يمكن للذكاء الاصطناعي تقليص الوقت الذي تقضيه مصانع الإلكترونيات في مطاردة العيوب الوهمية في خطوط التثبيت السطحي (SMT) بشكل كبير. ويقدم دليل إرشادي جديد خطوة بخطوة للمصنعين كيفية إجراء تجربة نموذج ذكاء اصطناعي يقوم بترتيب التنبيهات الخاطئة لنظام الفحص البصري الآلي (AOI)، مما يسمح للمفتشين بالتركيز على الصور الأكثر احتمالية لإخفاء مشكلات حقيقية.
تقوم أنظمة AOI بتحديد كل عيب محتمل، ولكن معظم التنبيهات تتبين أنها مجرد اختلافات غير ضارة في شكل المكونات أو انتشار اللحام. ويضيع المفتشون دقائق في فرز هذه "التنبيهات الخاطئة"، بينما قد تتسلل العيوب الحقيقية أحياناً لتصل إلى محطات الاختبار اللاحقة. المبدأ الأساسي لهذا الدليل بسيط: استخدام الذكاء الاصطناعي ليس لاستبدال محرك اتخاذ القرار في نظام AOI، بل لإعادة ترتيب تنبيهاته بحيث تظهر التنبيهات الأكثر خطورة أولاً.
لماذا تكتسب هذه المشكلة أهمية الآن
تعمل خطوط تقنية التثبيت السطحي (SMT) بسرعات لا تترك مجالاً كبيراً لإعادة الفحص البشري. وعندما تهيمن التنبيهات الخاطئة على تدفق التنبيهات، يضطر المشغلون إلى إيقاف الخط، والتحقق يدوياً من كل صورة، وتسجيل إجراءات الإصلاح. ويؤدي عنق الزجاجة هذا إلى تضخم تكاليف العمالة وتقليل معدل الإنتاجية.
إطار العمل التجريبي – من الفكرة إلى الأصل الإنتاجي
تحديد هدف ضيق وآمن يجب أن تقتصر التجربة على ترتيب تنبيهات AOI فقط، وليس قبول أو رفض اللوحات تلقائياً. إن إبقاء قرار القرار في يد البشر يضمن عدم قيام النموذج بإدخال خرق للجودة بشكل صامت.
وضع خط أساس (Baseline) قبل أن يلمس أي نموذج البيانات، قم بتسجيل المقاييس الحالية: معدل التنبيهات الخاطئة، متوسط وقت الفحص لكل لوحة، معدل تسرب العيوب، ومعدل الإنتاج من المرة الأولى (FPY). استخدم هذه الأرقام كمعيار للتحسين.
جمع بيانات غنية ومترابطة قم بربط صور AOI مع قرار المفتش، ورمز الإصلاح المحدد، ونتائج الاختبار النهائية، وحقول السياق مثل الرقم التسلسلي، والطابع الزمني، وإعدادات الماكينة (machine recipe). كلما كانت مجموعة البيانات أغنى، أصبح النموذج أكثر دقة.
الحماية من تلوث البيانات غالباً ما تؤدي أوامر تغيير الهندسة (ECOs) إلى تغيير بصمات المكونات أو أنماط الوسادات (pads). إن خلط الصور ما قبل الـ ECO وما بعدها يربك النموذج، مما يؤدي إلى تنبؤات سيئة. قم بتقسيم البيانات حسب المراجعة أو حسب تاريخ التغيير.
تطبيق تسميات ذات مغزى بدلاً من التصنيف الثنائي "عيب / لا يوجد عيب"، استخدم فئات مثل "يتطلب إعادة عمل"، أو "مراجعة هندسية مطلوبة"، أو "اختلاف مقبول". تمنح التسميات الدقيقة إشارات أوضح للنموذج حول شدة كل تنبيه.
تقسيم البيانات بالطريقة الصحيحة إن خلط السجلات عشوائياً في مجموعات التدريب والاختبار قد يجعل النموذج يبدو أفضل مما سيكون عليه في مرحلة الإنتاج. قم بالتقسيم حسب النافذة الزمنية أو حسب مراجعة المنتج بحيث تعكس مجموعة الاختبار حقاً البيانات المستقبلية غير المرئية.
التحقق من الصحة مقابل الاستخدام في العالم الحقيقي بعد التدريب، قم بترتيب دفعة تحقق وقم بقياس عدد العيوب الحقيقية التي تقع ضمن أعلى 20% من القائمة. إذا نجح النموذج في إظهار معظم المشكلات الحقيقية مبكراً، فهو جاهز للنشر المحكوم.
التعامل مع النموذج كأصل إنتاجي قم بتسجيل كل إصدار، ومجموعة بيانات تدريب، وتعديل في المعلمات الفائقة (hyper-parameter) في نفس نظام التحكم في التغيير الذي يتتبع مراجعات الأجهزة. يتيح لك سجل التدقيق هذا التراجع عن النموذج أو تحديثه بثقة.
التشغيل جنباً إلى جنب، لا الاستبدال قم بنشر محرك ترتيب الذكاء الاصطناعي بالتوازي مع تدفق الفحص الحالي. قارن توصياته مع قرارات المفتش البشري ونتائج الاختبار النهائية لعدة أسابيع قبل تغيير أي معايير قبول.
التكرار قبل التوسع التجربة الناجحة هي تغيير محكوم في العملية، وليست تجربة مفتوحة النهاية. بمجرد أن يحسن النموذج مقاييس خط الأساس باستمرار، أعد استخدام المنهجية لحالات استخدام أخرى مثل الصيانة التنبؤية أو جودة الموردين.
المخاطر والنقاط المقابلة
- جودة البيانات هي الأساس – الطوابع الزمنية غير المكتملة أو رموز الإصلاح المفقودة ستنتج نموذجاً مشوشاً وضعيف الأداء. إن اتباع روتين منضبط لجمع البيانات أمر لا يقبل التفاوض.
- انحراف النموذج (Model drift) – تؤدي المكونات الجديدة إلى تغيير الملف الإحصائي للصور "الطبيعية". إعادة التدريب المنتظمة، بتوجيه من نفس عملية التحكم في التغيير، تخفف من هذا الانحراف.
- إجهاد العنصر البشري في الحلقة – لا يزال ترتيب التنبيهات يتطلب من المفتشين فحص العديد من الصور. إذا لم يقم الترتيب بفصل العيوب الحقيقية عن الضجيج، فستختفي وفورات الوقت المتوقعة. راقب باستمرار وقت الفحص لكل لوحة.
ما يجب مراقبته لاحقاً
المصنعون الذين ينجحون في تجربة ترتيب AOI يمكنهم تعميم هذا النمط على حالات استخدام أخرى مثل الصيانة التنبؤية أو جودة الموردين.
الخلاصة: لا يعزز الذكاء الاصطناعي كفاءة خطوط SMT إلا عندما يتم دمجه مع نظام تنبيهات مُصنف حسب الأولوية، مبني على بيانات نظيفة وخاضعة للتحكم في الإصدارات، ومُتحقق من صحته مقابل حدوث العيوب الفعلية. تعامل مع النموذج كأصل إنتاجي، وليس مجرد عرض توضيحي لمرة واحدة، لتصبح النتيجة ميزة قابلة للتكرار.