专利名称：芯片封装互连中的超声键合质量在线监测判别方法及系统的利记博彩app
技术领域：
本发明属于芯片封装互连中的超声键合领域，涉及一种芯片封装互连中的超声键
合质量在线监测判别方法及系统。
背景技术：
超声键合广泛应用于微电子封装互连中，它是利用换能器产生的超声振动作用在 键合金属丝(球)和焊盘上，实现金属丝(球)与焊盘间的金属键合的方法。当前90%以 上的微电子封装互连均采用超声引线键合技术实现，而对键合质量的检测都采用离线抽样 检测，这种方法时效性差，等抽检到键合失效，往往已经产生了大量次品，导致成品率大幅 下降。随着封装在芯片制造中的成本逐渐增加(目前接近80%)，键合速度加快(15 20线 /秒)、焊盘间距縮小(6(T40um)，业界期待发展超声键合质量在线监测与判别技术，来提高 键合可靠性和成品率。由于超声键合是一个多变量耦合作用的复杂动态过程，目前一直没 有形成实用的键合质量在线监测与判别方法。 近10年相关研究主要有1998年，S. W OR等人在超声引线键合换能器的压电堆 中安装额外的压电传感器，并以键合过程中压电传感器的输出信号变化过程来判断键合强 度。类似地，2002年Michael等人在换能器压电堆中嵌入传感器，并根据压电传感器信号区 分键合的"好"和"坏"，特别是受污染表面的键合。这些方法虽然可检测出键合失败，但在 压电堆中嵌入的传感器严重影响了换能器性能，并没有应用在实际生产中。还有一些则通 过测量引线变形和测量换能器的振动等来判断键合质量的方法，由于需要增加价值超过键 合设备数倍的测量设备，也难以应用到实际生产中。
发明内容
本发明的所要解决的技术问题是提供一种芯片封装互连中的超声键合质量在线 监测判别方法及系统。该方法和系统能实现在任意键合条件下，通过对键合过程中换能器 驱动电信号的分析与特征提取，从而实时判断当次键合是否成功，并为失败的键合提供补 救的机会或标记，以提高芯片封装互连的生产效率和可靠性，由此可以大大节约芯片封装 的成本。 本发明的技术构思是发展通过检测换能器电信号来判断键合质量的方法，可以 不影响换能器的性能，同时不需增加设备的硬件投入。这种方法的依据是对超声键合机理 的认识。按照目前对键合机理的理解，超声键合过程分为三个阶段首先，引线和焊盘在键 合作用下接触在一起运动，并产生最初变形；然后超声能量经变幅杆和劈刀传递到键合面， 在接触面周边产生微键合点，初步形成键合强度；最后超声能量使接触面积增大、微键合点 数量增多、键合深度增加，由此形成超声键合强度。上述过程中，换能器系统阻抗、固有频率 随键合界面状态的变化而变化，并反映为换能器驱动电压电流的变化，且键合过程不同，强 度不同，其变化过程也不同。因此，结合键合机理认识，发掘变化过程的特征，找到反映强度 生成过程的特征，就可以实现键合质量在线检测与判别。
为解决上述技术问题，本发明所采用的技术方案为 —种芯片封装互连中的超声键合质量在线监测判别方法，其特征在于，包括以下 步骤 步骤A :在键合过程中采集换能器的驱动电流信号；根据采集的驱动电流信号获 取以下8个特征值 1)所述电流信号的基频信号有效值平均值avereng ;
2)所述电流信号的键合过程中基频有效值最小值min ;
3) 键合过程中所述电流信号的基频有效值的最大值与最小值之差diff ;
4) 对所述电流信号进行解调处理后的调制信号过零点数NumO ;
5)所述电流信号的基频有效值tl-t2内的方差varl， tl取50_70ms， t2取
90-110ms ;tl、 t2在不同键合条件下取值不同，以上给出的是一般取值。
6)所述电流信号的基频有效值tl-t2内的平均值meanl， tl取50_70ms， t2取
90-llOms ;tl、 t2在不同键合条件下取值不同，以上给出的是一般取值。
