פורסם מדריך שלב אחר שלב ליישום בינה מלאכותית (AI) בקו טכנולוגיית הרכבה על משטח (SMT), המראה ליצרנים כיצד להפוך בעיית ייצור בודדת לשיפור מדיד בתפוקה (yield).
מדוע פרויקטי AI נתקעים במפעלי אלקטרוניקה
יצרני אלקטרוניקה רודפים אחרי ההייפ של למידת מכונה כבר שנים, ולעיתים קרובות מאמנים מודלים על נתונים שמעולם לא מתכתבים עם בעיית עלות או איכות אמיתית. התוצאה היא ערימה של הוכחות היתכנות (proofs of concept) שיושבות על שרתים, בעוד רצפת הייצור עדיין נאבקת עם תפוקה נמוכה במעבר ראשון (FPY) ושיעורי פסולת (scrap) גבוהים. המדריך החדש הופך את התסריט: הוא מתחיל בהחלטה ברורה – "זיהוי יחידות לבדיקה מוגברת לאחר AOI אך לפני ICT" – ובנה מודל שניתן להעריך אל מול מדדי ביצוע קיימים.
מה מונח על הכף עבור יצרנים
כל כרטיס פגום שחומק מהבדיקה משמעותו רכיבים מבוזבזים, עבודה נוספת לתיקון (rework) והשהיית השקות מוצרים. מנגד, מודל שחווה "סחף" (drift) לאחר שינוי ספק או מעבר מפעל עלול לפגוע בביצועים. התייחסות לאלגוריתם כאל כל ציוד אחר – כיול, ניטור ותחזוקה – עוזרת לשמור על איזון לטובת רווחים.
שמונת השלבים המפורטים במדריך
- הגדר את ההחלטה במשפט אחד – קבע את הפעולה המדויקת שהמודל יפעיל, למשל: "זיהוי יחידות לבדיקה מוגברת לאחר AOI אך לפני ICT".
- תעד את קו הבסיס (baseline) שלך – רשום את ה-FPY הנוכחי, עלויות הפסולת וזמן התיקון. מספרים אלו יהיו מדד ההשוואה לכל שיפור שה-AI יספק.
- חבר את הנתונים שלך – קשר מספרי סידוריים בין זרמי נתוני SMT לבין תוצאות הבדיקה. שלב נתוני סטייה במיקום (placement offsets), נפחי משחת הלחמה (paste volumes) וטמפרטורות reflow כדי שהמודל יראה את התמונה המלאה של התהליך.
- כלול היסטוריית BOM – שינויים בגודל רכיבים או החלפת ספקים משפיעים על התנהגות החלקים. תיוג כל כרטיס עם גרסת ה-bill-of-materials שלו מאפשר למודל ללמוד את הדקויות הללו.
- תכנן מאפייני תהליך (process features) – אל תסתכל על מכונה בודדת בבידוד. שים בשימוש שילובים, כמו נפח משחה נמוך יחד עם סטייה במיקום, או שינויים בפרופיל ה-reflow, כדי לחשוף גורמי סיכון אמיתיים.
- חלק את הנתונים לפי זמן, לא באופן אקראי – חלוקה אקראית עלולה להחדיר מידע עתידי לתהליך האימון, מה שינפח את מדדי ההצלחה. חלוקה כרונולוגית מחקה פריסה בעולם האמיתי.
- בדוק בתנאים אמיתיים – וולידציה של המודל על פני משפחות מוצרים שונות, הגדרות מכונה שונות ומנות חומר (material lots) שונות כדי להבטיח חוסן (robustness).
- השתמש במצב צל (shadow mode) – הרץ תחזיות לצד הקו הפעיל מבלי להשפיע עליו. השווה את ההתראות של ה-AI לתוצאות הבדיקה בפועל לפני שתתחייב לשינויים בתהליך.
כיצד ה-AI צריך להשלים, ולא להחליף, בדיקות קיימות
המדריך מדגיש כי ה-AI הוא שותף למהנדסים, ולא תחליף לבדיקות מבוססות כמו SPI (בדיקת משחת הלחמה) או AOI (בדיקה אופטית אוטומטית). על ידי מיזוג אותות ממקורות מרובים, האלגוריתם יכול לחשוף דפוסים – כמו אינטראקציה עדינה בין נפח המשחה לסטייה במיקום – שבן אדם עלול לפספס. סוכן מבוסס AI יכול גם להפוך את איסוף הנתונים לאוטומטי ולהפנות התראות לטכנאי האחראי, אך הוא לעולם לא חייב לשנות גבולות בדיקה או מתכוני SMT (SMT recipes) בכוחות עצמו.
ניטור ותחזוקת בריאות המודל
ביצועי המודל יורדים כאשר משתנים בשלבים הקודמים (upstream) משתנים, כגון ספק רכיבים חדש או העברת הייצור למפעל אחר. התייחסו ל-AI כאל ציוד מפעל נוסף שזקוק ליומני כיול, תחזוקה מונעת ותוכנית פרישה (decommissioning) מוגדרת.
נקודת מבט נגדית: הסיכון של אוטומציה יתר
המבקרים טוענים כי AI עלול להפוך ל"קופסה שחורה", מה שמוביל מפעלים לבטוח בתחזיות שהם אינם מבינים. ההתעקשות של המדריך על מצב צל (shadow mode) וחלוקת נתונים מבוססת זמן נותנת מענה ישיר לחשש זה, ומכריחה ביצוע בדיקת מציאות לפני שכל אוטומציה תתבסס. עם זאת, חברות חייבות להשקיע בכוח אדם שיכול לפרש את פלטי המודל ולהתערב כאשר מופיעות חריגות (anomalies).
מה לעקוב אחריו בהמשך
שורה תחתונה: גישה ממוקדת ומבוססת נתונים המתחילה בבעיית ייצור בודדת ומדידה יכולה להפוך את ה-AI מפרויקט ספקולטיבי לכלי מוחשי לשיפור תפוקה ברצפת ה-SMT. המדריך החדש מספק תוכנית עבודה מעשית; המבחן האמיתי יהיה בביצוע ממושמע ובניהול המתמשך של המודלים שהוא יוצר.
מקור: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0