هوش مصنوعی می‌تواند زمان صرف‌شده توسط کارخانه‌های الکترونیک برای جستجوی نقص‌های کاذب در خطوط مونتاژ سطحی (SMT) را به شدت کاهش دهد. یک راهنمای گام‌به‌گام جدید به تولیدکنندگان نشان می‌دهد که چگونه یک مدل هوش مصنوعی را برای رتبه‌بندی هشدارهای اشتباه در سیستم‌های بازرسی نوری خودکار (AOI) راه‌اندازی کنند؛ این کار به بازرسان اجازه می‌دهد تا بر روی تصاویری تمرکز کنند که احتمال وجود نقص‌های واقعی در آن‌ها بیشتر است.

سیستم‌های AOI هر نقص احتمالی را علامت‌گذاری می‌کنند، اما بیشتر هشدارها در واقع تغییرات بی‌ضرر در شکل قطعه یا پخش شدن لحیم هستند. بازرسان دقایقی را صرف دسته‌بندی این «هشدارهای اشتباه» می‌کنند، در حالی که گاهی نقص‌های واقعی از دید آن‌ها پنهان مانده و به ایستگاه‌های تست بعدی می‌رسند. فرض اصلی این راهنما ساده است: از هوش مصنوعی نه برای جایگزینی موتور تصمیم‌گیر AOI، بلکه برای بازآرایی هشدارها استفاده کنید تا پرخطرترین موارد ابتدا نمایش داده شوند.

چرا این مسئله اکنون اهمیت دارد

خطوط SMT با سرعت‌هایی کار می‌کنند که فضای کمی برای بازرسی مجدد توسط انسان باقی می‌گذارد. وقتی هشدارهای اشتباه بر جریان هشدارها غالب می‌شوند، اپراتورها مجبورند خط را متوقف کنند، هر تصویر را به صورت دستی تأیید کنند و اقدامات اصلاحی را ثبت کنند. این گلوگاه باعث افزایش هزینه‌های نیروی کار و کاهش نرخ خروجی (Throughput) می‌شود.

چارچوب طرح آزمایشی – از ایده تا دارایی عملیاتی

  1. تعریف یک هدف محدود و ایمن طرح آزمایشی باید فقط هشدارهای AOI را رتبه‌بندی کند، نه اینکه بردها را به طور خودکار تأیید یا رد کند. نگه داشتن تصمیم نهایی در اختیار انسان تضمین می‌کند که مدل نمی‌تواند به طور پنهانی باعث بروز نقص در کیفیت شود.

  2. تعیین یک خط پایه (Baseline) قبل از اینکه هر مدلی با داده‌ها درگیر شود، معیارهای فعلی را ثبت کنید: نرخ هشدارهای اشتباه، میانگین زمان بازرسی برای هر برد، نرخ فرار نقص (Defect escape rate) و FPY. از این اعداد به عنوان معیار سنجش بهبود استفاده کنید.

  3. جمع‌آوری داده‌های غنی و مرتبط تصاویر AOI را همراه با نظر بازرس، کد اصلاحی اختصاص‌یافته، نتایج تست نهایی و فیلدهای زمینه‌ای مانند شماره سریال، برچسب زمانی و دستورالعمل دستگاه (Machine recipe) جمع‌آوری کنید. هرچه مجموعه داده غنی‌تر باشد، مدل دقیق‌تر و ظریف‌تر عمل می‌کند.

  4. محافظت در برابر آلودگی داده‌ها دستورات تغییر مهندسی (ECOs) اغلب فوت‌پرینت قطعات یا الگوهای پد را تغییر می‌دهند. ترکیب تصاویر قبل و بعد از ECO باعث گیج شدن مدل و منجر به پیش‌بینی‌های ضعیف می‌شود. داده‌ها را بر اساس نسخه یا تاریخ تغییر، بخش‌بندی کنید.

  5. استفاده از برچسب‌های معنادار به جای استفاده از یک حالت دوتایی «نقص / بدون نقص»، از دسته‌بندی‌هایی مانند «نیاز به بازکاری»، «نیاز به بررسی مهندسی» یا «تغییرات قابل قبول» استفاده کنید. برچسب‌های دقیق‌تر، سیگنال‌های واضح‌تری از شدت هر هشدار به مدل می‌دهند.

