सरफेस-माउंट टेक्नॉलॉजी (SMT) लाईनवर AI चा वापर कसा करावा, याबद्दल एक टप्प्याटप्प्याने मार्गदर्शन (step-by-step guide) प्रसिद्ध करण्यात आले आहे. यामध्ये उत्पादकांना एका उत्पादन समस्येतून मोजता येण्याजोगा 'यील्ड बूस्ट' (yield boost) कसा मिळवायचा, हे दाखवून दिले आहे.
इलेक्ट्रॉनिक्स कारखान्यांमध्ये AI प्रकल्प का रखडतात
इलेक्ट्रॉनिक्स उत्पादक अनेक वर्षांपासून मशीन-लर्निंगच्या (machine-learning) आकर्षणामागे धावत आहेत, परंतु अनेकदा असे मॉडेल्स अशा डेटावर प्रशिक्षित केले जातात ज्याचा प्रत्यक्ष खर्च किंवा गुणवत्तेच्या समस्येशी संबंध नसतो. परिणामी, 'प्रूफ ऑफ कन्सेप्ट्स' (proofs of concept) चा ढिगारा सर्व्हरवर पडून राहतो, तर उत्पादन क्षेत्रात (shop floor) अजूनही कमी 'फर्स्ट-पास यील्ड' (FPY) आणि उच्च स्क्रॅप रेट्सशी (scrap rates) संघर्ष करावा लागतो. हे नवीन मार्गदर्शन ही परिस्थिती बदलून टाकते: याची सुरुवात एका स्पष्ट निर्णयाने होते—"AOI नंतर परंतु ICT पूर्वी, अधिक तपासणीसाठी युनिट्सची ओळख पटवणे"—आणि अशा मॉडेलची निर्मिती केली जाते ज्याची तुलना सध्याच्या कामगिरीच्या निकषांशी (performance metrics) करता येते.
उत्पादकांसाठी असलेले धोके/महत्त्व
तपासणीतून सुटलेला प्रत्येक दोषपूर्ण बोर्ड म्हणजे वाया गेलेले घटक (components), अतिरिक्त रिवर्क लेबर आणि उत्पादन लाँचमध्ये होणारा विलंब होय. याउलट, पुरवठादार बदलल्यानंतर किंवा प्लांटचे स्थलांतर झाल्यानंतर मॉडेलमध्ये होणारा बदल (drift) कामगिरी खालावण्यास कारणीभूत ठरू शकतो. अल्गोरिदमला इतर कोणत्याही उपकरणाप्रमाणे—कॅलिब्रेट करणे, मॉनिटर करणे आणि देखभाल करणे—वागवल्यास फायद्याच्या बाजूने संतुलन राखण्यास मदत होते.
मार्गदर्शनात मांडलेले आठ टप्पे
- एका वाक्यात निर्णय निश्चित करा – मॉडेलद्वारे नेमकी कोणती कृती केली जाईल ते स्पष्ट करा, उदा. "AOI नंतर परंतु ICT पूर्वी, अधिक तपासणीसाठी युनिट्सची ओळख पटवणे."
- तुमचा बेसलाईन (baseline) नोंदवा – सध्याचा FPY, स्क्रॅप खर्च आणि रिवर्क वेळ नोंदवून घ्या. AI द्वारे मिळणाऱ्या कोणत्याही सुधारणेसाठी हे आकडे मोजमाप (yardstick) म्हणून काम करतील.
- तुमचा डेटा एकत्र करा – SMT डेटा स्ट्रीम्स आणि चाचणी निकालांमधील सिरीयल नंबर एकमेकांशी जोडा. प्लेसमेंट ऑफसेट्स (placement offsets), पेस्ट व्हॉल्यूम (paste volumes) आणि रिफ्लो तापमान (reflow temperatures) यांचा समावेश करा जेणेकरून मॉडेलला संपूर्ण प्रक्रियेचे चित्र दिसेल.
- BOM इतिहास समाविष्ट करा – घटकाचा आकार बदलल्यास किंवा पुरवठादार बदलल्यास भागांच्या वर्तनावर परिणाम होतो. प्रत्येक बोर्डला त्याच्या 'बिल-ऑफ-मटेरिअल्स' (BOM) आवृत्तीसह टॅग केल्यामुळे मॉडेलला या बारकाव्यांची माहिती मिळते.
- प्रोसेस फीचर्स डिझाइन करा – एखाद्या मशीनकडे स्वतंत्रपणे पाहू नका. वास्तविक जोखीम घटक शोधण्यासाठी कमी पेस्ट व्हॉल्यूम आणि प्लेसमेंट ऑफसेट्स, किंवा रिफ्लो प्रोफाइलमधील बदल यांचा एकत्रित विचार करा.
