Geri Dön

X-ray analysis prediction of BGA components in PCBA production with neural networks

Başlık çevirisi mevcut değil.

  1. Tez No: 662782
  2. Yazar: BAYRAM YURDAKURBAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA FURKAN KIRAÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Özyeğin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 96

Özet

Baskılı devre kartları günümüzde kullanılan tüm elektronik cihazların en önemli bileşenidir ve bu kartların üretimi pek çok kritik süreçten oluşmaktadır. Montaj üretim hatları devre kartları üzerindeki kusurları ve yanlış yerleştirilmiş elemanları tespit edebilmek için Lehim Pastası Muayenesi (SPI), Otomatik Optik Muayene (AOI), X-Ray Muayene Cihazı gibi farklı muayene cihazları içermektedir. SPI ve AOI cihazları bu problemleri farklı ölçüm değerlerinin belirli eşik değerler arasında kaldığını kontrol ederek tespit eder ancak bu cihazlar mükemmel bir tespit mekanizması sağlayamaz çünkü eşik değerler bir bakım teknisyeni tarafından deneme yanılma yöntemi ile belirlenir. Bu yüzden devre kartları aynı zamanda X-Ray muayene cihazları tarafından kontrol edilir, bu sayede insan tarafından görülmesi mümkün olmayan lehim pastaları kolayca denetlenebilir. Bu proje SPI ve AOI ölçüm parametrelerini girdi özellikleri olarak kullanan ve devre kartları X-Ray muayenesine girmeden kusurlu olabilecek kartları önceden tahmin eden bir sinir ağı modeli oluşturmayı amaçlamaktadır. Bu model rastlantısal olarak bazı devre kartlarına X-Ray testi yapmak yerine gerçekten hata vermesi olası şüpheli devre kartların X-Ray testinin yapılmasını sağlar. Böylece kartların testlerinin yapılması için gerekli X-ray cihaz sayısı azalır, örnekleme için seçilecek devre kartları rastlantısal seçilmek yerine arızalı olması olası kartlardan seçilir. Bu model sayesinde X-Ray test istasyonuna şüpheli olarak gönderilecek kartlarda şüpheli lehimler ve elemanlar işaretlenerek operatörün de bu bölgelerde oluşabilecek kusurları gözden kaçırması önlenecektir. Bu sistemin aynı zamanda SPI, AOI ve Fonksiyon Doğrulama Testi (FVT) süreçlerinde tespit edilemeyen, yastık içinde baş hatası olarak da bilinen bağlantı olmadan temas kusurlarını da yakalayacağı öngörülmektedir, bu sayede üretilen kartların kalitesi de artacaktır. Veriler Vestel Elektronik Fabrikası'ndaki üretim hatlarından birinde üretilen, televizyonların ana kartı olan 17MB170R4 model devre kartları için toplanacaktır, bu kart üzerindeki elemanlardan dört adet BGA elemanı için bu model uygulanacaktır. Bu projede BGA elemanları üzerinde çalışılması hedeflenmiştir çünkü bu elemanların lehim bölgeleri eleman karta yerleştirildikten sonra görülemez. Model sayesinde üretilen tüm devre kartlarının sadece %1 ine X-Ray testi uygulayarak arızalı kartların büyük çoğunluğunu tespit etmek mümkündür.

Özet (Çeviri)

Printed circuit boards are the most important part of all electronic devices used today, and the production of these boards consists of many critical processes. Assembly production lines include different inspection machines such as Solder Paste Inspection (SPI), Automatic Optical Inspection (AOI), X-Ray Inspection Device to detect defects and misplaced components on the circuit boards. SPI and AOI machines determine these problems by checking that different measurement values remain between certain threshold values, but these machines cannot provide a perfect detection mechanism since threshold values are determined by a maintenance technician by trial and error. Therefore, the circuit boards are also controlled by X-Ray Inspection machines, thus the solder paste that cannot be inspected visually by human can be easily inspected. This project aims to create a neural networks model that uses SPI and AOI measurement parameters as input features and predicts potentially defective boards before the boards go through X-Ray inspection. This model allows suspicious circuit boards to be tested in X-Ray Inspection machine, instead of testing of some circuit boards randomly. Thus, the number of X-ray devices required to test the boards is reduced, the circuit boards to be selected for sampling are selected from the boards that are likely to be defective rather than randomly selected. By virtue of this model, suspicious solders and components will be marked on the boards that will be sent to X-Ray test station as suspicious and the operator will be prevented from missing the defects that may occur in these areas. It is foreseen that this system will also identify contact without connection defects, also known as head-in-pillow defects, which cannot be detected in SPI, AOI and Functional Verification Test (FVT) processes, thus the quality of the boards produced is likely to increase. The data will be collected for 17MB170R4 model circuit boards, which are the main board of televisions, produced in one of the production lines at Vestel Electronics Factory, and the model will be applied for four BGA elements on this board. In this project, it is aimed to work on BGA elements because the solder areas of these elements cannot be inspected visually after the component is placed on the board. Due to the model, it is possible to detect most of the defective boards by applying X-Ray testing to only 1% of all circuit boards produced.

Benzer Tezler

  1. Çimento endüstrisinde harmanlama prosesinin öz uyarlamalı kontrolü

    Başlık çevirisi yok

    ŞERMİN KARAHASANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. CAN ÖZSOY

  2. Alüminanın özelliklerine, şekillendirme yönteminin, katkıların ve sinterleme sıcaklığının etkisi

    The Effects of forming methods, additives and sintering temperature on the properties of the alumina ceramics

    YÜKSEL PALACI

    Doktora

    Türkçe

    Türkçe

    2001

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    PROF. DR. EYÜP SABRİ KAYALI

  3. Investigation of pair distribution function method on structural analysis of x-ray diffraction data from nanocrystalline powders.

    Nanokristallerin yapısal analizinde x ışını kırınımı verisinin çift dağılım fonksiyonu (pair distribution function) metodu ile incelenmesi.

    ABOLFAZL BALOOCHIYAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Makine MühendisliğiÖzyeğin Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HANDE ÖZTÜRK KAYMAKSÜT

  4. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  5. Akciğer röntgen görüntülerinden Covid'19 ve zatürre hastalığının kuantum makine öğrenmesi yöntemleri ile tahmini

    Prediction of Covid'19 and pneumature from lung x-ray images using quantum machine learning methods

    SEÇMEN ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜNEŞ HARMAN