AI ઇલેક્ટ્રોનિક્સ ફેક્ટરીઓમાં તેમની surface-mount લાઇન પર કાલ્પનિક ખામીઓ (phantom defects) શોધવામાં વિતાવેલા સમયમાં મોટો ઘટાડો કરી શકે છે. એક નવો સ્ટેપ-બાય-સ્ટેપ પ્લેબુક ઉત્પાદકોને એ સમજાવે છે કે કેવી રીતે AOI (Automated Optical Inspection) ના 'false calls' ને રેન્ક કરતું AI મોડેલ પાયલોટ કરી શકાય, જેથી ઇન્સ્પેક્ટરો વાસ્તવિક સમસ્યાઓ છુપાવી શકે તેવી સૌથી વધુ સંભવિત છબીઓ પર ધ્યાન કેન્દ્રિત કરી શકે.
AOI સિસ્ટમ્સ દરેક સંભવિત ખામીને ફ્લેગ કરે છે, પરંતુ મોટાભાગના એલર્ટ્સ ઘટકના આકાર અથવા સોલ્ડર ફેલાવામાં સામાન્ય તફાવત હોવાનું બહાર આવે છે. ઇન્સ્પેક્ટરો આ “false calls” ને અલગ કરવામાં મિનિટો વેડફી નાખે છે, જ્યારે વાસ્તવિક ખામીઓ ક્યારેક પછીના ટેસ્ટ સ્ટેશનો સુધી પહોંચી જાય છે. માર્ગદર્શિકાનો મુખ્ય હેતુ સરળ છે: AI નો ઉપયોગ AOI નિર્ણય એન્જિનને બદલવા માટે નહીં, પરંતુ તેના એલર્ટ્સને ફરીથી ગોઠવવા માટે કરો જેથી સૌથી જોખમી એલર્ટ્સ પહેલા દેખાય.
આ સમસ્યા અત્યારે શા માટે મહત્વની છે
SMT (Surface-Mount Technology) લાઇન એવી ઝડપે ચાલે છે કે જેમાં માનવીય પુનઃ-તપાસ માટે બહુ ઓછી જગ્યા હોય છે. જ્યારે false calls એલર્ટ સ્ટ્રીમમાં પ્રભુત્વ ધરાવે છે, ત્યારે ઓપરેટરોએ લાઇન રોકવી પડે છે, દરેક છબીનું મેન્યુઅલી વેરિફિકેશન કરવું પડે છે અને રિપેર એક્શન લોગ કરવી પડે છે. આ અવરોધ (bottleneck) મજૂરી ખર્ચ વધારે છે અને થ્રુપુટ (throughput) ઘટાડે છે.
પાયલોટ ફ્રેમવર્ક – વિચારથી એસેટ સુધી
એક મર્યાદિત, સુરક્ષિત ઉદ્દેશ્ય નક્કી કરો પાયલોટ માત્ર AOI એલર્ટ્સને રેન્ક કરવો જોઈએ, બોર્ડ્સને ઓટો-એક્સેપ્ટ કે રિજેક્ટ કરવા જોઈએ નહીં. નિર્ણય માનવીના હાથમાં રાખવાથી ખાતરી થાય છે કે મોડેલ ગુણવત્તાના ભંગને છૂપી રીતે લાવી શકતું નથી.
બેઝલાઇન સ્થાપિત કરો કોઈપણ મોડેલ ડેટાને સ્પર્શ કરે તે પહેલાં, વર્તમાન મેટ્રિક્સ રેકોર્ડ કરો: false-call rate, પ્રતિ બોર્ડ સરેરાશ ઇન્સ્પેક્શન સમય, defect escape rate, અને FPY. સુધારા માટે માપદંડ તરીકે આ આંકડાઓનો ઉપયોગ કરો.
સમૃદ્ધ, લિંક્ડ ડેટા એકત્રિત કરો AOI છબીઓને ઇન્સ્પેક્ટરના નિર્ણય, સોંપવામાં આવેલા રિપેર કોડ, અંતિમ ટેસ્ટ પરિણામો અને સીરીયલ નંબર, ટાઇમસ્ટેમ્પ અને મશીન રેસીપી જેવા સંદર્ભ ફિલ્ડ્સ સાથે મેળવો. ડેટા સેટ જેટલો સમૃદ્ધ હશે, મોડેલ તેટલું જ સચોટ બનશે.
ડેટા કન્ટામિનેશન સામે રક્ષણ કરો Engineering Change Orders (ECOs) ઘણીવાર ઘટકના ફૂટપ્રિન્ટ્સ અથવા પેડ પેટર્નને બદલી નાખે છે. pre-ECO અને post-ECO છબીઓને મિક્સ કરવાથી મોડેલ મૂંઝવણમાં મુકાય છે, જેનાથી નબળા અનુમાન મળે છે. ડેટાને રિવિઝન અથવા ફેરફારની તારીખ દ્વારા વિભાજિત કરો.
