임피던스 스펙트럼의 심층학습을 통한 표면 실장 커패시터의 균열 진단
Crack Diagnosis for SMD Capacitors Using Deep Learning with Impedance Spectra
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
표면 실장 부품은 전자제품의 소형화와 고성능화를 가능하게 하는 핵심 요소로서, 회로의 성능뿐만 아니라 신뢰성에도 큰 영향을 미친다. 본연구는 임피던스 스펙트럼의 심층학습을 통해 표면 실장 커패시터의 균열을 비파괴적으로 평가하는 방법을 제시한다. 이를 위해 132개의 시편을 대상으로, 본드 테스터의 전단 센서 모듈을 통해 150 μm씩 1~8회 왕복 이동시키며 파단 전까지 총 9단계의 균열을 인가하였고, 각 균열단계별로 임피던스 분석기를 사용하여 14종의 파라미터에 대한 주파수 대역 스펙트럼을 획득하였다. 그 결과, 9단계의 균열 단계에 따라 파라미터별로 유의미한 패턴 변화가 관찰되어 임피던스 스펙트럼이 균열 평가에 효과적인 도구임을 확인하였다. 더 나아가 데이터 증강을 통해 다양한 균열 단계 정보를 갖는 87,800개의 데이터를 확보하여, 임피던스 스펙트럼을 입력하면, 표면 실장 커패시터의 균열 단계를 출력하는 심층학습 모델을 학습시켰다. LSTM (long short-term memory), ConvNeXt 모델을 적용한 결과, 두 모델 모두 품질 계수가 각각 0.93과0.94로 가장 높은 진단 정확도를 나타냈다. 또한 LSTM은 균열 진전의 초반과 후반 단계를, ConvNeXt는 중반 단계를 효과적으로 검출할 수있음을 확인하였다.
Abstract
Surface-mounted devices are essential components that enable miniaturization and enhanced performance in electronic products, significantly impacting both circuit performance and reliability. In this study, we propose a non-destructive evaluation method for cracks in surfacemounted capacitors using deep learning of impedance spectra. To achieve this, cracks were induced in 132 specimens through incremental shear displacement (150 μm per cycle, repeated 1~8 times, resulting in a total of 9 crack levels until fracture) using a shear sensor module of a bond tester. At each crack level, frequency-domain spectra were acquired for 14 parameters using an impedance analyzer. As a result, meaningful changes in parameter patterns corresponding to each crack stage were observed, confirming impedance spectroscopy as an effective tool for crack assessment. Furthermore, through data augmentation, we generated 87,800 datasets representing various crack stages. These datasets were then used to train deep learning models capable of outputting crack stages from input impedance spectra. Evaluations of long short-term memory (LSTM) and ConvNeXt models showed that both achieved the highest diagnostic accuracy with the Q-factor parameter (0.93 for LSTM and 0.94 for ConvNeXt). Additionally, it was confirmed that LSTM effectively detected cracks in early and late stages, while ConvNeXt was most effective in detecting mid-stage cracks.