راهنمای گامبهگام برای بهکارگیری هوش مصنوعی در خط مونتاژ سطحی (SMT) منتشر شد که به تولیدکنندگان نشان میدهد چگونه یک مشکل تولیدی واحد را به افزایش قابلاندازهگیری بازدهی تبدیل کنند.
چرا پروژههای هوش مصنوعی در کارخانههای الکترونیک متوقف میشوند
سازندگان تجهیزات الکترونیک سالهاست که به دنبال هیجانات مربوط به یادگیری ماشین بودهاند، اما اغلب مدلها را بر اساس دادههایی آموزش دادهاند که هرگز با هزینهها یا مشکلات کیفی واقعی مطابقت ندارند. نتیجه، انباشت پروژههای اثبات مفهوم (PoC) است که روی سرورها رها شدهاند، در حالی که محیط کارخانه همچنان با بازدهی اولین عبور (FPY) پایین و نرخ ضایعات بالا دستوپنجه نرم میکند. راهنمای جدید این رویکرد را تغییر میدهد: کار را با یک تصمیم شفاف شروع میکند — «شناسایی واحدهای نیازمند بازبینی دقیق پس از AOI اما پیش از ICT» — و مدلی میسازد که میتوان آن را با معیارهای عملکردی موجود سنجید.
مخاطرات برای تولیدکنندگان
هر برد معیوبی که از بازرسی عبور کند، به معنای هدررفت قطعات، صرف نیروی کار اضافی برای بازکاری و تأخیر در عرضه محصول است. از سوی دیگر، مدلی که پس از تغییر تأمینکننده یا جابهجایی کارخانه دچار انحراف (drift) شود، میتواند عملکرد را کاهش دهد. برخورد با الگوریتم مانند هر تجهیزات دیگری — یعنی کالیبره کردن، نظارت و نگهداری آن — به حفظ تعادل به نفع افزایش سود کمک میکند.
هشت مرحله ارائهشده در این راهنما
- تصمیم را در یک جمله تعریف کنید – اقدام دقیقی را که مدل باید انجام دهد مشخص کنید، مثلاً: «شناسایی واحدهای نیازمند بازبینی دقیق پس از AOI اما پیش از ICT.»
- خط پایه خود را ثبت کنید – میزان FPY فعلی، هزینههای ضایعات و زمان بازکاری را ثبت کنید. این اعداد به معیار سنجش هر بهبود حاصل از هوش مصنوعی تبدیل میشوند.
- دادههای خود را ادغام کنید – شماره سریالها را در جریانهای دادهای SMT و نتایج تست به هم متصل کنید. دادههای مربوط به آفستهای جایگذاری (placement offsets)، حجم خمیر لحیم (paste volumes) و دمای ریفلو (reflow) را وارد کنید تا مدل تصویر کاملی از فرآیند داشته باشد.
- تاریخچه BOM را لحاظ کنید – تغییر اندازه قطعات یا تعویض تأمینکننده بر رفتار قطعه تأثیر میگذارد. برچسبگذاری هر برد با نسخه لیست قطعات (BOM) آن، به مدل اجازه میدهد این جزئیات ظریف را یاد بگیرد.
- ویژگیهای فرآیند را طراحی کنید – به یک ماشین به تنهایی نگاه نکنید. ترکیب حجم پایین خمیر با آفستهای جایگذاری، یا تغییرات پروفایل ریفلو را برای شناسایی عوامل خطر واقعی در نظر بگیرید.
- دادهها را بر اساس زمان تقسیم کنید، نه به صورت تصادفی – تقسیمبندی تصادفی میتواند اطلاعات آینده را به مرحله آموزش نفوذ دهد و باعث بالا رفتن کاذب امتیازهای موفقیت شود. تقسیمبندی زمانی، شبیهسازی دقیقتری از استقرار در دنیای واقعی است.
- با شرایط واقعی آزمایش کنید – مدل را در خانوادههای مختلف محصول، تنظیمات مختلف ماشین و دستههای مختلف مواد آزمایش کنید تا از استحکام (robustness) آن مطمئن شوید.
- از حالت سایه (shadow mode) استفاده کنید – پیشبینیها را در کنار خط تولید فعال، بدون تأثیرگذاری بر آن، اجرا کنید. پیش از اعمال هرگونه تغییر در فرآیند، هشدارهای هوش مصنوعی را با نتایج واقعی تست مقایسه کنید.
هوش مصنوعی چگونه باید بازرسیهای موجود را تقویت کند، نه جایگزین آنها شود
این راهنما تأکید میکند که هوش مصنوعی شریک مهندسان است، نه جایگزینی برای بررسیهای تثبیتشدهای مانند SPI (بازرسی خمیر لحیم) یا AOI (بازرسی نوری خودکار). با ادغام سیگنالهای منابع مختلف، الگوریتم میتواند الگوهایی را آشکار کند — مانند تعامل ظریف بین حجم خمیر و آفست جایگذاری — که ممکن است از چشم انسان دور بماند. یک عامل مبتنی بر هوش مصنوعی همچنین میتواند جمعآوری دادهها را خودکار کرده و هشدارها را به تکنسین مسئول ارسال کند، اما هرگز نباید به تنهایی محدودیتهای تست یا دستورالعملهای (recipes) SMT را تغییر دهد.
نظارت و نگهداری از سلامت مدل
عملکرد مدل زمانی کاهش مییابد که متغیرهای بالادستی تغییر کنند، مانند تغییر تأمینکننده قطعات یا جابهجایی تولید به کارخانهای دیگر. با هوش مصنوعی مانند یک تجهیز کارخانهای دیگر برخورد کنید که به گزارشهای کالیبراسیون، نگهداری پیشگیرانه و یک برنامه مشخص برای از رده خارج کردن نیاز دارد.
دیدگاه مقابل: خطر اتوماسیون بیش از حد
منتقدان استدلال میکنند که هوش مصنوعی میتواند به یک «جعبه سیاه» تبدیل شود و باعث شود کارخانهها به پیشبینیهایی اعتماد کنند که درکشان نمیکنند. تأکید راهنما بر استفاده از حالت سایه و تقسیمبندی زمانی دادهها، مستقیماً به این نگرانی پاسخ میدهد و پیش از اعمال هرگونه اتوماسیون، یک بررسی واقعبینانه را تحمیل میکند. با این حال، شرکتها باید روی کارکنانی سرمایهگذاری کنند که بتوانند خروجیهای مدل را تفسیر کرده و در صورت بروز ناهنجاریها، مداخله کنند.
آنچه باید در ادامه دنبال کرد
نتیجهگیری: یک رویکرد متمرکز و دادهمحور که با یک مشکل تولیدی واحد و قابلاندازهگیری شروع میشود، میتواند هوش مصنوعی را از یک پروژه حدسی به ابزاری ملموس برای بهبود بازدهی در خط SMT تبدیل کند. راهنمای جدید یک نقشه راه عملی ارائه میدهد؛ اما آزمون واقعی در اجرای منضبط و مدیریت مستمر مدلهایی است که ایجاد میکند.
Source: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0