AI इलेक्ट्रॉनिक्स फैक्ट्रियों द्वारा अपनी सरफेस-माउंट लाइन्स पर काल्पनिक दोषों (phantom defects) को खोजने में बिताए जाने वाले समय को काफी कम कर सकता है। एक नया स्टेप-बाय-स्टेप प्लेबुक निर्माताओं को यह दिखाता है कि कैसे एक AI मॉडल का पायलट प्रोजेक्ट चलाया जाए जो ऑटोमेटेड ऑप्टिकल इंस्पेक्शन (AOI) के फॉल्स कॉल्स (false calls) को रैंक करता है, जिससे इंस्पेक्टर उन छवियों पर ध्यान केंद्रित कर सकें जिनमें वास्तविक समस्याओं के होने की सबसे अधिक संभावना है।
AOI सिस्टम हर संभावित दोष को फ्लैग करते हैं, लेकिन अधिकांश अलर्ट कंपोनेंट के आकार या सोल्डर स्प्रेड (solder spread) में मामूली बदलाव निकलते हैं। इंस्पेक्टर इन "फॉल्स कॉल्स" को छाँटने में मिनटों बर्बाद कर देते हैं, जबकि वास्तविक दोष कभी-कभी बाद के टेस्ट स्टेशनों तक पहुँच जाते हैं। गाइड का मुख्य आधार सरल है: AI का उपयोग AOI निर्णय इंजन को बदलने के लिए नहीं, बल्कि उसके अलर्ट्स को पुनर्व्यवस्थित करने के लिए करें ताकि सबसे जोखिम भरे अलर्ट सबसे पहले दिखाई दें।
यह समस्या अभी क्यों महत्वपूर्ण है
SMT (सरफेस-माउंट टेक्नोलॉजी) लाइन्स इतनी तेज़ गति से चलती हैं कि मानवीय पुन: निरीक्षण (re-inspection) के लिए बहुत कम समय मिलता है। जब अलर्ट स्ट्रीम में फॉल्स कॉल्स की भरमार होती है, तो ऑपरेटरों को लाइन रोकनी पड़ती है, प्रत्येक छवि को मैन्युअल रूप से सत्यापित करना पड़ता है, और मरम्मत कार्यों को लॉग करना पड़ता है। यह बाधा श्रम लागत को बढ़ाती है और थ्रूपुट (throughput) को कम करती है।
पायलट फ्रेमवर्क – विचार से एसेट तक
एक संकीर्ण और सुरक्षित उद्देश्य निर्धारित करें पायलट को केवल AOI अलर्ट को रैंक करना चाहिए, बोर्ड को ऑटो-एक्सेप्ट या रिजेक्ट नहीं करना चाहिए। निर्णय को मानव हाथों में रखने से यह सुनिश्चित होता है कि मॉडल चुपचाप गुणवत्ता में कोई चूक पैदा न कर दे।
एक बेसलाइन स्थापित करें किसी भी मॉडल के डेटा को छूने से पहले, वर्तमान मेट्रिक्स रिकॉर्ड करें: फॉल्स-कॉल दर, प्रति बोर्ड औसत निरीक्षण समय, डिफेक्ट एस्केप रेट, और FPY। सुधार के पैमाने के रूप में इन नंबरों का उपयोग करें।
समृद्ध और लिंक किया गया डेटा एकत्र करें AOI छवियों को इंस्पेक्टर के निर्णय, सौंपे गए रिपेयर कोड, अंतिम परीक्षण परिणामों और सीरियल नंबर, टाइमस्टैम्प और मशीन रेसिपी जैसे संदर्भ फ़ील्ड के साथ जोड़ें। डेटा सेट जितना समृद्ध होगा, मॉडल उतना ही सटीक होगा।
डेटा संदूषण (contamination) से बचें इंजीनियरिंग चेंज ऑर्डर्स (ECOs) अक्सर कंपोनेंट फुटप्रिंट या पैड पैटर्न को बदल देते हैं। प्री-ECO और पोस्ट-ECO छवियों को मिलाने से मॉडल भ्रमित हो जाता है, जिससे गलत भविष्यवाणियां होती हैं। डेटा को रिवीज़न या परिवर्तन की तारीख के आधार पर विभाजित करें।
सार्थक लेबल लागू करें केवल "दोष / कोई दोष नहीं" (defect / no defect) के बजाय, "रिवर्क आवश्यक," "इंजीनियरिंग समीक्षा आवश्यक," या "स्वीकार्य भिन्नता" जैसी श्रेणियों का उपयोग करें। विस्तृत लेबल मॉडल को प्रत्येक अलर्ट की गंभीरता के बारे में स्पष्ट संकेत देते हैं।
