用误差ξ,迭代代数k=0;根据公式
Figure 580924DEST_PATH_IMAGE001
计算迭代点处的梯度和方向；若满足收敛条件，则结束计算输出结果，若不满足收敛，则利用泰勒展开式确定最优步长ak为
Figure 934545DEST_PATH_IMAGE002
，式中的H矩阵代表X(k) 点的Hesse矩阵,
Figure 732737DEST_PATH_IMAGE003
；利用迭代下降公式
Figure 197217DEST_PATH_IMAGE004
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。
其中，上述的神经网络最好为基于分子动力学仿真结果训练的神经网络，如图7所示，其训练方法为：
1）利用接触边界周围材料属性值和有限元仿真输出结果（如劈刀轨迹）作为输入数据进行分子动力学（Molecular Dynamics,MD）仿真，得到接触边界材料属性值；
2）选取足量数据重复上步，形成具有足量数据的初始数据集，其中接触边界周围材料属性值和有限元( Finite Element Method,FEM)仿真输出结果（如劈刀轨迹）为输入数据，接触边界材料属性值为输出数据；
3）对初始数据集进行预处理，即将数据集按一定比例划分为训练数据集和测试数据集；
4）建立神经网络，利用该数据集对神经网络进行训练优化；
5）对优化后的人工神经网络进行测试；若未通过测试，则继续对人工神经网络进行训练及优化，直至通过测试，得到基于分子动力学仿真结果的神经网络；测试的具体标准为对于输出的接触边界材料属性值的准确度。分子动力学仿真耗时长，结果多且复杂，利用充分训练的神经网络构建数据库可大幅提高有限元仿真速度。
上述的对初始数据集的预处理操作具体可以包括降噪、建模、归类、分析等，例如采用小波变换对接收到的数据中的噪声信号进行滤除、采用IBM Rational Rose进行数据建模或采用改进双Smith时延预估补偿器对接收到的数据时延进行补偿等，其选用可根据实际情况进行选择和调整。
其中，如图5所示，步骤S2的具体过程为：
1）通过在工作台周围安装温度传感器实现对键合处温度的测定；
2）在换能器处安装线圈或磁铁，利用回波数据确定劈刀实时位置，并绘制劈刀实际测轨迹（在其他的一些实施例中，也可以通过其他方式对劈刀进行实测定位，以确劈刀实测轨迹）；
3）通过直线电机控制劈刀的上下运动，实现对键合所需压力的调整，在键合工作台安装施力测量计实现对压力的测定；
4）利用压力系统完成对键合时间的记录和调整，通过直线电机来控制劈刀的施压时间（即键合时间）；
5）建立数据模型，利用PMAC及其API函数建立物理实体与虚拟模型的数据通信通道，通过OPC UA、TCP/UDP和Web Service通信接口将实时采集环境变量和运行参数同步更新至数据模型。该步骤可使得物理与虚拟模型相结合，实现远程可视化监控，使虚拟模型能够实时接收实际工作环境的相关参数，实时反映出物理实体的工作状态，对实体进行反馈和控制。
在其他的一些实施例中，优选地，还可在数据模型中建立长期运行统计模型，经验模型，趋势预测模型等，利用深度学习算法对多源传感器感知数据、状态数据以及历史数据进行价值挖掘，通过训练和优化实现数字孪生模型的自学习、自优化，提高所述模型的准确性和鲁棒性，基于多样化的历史数据为操作人员决策时提供更全面更丰富的参考数据。
其中，如图4所示，步骤S3的具体过程为：
1）求解仿真模型结构参数、几何参数、材料参数、状态参数及边界条件，定义物理模型的几何属性值、运动属性值和功能属性值；
2）利用三维软件对物理模型进渲染和优化，实现数字孪生体的可视化建模；
3）将物理实体和可视化模型进行多尺度、多层次集成，将物理空间中的键合机实体和待键合材料的实体在虚拟空间进行重构，实现物理实体在虚拟空间的真实映射，使得其从结构和功能上具备行为特征，为后续决策提供更加便捷的可视化数据分析。
在实际使用过程中，数据模型接收多源传感器采集的实时数据信息，对数据信息进行处理后输入仿真模型进行有限元分析计算，将计算结果利用可视化模型进行结果输出，同时将仿真计算所得的材料参数输入数据模型，不断积累历史数据，利用数据数据处理和分析技术，持续优化和完善仿真模型，提高其精度和效率。
在其他的一些实施例中，优选地，可以建立键合机温控模块、劈刀控制模块等相关的键合机控制模块，并在数字孪生体建立对应的模块与之连接，以实现操作人员对键合机的远程交互控制。
综上所述，本发明在引线键合过程中，利用数字孪生技术结合有限元仿真计算和神经网络修正，实现了在数字模型中对键合过程进行实时仿真和可视化监测，为操作人员提供键合过程中的关键信息，如晶相分布、位错、孔隙率、原子扩散率等影响器件寿命及可靠性的关键材料参数，有利于其进行判断和决策，在工程实际中提高了生产效率，降低了因未能及时察觉材料缺陷带来的损失，符合当前技术要求。

