臺灣博碩士論文加值系統

表面黏著技術（Surface Mount Technology，SMT）是電子業中常見之製造組裝技術，文獻中指出52%~71%不良的機率是來自於錫膏印刷製程，目前電子組裝業對品質要求越來越高，故本研究運用實驗設計(Design of Experiment，DOE)篩選出最佳參數因子，以分析錫膏印刷製程相關參數，並建立類神經網路(Artificial Neural Network，ANN)模型，從檢驗設備與最終結果來驗證改善後的績效，建立一個回饋式的系統，以提高焊接之良率、人員的效率與機器設備的使用率。
從類神經網路模型分析數據中，可由RMSE之值來評估最後收斂之訓練週期數，而本研究所得之值皆介於0.02~0.05之間，說明本模型預測能力屬於”良”之等級。類神經網路應用於不少產業中，本研究利用ANN的分類與預測模式於SMT之探討，建構出預測模式與實際值比較後之誤差於範圍內，實驗過程中使用八個參數做為輸入，所建構之分類模式可篩選出關鍵因子，本研究運用ANN建構一套預測及分類之模式提供業界參考使用。

Due to the trend of miniature of electronic products been evolved, the application of surface mount technology (SMT) to the printed circuit boards (PCBs) assemblies is more and more popular, matured and versatile.The process is still not well understood as indicated by the fact that industry reports 52–71% (SMT) defects are related to the solder paste stencil printing process (SPP). This research presents a neural network model for the stencil printing process in surface mount technology manufacturing of printed circuit boards.
A Design of Experiment (DOE) was conducted for collecting structured data to closely investigate the relationships of inputs and outputs and followed by using Artificial Neural Network (ANN) to optimize the given process.The optimization is performed by minimizing the weighted mean squared error with respect to the desired solder brick area; furthermore, in the case when multiple solutions exist, the set point that yields the lowest variance is used.

目 錄
摘 要 i
Abstract ii
誌 謝 iii
表目錄 vi
圖目錄 vii

第一章 緒論 1

1.1研究背景與動機 2
1.2研究目的 4
1.3研究流程 5
第二章 文獻探討 7

2.1表面黏著技術製程簡介 7
2.1.1錫膏印刷 8
2.1.2元件置放 8
2.1.3迴焊 9
2.1.4檢測 10
2.2錫膏印刷製程的重要性 11
2.2.1影響鋼版印刷製程的參數 12
2.2.2衡量錫膏印刷之品質 14
2.2.3錫膏印刷常見之缺陷 15
2.3封裝IC零件簡介 17
2.4類神經網路 19
2.4.1類神經網路的分類 21
2.4.2類神經網路之應用 25
第三章 研究方法 28

3.1研究架構 28
3.2實驗設計 30
3.3類神經網路模式 31


第四章 個案環境之簡介與設備製程能力評估 35

4.1錫膏印刷機 36
4.2錫膏檢測機 37
4.3 GAM70 39
第五章 建構類神經模式於錫膏印刷系統 41

5.1運用實驗設計蒐集製程資料 42
5.2建立類神經網路模式 43
5.3模式預測與分析 45
5.3模式分類與分析 54
5.4評估模式之績效 61
5.5結論 62
第六章 結論與建議 63

6.1結論 63
6.2未來研究方向 64
參考文獻 65


表目錄
表1.1國內印刷電路板業之產銷存概況彙總 1
表2.1鋼版厚度與腳距之需求 13
表2.2監督式類神經網路模式各類特性表 25
表4.1系統規格-MPM3000 36
表4.2 SPI之GR&R評估表 38
表4.3系統規格-GAM70 39
表4.4 GR&R評估表 40
表5.1製程輸入變數彙總表 42
表5.2分析樣本錫膏面積 48
表5.3五種預測模式 51
表5.4相關性分析 51
表5.5三種分類模式 56
表5.6 MAPE之評估指標範圍 62

圖目錄
圖1.1 研究流程圖 6
圖2.1 TYPE II示意圖 7
圖2.2 鋼版印刷示意圖 8
圖2.3 元件置放示意圖 8
圖2.4 迴焊溫度曲線 9
圖2.5 缺陷產生的機會成本 11
圖2.6 影響鋼版印刷製程的因子 12
圖2.7 缺陷原因之分析 16
圖2.8 IC零件之分類 18
圖2.9 生物與數位電腦的處理速度之比較 20
圖2.10 監督式學習演算法 21
圖2.11 非監督式學習演算法 22
圖2.12前向式網路架構模式 24
圖2.13 回饋式網路架構模式 24
圖2.14 類神經網路應用案例 26
圖3.1 研究架構 29
圖3.2 實驗設計流程 30
圖3.3 倒傳遞的類神經網路架構圖 31
圖3.4 倒傳遞的類神經網路運算流程圖 33
圖3.5印刷方向與PAD方向 34
圖4.1印刷製程之架構流程 35
圖4.2錫膏印刷機MPM3000 36
圖4.3錫膏檢測機 37
圖4.4評估SPI之GR&R 38
圖4.5 GAM使用介面(個案公司提供) 39
圖5.1類神經網路建構程序 41
圖5.2類神經應預測模式 43
圖5.3實驗之機板 45
圖5.4零件腳距與PAD尺寸 45
圖5.5參數設計之樹狀圖 46
圖5.6軟體介面之預測選擇 47
圖5.7軟體介面之預測參數選擇 47
圖5.8五種模式之預測數據 49
圖5.9從輸出資料選擇要匯之圖形 50
圖5.10儲存模型 50
圖5.11目標值與預估值之關係 52
圖5.12敏感度分析 53
圖5.13實驗之機板 54
圖5.14印刷刮刀與PAD方向 54
圖5.15類神經應分類模式 55
圖5.16分類模式之介面 55
圖5.17三種分類模式之結果 56
圖5.18預測分類之正確性 57
圖5.19訓練組和測試組對預測之結果 58
圖5.20累積增益圖-平行 59
圖5.21累積增益圖-垂直 60
圖5.22類神經模式之錫膏面積誤差收斂 61

