【技术实现步骤摘要】
本专利技术属于封装可靠性仿真，更具体地说，涉及一种温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法。
技术介绍
1、电子信息产品的多功能集成化、便携化、低价格发展趋势导致了轻、薄、短、小型化的技术需求，使得焊点面临着更高可靠性的挑战，焊点的可靠性问题已成为决定电子产品质量与发展的关键；实践证明，温度是导致封装组件失效破坏的主要因素，因此温度循环条件下的焊点可靠性研究有着重要意义。
2、为了研究焊料的可靠性，目前普遍采用的方法更多依赖设计者的经验和对问题的理解，通过全因子设计实验设计分析影响焊点可靠性的主要参数，需要不断调整参数得到最佳值。对于复杂封装结构，传统方法所消耗的时间成本也较高。因此，针对基于晶体塑性有限元模型的封装温度循环可靠性预测，有必要提出一种更加高效、灵活且准确率的方法，以减少时间和成本的消耗。
技术实现思路
1、为实现上述目的，本专利技术提出了一种温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法，通过物理实体与虚拟环境的实时双向信息交互映射，为扑翼飞行器的设计、运维及监控提供数字孪生解决方案，提升扑翼飞行器智能化水平。
2、为了解决上述技术问题至少之一，根据本专利技术的一方面，提供了一种温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法，包括如下步骤：
3、s1.建立封装结构模型；
4、s2.利用有限元分析软件，通过设置材料参数、外部荷载条件和边界条件，以划分的网格步骤，对模型进行热循环仿真，得到模型
5、s3.提出影响焊点应力值的特征量，并确定特征量的范围；
6、s4.将特征量和输出结果组成数据集，并对数据集进行预处理；具体步骤为：
7、重复步骤s2，通过改变步骤s3中的特征量得到不同条件组合下封装模型最大应力位置和最大应力值；
8、评估焊点特征和温度循环条件对焊点应力的影响，使用主成分分析将输入特征映射到低维空间；
9、对数据进行预处理，使用归一化函数将数据进行归一化，将不同类别属性值转移到相同区间内；
10、将数据以向量的形式组成数据集，并将数据集随机分成训练集和测试集；训练集用于神经网络的训练，测试集用于评估训练完成的神经网络的性能；
11、s5.利用神经网络模型训练，并预测出不同温度循环条件和不同焊点特征下的最大应力位置以及最大应力值。
12、进一步地，步骤s3中特征量包括焊点特征和温度循环条件；
13、焊点特征包括焊点材料、形状、大小、高度、数量和分布方式；
14、温度循环条件包括最高温度、最低温度、高温保持时间、低温保持时间、温度变化速率和温度循环周期。
15、进一步地，步骤s5中，神经网络模型采用rbf神经网络框架，其是一个具有三层结构的前向网络；
16、rbf神经网络的训练用于求最终数据中心cj、宽度参数dj和连接权值wjk，训练过程分为两步：第一步为无导师学习，训练确定cj和dj；第二步为有导师学习，训练确定wjk；
17、训练时各个参数的表达和计算方法如下：
18、确定输入变量，m为输入层节点数，m的值由预处理后的特征量维数决定；
19、确定隐含层节点数n；
20、确定输出变量，l为输出层节点数，输出变量为模型应力最大位置及最大应力值；
21、确定期望输出向量。
22、利用训练集样本初始化参数wjk、cj和dj；
23、
24、式中min k和max k分别代表训练集中第k个输出神经元所有期望输出的最小值和最大值；
25、
26、式中min i和max i分别代表训练集中第i个输入神经元所有输入信息的最小值和最大值，n为隐含层节点数；
27、
28、式中，df为宽度调节系数，取值应小于1；a为训练集样本总数。
29、进一步地，利用核函数计算隐藏层神经元输出，常见核函数为高斯函数：
30、
31、式中||x - cj||表示欧式距离函数；
32、将所有隐藏层神经元输出加权求和，得到输出层神经元输出：
33、
34、对于第l（l=1, 2,…,a）个训练集样本，定义神经网络评价函数：
35、
36、式中olk为在第l个训练集样本时的期望输出值，ylk为在第l个训练集样本时的网络输出值；
37、定义均方差误差：
38、
39、比较均方根误差与迭代终止精度的大小，若均方根误差小于迭代终止精度，则训练结束，否则将进行参数更新。
40、进一步地，采用梯度下降算法不断调整隐含层数据中心和宽度参数以及输出层的连接权值，具体公式为：
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本文档来自技高网...
【技术保护点】
1.一种温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法，其特征在于，
2.如权利要求1所述的方法，其特征在于，步骤S3中特征量包括焊点特征和温度循环条件；
3.如权利要求2所述的方法，其特征在于，步骤S5中，神经网络模型采用RBF神经网络框架，其是一个具有三层结构的前向网络；
4.如权利要求3所述的方法，其特征在于，
5.如权利要求4所述的方法，其特征在于，
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1~5中任一项所述的温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法中的步骤。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1~5中任一项所述的温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法中的步骤。
【技术特征摘要】
1.一种温度循环荷载下基于机器学习模型的封装焊点可靠性预测方法，其特征在于，
2.如权利要求1所述的方法，其特征在于，步骤s3中特征量包括焊点特征和温度循环条件；
3.如权利要求2所述的方法，其特征在于，步骤s5中，神经网络模型采用rbf神经网络框架，其是一个具有三层结构的前向网络；
4.如权利要求3所述的方法，其特征在于，
5.如权利要求4所述的方法，其特征在于，
【专利技术属性】
技术研发人员：王裕，王磊，刘璐，连晓娟，吴洁，蔡志匡，徐彬彬，黄守坤，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。