1、361智能制造与机械加工技术 Intelligent manufacturing and Machining technology2023春季国际PCB技术/信息论坛多层PCB基材涨缩补偿预测算法研究Paper Code:S-038 池 飞 吴伟辉(江西景旺精密电路有限公司,吉安 343000)(江西省高端印制电路板工程技术研究中心 JB028800)摘 要 在PCB生产过程中,基材涨缩补偿准确性决定着产品最终的加工精度。当前主要通过人工基于历史生产经验,给出涨缩补偿预估值,此方式存在工作量大、自动化程度低、涨缩良率低的风险。基于此背景,文章通过构建基材涨缩管控指标体系,运用LightGBM算
2、法对涨缩大数据模拟分析,建立涨缩补偿决策模型,并将该算法模型与MES系统融合,实现生产自动化,有效地控制PCB涨缩,提高工作效率。关键词 印制电路板;LightGBM算法;涨缩 中图分类号:TN41 文献标识码:A 文章编号:1009-0096(2023)增刊-0361-05 Research on prediction algorithm of multilayer PCB substrate shrinkage cempensation Chi Fei Wu Weihui Abstract In the PCB production process,the accuracy of subs
3、trate expansion compensation determines the final processing accuracy of the product.At present,the estimation of increase and contraction compensation is mainly given through manual based on historical production experience,which has the risk of large workload,low degree of automation and low yield
4、 of increase and contraction.Based on this background,this paper constructs the substrate fluctuation control index system,uses the LightGBM algorithm to simulate and analyze the big data of the fluctuation and contraction,establishes the fluctuation compensation decision-making model,and integrates
5、 the algorithm model with the MES system to realize production automation,which effectively controls PCB fluctuation and contraction and improves work efficiency.Key words PCB;LightGBM Algorithm;Expansion and Shrinkage0 前言多层PCB制造过程中,基材受机械力、高温、高压、高湿度等加工因素影响,易发生尺寸涨缩及形变,影响产品最终的加工精度。为降低基材涨缩对产品加工精度的影响,通常
6、在内层生产时提供较为精准的涨缩补偿值对线路等图形进行预拉补偿,控制基材涨缩形变量在基准范围内。文章通过对PCB基材特性参数、设计结构等信息进行多维度类比,初步定性预估产品的补偿初始值;再通过统计学回归分析手段定量对涨缩因子进行研究并建立对应数量模型;结合运用LightGBM机器学习算法对涨缩补尝进行研究建立模型,同时与统计回归算法模型进行预测精度比较,最后将最优匹配模型与MES系统融合,实现涨缩自动化补偿,2023春季国际PCB技术/信息论坛362智能制造与机械加工技术 Intelligent manufacturing and Machining technology 提高生产工作效率。1
7、指标体系构建与研究方法1.1 指标体系构建PCB涨缩的主要影响因素包括机器设备、原材料、工程设计及作业环境等。本文研究是基于机器设备运行状况正常、作业环境稳定情况下进行,主要研究有两方面:一方面是原材料特性参数;另一方面是PCB设计结构。研究对象为六层板,构建指标体系,如表1所示。表1 涨缩补偿影响指标1.2 研究方法运用Pearson相关性分析、多元线性回归分析预测、LightGBM算法对多层PCB基材涨缩补偿预测进行研究。1.2.1 Pearson相关性分析指研究两个或两个以上随机变量之间关系的统计方法,并为后续的回归分析、预测及控制提供依据。相关性分析可以通过绘制散点图及计算相关系数来进
8、行定性分析及定量分析。依据相关系数正负号可以判定为正相关和负相关。1.2.2 多元线性回归分析预测法指通过对因变量与多个自变量之间的相关分析,建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时,称为多元线性回归分析。多元线性回归模型需满足基本假定条件有:1)自变量与因变量之间存在线性关系;2)残差项符合均值为零,方差齐性的正态分布,且残差项之间不存在自相关;3)自变量之间不存在显著相关性,即多重共线性问题。其回归模型表达式如下:Y=0+1X1+2X2+iXi+其中Y为因变量,Xi为自变量,0为常数项,i为回归系数,为残差项。1.2.3 LightGBM算法基于GBDT的改进算法。G