參考文獻
1. Lofti, A., Howarth, M., Industrial application of fuzzy systems: adaptive fuzzy control of solder paste stencil printing, Journal of Information Sciences, Vol. 107, pp.273–285,.1998.
2. Amir, D., Expert system for SMT assembly, Proceedings of the Surface Mount International Conference and Exposition – Technical Program, San Jose, CA, pp. 691-699,.1994.
3. He, D., Ekere, N.N., and Currie, M.A., “The Behavior of Solder Pastes in Stencil Printing with Vibrating Squeegee,” IEEE Transactions on Components, Packaging, and Manufacturing Technology-Part C, 21, No.4, pp.317-324, 1998.
4. Pan, J., Tonkay, G. L., Storer, R. H., Sallade, R. M., Leandri, D. J., “Critical Variables of Solder Paste Stencil Printing for Micro-BGA and Fine Pitch QFP,” IEEE/CPMT International Electronics Manufacturing Technology Symposium, pp.94-101, 1999.
5. Pan, J., and Tonkay, G. L., “A Study of the Aperture filling Process in Solder Paste Stencil Printing,” Proceedings of the 1999 ASME International Mechanical Engineering Congress and Exposition, Nashville, Tennessee, November 14-19, pp.75-82, 1999.
6. Richard S. Clouthier, “SMT Printing Process for fine and ultra fine pitch”, AMTX, Inc., Canandaigua, New York, 1997.
7. Prasad, R. P., “Surface Mount Technology：Principles and Practice”, Chapman &Hall, New York, 1995.

8. David Benham, DaimlerChrysler Corporation, “NON.REPLICABLE GRR CASE STUDY”, June 5, 2002.
9. Brian Sloth Bentzen, “Reflow Soldering”, SMT in focus, 2000, pp.1-6.
10. Kelly, R., & Tan, D. Solder paste process control for CSPs and 0201s, Technical Report, GSI Lumonics,.2003.
11. Pan, J.B., et al., Critical variables of solder paste stencil printing for micro-BGA and fine-pitch QFP. Ieee Transactions on Electronics Packaging Manufacturing,27(2): p. 125-132,.2004.
12. Wong, B. K., Lai, V. S., & Lam, J. “A bibliography of neural network business applications research,”1994-September 1998. Comput. Oper. Res., 27(11-12), 1045-1076., 2000.
13. Li, Y., R.L. Mahajan, and J. Tong, “Design factors and their effect on PCB assembly yield-statistical and neural network predictive models,” Components, Packaging, and Manufacturing Technology, Part A, IEEE Transactions on, 17(2): p. 183-191., 1994.
14. R. L. Mahajan, “Statistical neural network modeling for stencilprinting,” in Surface Mount Int., pp. 573–578.,1996.
15. S. Ho, M. Xie, L. Tang, K. Xu, and T. Goh, “Neural network modeling with confidence bounds: A case study on the solder paste deposition process,” IEEE Trans. Electron. Packag. Manuf., vol. 24, no. 4, pp.323–332, Oct. 2001.
16. H. K. Yii, N. Morad, and M. S. Hitam, “Optimisation of a solder paste printing process parameters using a hybrid intelligent approach,”Neural Netw. World, vol. 11, no. 2, pp. 109–127, 2001.

17. Barajas, L.G., et al.,”Stencil Printing Process Modeling and Control Using Statistical Neural Networks. ” Electronics Packaging Manufacturing, IEEE Transactions on,.31(1): p. 9-18.,2008.
18. Acciani, G., Brunetti, G., & Fornarelli, G.”Application of neural networks in optical inspection and classification of solder joints in surface mount technology. ” Industrial Informatics, IEEE Transactions on, 2, 200-209.,2006.
19. Lewis, C. D., “Industrial and Business Forecasting Method,” Butterworth Scientific, London, 1982.
20. 姜博薰，錫膏鋼版印刷開孔幾何特性影響落錫量，明新科技大學工程管理研究所碩士論文，民92。
21. 葉俊吾，運用類神經網路建構SMT錫膏印刷製程品質管制系統，國立成功大學製造工程研究所碩士論文，民91。
22. 葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，民84。
23. 邱志洲，類神經網路分析，曉園出版社，民89。
24. 吳嘉晟，製造業六標準差應用手冊，新文京開發出版有限公司，民92。
25. 張斐章，類神經網路理論與實務，東華書局股份有限公司，民92。
26. 白蓉生，電路板規範手冊2001 版，台灣電路板協會發行，頁198，民90。
27. 羅華強，類神經網路MATLAB的應用，清蔚科技出版，民90。
28. 曾憲雄，資料探勘Data Mining，旗標出版股份有限公司，民94。
29. 葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，民98。
30. 明泰公司，產學合作計畫報告書，民98。
31. 施振榮，再造宏□-開創、成長與挑戰，天下文化，民93。