7)对所述电流信号进行FFT变换后幅值最大的频率点，即基频频率值f ; 8)对所述电流信号进行FFT变换后幅值最大的频率点对应的幅值famp ; 步骤B):构造神经网络，步骤A)中所述的8个特征值作为神经网络的8个输入量；
神经网络的输出为一个，输出值为0或l，O表示键合失败，1表示键合成功； 步骤C):按照步骤A)采集8个特征值的多组样本对步骤B)中的神经网络进行训
练；训练成功后，运用该神经网络对芯片封装互连中的超声键合质量进行在线监测与判别。
在所述的步骤A)中 所述电流信号的基频信号有效值平均值avereng的计算力、
<formula>formula see original document page 5</formula>1000 所述电流信号的键合过程中基频有效值最小值min的计算公式为
min = min (D丄(51:1000)); 键合过程中所述电流信号的基频有效值的最大值与最小值之差diff的计算公式
为diff = max (D丄(51:1000)) -min (D丄(51:1000)); 其中D工为电流信号的基频信号有效值，D工的计算公式为 A <formula>formula see original document page 5</formula>，
length (S)/200
200
;S为所述电流信号，
(51:1000)表示取Di第51到第1000个点，对应的时间是10_195ms ; 4)所述方差varl的计算公式为
<formula>formula see original document page 5</formula> 5)所述平均值meanl的计算公 为<formula>formula see original document page 6</formula> 其中5为60-100ms内平均值。 —种芯片封装互连中的超声键合质量在线监测判别系统，其特征在于，包括用于
采集换能器的驱动电流信号的数据采集装置；用于对数据采集装置所采集的信号进行数据
处理的数据处理装置；用于根据输入量判别是否键合成功的神经网络辨识器；所述的数据
采集装置与数据处理装置连接，所述的数据处理装置输出8个特征值作为所述的神经网络
辨识器的输入量；所述的神经网络辨识器的输出量为辨识结果，输出量的值为O或l，O表示
键合失败，1表示键合成功；所述的8个特征值如下 1)所述电流信号的基频信号有效值平均值avereng ; 2)所述电流信号的键合过程中基频有效值最小值min ; 3)键合过程中所述电流信号的基频有效值的最大值与最小值之差diff ; 4)对键合过程中所述电流信号进行解调处理后的调制信号过零点数NumO ; 5)所述电流信号的基频有效值tl-t2内的方差varl， tl取50_70ms， t2取
90-110ms ;tl、 t2在不同键合条件下取值不同，以上给出的是一般取值。
6)所述电流信号的基频有效值tl-t2内的平均值meanl， tl取50_70ms， t2取
90-llOms ;tl、 t2在不同键合条件下取值不同，以上给出的是一般取值。
7)对所述电流信号进行FFT变换后幅值最大的频率点，即基频频率值f ; 8)对所述电流信号进行FFT变换后幅值最大的频率点对应的幅值famp。 超声键合是通过超声振动和劈刀压力的作用，将金属丝(球)焊接到芯片焊盘和
基板引脚上，从而将芯片与基板的电路连接在一起的技术。在键合过程中，随着键合界面连
接强度的逐步形成，金属丝(球)、劈刀、芯片、基板所组成的界面工况不断改变。 一方面使
得系统机械特性(共振频率、振型等)发生改变，表现为劈刀振动振动频率和驱动信号频率
的改变；另一方面使得系统消耗的功率发生改变，表现为PZT(压电陶瓷)驱动电流和电压
幅值的改变。同时使得系统劈刀、金属丝(球)和基板之间的阻尼及键合界面微观特性发
