Qualitätsoptimierung in der Elektronikfertigung mit Hilfe von Data Mining Techniken

6西格玛fderung （6 -sigma fderung 3,4 DPM）。如果一个人认为他的材料与材料的关系是复杂的，那么他的材料与材料的关系是复杂的，他的材料与材料的关系是复杂的。统计学家verlässliche Aussagen <e:1>在德国的研究与实践中，在德国的研究与实践中，在德国的研究与实践中，在德国的研究与实践中ökonomisch在德国的研究与实践中。名义变量können zudem mit klassischen statisticschen Ansätzen nur unzureichend modelliert werden。模具数据挖掘方法（verarbeitet Massendaten），模具标称度量技术（metrisch skaliert sein können）和分析模型多变量。haupteinflencse und Wechselwirkungen zwischen Materialien, Prozessen, geomeischen Abmaßen und den Anforderungen des Kunden können so in der Baugruppenmontage erkant werden。[1]浙江浙江大学<s:1>科学技术学院Qualitäts- und Zuverlässigkeitsanforderungen电子技术学院。Diese Merkmale können力学，光学和电气学家，自然学家和标称的超快度量学家。在Lotkontaktstellen的数据挖掘技术（Data Mining technik）分析中，示例示例的数据挖掘技术（Data Mining technik）和Störstellen （Voids）。einfl<e:1> sse auf die Void-Bildung, wieLotpaste (z.B. Legierung, Körnung, flussmitteltypp, halogengehalt),Leiterplatte (Material) und Layout (Padgeometrien),verwendete Komponenten (z.B. BGA， QFN, passive Bauelemente),Lötverfahren (Konvektion, Dampfphase, einschließlich Prozesseinstellungen)werden多变量untersucht。[中文]:[[中文]:[中文]:[中文]:[中文]：Mit Hilfe dieser Informationen können Vorhersagemodelle （mitels有限元法）zur Zuverlässigkeit aufgebaut werden, die eine funderte Bewertung von einflssen bei Änderungen in der Versorgungskette， Änderungen and prozesparametern sowie neuen Layouts ermöglichen。

Eine wesentliche Forderung an die Fertigung elektronischer Produkte ist ein hohes Qualitätsniveau (six-sigma Forderung 3,4 DPM). Obwohl sich die Anforderungen an Produkte ständig ändern und komplexe Versorgungsketten mit wechselnden Materialien und Bauteilen bestehen, werden noch immer deterministische und univariate Annahmen über Prozesse, Materialien und Belastungen getroffen. Statistisch verlässliche Aussagen über Wechselwirkungen mit einer Vielzahl von Parametern sind in der Praxis nicht realisierbar, da der Versuchsumfang das ökonomisch sinnvolle Maß deutlich überschreitet. Nominale Variablen können zudem mit klassischen statistischen Ansätzen nur unzureichend modelliert werden. Die Data Mining Methodik verarbeitet Massendaten, die nominal wie metrisch skaliert sein können und analysiert diese multivariat. Haupteinflüsse und Wechselwirkungen zwischen Materialien, Prozessen, geometrischen Abmaßen und den Anforderungen des Kunden können so in der Baugruppenmontage erkannt werden. Die Erfüllung von Qualitäts- und Zuverlässigkeitsanforderungen elektronischer Baugruppen werden durch die Spezifikation von Merkmalen gemessen. Diese Merkmale können mechanischer, optischer und elektrischer Natur sein und nominal oder metrisch erfasst werden. Eines dieser messbaren Merkmale ist der Anteil an Störstellen (Voids) in Lotkontaktstellen, der exemplarisch mittels Data Mining Techniken analysiert wird. Einflüsse auf die Void-Bildung, wieLotpaste (z.B. Legierung, Körnung, Flussmitteltyp, Halogenitgehalt),Leiterplatte (Material) und Layout (Padgeometrien),verwendete Komponenten (z.B. BGA, QFN, passive Bauelemente),Lötverfahren (Konvektion, Dampfphase, einschließlich Prozesseinstellungen)werden multivariat untersucht. Weiterhin sollen Prognoseverfahren hinsichtlich der Dichte, Größe und Verteilung von Voids erarbeitet werden. Mit Hilfe dieser Informationen können Vorhersagemodelle (mittels Finite Elemente Methode) zur Zuverlässigkeit aufgebaut werden, die eine fundierte Bewertung von Einflüssen bei Änderungen in der Versorgungskette, Änderungen an Prozessparametern sowie neuen Layouts ermöglichen.