CN114912342B - 一种基于多质量参数的封装引线键合工艺参数优化方法 - Google Patents
一种基于多质量参数的封装引线键合工艺参数优化方法 Download PDFInfo
- Publication number
- CN114912342B CN114912342B CN202210312686.2A CN202210312686A CN114912342B CN 114912342 B CN114912342 B CN 114912342B CN 202210312686 A CN202210312686 A CN 202210312686A CN 114912342 B CN114912342 B CN 114912342B
- Authority
- CN
- China
- Prior art keywords
- quality
- parameters
- parameter
- quality parameter
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000008569 process Effects 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 18
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003466 welding Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002945 steepest descent method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012858 packaging process Methods 0.000 claims description 3
- 238000013386 optimize process Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 40
- 238000005516 engineering process Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 3
- 229910000679 solder Inorganic materials 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101100028951 Homo sapiens PDIA2 gene Proteins 0.000 description 1
- 102100036351 Protein disulfide-isomerase A2 Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wire Bonding (AREA)
Abstract
本发明公开了一种基于多质量参数的封装引线键合工艺参数优化方法，先获取与引线键合质量参数相关的工艺参数和每个工艺参数的取值范围，随机组合工艺参数，通过实验和仿真收集不同工艺参数条件下的引线键合的质量参数，生成数据集，基于神经网络进行训练；结合质量参数预测模型生成目标函数，设置初始参数集合并导入质量参数预测模型，得到相应的质量参数的实时预测值；将新的工艺参数集合导入质量参数预测模型，得到满足设计要求的质量参数。本发明利用贝叶斯优化算法，自动简单地优化引线键合的工艺参数，使得最终优化过后的工艺参数的质量参数能够达到目标值，从而降低人力、物力耗费，具有成本低，速度快，精度高等优势。
Description
技术领域
本发明属于半导体集成电路封装技术领域，具体而言涉及一种基于多质量参数的封装引线键合工艺参数优化方法。
背景技术
引线键合技术是整个封装的工艺步骤之一，通过使用如铜线铝线等细金属线，在施加热，压力，超声波能量等作用下将其与焊盘紧密结合，是封装中主要的互联技术之一。该技术拥有成熟的市场，具有低成本，可靠性高等优势，能够在各种封装类型中应用，例如BGA、PDIP、QFN、SOIC、TSSOP等。尽管在目前的封装技术中倒装芯片键合，硅穿孔正成为新的主流，诸如2.5D封装、3D封装等先进封装也备受关注，但事实上引线键合也正在从传统应用向更新的封装类型进行迁移。在某些只需要少数量引脚的应用领域，考虑到成本和可靠性，键合线连接的方式具有明显的优势。
目前，键合工艺参数的调整主要有两种，一是通过实时工艺检测，从检测数据中评估键合质量，并根据与此工艺相对应的工艺参数数据库进行比较，从而修改工艺参数，此方法需要耗费人力，且高度依赖工艺参数调整人员的经验，需要不断人工修改工艺参数并进行实验检测，太过耗时。二是通过遗传算法来对工艺参数进行优化，但是遗传算法等进化算法不依赖于任何条件，没有充分的利用工艺参数对质量参数影响这一特性去进一步加速和优化算法，即无法通过网络的反馈信息来进一步调整工艺参数，导致耗费的时间较长，且对于初始工艺参数集合的要求较高。