生改变，表现为电流幅值和谐振频率的改变。而这些信号的不同将导致不同的键合质量，因
此，提取这些信号的变化可以判断键合质量的好坏。 根据上述思路，本发明的内容包括采集换能器驱动电流电压信号，然后采用小波 分析、快速傅里叶变换等方法，提取信号在键合过程中的变化特征，并将此特征输入经过训 练的神经网络，从而获得键合是否成功的判断。 本发明所述的超声键合质量在线监测系统由数据采集卡、信号采集程序、信号分 析程序、神经网络程序等组成。
本发明的工作流程为 首先采用常规的方法设定好键合参数，确保大部分键合能键合上，使用数据采集 卡采集该键合条件下200组以上的换能器驱动电流和电压样本数据，保存这些数据供样本 分析使用。 使用拉剪测试机测试这些键合样本，按照工业标准确定这些键合是否成功。
使用信号分析程序对上述保存的数据进行分析处理，提取与键合质量有关的特 征。
将上述特征作为输入，上述拉剪测试机测试结果(是否成功)作为输出，输入人工 神经网络进行训练，训练成功后保存该网络，即可投入实际在线使用。 在线使用时，把数据采集、信号分析和神经网络程序与超声键合系统实时通讯，当
键合完成后，超声键合质量在线监测系统根据该次键合的信号特征将判断出该次键合是否
成功，并反馈给键合系统，如果键合失败，会提醒用户，否则进行下一个键合。 当改变键合参数后，重复上述广5步即可。 芯片封装互连中的超声键合质量在线监测与判别系统包括 —个能同步采集超声键合过程中换能器驱动电流、电压信号的数据采集系统，包 括信号传感电路和采集软件； —个能实时提取上述信号特征的信号分析系统； —个能实时学习并识别特征的键合质量判断系统(在本发明中为一人工神经网 络软件)； 超声键合质量在线监测系统，其特征在于采集系统采集的换能器驱动电信号易
于检测，采集所需的传感电路的搭建并不会影响键合机换能系统的性能，同时也不要增加
昂贵的设备和成本；使用小波分析、快速傅里叶变换等数字信号处理方法对上述信号进行
实时处理，获得信号中包含的与键合质量相关的特征；使用经过预先训练的人工神经网络，
根据这些特征值判断出当次键合是否成功。 本发明所具有的有益效果 本发明通过对键合过程中各参数对键合结果的影响，提炼出与键合质量密切相关 的8个特征量，在根据这些特征量对键合成败进行识别，具体来说，本发明巧妙的通过对键 合过程中换能器驱动电信号的分析与特征提取，从而实时判断当次键合是否成功，并为失 败的键合提供补救的机会或标记，以提高芯片封装互连的生产效率和可靠性，由此可以大 大节约芯片封装的成本。 采用本发明的方法以后，可以将互联的引线失效率从目前的百万分之100-50降 低到百万分之10以下。 与其他键合质量判断方法相比，本发明通过分析易于检测的换能器驱动电信号， 能实时在线的判断出键合质量的好坏。传感电路不影响换能器系统的性能，不需要引进昂 贵的设备，具有成本低、响应快、效率高和大大提高芯片封装的可靠性等优点。
图1为本发明的工作流程图； 图2为信号采集传感电路示意图；其中1-变幅杆；2-超声振动方向；3-劈刀；
4-工作台；5-PZT。 图3为电流信号中各频率段信号； 图4为键合失败时的电流谐波； 图5为解调后信号对比((a)键合成功；(b)键合失败)； 图6为无引线键合时的电流信号； 图7为悬空键合时的电流信号； 图8为污染表面键合时的电流信号(a)键合失败，(b)键合失败(c)键合成功;
7
图9为部分键合失败时的电流有效值曲线(a)电流幅值突然变大，键合失败，(b)
电流幅值波动剧烈，键合失败； 图10为训练值与期望值对比； 图11为对所有键合进行识别的结果。 图12改变键合条件下的键合质量识别(a)改变键合条件下的神经网络训练结果 (b)改变键合条件下的神经网络应用结果。
具体实施例方式
下面结合附图和具体实施方式