9、BDT算法中,模型的相关性分析采用特征变量对目标变量的影响程度评价。LightGBM采用基于Histogram的决策树算法将连续特征进行离散化,通过构造直方图来遍历数据进行统计,以此寻找最优分割点;使用基于深度限制的leaf-wise叶子生长策略,找到分裂增益最大的叶子节点进行分裂,降低预测误差。2 结果分析基于构建的指标体系,通过运用相关性分析、回归分析、LightGBM算法对六层板的涨缩补偿预测进行研究,并进行相关检验及分析。2.1 相关性分析和LightGBM算法对比相关可视图上三角单元格饼图中所占面积越大,表示两者之间的相关性越大,蓝色表示正相关,红色表示负相关。光光板板区区分分 横横
10、直直料料 Tg 表表面面处处理理 线线宽宽 线线距距 线线宽宽0203 线距0203 线宽0405 线距0405 切铜箔 排层率 每钢板pnl数 pnl长 pnl宽 板材厚度 板材铜厚 L2残铜率 L3残铜率 L4残铜率 L5残铜率 压合厚度 pcs数 set数 pp最大张数 pp总张数 排板层数 ln压厚 注:线宽为0203/0405层的均值,当只有其中之一时,取其值,否则默认为0;线距同理。363智能制造与机械加工技术 Intelligent manufacturing and Machining technology2023春季国际PCB技术/信息论坛从图1线性相关性分析可以看出,涨缩补
11、偿值与因子之间影响程度排名依次为表面处理、TG、每pnl的pcs数、每pnl的set数、ln压厚、排层率、板材厚度,其余影响因素较小,且最大的影响因子相关系数为0.41,处于中度相关。图2 涨缩补偿值与影响因子的LightGBM算法相关分析可视图从图2LightGBM算法分析可以看出,因子对涨缩补偿值影响程度排名依次为板材厚度、TG、压合厚度、每pnl的pcs数、排层率、切铜箔、L4残铜率、线宽、表面处理、每pnl的set数、pnl宽、L3残铜率,其余因子的影响程度相对较小,根据重要程度划分3等级,100以上为1等级,80100为2等级,80以下为3等级。通过相关性分析与LightGBM算法分
12、析可知,影响因子中的 TG、每pnl的pcs数、每pnl的set数、排层率、板材厚度对涨缩补偿的影响存在共性,其他因子的影响程度存在一定差异,如压合厚度、表面处理在不同的算法中存在不同的排名。2.2 模型理论预测准确率分析数据来源:建模样本为2022年1月2022年6月生产数据,在剔除重复记录后,样本量总计540,按照95:5的数据结构进行训练集和验证集划分。y表示生产补偿系数与实际涨缩值转换后的理论最佳补偿值。通过向后逐步回归方法及AIC评价准则,建立如下多元线性回归模型表达式:yIntercept+横直料+TG+表面处理+线距+线距0405+切铜箔+排层率+每块钢板pnl数+pnl长+板材
13、厚度+板材铜厚+L3图1 涨缩补偿值与影响因子的Pearson相关分析可视图2023春季国际PCB技术/信息论坛364智能制造与机械加工技术 Intelligent manufacturing and Machining technology 残铜率+压合厚度+每pnl的pcs数+每pnl的set数+pp最大张数+ln压厚表2 多元线性回归模型参数估计及显著性检验Signif.codes:0*,0.001*,0.01*,0.05.根据统计学假设检验理论,从表2中可知,模型各自变量参数估计值均满足显著性检验,仅有每块钢板pnl数自变量在P值为0.1的情况下显著性检验通过,模型整体显著性检验通过。
14、表3 多元线性回归模型与LightGBM算法模型RMSE根据统计学正态分布理论,在预测误差为1%的假定条件下,多元线性回归模型的预测准确率约为77.4%,LightGBM算法的预测准确率约为93.7%,对比多元线性回归模型提升16.3%。2.3 模型实际预测准确率分析自自变变量量 E Es st ti im ma at te et t v va al lu ue ePrPr(|t|t|)S Si ig gn ni if f.C Co od de es s (Intercept)-2.932 -2.467 0.01 *横直料 -0.300 -3.168 0.00 *TG 0.065 20.55
15、0.00 *表面处理 1.822 21.475 0.00 *线距 1.948 3.69 0.00 *线距 0405-1.361 -2.624 0.01 *切铜箔 -0.572 -4.227 0.00 *排层率 -0.556 -5.021 0.00 *每块钢板pnl数 -0.170 -1.917 0.06 .pnl长 -0.003 -2.75 0.01 *板材厚度 -1.965 -5.26 0.00 *板材铜厚 -0.473 -5.323 0.00 *L3残铜率 -0.009 -3.744 0.00 *压合厚度 2.512 4.492 0.00 *每pnl的pcs数 0.003 3.939 0.
