ಸರ್ಫೇಸ್-ಮೌಂಟ್ ತಂತ್ರಜ್ಞಾನ (SMT) ಲೈನ್ನಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಕಾರ್ಯಗತಗೊಳಿಸಬೇಕು ಎಂಬುದರ ಕುರಿತು ಹಂತ-ಹಂತದ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಇದು ತಯಾರಿಕಾ ಸಂಸ್ಥೆಗಳು ಒಂದು ಉತ್ಪಾದನಾ ಸಮಸ್ಯೆಯನ್ನು ಹೇಗೆ ಅಳೆಯಬಹುದಾದ ಇಳುವರಿ ಹೆಚ್ಚಳಕ್ಕೆ (yield boost) ಪರಿವರ್ತಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಕಾರ್ಖಾನೆಗಳಲ್ಲಿ AI ಯೋಜನೆಗಳು ಏಕೆ ವಿಫಲವಾಗುತ್ತವೆ
ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ತಯಾರಕರು ವರ್ಷಗಳಿಂದ ಮಷೀನ್-ಲರ್ನಿಂಗ್ನ ಅಬ್ಬರವನ್ನು ಬೆನ್ನತ್ತುತ್ತಿದ್ದಾರೆ, ಆದರೆ ಹೆಚ್ಚಾಗಿ ನೈಜ ವೆಚ್ಚ ಅಥವಾ ಗುಣಮಟ್ಟದ ಸಮಸ್ಯೆಗೆ ಸಂಬಂಧಿಸದ ಡೇಟಾ ಮೇಲೆ ಮಾಡೆಲ್ಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುತ್ತಿದ್ದಾರೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ಪ್ರೂಫ್ ಆಫ್ ಕನ್ಸೆಪ್ಟ್ (PoC) ಗಳ ರಾಶಿ ಸರ್ವರ್ಗಳಲ್ಲಿಯೇ ಉಳಿಯುತ್ತಿದೆ, ಆದರೆ ಉತ್ಪಾದನಾ ಘಟಕಗಳು (shop floor) ಇಂದಿಗೂ ಕಡಿಮೆ ಫಸ್ಟ್-ಪಾಸ್ ಯೀಲ್ಡ್ (FPY) ಮತ್ತು ಹೆಚ್ಚಿನ ಸ್ಕ್ರ್ಯಾಪ್ ದರಗಳೊಂದಿಗೆ ಹೋರಾಡುತ್ತಿವೆ. ಹೊಸ ಮಾರ್ಗದರ್ಶಿಯು ಈ ಚಿತ್ರಣವನ್ನೇ ಬದಲಿಸುತ್ತದೆ: ಇದು "AOI ನಂತರ ಆದರೆ ICT ಮೊದಲು ಹೆಚ್ಚಿನ ಪರಿಶೀಲನೆಗಾಗಿ ಘಟಕಗಳನ್ನು ಗುರುತಿಸಿ" ಎಂಬ ಸ್ಪಷ್ಟ ನಿರ್ಧಾರದೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ತೀರ್ಪು ನೀಡಬಹುದಾದ ಮಾಡೆಲ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ.
ತಯಾರಿಕಾ ಸಂಸ್ಥೆಗಳಿಗೆ ಇರುವ ಅಪಾಯಗಳು
ತಪಾಸಣೆಯಿಂದ ತಪ್ಪಿಸಿಕೊಂಡ ಪ್ರತಿಯೊಂದು ದೋಷಪೂರಿತ ಬೋರ್ಡ್ ಕೂಡ ವ್ಯರ್ಥವಾದ ಘಟಕಗಳು, ಹೆಚ್ಚಿನ ರಿವರ್ಕ್ ಕಾರ್ಮಿಕ ಶ್ರಮ ಮತ್ತು ವಿಳಂಬಿತ ಉತ್ಪನ್ನ ಬಿಡುಗಡೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಪೂರೈಕೆದಾರರ ಬದಲಾವಣೆ ಅಥವಾ ಪ್ಲಾಂಟ್ ಸ್ಥಳಾಂತರದ ನಂತರ ಮಾಡೆಲ್ನ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಸಿಯಬಹುದು. ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಇತರ ಯಾವುದೇ ಉಪಕರಣದಂತೆ ಪರಿಗಣಿಸುವುದು—ಅಂದರೆ ಕ್ಯಾಲಿಬ್ರೇಟ್ ಮಾಡುವುದು, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದು—ಲಾಭದತ್ತ ಸಮತೋಲನವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಮಾರ್ಗದರ್ಶಿಯಲ್ಲಿ ವಿವರಿಸಲಾದ ಎಂಟು ಹಂತಗಳು
- ನಿರ್ಧಾರವನ್ನು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಿ – ಮಾಡೆಲ್ ಯಾವ ನಿರ್ದಿಷ್ಟ ಕ್ರಮವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ಗುರುತಿಸಿ, ಉದಾಹರಣೆಗೆ, "AOI ನಂತರ ಆದರೆ ICT ಮೊದಲು ಹೆಚ್ಚಿನ ಪರಿಶೀಲನೆಗಾಗಿ ಘಟಕಗಳನ್ನು ಗುರುತಿಸಿ."
