基于正交试验-BP神经网络的GH4169膜片微束TIG焊接工艺优化
Orthogonal experiment method and BP neural networks in optimization of microbeam TIG welded GH4169
-
摘要: 将正交试验与BP神经网络结合用于0.2 mm厚GH4169膜片微束TIG焊接工艺参数优化，根据正交试验结果对神经网络模型进行训练，建立了峰值电流、基值电流、焊接速度、脉冲频率与接头直径、高度、抗拉力的BP神经网络模型. 结果表明，在BP神经网络模型预测的基础上，结合小步长搜索法获得的最佳工艺参数范围为峰值电流11.6 A±0.2 A、基值电流4.3 A±0.1 A、焊接速度4.14 mm/s±0.1 mm/s、脉冲频率52 Hz±2 Hz. 通过试验验证，4组试样各指标试验值均处于模型预测值范围内，抗拉力值均高于先期试验. 试验结果证明，该模型预测精度高，并且该工艺优化方法能有效提高实际工艺设计的效率.
-
关键词:
- 膜片|正交试验|神经网络|工艺优化
Abstract: Orthogonal experiment was combined with BP neural networks to optimize welding process parameters of 0.2 mm GH4169 diaphragms by using microbeam TIG welding echnique. The BP neural networks model was trained by the results of orthogonal experiment, and the BP neural networks model described the relationship between welding joints’ properties (diameter, height, and tensile resistance) and welding process parameters, including peak current, background current, welding velocity, and pulse frequency. The results shows that according to the orthogonal experiment and the prediction of BP neural networks model, then small-step method is used for further searching, the best parameters are found when peak current is 11.6 A±0.2 A, background current is 4.3 A±0.1 A, welding velocity is 4.14 mm/s±0.1mm/s, and pulse frequency is 52 Hz±2 Hz. The xperiment validated that the test values of four samples are within the prediction range, and the tensile force is higher than that of previous experiment. It proves that the model has a high accuracy of prediction and the method can increase the efficiency of process design availably. -
0. 序 言
微电子技术在电子信息产业以及其它高技术产业发展中起着决定性的作用.其中微电子封装与互连承载器件与基板间的电气连接、机械连接和热连接三个任务[1-2].功率芯片的高功率、高密度发展趋势对电子元件的可靠性设计提出了新的挑战[3].同时对功率芯片的连接也提出了更高的要求，例如：高温服役、高连接强度、长期的可靠性等[4].
考虑到铅对人体和环境的危害，根据RoHS(restriction of hazardous substances)指令，含铅钎料已被禁止应用于电子产品中.然而，由于以SAC305为代表的无铅钎料[5]熔点较低，难以满足高功率器件的封装需求.部分企业仍采用高铅钎料作为电子器件的高温连接材料.因此，开发一种能够在复杂工作环境下持续服役的绿色电子封装材料显得尤为重要[6].
随着金属颗粒直径的不断下降，颗粒的比表面积增大，其表面活性能会不断升高，熔点会显著降低.利用金属颗粒的这种性质，可采用低温烧结的方法，将金属颗粒烧结成金属块体.如果选择的金属其块体具有熔点高的特性，由金属颗粒烧结后得到的块状金属也将具有同样的性质，即可实现低温连接高温服役的目的.目前采用纳米银焊膏低温烧结连接功率半导体芯片与基板的研究已成为电子及相关领域产品低温封装高温服役的研究热点[7].闫剑锋等人[8]通过化学还原法制备了粒径分布在20 ~ 80 nm的纳米银焊膏.在250 ℃温度下，外加 10 MPa压力采用该纳米银焊膏对镀银纯铜材料进行烧结连接.得到烧结接头的剪切强度为39 MPa. 然而，由于纳米银烧结连接的主要机理是纳米银颗粒在较低的烧结温度下实现固态连接.烧结层塑性较差，在冲击、振动、温度循环等载荷条件下可靠性较低.
为改善纳米银膏烧结后烧结层塑性较差、应力大、易产生裂纹等问题，提高烧结接头可靠性，研究制备了由50 nm和1 μm银颗粒混合而成的复合银膏，优化复合银膏中的溶剂成分及不同尺度银颗粒的混合比例.研究纳米银膏中微米银颗粒的添加对复合银膏烧结层塑性的影响.
1. 试验方法
试验将50 nm和1 μm的银颗粒进行混合，将混合后的银颗粒通过添加有机溶剂制成复合银膏. 根据Li等人[9]的研究，复合银膏的堆叠结构也为体心立方结构，如图1所示.
