Optimierung der Prozessparameter beim Selektivwellenlöten mit Hilfe von Offline Reinforcement Learning

Rachinger B, Seidel R, Meier S, Franke J (2024)


Publication Type: Conference contribution, Conference Contribution

Publication year: 2024

Conference Proceedings Title: GMM-Fb. 107: EBL 2024 – Elektronische Baugruppen und Leiterplatten

Event location: Fellbach DE

URI: https://www.vde-verlag.de/buecher/456265/gmm-fb-107-ebl-2024-elektronische-baugruppen-und-leiterplatten.html

Abstract

Im Zuge der Miniaturisierung elektrischer Baugruppen wurden THT-Komponenten weitgehend durch SMT-Bauteile verdrängt. Dennoch verbleiben zumeist vereinzelte Bauteile in Durchsteckmontage aufgrund deren überlegener mechanischer und thermischer Widerstandsfähigkeit [1], [2]. Für diese ausgewählten THT-Komponenten stellt das Selektivwellenlöten ein attraktives Verbindungsverfahren dar, weil dieses mit einem minimalen thermischen Einfluss auf umgebende SMT-Bauteile einhergeht [3]. Das Erreichen eines hohen Lotdurchstiegs ist bei diesem Verfahren stark von der Lötstellengeometrie und den gewählten Prozessparametern abhängig [4]. Bei der Einführung neuer Leiterplattendesigns in die Serienproduktion werden diese Parameter jedoch aktuell häufig durch aufwändige Versuchsreihen ausgewählt [5].

Ziel des Beitrags ist es, diesen Prozess durch eine objektive Optimierung der Prozessparameter mittels Reinforcement Learning (RL) auf Basis vorhandener Prozessdaten zu beschleunigen. Neben Gerberdaten zur Beschreibung der Lötstellengeometrie werden Bauteilcharakteristika und initiale Prozessparameter verwendet. RL ermöglicht eine gleichzeitige Modellierung und Optimierung des Prozesses, sodass Parameter empfohlen werden, welche das Erzielen eines hohen Lotdurchstiegs ermöglichen. Während der Anwendungsphase erlaubt das Framework über eine grafische Benutzeroberfläche eine Interaktion zwischen dem RL-Modell und dem Prozessexperten. Diese können gemeinsam basierend auf Trainingsdaten sowie Expertenwissen die Parameter schrittweise und zielgerichtet optimieren. Eine Validierung des Frameworks mittels Lötversuchen zeigt, dass bereits vor Beginn dieser Interaktion die empfohlenen Parameter für 75 % der getesteten Verbindungen einen Lotdurchstieg gemäß IPC-A-610 Klasse 3 [6] erzeugen.

Authors with CRIS profile

How to cite

APA:

Rachinger, B., Seidel, R., Meier, S., & Franke, J. (2024). Optimierung der Prozessparameter beim Selektivwellenlöten mit Hilfe von Offline Reinforcement Learning. In GMM-Fb. 107: EBL 2024 – Elektronische Baugruppen und Leiterplatten. Fellbach, DE.

MLA:

Rachinger, Ben, et al. "Optimierung der Prozessparameter beim Selektivwellenlöten mit Hilfe von Offline Reinforcement Learning." Proceedings of the EBL Fellbach, Fellbach 2024.

BibTeX: Download