对本发明作进一步说明。 本发明是在WS3000型粗铝丝超声引线键合机平台上实现的。由于超声键合的超 声系统及其键合机理均类似，因此本发明也完全可以应用在热超声引线键合、热超声倒装 键合系统中。
实施例1 : 以WS3000型粗铝丝超声引线键合机为平台，本发明的具体实施过程为 首先构建了一个用于超声键合质量在线监测的多通道高速数据采集系统，实现了
键合过程中换能器驱动电压、电流信号的同步采集。该系统由PCI高速数据采集卡、采集软
件和信号传感电路组成。信号传感电路如图2所示。采集信号为经过换能器压电陶瓷的电
流和其两端的电压，引出电压为U2 ，电流通过9欧姆的电阻采样转换成电压U1 ，由于采集系
统的输入阻抗很高，电流采样电阻的阻值很小，所以信号传感电路的接入对原换能系统没
有影响。在大功率超声键合中，PZT驱动电压高于数据采集卡能够承受的最高电压，因此采
用能衰减IO倍的BNC探头接入采集卡，衰减后输出电压U2，本发明实验中电压已衰减。 各路实测信号与实际信号的关系如下 电流I = Ul/9 X 1000 (mA) 电压U二U2X10(V) 采集软件采用LabView编写，除了主要的采集功能，软件还包括采集卡的各个参 数设置、采集数据显示、频谱分析结果显示、用户操作响应、数据保存、意外错误处理等辅助 功能。 获得上述信号后，本发明编写了 Matlab程序，使用小波时频分析方法提取了电流 信号的特征，并根据键合的强度，获得了特定键合条件下电流信号特征与键合强度的关联 关系，这些关联可用于键合质量的在线判别。
小波分析与特征提取 1、在键合压力为3. 5格(约12. 2N)、键合时间为3. 5格(约200ms)、键合功率为 4.7格(约0.8W)的键合条件下，绝大多数键合都能有很好的键合强度。对换能器驱动电 流信号进行小波包分解，得到其基频、倍频、三倍频、四倍频信号的有效值曲线如图3所示。 在此键合条件下，如果电流衰减缓慢，10-195ms内电流衰减幅度小于3mA，则表明键合过程 中键合质量始终没有形成；键合时后半段(100-195ms)电流平均值很大，超过12mA，阻抗很 小，则表明最后键合质量没有形成；最终表现为键合失败，如图4所示。
图中有效值曲线计算公式为
8/ 1 (i+l)， ^Di;i = , — T" i=0，l， ......length(S)/200 (1)
其中，S为电流分量信号，D为有效值信号。 根据以上分析，对大量数据处理后可知，在该键合条件下，如果在键合过程中电流
流
信号10-195ms内基频有效值平均值大于13mA，有效值最小值大于llmA，有效值最大值与最 小值之差小于3mA，则键合失败。其信号特征提取如下
基频信号有效值平均值avereng，其计算公式为
1 !0ffl 讚腦g = i i i
(2) 键合过程中基频有效值最小值min，其计算公式为
min = min(D丄(51:1000)) (3) 键合过程中基频有效值最大值与最小值之差diff ，其计算公式为
diff = max (D丄(51:1000) )-min(D丄(51:1000)) (4) 其中Di为基频有效值，Dj51:1000)表示取D:第51到第1000个点，对应的时间是 10-195ms。 2、对换能器驱动电流信号进行解调处理，可以得到其中的调制信号。对于键合成 功和键合失败的电流信号的解调，得到的结果有明显差异。如图5所示，键合失败时解调后 信号无规则，而键合成功时的电流信号解调后信号趋于规则。根据此分析，提取特征值为
4)解调后调制信号过零点数NumO ; 如果调制信号在10-195ms内过零点数少于4个，则将导致键合失败。
3、在键合过程中如出现无引线情况也属于键合失败。此时电流各频率段信号如图 6所示。与正常键合(图3)时相比，此时幅值变化平缓，虽有一点衰减，但不明显，峰值在 16mA以上，而正常键合时电流峰值均在15mA以下。此时表现出的特征同第1点分析。
