[发明专利]一种光模块的封装方法在审
| 申请号: | 202211176945.X | 申请日: | 2022-09-26 |
| 公开(公告)号: | CN115857115A | 公开(公告)日: | 2023-03-28 |
| 发明(设计)人: | 王兴军;葛张峰;周䶮;孙丹;孟另伟;吴昊 | 申请(专利权)人: | 北京大学长三角光电科学研究院 |
| 主分类号: | G02B6/42 | 分类号: | G02B6/42 |
| 代理公司: | 北京品源专利代理有限公司 11332 | 代理人: | 许利波 |
| 地址: | 226001 江苏省南通市*** | 国省代码: | 江苏;32 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 模块 封装 方法 | ||
本发明涉及激光工程技术领域,公开一种光模块的封装方法。其中光模块包括光接收单元、光发射单元和管壳,所述光模块的封装方法包括以下步骤:S11、所述光接收单元独立封装并进行接电;S12、所述光发射单元独立封装并进行接电;S2、所述光接收单元和所述光发射单元在所述管壳内进行有源耦合并固定于所述管壳内;S3、所述光模块进行气密性封装。本发明实现了光发射单元和光接收单元独立进行接电测试,提高测试的便捷性;在光模块最佳的工作状态下,完成光发射单元和光接收单元的耦合,实现了光模块高精度耦合,减少了光封装损耗。
技术领域
本发明涉及激光工程技术领域,尤其涉及一种光模块的封装方法。
背景技术
光模块按照对光信号的处理方式,主要可分为光发射模块和光接收处理模块。目前大多数光模块为光发射或光接收处理部分独立进行封装,然后通过标准接口将两部分模块进行连接使用。这主要是因为光芯片大都需要在接电的有源状态下工作,而两个或多个光芯片同时工作在接电的有源状态下,则难以进行对光耦合。而部分集成光发射和光接收处理的模块,在封装的时候通常需要先将光发射芯片进行焊接固定,然后通过金丝键合接入电源信号使光发射芯片出光,之后光接收芯片在不加电信号的无源状态下与光发射模块进行对光耦合,或者采用在光发射芯片不出光的状态下,将光发射芯片和光接收芯片的光口进行机械对位。实际上大多数有源的光接收处理器件,例如调制器由于存在光信号的相位问题,在不接入热调电信号的时候,调制器很有可能不处于其最佳的工作状态,导致此时无源状态下的耦合位置有可能不是最佳耦合状态,进而导致封装后光的插入损耗增加。此外,多个这种需要依赖热调或偏置信号的器件进行级联,就有可能导致器件在无源的工作状态下整体损耗非常高,甚至不通光,这样就无法进行有效的耦合封装。
基于此,亟需一种光模块的封装方法,以解决上述存在的问题。
发明内容
基于以上所述,本发明的目的在于提供一种光模块的封装方法,实现了光发射单元和光接收单元独立进行接电测试,以及光发射单元和光接收单元的高精度有源耦合。
为达上述目的,本发明采用以下技术方案:
一种光模块的封装方法,光模块包括光接收单元、光发射单元和管壳,所述光模块的封装方法包括以下步骤:
S11、所述光接收单元独立封装并进行接电;
S12、所述光发射单元独立封装并进行接电;
S2、所述光接收单元和所述光发射单元在所述管壳内进行有源耦合并固定于所述管壳内;
S3、所述光模块进行气密性封装。
作为一种光模块的封装方法的优选技术方案,所述光接收单元包括PCB板、金属热沉、光接收芯片和光纤阵列;
所述S11步骤包括:
S111、所述PCB板安装于所述金属热沉上;
S112、所述光接收芯片贴装在所述金属热沉上;
S113、所述光接收芯片与所述PCB板引线键合;
S114、在所述光接收芯片的进光口通过光纤引入光源信号,同时光纤阵列在所述光接收芯片的出光口进行耦合并进行固定。
作为一种光模块的封装方法的优选技术方案,所述光接收单元还包括TEC芯片和散热垫块,在所述S112步骤中,将所述TEC芯片、所述散热垫块和所述光接收芯片依次贴装在所述金属热沉上,所述TEC芯片与所述PCB板引线键合。
作为一种光模块的封装方法的优选技术方案,在所述S111步骤中,所述PCB PCB板通过螺钉和/或胶水固定于所述金属热沉上。
作为一种光模块的封装方法的优选技术方案,所述光发射单元包括激光器芯片、热敏电阻、薄膜电路和焊线插针;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京大学长三角光电科学研究院,未经北京大学长三角光电科学研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211176945.X/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种音频处理方法及装置
- 下一篇:高混合半导体制造中的深度学习模型





