CN118133642A - 一种bga焊点参数优化方法及系统 - Google Patents

一种bga焊点参数优化方法及系统 Download PDF

Info

Publication number
CN118133642A
CN118133642A CN202410576732.9A CN202410576732A CN118133642A CN 118133642 A CN118133642 A CN 118133642A CN 202410576732 A CN202410576732 A CN 202410576732A CN 118133642 A CN118133642 A CN 118133642A
Authority
CN
China
Prior art keywords
wolf
welding spot
bga
equivalent stress
solder joint
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.)
Granted
Application number
CN202410576732.9A
Other languages
English (en)
Other versions
CN118133642B (zh
Inventor
刘芳
段忠炜
周嘉诚
龚润泽
伍智
刘飞
张丽彬
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 Textile University
Original Assignee
Wuhan Textile University
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 Textile University filed Critical Wuhan Textile University
Priority to CN202410576732.9A priority Critical patent/CN118133642B/zh
Publication of CN118133642A publication Critical patent/CN118133642A/zh
Application granted granted Critical
Publication of CN118133642B publication Critical patent/CN118133642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)

Abstract

本发明提出了一种BGA焊点参数优化方法，包括以下步骤：构建有限元模型；焊点参数设计，并建立实验样本数据表单；将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值；通过该方法构建的预测模型精准度高，可以很好地反应出焊点参数与等效应力之间的关系，提高预测的焊点等效应力值的精度，减小预测值与仿真值之间的误差，使得优化后的焊点参数更加的精确。

