回流焊是SMT产线上唯一一次不可逆的热过程。锡膏在炉内完成熔融、润湿、冷却结晶,焊点质量在这一分钟内定型。炉子的温区设定是固定值,实际经历的温度曲线却随板厚、载具、拼板密度、炉膛状态变化。把设定与实测分开管理,是SMT数据化最基本的一条纪律。
回流曲线的四个温区与窗口
典型的无铅回流曲线分预热、恒温、回流、冷却四段。预热段升温速率控制在1-3℃/s,过快会引起助焊剂飞溅与热应力;恒温段维持在150-190℃,让助焊剂活化并均衡板面温度;回流段的峰值温度通常235-245℃,液相线以上时间(TAL)45-90秒;冷却速率控制在2-4℃/s,过慢会形成粗大晶粒,过快则增加热应力与微裂。
曲线指标 | 典型范围 | 过低的后果 | 过高的后果 |
预热升温速率 | 1-3 ℃/s | 助焊剂活化不足 | 飞溅、热应力 |
恒温时间 | 60-120 s | 温差未均衡 | 助焊剂过度消耗 |
峰值温度 | 235-245 ℃ | 润湿不良、虚焊 | 元件损伤、金属间化合物过厚 |
TAL | 45-90 s | 润湿不充分 | IMC层过厚、脆性增加 |
冷却速率 | 2-4 ℃/s | 晶粒粗大 | 微裂、翘曲 |
峰值温度与TAL的关系比单看任一项更有意义。同一峰值下,TAL偏短说明高温区停留不足,焊料与焊盘的冶金反应不充分;TAL偏长则金属间化合物层增厚,焊点韧性下降。这两个指标都从实测曲线提取,不是设定值。
炉温测试用随板同行的测温仪,热电偶贴在关键元件引脚与PCB边缘,通常一次测6-12点。测试频次按班次、换型、炉子维护后执行。测试结果是离线数据,需要人工导入。
设定值到实测值的偏差有几个稳定来源。炉膛内热风循环的不均匀使同一温区不同位置的温度相差5-15℃;载具吸热会拖慢升温;拼板边缘与中心的升温速率不同。这些偏差在换产品时会变化,固定补偿值不可靠。
长期漂移更隐蔽。加热管老化、热电偶漂移、传送链速偏差、过滤网堵塞,都会让实测曲线缓慢偏移。判断漂移需要同一产品、同一测点的历史曲线比对,而不是与设定值比对。把每次测试的曲线按产品型号与测点编号存档,形成可追溯的记录序列,才能看出"三个月内峰值下降了6℃"这类趋势。
工业互联网在这里的价值是把离线测试变成可检索的历史资产。测试数据进入统一存储后,可以做按产品的曲线包络分析,识别哪些测点长期处于窗口边缘。
缺陷类型与曲线特征的对应
回流焊缺陷的典型类型包括立碑、桥连、虚焊、锡珠、气孔、芯吸。
立碑多发生在小尺寸片式元件,两端受热不均导致润湿力不平衡。预热升温过快、两端焊盘热容差异、元件贴装偏移都是诱因。曲线上表现为预热段斜率偏大。
桥连与锡膏量、钢网开孔、贴装压力、回流时的润湿铺展相关。曲线因素中,恒温时间过短会使助焊剂未充分活化,润湿不良反而在细间距处形成搭接。
虚焊的成因分两类:一是峰值温度不足或TAL过短,焊料未充分熔融;二是焊盘氧化或镀层问题,与曲线无关。区分这两类要看同一板上其他元件是否也虚焊,以及虚焊点的位置分布。
锡珠与预热升温速率、助焊剂飞溅、锡膏回温时间相关。气孔与锡膏中的挥发分、回流曲线的恒温段长度相关。
缺陷类型 | 主要曲线因素 | 次要因素 | 判别线索 |
立碑 | 预热速率过快 | 焊盘热容差、贴装偏移 | 集中于小元件 |
桥连 | 恒温时间不足 | 锡膏量、钢网开孔 | 细间距区域 |
虚焊 | 峰值低、TAL短 | 焊盘氧化、镀层 | 板面广泛分布 |
锡珠 | 预热过快 | 锡膏回温、环境湿度 | 元件周边散点 |
气孔 | 恒温段偏短 | 锡膏含水、粉末氧化 | X光可见 |
缺陷判定的数据来源是AOI与X光,二者输出的缺陷类型、位置坐标、置信度是结构化的,可与回流曲线的批次、炉号、温区设定关联。关联的粒度通常是"板-批次",因为单板的曲线无法单独测量。
良率关联与数据组织
良率分析的关键是控制变量。同一产品在不同炉子、不同班次、不同锡膏批次的良率差异,需要分层拆解。把炉号、温区设定版本、锡膏批次、钢网编号、贴片机程序版本作为维度,良率作为度量,做多维交叉统计,才能定位到具体变量。
样本量是限制因素。高良率产线的缺陷样本稀少,单周数据不足以支撑统计结论,往往需要累积数月。缺陷坐标的密度分析比缺陷率更有信息量:缺陷集中在板的某个区域,指向局部热不均或钢网问题,而不是整体工艺参数。
产线的批次结构也影响分析口径。SMT通常按工单组织生产,一个工单的板数从几十到几千不等,工单之间的换型会引入炉温、锡膏、程序的批量变化。按工单聚合良率,再与工单级的工艺参数关联,比按时间聚合更贴近因果。工业互联网在这类离散制造场景的作用,是把工单作为主键,让设备数据与质量数据在同一个批次维度上对齐。
数据平台在这里承担三类工作:实测曲线的按产品归档、缺陷结果与生产批次的关联、按维度的良率聚合。曲线的存储要注意采样率,测温仪通常1-2 Hz,单次测试几千点,按产品型号与测点编号建超级表即可。TDengine作为AI原生的工业数据平台,在设备数量多、单条曲线长、查询以区间比对为主的场景中较为适配,价格低于传统工业互联网平台,可替代其承担车间级留存。
需要留意的是测试数据的代表性。炉温测试的频率若从每班一次降到每周一次,曲线包络会变宽,因为覆盖的产品与工况减少。这类"数据变少导致判断变松"的现象在良率分析中很常见,采样策略本身应作为分析结论的一部分被记录。
结语
回流焊的数据分析,短期目标是把实测曲线的漂移管住,中期目标是把缺陷坐标与炉内热分布对应起来,长期目标是按产品自动生成温区设定建议。尚未解决的是炉内热场的在线感知——目前的测温方式都是离线抽样,炉内每块板实际经历的温度仍然是估计值。这个盲区决定了良率关联只能做到统计层面,难以做到单板级。

