例如，专利号为CN202110255527.9的发明中提出了一种基于机器学习的引线键合质量预测控制方法，基于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，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；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，这种方法的不足是需提前设置关键影响因素，再结合实时工艺参数进行质量预测，在根据预测调整偏差，导致在制作中会存在残次品无法提前做到预测和智能优化调整，且算法单一仅针对关键影响因素进行参数对应的质量预测，无法做到全面的参数与质量监督预测管理，导致生产工艺成本较高，速度慢，精度低等问题。
发明内容
本发明针对现有技术中的不足，提供一种基于多质量参数的封装引线键合工艺参数优化方法，通过贝叶斯优化技术以及神经网络技术能够实现对于给定的引线键合后的预期质量参数，能够自动对引线键合的工艺参数进行优化，使得最终优化过后的工艺参数的质量参数能够达到目标值，从而降低人力、物力耗费，具有成本低，速度快，精度高等优势。
为实现上述目的，本发明采用以下技术方案：
本发明实施例提出了一种基于多质量参数的封装引线键合工艺参数优化方法，所述封装引线键合工艺参数优化方法包括以下步骤：
S1，获取与引线键合质量参数相关的工艺参数和每个工艺参数的取值范围，在相应的取值范围内随机组合工艺参数，通过实验和仿真收集不同工艺参数条件下的引线键合的质量参数，生成数据集；
S2，基于神经网络构建质量参数预测模型，所述质量参数预测模型由一层输入层、若干个隐藏层和一个输出层构成，采用步骤S1中的数据集对质量参数预测模型进行训练，以对神经网络中层与层之间的权重和偏置进行更新；
所述质量参数预测模型的输入层输入的封装工艺参数经过层与层之间权重和偏置的矩阵运算，通过输出层输出相应的封装质量参数预测值，设置预测值和目标值之间的目标函数以表示两者之间的差距；
S3，根据质量参数的设计目标值，设置初始参数集合，初始参数集合包括选择的工艺参数类型和每个选择的工艺参数的取值范围，将初始参数集合导入质量参数预测模型，得到相应的质量参数的实时预测值；
S4，根据步骤S2中的目标函数计算质量参数的实时预测值与目标值之间的误差，通过参数优化算法选取新的工艺参数集合；将新的工艺参数集合导入质量参数预测模型，得到新的质量参数的实时预测值；
S5，重复步骤S4，直至质量参数的实时预测值与目标值之间的误差满足设计要求。
进一步地，所述质量参数包括铝垫中间残铝厚度、铝垫两边残铝厚度、推球、球厚和球大小；工艺参数包括键合温度、键合时间、焊头从转折高度下降到焊黏接触表面时的行进固定速度、接触面积的外圈能量和键合压力。
进一步地，所述质量参数预测模型采用的激活函数包括S型函数、线性整流函数或者双曲正切函数。
进一步地，步骤S2中，结合步骤S1中的数据集，采用随机最速下降法、自适应时刻估计方法或者冲量算法对质量参数预测模型进行训练，优化神经网络内部的权重与偏置值，使得损失函数计算值满足预设要求；
所述损失函数用于表征质量参数的预测值与质量参数的实际值之间的误差，表示为：
其中，N为训练样本的总数，M为每个样本中质量参数的个数，Dit w代表第i个样本中第t个质量参数的目标值，Dit a代表第i个样本中第t个质量参数的神经网络预测值；αt为第t个质量参数的因子，受不同质量参数的重要性影响。
进一步地，步骤S3中，生成预测值和目标值之间的目标函数的过程包括以下步骤：
采用L1损失函数或是L2损失函数量化质量参数的目标值与质量参数的预测值之间的差距；其中，L1损失函数为：L2损失函数为：
式中，M为质量参数的个数，Dt w代表第t个质量参数的目标值，Dt a代表第t个质量参数的神经网络预测值；αt为第t个质量参数的因子，受不同质量参数的重要性影响。
进一步地，步骤S5中，根据步骤S3中的目标函数计算质量参数的实时预测值与目标值之间的误差，通过贝叶斯优化算法选取新的工艺参数集合的过程包括以下步骤：
S51，将计算得到的多组初始工艺参数集对应的多个误差代入到代理函数中计算初始样本或之前的样本更新过后的先验分布；
S52，设置采集函数，采集函数根据步骤51中得到的先验分布，优化出新的一组工艺参数集合，使设置的参数达到勘探和利用的比重允许对工艺参数做进一步优化；
S53，将新的工艺参数输入到质量参数预测模型中预测得到新的质量参数，再根据之前设置的质量参数的目标值，判断新的工艺参数是否达到设计要求，如果达到则返回目前的工艺参数，否则，返回步骤S51。
进一步地，所述参数优化算法包括遗传算法，强化学习算法或者贝叶斯优化算法。
有益效果：
第一，本发明提出的基于多质量参数的封装引线键合工艺参数优化方法，通过贝叶斯优化技术以及神经网络技术能够实现对于给定的引线键合后的预期质量参数，能够自动对引线键合的工艺参数进行优化，使其达到预期的引线键合质量要求，优化速度相较于人工具有明显优势。
第二，本发明提出的基于多质量参数的封装引线键合工艺参数优化方法，采用的贝叶斯优化算法与传统的遗传算法相比，能够利用目标函数的计算结果来改变工艺参数的先验分布，再从中选择下一个优化的工艺参数集合，而遗传算法每一轮循环只是单一的降低目标函数，无法利用网络中反馈信息。
附图说明
图1为本发明实施例的基于多质量参数的封装引线键合工艺参数优化方法的流程示意图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
图1为本发明实施例的基于多质量参数的封装引线键合工艺参数优化方法的流程示意图。本实施例提出了一种基于多质量参数的封装引线键合工艺参数优化方法，该方法包括以下步骤：