Description

一种BGA焊点参数优化方法及系统
技术领域
本发明涉及BGA焊接技术领域，尤其涉及一种BGA焊点参数优化方法及系统。
背景技术
球栅阵列BGA封装技术是应用于集成电路的一种表面粘贴技术，由于其具有引脚数量大、体积小、成品率高、散热和电性能好等优点，已被广泛应用于电子产品中。虽然BGA封装有着优异的性能，但在一些复杂的生产制造和外部环境的影响下，BGA封装形式的电子设备会出现一些问题，比如焊点的疲劳失效等。根据有关部门统计的航空电子器件失效原因来看，由温度变化导致的电子器件失效高达55%，由振动冲击导致的电子器件失效比例为20%，仅次于温度导致的失效，因此温度和振动是电子器件失效的主要原因。BGA封装在受到温度循环载荷时，由于印制电路板、基板与焊球的热膨胀系数不匹配，导致焊球在温度变化时受到拉扯从而发生开裂；而BGA封装在受到随机振动载荷时，由于从尺寸大的PCB板到尺寸小的基板的刚性增大，弯曲程度也不一样，导致焊球受到拉扯从而发生开裂，通常开裂是沿着铜焊盘与焊球之间的接缝处。因此，有必要对热振条件下的焊点进行参数优化设计，从而减小焊点的等效应力，提高BGA封装的可靠性。
公开号为 CN116401925A的中国发明专利申请文献公开了一种CBGA封装参数优化方法及系统，基于CBGA封装结构的参数化表征模型和CBGA封装结构热振电指标参数，计算最后时刻焊点的最大应力、焊点应力高斯分布下的3sigma值和带宽内中心频点的回波损耗，其中，CBGA封装结构热振电指标参数包括温循载荷信息、随机振动载荷信息和电磁频段信息；基于焊点的最大应力、焊点应力高斯分布下的3sigma值以及带宽内中心频点的回波损耗，构建焊点的正交试验表；基于焊点的正交实验表，对结构参数进行关联强度排序，得到CBGA封装结构的最优结构参数组合。
上述现有技术中关于焊点参数优化的方法所需步骤较多，且由于使用回归方程代替焊点应力与焊点参数之间的关系，导致精度不够高，从而降低了BGA焊点的可靠性。
发明内容
有鉴于此，本发明提出了一种提高预测的焊点等效应力值的精度，减小预测值与仿真值之间的误差，使得优化后的焊点参数更加的精确。有效提高了BGA焊点的可靠性。
本发明的技术方案是这样实现的：一方面，本发明提供了一种BGA焊点参数优化方法，包括以下步骤：
S1，构建有限元模型；
S2，焊点参数设计，并建立实验样本数据表单；
S3，将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；
S4，基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；
S5，基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值。
在以上技术方案的基础上，优选的，步骤S1中所述构建有限元模型，其中，基于ANSYS建立BGA有限元模型，并在有限元模型中施加热—正弦耦合的仿真，以获取焊点的等效应力值。
在以上技术方案的基础上，优选的，所述步骤S2中焊点参数设计，其中，焊点参数设计包括焊点高度、焊盘直径、焊点间距和下焊盘厚度。
在以上技术方案的基础上，优选的，所述步骤S2中建立实验样本数据表单，其中，根据焊点高度、焊盘直径、焊点间距和下焊盘厚度四个影响因素，采用正交设计法，构建实验样本数据表单。
在以上技术方案的基础上，优选的，步骤S4中所述基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型，包括以下子步骤：
S41，对数据集划分为测试集和验证集；
S42，设定支持向量机回归的超参数的初始值以及狼群中各只狼的初始位置；
S43，计算支持向量机回归预测模型的适应度并记录当前狼的位置和其适应度值；
S44，将当前狼适应度函数值与最佳狼适应度值相比较，若当前狼的适应度更优，则更新最佳狼的位置为当前狼的位置，否则维持最佳狼的位置不变；
S45，若改进灰狼算法在最大迭代次数没有满足收敛条件，则返回步骤44进行参数的重新优化，直至达到收敛条件，得到最优的灰狼位置；
S46，构建改进灰狼优化支持向量机回归的预测模型；
S47，将焊点高度、焊盘直径、焊点间距以及下焊盘厚度特征输入预测模型中，输出相应的等效应力值。
在以上技术方案的基础上，优选的，所述预测模型的计算表达式为：
；
；
；
式中，K(x i ,x j )为高斯核函数，x i和x j表示两个样本的特征向量，σ为核函数的参数，和/>均为拉格朗日乘子，b为常数，f(x)为预测模型，E为等效应力值，x 1为焊点高度，x 2为焊盘直径，x 3为焊点间距，x 4为下焊盘厚度。
在以上技术方案的基础上，优选的，所述步骤S5中的改进灰狼优化算法，包括以下步骤：
S51，利用Circle混沌映射种群初始化，Circle混沌映射表达式为：
；
式中，x n和x n+1分别表示第n个和第n+1个混沌数，取值范围均为[0，1]；
S52，根据变量的上下界来随机初始化灰狼的位置X；
