【技術實現步驟摘要】
本專利技術屬于封裝可靠性仿真，更具體地說，涉及一種溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法。
技術介紹
1、電子信息產品的多功能集成化、便攜化、低價格發展趨勢導致了輕、薄、短、小型化的技術需求，使得焊點面臨著更高可靠性的挑戰，焊點的可靠性問題已成為決定電子產品質量與發展的關鍵；實踐證明，溫度是導致封裝組件失效破壞的主要因素，因此溫度循環條件下的焊點可靠性研究有著重要意義。
2、為了研究焊料的可靠性，目前普遍采用的方法更多依賴設計者的經驗和對問題的理解，通過全因子設計實驗設計分析影響焊點可靠性的主要參數，需要不斷調整參數得到最佳值。對于復雜封裝結構，傳統方法所消耗的時間成本也較高。因此，針對基于晶體塑性有限元模型的封裝溫度循環可靠性預測，有必要提出一種更加高效、靈活且準確率的方法，以減少時間和成本的消耗。
技術實現思路
1、為實現上述目的，本專利技術提出了一種溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法，通過物理實體與虛擬環境的實時雙向信息交互映射，為撲翼飛行器的設計、運維及監控提供數字孿生解決方案，提升撲翼飛行器智能化水平。
2、為了解決上述技術問題至少之一，根據本專利技術的一方面，提供了一種溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法，包括如下步驟：
3、s1.建立封裝結構模型；
4、s2.利用有限元分析軟件，通過設置材料參數、外部荷載條件和邊界條件，以劃分的網格步驟，對模型進行熱循環仿真，得到模型
5、s3.提出影響焊點應力值的特征量，并確定特征量的范圍；
6、s4.將特征量和輸出結果組成數據集，并對數據集進行預處理；具體步驟為：
7、重復步驟s2，通過改變步驟s3中的特征量得到不同條件組合下封裝模型最大應力位置和最大應力值；
8、評估焊點特征和溫度循環條件對焊點應力的影響，使用主成分分析將輸入特征映射到低維空間；
9、對數據進行預處理，使用歸一化函數將數據進行歸一化，將不同類別屬性值轉移到相同區間內；
10、將數據以向量的形式組成數據集，并將數據集隨機分成訓練集和測試集；訓練集用于神經網絡的訓練，測試集用于評估訓練完成的神經網絡的性能；
11、s5.利用神經網絡模型訓練，并預測出不同溫度循環條件和不同焊點特征下的最大應力位置以及最大應力值。
12、進一步地，步驟s3中特征量包括焊點特征和溫度循環條件；
13、焊點特征包括焊點材料、形狀、大小、高度、數量和分布方式；
14、溫度循環條件包括最高溫度、最低溫度、高溫保持時間、低溫保持時間、溫度變化速率和溫度循環周期。
15、進一步地，步驟s5中，神經網絡模型采用rbf神經網絡框架，其是一個具有三層結構的前向網絡；
16、rbf神經網絡的訓練用于求最終數據中心cj、寬度參數dj和連接權值wjk，訓練過程分為兩步：第一步為無導師學習，訓練確定cj和dj；第二步為有導師學習，訓練確定wjk；
17、訓練時各個參數的表達和計算方法如下：
18、確定輸入變量，m為輸入層節點數，m的值由預處理后的特征量維數決定；
19、確定隱含層節點數n；
20、確定輸出變量，l為輸出層節點數，輸出變量為模型應力最大位置及最大應力值；
21、確定期望輸出向量。
22、利用訓練集樣本初始化參數wjk、cj和dj；
23、
24、式中min?k和max?k分別代表訓練集中第k個輸出神經元所有期望輸出的最小值和最大值；
25、
26、式中min?i和max?i分別代表訓練集中第i個輸入神經元所有輸入信息的最小值和最大值，n為隱含層節點數；
27、
28、式中，df為寬度調節系數，取值應小于1；a為訓練集樣本總數。
29、進一步地，利用核函數計算隱藏層神經元輸出，常見核函數為高斯函數：
30、
31、式中||x?-?cj||表示歐式距離函數；
32、將所有隱藏層神經元輸出加權求和，得到輸出層神經元輸出：
33、
34、對于第l（l=1,?2,…,a）個訓練集樣本，定義神經網絡評價函數：
35、
36、式中olk為在第l個訓練集樣本時的期望輸出值，ylk為在第l個訓練集樣本時的網絡輸出值；
37、定義均方差誤差：
38、
39、比較均方根誤差與迭代終止精度的大小，若均方根誤差小于迭代終止精度，則訓練結束，否則將進行參數更新。
40、進一步地，采用梯度下降算法不斷調整隱含層數據中心和寬度參數以及輸出層的連接權值，具體公式為：
41、<msub><mi>w</mi><mrow><mi>j</mi><mi>k</mi></mrow></msub><mi>t</mi></mfenced><mi>=</mi><msub><mi>w</mi><mrow><mi>j</mi><mi>k</mi></mrow></msub><mi>(t-1)-η</mi><mfrac><mi>?e</mi><mrow><mi>?</mi><msub><mi>w</mi><mrow><mi>j</mi><mi>k</mi></mrow></msub><mi>(t-1)</mi></mrow></mfrac><mi>+α[</mi><msub><mi>w</mi><mrow><mi>j</mi><mi>k</mi></mrow></msub><mi>(t-1)-</mi><msub><mi>w</mi><mrow><mi>j</mi><mi>k</mi></mrow></msub><mi>(t-2)]</mi>
42、<ms本文檔來自技高網...
【技術保護點】
1.一種溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法，其特征在于，
2.如權利要求1所述的方法，其特征在于，步驟S3中特征量包括焊點特征和溫度循環條件；
3.如權利要求2所述的方法，其特征在于，步驟S5中，神經網絡模型采用RBF神經網絡框架，其是一個具有三層結構的前向網絡；
4.如權利要求3所述的方法，其特征在于，
5.如權利要求4所述的方法，其特征在于，
6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：該程序被處理器執行時實現如權利要求1~5中任一項所述的溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法中的步驟。
7.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1~5中任一項所述的溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法中的步驟。
【技術特征摘要】
1.一種溫度循環荷載下基于機器學習模型的封裝焊點可靠性預測方法，其特征在于，
2.如權利要求1所述的方法，其特征在于，步驟s3中特征量包括焊點特征和溫度循環條件；
3.如權利要求2所述的方法，其特征在于，步驟s5中，神經網絡模型采用rbf神經網絡框架，其是一個具有三層結構的前向網絡；
4.如權利要求3所述的方法，其特征在于，
5.如權利要求4所述的方法，其特征在于，
【專利技術屬性】
技術研發人員：王裕，王磊，劉璐，連曉娟，吳潔，蔡志匡，徐彬彬，黃守坤，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。