《JOURNAL OF MANUFACTURING SYSTEMS》：PI-UA-Opt: Physics-informed, uncertainty-aware optimization framework for pick-and-place process in surface mount technology
编辑推荐：
•自对准感知优化能够在回流焊接后预测组件的最终位置。•基于物理的仿真使得在实验有限的情况下进行数据高效预训练成为可能。•集成模型和概率模型能够量化组件最终位置的不确定性。•均值-方差优化能够捕捉贴片机的变化性和预测的不确定性。引言感知技术的进步、物联网（IoT）的发展以及大规模数
- •
自对准感知优化能够在回流焊接后预测组件的最终位置。
- •
基于物理的仿真使得在实验有限的情况下进行数据高效预训练成为可能。
- •
集成模型和概率模型能够量化组件最终位置的不确定性。
- •
均值-方差优化能够捕捉贴片机的变化性和预测的不确定性。
引言
感知技术的进步、物联网（IoT）的发展以及大规模数据的普及，使得机器学习（ML）成为传统建模的替代方案。ML可以作为数值模型的强大补充，并有效适应动态制造环境[1]。这些技术推动了电子制造向更加自主和适应性的系统发展。
表面贴装技术（SMT）是一种广泛使用的电子制造工艺，主要包括三个主要步骤：焊膏打印、贴装和回流焊接，如图1所示。在每个步骤中，都会使用检测系统来监控组装质量，包括焊膏打印后的焊膏检测（SPI）、贴装后的预回流自动光学检测（pre-AOI）以及回流焊接后的后回流自动光学检测（post-AOI）。
持续的微型化趋势和设计复杂性的增加导致了SMT组装中的缺陷率上升，尤其是对于那些不符合IPC尺寸标准的微型无源元件，如侧向悬垂和端部重叠问题[3]。因此，研究人员探索了整合实时检测数据、数值方法和机器学习的方法，以提高工艺效率和排列质量。
对于微型无源元件来说，回流焊接前的焊膏错位已成为加剧回流焊接后错位的关键因素。即使元件最初被准确放置在对焊盘中心，回流焊接过程中错位的焊膏也可能使元件偏离中心[4]。为了解决这个问题，引入了诸如自适应过程控制（APC）和锡膏印刷后的偏移放置（OPASS）等替代放置策略[5]。
这些策略根据焊膏信息调整元件的放置位置，但它们没有考虑回流焊接后的最终元件对准情况。回流焊接过程中的热参数变化，如峰值温度、熔点以上的时间、升温速率和保温时间等，可能会影响焊料的润湿效果，从而导致不同的对准结果。因此，仅依靠焊膏信息不足以确定最佳放置位置。此外，贴片机的放置变异性也会导致元件无法精确地定位到目标位置。因此，仅仅调整贴片机参数将元件放在错位的焊膏中心可能会恶化对准质量，因为元件可能会被放置得离焊盘中心更远[6]。
基于人工智能的贴片机优化模块（AI-based MOM）是第一个结合实时检测结果并适应动态制造环境的先进元件放置框架[6]。尽管该框架改进了现有的放置方法，但它有两个主要限制：首先，它需要大量的实验设计（DOE）数据集进行训练，这大大增加了数据采集成本；其次，它没有考虑放置优化中的预测不确定性，而这对于在动态生产环境中的可靠实施至关重要。
研究人员探索了减少对大规模实验数据依赖并提高工艺鲁棒性的方法，包括物理信息驱动的机器学习（PIML）和不确定性量化（UQ）。PIML通过将物理约束嵌入损失函数或设计符合物理定律的网络架构，将物理原理融入数据驱动的学习中[7]。物理信息也可以通过混合框架进行整合，在这种框架中，ML模型在基于物理的仿真器生成的合成数据上预训练，或者使用基于物理的模型的输出作为输入特征[8]。为了量化预测不确定性，已经研究了贝叶斯神经网络和深度集成等方法，以考虑由数据噪声、数据有限和学习模型参数变化引起的不确定性[9]。
本文提出了一种基于物理信息、考虑不确定性的SMT元件放置优化框架。该框架使用基于物理的仿真器生成的合成数据进行模型预训练，从而减少了对大规模实验数据集的依赖。模型预测不确定性和贴片机的放置变性被纳入优化模块中，以确定稳健的放置参数。主要贡献总结如下：
