在线温度检测的超声波焊接接头强度与表面损伤预测方法

本发明涉及超声波焊接质量监测与预测，尤其是在线温度检测的超声波焊接接头强度与表面损伤预测方法，即一种融合在线温度检测的超声波焊接接头强度与表面损伤同步预测方法，通过在线获取焊接过程温度信息并结合工艺参数，建立接头性能预测模型，实现超声波焊接质量的在线评估与预测。

背景技术：

1、超声波焊接是利用高频振动能量使焊接界面产生塑性变形和局部温升，实现材料固相熔合的连接工艺，凭借其低温、高效、无耗材、环保等优势，在芯片封装领域得到了广泛应用——芯片封装过程中，需将芯片引脚、pin针与覆铜陶瓷基板、引线框架等部件进行精密连接，超声波焊接作为核心互连工艺，直接决定芯片的导电性能、散热效率和服役可靠性，是igbt、sic等功率半导体模块、消费电子芯片封装中的关键环节，目前所有芯片互连方式中，超声波压焊占比超过90%，其中约90%采用金线超声波压焊，其余采用铝线及其他贵金属楔焊工艺，广泛应用于汽车电子、光伏储能、5g通信等依赖高精度芯片封装的领域。

2、尽管超声波焊接在芯片封装领域具备显著优势，但芯片焊接的精密性要求极高，芯片引脚尺寸微小，焊接接头的微小缺陷和质量波动，均会导致芯片接触不良、散热失效，甚至直接造成芯片报废，因此，建立能够融合焊接过程状态信息与工艺参数信息的预测方法，实现接头强度与表面损伤的同步评价，对于提高超声波焊接质量控制水平和降低生产成本具有重要意义。然而，现有研究主要基于工艺参数开展单目标预测，缺乏对焊接过程温度信息的有效利用，难以兼顾接头强度与表面损伤状态的协同评估。

技术实现思路

1、本发明提出在线温度检测的超声波焊接接头强度与表面损伤预测方法，能解决现有超声波焊接质量评价过程中存在的检测滞后、实验成本高以及难以同时兼顾接头强度与表面损伤评价的问题。

2、本发明采用以下技术方案。

3、在线温度检测的超声波焊接接头强度与表面损伤预测方法，所述方法为融合在线温度检测的超声波焊接接头强度与表面损伤同步预测方法，采用k型热电偶在线采集超声波焊接过程中的峰值温度，并结合焊接压力、焊接振幅、焊接时间及焊接功率等的工艺参数构建特征数据集；在对采集数据进行预处理后，使用机器学习预测模型，并以搭接剪切载荷和表面嵌入损伤深度作为预测目标，实现对接头力学性能与表面损伤状态的同步预测。

4、所述方法包括以下步骤；

5、步骤1：采用温度检测装置在线采集超声波焊接过程中的温度数据，提取焊接过程的峰值温度；并同步获取对应焊接工况下的焊接压力、焊接振幅、焊接时间和焊接功率工艺参数；

6、步骤2：对所述峰值温度及工艺参数进行异常值剔除、归一化处理，构建焊接特征数据集；

7、步骤3：以焊接压力、焊接振幅、焊接时间、焊接功率和峰值温度作为输入特征，以搭接剪切载荷表征的接头强度和表面嵌入损伤深度作为预测目标，建立机器学习预测模型，即接头强度与表面损伤同步预测模型；

8、步骤4：利用已获取的焊接样本数据对同步预测模型进行训练，建立输入特征与预测目标之间的映射关系；在模型训练完成后，将待预测焊接工况对应的特征数据输入模型，输出对应工况下的接头强度和表面嵌入损伤预测结果。

9、步骤1中，所述温度检测装置为k型热电偶，所述k型热电偶布置于焊接区域附近，用于实时采集焊接过程温度数据并提取峰值温度；

10、所述k型热电偶，其测温范围为-73°c~482°c，超声波焊接过程中，热电偶的探头固定于焊接铜片之间以直接采集焊接区域的温度变化，并提取每一组焊接工况对应的焊接周期内最高温度作为峰值温度t_peak；

