論文の概要: Optimization of Passive Chip Components Placement with Self-Alignment
Effect for Advanced Surface Mounting Technology
- arxiv url: http://arxiv.org/abs/2001.09612v1
- Date: Mon, 27 Jan 2020 07:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 08:07:43.896772
- Title: Optimization of Passive Chip Components Placement with Self-Alignment
Effect for Advanced Surface Mounting Technology
- Title（参考訳）: 表面実装技術の自己アライメント効果を考慮したパッシブチップ部品配置の最適化
- Authors: Irandokht Parviziomran, Shun Cao, Haeyong Yang, Seungbae Park, and
Daehan Won
- Abstract要約: 表面実装技術(SMT)は、電子部品を半田印刷回路基板(PCB)に直接配置する電子包装の強化手法である。
リフロー過程の間、沈殿したはんだペーストが溶け始めると、電子部品は最高対称性を達成する方向に移動する。
本研究では,予測手法として,サポートベクタ回帰(SVR)とランダムフォレスト回帰(RFR)の2つの機械学習アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 2.6168876987285308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface mount technology (SMT) is an enhanced method in electronic packaging
in which electronic components are placed directly on soldered printing circuit
board (PCB) and are permanently attached on PCB with the aim of reflow
soldering process. During reflow process, once deposited solder pastes start
melting, electronic components move in a direction that achieve their highest
symmetry. This motion is known as self-alignment since can correct potential
mounting misalignment. In this study, two noticeable machine learning
algorithms, including support vector regression (SVR) and random forest
regression (RFR) are proposed as a prediction technique to (1) diagnose the
relation among component self-alignment, deposited solder paste status and
placement machining parameters, (2) predict the final component position on PCB
in x, y, and rotational directions before entering in the reflow process. Based
on the prediction result, a non-linear optimization model (NLP) is developed to
optimize placement parameters at initial stage. Resultantly, RFR outperforms in
terms of prediction model fitness and error. The optimization model is run for
6 samples in which the minimum Euclidean distance from component position after
reflow process from ideal position (i.e., the center of pads) is outlined as
25.57 ({\mu}m) regarding defined boundaries in model.
- Abstract（参考訳）: 表面実装技術(SMT)は、電子部品を半田印刷回路基板(PCB)に直接配置し、再フローはんだ付け工程を目的としPCBに永久に取り付ける電子包装において強化された方法である。
リフロー過程の間、沈殿したはんだペーストが溶け始めると、電子部品は最高対称性を達成する方向に移動する。
この動きは、潜在的な不一致を是正できるため、自己調整として知られる。
本研究では, 支持ベクトル回帰 (SVR) とランダムフォレスト回帰 (RFR) を含む2つの機械学習アルゴリズムを提案し, 1) 部品の自己配向, 半田ペースト状態, 配置加工パラメータの関係を診断し, 2) 再フロープロセスに入る前のPCB上の最終成分位置をx, y, 回転方向で予測する。
予測結果に基づいて,初期配置パラメータを最適化する非線形最適化モデル(NLP)を開発した。
その結果、RFRは適合度と誤差の予測モデルにおいて優れる。
理想位置(つまりパッドの中心)からのリフロー後の成分位置から最小ユークリッド距離をモデルの境界について25.57({\mu}m)と概略した6つのサンプルに対して最適化モデルを実行する。
関連論文リスト
- Galibr: Targetless LiDAR-Camera Extrinsic Calibration Method via Ground Plane Initialization [13.409482818102878]
Galibrは完全に自動化されたLiDARカメラの外付けキャリブレーションツールで、どんな自然環境でも地上の車両プラットフォーム用に設計されている。
この方法は、LiDARとカメラの入力の両方から地上平面とエッジ情報を利用して、キャリブレーションプロセスの合理化を行う。
提案手法はキャリブレーション性能を著しく向上させるが,これは新しい初期ポーズ推定法に起因している。
論文 参考訳（メタデータ） (2024-06-14T08:25:10Z) - Intrinsic Voltage Offsets in Memcapacitive Bio-Membranes Enable High-Performance Physical Reservoir Computing [0.0]
貯留層コンピューティング(Reservoir computing)は、入力を高次元空間にマッピングすることで、時間データを処理するための脳にインスパイアされた機械学習フレームワークである。
本稿では、内部電圧オフセットを利用して、単調および非単調の入力状態相関を可能にする新しい膜キャパシタベースのPRCを提案する。
当社のアプローチと前例のないパフォーマンスは,高パフォーマンスフルテマリアPRCに向けた大きなマイルストーンです。
論文 参考訳（メタデータ） (2024-04-27T05:47:38Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳（メタデータ） (2023-12-05T18:59:41Z) - Predicting Surface Texture in Steel Manufacturing at Speed [81.90215579427463]
亜鉛めっきおよび熱間圧延過程における鋼板の表面テクスチャの制御は,顧客要求を満たすために不可欠である。
本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。
論文 参考訳（メタデータ） (2023-01-20T12:11:03Z) - A Data-driven Reduced Order Modeling Approach Applied In Context Of
Numerical Analysis And Optimization Of Plastic Profile Extrusion [0.0]
キャリブレーションユニット内の押出プロファイル内における温度分布の予測を目的とした,データ駆動型リダクションオーダーモデル(ROM)を開発した。
これにより、ROMは予測に基づくプロセス制御の全体的な目標への第一歩として機能し、望ましくないウォーページや最終製品の損傷を避ける。
論文 参考訳（メタデータ） (2022-09-07T13:12:28Z) - Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。
トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。
1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文 参考訳（メタデータ） (2022-05-27T11:13:17Z) - AgFlow: Fast Model Selection of Penalized PCA via Implicit
Regularization Effects of Gradient Flow [64.81110234990888]
主成分分析(PCA)は特徴抽出と次元減少の有効な手法として広く用いられている。
High Dimension Low Sample Size (HDLSS) 設定では、ペナル化ロードを備えた修正主成分が好まれる。
ペナル化PCAの高速モデル選択法として近似勾配流(AgFlow)を提案する。
論文 参考訳（メタデータ） (2021-10-07T08:57:46Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:33:44Z) - Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A
Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。
本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文 参考訳（メタデータ） (2020-07-03T23:44:21Z) - A Deep Learning Framework for Simulation and Defect Prediction Applied
in Microelectronics [3.8698051494433043]
本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。
我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
論文 参考訳（メタデータ） (2020-02-25T15:54:33Z) - Data-Driven Prediction Model of Components Shift during Reflow Process
in Surface Mount Technology [1.4680035572775534]
表面実装技術 (SMT) では, ハンダパッドに装着した部品は再流時に移動する。
この能力は自己配向として知られており、溶融したはんだペーストの流動動的挙動の結果である。
本研究の目的は、x方向とy方向のリフロー中のコンポーネントの動きを予測する機械学習モデルを開発することである。
論文 参考訳（メタデータ） (2020-01-27T08:00:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。