સફેસ-માઉન્ટ ટેકનોલોજી (SMT) લાઇન પર AI નો ઉપયોગ કેવી રીતે કરવો તેના માટે એક સ્ટેપ-બાય-સ્ટેપ માર્ગદર્શિકા પોસ્ટ કરવામાં આવી છે, જે ઉત્પાદકોને બતાવે છે કે કેવી રીતે ઉત્પાદનની એક સમસ્યાને માપી શકાય તેવા યીલ્ડ (yield) વધારામાં ફેરવી શકાય.
ઇલેક્ટ્રોનિક્સ ફેક્ટરીઓમાં AI પ્રોજેક્ટ્સ શા માટે અટકી જાય છે
ઇલેક્ટ્રોનિક્સ ઉત્પાદકો વર્ષોથી મશીન-લર્નિંગના હાઈપ પાછળ દોડી રહ્યા છે, ઘણીવાર એવા ડેટા પર મોડલ્સને ટ્રેન કરે છે જે ક્યારેય વાસ્તવિક ખર્ચ અથવા ગુણવત્તાના પ્રશ્નો સાથે જોડાયેલા હોતા નથી. પરિણામે, 'પ્રૂફ ઓફ કોન્સેપ્ટ' (proofs of concept) નો અગણિત જથ્થો સર્વર પર પડ્યો રહે છે, જ્યારે શોપ ફ્લોર હજુ પણ ઓછી ફર્સ્ટ-પાસ યીલ્ડ (FPY) અને ઊંચા સ્ક્રૅપ રેટ સાથે ઝઝૂમી રહ્યો છે. આ નવી માર્ગદર્શિકા આ પરિસ્થિતિને બદલે છે: તે એક સ્પષ્ટ નિર્ણયથી શરૂ થાય છે—“AOI પછી પરંતુ ICT પહેલા વધારાની સમીક્ષા માટે યુનિટ્સને ઓળખો”—અને એવું મોડલ બનાવે છે જેને હાલના પરફોર્મન્સ મેટ્રિક્સ સામે માપી શકાય.
ઉત્પાદકો માટે જોખમો અને ફાયદા
ઇન્સ્પેક્શનમાંથી છટકી જતું દરેક ખામીયુક્ત બોર્ડ એટલે બગાડાયેલા ઘટકો (components), વધારાનું રિવર્ક લેબર અને ઉત્પાદન લોન્ચમાં વિલંબ. તેનાથી વિપરીત, સપ્લાયર બદલાવા અથવા પ્લાન્ટ ખસેડ્યા પછી જો મોડલમાં ફેરફાર (drift) આવે, તો તે પરફોર્મન્સ ઘટાડી શકે છે. અલ્ગોરિધમને અન્ય કોઈપણ સાધન તરીકે ગણીને—જેમ કે કેલિબ્રેટ કરવું, મોનિટર કરવું અને જાળવણી કરવી—તે ફાયદાના પક્ષમાં સંતુલન જાળવવામાં મદદ કરે છે.
માર્ગદર્શિકામાં દર્શાવેલા આઠ સ્ટેપ્સ
- એક વાક્યમાં નિર્ણય વ્યાખ્યાયિત કરો – મોડલ દ્વારા લેવામાં આવનાર ચોક્કસ પગલાને સ્પષ્ટ કરો, દા.ત., “AOI પછી પરંતુ ICT પહેલા વધારાની સમીક્ષા માટે યુનિટ્સને ઓળખો.”
- તમારો બેઝલાઇન રેકોર્ડ કરો – વર્તમાન FPY, સ્ક્રૅપ ખર્ચ અને રિવર્ક સમય નોંધો. આ આંકડા AI દ્વારા કરવામાં આવતા કોઈપણ સુધારા માટે માપદંડ બનશે.
- તમારા ડેટાને જોડો – SMT ડેટા સ્ટ્રીમ્સ અને ટેસ્ટ રિઝલ્ટ્સમાં સીરીયલ નંબરને લિંક કરો. પ્લેસમેન્ટ ઓફસેટ્સ, પેસ્ટ વોલ્યુમ અને રિફ્લો તાપમાનનો ડેટા પણ સામેલ કરો જેથી મોડલ આખી પ્રક્રિયાને સમજી શકે.
- BOM હિસ્ટ્રી સામેલ કરો – ઘટકના કદમાં ફેરફાર અથવા સપ્લાયર બદલાવાથી પાર્ટના વર્તનમાં અસર થાય છે. દરેક બોર્ડને તેના bill-of-materials વર્ઝન સાથે ટેગ કરવાથી મોડલ આ સૂક્ષ્મ તફાવતો શીખી શકે છે.
- પ્રોસેસ ફીચર્સ ડિઝાઇન કરો – કોઈ એક મશીનને અલગથી ન જુઓ. વાસ્તવિક જોખમી પરિબળોને શોધવા માટે ઓછા પેસ્ટ વોલ્યુમને પ્લેસમેન્ટ ઓફસેટ્સ અથવા રિફ્લો પ્રોફાઇલ શિફ્ટ સાથે જોડો.