- ನಿಮ್ಮ ಬೇಸ್ಲೈನ್ ಅನ್ನು ದಾಖಲಿಸಿ – ಪ್ರಸ್ತುತ FPY, ಸ್ಕ್ರ್ಯಾಪ್ ವೆಚ್ಚಗಳು ಮತ್ತು ರಿವರ್ಕ್ ಸಮಯವನ್ನು ದಾಖಲಿಸಿ. ಈ ಅಂಕಿಅಂಶಗಳು AI ನೀಡುವ ಯಾವುದೇ ಸುಧಾರಣೆಗೆ ಮಾನದಂಡವಾಗುತ್ತವೆ.
- ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಜೋಡಿಸಿ – SMT ಡೇಟಾ ಸ್ಟ್ರೀಮ್ಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ನಡುವೆ ಸೀರಿಯಲ್ ಸಂಖ್ಯೆಗಳನ್ನು ಲಿಂಕ್ ಮಾಡಿ. ಮಾಡೆಲ್ ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯ ಚಿತ್ರಣವನ್ನು ನೋಡಲು ಪ್ಲೇಸ್ಮೆಂಟ್ ಆಫ್ಸೆಟ್ಗಳು (placement offsets), ಪೇಸ್ಟ್ ವಾಲ್ಯೂಮ್ಗಳು ಮತ್ತು ರಿಫ್ಲೋ ತಾಪಮಾನಗಳನ್ನು ಸೇರಿಸಿ.
- BOM ಇತಿಹಾಸವನ್ನು ಸೇರಿಸಿ – ಘಟಕದ ಗಾತ್ರದ ಬದಲಾವಣೆಗಳು ಅಥವಾ ಪೂರೈಕೆದಾರರ ಬದಲಾವಣೆಗಳು ಭಾಗದ ವರ್ತನೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಪ್ರತಿಯೊಂದು ಬೋರ್ಡ್ ಅನ್ನು ಅದರ ಬಿಲ್-ಆಫ್-ಮಟೀರಿಯಲ್ಸ್ (BOM) ಆವೃತ್ತಿಯೊಂದಿಗೆ ಟ್ಯಾಗ್ ಮಾಡುವುದರಿಂದ ಮಾಡೆಲ್ ಆ ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ಕಲಿಯಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
- ಪ್ರಕ್ರಿಯೆಯ ಫೀಚರ್ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ – ಒಂದೇ ಯಂತ್ರವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೋಡಬೇಡಿ. ನೈಜ ಅಪಾಯದ ಅಂಶಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಕಡಿಮೆ ಪೇಸ್ಟ್ ವಾಲ್ಯೂಮ್ ಅನ್ನು ಪ್ಲೇಸ್ಮೆಂಟ್ ಆಫ್ಸೆಟ್ಗಳೊಂದಿಗೆ ಅಥವಾ ರಿಫ್ಲೋ ಪ್ರೊಫೈಲ್ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ.