Claims (8)

1.一种基于数字孪生技术的引线键合在线监测方法，其特征在于，包括步骤：
S1、建立并优化引线键合的仿真模型；
S2、建立引线键合的数据模型；
S3、建立引线键合的可视化模型；
所述步骤S1包括步骤： S11、建立键合机的实体三维模型；S12、基于上述实体三维模型建立仿真模型；S13、将待键合材料的属性值和部分实际边界条件输入仿真模型中进行仿真计算，得到在工作状态下的劈刀计算轨迹，上述部分实际边界条件包括键合温度、键合压力、键合时间；S14、利用经过训练的神经网络对接触边界材料属性值进行优化，输出经优化后的接触边界材料属性值；
所述步骤S14包括：S141、实测并采集在对键合过程中的劈刀轨迹，得到劈刀实测轨迹；S142、计算劈刀计算轨迹相对于劈刀实测轨迹的误差，判断该误差是否大于许用误差；当该误差大于许用误差时，对劈刀计算轨迹和接触边界材料属性值同时进行优化更新，再次进行上述判断，直至上述误差小于或等于许用误差；S143、输出仿真结果，得到接触边界材料属性值。
2.根据权利要求1所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，使用梯度下降法这一算法进行上述优化。
3.根据权利要求1所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，所述神经网络为基于分子动力学仿真结果所训练的神经网络，其训练步骤包括步骤：
S1401、利用接触边界周围材料属性值和劈刀计算轨迹作为输入数据进行分子动力学仿真，输出得到接触边界材料属性值；
S1402、选取足量数据重复步骤，形成具有足量数据的初始数据集；
S1403、对初始数据集进行预处理：将初始数据集按一定比例划分为训练数据集和测试数据集；
S1404、建立神经网络，利用该数据集对神经网络进行训练优化；
S1405、训练并优化上述神经网络，直至其以预设的准确度标准通过测试。
4.根据权利要求1所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，步骤S3包括步骤：
S31、解算由仿真模型的经仿真计算得到的最终的接触边界材料属性值，定义其几何属性值、运动属性值和功能属性值；
S32、对物理模型进行渲染；
S33、建立物理设备到数字孪生体的真实映射，从结构和功能上使模型具备行为特征。
5.根据权利要求3所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，接触边界周围材料属性值包括键合温度、键合压力、键合时间。
6.根据权利要求1至5中任一项所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，接触边界材料属性值包括晶相分布、位错分布、孔隙率和原子扩散率中的一种或多种。
7.根据权利要求1所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，步骤S2包括步骤：
S21、利用多源传感器实时采集键合过程中的劈刀实测轨迹、键合温度、键合压力及键合时间；
S22、利用数据模型接收采集到的实时信息。
8.根据权利要求7所述的基于数字孪生技术的引线键合在线监测方法，其特征在于，步骤S21包括：通过在工作台周围安装温度传感器实现对键合处温度的测定；在换能器处安装线圈或磁铁，利用回波数据确定劈刀实时位置，并绘制劈刀实际测轨迹；通过直线电机控制劈刀的上下运动，实现对键合所需压力的调整，在键合工作台安装力施测量计实现对压力的测定；利用压力系统完成对键合时间的记录和调整，通过直线电机来控制劈刀的施压时间。
CN202210644278.7A 2022-06-09 2022-06-09 一种基于数字孪生技术的引线键合在线监测方法 Active CN114741999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210644278.7A CN114741999B (zh) 2022-06-09 2022-06-09 一种基于数字孪生技术的引线键合在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210644278.7A CN114741999B (zh) 2022-06-09 2022-06-09 一种基于数字孪生技术的引线键合在线监测方法

