AI יכולה לצמצם משמעותית את הזמן שמרבחי אלקטרוניקה מבזבזים על מרדף אחר "פגמים רפאים" בקווי ההרכבה על גבי משטח (SMT). מדריך שלב-אחר-שלב חדש מראה ליצרנים כיצד להוביל פיילוט של מודל AI שמדרג התראות שווא של מערכות בדיקה אופטית אוטומטית (AOI), מה שמאפשר לבודקים להתמקד בתמונות שסביר ביותר שבהן מסתתרים בעיות אמיתיות.
מערכות AOI מסמנות כל פגם פוטנציאלי, אך רוב ההתראות מתגלות כשינויים בלתי מזיקים בצורת הרכיב או בפיזור ההלחמה. בודקים מבזבזים דקות רבות במיון ה"התראות השווא" הללו, בעוד שפגמים אמיתיים חומקים לעיתים לתחנות בדיקה מאוחרות יותר. הנחת היסוד של המדריך היא פשוטה: להשתמש ב-AI לא כדי להחליף את מנוע קבלת ההחלטות של ה-AOI, אלא כדי לסדר מחדש את ההתראות שלו כך שהסיכוניות ביותר יופיעו ראשונות.
למה הבעיה הזו חשובה עכשיו
קווי SMT (Surface-Mount Technology) פועלים במהירויות שמשאירות מעט מאוד מקום לבדיקה חוזרת אנושית. כאשר התראות שווא שולטות בזרם ההתראות, המפעילים נאלצים לעצור את הקו, לאמת ידנית כל תמונה ולתעד פעולות תיקון. צוואר בקבוק זה מנפח את עלויות העבודה ומפחית את התפוקה.
מסגרת הפיילוט – מרעיון לנכס
הגדרת מטרה מוגדרת ובטוחה הפיילוט צריך רק לדרג התראות AOI, ולא לאשר או לדחות לוחות באופן אוטומטי. שמירה על קבלת ההחלטות בידי אדם מבטיחה שהמודל לא יגרום לשבירת איכות בשקט.
קביעת קו בסיס (Baseline) לפני שכל מודל נוגע בנתונים, רשמו מדדים נוכחיים: שיעור התראות השווא, זמן בדיקה ממוצע ללוח, שיעור פגמים שחמקו (defect escape rate) ו-FPY. השתמשו במספרים אלו כקנה מידה לשיפור.
איסוף נתונים עשירים ומקושרים אספו תמונות AOI יחד עם פסק הדין של הבודק, קוד התיקון שהוקצה, תוצאות בדיקה סופיות ושדות הקשר כגון מספר סידורי, חותמת זמן ומתכון מכונה (machine recipe). ככל שסט הנתונים עשיר יותר, כך המודל הופך למדויק ומורכב יותר.
הגנה מפני זיהום נתונים פקודות שינוי הנדסיות (ECOs) משנות לעיתים קרובות את מבנה הרכיב (footprints) או את דפוסי המצע (pad patterns). ערבוב של תמונות שלפני ו-אחרי ECO מבלבל את המודל ומוביל לתחזיות גרועות. חלקו את הנתונים לפי גרסה או לפי תאריך השינוי.
שימוש בתיוגים משמעותיים במקום בחירה בינארית של "פגם / אין פגם", השתמשו בקטגוריות כמו "נדרש תיקון", "נדרשת סקירה הנדסית" או "שינוי מקובל". תיוגים מפורטים נותנים למודל אותות ברורים יותר לגבי חומרת כל התראה.
חלוקת נתונים נכונה ערבוב אקראי של רשומות לקבוצות אימון ובדיקה עלול לגרום למודל להיראות טוב יותר ממה שהוא יהיה בפועל בסביבת הייצור. חלקו את הנתונים לפי חלון זמן או לפי גרסת מוצר, כך שסט הבדיקה ישקף באמת נתונים עתידיים שטרם נראו.
תיקוף מול שימוש בעולם האמיתי לאחר האימון, דרגו קבוצת תיקוף ומדדו כמה פגמים אמיתיים מופיעים ב-20% העליונים של הרשימה. אם המודל מוציא אל פני השטח את רוב הבעיות האמיתיות בשלב מוקדם, הוא מוכן לפריסה מבוקרת.
התייחסות למודל כנכס ייצור תעדו כל גרסה, סט נתוני אימון ושינוי בפרמטרים (hyper-parameter) באותה מערכת בקרת שינויים שעוקבת אחר גרסאות החומרה. עקבות ביקורת (audit trail) אלו מאפשרים לכם לבצע rollback או לעדכן את המודל בביטחון.
הרצה במקביל, לא החלפה הטמיעו את מנוע הדירוג של ה-AI במקביל לזרימת הבדיקה הקיימת. השוו את ההמלצות שלו להחלטות הבודק האנושי ולתוצאות הבדיקה הסופיות במשך מספר שבועות לפני שינוי כל קריטריון קבלה.
ביצוע איטרציות לפני הרחבה (Scaling) פיילוט מוצלח הוא שינוי תהליך מבוקר, לא ניסוי ללא גבולות. ברגע שהמודל משפר בעקביות את מדדי קו הבסיס, השתמשו במתודולוגיה למקרים נוספים כגון תחזוקה מונעת או איכות ספקים.
סיכונים ונקודות למחשבה
- איכות הנתונים היא המפתח – חותמות זמן חסרות או קודי תיקון חסרים ייצרו מודל רועש עם ביצועים נמוכים. שגרת איסוף נתונים ממושמעת היא תנאי הכרחי.
- סחף מודל (Model drift) – רכיבים חדשים משנים את הפרופיל הסטטיסטי של תמונות "נורמליות". אימון מחדש קבוע, המונחה על ידי אותו תהליך בקרת שינויים, מפחית את הסחף.
- עייפות של "אדם בלולאה" (Human-in-the-loop fatigue) – דירוג התראות עדיין דורש מהבודקים לבחון תמונות רבות. אם הדירוג לא מפריד בין פגמים אמיתיים לרעש, החיסכון הצפוי בזמן יתפוגג. עקבו באופן רציף אחר זמן הבדיקה לכל לוח.
מה הצעד הבא
יצרנים שיצליחו בפריסת פיילוט דירוג ה-AOI יוכלו להחיל את הדפוס על מקרים נוספים, כגון תחזוקה מונעת או איכות ספקים.
שורה תחתונה: בינה מלאכותית (AI) מייעלת את קווי ה-SMT רק כאשר היא משולבת עם מערכת התראות מדורגות, הבנויה על נתונים נקיים ומנוהלים בגרסאות (version-controlled) ומאומתת מול התרחשות פגמים בפועל. התייחסו למודל כנכס ייצור ולא כלהדגמה חד-פעמית, והתועלת תהפוך ליתרון שניתן לשחזר.