- ಡೇಟಾವನ್ನು ಸಮಯದ ಆಧಾರದ ಮೇಲೆ ವಿಂಗಡಿಸಿ, ಯಾದೃಚ್ಛಿಕವಾಗಿ ಅಲ್ಲ – ಯಾದೃಚ್ಛಿಕ ವಿಭಜನೆಯು ಭವಿಷ್ಯದ ಮಾಹಿತಿಯನ್ನು ತರಬೇತಿಯಲ್ಲಿ ಸೋರಿಕೆ ಮಾಡಬಹುದು, ಇದು ಯಶಸ್ಸಿನ ಸ್ಕೋರ್ಗಳನ್ನು ಅತಿಯಾಗಿ ತೋರಿಸಬಹುದು. ಕಾಲಾನುಕ್ರಮದ ವಿಭಜನೆಯು (chronological split) ನೈಜ ಪ್ರಪಂಚದ ನಿಯೋಜನೆಯನ್ನು ಹೋಲುತ್ತದೆ.
- ನೈಜ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿ – ದೃಢತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ವಿವಿಧ ಉತ್ಪನ್ನ ಕುಟುಂಬಗಳು, ಯಂತ್ರದ ಸೆಟಪ್ಗಳು ಮತ್ತು ಮೆಟೀರಿಯಲ್ ಲಾಟ್ಗಳ ಮೂಲಕ ಮಾಡೆಲ್ ಅನ್ನು ವ್ಯಾಲಿಡೇಟ್ ಮಾಡಿ.
- ಶ್ಯಾಡೋ ಮೋಡ್ (Shadow mode) ಬಳಸಿ – ಲೈವ್ ಲೈನ್ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರದೆ ಅದರ ಜೊತೆಗೆ ಮುನ್ಸೂಚನೆಗಳನ್ನು ರನ್ ಮಾಡಿ. ಯಾವುದೇ ಪ್ರಕ್ರಿಯೆ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡುವ ಮೊದಲು AI ನ ಎಚ್ಚರಿಕೆಗಳನ್ನು ನೈಜ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ ನೋಡಿ.
AI ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ತಪಾಸಣೆಗಳನ್ನು ಬದಲಿಸುವ ಬದಲು ಹೇಗೆ ಪೂರಕವಾಗಿರಬೇಕು
AI ಎಂಬುದು ಎಂಜಿನಿಯರ್ಗಳಿಗೆ ಪಾಲುದಾರನಾಗಿಯೇ ಇರಬೇಕೇ ಹೊರತು, SPI (solder paste inspection) ಅಥವಾ AOI (automated optical inspection) ನಂತಹ ಸ್ಥಾಪಿತ ತಪಾಸಣೆಗಳಿಗೆ ಪರ್ಯಾಯವಲ್ಲ ಎಂದು ಮಾರ್ಗದರ್ಶಿಯು ಒತ್ತಿಹೇಳುತ್ತದೆ. ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಿಗ್ನಲ್ಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವ ಮೂಲಕ, ಅಲ್ಗಾರಿದಮ್ ಅಂತಹ ಮಾದರಿಗಳನ್ನು (patterns) ಬಹಿರಂಗಪಡಿಸಬಹುದು—ಉದಾಹರಣೆಗೆ ಪೇಸ್ಟ್ ವಾಲ್ಯೂಮ್ ಮತ್ತು ಪ್ಲೇಸ್ಮೆಂಟ್ ಆಫ್ಸೆಟ್ ನಡುವಿನ ಸೂಕ್ಷ್ಮ ಸಂವಹನ—ಇದನ್ನು ಮನುಷ್ಯರು ಗಮನಿಸಲು ಸಾಧ್ಯವಾಗದಿರಬಹುದು. AI-ಚಾಲಿತ ಏಜೆಂಟ್ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ ತಂತ್ರಜ್ಞರಿಗೆ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಕಳುಹಿಸಬಹುದು, ಆದರೆ ಅದು ಎಂದಿಗೂ ತಪಾಸಣಾ ಮಿತಿಗಳನ್ನು ಅಥವಾ SMT ರೆಸಿಪಿಗಳನ್ನು ಸ್ವತಃ ಬದಲಾಯಿಸಬಾರದು.