Publications (2)

Publication Number Publication Date
CN114741999A CN114741999A (zh) 2022-07-12
CN114741999B true CN114741999B (zh) 2022-09-02

Family

ID=82286842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210644278.7A Active CN114741999B (zh) 2022-06-09 2022-06-09 一种基于数字孪生技术的引线键合在线监测方法

Country Status (1)

Country Link
CN (1) CN114741999B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117339985B (zh) * 2023-12-05 2024-02-23 滦南县兴凯盛科技有限公司 轨道材料回收利用制作型材方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020216795A1 (de) * 2019-04-26 2020-10-29 Robert Bosch Gmbh Verfahren und vorrichtung zum optimieren eines bonding-verfahrens mithilfe eines bayes' schen optimierungsprozesses
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
CN114266222A (zh) * 2021-11-30 2022-04-01 上海望友信息科技有限公司 基于键合线模型生成参数化键合数据的方法、介质及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4114567B2 (ja) * 2003-07-30 2008-07-09 日立化成工業株式会社 半導体装置およびその製造方法
JP5149894B2 (ja) * 2007-03-30 2013-02-20 富士通株式会社 金属間の超音波接合のシミュレーション方法、シミュレーション・プログラム、および、シミュレーション装置
WO2019055538A1 (en) * 2017-09-12 2019-03-21 Arconic Inc. SYSTEMS AND METHODS OF ADDITIVE MANUFACTURING
CN112270151B (zh) * 2020-11-02 2022-12-16 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020216795A1 (de) * 2019-04-26 2020-10-29 Robert Bosch Gmbh Verfahren und vorrichtung zum optimieren eines bonding-verfahrens mithilfe eines bayes' schen optimierungsprozesses
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
CN114266222A (zh) * 2021-11-30 2022-04-01 上海望友信息科技有限公司 基于键合线模型生成参数化键合数据的方法、介质及设备

Also Published As

Publication number Publication date
CN114741999A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN111968004A (zh) 一种基于数字孪生的高精密产品装调一体化系统
CN1237426C (zh) 调整器诊断系统和方法
JP5583588B2 (ja) 超音波ボンディング方法及びボンディング装置
Wells et al. Statistical process monitoring approach for high-density point clouds
CN108225756A (zh) 一种基于Labview的控制阀性能评估系统
CN107111297A (zh) 用于由至少一台计算机数控机器加工的工件的部件分析的计算机实现方法
CN114741999B (zh) 一种基于数字孪生技术的引线键合在线监测方法
CN111537173B (zh) 一种基于数字孪生的微电子产品跌落冲击可靠性评估方法
CN110889091B (zh) 基于温度敏感区间分段的机床热误差预测方法与系统
CN116380166A (zh) 一种设备异常监测方法、电子设备及存储介质
CN113111570A (zh) 一种基于机器学习的引线键合质量预测控制方法
CN116501005A (zh) 一种数字孪生联动的工厂运行管理方法及系统
CN113420465B (zh) 一种基于数字孪生模型的液压支架全寿命周期管理方法
CN116415479A (zh) 一种基于数字孪生的连续油管疲劳寿命预警方法
CN114154360A (zh) 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法
CN115034147B (zh) 一种基于数字孪生的智能制造系统
CN112639645A (zh) 用于定位传感器的方法、设备和定位系统
Hallmann et al. A method for analyzing the influence of process and design parameters on the build time of additively manufactured components
CN115200033A (zh) 一种基于数字孪生技术的回转式空气预热器热力监测系统
CN111708323B (zh) 一种具有热变形误差补偿的五轴小龙门数控加工中心
CN109446539A (zh) 结合面误差实体建模方法及装置
CN108803556A (zh) 校准作业辅助装置、校准作业辅助方法和记录介质
WO2021111936A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN114147380A (zh) 基于数字孪生框架的转子焊接方法
CN116075798A (zh) 用于预测分析和/或过程控制的方法和系统

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