S1，获取与引线键合质量参数相关的工艺参数和每个工艺参数的取值范围，在相应的取值范围内随机组合工艺参数，通过实验和仿真收集不同工艺参数条件下的引线键合的质量参数，生成数据集。
S2，基于神经网络构建质量参数预测模型，所述质量参数预测模型由一层输入层、若干个隐藏层和一个输出层构成，采用步骤S1中的数据集对质量参数预测模型进行训练，以对神经网络中层与层之间的权重和偏置进行更新。
所述质量参数预测模型的输入层输入的封装工艺参数经过层与层之间权重和偏置的矩阵运算，通过输出层输出相应的封装质量参数预测值，设置预测值和目标值之间的目标函数以表示两者之间的差距。
S3，根据质量参数的设计目标值，设置初始参数集合，初始参数集合包括选择的工艺参数类型和每个选择的工艺参数的取值范围，将初始参数集合导入质量参数预测模型，得到相应的质量参数的实时预测值。
S4，根据步骤S2中的目标函数计算质量参数的实时预测值与目标值之间的误差，通过参数优化算法选取新的工艺参数集合；将新的工艺参数集合导入质量参数预测模型，得到新的质量参数的实时预测值。
S5，重复步骤S4，直至质量参数的实时预测值与目标值之间的误差满足设计要求。
一、生成数据集
根据对铝线键合质量参数的要求，设定对其影响较大的各工艺参数的合理范围，键合工艺中剩余工艺参数保持标准值，通过使用软件仿真或实验收集不同工艺参数下的引线键合所达到的质量参数，以此作为训练与测试所需的数据，每一组工艺参数与对应的质量参数组合成一组数据。优选的，质量参数包括铝垫中间残铝厚度、铝垫两边残铝厚度、推球、球厚和球大小；工艺参数可以根据关注的质量参数确定，例如在铝线键合中，键合温度，键合时间，焊头从转折高度下降到焊黏接触表面时的行进固定速度，对接触面积的外圈能量，键合压力和等工艺参数对铝垫的质量产生影响。
将上述步骤所建立的数据集以一定比例分为训练集、验证集与测试集，用训练集训练模型，验证集作为调整训练过程中超参数的依据，测试集为最终的测试数据，并且将数据做归一化的预处理，方便神经网络的训练。
二、基于神经网络构建质量参数预测模型
设置神经网络的初始架构，包括神经网络的层数，每层的神经元个数，层与层之间的激活函数，常用的激活函数有,S型函数(sigmoid)，线性整流函数(relu),和双曲正切函数(tanh)等。
设置训练神经网络时的优化算法，以及算法的相关参数，常见的优化算法有随机最速下降法(sgd)，自适应时刻估计方法(adam)，冲量算法(momentum)等，其参数中一般调整学习率来实现神经网络的训练。
设置损失函数来表征神经网络预测值与实际值的差距，损失函数设置公式如下：
其中，N为训练样本的总数，M为每个样本中质量参数的个数，Dit w代表第i个样本中第t个质量参数的目标值，Dit a代表第i个样本中第t个质量参数的神经网络预测值。αt为第t个质量参数的因子，通常可以设置为1，设计时可以根据不同质量参数的重要性调整因子的大小。
结合上述步骤中的数据集，采用随机最速下降法、自适应时刻估计方法或者冲量算法对质量参数预测模型进行训练，优化神经网络内部的权重与偏置值，使得损失函数计算值满足预设要求。
设置训练时的迭代次数，通过优化算法不断优化神经网络内部的权重与偏置值，使得损失函数计算值不断降低。
其中，设置神经网络的初始架构、训练神经网络时的优化算法和损失函数中需要确定的网络层数，神经元个数，优化算法的学习率等超参数值可以通过自动算法进行优化,常用的方法有网格化寻优，随机寻优，以及贝叶斯优化等。
三、目标函数
结合质量参数预测模型计算得到的质量参数的预测值和相应的预设质量参数目标值，采用L1损失函数或是L2损失函数量化质量参数的目标值与质量参数的预测值之间的差距；其中，L1损失函数为：L2损失函数为：
式中，M为质量参数的个数，Dt w代表第t个质量参数的目标值，Dt a代表第t个质量参数的神经网络预测值；αt为第t个质量参数的因子，受不同质量参数的重要性影响。
四、优化处理，得到预期质量参数
根据质量参数的设计目标值，设置初始参数集合，初始参数集合包括选择的工艺参数类型和每个选择的工艺参数的取值范围，将初始参数集合导入质量参数预测模型，得到相应的质量参数的实时预测值。
再根据目标函数的公式计算质量参数的目标值与质量参数预测值之间的误差。
利用贝叶斯优化算法，将计算得到的多组初始工艺参数集对应的多个误差代入到训练好的神经网络模型的代理函数中计算初始样本或之前的样本更新过后的先验分布。
设置采集函数，采集函数根据上述步骤中得到的先验分布，优化出新的一组工艺参数集合，使设置的参数达到勘探和利用的比重允许对工艺参数做进一步优化。
将新的工艺参数输入到质量参数预测模型中预测得到新的质量参数，再根据之前设置的质量参数的目标值，判断新的工艺参数是否达到设计要求，如果达到则返回目前的工艺参数，否则，返回步骤S51，直至达到预期的质量参数为止。
优选的，本实施例提出的参数优化算法可以是遗传算法，强化学习算法或是贝叶斯优化算法等。
优选的，本实施例提出的铝线键合的多质量参数，包括键合线拉力，焊球球厚，焊球直径，焊球剪切力，对铝线键合工艺中的工艺参数，包括初始接触力大小，键合压力，超声能量，键合温度，键合时间等参数进行自动优化的方法，其中自动优化的步骤采用贝叶斯优化算法实现。
本实施例的方法同样适用于半导体集成电路封装领域的其它工艺环节，例如注塑工艺以及底部填充胶等。
Claims (4)
1.一种基于多质量参数的封装引线键合工艺参数优化方法，其特征在于，所述封装引线键合工艺参数优化方法包括以下步骤：