S53，计算每一头狼的适应度值，并将种群中适应度值最优的狼的位置信息保存为X σ ，将种群中适应度值次优的狼的位置信息保存为X β ，将种群中适应度第三优的灰狼的位置信息保存为X δ ，表达式为：
；
；
；
；
；
；
；
；
；
式中，表示Hadamard乘积；A和C表示协同系数向量；a表示收敛因子，由2线性减小到0；r 1和r 2是在[0，1]之间的随机向量；X α 、X β 、X δ 分别表示当前种群中α、β、δ的位置向量；X表示灰狼的位置向量；D α 、D β 、D δ 分别表示当前候选灰狼与最优三条狼之间的距离；t表示迭代次数；
S54，更新灰狼X的位置；
S55，计算每一头狼的适应度值，并更新三匹头狼的最优位置；
S56，若改进灰狼算法在最大迭代次数没有满足收敛条件，则返回步骤55进行参数的重新优化，直至达到收敛条件，得到最优的灰狼位置；
S57，保存最优参数组合和最优适应度值。
在以上技术方案的基础上，优选的，所述步骤S55中表达式为：
对于δ狼：
；
；
式中，ρ是分布在[0，1]中的随机数；
对于β狼：
；
式中，b为对数螺旋形状常数，l为-1~1之间的随机数；
对于δ狼：
；
；
式中，Levy(λ)为随机搜索路径，µ为步长控制因子，一般取0.01；f为个体适应度值；rand 4表示[0,1]之间的随机变量；p为优胜劣汰选择概率。
第二方面，本发明还提供了一种BGA焊点参数优化系统，包括如上述所述的BGA焊点参数优化方法，所述系统包括：
仿真模块，用于构建有限元模型；
参数设计模块，用于焊点参数设计，并建立实验样本数据表单；
获取模块，用于将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；
构建预测模块，用于基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；
优化模块，用于基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值。
第三方面，本发明还提供了一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的BGA焊点参数优化方法程序，所述BGA焊点参数优化方法程序配置为实现上述所述的BGA焊点参数优化方法的步骤。
本发明的BGA焊点参数优化方法及系统相对于现有技术具有以下有益效果：
（1）通过以焊点高度、焊盘直径、焊点间距以及下焊盘厚度作为输入特征，以等效应力值作为输出特征，利用改进灰狼优化算法优化支持向量机回归的超参数，得到最优超参数后输入到支持向量机回归中，建立焊点参数与等效应力值之间的预测模型，构建的预测模型精准度高，可以很好的反应出焊点参数与等效应力之间的关系，提高预测的焊点等效应力值的精度，减小预测值与仿真值之间的误差，使得优化后的焊点参数更加的精确；
（2）通过利用Circle混沌映射改进种群的初始化，提高了种群分布的均匀性，增加种群的多样性；
（3）通过在灰狼优化算法中对三匹头狼位置的更新进行改进，增加灰狼算法在优化过程中的随机性，能够提高三匹头狼的搜索能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的实施例方案涉及的硬件运行环境的设备的结构示意图；
图2为本发明的一种BGA焊点参数优化方法的流程框图；
图3为本发明的一种BGA焊点参数优化方法的BGA有限元模型的示意图；
图4为本发明的一种BGA焊点参数优化方法的测试集的决定系数变化图；
图5为本发明的一种BGA焊点参数优化方法的目标函数最优值的变化图；
图6为本发明的一种BGA焊点参数优化方法的最优参数组合焊点等效应力图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，该设备可以包括：处理器1001，例如中央处理器（Central ProcessingUnit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对设备的限定，在实际应用中设备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。
如图1所示，作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及BGA焊点参数优化方法程序。
在图1所示的设备中，网络接口1004主要用于建立设备与存储BGA焊点参数优化方法系统中所需的所有数据的服务器的通信连接；用户接口1003主要用于与用户进行数据交互；本发明BGA焊点参数优化方法设备中的处理器1001、存储器1005可以设置在BGA焊点参数优化方法设备中，所述BGA焊点参数优化方法设备通过处理器1001调用存储器1005中存储的BGA焊点参数优化方法程序，并执行本发明实施提供的BGA焊点参数优化方法。
如图2所示，本发明的一种BGA焊点参数优化方法，包括以下步骤：
S1，构建有限元模型；
