7、回流热配方分段优化与焊接变形估计方法研究

回流热配方分段优化与焊接变形估计方法研究

在电子制造和焊接生产领域，回流热配方优化以及焊接变形控制是两个关键的研究方向。下面将详细介绍相关的研究内容和成果。

回流热配方分段优化模型

在回流热配方优化方面，采用了基于BPNN（反向传播神经网络）的自适应矩（Adam）估计方法。该模型框架具有独特的结构，包含3个全连接的隐藏层。具体来说，第一个隐藏层的每个节点都与第二个隐藏层的所有节点直接相连，第二个隐藏层的每个节点又与第三个隐藏层的所有节点直接相连。这种全连接的结构使得输入数据在迭代过程中会经过每个节点进行处理，并且每次迭代后权重都会相应更新。以阶段分段数据作为输入，与其他模型结构相比，这种3隐藏层的构建方式能够取得更有前景的结果，同时计算时间比复杂构建的神经网络模型快10倍以上。

回流配方优化的最终阶段是根据测试数据建立优化模型。测试数据输入为目标热曲线，因为优化配方的目的是优化回流设置，使焊点的热曲线尽可能符合目标热曲线。研究中，多阶段BPNN优化模型按照回流焊接过程（RSP）的五个阶段依次进行训练。训练完成后，将训练好的模型应用于对应五个阶段的分段目标热曲线，以获得优化的回流配方设置。

实验在Heller 1707MKEV回流炉上进行，温度控制精度为± 3 ºC。测试板是15 × 16 cm大小的FR - 4玻璃环氧板，上面有0402M、0603M和1005M三种组件，每种组件250个。温度通过带有20通道K型热电偶的Mega MOLE进行测量。实验使用初始配方进行，收集焊点温度和测量焊点上方的区域空气温度用于训练模型。基于人工智能的方法仅需一次实验的样本数据即可训练模型。训练后，用7种不同的曲线作为“目标曲线”对模型进行测试，并通过一次实验验证每个曲线获得