电路基板切割工艺设备故障预测技术

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。

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、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。

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。

图1 故障预测方法分类

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。

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。

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。

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。

图2 电路基板切割设备故障预测流程

01

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。

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。

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。

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。

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。

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。

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。

表1故障模式分类

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。

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。

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。

图4 设备剩余寿命预测流程图

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：

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。

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。

结束语