分别选用有机溶剂A(乙二醇)和B(松油醇和酒精混合溶剂)与银颗粒混合制备两种复合银膏. 借助差示扫描量热仪对两种有机溶剂的热性能进行分析. 采用8 mm × 8 mm × 0.08 mm与10 mm × 10 mm × 0.1 mm的铜片作为烧结基板并进行去膜除污处理. 在10 mm × 10 mm × 0.1 mm的铜基板中央印刷7 mm × 7 mm × 0.01 mm的复合银膏层，然后将8 mm × 8 mm × 0.08 mm的铜基板覆盖在该复合银膏层上进行烧结. 烧结温度250 ℃、烧结压力0.47 MPa、烧结时间10 min. 对接头进行镶嵌、打磨、抛光，利用金相显微镜对烧结接头的微观组织进行研究.
为了与复合银膏进行对比，在相同条件下制备银颗粒粒径为50 nm的纳米银膏. 在烧结温度为250 ℃，烧结压力为0.47 MPa的烧结条件下分别烧结5，10，15，20，30 min获得烧结接头. 借助纳米压痕仪对纳米银膏与复合银膏烧结层的硬度与弹性模量进行测试. 借助金相显微镜对纳米银膏与复合银膏烧结层的压痕尺寸进行测量. 通过计算，获取纳米银膏与复合银膏烧结层的塑性因子并据此对两种烧结接头塑性进行对比.
2. 试验结果与分析
2.1 有机溶剂对烧结层的影响
图2为两种有机溶剂的综合热分析曲线图.由图可知，乙二醇的分解完成温度为183.77 ℃，松油醇和酒精混合溶剂的分解完成温度为217.78 ℃.相比之下，松油醇和酒精混合溶剂的分解完成温度更加接近烧结试验的温度250 ℃.因此，松油醇和酒精混合溶剂能够更加有效防止银颗粒在未开始烧结之前发生团聚，保护银膏中的银颗粒.
图3为采用两种有机溶剂制备的复合银膏烧结层的截面形貌.由图可知，在相同的烧结工艺参数下，乙二醇制备的复合银膏烧结后基板与烧结层的界面连接处存在明显的裂纹，而松油醇和酒精混合有机溶剂制备的复合银膏烧结后基板与烧结层的界面连接处更平整，无明显裂纹.表明由松油醇和酒精混合有机溶剂制备的复合银膏烧结层的孔隙率低于乙二醇制备的复合银膏烧结得到的试样.因此，选择松油醇和酒精混合有机溶剂制备复合银膏，能够有效防止银颗粒在烧结前产生团聚，降低烧结层的孔隙率.
![]()
图 3 两种有机溶剂制备的复合银膏烧结层形貌图Figure 3. Sintering layer of composite nanosilver paste obtained by two organic solvents2.2 烧结层纳米压痕性能对比
2.2.1 压痕形貌分析
图4和图5为两种银膏烧结层压痕形貌. 文中研究采用的压头为Berkovich型压头，试验得到的压痕形貌为三棱锥型. 测量三棱锥压痕底面的某一边长与该边对应的高. 通过计算，获取两种银膏烧结层的压痕最大横截面积，得到两种银膏烧结层压痕面积对比分析图(如图6所示). 由图可知，两种银膏烧结层的压痕最大面积均随着烧结时间的延长逐渐下降. 烧结时间为10 ~ 30 min时，复合银膏烧结层的压痕最大面积大于纳米银膏烧结层的压痕最大面积. 由此分析，随着烧结时间的延长，烧结层的硬度将会逐渐上升，烧结层抵抗压头压入能力的上升使得烧结层最大压痕面积逐渐下降.
$$ S{\rm{ = }}\frac{{d \cdot h}}{2} $$ (1) 式中：d为压痕的边长；h为对应边长的高.
![]()
图 6 纳米银膏与复合银膏烧结层压痕面积对比分析图Figure 6. Indentation area analysis graphics of sintering nanosilver and composite nanosilver paste layer2.2.2 烧结层硬度及弹性模量
图7为纳米银膏与复合银膏烧结层硬度对比分析图. 由图可知，两种银膏烧结层的硬度均随着烧结时间的延长不断上升. 烧结时间为10 ~ 30 min时，复合银膏烧结层的硬度略低于纳米银膏烧结层的硬度. 烧结层硬度随烧结时间延长而上升主要是由于两个方面的原因，一方面是银颗粒的有机物包覆层挥发的更彻底，从而使银颗粒之间的接触更加充分；另一方面，烧结时间的延长有助于银颗粒之间的元素扩散，形成致密接头. 从而使烧结层的硬度增大. 由于复合银膏中微米银颗粒的添加，使烧结接头中的银颗粒的连接界面降低，显著降低了接头硬度.