11、超声波焊接过程中，工艺参数通过超声波焊接设备可以准确调控，包括焊接压力p、焊接时间t、焊接振幅a、焊接功率w四项核心工艺参数；

12、参见图1所示，步骤1中在线采集超声波焊接过程的峰值温度时采用以下步骤：

13、步骤ⅰ、将k型热电偶电阻丝缠绕组成电流通路，将其与数据采集器完成连接，确保测温通路导通且数据传输正常；

14、步骤ⅱ、在超声波焊接机中放置 t2 紫铜底板，将连接好的热电偶电阻丝置于底板焊接区域中央，再将上基板覆盖于电阻丝上方，保证电阻丝完全处于焊接区域内且定位精准；

15、步骤ⅲ、调节超声波焊接机的核心工艺参数，将焊接压力、焊接时间、焊接振幅调试至预设目标值，参数校准后启动超声波焊接机进行焊接作业；

16、在本实施例中，焊接参数范围如下：

17、表2 焊接参数范围

18、

19、步骤ⅳ、焊接过程中，通过数据采集设备实时采集并记录焊接区域的温度变化曲线，从曲线中提取焊接周期内的最高值，即为焊接峰值温度；峰值温度为焊接过程中采集到的最高温度值，其测量范围为100℃～500℃；

20、步骤ⅴ、焊接完成后，采用万能力学试验机对焊接接头进行力学性能测试，测定其搭接剪切载荷；采用白光干涉仪对焊接接头表面进行扫描检测，获取由焊头滚花造成的表面损伤深度。

21、步骤2中，以数据处理模块对所有在线采集的峰值温度数据及对应工艺参数进行整理、筛选，消除异常数据干扰并统一数据量纲，输出标准化特征向量，通过数据预处理来为后续批量数据集构建及机器学习模型训练提供高质量输入；

22、所述数据预处理包括异常值剔除和归一化处理，其中归一化处理采用min-max归一化方法将各输入特征映射至统一数值区间；即把特征值统一映射至 0-1 区间，消除不同参数间的量纲影响，保证数据的可比性。

23、步骤3中，通过配套搭建的神经网络训练模块加载步骤2中整理好的批量数据集，完成搭接剪切载荷与表面损伤预测模型的训练，并在训练合格后用于未进行实验工况的结果预测；

24、所述同步预测模型为机器学习模型，包括神经网络模型、支持向量机模型、随机森林模型或梯度提升树模型中的一种或多种；

25、机器学习模型在不改变结构的前提下，可以通过改变不同的输出来实现接头强度质量或表面嵌入损伤的预测。

26、步骤3中，获取焊接接头的电子背散射衍射ebsd图像，并通过深度学习模型提取表征焊接接头微观组织特征的特征向量，并将所述特征向量与焊接工艺参数及峰值温度共同输入机器学习模型进行预测；

27、所述深度学习模型为变分自编码器（variational autoencoder，vae），通过编码器将ebsd图像压缩至低维潜在空间，得到用于表征焊接接头微观组织状态的潜变量特征；

28、所述ebsd图像包括反极图（ipf）、内核平均错配图（kam）或晶界图中的一种或多种。

29、获取焊接接头的ebsd图像作为微观组织表征信息的方法包括以下步骤；

30、步骤aⅰ、采集焊接接头ebsd图像，并统一调整图像尺寸及格式；

31、步骤aⅱ、构建变分自编码器（vae）网络，通过编码器对ebsd图像进行压缩编码，获得低维潜变量特征向量；所述潜变量特征向量维度为4～64维，优选为8维或16维。

