随着电子产品面向多功能、高集成的发展趋势,大型印制电路板组件开始逐渐广泛得到应用,面对较为复杂的应用环境,对其可靠性组装提出了更高的要求。据研究表明,电子器件的失效70%是由组装过程的焊点失效引起的,此外随着器件尺寸的不断增大,焊点失效的概率增大。在传统的焊接工艺中,PCB组件中由于其材料的之间的热膨胀系数存在差异,会产生较大翘曲变形,电子器件可靠性大大降低,因此需要采用高效的焊接工艺降低翘曲变形的发生。而真空汽相焊由于其具有焊接温度稳定、组件受热均匀、降低空洞率等优点,很好的适合本研究。因此本文针对PCB组件的翘曲为研究目标,通过真空汽相焊接实验,得到相关翘曲变形量数据;采用机器学习方法建立了翘曲变形预测模型以及反演模型,通过结合两种模型最终完成了基于机器学习PCB组件的翘曲预测及再流焊工艺反演技术的研究。针对PCB组件在真空汽相焊接环境下产生的翘曲变形,首先对真空汽相焊技术的原理进行了简要的说明,阐述了其相关焊接过程中的工艺参数;分析了焊接过程中组件翘曲影响因素,针对不同PCB组件进行选型和布局设计,进行了焊接实验设计,构建了实验采集装置,针对实验采集装置组件的选型与设计进行了简要说明;在实验设计基础上,调整真空汽相焊接工艺参数,进行了PCB组件焊接实验,通过实验采集装置采集得到组件翘曲变形数据,通过焊接完成后对数据处理,建立了翘曲变形量数据集。在建立实验数据集基础上,以PCB组件焊接翘曲变形为目标建立目标函数,以CNN网络与LSTM网络为基础进行了模型结构设计,针对网络结构进行优化与参数调试,通过采用的Attention机制对模型的权值进行调整,最后建了基于CNN-LSTM的PCB组件翘曲变形预测模型。通过此预测模型预测翘曲变形量,通过实验验证,该预测模型准确度达到88%。在CNN-LSTM的翘曲变形预测模型的基础上,得到了结构参数、布局参数与翘曲变形量的关系,以组件的翘曲变形量为目标,采用机器学习反演的方法对模型结构设计,通过对网络结构进行优化与参数设置,建立了面向翘曲的真空汽相焊工艺参数反演模型,通过后续验证,模型的真空汽相焊工艺参数较为准确,反演模型的准确度达到84%。