ಮಾಡೆಲ್ನ ಆರೋಗ್ಯವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದು
ಹೊಸ ಘಟಕದ ಮಾರಾಟಗಾರರು ಅಥವಾ ಉತ್ಪಾದನೆಯನ್ನು ಬೇರೆ ಪ್ಲಾಂಟ್ಗೆ ಸ್ಥಳಾಂತರಿಸಿದಾಗ ಅಪ್ಸ್ಟ್ರೀಮ್ ವೇರಿಯೇಬಲ್ಗಳು ಬದಲಾದಾಗ ಮಾಡೆಲ್ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಸಿಯುತ್ತದೆ. AI ಅನ್ನು ಕ್ಯಾಲಿಬ್ರೇಶನ್ ಲಾಗ್ಗಳು, ತಡೆಗಟ್ಟುವ ನಿರ್ವಹಣೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಡಿಕಮಿಷನಿಂಗ್ ಯೋಜನೆಯ ಅಗತ್ಯವಿರುವ ಮತ್ತೊಂದು ಫ್ಯಾಕ್ಟರಿ ಉಪಕರಣವೆಂದು ಪರಿಗಣಿಸಿ.
ವಿರೋಧಾತ್ಮಕ ಅಂಶ: ಅತಿಯಾದ ಆಟೊಮೇಷನ್ನ ಅಪಾಯ
ವಿಮರ್ಶಕರು AI ಒಂದು 'ಬ್ಲ್ಯಾಕ್ ಬಾಕ್ಸ್' (black box) ಆಗಬಹುದು ಮತ್ತು ಇದರಿಂದ ಕಾರ್ಖಾನೆಗಳು ತಮಗೆ ಅರ್ಥವಾಗದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನಂಬುವ ಅಪಾಯವಿದೆ ಎಂದು ವಾದಿಸುತ್ತಾರೆ. ಮಾರ್ಗದರ್ಶಿಯು ಶ್ಯಾಡೋ ಮೋಡ್ ಮತ್ತು ಸಮಯ-ಆಧಾರಿತ ಡೇಟಾ ವಿಭಜನೆಯ ಬಗ್ಗೆ ಒತ್ತಿಹೇಳುತ್ತಿರುವುದು ಈ ಆತಂಕವನ್ನು ನೇರವಾಗಿ ಪರಿಹರಿಸುತ್ತದೆ, ಇದು ಯಾವುದೇ ಆಟೊಮೇಷನ್ ಜಾರಿಗೆ ಬರುವ ಮೊದಲು ವಾಸ್ತವಿಕ ಪರಿಶೀಲನೆಗೆ ಒತ್ತಾಯಿಸುತ್ತದೆ. ಆದರೂ, ಮಾಡೆಲ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಲು ಮತ್ತು ಅಸಂಬದ್ಧತೆಗಳು ಕಂಡುಬಂದಾಗ ಮಧ್ಯಪ್ರವೇಶಿಸಲು ಸಿಬ್ಬಂದಿಗೆ ಕಂಪನಿಗಳು ಹೂಡಿಕೆ ಮಾಡಬೇಕು.
ಮುಂದೆ ಗಮನಿಸಬೇಕಾದ ಅಂಶಗಳು
ಸಾರಾಂಶ: ಒಂದು ಏಕಮಾತ್ರ, ಅಳೆಯಬಹುದಾದ ಉತ್ಪಾದನಾ ಸಮಸ್ಯೆಯಿಂದ ಪ್ರಾರಂಭವಾಗುವ ಕೇಂದ್ರೀಕೃತ, ಡೇಟಾ-ಚಾಲಿತ ವಿಧಾನವು AI ಅನ್ನು ಕೇವಲ ಒಂದು ಕಲ್ಪನಾತ್ಮಕ ಯೋಜನೆಯಿಂದ SMT ಫ್ಲೋರ್ನಲ್ಲಿ ಇಳುವರಿ ಸುಧಾರಿಸುವ ಒಂದು ಪ್ರಾಯೋಗಿಕ ಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸಬಹುದು. ಹೊಸ ಮಾರ್ಗದರ್ಶಿಯು ಒಂದು ಪ್ರಾಯೋಗಿಕ ನೀಲನಕ್ಷೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ; ನಿಜವಾದ ಪರೀಕ್ಷೆಯು ಅದು ಸೃಷ್ಟಿಸುವ ಮಾಡೆಲ್ಗಳ ಶಿಸ್ತುಬದ್ಧ ಅನುಷ್ಠಾನ ಮತ್ತು ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆಯಲ್ಲಿರುತ್ತದೆ.
Source: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0