论文部分内容阅读
随着电子产品集成度不断提高和电子工艺不断进步,印制电路板的封装密度大大提高,导线(焊点)间的距离越来越小;同时,电子产品的工作环境愈发多样化,高温、高湿、多尘的工作环境给高密度电路板发生电化学迁移带来了更高的风险。尘土中可溶性盐溶入到电路板表面吸附的水膜中,改变了水膜的离子浓度,增大了电路板电化学迁移失效的复杂性。因此,基于高密度电路板在尘土可溶性盐污染环境下发生电化学迁移失效的机理,研究建立温度、湿度、电压和尘土中可溶性盐的离子浓度等环境因素与电化学迁移失效时间关系的模型十分必要。本课题主要研究了电化学迁移失效时间与多环境因素关系的建模,分为两个部分:第一部分:建立电化学迁移失效时间与温度、湿度和电压之间关系的模型。具体步骤:首先通过电化学迁移加速实验获取失效数据;然后分别通过失效物理建模、因素组合建模和机器学习建模的方法建立模型,其中运用了支持向量机回归、随机森林回归和梯度提升树回归等算法;最后在测试集上对不同模型的性能进行了评估,可知基于机器学习建立的模型的预测性能最优,基于失效物理的建模最差;而基于机器学习建模方法中,随机森林回归建立的模型预测性能最优。第二部分:建立电化学迁移失效时间与温度、湿度、电压和尘土中可溶性盐离子浓度之间关系的模型。具体步骤:首先通过引入离子浓度的电化学迁移加速实验获取失效数据;然后通过支持向量机回归、随机森林回归和梯度提升树回归等机器学习算法建立了失效时间与影响因素之间关系的模型。在此基础上,对训练集采用数据增强,并在扩充后数据集上利用机器学习算法建模;最后在测试集上对不同方法建立的模型进行了评估分析。可知在采用数据增强前后,运用随机森林回归算法建立的模型的预测性能都是最优的,支持向量机回归次之,梯度提升树回归最差;而支持向量机回归在采用数据增强后预测性能提高的最为明显。经过对不同的建模方法在测试集上的对比分析可知,传统建模方法中的基于失效物理的模型和因素组合模型的准确度低于基于机器学习方法建立的模型;对训练集进行数据增强后的机器学习模型的预测性能普遍有一定的提升。通过本课题的研究可知:运用机器学习建模的方法是可以应用在失效建模这一研究领域的,同时借助已有的经验公式对失效数据进行数据增强可以提高基于机器学习建模模型的预测性能。