![]()
图 7 纳米银膏与复合银膏烧结层硬度对比分析图Figure 7. Hardness analysis graphics of sintering nanosilver and composite nanosilver paste layer图8为两种银膏烧结层弹性模量对比分析图. 由图可知，两种银膏烧结层的弹性模量均随着烧结时间的延长呈现总体上升的趋势，但是当烧结时间为20 ~ 30 min时，纳米银膏烧结层的弹性模量要远大于复合银膏烧结层的弹性模量，这表明纳米银膏烧结层的刚度更大，抗冲击载荷能力更差. 在硬度相差不大的前提下，选用复合银膏进行烧结，其烧结层的弹性模量小，柔性更好，能够更好地抵抗冲击载荷，有效提高电子元件的质量与寿命.
![]()
图 8 纳米银膏与复合银膏烧结层弹性模量对比分析图Figure 8. Elastic modulus analysis graphics of sintering nanosilver and composite nanosilver paste layer2.2.3 烧结层塑性分析
Milman等人[10]借助纳米压痕法建立了一种用于测量材料塑性性能的方法，用塑性因子δH来表征材料的塑性，表示为塑性应变与总应变的比值.
$${\delta _{\rm H}} = \dfrac{{{\varepsilon _{\rm p}}}}{{{\varepsilon _{\rm t}}}} = 1 - \dfrac{{{\varepsilon _{\rm e}}}}{{{\varepsilon _{\rm t}}}}$$ (2) 式中：εt为压痕总应变；εp为塑性应变；εe为弹性应变.
总应变εt由采用的压头形状确定
$${\varepsilon _{\rm t}} = - \ln \sin \gamma $$ (3) 式中：γ为锥体表面和轴线之间的角度.
$${\delta _{\rm H}} = 1 - \frac{{HM}}{E}\frac{{(1 - \nu - 2{\nu ^2})}}{{ - \ln \sin \gamma }}$$ (4) 式中：HM为Meyer硬度；E为弹性模量；ν为所测材料的泊松比.
研究采用的压头为Berkovich型压头，锥体表面和轴线之间的角度γ=65°，银的泊松比ν=0.37，其塑性特征因子表示为
$${\delta _{\rm H}} = 1 - 10.2\left(1 - \nu - 2{\nu ^2}\right)\frac{H}{E}$$ (5) 图9为纳米银膏与复合银膏烧结层塑性因子对比分析图.由图可知，随着烧结时间的延长，纳米银膏与复合银膏烧结层的塑性因子均逐渐增大.烧结层抵抗塑性变形的能力逐渐减弱，烧结层的塑性得到提高.烧结时间为10 ~ 30 min时，复合银膏烧结层的塑性因子大于纳米银膏烧结层的塑性因子，表明复合银膏烧结层的塑性优于纳米银膏烧结层的塑性.
![]()
图 9 纳米银膏与复合银膏烧结层塑性因子对比分析图Figure 9. Plastic factor analysis graphics of sintering nanosilver and composite nanosilver paste layer3. 结 论
(1)在250 ℃的烧结温度下，采用松油醇和酒精的混合有机溶剂能够获得质量良好的烧结接头，其烧结层孔隙率明显低于乙二醇制备的复合银膏烧结接头.
(2)与纳米银膏烧结接头相比，复合银膏烧结层压痕面积较大，硬度与弹性模量较低.
(3)当烧结时间为10 ~ 30 min时，复合银膏烧结层塑性因子高于纳米银膏烧结层.表明通过多尺度银颗粒的混合制备复合银膏可使烧结层塑性得到显著改善.