4、如果键合时劈刀固定失效而向上滑动，就会出现悬空键合的情况，即键合时劈 刀根本没有接触到基板。在此情况下电流信号几乎没有衰减，变化不明显，幅值明显较大， 峰值在23mA附近。如图7所示。此时表现出的特征亦同第l点分析。
5、在键合过程中，如果芯片焊盘表面有氧化及污染物，在键合过程中将严重影响 键合质量的形成。使用这种焊盘进行键合时，换能器驱动电流信号随键合的污染情况而变 化复杂，大多数键合都会失败。如图8所示，污染表面进行键合时电流峰值比正常键合时 大，但比悬空键合时小，如果幅值变化平缓，则键合失败。在此情况下即使键合成功其键合 强度也比正常时低。此时表现出的特征亦同第1点分析。 6、在键合过程中，部分键合失败的电流信号出现突变点，如图9所示，与图3相 比，表现为tl-t2内变化很大，tl、 t2在不同键合条件下取值不同，一般tl取50-70ms， t2 取90-110ms ;本键合条件下，tl-t2为60-100ms，其标准差大于8mA，平均值相对较小，小于 llmA。因此可以提取特征为 5)基频有效值60-100ms内方差varl，其计算公式为
9<formula>formula see original document page 10</formula>
6)基频有效值60-100ms内平均值meanl，其计算公式为
1 500 — --(D，(i) - 5)
/■III ■ - .-.，
(6) 其中D为60-100ms内平均值。 7、引线键合最终依赖换能系统的谐振以提供所需的超声能量，系统的谐振频率最
终是与键合界面状态、阻抗大小等诸多因素有关。对电流信号进行快速傅里叶变换后，其幅
值最大的频率反映了该次键合换能系统的工作频率，其大小在换能器固有频率附近变化，
如果该频率值远离换能器固有频率，则超声锁相失败，将导致键合失败。该频率反映了键合
界面状态、阻抗等信息，因此该频率也将与键合质量相关，同时其幅值大小反应了能量集中
情况，幅值越大则能量越集中，据此提取特征为 7)FFT变换后幅值最大的频率点，即基频频率值f 8) FFT变换后最大频率对应的幅值f amp 若基频频率值f大于60kHz或小于56. 28kHz，则系统锁相失败，键合也将失败，若 FFT变换后最大频率对应的幅值famp小于50mA2，则键合过程中能量不集中，键合失败。
基于以上分析，采用小波分析和快速傅里叶变换(FFT)分析方法，在键合压力为 3. 5格(12. 2N)、键合时间为3. 5格(200ms)、键合功率为4. 7格(0. 8W)的键合条件下，提 取8个信号特征分别为电流信号基频有效值平均值、键合过程中基频有效值最小值、基频 有效值最大值与最小值之差、解调后调制信号过零点的个数、基频有效值60-100ms时段内 方差和平均值、FFT变换后幅值最大的频率点(基频频率)和最大频率对应的幅值。当键 合条件改变的时候，则可按照之前的分析方法，重新对键合中的电信号进行分析，得到键合 成功时特征值取值范围不再与以上分析时相同，但根据该方法肯定可以得到一组判断键合 成功与键合失败的特征值。
BP网络的设计
选取BP网络初始参数如下 神经网络输入层节点个数为8个，即以上分析中提取的特征的个数，隐含层为1 层，隐含层节点为15，输出节点为l，输出为线性函数输出。 神经网络在使用前需要训练。BP神经网络的训练函数有很多，在本发明中采用 Levenberg-Marquardt训练方法，该方法在表现函数是平方和形式的情况下有很好的收敛 速度。 训练的参数设置如下
net. trainPar咖.time = inf ;
net. trainPar咖.lr = 0. 05 ;
net. trainPar咖.epochs = 1000 ;