32、步骤aⅲ、将获得的潜变量特征与焊接压力、焊接时间、焊接振幅、焊接功率以及峰值温度进行融合，构建扩展输入特征集；

33、步骤aⅳ、将扩展特征集输入机器学习模型进行训练，实现对搭接剪切载荷及表面嵌入损伤的预测。

34、实验结果表明，引入ebsd图像特征后，模型能够进一步表征焊接接头的微观组织状态，提高预测模型对接头性能的预测能力。

35、所述同步预测模型的搭建方法为：先基于 matlab 2023b 搭建三层隐藏层前馈神经网络，设置网络结构为：输入层（5个神经元）→第一层隐藏层（32个神经元）→第二层隐藏层（16个神经元）→第三层隐藏层（8个神经元）→输出层（1个神经元）；三层隐藏层均采用sigmoid 激活函数，实现输入特征与预测目标之间的非线性映射，精准捕捉焊接参数与搭接剪切载荷、表面损伤深度之间的复杂耦合关系；输出层采用 purelin 线性函数，适配搭接剪切载荷连续值与表面损伤深度值的预测需求；设置模型训练参数，训练算法采用trainlm 算法，学习率设为0.01，最大训练次数设为1000次，训练目标误差设为，保障模型训练的精度与效率；

36、再将完成标准化处理的焊接数据集采用 5 折交叉验证的方案划分为训练集与测试集，将划分后的数据集输入至搭建完成的神经网络中，分别将搭接剪切载荷、表面嵌入深度设为模型预测目标值，无需更改神经网络的其他参数，依次完成模型对两个预测目标的学习与训练，实现同一网络对两项指标的精准预测；

37、然后对完成训练的神经网络模型进行预测性能量化评估，验证模型对搭接剪切载荷和表面损伤深度的预测精度，判定模型是否可用于未实验工况的预测。

38、对神经网络模型进行预测性能量化评估的具体步骤如下：

39、步骤bⅰ、将交叉验证划分得到的测试集数据，输入至完成双目标训练的神经网络模型中，分别得到搭接剪切载荷、表面损伤深度的模型预测值；

40、步骤bⅱ、选取均方根误差（rmse）和决定系数（）作为核心量化评估指标，分别计算模型对搭接剪切载荷、表面损伤深度预测结果的两项指标数值，计算公式如下：

41、均方根误差：

42、决定系数：

43、其中，为测试集样本数量，为实测值，为预测值，为实测值的平均值；

44、步骤bⅲ、设定模型性能合格判定阈值：rmse小于预设误差阈值，且；若搭接剪切载荷、表面损伤深度两项预测结果的量化指标均满足合格阈值要求，判定该神经网络模型预测性能合格，可直接用于未进行实验的超声波焊接工况的搭接剪切载荷与表面损伤深度预测；若未满足阈值要求，重新调整网络参数或扩充数据集进行模型再训练。

45、如图3和图4所示，训练完成的神经网络对接头搭接剪切载荷的预测决定系数达到0.9556（图3（a））对表面嵌入损伤预测的决定系数达到0.9401（图3（b））。图4展示了峰值温度特征对模型预测性能的影响。结果表明，在接头强度预测中，峰值温度的引入对模型性能提升有限；而在表面嵌入损伤预测中，引入峰值温度后模型的决定系数明显提高，预测误差进一步降低。说明峰值温度能够有效反映焊接过程中的热输入状态，对于表面损伤形成过程具有较强的表征能力，从而提升模型对表面损伤的预测精度。

46、本发明通过在线采集焊接峰值温度，并结合焊接压力、焊接振幅、焊接时间及焊接功率等工艺参数构建特征空间，利用机器学习模型建立工艺参数与接头性能之间的映射关系，能实现对搭接剪切载荷和表面嵌入损伤的同步预测，从而能为焊接工艺优化及在线质量控制提供依据。

47、与现有技术相比，本发明将焊接过程温度信息与工艺参数进行融合，提高了模型对焊接状态的表征能力，可在减少实验次数的同时实现对未实验工况接头性能的快速预测，为超声波焊接工艺优化和在线质量控制提供技术支撑。

48、本发明所述的技术方案，与现有通过优化检测设备或单一模型训练提升预测性能的技术路径的区别在于：本发明通过k型热电偶在线采集批量焊接峰值温度，结合对应核心工艺参数整理形成批量数据集，利用同一批批量数据同步训练双预测目标模型，精准挖掘焊接参数与预测目标的关联规律，无需对每一种焊接工况都进行实验，即可通过训练好的模型预测未进行实验的结果，大幅减少实验工作量、降低实验成本，同时提升预测精度，为芯片精密超声波焊接工况优化提供数据支撑。