馮澤虎

（淄博職業(yè)學院，淄博 255314）

0 引言

在電子產(chǎn)品的組裝與連接過程中，波峰焊是必不可少的焊接方法之一。波峰焊用釬料性能的好壞直接影響到電子產(chǎn)品的使用性、可靠性和安全性。Sn99.3Cu0.7是一種常用的波峰焊用釬料，但是隨著電子信息技術的發(fā)展和波峰焊技術的進步，Sn99.3Cu0.7釬料難以滿足市場的需求，迫切需要進一步提高其各項性能，尤其是迫切需要提高該釬料的可焊性同時降低其熔點。合金化是釬料改性的常用有效方法，但是合金元素繁多，而且各個合金元素對釬料的影響不用，其影響程度也是非線性關系，如果單純依靠試驗手段將耗費大量的人力、物力和財力，而且難以形成系統(tǒng)的研究。神經(jīng)網(wǎng)絡技術是一種新型的人工智能技術，隨著計算機技術的進步神經(jīng)網(wǎng)絡技術已在性能預測、工藝優(yōu)化、銷售預測、成本預測、利潤預測等方面得到了較多的應用[1～4]。為此，本文基于神經(jīng)網(wǎng)絡技術，進行了波峰焊用Sn99.3Cu0.7釬料的改性研究。

1 構建神經(jīng)網(wǎng)絡模型

波峰焊用Sn99.3Cu0.7釬料的神經(jīng)網(wǎng)絡改性模型，采用6×24×8×2四層拓撲結構的神經(jīng)網(wǎng)絡結構，如圖1所示。神經(jīng)網(wǎng)絡模型的輸出層傳遞函數(shù)選用purelin函數(shù)，隱含層傳遞函數(shù)則選用tansig函數(shù)。為了提高預測精度采用了兩個隱含層，主要用于神經(jīng)網(wǎng)絡內(nèi)部運算，其節(jié)點參數(shù)分別為24個和8個；輸出層主要用于輸出神經(jīng)網(wǎng)絡處理結果，采用2個節(jié)點參數(shù)，分別是：可焊性、熔點；輸入層主要用于接收外部信號和數(shù)據(jù)，采用6個節(jié)點參數(shù)，分別為：Bi含量、In含量、Sr含量、Ag含量、Y含量、Ce含量，構建最多五元的SnCu基釬料合金。其中，Bi含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%、0.6%、0.7%、0.8%、0.9%、1.0%、1.1%、1.2%、1.3%、1.4%、1.5%；In含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%；Sr含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%；Ag含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%、0.6%、0.7%、0.8%、0.9%、1.0%；Y含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%；Ce含量的取值范圍為：0、0.1%、0.2%、0.3%、0.4%、0.5%。

圖1 神經(jīng)網(wǎng)絡模型結構簡圖

在構建波峰焊用Sn99.3Cu0.7釬料神經(jīng)網(wǎng)絡改性模型時，為了確保神經(jīng)網(wǎng)絡輸入?yún)?shù)絕對值適中和各參數(shù)地位同等，采用歸一法進行了神經(jīng)網(wǎng)絡各輸入?yún)?shù)的處理，并采用歸一法逆運算將輸出單位還原為原始輸出單位[5]。

2 試驗材料與方法

2.1 試樣材料

本試驗以波峰焊用Sn99.3Cu0.7釬料為基礎，添加不同含量的Bi含量、In含量、Sr含量、Ag含量、Y含量、Ce含量，構建最多五元的SnCu基釬料合金。合金在ZG-25AZ型真空中頻感應熔煉爐中進行制備，并采用鐵模澆筑，上述六種合金元素均以商用中間合金方式添加。

2.2 試驗方法

釬料合金的化學成分，采用SPECTRO XEPOS型X射線光譜儀進行測試分析；其熔點采用STA 449 F1型TG-DSC測試儀進行測試；其可焊性采用SAT-5100型可焊性測試儀，依據(jù)IPC-TM-650標準規(guī)定的試驗方法進行測試，測試條件：標準銅片浸漬深度10mm、釬料合金浸漬深度5mm、浸漬速率23mm/s、浸漬時間5s、焊接溫度255±3℃。采用最大潤濕力來表征釬料合金的可焊性；其顯微組織用PG-15型金相顯微鏡和JSM6510型掃描電子顯微鏡進行觀察。

