核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

Zr41Ti14Cu12.5Ni10Be22.5非晶棒料摩擦焊接

设计了一种非晶合金摩擦焊装置,以Zr₄₁Ti₁₄Cu_12.5Ni₁₀Be_22.5非晶棒料为研究对象,进行了摩擦焊试验.焊接样品经SEM,XRD,维氏硬度、TEM等检测,结果显示焊接界面无明显未熔合,样品仍然保持非晶态,接头硬度总体增大,接头处出现了纳米晶.采用ANSYS软件对非晶合金摩擦焊的温度场进行仿真.结果表明,在摩擦时间t=0.25s时摩擦界面中心温度超过非晶棒料玻璃转变温度,接触面全部进入过冷液相区,应进行顶锻.仿真结果与摩擦焊试验结果基本吻合,有利于指导焊接试验.     

通用型浇注系统CAD模块的开发

讨论了少注系统设计的方法，结合ＭＦＣ与ｏｂｊｅｃｔ－ＡＲＸ，开发出了通用型浇注系统ＣＡＤ模块，提高了设计效率。     

基于小波分析的倒装芯片主动红外缺陷检测

随着微电子技术的需求和发展,倒装芯片技术在高密度微型化封装领域得到了快速发展和广泛应用,而现有的一些倒装芯片检测方法存在一定的不足之处。为此,研究了主动红外的倒装芯片缺陷检测方法。实验中使用激光加热对倒装样片施加非接触热激励,通过红外热像仪获取样片温度分布。采用小波分析方法提取包括小波熵在内的信号特征,采用自组织神经网络对不同类型焊球进行聚类识别。研究表明,通过自组织神经网络可以有效地将不同缺陷焊球与参考焊球通过距离映射法映射到不同区域从而区分开,并且可以将未知焊球信号映射到相应的区域实现聚类识别。因此该方法可以有效实现倒装芯片的缺陷检测。     

基于主动红外的倒装芯片缺陷检测研究

传统的倒装芯片无损检测技术并不能完全满足倒装焊检测需要,为此提出了一种基于主动红外的倒装芯片缺陷检测方法。通过非接触方式对倒装芯片施加热激励,并结合红外测温设备检测芯片温度分布情况,从而对芯片内部缺陷进行诊断与识别。实验研究表明,该方法能较好地检测出倒装焊点缺陷,可应用于倒装焊芯片的缺陷检测与诊断研究。     

基于氧等离子体活化的硅硅直接键合工艺研究

基于氧等离子体活化的硅硅直接键合是一种新型的低温直接键合技术。为了优化工艺参数,得到高质量的键合硅片,选用正交试验法,研究了氧等离子体活化时间、活化功率、氧气流量三个重要的工艺参数对键合的影响,并采用键合率评估键合质量。研究结果表明,活化功率对键合率的影响最大,氧气流量次之,活化时间对结果影响最小,据此结论,在上述工艺中需重点关注活化功率和氧气流量的参数选择。     

硅片低温键合湿化学法表面活化工艺研究

探讨了使用湿化学法对硅片表面进行活化,完成硅圆片低温直接键合的流程.通过对不同活化流程细节的分析,以及实际的实验结果,对不同的工艺流程的键合效果进行比较.提出采用浓HNO3进行表面活化的方法相对于采用H2SO4以及HF效果要好.其在Si片表面生成的多孔结构氧化层有利于键合.此外,混合了微量HF的活化液由于HF活性较大,配量不易控制,在实际实验室环境中并不实用.文中还给出了实际键合样片的红外图像以及拉伸曲线.     

硅/玻璃紫外固化中间层键合

利用玻璃的透光特性和紫外固化的成熟技术,研究了一种使用紫外固化胶作为中间层的玻璃/硅室温键合工艺.通过选择一定波段的紫外固化胶,旋涂紫外胶后使用365nm光刻机作为紫外光源控制紫外固化,从而实现了硅/玻璃的中间层键合.分析测试结果表明,紫外固化辅助的中间层键合可以成功应用于硅/玻璃键合,中间层厚5～6μm,键合强度达到26MPa.该工艺只需室温条件,简单高效,成本低廉,无需额外的压力或电场,对于硅/玻璃低温键合封装具有潜在的应用价值.     

圆片键合强度测试方法分析

介绍了三种典型的圆片键合强度表现形式:抗拉强度、剪切强度和粘接强度.针对每种表现形式的特点,分析了相应的测试方法.抗拉和剪切强度以力为表征,主要的测试方法是一维直拉法,可测78.4 MPa强度以下的键合样件,但是测试样件制备要求比较严格;粘接强度是以能量形式表征键合强度,可以从本质上了解键合质量,主要测试方法是DCBT法.但是DCBT法需要精确计算所做的功,对测试设备要求较高.因此,抗拉和剪切强度主要应用于生产实际中而粘接强度侧重于科研工作.     

基于SOM网络的特征选择技术研究

讨论了一种SOM网络训练结果的可视化技巧,结合该技巧提出了基于SOM网络的特征选择方法。该方法 通过计算出SOM网络竞争层神经元权值中各维特征对输入模式聚类识别的影响,可以选择出对于模式识别敏感 的特征集。用IRIS和齿轮故障数据对该方法进行了检验,研究结果表明,采用该方法能较好地从原始特征中选择 出有效特征子集,实现不同类别输入数据之间的模式聚类识别。