其中，基于ANSYS建立BGA有限元模型，并在有限元模型中施加热—正弦耦合的仿真，以获取焊点的等效应力值；
如图3所示， BGA有限元模型从上而下分别为BGA芯片、BGA焊点上焊盘、BGA焊点、BGA焊点下焊盘以及PCB基板，BGA芯片以及焊点参数均来自TopLine公司生产的型号为BGA36T.8C-DC069的芯片，芯片的长度、宽度和厚度为6mm×6mm×1.4mm；BGA焊点均为6×6阵列排布，焊点的直径、焊点的高度、焊点的间距以及焊盘的厚度分别为0.4mm、0.4mm、0.8mm和0.2mm。
BGA封装结构中除了焊点为粘塑性材料外，基板、焊盘和PCB板均为线弹性材料，焊点材料为无铅SAC305，有限元模型的材料参数如表1所示：
表1
S2，焊点参数设计，并建立实验样本数据表单；
其中，焊点参数设计包括焊点高度、焊盘直径、焊点间距和下焊盘厚度。
需要说明的是，本发明选择焊点高度、焊盘直径、焊点间距以及下焊盘厚度为四个影响因素，每个影响因素取三个水平值，其因素水平表如表2所示：
表2
根据焊点高度、焊盘直径、焊点间距和下焊盘厚度四个影响因素，采用Box-Behnken设计法，构建实验样本数据表单；
S3，将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；
需要说明的是，采用Box-Behnken设计法，设计四因子三水平的正交表，共25组实验样本，利用ANSYS Workbench对上述25组实验样本进行热—正弦耦合的仿真，获得25组实验样本对应的等效应力值，将对应的等效应力值添加至实验样本数据表单中，获得数据集，仿真结果如表3所示：
表3
S4，基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；
其中，包括以下子步骤：
S41，对数据集划分为测试集和验证集；
S42，设定支持向量机回归的超参数的初始值以及狼群中各只狼的初始位置；
S43，计算支持向量机回归预测模型的适应度并记录当前狼的位置和其适应度值；
S44，将当前狼适应度函数值与最佳狼适应度值相比较，若当前狼的适应度更优，则更新最佳狼的位置为当前狼的位置，否则维持最佳狼的位置不变；
S45，若改进灰狼算法在最大迭代次数没有满足收敛条件，则返回步骤44进行参数的重新优化，直至达到收敛条件，得到最优的灰狼位置；
S46，构建改进灰狼优化支持向量机回归的预测模型；
S47，将焊点高度、焊盘直径、焊点间距以及下焊盘厚度特征输入预测模型中，输出相应的等效应力值。
其中，所述预测模型的计算表达式为：
；
；
；
式中，K(x i ,x j )为高斯核函数，x i和x j表示两个样本的特征向量，σ为核函数的参数，和/>均为拉格朗日乘子，b为常数，f(x)为预测模型，E为等效应力值，x 1为焊点高度，x 2为焊盘直径，x 3为焊点间距，x 4为下焊盘厚度。
需要说明的是， 对上述25组数据进行随机划分，其中80%为训练集，20%为测试集，设置初始种群数量为50，最大迭代次数为200，变量数为2，参数下界为0，参数上界为1000。
本实施例中以焊点高度、焊盘直径、焊点间距以及下焊盘厚度作为输入特征，以等效应力值作为输出特征，利用改进灰狼优化算法优化支持向量机回归的超参数，得到最优超参数后输入到支持向量机回归中，建立焊点参数与等效应力值之间的预测模型。
另外，为了评价建立的预测模型的可靠性，本发明采取决定系数(R2)、平均绝对误差 (MAE)、均方根误差(RMSE)作为评价指标，各个计算公式如下：
；
；
；
式中：式中，R2、MAE、RMSE分别表示决定系数，平均绝对误差，均方根误差，M表示预测的总时间长度，、/>和/>分别表示等效应力的实际值、预测值和平均实际值。
训练后模型的超参数组合以及评价指标如表4所示：
表4
根据上述结果可知，构建的预测模型精准度高，可以很好的反应出焊点参数与等效应力之间的关系，提高预测的焊点等效应力值的精度，减小预测值与仿真值之间的误差，使得优化后的焊点参数更加的精确。
S5，基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值。
其中，步骤S5中的改进灰狼优化算法，包括以下步骤：
S51，利用Circle混沌映射种群初始化，Circle混沌映射表达式为：
；
式中，x n和x n+1分别表示第n个和第n+1个混沌数，取值范围均为[0，1]；
需要说明的是，由于原有的种群初始化是采用随机生成初始种群的方法，容易出现种群划分不均匀的情况，由此会导致种群多样性减少，影响算法的收敛速度，而混沌映射可以提高初始种群在搜索空间的分布，提高全局搜索能力，进而本发明中利用Circle混沌映射改进种群的初始化，提高种群分布的均匀性，增加种群的多样性。
S52，根据变量的上下界来随机初始化灰狼的位置X；
S53，计算每一头狼的适应度值，并将种群中适应度值最优的狼的位置信息保存为X σ ，将种群中适应度值次优的狼的位置信息保存为X β ，将种群中适应度第三优的灰狼的位置信息保存为X δ ，表达式为：
