AI इलेक्ट्रॉनिक्स कारखान्यांमध्ये सरफेस-माउंट लाईन्सवरील भ्रामक दोषांचा (phantom defects) शोध घेण्यात जाणारा वेळ लक्षणीयरीत्या कमी करू शकते. एक नवीन स्टेप-बाय-स्टेप प्लेबुक उत्पादकांना असे सांगते की, AOI (Automated Optical Inspection) मधील 'फॉल्स कॉल्स' (false calls) रँक करण्यासाठी AI मॉडेलचे पायलट टेस्टिंग कसे करावे, जेणेकरून निरीक्षक खऱ्या समस्या असलेल्या प्रतिमांवर लक्ष केंद्रित करू शकतील.
AOI सिस्टम प्रत्येक संभाव्य दोष सूचित करते, परंतु बहुतेक अलर्ट हे घटक आकार किंवा सोल्डरच्या प्रसारातील निरुपद्रवी बदल असल्याचे दिसून येते. निरीक्षक या "फॉल्स कॉल्स" मध्ये वेळ वाया घालवतात, तर काहीवेळा खरे दोष नंतरच्या टेस्ट स्टेशनपर्यंत सुटून जातात. या मार्गदर्शिकेचा मुख्य उद्देश साधा आहे: AOI निर्णय इंजिनला बदलण्यासाठी नाही, तर त्याचे अलर्ट अशा प्रकारे पुनर्रचित करण्यासाठी AI वापरावे जेणेकरून सर्वात जोखमीचे अलर्ट आधी दिसतील.
ही समस्या आता का महत्त्वाची आहे
SMT (Surface-Mount Technology) लाईन्स इतक्या वेगाने चालतात की मानवी पुनर्तपासणीसाठी फारसा वेळ उरत नाही. जेव्हा फॉल्स कॉल्स अलर्टच्या प्रवाहावर वर्चस्व गाजवतात, तेव्हा ऑपरेटर्सना लाईन थांबवावी लागते, प्रत्येक इमेज मॅन्युअली तपासावी लागते आणि दुरुस्तीच्या कृतींची नोंद करावी लागते. यामुळे मजुरीचा खर्च वाढतो आणि थ्रूपुट (throughput) कमी होतो.
पायलट फ्रेमवर्क – कल्पनेपासून मालमत्तेपर्यंत
मर्यादित आणि सुरक्षित उद्दिष्ट निश्चित करा पायलटने फक्त AOI अलर्ट रँक करावेत, बोर्ड आपोआप स्वीकारणे किंवा नाकारणे नाही. निर्णय मानवाच्या हातात ठेवल्यामुळे मॉडेलमुळे गुणवत्तेचा भंग होणार नाही याची खात्री मिळते.
बेसलाइन प्रस्थापित करा कोणतेही मॉडेल डेटावर प्रक्रिया करण्यापूर्वी, सध्याचे मेट्रिक्स नोंदवा: फॉल्स-कॉल रेट, प्रति बोर्ड सरासरी तपासणी वेळ, डिफेक्ट एस्केप रेट आणि FPY. सुधारणेसाठी या आकड्यांचा मापदंड म्हणून वापर करा.
समृद्ध आणि लिंक केलेला डेटा गोळा करा AOI प्रतिमांसोबत निरीक्षकाचा निर्णय, नियुक्त केलेला रिपेअर कोड, अंतिम चाचणी निकाल आणि सिरीयल नंबर, टाइमस्टॅम्प आणि मशीन रेसिपी यांसारखी माहिती गोळा करा. डेटा सेट जितका समृद्ध असेल, तितके मॉडेल अधिक अचूक होईल.
डेटा दूषित होण्यापासून संरक्षण करा इंजिनिअरिंग चेंज ऑर्डर्स (ECOs) अनेकदा घटकांचे फूटप्रिंट किंवा पॅड पॅटर्न बदलतात. ECO-पूर्व आणि ECO-पश्चात प्रतिमा एकत्र केल्यास मॉडेल गोंधळू शकते, ज्यामुळे चुकीचे अंदाज येतील. रिव्हिजननुसार किंवा बदलाच्या तारखेनुसार डेटा विभागून ठेवा.
अर्थपूर्ण लेबल्स वापरा केवळ "दोष / दोष नाही" या ऐवजी "रिवर्क आवश्यक", "इंजिनिअरिंग रिव्ह्यू आवश्यक" किंवा "स्वीकार्य बदल" यांसारख्या श्रेणी वापरा. सूक्ष्म लेबल्समुळे मॉडेलला प्रत्येक अलर्टच्या तीव्रतेबद्दल स्पष्ट संकेत मिळतात.