-
[1] 刘锦凡, 孙 丹, 陈雪巍, 等. 蓄压器膜盒机械刚度对液体火箭POGO振动影响研究[J]. 振动与冲击, 2016, 35(19): 168 ? 171
Liu Jinfan, Sun Dan, Chen Xuewei, et al. Influences of mechanical stiffness of accumulator on POGO vibration of liquid rockets[J]. Journal of Vibration and Shock, 2016, 35(19): 168 ? 171[2] Chen Y, Zhang K, Huang J, et al. Characterization of heat affected zone liquation cracking in laser additive manufacturing of Inconel 718[J]. Materials & Design, 2016, 90: 586 ? 594. [3] Mei Y P, Liu Y C, Liu C X, et al. Effect of base metal and welding speed on fusion zone microstructureand HAZ hot-cracking of electron-beam welded Inconel 718[J]. Materials & Design, 2016, 89: 964 ? 977. [4] Azadian S, Wei L Y, Warren R. Delta phase precipitation in Inconel 718[J]. Materials Characterization, 2004, 53: 7 ? 16. [5] Chen G Q, Zhang B G, Lü T M, et al. Causes and control of welding cracks in electron-beam-welded superalloy GH4169 joints[J]. Transactions of Nonferrous Metals Society of China, 2013, 23: 1971 ? 1976. [6] Chen Yuhua, Liu Dongya, Xie Jilin, et al. Development of the active flux in superalloy laser welding and the effect on the weld formation[J]. China Welding, 2017, 26(1): 44 ? 48. [7] 李延民. 超薄壁GH4169膜盒微束等离子焊接工艺研究[D]. 北京: 北京工业大学, 2014. [8] 李卓然, 冯广杰, 徐 慨, 等. 高温合金GH4169真空扩散连接工艺[J]. 焊接学报, 2013, 34(6): 21 ? 24
Li Zhuoran, Feng Guangjie, Xu Kai, et al. Vacuum diffusion bonding of GH4169 superalloy[J]. Transactions of the China Welding Institution, 2013, 34(6): 21 ? 24[9] Shojaeefard M H, Behnagh R A, Akbari M, et al. Modeling and pareto optimization of mechanical properties of friction stir welded AA7075/AA5083 butt joints using neural network and particle swarm algorithm[J]. Materials & Design, 2013, 44(2): 190 ? 198. [10] 夏卫生, 张海鸥, 王桂兰, 等. 基于多层ANN的机器人等离子熔射智能化模型[J]. 焊接学报, 2009, 30(7): 41 ? 44
Xia Weisheng, Zhang Haiou, Wang Guilan, et al. Intelligent process modeling of robotic plasma spraying based on multi-layer artificial neural network[J]. Transactions of the China Welding Institution, 2009, 30(7): 41 ? 44[11] 王东生, 杨 斌, 田宗军. 基于遗传神经网络的等离子喷涂纳米ZrO2-7%Y2O3涂层工艺参数优化[J]. 焊接学报, 2013, 34(3): 10 ? 14
Wang Dongsheng, Yang Bin, Tian Zongjun, et al. Process parameters optimization of nanostructured ZrO2-7%Y2O3 coating deposited by plasma spraying based on genetic algorithms and neural networks[J]. Transactions of the China Welding Institution, 2013, 34(3): 10 ? 14[12] 滕 凯. 基于正交试验和BP神经网络的Ti-6Al-4V合金电火花线切割工艺参数优化[J]. 制造业自动化, 2015, 37(10): 24 ? 27
Teng Kai. Parameter optimization of Ti-6Al-4V alloy wire cutting process based on orthogonal test and BP neural network[J]. Manufacturing Automation, 2015, 37(10): 24 ? 27 -
期刊类型引用(9)
1. 关皓真，张裕，孙磊，吴艳明. 脉冲熔化极气体保护焊弧长神经网络建模及参数预测. 材料开发与应用. 2024(03): 28-35 . 
百度学术
2. 王超，陈信宇，吴春彪，李雷，王洁. 基于快速蜜蜂试验法的304不锈钢激光焊工艺优化. 焊接学报. 2023(02): 102-110+135 . 本站查看
3. 杜晓辉，陈凡红，刘帅，朱敏杰，许佳豪. 压力传感器波纹膜片低应力激光焊接工艺. 光学精密工程. 2023(11): 1652-1659 . 百度学术
4. 杨华庆，张建护，唐德渝，王克宽. 机器人立体视觉系统标定误差预测补偿技术. 控制工程. 2022(04): 757-762 . 百度学术
5. 朱胜，张雨豪，郭迎春，王晓明，常青，赵阳. 高能微弧沉积H65黄铜涂层试验研究. 热加工工艺. 2021(14): 102-104+108 . 百度学术
6. 易润华，邓黎鹏，程东海，刘奋成. 基于多指标综合评分方差分析的镍铬合金储能缝焊工艺研究. 材料导报. 2021(14): 14161-14165 . 百度学术
7. 刘晓明，刘威，李龙女，朱高嘉，姜文涛. 基于改进神经网络和遗传算法的真空灭弧室优化设计. 真空科学与技术学报. 2020(04): 359-364 . 百度学术
8. 任书文，陈士忠，刘子金，夏忠贤，侯爱山，王永华. 钢筋骨架焊接工艺参数的优化研究. 建筑机械化. 2020(11): 98-101 . 百度学术
9. 尹燕，赵超，潘存良，路超，张瑞华. 气体流量对射频等离子体球化GH4169合金粉末的影响. 焊接学报. 2019(11): 100-105+165 . 本站查看
其他类型引用(9)
下载:
计量
- 文章访问数: 647
- HTML全文浏览量: 5
- PDF下载量: 3
- 被引次数: 18