；
；
；
；
；
；
；
；
；
式中，表示Hadamard乘积；A和C表示协同系数向量；a表示收敛因子，由2线性减小到0；r 1和r 2是在[0，1]之间的随机向量；X α 、X β 、X δ 分别表示当前种群中α、β、δ的位置向量；X表示灰狼的位置向量；D α 、D β 、D δ 分别表示当前候选灰狼与最优三条狼之间的距离；t表示迭代次数；
S54，更新灰狼X的位置；
S55，计算每一头狼的适应度值，并更新三匹头狼的最优位置。
其中，所述步骤S55中计算表达式为：
对于δ狼：
；
；
式中，ρ是分布在[0，1]中的随机数；
对于β狼：
；
式中，b为对数螺旋形状常数，l为-1~1之间的随机数；
对于δ狼：
；
；
式中，Levy(λ)为随机搜索路径，µ为步长控制因子，一般取0.01；f为个体适应度值；rand 4表示[0,1]之间的随机变量；p为优胜劣汰选择概率；
需要说明的是，在传统的灰狼算法中，灰狼的位置没有考虑到头狼的特殊地位，并且更高级别的狼会收到更低级别的狼的领导，这并不符合常理，并且灰狼算法的搜索能力有限，会导致灰狼算法早熟收敛。因此本文对三匹头狼位置的更新进行改进，增加灰狼算法在优化过程中的随机性，提高三匹头狼的搜索能力。
S56，若改进灰狼算法在最大迭代次数没有满足收敛条件，则返回步骤55进行参数的重新优化，直至达到收敛条件，得到最优的灰狼位置；
S57，保存最优参数组合和最优适应度值。
根据表2设约束如下：0.2≤H≤0.44，0.24≤D≤0.4，0.7≤d≤0.9，0.03≤h≤0.04，改进灰狼算法设置与步骤S4中的改进灰狼算法设置相同，即种群数量为50，最大迭代次数为200，迭代200次后的，获得最优解变化图，如图4所示。
此时焊点最优参数组合为：H=0.2mm，D=0.4mm，d=0.7mm，h=0.04mm，由图5可知最优解为41.873MPa，与表3最小值45.393MPa相比减小了3.52MPa，达到了BGA优化的目的。
另外，本发明还包括步骤S6，对改进灰狼优化算法得到的最优参数组合对应的等效应力值进行仿真验证。
需要说明的是，对于预测的准确性，需要进行仿真验证，将焊点最优参数组合，即焊点高度0.2mm、焊盘直径0.4mm、焊点间距0.7mm、下焊盘厚度0.04mm进行建模仿真，得到最优参数组合的等效应力图如图6所示。
由图可知，最优参数组合的仿真值为41.522MPa，与改进灰狼算法优化的预测值41.873MPa相比，预测误差仅为0.845%；与表3最小值45.393MPa相比减小了8.536%；由此证明本发明的优化方法的准确性以及有效性，达到了预期的目的。
结合上述方法过程以及仿真证明，本发明提出的一种基于改进灰狼优化支持向量机回归的BGA焊点参数优化方法可以涵盖不同焊点高度、不同焊盘直径、不同焊点间距、不同下焊盘厚度对焊点等效应力的影响，具有更高的预测精度。
本发明还提供了一种BGA焊点参数优化系统，包括如上述的BGA焊点参数优化方法，所述系统包括：
仿真模块，用于构建有限元模型；
参数设计模块，用于焊点参数设计，并建立实验样本数据表单；
获取模块，用于将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；
构建预测模块，用于基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；
优化模块，用于基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的BGA焊点参数优化方法，此处不再赘述。
此外，本发明提供了一种计算机介质，所述介质为计算机介质，所述计算机介质上存储有BGA焊点参数优化方法程序，所述BGA焊点参数优化方法程序被处理器执行时实现如上述所述的BGA焊点参数优化方法的步骤。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种BGA焊点参数优化方法，其特征在于，包括以下步骤：
S1，构建有限元模型；
S2，焊点参数设计，并建立实验样本数据表单；
S3，将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；
S4，基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；
S5，基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值。
2.如权利要求1所述的BGA焊点参数优化方法，其特征在于：步骤S1中所述构建有限元模型，其中，基于ANSYS建立BGA有限元模型，并在有限元模型中施加热—正弦耦合的仿真，以获取焊点的等效应力值。
3.如权利要求2所述的BGA焊点参数优化方法，其特征在于：步骤S2中所述焊点参数设计，其中，焊点参数设计包括焊点高度、焊盘直径、焊点间距和下焊盘厚度。
