基于RBF的人工神经网络在PCB钻孔工艺中的应用

论文摘要

PCB(PrintedCircuitBoard),中文名称为印制电路板,又称印刷电路板、印刷线路板,是重要的电子部件,是电子元器件的支撑体,是电子元器件电气连接的提供者。由于它是采用电子印刷术制作的,故被称为“印刷”电路板。福斯莱特电子铝基板印制电路板的发明者是奥地利人保罗·爱斯勒(PaulEisler),他于1936年在一个收音机装置内采用了印刷电路板。1943年,美国人将该技术大量使用于军用收音机内。1948年,美国正式认可这个发明用于商业用途。自20世纪50年代中期起,印刷电路版技术才开始被广泛采用。在印制电路板出现之前,电子元器件之间的互连都是依靠电线直接连接实现的。而现在,电路面板只是作为有效的实验工具而存在;印刷电路板在电子工业中已经占据了绝对统治的地位。[21]PCB是当今电子工业中最为关键和活跃的一环,其产值占电子元件产业总产值的四分之一以上,是各个电子元件细分产业中比重最大的产业,其年增长速度一般要高于元器件行业3个百分点左右。在2001年IT产业泡沫破灭后,至2003年全球IT产业开始复苏,PCB行业也出现了全面复苏。2003年我国印制电路板产值501亿元,同比增长32.40%,产值跃居全球第二位,至2007年我国始终保持30%以上的年均增长速度。2008年和2009年,由于金融危机引起激烈的价格竞争,PCB行业产值出现明显下降,尤其是2009年甚至出现负增长。2010年,电子行业出现反弹,但全球PCB行业仅增长10.5%,而中国得益于产业转移,产值重回30%的高速增长。而2011年,众多的不确定因素仍然制约着PCB行业的发展。需求升级已成为推动PCB行业发展最大的动力,为了顺应电子产品的多功能化、小型化、轻量化的发展趋势,下一代电子系统对PCB的要求是高密度、高集成、封装化、微细化、多层化。HDI板、柔性板、IC封装板(BGA、CSP)等PCB品种将成为主要增长点。它们共同的特点就是密度大幅提高,对工艺而言精度也必须随之大幅提高。而钻孔工艺的基本目的就是要实现层与层之间的互联,因此其精度直接影响产品的质量。本文从介绍PCB的基本工艺开始,到逐步深入的分析了钻孔工艺,然后仔细研究了孔偏的成因,并列出所有可能的因素,再运用统计方法筛选出关键因素,最后通过对比各种预测数学模型并确定了用RBF人工神经网络作为预测模型的方案。本文重点介绍了如何运用Matlab工具箱建立RBF神经网络模型及应用RBF网络进行钻孔偏移分析及改善的优化模型、网络训练过程等。根据近3个月的钻孔数据,通过研究RBF神经网络理论并分析孔偏的各关键因素,确立了以夹头扭力和主轴动态同心度为关键因素的模型输入向量,以最直接的X和Y方向的孔偏量作为输出的单隐层RBF网络模型。根据仿真预测结果重新设定工艺参数,并分别进行了3个lot的DOE试验。试验结果表明由模型得到的新工艺参数能够很好的控制钻孔偏移量,说明此模型能反映孔偏随关键因素变化而变化的趋势,有较高的实用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 PCB 工艺简介
• 1.2 PCB 制造工艺及行业现状
• 1.3 钻孔工艺之孔偏量控制的意义
• 1.4 本文的主要内容与章节安排
• 1.5 小结
• 第二章 钻孔偏移的概念及关键因素分析
• 2.1 引言
• 2.2 钻孔工艺及设备介绍
• 2.3 钻孔偏移的关键因素分析
• 2.3.1 钻孔工艺的主要失效模式
• 2.3.1.1 钻孔工艺失效模式分析
• 2.3.2 钻孔偏移成因分析
• 2.3.2.1 钻孔工艺设备分析
• 2.3.2.2 钻孔工艺材料分析
• 2.3.3 钻孔偏移关键因素确定
• 2.4 小结
• 第三章 孔偏量控制方法比较研究
• 3.1 引言
• 3.2 孔偏量控制的目的和作用
• 3.3 孔偏控制的工作程序
• 3.3.1 数据采集
• 3.3.2 整理分析
• 3.3.3 提出改进措施计划
• 3.4 孔偏量控制方法的选择
• 3.4.1 一元线性回归预测
• 3.4.2 BP 人工神经网络预测模型
• 3.4.3 RBF 人工神经网络预测模型
• 3.4.4 钻孔偏移量控制模型的比较
• 3.5 小结
• 第四章 基于线性回归法的钻孔工艺孔偏控制模型设计
• 4.1 引言
• 4.2 一元线性回归模型
• 4.3 钻孔偏移量控制模型输入输出量的确定
• 4.4 数据采集
• 4.5 模型建立及仿真实现
• 4.5.1 模型建立
• 4.5.2 matlab 工具箱
• 4.5.3 仿真实现
• 4.6 小结
• 第五章RBF 神经网络介绍
• 5.1 引言
• 5.2 人工神经网络理论
• 5.2.1 概述
• 5.2.2 人工神经网络的特点
• 5.2.3 人工神经网络的模型结构
• 5.2.4 人工神经网络的分类
• 5.2.5 人工神经网络的学习与训练
• 5.3 RBF 神经网络
• 5.3.1 概述
• 5.3.2 RBF 网络模型与结构
• 5.3.3 RBF 网络模型的基本算法
• 5.3.4 RBF 网络存在的问题
• 5.4 小结
• 第六章 基于RBF 的钻孔工艺孔偏控制模型和仿真验证
• 6.1 引言
• 6.2 钻孔偏移量控制模型输入输出量的确定
• 6.3 数据预处理
• 6.4 MATLAB 与神经网络工具箱（NNT）
• 6.5 网络设计
• 6.6 模型建立及仿真实现
• 6.7 RBF 与线性回归结果之比较
• 6.8 DOE 验证
• 6.9 小结
• 第七章 总结与展望
• 参考文献
• 附录1
• 致谢
• 攻读硕士学位期间已发表或录用的论文