અર્થપૂર્ણ લેબલ્સ લાગુ કરો બાયનરી “defect / no defect” ને બદલે, “rework required,” “engineering review needed,” અથવા “acceptable variation” જેવા કેટેગરીનો ઉપયોગ કરો. ગ્રેન્યુલર લેબલ્સ દરેક એલર્ટની ગંભીરતા વિશે મોડેલને સ્પષ્ટ સંકેતો આપે છે.
ડેટાને યોગ્ય રીતે વિભાજિત કરો રેન્ડમલી રેકોર્ડ્સને ટ્રેનિંગ અને ટેસ્ટ સેટમાં વહેંચવાથી મોડેલ પ્રોડક્શનમાં જેટલું સારું દેખાશે તેના કરતા વધુ સારું દેખાઈ શકે છે. સમયના વિન્ડો અથવા પ્રોડક્ટ રિવિઝન દ્વારા વિભાજિત કરો જેથી ટેસ્ટ સેટ ખરેખર અણધારી ભવિષ્યની ડેટાને પ્રતિબિંબિત કરે.
વાસ્તવિક ઉપયોગ સામે ચકાસો ટ્રેનિંગ પછી, વેરિફિકેશન બેચને રેન્ક કરો અને માપો કે કેટલા વાસ્તવિક ખામીઓ લિસ્ટના ટોચના 20% માં આવે છે. જો મોડેલ મોટાભાગની વાસ્તવિક સમસ્યાઓને વહેલી શોધી લે છે, તો તે નિયંત્રિત રોલઆઉટ માટે તૈયાર છે.
મોડેલને પ્રોડક્શન એસેટ તરીકે ગણો હાર્ડવેર રિવિઝનને ટ્રેક કરતી જ ચેન્જ-કંટ્રોલ સિસ્ટમમાં દરેક વર્ઝન, ટ્રેનિંગ ડેટા સેટ અને હાયપર-પેરામીટર ટ્વીક લોગ કરો. આ ઓડિટ ટ્રેલ તમને આત્મવિશ્વાસ સાથે મોડેલને રોલ બેક અથવા અપડેટ કરવાની મંજૂરી આપે છે.
સાઇડ-બાય-સાઇડ ચલાવો, બદલો નહીં હાલના ઇન્સ્પેક્શન ફ્લો સાથે સમાંતર AI રેન્કિંગ એન્જિન તૈનાત કરો. કોઈપણ સ્વીકૃતિ માપદંડ બદલતા પહેલાં કેટલાક અઠવાડિયા સુધી તેના સૂચનોની સરખામણી માનવ ઇન્સ્પેક્ટરના નિર્ણયો અને અંતિમ ટેસ્ટ પરિણામો સાથે કરો.
સ્કેલ કરતા પહેલા પુનરાવર્તન કરો એક સફળ પાયલોટ એ નિયંત્રિત પ્રક્રિયા ફેરફાર છે, ખુલ્લો પ્રયોગ નથી. એકવાર મોડેલ સતત બેઝલાઇન મેટ્રિક્સમાં સુધારો કરે, પછી પ્રિડિક્ટિવ મેન્ટેનન્સ અથવા સપ્લાયર ક્વોલિટી જેવા અન્ય ઉપયોગો માટે આ પદ્ધતિનો ઉપયોગ કરો.
જોખમો અને વિરોધાભાસી મુદ્દાઓ
- Data quality is king – અધૂરા ટાઇમસ્ટેમ્પ અથવા ખૂટતા રિપેર કોડ નબળા મોડેલનું નિર્માણ કરશે જે સારું પ્રદર્શન કરી શકશે નહીં. શિસ્તબદ્ધ ડેટા-કલેક્શન રૂટિન અનિવાર્ય છે.
- Model drift – નવા ઘટકો “સામાન્ય” છબીઓની આંકડાકીય પ્રોફાઇલ બદલી નાખે છે. નિયમિત રીટ્રેનિંગ, જે સમાન ચેન્જ-કંટ્રોલ પ્રક્રિયા દ્વારા માર્ગદર્શિત હોય, તે ડ્રિફ્ટને ઘટાડે છે.
- Human-in-the-loop fatigue – રેન્કિંગ એલર્ટ્સ માટે હજુ પણ ઇન્સ્પેક્ટરોએ ઘણી છબીઓ તપાસવી પડે છે. જો રેન્કિંગ સાચી ખામીઓને નોઈ
મુખ્ય સારાંશ: AI ત્યારે જ SMT લાઇનની કાર્યક્ષમતા વધારે છે જ્યારે તે સ્વચ્છ, version-controlled ડેટા પર આધારિત અને વાસ્તવિક ખામીઓના દેખાવ સામે પ્રમાણિત કરવામાં આવેલી ranked-alert સિસ્ટમ સાથે સંકલિત હોય. મોડેલને વન-ઓફ ડેમો તરીકે નહીં, પરંતુ એક production asset તરીકે ગણો, અને તેનાથી મળતો ફાયદો એક પુનરાવર્તિત લાભ બની જાય છે.