4.如权利要求3所述的BGA焊点参数优化方法，其特征在于：步骤S2中所述建立实验样本数据表单，其中，根据焊点高度、焊盘直径、焊点间距和下焊盘厚度四个影响因素，采用正交设计法，构建实验样本数据表单。
5.如权利要求4所述的BGA焊点参数优化方法，其特征在于：步骤S4中所述基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型，包括以下子步骤：
S41，对数据集划分为测试集和验证集；
S42，设定支持向量机回归的超参数的初始值以及狼群中各只狼的初始位置；
S43，计算支持向量机回归预测模型的适应度并记录当前狼的位置和其适应度值；
S44，将当前狼适应度函数值与最佳狼适应度值相比较，若当前狼的适应度更优，则更新最佳狼的位置为当前狼的位置，否则维持最佳狼的位置不变；
S45，若改进灰狼算法在最大迭代次数没有满足收敛条件，则返回步骤44进行参数的重新优化，直至达到收敛条件，得到最优的灰狼位置；
S46，构建改进灰狼优化支持向量机回归的预测模型；
S47，将焊点高度、焊盘直径、焊点间距以及下焊盘厚度特征输入预测模型中，输出相应的等效应力值。
6.如权利要求5所述的BGA焊点参数优化方法，其特征在于：所述预测模型的计算表达式为：
；
；
；
式中，K(x i ,x j )为高斯核函数，x i和x j表示两个样本的特征向量，σ为核函数的参数，和/>均为拉格朗日乘子，b为常数，f(x)为预测模型，E为等效应力值，x 1为焊点高度，x 2为焊盘直径，x 3为焊点间距，x 4为下焊盘厚度。
7.如权利要求6所述的BGA焊点参数优化方法，其特征在于：步骤S5中的所述改进灰狼优化算法，包括以下步骤：
S51，利用Circle混沌映射种群初始化，Circle混沌映射表达式为：
；
式中，x n和x n+1分别表示第n个和第n+1个混沌数，取值范围均为[0，1]；
S52，根据变量的上下界来随机初始化灰狼的位置X；
S53，计算每一头狼的适应度值，并将种群中适应度值最优的狼的位置信息保存为X σ ，将种群中适应度值次优的狼的位置信息保存为X β ，将种群中适应度第三优的灰狼的位置信息保存为X δ ，表达式为：
；
；
；
；
；
；
；
；
；
式中，表示Hadamard乘积；A和C表示协同系数向量；a表示收敛因子，由2线性减小到0；r 1和r 2是在[0，1]之间的随机向量；X α 、X β 、X δ 分别表示当前种群中α、β、δ的位置向量；X表示灰狼的位置向量；D α 、D β 、D δ 分别表示当前候选灰狼与最优三条狼之间的距离；t表示迭代次数；
S54，更新灰狼X的位置；
S55，计算每一头狼的适应度值，并更新三匹头狼的最优位置；
S56，若改进灰狼算法在最大迭代次数没有满足收敛条件，则返回步骤55进行参数的重新优化，直至达到收敛条件，得到最优的灰狼位置；
S57，保存最优参数组合和最优适应度值。
8.如权利要求7所述的BGA焊点参数优化方法，其特征在于：步骤S55中所述计算表达式为：
对于δ狼：
；
；
式中，ρ是分布在[0，1]中的随机数；
对于β狼：
；
式中，b为对数螺旋形状常数，l为-1~1之间的随机数；
对于δ狼：
；
；
式中，Levy(λ)为随机搜索路径，µ为步长控制因子，一般取0.01；f为个体适应度值；rand 4表示[0,1]之间的随机变量；p为优胜劣汰选择概率。
9.一种BGA焊点参数优化系统，包括如权利要求1-8任一项所述的BGA焊点参数优化方法，其特征在于：所述系统包括：
仿真模块，用于构建有限元模型；
参数设计模块，用于焊点参数设计，并建立实验样本数据表单；
获取模块，用于将实验样本数据输入至有限元模型中，获得各实验样本数据对应的等效应力值，并将对应的等效应力值添加至实验样本数据表单中，获得数据集；
构建预测模块，用于基于改进灰狼优化支持向量机回归，构建焊点参数与等效应力值之间的预测模型；
优化模块，用于基于改进灰狼优化算法对预测模型进行寻优，获得BGA焊点参数最优组合以及对应的等效应力值。
10.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的BGA焊点参数优化方法程序，所述BGA焊点参数优化方法程序配置为实现如权利要求1至8任一项所述的BGA焊点参数优化方法的步骤。
CN202410576732.9A 2024-05-10 2024-05-10 一种bga焊点参数优化方法及系统 Active CN118133642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410576732.9A CN118133642B (zh) 2024-05-10 2024-05-10 一种bga焊点参数优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410576732.9A CN118133642B (zh) 2024-05-10 2024-05-10 一种bga焊点参数优化方法及系统

