基于神經網絡的波峰焊用釬料改性研究

馮澤虎

（淄博職業學院，淄博 255314）

0 引言

在電子產品的組裝與連接過程中，波峰焊是必不可少的焊接方法之一。波峰焊用釬料性能的好壞直接影響到電子產品的使用性、可靠性和安全性。Sn99.3Cu0.7是一種常用的波峰焊用釬料，但是隨著電子信息技術的發展和波峰焊技術的進步，Sn99.3Cu0.7釬料難以滿足市場的需求，迫切需要進一步提高其各項性能，尤其是迫切需要提高該釬料的可焊性同時降低其熔點。合金化是釬料改性的常用有效方法，但是合金元素繁多，而且各個合金元素對釬料的影響不用，其影響程度也是非線性關系，如果單純依靠試驗手段將耗費大量的人力、物力和財力，而且難以形成系統的研究。神經網絡技術是一種新型的人工智能技術，隨著計算機技術的進步神經網絡技術已在性能預測、工藝優化、銷售預測、成本預測、利潤預測等方面得到了較多的應用[1～4]。為此，本文基于神經網絡技術，進行了波峰焊用Sn99.3Cu0.7釬料的改性研究。

1 構建神經網絡模型

波峰焊用Sn99.3Cu0.7釬料的神經網絡改性模型，采用6×24×8×2四層拓撲結構的神經網絡結構，如圖1所示。神經網絡模型的輸出層傳遞函數選用purelin函數，隱含層傳遞函數則選用tansig函數。為了提高預測精度采用了兩個隱含層，主要用于神經網絡內部運算，其節點參數分別為24個和8個；輸出層主要用于輸出神經網絡處理結果，采用2個節點參數，分別是：可焊性、熔點；輸入層主要用于接收外部信號和數據，采用6個節點參數，分別為：Bi含量、In含量、Sr含量、Ag含量、Y含量、Ce含量，構建最多五元的SnCu基釬料合金。其中，Bi含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%、0.6%、0.7%、0.8%、0.9%、1.0%、1.1%、1.2%、1.3%、1.4%、1.5%；In含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%；Sr含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%；Ag含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%、0.6%、0.7%、0.8%、0.9%、1.0%；Y含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%；Ce含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%。

圖1 神經網絡模型結構簡圖

在構建波峰焊用Sn99.3Cu0.7釬料神經網絡改性模型時，為了確保神經網絡輸入參數絕對值適中和各參數地位同等，采用歸一法進行了神經網絡各輸入參數的處理，并采用歸一法逆運算將輸出單位還原為原始輸出單位[5]。

2 試驗材料與方法

2.1 試樣材料

本試驗以波峰焊用Sn99.3Cu0.7釬料為基礎，添加不同含量的Bi含量、In含量、Sr含量、Ag含量、Y含量、Ce含量，構建最多五元的SnCu基釬料合金。合金在ZG-25AZ型真空中頻感應熔煉爐中進行制備，并采用鐵模澆筑，上述六種合金元素均以商用中間合金方式添加。

2.2 試驗方法

釬料合金的化學成分，采用SPECTRO XEPOS型X射線光譜儀進行測試分析；其熔點采用STA 449 F1型TG-DSC測試儀進行測試；其可焊性采用SAT-5100型可焊性測試儀，依據IPC-TM-650標準規定的試驗方法進行測試，測試條件：標準銅片浸漬深度10mm、釬料合金浸漬深度5mm、浸漬速率23mm/s、浸漬時間5s、焊接溫度255±3℃。采用最大潤濕力來表征釬料合金的可焊性；其顯微組織用PG-15型金相顯微鏡和JSM6510型掃描電子顯微鏡進行觀察。

3 神經網絡模型的訓練、預測和應用

3.1 神經網絡模型的學習訓練

神經網絡模型的學習訓練參數如下：學習速率0.15、動量項系數0.6、最大循環系數10000次、訓練誤差0.00001。訓練樣本庫為上述試驗獲得的32組樣本數據。模型的學習訓練采用“留一法”，即對32組訓練樣本數據編號后，先取出1組樣本數據，用剩下的31組樣本數據進行神經網絡模型的學習訓練；然后用學習訓練后的神經網絡模型去計算先前取出的那1組樣本數據；再把經過計算的這1組樣本數據放回訓練樣本庫；下一步再從訓練樣本庫中取出另1組未經計算的樣本數據，重復上述操作，直到所有的樣本數據都被取出計算為止。神經網絡模型輸出的可焊性和熔點的訓練誤差，如圖2所示。從圖2可以看出，神經網絡輸出的可焊性訓練值相對誤差在1.1～2.8%之間，平均相對訓練誤差為1.9%；輸出的熔點訓練值相對誤差在1.3～2.6%之間，平均相對訓練誤差為1.8%。由此可以看出，本試驗構建的波峰焊用Sn99.3Cu0.7釬料神經網絡改性模型能較好的反應各輸入參數與輸出參數的對應關系，能較真實的反應Bi含量、In含量、Sr含量、Ag含量、Y含量和Ce含量對波峰焊用Sn99.3Cu0.7釬料可焊性和熔點的影響，可用于波峰焊用Sn99.3Cu0.7釬料的改性預測。