3 神經(jīng)網(wǎng)絡模型的訓練、預測和應用

3.1 神經(jīng)網(wǎng)絡模型的學習訓練

神經(jīng)網(wǎng)絡模型的學習訓練參數(shù)如下：學習速率0.15、動量項系數(shù)0.6、最大循環(huán)系數(shù)10000次、訓練誤差0.00001。訓練樣本庫為上述試驗獲得的32組樣本數(shù)據(jù)。模型的學習訓練采用“留一法”，即對32組訓練樣本數(shù)據(jù)編號后，先取出1組樣本數(shù)據(jù)，用剩下的31組樣本數(shù)據(jù)進行神經(jīng)網(wǎng)絡模型的學習訓練；然后用學習訓練后的神經(jīng)網(wǎng)絡模型去計算先前取出的那1組樣本數(shù)據(jù)；再把經(jīng)過計算的這1組樣本數(shù)據(jù)放回訓練樣本庫；下一步再從訓練樣本庫中取出另1組未經(jīng)計算的樣本數(shù)據(jù)，重復上述操作，直到所有的樣本數(shù)據(jù)都被取出計算為止。神經(jīng)網(wǎng)絡模型輸出的可焊性和熔點的訓練誤差，如圖2所示。從圖2可以看出，神經(jīng)網(wǎng)絡輸出的可焊性訓練值相對誤差在1.1～2.8%之間，平均相對訓練誤差為1.9%；輸出的熔點訓練值相對誤差在1.3～2.6%之間，平均相對訓練誤差為1.8%。由此可以看出，本試驗構建的波峰焊用Sn99.3Cu0.7釬料神經(jīng)網(wǎng)絡改性模型能較好的反應各輸入?yún)?shù)與輸出參數(shù)的對應關系，能較真實的反應Bi含量、In含量、Sr含量、Ag含量、Y含量和Ce含量對波峰焊用Sn99.3Cu0.7釬料可焊性和熔點的影響，可用于波峰焊用Sn99.3Cu0.7釬料的改性預測。

圖2 神經(jīng)網(wǎng)絡模型的訓練結果

3.2 神經(jīng)網(wǎng)絡模型的預測驗證

經(jīng)過學習訓練后的神經(jīng)網(wǎng)絡模型要用于實際的波峰焊用釬焊改性研究，需要先進行模型的預測能力和預測精度的驗證。驗證樣本為未經(jīng)學習訓練的6組試驗數(shù)據(jù)。神經(jīng)網(wǎng)絡模型的預測驗證結果，如圖3所示。從圖3可以看出，對于未經(jīng)學習訓練的樣本數(shù)據(jù)，該神經(jīng)網(wǎng)絡模型輸出的可焊性預測值相對誤差在1.7～2.9%之間，平均相對預測誤差為2.2%；輸出的熔點預測值相對誤差在1.5～2.8%之間，平均相對預測誤差為2.1%。由此我們可以看出，本試驗構建的波峰焊用Sn99.3Cu0.7釬料神經(jīng)網(wǎng)絡改性模型具有較好的預測能力和較高的預測精度，可用于波峰焊用Sn99.3Cu0.7釬料的改性研究，以期獲得具有較好綜合性能的最多五元的SnCu基釬料合金。

3.3 神經(jīng)網(wǎng)絡模型的實際應用

圖3 神經(jīng)網(wǎng)絡模型的預測結果

基于神經(jīng)網(wǎng)絡模型，預測出的具有最佳可焊性和熔點的最多五元的波峰焊用SnCu基釬料合金的相關參數(shù)，如表1所示。上述預測的優(yōu)選配比五元SnCu基釬料合金熔煉后的成分分析結果，如表2所示。合金的TG-DSC曲線，如圖4所示。從圖4可以看出，該優(yōu)化合金的熔化峰值溫度為207.2℃，與預測值206℃僅相差1.2℃；熔化起始溫度為204.4℃，且該優(yōu)化合金熔點較波峰焊用Sn99.3Cu0.7釬料熔點（約227℃）下降了近20℃，可以有效降低焊接溫度，減小元器件的承受溫度且節(jié)約能源。

