KI kann die Zeit, die Elektronikfabriken mit der Suche nach Phantomdefekten in ihren SMT-Linien verbringen, massiv verkürzen. Ein neuer Schritt-für-Schritt-Leitfaden zeigt Herstellern, wie sie ein KI-Modell pilotieren, das AOI-Fehlalarme (false calls) nach Priorität ordnet, sodass sich Inspektoren auf die Bilder konzentrieren können, die am wahrscheinlichsten echte Probleme verbergen.
AOI-Systeme markieren jeden potenziellen Defekt, aber die meisten Alarme erweisen sich als harmlose Abweichungen in der Bauteilform oder der Lotverteilung. Inspektoren verschwenden Minuten damit, diese „Fehlalarme“ zu sortieren, während echte Defekte manchmal an späteren Teststationen vorbeischlüpfen. Die Kernidee des Leitfadens ist simpel: Nutzen Sie KI nicht, um die AOI-Entscheidungslogik zu ersetzen, sondern um die Alarme so umzuordnen, dass die riskantesten zuerst erscheinen.
Warum das Problem jetzt relevant ist
SMT-Linien (Surface-Mount Technology) laufen mit Geschwindigkeiten, die kaum Spielraum für eine manuelle Nachprüfung durch Menschen lassen. Wenn Fehlalarme den Alarmstrom dominieren, müssen Bediener die Linie anhalten, jedes Bild manuell verifizieren und Reparaturmaßnahmen protokollieren. Dieser Engpass treibt die Arbeitskosten in die Höhe und verringert den Durchsatz.
Das Pilot-Framework – von der Idee zum Asset
Ein eng gefasstes, sicheres Ziel definieren Der Pilot sollte AOI-Alarme nur nach Priorität ordnen, nicht Platinen automatisch annehmen oder ablehnen. Die Entscheidung in menschlicher Hand zu belassen, garantiert, dass das Modell nicht stillschweigend Qualitätsmängel einführt.
Eine Baseline etablieren Bevor ein Modell die Daten berührt, müssen die aktuellen Kennzahlen erfasst werden: Fehlalarmrate, durchschnittliche Inspektionszeit pro Board, Defekt-Durchschlupfrate (defect escape rate) und FPY. Nutzen Sie diese Zahlen als Maßstab für Verbesserungen.
Reiche, verknüpfte Daten sammeln Führen Sie AOI-Bilder zusammen mit dem Urteil des Inspektors, dem zugewiesenen Reparaturcode, den Endergebnissen der Tests sowie Kontextfeldern wie Seriennummer, Zeitstempel und Maschinenrezept zusammen. Je reichhaltiger der Datensatz ist, desto nuancierter wird das Modell.
Gegen Datenkontamination schützen Engineering Change Orders (ECOs) ändern oft die Footprints von Bauteilen oder die Pad-Muster. Das Mischen von Bildern vor und nach einem ECO verwirrt das Modell und führt zu schlechten Vorhersagen. Segmentieren Sie die Daten nach Revision oder nach dem Datum der Änderung.
Sinnvolle Labels anwenden Verwenden Sie anstelle eines binären „Defekt / kein Defekt“ Kategorien wie „Nacharbeit erforderlich“, „technische Überprüfung erforderlich“ oder „akzeptable Abweichung“. Granulare Labels geben dem Modell klarere Signale über die Schwere jedes Alarms.
Daten richtig aufteilen Das zufällige Mischen von Datensätzen in Trainings- und Testsets kann das Modell in der Theorie besser aussehen lassen, als es in der Produktion tatsächlich sein wird. Teilen Sie die Daten nach Zeitfenstern oder Produktrevisionen auf, damit der Testdatensatz die zukünftigen, unbekannten Daten wirklich widerspiegelt.
Gegen den realen Einsatz validieren Ordnen Sie nach dem Training eine Validierungscharge nach Priorität und messen Sie, wie viele echte Defekte in den obersten 20 % der Liste landen. Wenn das Modell die meisten realen Probleme frühzeitig erkennt, ist es bereit für einen kontrollierten Rollout.
Das Modell als Produktions-Asset behandeln Protokollieren Sie jede Version, jeden Trainingsdatensatz und jede Anpassung der Hyperparameter im selben Change-Control-System, das auch Hardware-Revisionen verfolgt. Dieser Audit-Trail ermöglicht es Ihnen, das Modell sicher zurückzusetzen oder zu aktualisieren.
Parallel betreiben, nicht ersetzen Implementieren Sie die KI-Ranking-Engine parallel zum bestehenden Inspektionsprozess. Vergleichen Sie deren Empfehlungen über mehrere Wochen mit den Entscheidungen der menschlichen Inspektoren und den Endergebnissen der Tests, bevor Sie Annahmekriterien ändern.
Iterieren vor der Skalierung Ein erfolgreicher Pilot ist eine kontrollierte Prozessänderung, kein endloses Experiment. Sobald das Modell die Baseline-Kennzahlen konsistent verbessert, können Sie die Methodik für andere Anwendungsfälle wie Predictive Maintenance oder Lieferantenqualität wiederverwenden.
Risiken und Gegenargumente
- Datenqualität ist entscheidend – Unvollständige Zeitstempel oder fehlende Reparaturcodes führen zu einem verrauschten Modell mit schlechter Leistung. Eine disziplinierte Datenerfassung ist unverzichtbar.
- Model Drift – Neue Bauteile verändern das statistische Profil „normaler“ Bilder. Regelmäßiges Retraining, geleitet durch denselben Change-Control-Prozess, mildert den Drift ab.
- Ermüdung durch „Human-in-the-loop“ – Das Ranking von Alarmen erfordert dennoch, dass Inspektoren viele Bilder prüfen. Wenn das Ranking echte Defekte nicht effektiv vom Rauschen trennt, verpuffen die erwarteten Zeiteinsparungen. Überwachen Sie kontinuierlich die Inspektionszeit pro Board.
Was als Nächstes zu beachten ist
Hersteller, die den AOI-Ranking-Piloten erfolgreich meistern, können dieses Muster auf andere Anwendungsfälle wie Predictive Maintenance oder Lieferantenqualität übertragen.
Fazit: KI steigert die Effizienz der SMT-Linie nur dann, wenn sie ein System für priorisierte Warnmeldungen überlagert, das auf sauberen, versionskontrollierten Daten basiert und gegen das tatsächliche Auftreten von Defekten validiert wurde. Betrachten Sie das Modell als Produktions-Asset und nicht als einmalige Demo, dann wird der Nutzen zu einem wiederholbaren Vorteil.