• 微信扫一扫

电路基板切割工艺设备故障预测技术

2023-11-17

文章来源:SMT技术网   作者:蔡克新,张彩云

摘要:随着电路基板切割工艺设备技术难度和复杂度不断增强,其在运行过程中易出现性能状态的退化,甚至发生故障。故障预测技术可提高设备运行过程中的可靠性和安全性。分析了电路基板切割工艺设备故障预测方法,重点论述了设备故障模式预测、状态趋势预测、剩余寿命预测和设备维修策略优化等内容,为实现电路基板切割设备的高可靠运行和低成本维护提供技术保障。

  

IMG_256

关键词:电路基板;切割工艺;故障预测;维修决策

电路基板是半导体芯片和微型器件的重要支撑载体,其质量、可靠性和技术性能制约着电子器件模块的性能和功能。目前电子基板主要有印制电路板(PCB)、薄膜电路基板、共烧陶瓷基板和LCD玻璃基板等类型。基板切割工艺可按照应用需求,对多种材质、形状的基板进行加工制造,主要采用砂轮切割[2]、激光切割等方法。切割工艺设备可完成电路基板的上料固定、视觉识别定位、划切切割、检测下料等功能[1-2]。随着电路基板性能品质的提升,切割工艺设备已逐步由手动到全自动、直线到异形,并向着高速高精度的方向发展,其技术难度和复杂度不断增强,可靠性要求不断提高。面对着复杂多变的生产任务、技术各异的操作人员、动态不确定的制造环境,电路基板设备在运行过程中易发生性能状态的退化,甚至故障,若不能及时合理地对设备进行维护维修,将会影响设备生产任务的按时完成,带来不可估量的经济损失。
       故障预测技术[3]是一门涉及电子、机械、通信、是根据设备部件或子系统运行的历史统计数据,以设备当前的状态为出发点,结合对象的结构特性、功能参数及历史数据,运用合适的预测模型和方法,预测分析设备未来一段时间内可能会发生的故障,并确定故障类别、原因、程度和部位,判断故障的发展趋势,以便及时采取科学有效的维修决策方案,预先消除故障,保障设备正常运行。采用故障预测技术可提高设备运行过程中的可靠性和安全性。

1 故障预测研究方法

常用的故障预测研究方法[4],如图1所示,大致可以划分为基于物理模型的方法、基于统计模型的方法、基于计算智能的方法和组合预测方法等几类。

  

IMG_257

  图1 故障预测方法分类

1.1基于物理模型的故障预测方法

从系统内部的工作机理出发,建立能够反映系统失效机理的数学模型,对系统功能损伤进行计算,并以故障累积效应来评估预测其剩余寿命,该方法大多应用于电子元器件领域。

1.2基于统计模型的故障预测方法

针对装备的失效寿命数据或性能退化监测数据,以概率统计理论为基础,运用随机过程模型或统计方法分析数据中隐含的装备健康状态信息,在概率统计的框架下实现装备故障预测。

1.3基于计算智能的故障预测方法

利用装备在线监测的性能退化数据,通过各种智能算法拟合装备性能退化变量的演化发展规律,根据趋势外推性能变量到失效阀值实现装备故障的预测。

1.4基于组合预测的方法

根据单一预测方法的特性和适用范围,将两种及以上预测方法结合,构造组合预测方法,充分发挥各种方法的优点,提高装备的故障预测精度。电路基板切割设备故障预测研究流程如图2所示,先明确设备结构特征,在分析对比现有故障预测方法基础上,构建设备故障预测模型,开展故障模式预测、状态趋势预测、剩余寿命预测研究,进而实现维修策略优化。

  