S1，获取与引线键合质量参数相关的工艺参数和每个工艺参数的取值范围，在相应的取值范围内随机组合工艺参数，通过实验和仿真收集不同工艺参数条件下的引线键合的质量参数，生成数据集；
S2，基于神经网络构建质量参数预测模型，所述质量参数预测模型由一层输入层、若干个隐藏层和一个输出层构成，采用步骤S1中的数据集对质量参数预测模型进行训练，以对神经网络中层与层之间的权重和偏置进行更新；
所述质量参数预测模型的输入层输入的封装工艺参数经过层与层之间权重和偏置的矩阵运算，通过输出层输出相应的封装质量参数预测值，设置预测值和目标值之间的目标函数以表示两者之间的差距；
S3，根据质量参数的设计目标值，设置初始参数集合，初始参数集合包括选择的工艺参数类型和每个选择的工艺参数的取值范围，将初始参数集合导入质量参数预测模型，得到相应的质量参数的实时预测值；
S4，根据步骤S2中的目标函数计算质量参数的实时预测值与目标值之间的误差，通过参数优化算法选取新的工艺参数集合；将新的工艺参数集合导入质量参数预测模型，得到新的质量参数的实时预测值；
S5，重复步骤S4，直至质量参数的实时预测值与目标值之间的误差满足设计要求；
步骤S2中，生成预测值和目标值之间的目标函数的过程包括以下步骤：
采用L1损失函数或是L2损失函数量化质量参数的目标值与质量参数的预测值之间的差距；其中，L1损失函数为：L2损失函数为：
式中，M为质量参数的个数，代表第t个质量参数的目标值，代表第t个质量参数的神经网络预测值；αt为第t个质量参数的因子，受不同质量参数的重要性影响；
步骤S4中，根据步骤S3中的目标函数计算质量参数的实时预测值与目标值之间的误差，通过贝叶斯优化算法选取新的工艺参数集合的过程包括以下步骤：
S51，将计算得到的多组初始工艺参数集对应的多个误差代入到代理函数中计算初始样本或之前的样本更新过后的先验分布；
S52，设置采集函数，采集函数根据步骤51中得到的先验分布，优化出新的一组工艺参数集合，使设置的参数达到勘探和利用的比重允许对工艺参数做进一步优化；
S53，将新的工艺参数输入到质量参数预测模型中预测得到新的质量参数，再根据之前设置的质量参数的目标值，判断新的工艺参数是否达到设计要求，如果达到则返回目前的工艺参数，否则，返回步骤S51。
2.根据权利要求1所述的基于多质量参数的封装引线键合工艺参数优化方法，其特征在于，所述质量参数包括铝垫中间残铝厚度、铝垫两边残铝厚度、推球、球厚和球大小；工艺参数包括键合温度、键合时间、焊头从转折高度下降到焊黏接触表面时的行进固定速度、接触面积的外圈能量和键合压力。
3.根据权利要求1所述的基于多质量参数的封装引线键合工艺参数优化方法，其特征在于，所述质量参数预测模型采用的激活函数包括S型函数、线性整流函数或者双曲正切函数。
4.根据权利要求1所述的基于多质量参数的封装引线键合工艺参数优化方法，其特征在于，步骤S2中，结合步骤S1中的数据集，采用随机最速下降法、自适应时刻估计方法或者冲量算法对质量参数预测模型进行训练，优化神经网络内部的权重与偏置值，使得损失函数计算值满足预设要求；
所述损失函数用于表征质量参数的预测值与质量参数的实际值之间的误差，表示为：
其中，N为训练样本的总数，M为每个样本中质量参数的个数，Dit w代表第i个样本中第t个质量参数的目标值，Dit a代表第i个样本中第t个质量参数的神经网络预测值；αt为第t个质量参数的因子，受不同质量参数的重要性影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210312686.2A CN114912342B (zh) | 2022-03-28 | 2022-03-28 | 一种基于多质量参数的封装引线键合工艺参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210312686.2A CN114912342B (zh) | 2022-03-28 | 2022-03-28 | 一种基于多质量参数的封装引线键合工艺参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114912342A CN114912342A (zh) | 2022-08-16 |
| CN114912342B true CN114912342B (zh) | 2024-07-12 |
Family
ID=82762680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210312686.2A Active CN114912342B (zh) | 2022-03-28 | 2022-03-28 | 一种基于多质量参数的封装引线键合工艺参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912342B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796346B (zh) * | 2022-11-22 | 2023-07-21 | 烟台国工智能科技有限公司 | 一种收率优化方法、系统及非暂态计算机可读存储介质 |