net. trainPar咖.goal = le_5 ;
net. trainPar咖.min_grad = le_10
net. trainPar咖.max—fail = 5 ;
%最大训练时间
%学习速率
%最大训练次数
%训练要求精度，即期望误差
%最小梯度要求
%最大失败次数
训练过程中，只要满足下面5个条件中的任何一个条件，训练就会停止 超过最大迭代次数印ochs 。 表现函数值小于误差指标goal。 梯度值小于精度要求mingrad。 训练所用时间超过时间限制time。 最大失败次数超过次数限制max—fail。 训练过程为测试300-500次键合并观测键合的成败，选取150次正常键合、60次 无引线键合、60次悬空键合、45次污染表面键合作为样本对神经网络进行训练。训练过程 中目标值与训练值对比曲线如图10所示。 训练结束后，应用该神经网络对已训练的315次键合和实时进行的315次键合进 行识别，其结果如图ll所示(其中l表示键合成功，O表示键合失败)，由图可知，该神经网 络能有效的识别出所有键合失败的情况。 最后把已经训练好的网络应用于超声键合质量在线监测系统中。每一次超声键合 后，采集系统实时采集压电陶瓷的驱动电信号并送入分析系统中。分析系统根据以上说明 中所述的特征提取方法，得到其8个特征值。神经网络根据这8个特征值实时判断出当前 键合是否成功。1)如果判断键合成功，则进行下一条引线的键合；2)如果判断键合失败，则 键合暂停并报警提示当前键合失败，通知操作工人介入处理，比如在当前芯片上点上标记， 以便在后续封装过程中将其剔除；或者按照预定的规则，在键合点的旁边重新键合一条引 线(即补线)。 当键合条件改变时，采用上述方法可以提取其对应的特征和构建监测系统，只是
不同键合条件下特征值的数量和特征值的计算公式及其阈值会不一样。下面举例分析。在
键合压力为3格(约11N)、键合时间为3格(约170ms)、键合功率为3格(约0. 6W)的键
合条件下，绝大多数键合都能有很好的键合强度。采用上述步骤提取其特征值如下 1)基频信号有效值平均值avereng，其计算公式为
1 咖 證削g = :S A 1" 2)键合过程中基频有效值最小值min，其计算公式为
min = min (D丄(41:880)) (8) 3)键合过程中基频信号后半段衰减幅度diff，其计算公式为 diff = max(Di(470:480))-min(Di(870:880)) (9) 4)解调后调制信号过零点数NumO ; 5)FFT变换后幅值最大的频率点，即基频频率值f ; 6) FFT变换后最大频率对应的幅值famp ; 由于在该键合条件下信号过程中没有出现如图9所示的突变特征，所以前述特征 基频有效值60 100ms内方差varl和平均值meanl在此可以不要，以简化网络模型。在该 键合条件下各特征值与键合强度的关系为如果基频信号平均值avereng大于9mA，键合过 程中基频有效值最小值min大于7mA，键合过程中基频信号后半段衰减幅度dif f小于lmA， 解调后调制信号过零点数NumO少于5个，FFT变换后最大频率对应的幅值famp小于30mA2， 基频频率值f大于60kHz或小于56. 3660kHz ，则键合失败。
采用上述6个特征值构建神经网络，对100个键合样本进行训练后对另外100个
键合信号进行测试，如图12所示，这些特征值能很好的识别出键合失败。 采用本发明的方法以后，可以将互联的引线失效率从目前的百万分之100-50降
低到百万分之10以下。 本实例中，采样频率为1024kHz。
权利要求