IMG_258

  图2 电路基板切割设备故障预测流程

2 故障预测研究内容分析

电路基板切割设备故障预测研究内容,主要包括故障模式预测、状态趋势预测和剩余寿命预测、设备维修策略优化等。

2.1故障模式预测

通过整理设备的故障类型、故障时间、故陪影响等信息,按照一定规则划分设备的历史故障模式,并根据监测的故障参数,评估设备当前状态可能出现的故障类型及形式。

2.2状态趋势预测

依据状态监控参数或状态特征时间序列,利用一定的预测算法,建立面向集成电路封装关键设备的状态趋势预测模型,预测设备状态参数或状态特征的发展趋势,在故障发生前对用户进行故障提醒。

2.3剩余寿命预测

根据设备当前的健康状态、负载及退化趋势等信息,估计设备在正常使用状态下从当前时间到失效时的的寿命,包括故障相关数据趋势分析、退化分析等。

2.4维修策略优化

根据状态监测数据、故障模式识别、状态趋势预测及剩余寿命预测的结果进行维护可行性分析,从时间、目标、效益等方面多角度制定维护计划,以科学有效的对设备进行维修。

3 设备故障模式预测

电路基板切割设备主要组成结构图如图3所示,其运行过程中切割刀轮装置出现的故障最多。传统的传动装詈故障模式预测往往依赖于专家的经验判断。由于切割刀轮装置结构比较复杂,它的故障模式和特征量之间是一种非常复杂的非线性关系,再加传动装置在不同工况下的随机因素,所以专家的经验并不能解决所有的故障模式预测间题,而应用概率神经网络可以有效地避免此问题。概率神经网络由输入层、隐含层、求和层和输出层组成。其中,输入层用于接收来自训练样本的值,传递给隐含层,神经元个数与输入向量长度相等;隐含层是径向基层,每一个隐含层的神经元节点拥有一个中心,该层接收输入层的样本输入,计算输入向量与中心的距离;求和层是将隐含层的神经元输出做加权求和;输出层为神经网络输出的结果。

  

IMG_259

图3 电路基板切割设备组成结构图

假设存在5种特征因素影响切割刀轮装置的故障,分别为切割速度(参数A)、回刀速度(参数B)、切割行程(参数C)、对准精度(参数D) 、回刀高度(参数E)。假设切割刀轮装置存在3种故障模式,分别为断裂(故障1)、磨损(故障2)和接触不良(故障3),另外加上正常状态,可以认为总共有4种模式。首先,利用数据量化4种模式(见表1);其次,通过对现场试验和历史资料的收集分析,获得4种模式的归一化样本数据(见表2);然后,随机监测1组现场数据(参数A,参数B,参数C,参数D,参数E为0.615,0.531,0.319,0.583,0.523),采用概率神经网络模型进行故障模式预测分析。

IMG_260

表1故障模式分类

  

IMG_261

表2故障样本数据

基于概率神经网络模型对切割刀轮装置故障模式预测,首先分析刀轮装置的故障数据、特征参数等信息,其次通过历史故障数据划分故障模式,相应确定每个故障模式的特征参数,最后采用概率神经网络模型学习历史故障模式,分析现有的监测数据,预测将来一段时间刀轮装置可能发生的故障模式。

4 设备故噫状态趋势与剩余寿命预测

故障状态趋势预测根据设备历史运行状态及监测数据(电压、振动、磨损等参数),采用一定的方法或技术描述分析监测数据的变化趋势与规律,建立相关数学模型,预测装备故障的演化规律,从而掌握设备状态的发展趋势。基板切割设备影响加工质量的因素有设备系统误差、加工方法误差和刀具磨损误差等。其中,刀具磨损引起的加工误差是主要因素之一。因此,研究对刀具磨损规律,有效进行刀具故障趋势预测,具有重要的理论意义和应用价值。在常规工作条件下,采用氮化硼刀具对陶瓷材料进行切割,加工工艺参数固定,对直径为150mm的基板进行加工。记录刀具磨损量(走刀距离每间隔100mm记录一次),利用超景深显微镜对刀具磨损量进行测量,测量数据见表3,再根据记录数据运用相关模型进行磨损量等数据的预测。