表1 神經(jīng)網(wǎng)絡模型預測的最佳釬料參數(shù)

表2 優(yōu)化釬料合金的化學成分

圖4 優(yōu)化釬料合金的TG-DSC曲線

該波峰焊用優(yōu)化釬料合金（Sn-0.7Cu-0.9Bi-0.2In-0.4Y）的焊點顯微組織，如圖5所示。從圖5可以看出，該優(yōu)化釬料合金的外觀組織具有等軸晶的典型共晶組織，組織較為細密，對光的反射較為強烈，焊點光亮度好。圖6是波峰焊用優(yōu)化釬料合金（Sn-0.7Cu-0.9Bi-0.2In-0.4Y）焊點的界面SEM照片。從圖6可以看出，釬料的組織較為細小致密、金屬間化合物層較薄，焊點界面結合較為致密。由此可以看出，優(yōu)化后的波峰焊用釬料合金具有較為細小、致密的顯微組織，焊點界面結合好，具有較好的實用價值。

圖5 優(yōu)化釬料合金焊點的顯微組織

圖6 優(yōu)化釬料合金焊點的界面SEM照片

該波峰焊用優(yōu)化釬料合金（Sn-0.7Cu-0.9Bi-0.2In-0.4Y）的可焊性測試結果，如表3所示。從表3可以看出，該優(yōu)化釬料合金的潤濕（零交）時間為0.42、最大潤濕力3.72，僅較最大潤濕力預測值大1.92%，且該釬料合金的可焊性較好，具有較強的實用性。

表3 優(yōu)化釬料合金的可焊性測試結果

4 結論

1）采用6×24×8×2四層拓撲結構的神經(jīng)網(wǎng)絡結構，以Bi含量、Co含量、RE含量和P含量為輸入層參數(shù)，設計最多五元的SnCu基釬料合金，以可焊性和熔點為輸出層參數(shù)，可以構建具有較高預測精度的波峰焊用Sn99.3Cu0.7釬料的神經(jīng)網(wǎng)絡改性模型。

2）波峰焊用Sn99.3Cu0.7釬料的神經(jīng)網(wǎng)絡改性模型輸出的可焊性訓練值相對誤差在1.1～2.8%之間、預測值相對誤差在1.7～2.9%之間，輸出的熔點訓練值相對誤差在1.3～2.6%之間、預測值相對誤差在1.5～2.8%之間。

3）神經(jīng)網(wǎng)絡優(yōu)化的波峰焊用SnCu基釬料合金成分為Sn-0.7Cu-0.9Bi-0.2In-0.4Y，合金熔化峰值溫度為207.2℃、起始溫度為204.4℃，熔點較波峰焊用Sn99.3Cu0.7釬料熔點下降了近20℃，合金具有較好的可焊性，焊點組織細小、金屬間化合物層較薄，焊點界面結合較為致密。

[1]梅燕娜,武建軍,馮慧娟.人工神經(jīng)網(wǎng)絡設計及其在非調質鋼力學性能預測中的應用[J].熱加工工藝,2009,38(4),108-115.

[2]劉環(huán),鄒德寧,閆東娜,等.基于人工神經(jīng)網(wǎng)絡的超級馬氏體不銹鋼淬火力學性能預測[J].熱加工工藝,2011,40(20),150-153.

[3]劉艷俠,高新琛,張國英,等.BP神經(jīng)網(wǎng)絡對3C鋼腐蝕性能的預測分析[J].材料科學與工程學報,2008,26(1):94-97.

[4]李新城,陳樓,張繪,等.基于主成分分析與BP神經(jīng)網(wǎng)絡的激光拼焊板力學性能預測[J].熱加工工藝,2012,41(5),171-173.

[5]周開利,康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005:69-100.