御风而上读书心得Word文档下载推荐.docx
《御风而上读书心得Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《御风而上读书心得Word文档下载推荐.docx（25页珍藏版）》请在冰豆网上搜索。
尤其對如雨後春筍般出現新的製程，如FPT,BGA,CSP,FLIPCHIP等更覺雪上加霜。
深感知識獲得之不易及傳承上的難上加難。
為了解決以上的問題，本論文將以『模糊類神經』（NeuroFuzzy）技術建立一套嶄新的『表面黏著製程診斷系統』透過協助模式以幫助工程師及作業者即時地解決一些製程及焊性缺點，以期提昇產品品質及提高製程穩定性。
此系統包含以下要件
（1）模糊類神經模式-FAMS；
（2）完整表面黏著製程的實驗結果；
（3）專有製程知識及（4）實際生產中獲得的製程管制資料，用以發展與建構此智慧型診斷系統，並彌補傳統統計製程管制之缺點，成為一套能協助表面黏著製程管理、品質改善及輔助診斷的利器。
此系統將使用類神經模糊的軟體（fuzzyTECH）及VisualBasic進行特殊程式碼撰寫以作適當的介面延伸。
發展完成的系統可提供
（1）最佳化表面黏著製程參數；
（2）圖型化製程改善使用介面；
（3）製程訓練的藍本；
（4）線上規則學習機制等。
除此之外，本診斷系統可藉由系統參數化之設計以模擬製程參數變化對錫膏印刷品質、迴焊效果、及整個製程總合變化。
且系統已經實際於表面黏著生產線上試用，可達百分之八十五的準確度，因此本系統可在程度上應用於其它廠牌之表面黏著機器及製程上，有效率地協助製程的改善及穩定性，使業者更能改善其表面黏著的製程能力，進而增加其品質競爭力。
貳、研究背景
目前在表面黏著製程改善的相關研究上，大概可區分為三大類：
1.一般表面黏著技術的研究，著重於以特殊數學方程式表示個別製程的生產狀態。
2.某些製程改善的研究，強調運用傳統統計製程品管之概念，以改善表面黏著生產製程。
3.另外一些研究則運用專家系統與決策支援系統，提供製程問題改善的建議。
以下分別討論這三類研究的優缺點：
（1）表面黏著生產技術在電子業界與學術界皆有不少研究，其中多數的研究試圖利用專業實驗室的特殊儀器或複雜的方程式代表個別製程的生產狀態，但往往疏忽其製程中各變數數間的交互作用，對實務上鮮少有正面重大的改善效果，只有在特殊原材料或機器研發時才能明顯地見到此研究方法的效益。
以錫膏印刷製程（Printing）為例，有些研究著重於鋼版開孔（Stencilaperture）的設計、刮刀（Squeegee）材質的選定、印刷速度、刮刀壓力、及間隙值（Snap-offheight）的控制。
並以相關數學公式表示之，如Dr.Anderson（1994）所提出的錫膏印刷效應[8]：
:
刮刀剪力
錫膏黏度
刮刀角速度H:
刮刀距離R:
刮刀半徑
T:
上刮刀扭力
之後，Haung（1996）也提供類似的錫膏印刷公式[7]：
是剪力；
v是刮刀速度；
h是鋼板厚度；
D鋼板開孔方式；
η是錫膏黏度
錫膏黏度與剪力倒數成正比：
由以上兩式，可得：
其缺點如下：
因子分析之結論牽涉到特殊剪力的衡量與機器本身結構效應的評估，這些皆需要專業的器材量取或是機器本身能提供動態機構的變化量，否則甚難使用於實務中，有效地改善錫膏印刷的品質。
（2）在業界使用的表面黏著製程控制中，傳統的統計製程品管（SPC）扮演著極重要的角色。
然而，SPC的主要缺點是只有當製程出現異常時才警告操作員或工程師，但無法提供相對應的改善對策。
例如TrutnaandAguayo（1992）提出一套專為表面黏著製程的控制計劃[5]，其系統優點為：