圖2 神經網絡模型的訓練結果

3.2 神經網絡模型的預測驗證

經過學習訓練后的神經網絡模型要用于實際的波峰焊用釬焊改性研究，需要先進行模型的預測能力和預測精度的驗證。驗證樣本為未經學習訓練的6組試驗數據。神經網絡模型的預測驗證結果，如圖3所示。從圖3可以看出，對于未經學習訓練的樣本數據，該神經網絡模型輸出的可焊性預測值相對誤差在1.7～2.9%之間，平均相對預測誤差為2.2%；輸出的熔點預測值相對誤差在1.5～2.8%之間，平均相對預測誤差為2.1%。由此我們可以看出，本試驗構建的波峰焊用Sn99.3Cu0.7釬料神經網絡改性模型具有較好的預測能力和較高的預測精度，可用于波峰焊用Sn99.3Cu0.7釬料的改性研究，以期獲得具有較好綜合性能的最多五元的SnCu基釬料合金。

3.3 神經網絡模型的實際應用

圖3 神經網絡模型的預測結果

基于神經網絡模型，預測出的具有最佳可焊性和熔點的最多五元的波峰焊用SnCu基釬料合金的相關參數，如表1所示。上述預測的優選配比五元SnCu基釬料合金熔煉后的成分分析結果，如表2所示。合金的TG-DSC曲線，如圖4所示。從圖4可以看出，該優化合金的熔化峰值溫度為207.2℃，與預測值206℃僅相差1.2℃；熔化起始溫度為204.4℃，且該優化合金熔點較波峰焊用Sn99.3Cu0.7釬料熔點（約227℃）下降了近20℃，可以有效降低焊接溫度，減小元器件的承受溫度且節約能源。

表1 神經網絡模型預測的最佳釬料參數

表2 優化釬料合金的化學成分

圖4 優化釬料合金的TG-DSC曲線

該波峰焊用優化釬料合金（Sn-0.7Cu-0.9Bi-0.2In-0.4Y）的焊點顯微組織，如圖5所示。從圖5可以看出，該優化釬料合金的外觀組織具有等軸晶的典型共晶組織，組織較為細密，對光的反射較為強烈，焊點光亮度好。圖6是波峰焊用優化釬料合金（Sn-0.7Cu-0.9Bi-0.2In-0.4Y）焊點的界面SEM照片。從圖6可以看出，釬料的組織較為細小致密、金屬間化合物層較薄，焊點界面結合較為致密。由此可以看出，優化后的波峰焊用釬料合金具有較為細小、致密的顯微組織，焊點界面結合好，具有較好的實用價值。

圖5 優化釬料合金焊點的顯微組織

圖6 優化釬料合金焊點的界面SEM照片

該波峰焊用優化釬料合金（Sn-0.7Cu-0.9Bi-0.2In-0.4Y）的可焊性測試結果，如表3所示。從表3可以看出，該優化釬料合金的潤濕（零交）時間為0.42、最大潤濕力3.72，僅較最大潤濕力預測值大1.92%，且該釬料合金的可焊性較好，具有較強的實用性。

表3 優化釬料合金的可焊性測試結果

4 結論

1）采用6×24×8×2四層拓撲結構的神經網絡結構，以Bi含量、Co含量、RE含量和P含量為輸入層參數，設計最多五元的SnCu基釬料合金，以可焊性和熔點為輸出層參數，可以構建具有較高預測精度的波峰焊用Sn99.3Cu0.7釬料的神經網絡改性模型。

2）波峰焊用Sn99.3Cu0.7釬料的神經網絡改性模型輸出的可焊性訓練值相對誤差在1.1～2.8%之間、預測值相對誤差在1.7～2.9%之間，輸出的熔點訓練值相對誤差在1.3～2.6%之間、預測值相對誤差在1.5～2.8%之間。

3）神經網絡優化的波峰焊用SnCu基釬料合金成分為Sn-0.7Cu-0.9Bi-0.2In-0.4Y，合金熔化峰值溫度為207.2℃、起始溫度為204.4℃，熔點較波峰焊用Sn99.3Cu0.7釬料熔點下降了近20℃，合金具有較好的可焊性，焊點組織細小、金屬間化合物層較薄，焊點界面結合較為致密。

[1]梅燕娜,武建軍,馮慧娟.人工神經網絡設計及其在非調質鋼力學性能預測中的應用[J].熱加工工藝,2009,38(4),108-115.

[2]劉環,鄒德寧,閆東娜,等.基于人工神經網絡的超級馬氏體不銹鋼淬火力學性能預測[J].熱加工工藝,2011,40(20),150-153.

[3]劉艷俠,高新琛,張國英,等.BP神經網絡對3C鋼腐蝕性能的預測分析[J].材料科學與工程學報,2008,26(1):94-97.

[4]李新城,陳樓,張繪,等.基于主成分分析與BP神經網絡的激光拼焊板力學性能預測[J].熱加工工藝,2012,41(5),171-173.

[5]周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005:69-100.