डेटा को सही तरीके से विभाजित करें रिकॉर्ड्स को रैंडम तरीके से ट्रेनिंग और टेस्ट सेट में बांटने से मॉडल उत्पादन (production) में दिखने वाली स्थिति से बेहतर लग सकता है। टाइम विंडो या प्रोडक्ट रिवीज़न के आधार पर विभाजन करें ताकि टेस्ट सेट वास्तव में अनदेखे भविष्य के डेटा को प्रतिबिंबित करे।
वास्तविक दुनिया के उपयोग के विरुद्ध मान्य करें ट्रेनिंग के बाद, एक वैलिडेशन बैच को रैंक करें और मापें कि कितने वास्तविक दोष सूची के शीर्ष 20% में आते हैं। यदि मॉडल अधिकांश वास्तविक समस्याओं को जल्दी सामने लाता है, तो यह नियंत्रित रोलआउट के लिए तैयार है।
मॉडल को एक प्रोडक्शन एसेट के रूप में मानें हर वर्ज़न, ट्रेनिंग डेटा सेट और हाइपर-पैरामीटर ट्यूनिंग को उसी चेंज-कंट्रोल सिस्टम में लॉग करें जो हार्डवेयर रिवीज़न को ट्रैक करता है। यह ऑडिट ट्रेल आपको आत्मविश्वास के साथ मॉडल को रोल बैक या अपडेट करने की अनुमति देता है।
साथ-साथ चलाएं, बदलें नहीं AI रैंकिंग इंजन को मौजूदा निरीक्षण प्रवाह के समानांतर तैनात करें। किसी भी स्वीकृति मानदंड (acceptance criteria) को बदलने से पहले कई हफ्तों तक इसकी सिफारिशों की तुलना मानव इंस्पेक्टर के निर्णयों और अंतिम परीक्षण परिणामों से करें।
स्केलिंग से पहले सुधार (Iterate) करें एक सफल पायलट एक नियंत्रित प्रक्रिया परिवर्तन है, न कि कोई खुला प्रयोग। एक बार जब मॉडल लगातार बेसलाइन मेट्रिक्स में सुधार करता है, तो इस कार्यप्रणाली का उपयोग प्रेडिक्टिव मेंटेनेंस या सप्लायर क्वालिटी जैसे अन्य उपयोग के मामलों के लिए करें।
जोखिम और प्रति-तर्क
- डेटा की गुणवत्ता सर्वोपरि है – अधूरे टाइमस्टैम्प या गायब रिपेयर कोड एक शोर वाला (noisy) मॉडल बनाएंगे जो खराब प्रदर्शन करेगा। एक अनुशासित डेटा-संग्रहण दिनचर्या अनिवार्य है।
- मॉडल ड्रिफ्ट (Model drift) – नए कंपोनेंट "सामान्य" छवियों के सांख्यिकीय प्रोफाइल को बदल देते हैं। नियमित री-ट्रेनिंग, जो उसी चेंज-कंट्रोल प्रक्रिया द्वारा निर्देशित हो, ड्रिफ्ट को कम करती है।
- ह्यूमन-इन-द-लूप थकान – अलर्ट रैंकिंग के लिए अभी भी इंस्पेक्टरों को कई छवियों की जांच करने की आवश्यकता होती है। यदि रैंकिंग वास्तविक दोषों को शोर (noise) से अलग नहीं करती है, तो अपेक्षित समय की बचत खत्म हो जाएगी। प्रति बोर्ड निरीक्षण समय की निरंतर निगरानी करें।
आगे क्या देखें
जो निर्माता AOI-रैंकिंग पायलट में सफल होते हैं, वे इस पैटर्न को प्रेडिक्टिव मेंटेनेंस या सप्लायर क्वालिटी जैसे अन्य उपयोग के मामलों तक बढ़ा सकते हैं।
मुख्य निष्कर्ष: AI तभी SMT लाइन की दक्षता (efficiency) को बढ़ा पाता है जब यह स्वच्छ और वर्जन-कंट्रोल किए गए डेटा पर आधारित एक रैंक किए गए अलर्ट सिस्टम के साथ एकीकृत हो और वास्तविक दोषों (defects) की उपस्थिति के आधार पर सत्यापित हो। मॉडल को एक वन-ऑफ डेमो के बजाय एक प्रोडक्शन एसेट के रूप में मानें, और इसका प्रतिफल एक निरंतर मिलने वाला लाभ बन जाएगा।