1）透過實驗計畫訂定錫膏印刷製程與零件取製的管制界限，2）可提供快速的品質資訊，3）製程超出管制界限時，適時地提出警告。
但其具以下缺點：
1）需要工程師隨時更新管制規格及文件，2）缺乏圖形化的管制界面，3）並未研究所有製程的交互作用效應，4）缺乏進一步的改善建議以引導作業員來進行改善。
SteveHall（1993）亦利用實驗設計方式取得錫膏印刷製程管制的資料，主要是針對刮刀速度、刮刀壓力,刮刀脫離速度、錫膏顆粒尺寸、及基板尺寸進行管制[6]。
其系統優點如下：
1）對錫膏印刷製程提供許多良好的管制點，2）利用製程能力指數來告知作業員目前的製程狀況，3）可連結錫膏印刷機，作動態的管制。
但其具缺點如下：
1）並未考慮其他可能造成焊性缺點的製程，2）需要很龐大的金錢投資，如機器連結界面、影像檢查機、特殊的視覺系統等。
3）只適用於特定的印刷機中。
其他尚有類似的研究，如AnvariandChow（1992）迴焊爐溫度設計的技巧與建議[11]、Charles（1995）提出的表面黏著細腳距（Fine-pitch）製程控制[15]、Ralph（1995）提出一些各製程優先檢驗的標準[14]。
但此類研究通常具有以下缺點：
1）動態生產環境之下，難以設定製程管制的界限2）參數設定隨不同廠牌機器而變更，3）無法提供有效的製程改善對策，4）難以文件化，5）難以有效率的電腦化製程管制。
（3）在業界使用的表面黏著製程診斷系統研究中，一般專注於錫膏印刷製程問題之研究，但並將零件擺置的偏移量、迴焊的效應列入考量，更遑論及反向的製程參數建議。
如Amir（1994）提出一套表面黏著診斷專家系統[3],其優點如下：
1）當統計製程管制的界限超出後，作業員依其錫膏印刷設定參數值，輸入此專家系統中以得到系統之推薦值，2）檢驗錫膏印刷設定的參數值，如刮刀壓力、刮刀角度、刮刀速度、真空板高度、及清潔模式，3）硬體除錯，如真空強度，過濾器、及幫浦等，4）提供推論解釋的機制。
另外Venkatswaran&
Srihari（1995）提出一套表面黏著製決策支援系統，提供錫膏印刷製程改善的建議[4]。
其研究範疇如下：
1）錫膏印刷機除錯建議，2）錫膏特性模擬，3）基板（substrate）特性的考量，4）鋼板設計，5）工作環境影響。
雖此二系統提供相當優異的表面黏著製程診斷系統，但它們皆遺漏了迴焊製程中迴焊參數的重要效應與因子間交互作用之考量，其診斷系統只可局部地適用於前半段的表面黏著製程改善上。
由於實務上的表面黏著製程牽扯因素甚廣，除原材料外，工作環境的變化、機器的變動性、人員操作傾向等皆會影響焊性品質及電子零件組裝後的可靠度。
因此，僅靠單一製程研究或傳統的統計製程管制並不能達到預期的改善效果，唯有考量各製程之重要因子，並以整體製程探討方能得到診斷問題的解決對策。
參、研究目的
綜合先前的相關文獻後得知，目前有關表面黏著製程改善方面的研究，其主要的缺失整理如下：
（1）使用數學公式以改善製程方面的研究，通常需具有特殊的儀器與設備方能求得公式中所使用的參數值，同時也未考慮各製程因子間的交互作用，因此在實務應用上非常困難。
（2）傳統統計製程品管的研究，無法適時提供製程改善的建議，並且在動態的生產環境下，難以設定製程管制的界限。
除此，也並提供必要的矯正建議。
（3）至於使用專家系統或決策支援系統方面的研究，並無考慮迴焊製程參數與製程因子間的交互作用，因此只可能作用於前半段製程。
針對上述研究缺失，本研究將發展一智慧型表面黏著製程診斷系統，主要是結合實驗設計、模糊集群分析法與模糊類神經網路模式，提供製程管理者機器設定參數與製程診斷與改善的建議。
此系統將全面地考量整個生產製程，而不只著重於單一製程分析。
除此，本系統能有效地考慮各製程因子間的交互效應。
本研究有下列五項主要目標：
