基于神经网络技术的LTCC收缩率预判方法与流程

本发明涉及一种基于神经网络技术的ltcc收缩率预判方法，属于低温共烧陶瓷
技术领域：
。
背景技术：
：基于低温共烧陶瓷技术(ltcc)的微波电路组件，如ltcc滤波器和电源模块，已经成功运用到我国的正样卫星产品中，由于ltcc能够实现微波电路的三维设计，因此其被认为是微波电路小型化进而实现卫星小型化的关键技术之一。ltcc常规工艺过程如图1所示，其中步骤9被称之为“低温共烧”或者简称为“共烧”，在共烧过程中ltcc生瓷会发生收缩，实现陶瓷由软到硬的转变，从而形成致密坚硬的多层陶瓷电路，这个过程中生瓷收缩的程度由“收缩率”表示。因此，工序1-8中的工艺电路图形尺寸则需要根据该收缩率做放大处理，这样才能保证最终的产品在共烧环节中收缩至所需要的真实尺寸。然而，ltcc的收缩率受很多因素的影响，原材料供应商通常只给出一个固定的参考收缩率值，因此现阶段国内外业界普遍的作法是：工艺人员参考原料供应商的技术文档，再根据经验将设计师的电路图做一个适当比例的放大，然后进行加工生产，最后在共烧过程中生瓷收缩到设计师希望的尺寸。但是，对于一些复杂产品，有时需要先生产一版产品，测量收缩率，更正放大倍数，再重新生产的情况。由于卫星用ltcc产品使用金作为原材料，二次投板会造成时间和资源的浪费，不利于控制成本和进度。技术实现要素：本发明的目的在于克服现有技术的不足，提供一种基于神经网络技术的ltcc收缩率预判方法，实现在生产前对每款ltcc产品的收缩率做出精确预判，从而提高成品率和电路性能，缩短加工周期。本发明目的通过如下技术方案予以实现：提供一种基于神经网络技术的ltcc收缩率预判方法，包括如下步骤：(1)通过正交试验，确定收缩率的各影响因素；(2)将各影响因素作为结构参数，对每层ltcc建立影响因素列表；(3)设置神经网络，根据生产线历史数据，训练神经网络，获得收缩率预测模型；(4)利用收缩率预测模型预测ltcc产品的收缩率。优选的，获得收缩率预测模型步骤如下：3.1构建三层人工神经网络，将其分为三部分：第一层为输入神经元用于接收收缩率的各影响因素，第二层为隐含神经元用于处理输入与输出的非线性关系，第三层为输出神经元用于输出ltcc收缩率；3.2利用生产线历史数据，调整神经网络中的权重值，使模型的输出与历史收缩率数据一致；3.3利用未被使用的生产线历史数据，验证神经网络模型收缩率的准确性；当模型的输出与历史收缩率数据之间的误差满足要求时，完成建模，否则回到3.1，调整隐含神经元个数。优选的，收缩率的各影响因素包括：常用金属浆料覆盖率、电阻浆料覆盖率、孔密度和腔体密度。优选的，常用浆料和电阻浆料覆盖率包括浆料cn30-080覆盖率、浆料cn30-025覆盖率、浆料cn36-020覆盖率、浆料dl10-088覆盖率和浆料fx87-101b覆盖率。优选的，正交试验包括对不同的浆料配合相应的丝网，设置不同的覆盖率；将电阻配合丝网印刷在白瓷片上；在白瓷片上实现不同的打孔密度，并使用漏板填孔；在白瓷片上实现不同尺寸的腔体；进行正交试验，分别获得收缩率的值，获取生产线历史数据。优选的，对于ferro材料，正交试验的步骤如下：1.1准备8英寸白瓷片24张，对应打孔图的漏板一张，印刷大面积图形的丝网l一张，印刷中等面积图形的丝网m一张，印刷小面积图形的丝网s一张；1.2取3张白瓷片打孔，并使用浆料cn30-078和漏板进行填孔，作为组1；取3张白瓷片，使用丝网l印刷浆料cn30-080，作为组2；取3张白瓷片，使用丝网l印刷浆料cn30-025，作为组3；取3张白瓷片，使用丝网m印刷浆料cn36-020，作为组4；取3张白瓷片，使用丝网s印刷浆料dl10-088，作为组5；取3张白瓷片，使用丝网s印刷浆料fx87-101b，作为组6；1.3将24张白瓷片中的每个平均分为四块；1.4把组1～6分别分割成的12个1/4块分别叠在一起；1.5取3张白瓷片分割成的12个1/4块叠在一起，作为组7；1.6取3张白瓷片分割成的12个1/4块叠在一起，并用激光加工通腔，作为组8；1.7将组1-8中的每块一分为四；1.8测量组1-8的产品尺寸，每组烧制一种产品，测量收缩率。