- ડેટાને સમય મુજબ વિભાજિત કરો, રેન્ડમલી નહીં – રેન્ડમ સ્પ્લિટ્સ ટ્રેનિંગમાં ભવિષ્યની માહિતી લીક કરી શકે છે, જેનાથી સફળતાના સ્કોર ખોટી રીતે વધી શકે છે. સમયક્રમ મુજબનું વિભાજન (chronological split) વાસ્તવિક દુનિયાના ઉપયોગ જેવું જ પરિણામ આપે છે.
- વાસ્તવિક પરિસ્થિતિઓમાં ટેસ્ટ કરો – મજબૂતી સુનિશ્ચિત કરવા માટે વિવિધ પ્રોડક્ટ ફેમિલીઝ, મશીન સેટઅપ અને મટિરિયલ લોટ્સમાં મોડલને વેલિડેટ કરો.
- શેડો મોડનો ઉપયોગ કરો – લાઈવ લાઇન પર અસર કર્યા વિના તેની સાથે સમાંતર અનુમાન (predictions) ચલાવો. કોઈપણ પ્રોસેસ ફેરફાર કરતા પહેલા AI ના એલર્ટ્સની સરખામણી વાસ્તવિક ટેસ્ટ પરિણામો સાથે કરો.
AI એ હાલના ઇન્સ્પેક્શનને બદલે તેને કેવી રીતે વધારવું જોઈએ
માર્ગદર્શિકા ભાર મૂકે છે કે AI એ એન્જિનિયરો માટે એક ભાગીદાર છે, SPI (solder paste inspection) અથવા AOI (automated optical inspection) જેવા સ્થાપિત ચેક્સનો વિકલ્પ નથી. વિવિધ સ્ત્રોતોમાંથી સિગ્નલોને જોડીને, અલ્ગોરિધમ એવા પેટર્ન શોધી શકે છે—જેમ કે પેસ્ટ વોલ્યુમ અને પ્લેસમેન્ટ ઓફસેટ વચ્ચેનો સૂક્ષ્મ સંબંધ—જે માણસો ચૂકી શકે છે. AI-સંચાલિત એજન્ટ ડેટા કલેક્શનને ઓટોમેટ કરી શકે છે અને જવાબદાર ટેકનિશિયનને એલર્ટ મોકલી શકે છે, પરંતુ તેણે ક્યારેય પોતાની રીતે ટેસ્ટ લિમિટ અથવા SMT રેસિપી બદલવી જોઈએ નહીં.
મોડલના સ્વાસ્થ્યનું મોનિટરિંગ અને જાળવણી
જ્યારે અપરસ્ટ્રીમ વેરિએબલ્સ (upstream variables) બદલાય છે, જેમ કે નવો ઘટક વેન્ડર અથવા ઉત્પાદનને બીજા પ્લાન્ટમાં ખસેડવું, ત્યારે મોડલનું પરફોર્મન્સ ઘટે છે. AI ને ફેક્ટરીના અન્ય સાધનો તરીકે ગણો જેને કેલિબ્રેશન લોગ્સ, પ્રિવેન્ટિવ મેન્ટેનન્સ અને એક નિર્ધારિત ડીકમિશનિંગ પ્લાનની જરૂર હોય છે.
વિરોધ પક્ષ: ઓવર-ઓટોમેશનનું જોખમ
ટીકાકારો દલીલ કરે છે કે AI એક 'બ્લેક બોક્સ' બની શકે છે, જેનાથી ફેક્ટરીઓ એવા અનુમાનો પર વિશ્વાસ કરવા લાગે છે જે તેઓ સમજી શકતા નથી. માર્ગદર્શિકામાં શેડો મોડ અને સમય-આધારિત ડેટા સ્પ્લિટ પરનો આગ્રહ સીધી રીતે તે ચિંતાનું નિવારણ કરે છે, જે કોઈપણ ઓટોમેશન અમલમાં આવે તે પહેલાં વાસ્તવિકતા તપાસવા માટે મજબૂર કરે છે. તેમ છતાં, કંપનીઓએ એવા સ્ટાફમાં રોકાણ કરવું જોઈએ જે મોડલના આઉટપુટનું અર્થઘટન કરી શકે અને અસાધારણ પરિસ્થિતિઓ (anomalies) દેખાય ત્યારે હસ્તક્ષેપ કરી શકે.
આગળ શું જોવું
મુખ્ય વાત: એક કેન્દ્રિત, ડેટા-આધારિત અભિગમ જે ઉત્પાદનની એક જ માપી શકાય તેવી સમસ્યાથી શરૂ થાય છે, તે AI ને માત્ર એક અનુમાનિત પ્રોજેક્ટમાંથી SMT ફ્લોર પર યીલ્ડ સુધારવા માટેના વાસ્તવિક સાધનમાં ફેરવી શકે છે. આ નવી માર્ગદર્શિકા એક વ્યવહારુ બ્લુપ્રિન્ટ પૂરી પાડે છે; સાચી કસોટી તેના દ્વારા બનાવવામાં આવેલા મોડલ્સના શિસ્તબદ્ધ અમલીકરણ અને સતત સંચાલનમાં હશે.
સ્ત્રોત: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0