（1）發展一完整的表面黏著製程診斷決策支援系統。
（2）建立以圖形界面的表面黏著診斷系統，以取代傳統的統計品管製程控制的方法，並考慮到變數間的交互效應，以利生產品質的提高與穩定。
（3）利用現有統計品管製程控制的資料，運用模糊集群分析法與實驗設計的方式，將原始資料轉變成適當的製程參數。
（4）利用模糊類神經網路模式建立一套表面黏著製程診斷系統，提供機器設定參數與製程診斷與改善的建議。
（5）深入瞭解表面黏著製程中可控制因子的交互作用現象。
肆、研究方法
本論文採用Kosko（1992）所建立的FAMs（FuzzyAssociativeMemories）模糊類神經網路模式作為建立診斷規則之工具[20]。
FAM的主要原理是運用模糊系統的映射原理（如圖四所示），此網路基本上是一個模糊化的二元異聯想神經網路.其中最簡單的FAM網路就是一個關聯組
。
然而通常一個FAM系統中包含許多的模糊關聯組
，而這些關聯組即整合成一個規則矩陣（RuleMatrix）。
圖四、模糊映射（Kosko,1992）
以隸屬向量來表示A和B，則
和
，若欲轉換成模糊關聯，可將
嵌入數值化的FAM矩陣內，然後使用以下的模糊化Hebbian學習方法訓練之:
其隸屬向量可做為FAM規則庫
的輸入層。
至於回想向量輸出（recalledmembership-vectoroutput）B則為所有的
之總合:
FAM模糊類神經網路模式之系統架構如圖五所示，下列文字敘述其各別作用：
圖五、FAM網路之系統架構
FAMsIf-Then規則推論
FAMs模式將語化的輸入經由推論過程而轉換為真確值輸出（crispoutput）,如圖六所示。
圖、六Fuzzification,Inference,andDefuzzification
其計算推理過程機制裡，含有以下的兩個元件：
●集成（Aggregation）:
計算規則之前提部“IF”
●合成（Composition）:
計算規則之結論部“THEN”
集成（Aggregation）
在模糊系統裡常應用以下三個的邏輯推論式：
合成（Composition）
每一條規則之前提部皆有適當的定義以觸發結論部，並賦予一個觸發程度值（Degree）以適當的描述現有的狀態。
適切地合成前提部的觸發程度值（DegreeofSupport）為模擬推論中之重要步驟。
此模糊推論可稱為MAX-MIN/MAX-PROD推論。
.
FAMs解模糊化
在模糊推論之後緊接著解模糊化動作（Defuzzification）-其推論結果可為某系統所量身定作的語意變數，用以調整最後的輸出值。
其中之語意輸入值與真確值之關係可以模糊關係式（MembershipFunction）來表示。
FAMs使用兩個步驟以完成解模糊化動作，1）轉換每一語意變數為一典型值（Typicalvalue），2）折衷每一輸出值而求得最適權衡值
計算典型值（typicalvalue）
最常應用於典型值的計算方法是找尋各別的模糊關係式之最大值。
如果模糊關係式有許多最大的區間值，則選取其中值數（Median）。
如圖七所示。
圖、七典型值計算（各別模糊關係式之最大值）
找尋最適權衡值
第二個步驟在於如何求取真確值的輸出，如圖八所示。
在典型值的水平位置上賦予一權重值（weight）來表示其對規則本身觸發的程度。
權重值之高低是以黑色箭號重疊於灰色箭號之高度而定，如圖八所示。
最終之最適權衡值如圖八之三角箭頭所指之位置值。
圖、八解模糊化（真確值輸出）
這個解模糊化的方法稱為最大中心值法（CenterofMaximum），其與最大重心法（CenterofGravity）具異曲同工之妙。
最大中心值COM（Centerofminimum）