一种芯片封装互连中的超声键合质量在线监测判别方法，其特征在于，包括以下步骤步骤A在键合过程中采集换能器的驱动电流信号；根据采集的驱动电流信号获取以下8个特征值1)所述电流信号的基频信号有效值平均值avereng；2)所述电流信号的键合过程中基频有效值最小值min；3)键合过程中所述电流信号的基频有效值的最大值与最小值之差diff；4)对所述电流信号进行解调处理后的调制信号过零点数Num0；5)所述电流信号的基频有效值t1-t2内的方差var1，t1取50-70ms，t2取90-110ms；6)所述电流信号的基频有效值t1-t2内的平均值mean1，t1取50-70ms，t2取90-110ms；7)对所述电流信号进行FFT变换后幅值最大的频率点，即基频频率值f；8)对所述电流信号进行FFT变换后幅值最大的频率点对应的幅值famp；步骤B)构造神经网络，步骤A)中所述的8个特征值作为神经网络的8个输入量；神经网络的输出为一个，输出值为0或1，0表示键合失败，1表示键合成功；步骤C)按照步骤A)采集8个特征值的多组样本对步骤B)中的神经网络进行训练；训练成功后，运用该神经网络对芯片封装互连中的超声键合质量进行在线监测与判别。
2. 根据权利要求1所述的芯片封装互连中的超声键合质量在线监测判别方法，其特征在于，在所述的步骤A)中所述电流信号的基频信号有效值平均值肌ereng的计算公式为U ,fc^f^ = - / "，國i國誦t3 ,所述电流信号的键合过程中基频有效值最小值min的计算公式为 min = min(D丄(51 : 1000));键合过程中所述电流信号的基频有效值的最大值与最小值之差diff的计算公式为 diff = max (Di (51 : 1000))-min (D丄(51 : 1000));其中Dl为电流信号的基频信号有效值，Dl的计算公式为；S为所述z=0,l，……^^W(^)/200电流信号，Dl(51 : 1000)表示取D1第51到第1000个点，对应的时间是10-195ms ; 4)所述方差varl的计算公式为其中D为60-100ms内平均值。
3. —种芯片封装互连中的超声键合质量在线监测判别系统，其特征在于，包括用于采 集换能器的驱动电压和电流信号的数据采集装置；用于对数据采集装置所采集的信号进行 数据处理的数据处理装置；用于根据输入量判别是否键合成功的神经网络辨识器；所述的 数据采集装置与数据处理装置连接，所述的数据处理装置输出8个特征值作为所述的神经 网络辨识器的输入量；所述的神经网络辨识器的输出量为辨识结果，输出量的值为0或l，O 表示键合失败，1表示键合成功；所述的8个特征值如下1) 所述电流信号的基频信号有效值平均值avereng;2) 所述电流信号的键合过程中基频有效值最小值min ;3) 键合过程中所述电流信号的基频有效值的最大值与最小值之差diff ;4) 对所述电流信号进行解调处理后的调制信号过零点数NumO ;5) 所述电流信号的基频有效值tl-t2内的方差varl， tl取50_70ms， t2取90-llOms ;6) 所述电流信号的基频有效值tl-t2内的平均值meanl， tl取50-70ms， t2取 90-110ms ;7) 对所述电流信号进行FFT变换后幅值最大的频率点，即基频频率值f ;8) 对所述电流信号进行FFT变换后幅值最大的频率点对应的幅值famp。
全文摘要
本发明公开了一种芯片封装互连中的超声键合质量在线监测判别方法及系统，该方法和系统首先对键合过程中换能器驱动电流信号的分析与特征提取，然后将提取的特征量送入基于神经网络的辨识器中输出键合成功与否的输出值，从而实时判断当次键合是否成功，并为失败的键合提供补救的机会或标记，以提高芯片封装互连的生产效率和可靠性，由此可以大大节约芯片封装的成本。
文档编号G01N29/12GK101726542SQ20091030774
公开日2010年6月9日 申请日期2009年9月25日 优先权日2009年9月25日
发明者刘少华, 王福亮 申请人:中南大学