डेटा योग्य प्रकारे विभाजित करा रेकॉर्ड्सचे ट्रेनिंग आणि टेस्ट सेटमध्ये यादृच्छिकपणे (randomly) विभाजन केल्यास मॉडेल प्रत्यक्ष वापरात येण्यापेक्षा अधिक चांगले दिसू शकते. टाइम विंडो किंवा उत्पादन रिव्हिजननुसार डेटा विभाजित करा जेणेकरून टेस्ट सेट खऱ्या भविष्यातील डेटाचे प्रतिबिंब दर्शवेल.
वास्तविक वापराच्या आधारे पडताळणी करा ट्रेनिंगनंतर, व्हॅलिडेशन बॅच रँक करा आणि किती खरे दोष यादीच्या वरच्या २०% मध्ये येतात हे मोजा. जर मॉडेल बहुतेक वास्तविक समस्या लवकर समोर आणत असेल, तर ते नियंत्रित रोलआउटसाठी तयार आहे.
मॉडेलला प्रोडक्शन अॅसेट म्हणून माना हार्डवेअर रिव्हिजनचा मागोवा घेणाऱ्या समान चेंज-कंट्रोल सिस्टममध्ये प्रत्येक व्हर्जन, ट्रेनिंग डेटा सेट आणि हायपर-पॅरामीटरमधील बदल नोंदवा. हा ऑडिट ट्रेल तुम्हाला आत्मविश्वासाने मॉडेल रोलबॅक किंवा अपडेट करण्यास मदत करतो.
समांतर चालवा, बदलू नका विद्यमान तपासणी प्रक्रियेसोबतच AI रँकिंग इंजिन तैनात करा. कोणताही स्वीकार्यता निकष बदलण्यापूर्वी काही आठवड्यांसाठी त्याच्या शिफारसींची तुलना मानवी निरीक्षकाचे निर्णय आणि अंतिम चाचणी निकालांशी करा.
स्केलिंग करण्यापूर्वी पुनरावृत्ती करा यशस्वी पायलट ही एक नियंत्रित प्रक्रिया बदल आहे, कोणताही अमर्याद प्रयोग नाही. एकदा मॉडेलने बेसलाइन मेट्रिक्समध्ये सातत्याने सुधारणा केली की, प्रेडिक्टिव्ह मेंटेनन्स किंवा सप्लायर क्वालिटी यांसारख्या इतर वापरांसाठी ही पद्धत पुन्हा वापरा.
जोखीम आणि प्रतिवाद
- डेटा गुणवत्ता महत्त्वाची आहे – अपूर्ण टाइमस्टॅम्प किंवा गहाळ रिपेअर कोडमुळे मॉडेल खराब कामगिरी करू शकते. शिस्तबद्ध डेटा-संकलन दिनचर्या अनिवार्य आहे.
- मॉडेल ड्रिफ्ट (Model drift) – नवीन घटक "सामान्य" प्रतिमांच्या सांख्यिकीय प्रोफाइलमध्ये बदल घडवून आणतात. नियमित री-ट्रेनिंगमुळे हे टाळता येते.
- ह्युमन-इन-द-लूप फॅटीग (Human-in-the-loop fatigue) – अलर्ट रँक करण्यासाठी निरीक्षकांना अजूनही अनेक प्रतिमा तपासाव्या लागतात. जर रँकिंगने खऱ्या दोषांना गोंधळापासून (noise) वेगळे केले नाही, तर अपेक्षित वेळेची बचत होणार नाही. प्रति बोर्ड तपासणी वेळेवर सतत लक्ष ठेवा.
पुढे काय पाहावे
जे उत्पादक AOI-रँकिंग पायलट यशस्वीरित्या राबवू शकतात, ते प्रेडिक्टिव्ह मेंटेनन्स किंवा सप्लायर क्वालिटी यांसारख्या इतर क्षेत्रांतही ही पद्धत विस्तारू शकतात.
मुख्य निष्कर्ष: AI मुळे SMT लाईनची कार्यक्षमता केवळ तेव्हाच सुधारते, जेव्हा ते स्वच्छ आणि व्हर्जन-नियंत्रित डेटावर आधारित 'रँक्ड-अलर्ट सिस्टम' (ranked-alert system) वर आधारित असते आणि प्रत्यक्ष दोष आढळण्याच्या घटनांशी त्याची पडताळणी केलेली असते. मॉडेलला केवळ एकवेळचा डेमो न मानता, एक 'प्रोडक्शन अॅसेट' (production asset) म्हणून हाताळा, ज्यामुळे त्याचा फायदा तुम्हाला वारंवार मिळवता येण्याजोगा ठरेल.