此方法是將推論後之模糊關係值最大平均值作為真確值的輸出，並計算折衷結果。
並利用中值數計算架構以進行後續動作，
是模糊關係向量B於輸出空間Y之模糊中值數，如下列方程式：
Y代表輸出空間
伍、表面黏著製程診斷系統之建立
本研究將發展一套完整的表面黏著製程診斷系統，以輔助作業員及工程師解決品質不良及製程的變異，並提供適當的改善對策為其主要目標。
本診斷系統利用下列兩個主要模組發展完成：
1）製程參數設定模組，2）初始化機器參數設定模組。
製程參數設定模組主要是提供製程參數之模擬（如溫度設定、錫膏厚度、完整製程等）。
而初始化機器參數設定模組，其主要是針對舊有或新增之產品之機器參數，作一適當的建議。
其系統發展架構如圖九所示。
圖九、系統發展架構
以下逐一敘述這兩模組之建立流程：
一、以實驗設計方式量測製程因子
利用顯著因子設計一200組的實驗於一般生產中，並收集記錄其結果，此類資料將成為往後模糊類神經模式訓練時的學習資料（Learningdata）。
實驗方法及流程如圖十所示。
圖十、實驗計畫與流程
其程序如下：
1.收集統計製程品管方面的相關數據與資料
在實際生產環境下，透過電腦網路連線收集即時的製程品管資料，以作為模糊類神經網路模式訓練之用。
其收集對象包含：
1）錫膏印刷製程因子－如刮刀壓力、刮刀速度、離板間距、錫膏黏度、鋼版開孔方式、印刷厚度、印刷面積、印刷偏移量、及印刷解析度等。
2）零件取置置程因子－如零件擺置偏移量。
3）迴焊製程因子－如預熱斜率（Preheatingslope）、浸潤溫度（SoakingTemperature）、尖峰溫度（Peaktemperature）等。
再將此類資料依據領域專家所預先設訂模糊化及數量化之準則，計算其焊性（Solderability）評核分數，以作為模糊類神經網路模式訓練時測試資料（Testdata）。
其焊性評分標準及公式如下：
表一、焊性檢查標準
二、運用模糊集群分析法（FuzzyClustering）將SPC資料分類並去除多餘重復之資料
這裏所使用的模糊集群分析法是所謂的模糊中心法（FuzzyC-means）,其主要目的是在一群資料中找尋虛擬區隔界面，而落於其間的資料群體即可稱為一個集群（Cluster），在集群中找出其中心值即可代表此一族群。
此功能已併入fuzzyTECH軟體中。
假設虛擬區隔界面為
而其集群中心v1,v2,…,vc之計算公式如下：
三、使用模糊類神經網路模式建立相關的診斷規則
將上述淬取後資料當作訓練資料，而前面實驗設計所得的資料作為訓練資料，再運用模糊類神經網路模式進行規則的淬取，並賦予每條規則適當的權重，作為建立系統知識庫時的信賴度水準。
一個模糊類神經系統學習示意圖，如圖十一所示、製程上主要的規則推理架構如圖十二所示，而模糊類神經學習策略如圖十三所示。
圖十一、模糊類神經系統
圖十二、製程上主要的規則推理架構
圖十三、模糊類神經學習策略（fuzzyTECH軟體上）
經無數次的學習過程後，其最終學習結果，如表二所示。
表二模糊類神經學習結果
Proc./Block
State/Rules
錫膏印刷製程
迴焊製程
焊性評估
Block#1
I
Block#2
II
III
IV
Block#1
V
MaxDev.起始值
123.78
50.00
123.80
33.34
MaxDev.訓練值
14.76
10.67
14.22
8.94
12.58
Avg.Dev.起始值
79.59
22.75
60.39
15.58
28.07
Avg.Dev.訓練值
4.75
3.89
7.26
4.20
6.42
淬取規則數
205
354
222
268
231
決策空間圖（附錄）
圖.A至圖.F.
圖.G至圖.L.