IMG_262

表3试验测量数据

选用时间序列模型进行状态趋势预测,根据统计获得的数据序列中存在的相关关系,找到序列值之间相关关系的规律,拟合出可以描连这种关系的数学模型,进而利用数学模型对序列的未来走势进行预测,则输入获得的状态趋势预测特征参数,进行模型计算,可对刀具磨损状态趋势进行预测。

剩余寿命预测回是根据设备当前健康状态、退化趋势等信息,估计设备系统在正常使用状态下从当前时间到失效时的寿命。它是实现故障预测与健康管理的重要内容,为设备维修保障的科学决策和精确管理提供可靠的依据。考虑到状态趋势预测和剩余寿命预测本质上的一致性,采用时同序列模型和BP神经网络模型进行基板切割设备,流程如图4所示。首先,明确研究对象,分析研究对象的故障数据、特征参数等信息;其次,根据研究对象确定特征参数,收集特征参数数据序列;接着,采用时间序列模型和BP神经网络模型进行状态趋势检验,判断检验效果是否理想;最后,基于预测效果较好的模型进行设备状态趋势预测,根据阈值测算设备的剩余寿命。

  

IMG_263

图4 设备剩余寿命预测流程

5 设备维修决策优化

由于基板切割设备的状态复杂,具有模糊性和不确定性,状态维修行为决策需要借助模糊理论和多属性决策方法进行。首先,建立维修行为决策集,如替换大修、预防维修、持续监测和继续工作等,建立维修行为属性集,如设备可用度、维修费用、故障风险度、可靠性等。其次,确定重要程度等级,由设备维修保障入员和设备设计入员,对维修行为决策集和属性集建立相对重要程度描述。然后,构建隶属函数,将定性描述转化为定最指标。采用梯形模糊隶属函数曲线,将定性指标转换成L-R型梯形模糊数表示的定量指标。最后,建立模糊决策矩阵,并计算各个维修行为的模糊效用值,对各个维修行为按模糊效用值的大小进行排序,依据最大模糊效用值原则确定最佳的维修行为。

假设存在4种设备维修方案,即保养、小修、大修、更换,记为方案集A={Al,A2,A3,A4}。此外,维修方案要综合考虑设备故障风险、维修费用、可用度、可靠性和工作状态,确定行为属性集C={Cl,C2,C3,C4,CS}(见表4),其中,成本型有故障风险和维修费用,效益型有可用度、可靠性和工作状态。其中,(1,m,u)表示为三角模糊函数:

  

IMG_264

表4 属性集定性的定量化处理

根据某一时刻的设备状态,获得行为集和属性集的评价结果,见表5。

  

IMG_265

表5 行为集和属性集的评价结果

通过确定设备维修方案集和维修指标集,其中指标分为成本型指标和效益型指标,结合维修人员的评价结果输入评价结果和权重,计算维修方案集的隶属度排序矩阵,从而获得设备维修决策优化方案。

6 结束语

基于现场运维数据的电路基板切割设备的故降预测技术,通过分析电路基板切割设备特点和现场数据,构建符合电路基板切割设备的故障模式预测、状态趋势预测、剩余寿命预测模型,有效指导设备的维修决策,实现电路基板切割设备高可靠性运行和低成木维护。但由于目前电路基板切割设备运行状态监测数据、设备故障模式、相关特征参数以及设备维修指标等信息尚不健全,需要进一步获取全面、及时、精准的设备现场数据,进行验证和完善。


版权声明:

《一步步新技术》网站的一切内容及解释权皆归《一步步新技术》杂志社版权所有,转载请注明出处!

《一步步新技术》杂志社。

相关推荐

更多
联系我们
  • 电话:0755-25988572
  • 邮箱:ivyt@actintl.com.hk
  • 地址:中国深圳市福田区联合广场A座2801
  • 订阅号订阅号
    服务号服务号
Copyright©2024: 《一步步新技术》; All Rights Reserved.备案序号:粤ICP备12025165号-2
app雷竞技
Baidu
map