| CN118052080B (zh) * | 2024-04-15 | 2024-07-05 | 中天引控科技股份有限公司 | 微波组件的键合工艺参数的优化方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113569352A (zh) * | 2021-07-13 | 2021-10-29 | 华中科技大学 | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
-
2022
- 2022-03-28 CN CN202210312686.2A patent/CN114912342B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113569352A (zh) * | 2021-07-13 | 2021-10-29 | 华中科技大学 | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114912342A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114912342B (zh) | 一种基于多质量参数的封装引线键合工艺参数优化方法 | |
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN103676881B (zh) | 一种半导体生产线动态瓶颈分析方法 | |
| US20030171829A1 (en) | System and method for complex process optimization and control | |
| CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
| Chou et al. | Failure life prediction of wafer level packaging using DoS with AI technology | |
| CN115146529B (zh) | 一种汽车悬架弹簧冷抛丸强化残余应力预测方法 | |
| CN103106331A (zh) | 基于降维和增量式极限学习机的光刻线宽智能预测方法 | |
| TWI676939B (zh) | 運用類神經網路進行分類之電子零件封裝分類系統 | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| US20240036554A1 (en) | Industrial internet of things, control method, and medium for automatically controlling working parameters of manufacturing device | |
| CN111736574B (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
| Hou et al. | An integrated system for setting the optimal parameters in IC chip-package wire bonding processes | |
| Chiang et al. | Optimization of TQFP molding process using neuro-fuzzy-GA approach | |
| CN114862055A (zh) | 一种基于多源数据驱动的钢铁企业高炉煤气预测方法 | |
| CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
| Hung | Optimal process parameters design for a wire bonding of ultra‐thin CSP package based on hybrid methods of artificial intelligence | |
| CN116680944B (zh) | 基于数值模拟及深度学习的电弧增材构件工艺预测方法 | |
| Xia et al. | Production Capacity Prediction of Thyristor Based on Fuzzy Neural Network | |
| CN110910969A (zh) | 一种基于迁移学习的锡铋合金性能预测方法 | |
| Chen et al. | A Data Mining Approach for Optimizing Manufacturing Parameters of Wire Bonding Process in IC Packaging Industry and Empirical Study | |
| Jiahe | Machine Learning Aided Design Optimization for Micro-chip Reliability Improvement | |
| CN112487707B (zh) | 一种基于lstm的点胶图形智能生成方法 | |
| Su et al. | Real-time identification of material parameters for quadrangle parts intelligent bending |
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 |