五、領域專家檢查上述所建立的診斷規則，刪除異常狀況的規則
經由模糊類神經網路所建立的知識庫，需再經領域專家運用其專有的製程知識，將不可能或差異甚大的規則予以去除，並匯集成一精化規則庫。
六、智慧型表面黏著診斷系統產生
將匯集的規則庫編譯（compile）成fuzzyTECH之”ftr”二進位檔，加上VisualBasic之適當的程式化，即可形成一個製程參數診斷系統。
系統架構如圖十四所示。
此系統可以在Windows98及WindowsNT之作業系統下運作。
系統需求：
1.電腦486以上，配有16M以上之記億體及10M以上的硬碟空間。
2.fuzzyTECH模糊系統軟體（v5.0以上），以作線上學習功能。
3.MSExcel以產生圖表
圖十四、系統產出架構圖
陸、表面黏著製程診斷系統之運作
當診斷系統運作時，下面這兩模組（SMT製程診斷模組與SMT製程參數初始模組），將提供適當的建議與解決方案。
以下將逐一介紹這兩模組之運作情形。
（一）SMT製程診斷模組
此模組的主要的目的是提供製程改善的對策及建議製程參數的設定值，以輔助作業員或工程師處理不良製程及機器參數設定錯誤所產生的問題。
其操作製程改善流程如圖十五所示：
圖十五、機器與製程診斷流程圖
其完整操作程序如下:
步驟1、先檢查錫膏印刷的解析度及偏移率，如果評估結果合乎檢驗標準則進入步驟二。
反之，確認以下狀況：
（1）印刷偏移–此系統隨即檢查錫膏印刷機的起始設定及機構調整程序，例如印刷程式的品質（X-Y,Theta）、定位點、真空隔板、及隔板等。
（2）低解析度–此系統隨即要求使用者輸入錫膏印刷機目前的參數值，經過診斷系統的推理後，提供一組或多組較適合的參數值。
倘若建議參數的績效不佳，將其記錄作為往後系統執行時的參考數值。
步驟2、估零件放置於基板上的準確性，若合乎於檢驗標準則進入步驟三。
反之，視問題的特性，提供使用者適當的建議方案，以解決取置機設定問題。
如真空壓力、送料器狀態、吸嘴狀況、及定位問題等。
步驟3、評估迴焊焊性的結果，若合於檢驗標準則進入下一製程。
若不合標準，則系統要求使用者輸入目前溫度的設定值，以評估迴焊溫度參數的適合度，並提供一組或多組較適合的溫度參數值。
倘若建議參數值的績效不佳，則將其記錄作為往後系統執行時的參考數值。
其實際的系統操作介面如圖十六所示。
圖十六、錫膏印刷製程模擬圖十七、迴焊溫度模擬
圖十八、完整製程模擬
（二）SMT製程參數初始模組
本模組會依據以下的基本資訊提供一新產品的參數設定：
1）基板資訊：
如厚度、尺寸、零件數、零件別等。
2）PCBA（PCBAssembly）：
組合密度。
3）製程資訊：
細腳距或寬腳距。
其操作程序步驟如下（如圖十九所示）及實際功能展示（圖二十所示）：
步驟1、使用者需輸入上述的基本資訊，再進入步驟二。
步驟2、將診斷系統所建議的新參數值，設定於錫膏印刷機、取置機、及迴焊爐上。
步驟3、評估錫膏印刷品質，若合於標準則進入步驟四。
反之，進入機器調整診斷模組診斷印刷品質不良的原因。
步驟4、評估迴焊焊性的結果，若合於檢驗標準則記錄其相關參數值，作為以後面臨類似產品時的參考數據。
若不合標準，則進入機器調整診斷模組，診斷迴焊性不良的原因。
圖十九、製程參數初始化流程圖
（三）規則庫線上學習
主要利用fuzzyTECH作為DDE（DynamicDataExchange）server，使用者可以將動態規則載入系統所預設的表格中，並設定學習參數（如Termstepwidth,DOSstepwidth,及WinnerNeurons等），及可運用MSDDE之溝通橋樑以執行動態學習的目的。
圖二十、製程參數初始化操作介面
（三）系統架構及互動操作
本系統已於臺灣金訊電子實戰測試，精確度在百分之八十五以上，其誤差評估圖如附錄中之圖、M至T所示。
此系統架構於動態的介面及製程的互動性，使用者可以隨時地利用本系統來達到品質改善及降低當線率的目標。
示意圖如圖二十一所示。
圖二十一、系統架構及操作示意圖
柒、結論與建議
本研究所得到之實驗結果及系統建立的部份，皆得來不易。
其目的在：
1）發展一製程參數專家系統，以決定表面黏著製程之最佳化參數設定。
2）發展一機器調整專家系統，提供機器調整時之相關建議。
3）深入分析表面黏著製程中各重要因子的交互效用，以模糊規則表示。
4）發展一表面黏著製程中各重要因子的圖型焊性檢驗標準。
5）發展一嶄新圖形界面之表面黏著製程診斷系統。
6）提出製程中因子之交互效應，協助製程參數的調整以改善製程及焊性方面的缺點。
其中尚有一些重點需要加強，此類重點將是以後研究的對象，以擴充本系統成為表面黏著製程的最佳利器：
1.需進一步考慮錫膏印刷的流體力學（Rheology）部份，以克服不同品牌錫膏的效應。
2.如何連結現有統計品管軟體，以期加強實效。
3.如何將工作環境之溫、濕度效應納入考量。
4.如何再進一步加強模擬準確性，以達百分之九十五的目標。
捌、參考
升级会员 