优选的，收缩率预测模型的输入信号为影响收缩率的变量，记为i＝[i1,i2,i3,……i147]t，神经网络模型的输入信号为输出数据为x方向收缩率和y方向收缩率，记为o＝[x,y]t；输入与输出的非线性公式为：其中p表示隐含层神经元的个数，表示第m个输入神经元和第i个隐藏神经元之间的权重参数，是在指第1个输出神经网络与隐藏层中的第i个神经元之间的权重参数，是在指第2个输出神经网络与隐藏层中的第i个神经元之间的权重参数，和分别表示第1个输出神经元和第2个输出神经元的偏置权重值，sigmoid函数公式为σ(γ)＝1/(1+e-γ)。同时提供一种基于神经网络技术的ltcc收缩率预判方法，包括如下步骤：(1)通过正交试验，确定生产所需常用金属浆料覆盖率、电阻浆料覆盖率、孔密度和腔体密度对收缩率的影响；(2)分别根据每层的各浆料覆盖率、电阻覆盖率、孔密度和腔体密度建立收缩率模型；(3)利用每层的收缩率模型，预测ltcc产品的收缩率。优选的，生产所需常用金属浆料和电阻浆料包括浆料cn30-080、浆料cn30-025、浆料cn36-020和浆料dl10-088。优选的，正交试验包括对不同的浆料配合相应的丝网，设置不同的覆盖率；将电阻配合丝网印刷在白瓷片上；在白瓷片上实现不同的打孔密度，并使用漏板填孔；在白瓷片上实现不同尺寸的腔体；进行正交试验，分别获得收缩率的值，获取各浆料覆盖率、电阻覆盖率、孔密度和腔体密度对收缩率的影响的数据。本发明与现有技术相比具有如下优点：(1)本发明针对不同ltcc产品在投产前无法精确获知其收缩率的问题，从ltcc产品设计和工艺出发，确认了影响收缩率的因素，并使用神经网络技术建立了影响因素和收缩率之间的数学模型，实现了ltcc产品收缩率的精确预估。(2)本发明利用历史数据训练神经网络，获得了成熟的神经网络模型，实现了快速准确的预测收缩率，避免了收缩率失控。(3)本发明对于小批量产品，全金体系的产品，保证一次投产的成功率。附图说明图1为本发明ltcc常规工艺流程示意图；图2为不同因素在x方向对收缩率影响对比示意图；图3为ferro基产品数据统计示例图；图4为神经网络验证实验训练过程示意图；图5为神经网络验证实验训练结果精度示意图；图6为神经网络模型的结构图。具体实施方式本发明的思路为：1.确认影响收缩率的因素；2.根据生产线历史产生的数据，建立影响因素和收缩率之间的数学模型对应关系。本发明将以ltcc材料体系中的的ferro材料为例，阐述具体的实现途径。1.确认影响收缩率的因素，通常包括浆料材料、孔密度、腔体密度。如图1所示，涉及到对生瓷的操作都位于第9步低温共烧之前，包括生瓷落片、生瓷打孔、通孔填充、导体印刷、二次开腔、生瓷堆叠、生瓷压合和生瓷切割。这些操作的工艺参数是固化的，主要的区别是每款产品使用的浆料种类、开腔和打孔的密度。因此，首先进行这些因素的单项实验，鉴于ferro体系使用的浆料众多，所以本发明只考虑生产线常用的浆料。为了贴近实际应用的情景，单项实验使用了三种不同的丝网，上边分别分布着10mm*10mm、5mm*5mm、1mm*1mm的正方形，并分别命名为l、m、s型丝网。对不同的浆料配合不同的丝网，电阻配合丝网印刷在白瓷片上，在白瓷片上实现不同的打孔密度，并使用漏板填空；在白瓷片上实现不同尺寸的腔体，分别进行正交试验，分别获得收缩率的值。具体要考核的项目如表1所示。表1由于ltcc实际生产过程中也是将产品切开之后分别共烧，很少采用整版共烧的情况，所以本次实验采用整版印刷，一分为四，再叠层的方式，正交试验的具体流程如下：表2经过共烧之后，本发明对单项试验结果进行统计，如表3所示：表3以x方向为例，统计了不同项目的单项试验的数据，并列出了柱状图(图2)以说明不同项目对收缩率的影响。ferro厂家给出的收缩率标称值为：84％，本发明对白瓷片实验得到的数据为84.68％，基本符合标称值，即图2中的虚线所示的白瓷片的收缩率基准线，可以看到，“强硬派”浆料cn30-080,cn36-020和电阻fx87-101b偏离基准线最大，且都是阻碍收缩，这也与生产线在使用过程中的感受是一样的，经验显示cn30-080,cn36-020和电阻浆料都不能大面积使用，非常容易翘曲。同时，对于“温柔派”浆料cn30-025,cn30-078来讲，基本和白片融合的很好。阻焊dl10-088基本对瓷片没有影响，而腔体是唯一一个有利于瓷片收缩的因素。据此，本发明梳理并确认了影响收缩率的主要因素：浆料cn30-080覆盖率、浆料cn30-025覆盖率、浆料cn36-020覆盖率、阻焊浆料(dl10-088)覆盖率、电阻浆料覆盖率、孔密度和腔体密度，共7项因素。