Qualitätsoptimierung in der Elektronikfertigung mit Hilfe von Data Mining Techniken

我们的产品是六西格玛Forderung 3，4 DPM(6西格玛Forderung 3，4 DPM)。我们看到的是一种产品，一种产品，一种材料和一种单一变量的确定方法，一种材料和一种新的材料。Statistisch verlässliche Aussagenüber Wechselwirkungen MIT einer Vielzahl von参数sind in der Praxis niht realisierbar，da der VersuhSumfang dasökonomisch sinnvolle Ma？deutlichüberschreitet.名义上的变量könnnen zudem MIT KLASSSCHEN STATISSCHEN ANSätzen Nur unzureichend Model liert是。数据挖掘方法Verarbeitet Massendaten，标称为度量技术和分析数据多元。HaupteinflüSSE and Wechselwirkungen zwitchen Materialen，Prozessen，geometrischen abmaçen and den Anforderungen des kunden können so in der Beh ruppenmonage erkannt Werden。他说：“这是一件非常重要的事情。”这是一种以机械为基础，以机械为基础的机械。在Lotkontaktstellen，Der Examplarisch Mittels Data Mining Techniken analysiert wird中，我们看到了Dieser Messbaren Merkman ist der Anteil an Störstellen(空洞)。EINFLüSSE Auf Dif Dive Vole-Bildung，wieLotPaste(Z.B.Legierung，Körnung，Flussmitteltyp，Halgenitgehalt)，LeiterPlte(材料)and Layout(Padgerien)，Verwendete Komponenten(Z.B.BGA，QFN，Pauelemente)，Lötverfahren(Konvektion，DampfPhase，Einschlieülich Prozesseinstellungen)是多元化的。他说：“我不知道你的名字是什么，你的名字是什么？MIT Hilfe Dieser Informationen könnnen Vorhersagemodelle(Mittels Finite Elemente Methode)zur Zuverlässigkeit aufgebaut wden，die eine fundierte Bon Eewertung von Einflüssen beeénderungen in der Versorgan gskette，An nderungen an Prozessparetern Sowie Neuen Layout 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.