  6. تقسیم صحیح داده‌ها باقی ماندن داده‌ها به صورت تصادفی در مجموعه‌های آموزش و تست می‌تواند باعث شود عملکرد مدل در محیط واقعی کمتر از آنچه در آزمایش نشان داده، باشد. داده‌ها را بر اساس بازه زمانی یا نسخه محصول تقسیم کنید تا مجموعه تست واقعاً منعکس‌کننده داده‌های آینده و دیده نشده باشد.

  7. اعتبارسنجی در برابر کاربرد واقعی پس از آموزش، یک دسته از داده‌های اعتبارسنجی را رتبه‌بندی کنید و اندازه بگیرید که چه تعداد از نقص‌های واقعی در ۲۰٪ اول لیست قرار می‌گیرند. اگر مدل اکثر مشکلات واقعی را در ابتدای لیست نشان دهد، برای اجرای کنترل‌شده آماده است.

  8. برخورد با مدل به عنوان یک دارایی تولیدی هر نسخه، مجموعه داده آموزشی و تغییر در ابرپارامترها (Hyper-parameter) را در همان سیستم کنترل تغییراتی ثبت کنید که نسخه‌های سخت‌افزاری را پیگیری می‌کند. این ردپای حسابرسی به شما اجازه می‌دهد با اطمینان مدل را بازگردانی یا به‌روزرسانی کنید.

  9. اجرای موازی، نه جایگزینی موتور رتبه‌بندی هوش مصنوعی را به صورت موازی با جریان بازرسی موجود مستقر کنید. قبل از تغییر هرگونه معیار پذیرش، برای چندین هفته توصیه‌های آن را با تصمیمات بازرس انسانی و نتایج تست نهایی مقایسه کنید.

  10. تکرار و بهبود پیش از گسترش یک طرح آزمایشی موفق، یک تغییر فرآیند کنترل‌شده است، نه یک آزمایش بی‌انتها. هنگامی که مدل به طور مداوم معیارهای خط پایه را بهبود بخشید، از این روش برای موارد استفاده دیگر مانند نگهداری پیش‌بینانه یا کیفیت تأمین‌کننده استفاده کنید.

ریسک‌ها و نکات متقابل

  • کیفیت داده‌ها حرف اول را می‌زند – برچسب‌های زمانی ناقص یا کدهای اصلاحی مفقود شده، مدلی پر از نویز ایجاد می‌کنند که عملکرد ضعیفی خواهد داشت. داشتن یک روال منظم برای جمع‌آوری داده‌ها غیرقابل مذاکره است.
  • رانش مدل (Model drift) – قطعات جدید، پروفایل آماری تصاویر «نرمال» را تغییر می‌دهند. بازآموزی منظم، که توسط همان فرآیند کنترل تغییر هدایت می‌شود، رانش مدل را کاهش می‌دهد.
  • خستگی ناشی از حضور انسان در چرخه – رتبه‌بندی هشدارها همچنان مستلزم آن است که بازرسان تصاویر زیادی را بررسی کنند. اگر رتبه‌بندی نتواند نقص‌های واقعی را از نویز جدا کند، صرفه‌جویی زمانی مورد انتظار از بین می‌رود. زمان بازرسی هر برد را به طور مداوم نظارت کنید.

گام‌های بعدی

تولیدکنندگانی که در اجرای طرح آزمایشی رتبه‌بندی AOI موفق عمل کنند، می‌توانند این الگو را به موارد استفاده دیگری مانند نگهداری پیش‌بینانه یا کنترل کیفیت تأمین‌کنندگان تعمیم دهند.

نکته کلیدی: هوش مصنوعی تنها زمانی کارایی خط SMT را بهبود می‌بخشد که در قالب یک سیستم هشدار رتبه‌بندی‌شده عمل کند؛ سیستمی که بر پایه داده‌های پاکسازی‌شده و دارای کنترل نسخه بنا شده و وقوع واقعی نقص‌ها نیز صحت آن را تأیید کرده باشد. اگر با مدل مانند یک دارایی تولیدی برخورد کنید و نه صرفاً یک دموی گذرا، بازدهی آن به یک مزیت تکرارپذیر تبدیل خواهد شد.