基于此，每款ltcc产品具备了其特有的工艺参数属性。2.建立影响因素和收缩率之间的数学模型，根据生产线历史数据，训练神经网络。近年来，神经网络技术是国内外研究的热点之一。神经网络具有自学习功能、联想储存功能和高速寻找优化解的优点，被广泛应用在图像识别和处理、半导体器件建模以及未来预测等方面。鉴于其优良的数据处理能力以及建模灵活性，本发明使用神经网络技术建立影响因素和收缩率之间的数学模型。由于ltcc为多层结构，每层电路相对独立，对于每一层生瓷片所经历的过程基本都是印刷金属浆料、阻焊、电阻、打孔、开腔等，而且开腔使得每一层都有可能成为表层，所以本发明对每一层都设有相同的输入数据格式：浆料cn30-080覆盖率、浆料cn30-025覆盖率、浆料cn36-020覆盖率、阻焊浆料覆盖率、电阻浆料覆盖率、孔密度和腔体密度，共7个变量。目前ltcc常规产品都小于等于21层，为了方便工艺人员统计数据，假定数据量上限为21层，即数据模型的总输入数据个数为21*7＝147个数据，层数不足21层的产品在空白层相应补0，而输出数据为x方向收缩率和y方向收缩率，共2个数据。输入数据统计表如图3所示。神经网络模型的输入信号为影响收缩率的变量，记为i＝[i1,i2,i3,……i147]t，神经网络模型的输入信号为输出数据为x方向收缩率和y方向收缩率，记为o＝[x,y]t.神经网络模型的结构图如图6，输入与输出的非线性公式为：其中p表示隐含层神经元的个数。表示第m个输入神经元和第i个隐藏神经元之间的权重参数，是在指第1个输出神经网络与隐藏层中的第i个神经元之间的权重参数。是在指第2个输出神经网络与隐藏层中的第i个神经元之间的权重参数。和分别表示第1个输出神经元和第2个输出神经元的偏置权重值。sigmoid函数公式为σ(γ)＝1/(1+e-γ)。图3中，每一行为一种产品(对应一个工艺编号)，每一种产品都有21层，每一层包含的数据有：cn30-080覆盖率、cn30-025覆盖率、cn36-020覆盖率、阻焊覆盖率、电阻覆盖率、孔密度和腔体密度。确定了这个数据结构之后，本发明建立了神经网络模型。神经网络模型由java编写，与各平台的兼容性都很好，为了方便工艺人员使用，其被二次封装成matlab程序，以方便工艺人员修改其中参数。程序非常简洁，总共包含3个主要的文件：data数据：包含了神经网络使用的训练数据和测试数据。main函数：其中可以设置神经网络参数，包括数据结构、神经元数量、训练数据量、测试数据量等。traing文件：用于运行神经网络训练和测试程序。通过对生产线历史数据的学习，神经网络就可以被用于预测新投产产品的ltcc收缩率，本发明使用工艺编号l17036产品来测试神经网络模型。l17036产品的实际测量收缩率为84.08％和84.13％。l17036的数据作为测试数据，从来没有在训练过程中出现，也从未以任何形式进入到训练的样本库中，以保证验证的正确性。首先设定神经网络：输入数据列数i＝147；输出数据个数o＝3；隐含神经元个数h＝15；训练组数t＝31；测试数据个数e＝1；训练；将训练数据和测试数据(l17036)均放在data文件内，共32行数据，其中前31行为训练数据，最后一行是测试数据l17036，也即设定里边的t＝31和e＝1。运行程序，神经网络经过10次迭代达到了精度要求，完成神经网络训练和预判，其训练精度达到10-6，如图4、5所示：对于测试数据，其给出的预估收缩率为84.102％和84.1822％，本发明对输出结果和实测结果进行了对比：xy神经网络预判84.102084.1822实际测量值84.0884.13误差0.022％0.1522％可以看出，神经网络在x，y方向已经给出了非常不错的预判，优于±2％的误差水平，达到既定要求，实现了根据每款产品精确预估其收缩率的功能。使用神经网络对新投产ltcc产品进行收缩率预估，预估效率和精度都得到了满意的效果。在另一实施例中，可以采用多项式拟合的方式，获得影响因素和收缩率之间的数学模型，利用数学预估收缩率。本发明从根本上扭转工艺人员对收缩率预判结果失控的局面，使得每种产品都有相对于的精确的ltcc收缩率数据，对ltcc产品质量有实质性的进步。以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。当前第1页12