- •
自对准感知放置优化：与仅将元件放置在对焊盘中心或仅依赖焊膏信息的方法不同，所提出的框架考虑了回流焊接过程中的自对准现象，以预测元件的最终位置并做出放置决策。
- •
利用基于物理的仿真进行数据高效模型训练：该框架使用自对准仿真器在多种焊膏和放置条件下生成合成数据。神经网络使用基于物理的仿真数据进行预训练，并通过有限的实验样本进行微调。
- •
考虑不确定性的最终元件位置预测：所提出的方法利用模型集成和概率替代模型来预测不确定性。所得的预测分布能够同时估计预期的回流焊接后的偏移量和相关的预测不确定性。
- •
在贴片机变化性下的均值-方差优化：优化模块通过平衡采样放置偏移量的均值和方差来选择放置参数，同时考虑了模型预测不确定性和由随机贴片机变性引起的变化。
本文的其余部分安排如下：第2节回顾相关工作；第3节详细介绍了本研究使用的数据集和评估设置；第4节介绍了所提出的框架，包括基于梯度的仿真器、基于物理的信息学习和考虑不确定性的优化模块；第5节展示了实验结果；第6节进行了讨论；最后，第7节总结了本文并讨论了未来的研究方向。
节片
文献综述
自对准是指熔融焊料在回流焊接过程中产生表面张力，使元件向其平衡位置移动的物理现象。这一现象已经通过二维（2D）和三维（3D）模型进行了研究。早期的2D研究采用了简化的焊料填充轮廓，无论是直线近似[10]还是非线性曲线形状[11]，来分析焊盘几何形状并减少如 tombstoning（倒塔效应）等缺陷。
实验设计与数据描述
本节描述了本研究中使用的实验设计和数据集。模板设计时故意设置了焊膏偏移量，以生成多种偏移条件，使基于物理的信息方法能够与其他放置方法进行比较。焊膏的偏移量和体积通过SPI测量，而元件在回流焊接前后的位置通过pre-AOI和post-AOI收集。这些检测数据被用来训练预测回流焊接后元件位置的模型。
方法论
本研究结合了PIML和UQ来优化随机元件放置过程。该框架从一个可扩展的2D基于梯度的仿真器开始，该仿真器模拟了回流焊接过程中焊膏和元件的运动。仿真器通过空间梯度来近似自对准行为，模拟了错位焊膏向铜焊盘的移动以及错位元件向焊膏的移动。仿真器生成了具有多种焊料条件的合成数据集。
结果
本节评估了在P1至P8不同焊膏偏移模式下的放置策略。比较了中心对齐放置（PP）、PB、APC和所提出的PI-UA-Opt，在不同的焊膏偏移条件下评估了对准质量。结果分为四个部分：（1）基于物理的预训练与纯数据驱动模型的数据效率比较；（2）使用MDN预测分布进行的预测不确定性和可靠性评估
讨论
在结果部分，PI-UA-Opt框架显示出方向性差异，在长度方向上应用的偏移百分比高于宽度方向。由于元件的长度是其宽度的两倍，相同的偏移百分比在长度方向上会导致更大的焊膏错位。因此，PI-UA-Opt在长度方向上更频繁地应用有意放置偏移量，以补偿可能降低对准质量的较大焊膏偏移[4]。
结论
本研究开发并评估了一个基于物理信息、考虑不确定性的优化框架，以提高SMT中的元件放置可靠性。所提出的框架结合了使用自对准仿真器生成的合成数据进行物理信息驱动的预训练，使用来自微调模型集的输出训练的MDN替代模型来生成预测分布，以及均值-方差优化，以支持在制造环境下的稳健拾放过程优化。
CRediT作者贡献声明
Jaewoo Kim：撰写——原始草稿、可视化、验证、方法论、调查、概念化。Abdelrahman Farrag：撰写——审稿与编辑。Zhenxuan Zhang：撰写——审稿与编辑。Yongho Yoo：可视化。Daehan Won：撰写——审稿与编辑、监督、方法论、概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
Jaewoo Kim|Abdelrahman Farrag|Zhenxuan Zhang|Yongho Yoo|Daehan Won