- डेटा वेळेनुसार विभाजित करा, यादृच्छिकपणे (randomly) नाही – यादृच्छिक विभाजनामुळे भविष्यातील माहिती प्रशिक्षणात येऊ शकते, ज्यामुळे यशाचे गुण कृत्रिमरित्या वाढू शकतात. कालानुक्रमे केलेले विभाजन (chronological split) वास्तविक जगातील उपयोजनाचे अनुकरण करते.
- वास्तविक परिस्थितीमध्ये चाचणी घ्या – मॉडेलची विश्वासार्हता सुनिश्चित करण्यासाठी विविध उत्पादन श्रेणी (product families), मशीन सेटअप आणि मटेरियल लॉट्समध्ये त्याची पडताळणी करा.
- शॅडो मोड (shadow mode) वापरा – प्रत्यक्ष उत्पादन लाईनवर कोणताही परिणाम न करता, त्यासोबतच प्रेडिक्शन्स (predictions) चालवा. कोणत्याही प्रक्रिया बदलांसाठी वचनबद्ध होण्यापूर्वी, AI कडून येणाऱ्या अलर्ट्सची प्रत्यक्ष चाचणी निकालांशी तुलना करा.
AI ने विद्यमान तपासणीची जागा न घेता तिला अधिक सक्षम कसे करावे
हे मार्गदर्शन यावर भर देते की AI हे इंजिनिअर्ससाठी एक भागीदार आहे, SPI (solder paste inspection) किंवा AOI (automated optical inspection) सारख्या प्रस्थापित तपासण्यांचा पर्याय नाही. विविध स्रोतांकडून मिळणारे संकेत एकत्र करून, अल्गोरिदम असे पॅटर्न शोधू शकतो—जसे की पेस्ट व्हॉल्यूम आणि प्लेसमेंट ऑफसेटमधील सूक्ष्म परस्परसंबंध—जे मानवाकडून सुटू शकतात. AI-चालित एजंट डेटा संकलन स्वयंचलित करू शकतो आणि संबंधित तंत्रज्ञाकडे अलर्ट पाठवू शकतो, परंतु त्याने स्वतःहून चाचणी मर्यादा (test limits) किंवा SMT रेसिपीमध्ये बदल करू नये.
मॉडेलचे आरोग्य (health) मॉनिटर करणे आणि राखणे
जेव्हा अपस्ट्रीम व्हेरिएबल्स (upstream variables) बदलतात, जसे की नवीन घटक विक्रेता किंवा उत्पादन दुसऱ्या प्लांटमध्ये हलवणे, तेव्हा मॉडेलची कामगिरी खालावते. AI ला कारखान्यातील इतर उपकरणाप्रमाणे वागवा, ज्याला कॅलिब्रेशन लॉग्स, प्रतिबंधात्मक देखभाल (preventive maintenance) आणि एक निश्चित डीकमिशनिंग प्लॅन (decommissioning plan) आवश्यक आहे.
प्रतिवाद: अति-स्वयंचलितिकरणाचा (over-automation) धोका
टीकाकारांचे म्हणणे आहे की AI एक 'ब्लॅक बॉक्स' बनू शकते, ज्यामुळे कारखाने अशा अंदाजांवर विश्वास ठेवू लागतात जे त्यांना समजत नाहीत. मार्गदर्शनातील शॅडो मोड आणि वेळेवर आधारित डेटा स्प्लिट्सचा आग्रह थेट या चिंतेचे निराकरण करतो, ज्यामुळे कोणतेही ऑटोमेशन लागू होण्यापूर्वी वास्तव तपासले जाते. तरीही, कंपन्यांनी अशा कर्मचाऱ्यांमध्ये गुंतवणूक करणे आवश्यक आहे जे मॉडेलचे आउटपुट समजावून सांगू शकतील आणि विसंगती (anomalies) आढळल्यास हस्तक्षेप करू शकतील.
पुढे काय पाहावे
निष्कर्ष (Takeaway): एका केंद्रित, डेटा-आधारित दृष्टिकोनामुळे, जो एका मोजता येण्याजोग्या उत्पादन समस्येपासून सुरू होतो, AI ला केवळ एक काल्पनिक प्रकल्प न ठेवता SMT फ्लोरवर 'यील्ड' सुधारणारे एक प्रत्यक्ष साधन बनवता येते. हे नवीन मार्गदर्शन एक व्यावहारिक आराखडा (blueprint) प्रदान करते; खरी कसोटी ही मॉडेलच्या शिस्तबद्ध अंमलबजावणीमध्ये आणि त्याच्या निरंतर व्यवस्थापनामध्ये असेल.
स्रोत: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0