16、00 *每pnl的set数 0.022 2.233 0.03 *pp最大张数 0.159 3.947 0.00 *ln压厚 -4.858 -6.275 0.00 *模型类型 RMSE 多元线性回归模型 0.8276 LightGBM 0.5363 365智能制造与机械加工技术 Intelligent manufacturing and Machining technology2023春季国际PCB技术/信息论坛利用我公司2022年8月11月生产数据进行模型准确率检验,总样本量为704笔记录。由图3可知,一方面,从模型角度来看,LightGBM与多元回归模型的实际预测准确率分别为94.5%和73
17、.6%,与理论分析结果差异分别为0.8%和3.8%,基本符合预期;另一方面,从模型与人工对比角度来看,LightGBM算法模型对比人工提升13%,而多元回归模型对比人工下降7.9%。图3 涨缩补偿预测准确率 综上所述,一方面,Pearson算法与LightGBM算法的相关分析结果既存在共性亦存在一定差异性,主要原因为相关性计算的是线性相关,而LightGBM算法基于决策树原理,计算得出的重要程度属于非线性。另一方面,通过理论与实际的预测准确率数据来看,LightGBM算法对比多元线性回归模型具有较大优势,同比人工管控亦有较大提升,从侧面角度映射出影响因子与涨缩补偿之间更多的是存在非线性关系。3
18、 结论文章通过对多层PCB板构建基材涨缩管控指标体系,运用LightGBM算法对涨缩大数据模拟分析,建立涨缩补偿决策模型,通过相关分析及模型预测发现:(1)本文列出的影响因子中,TG、每pnl的pcs数、每pnl的set数、排层率以及板材厚度等因素对PCB基材涨缩的影响最大;(2)通过LightGBM算法输出的决策树模型对比多元线性回归模型、人工预测涨缩补偿的准确率具有较大提升;(3)通过大数据及机器学习算法的应用,建立较高准确率的模型,能够为PCB涨缩管控自动化提供有效支撑;通过以上分析挖掘出的规律,希望可以为业界对涨缩管控方式的探索提供一定的理论指导。该项目得到江西省重点研发计划项目一般项
19、目(项目号:S2020ZPYFB2516)的资助。参考文献1 温沧,陈玲.多层印制线路板基材涨缩控制研究J.印制电路资讯,2013.1,92-96.2 任小浪,陈蓓,曾志军.浅谈PCB层压涨缩规律J.印制电路信息,2015.12,24-28.3 徐琪琳,谢鸣,蔡越洋.数学计量模型控制PCB芯板涨缩补偿系数的研究J.印制电路信息,2016.24,28-31.4 邓丹,张岩生,刘东.PCB内层芯板补偿系数预估:实验和统计学方法J.印制电路信息,2012.S1,193-197.5 刘禹含,曹萃文.基于LightGBM的催化重整装置产品预测及操作优化相关性分析J.石油学报,2020.7,756-766.6 罗丹,刘璇.基于LightGBM的高校就业预测模型J.电脑与电信,2020.8,64-67,85.第一作者简介池飞,江西景旺精密电路有限公司工艺工程师,主要负责大数据分析相关方面工作。94.5%96.2%92.7%96.7%90.0%73.6%76.2%71.0%74.8%72.5%81.5%75.7%76.6%88.9%85.0%70.0%75.0%80.0%85.0%90.0%95.0%100.0%综合M8M9M10M11LightGBM多元回归模型人工