Publications (2)

Publication Number Publication Date
CN118133642A true CN118133642A (zh) 2024-06-04
CN118133642B CN118133642B (zh) 2024-07-16

Family

ID=91248425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410576732.9A Active CN118133642B (zh) 2024-05-10 2024-05-10 一种bga焊点参数优化方法及系统

Country Status (1)

Country Link
CN (1) CN118133642B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005202515A (ja) * 2004-01-13 2005-07-28 Toshiba Corp 信頼性解析装置、信頼性解析方法及び信頼性解析プログラム
CN102955881A (zh) * 2012-10-30 2013-03-06 温州大学 一种计算集成电路芯片焊点热疲劳失效概率的方法
CN111581829A (zh) * 2020-05-11 2020-08-25 辽宁大学 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法
CN112598667A (zh) * 2021-01-15 2021-04-02 桂林电子科技大学 一种bga焊点故障检测方法
CN113993152A (zh) * 2021-10-25 2022-01-28 哈尔滨理工大学 基于改进灰狼算法优化支持向量机回归机的通信基站流量预测方法
CN114970412A (zh) * 2022-05-18 2022-08-30 合肥工业大学 一种基于icgwo-lstm的igbt寿命预测方法
CN116090308A (zh) * 2023-02-13 2023-05-09 太原科技大学 Bga焊点结构参数优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005202515A (ja) * 2004-01-13 2005-07-28 Toshiba Corp 信頼性解析装置、信頼性解析方法及び信頼性解析プログラム
CN102955881A (zh) * 2012-10-30 2013-03-06 温州大学 一种计算集成电路芯片焊点热疲劳失效概率的方法
CN111581829A (zh) * 2020-05-11 2020-08-25 辽宁大学 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法
CN112598667A (zh) * 2021-01-15 2021-04-02 桂林电子科技大学 一种bga焊点故障检测方法
CN113993152A (zh) * 2021-10-25 2022-01-28 哈尔滨理工大学 基于改进灰狼算法优化支持向量机回归机的通信基站流量预测方法
CN114970412A (zh) * 2022-05-18 2022-08-30 合肥工业大学 一种基于icgwo-lstm的igbt寿命预测方法
CN116090308A (zh) * 2023-02-13 2023-05-09 太原科技大学 Bga焊点结构参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晶，金玉玺著: "水源地水环境特征及水质预测模型与算法研究", 30 April 2020, 燕山大学出版社, pages: 87 - 90 *
辛斌，陈杰作: "面向复杂优化问题求解的智能优化方法", 30 November 2017, 北京理工大学出版社, pages: 35 *

Also Published As

Publication number Publication date
CN118133642B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Kuhn Variable selection using the caret package
US20230191229A1 (en) Method and System for Interactive, Interpretable, and Improved Match and Player Performance Predictions in Team Sports
CN110390561B (zh) 基于动量加速随机梯度下降的用户-金融产品选用倾向高速预测方法和装置
US20200381085A1 (en) Material characteristic prediction apparatus and material characteristic prediction method
CN108875219B (zh) 一种减小功率循环应力的bga焊点结构参数优化方法
JP5044635B2 (ja) 回路動作の最悪条件決定システム、方法およびプログラム
US20220405455A1 (en) Methods and systems for congestion prediction in logic synthesis using graph neural networks
US20190392322A1 (en) Electronic component packaging type classification system using artificial neural network
US20110219348A1 (en) Automatic design support apparatus and method
CN118133642B (zh) 一种bga焊点参数优化方法及系统
CN108256924A (zh) 一种产品销售预测装置
CN115034122A (zh) 3c产品结构的优化方法、装置、可读存储介质及电子设备
CN112910890B (zh) 基于时间卷积网络的匿名网络流量指纹识别方法及设备
Syed et al. Generalized latency performance estimation for once-for-all neural architecture search
CN112085174A (zh) 一种卷积神经网络优化方法、装置和设备
CN117391152A (zh) 基于Attention头重要性的Transformer模型压缩方法
CN108009150B (zh) 一种基于循环神经网络的输入方法及装置
US8380480B2 (en) Computer product, analysis support apparatus, and analysis support method
US8676547B2 (en) Parameter extraction method
CN109190013B (zh) 用户偏好的确定方法、系统、可读存储介质及电子设备
US11868688B1 (en) Golf club face thickness optimization method
CN100573534C (zh) 电子部件解析方法、电子部件解析装置及使用它的电子部件
Ferrando-Villalba et al. BGA solder strain prediction using an Artificial Neural Network regressor
Panigrahy et al. Integration of Artificial Neural Network and Finite Element Simulation for Package Warpage Prediction
CN111340182A (zh) 一种输入特征逼近的低复杂度cnn训练方法与装置

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