AI boleh mengurangkan secara drastik masa yang dihabiskan oleh kilang elektronik untuk memburu kecacatan halimunan pada talian pemasangan permukaan mereka. Satu panduan langkah demi langkah yang baharu menunjukkan kepada pengilang cara untuk menjalankan projek rintis model AI yang menyusun semula panggilan palsu Pemeriksaan Optik Automatik (AOI), membolehkan pemeriksa menumpukan perhatian pada imej yang paling berkemungkinan menyembunyikan masalah sebenar.
Sistem AOI menandakan setiap potensi kecacatan, tetapi kebanyakan amaran rupa-rupanya hanyalah variasi tidak berbahaya dalam bentuk komponen atau penyebaran pateri. Pemeriksa membazirkan masa menyaring "panggilan palsu" ini, manakala kecacatan sebenar kadangkala terlepas ke stesen ujian yang seterusnya. Premis utama panduan ini adalah mudah: gunakan AI bukan untuk menggantikan enjin keputusan AOI, tetapi untuk menyusun semula amaran supaya amaran yang paling berisiko muncul terlebih dahulu.
Mengapa masalah ini penting sekarang
Talian SMT (Teknologi Pemasangan Permukaan) beroperasi pada kelajuan yang tidak memberi ruang untuk pemeriksaan semula oleh manusia. Apabila panggilan palsu mendominasi aliran amaran, operator terpaksa menghentikan talian, mengesahkan setiap imej secara manual, dan merekodkan tindakan pembaikan. Kesesakan ini meningkatkan kos buruh dan menjejaskan hasil (throughput).
Kerangka kerja rintis – daripada idea kepada aset
Takrifkan objektif yang khusus dan selamat Projek rintis sepatutnya hanya menyusun semula amaran AOI, bukan menerima atau menolak papan litar secara automatik. Mengekalkan keputusan di tangan manusia menjamin model tidak akan menyebabkan pelanggaran kualiti secara senyap.
Tetapkan garis dasar (baseline) Sebelum mana-mana model menyentuh data, rekod metrik semasa: kadar panggilan palsu, purata masa pemeriksaan setiap papan, kadar kecacatan terlepas (defect escape rate), dan FPY. Gunakan angka ini sebagai kayu ukur untuk penambahbaikan.
Kumpul data yang kaya dan saling berkaitan Gabungkan imej AOI bersama keputusan pemeriksa, kod pembaikan yang ditetapkan, hasil ujian akhir, dan medan konteks seperti nombor siri, cap masa, dan resipi mesin. Semakin kaya set data tersebut, semakin nuansa model tersebut.
Elakkan pencemaran data Pesanan Perubahan Kejuruteraan (ECO) sering mengubah jejak komponen atau corak pad. Mencampurkan imej pra-ECO dan pasca-ECO akan mengelirukan model, yang membawa kepada ramalan yang lemah. Bahagikan data mengikut semakan atau mengikut tarikh perubahan.
Gunakan label yang bermakna Daripada menggunakan label binari "kecacatan / tiada kecacatan," gunakan kategori seperti "kerja semula diperlukan," "semakan kejuruteraan diperlukan," atau "variasi yang boleh diterima." Label yang terperinci memberikan isyarat yang lebih jelas kepada model tentang tahap keterukan setiap amaran.
Bahagikan data dengan cara yang betul Mengaduk rekod secara rawak ke dalam set latihan dan ujian boleh membuatkan model kelihatan lebih baik daripada prestasi sebenarnya semasa pengeluaran. Bahagikan mengikut tetingkap masa atau mengikut semakan produk supaya set ujian benar-benar mencerminkan data masa hadapan yang belum dilihat.
Sahkan berbanding penggunaan dunia sebenar Selepas latihan, susun satu kelompok pengesahan dan ukur berapa banyak kecacatan sebenar yang berada dalam 20% teratas senarai. Jika model memaparkan kebanyakan masalah sebenar lebih awal, ia sedia untuk pelaksanaan terkawal.
Anggap model sebagai aset pengeluaran Rekod setiap versi, set data latihan, dan pelarasan hiperparameter dalam sistem kawalan perubahan yang sama yang menjejaki semakan perkakasan. Jejak audit ini membolehkan anda mengembalikan (roll back) atau mengemas kini model dengan yakin.
Jalankan secara selari, jangan gantikan Gunakan enjin penyusunan AI secara selari dengan aliran pemeriksaan sedia ada. Bandingkan cadangannya dengan keputusan pemeriksa manusia dan keputusan ujian akhir selama beberapa minggu sebelum mengubah sebarang kriteria penerimaan.
Lakukan iterasi sebelum penskalaan Projek rintis yang berjaya adalah perubahan proses yang terkawal, bukan eksperimen tanpa had. Sebaik sahaja model secara konsisten menambah baik metrik garis dasar, gunakan semula metodologi tersebut untuk kes penggunaan lain seperti penyelenggaraan ramalan atau kualiti pembekal.
Risiko dan hujah balas
- Kualiti data adalah keutamaan – Cap masa yang tidak lengkap atau kod pembaikan yang hilang akan menghasilkan model yang bising (noisy) dan berprestasi rendah. Rutin pengumpulan data yang berdisiplin adalah wajib.
- Hanyutan model (Model drift) – Komponen baharu mengubah profil statistik imej "normal." Latihan semula secara berkala, dipandu oleh proses kawalan perubahan yang sama, dapat mengurangkan hanyutan ini.
- Keletihan penglibatan manusia (Human-in-the-loop fatigue) – Penyusunan amaran masih memerlukan pemeriksa untuk meneliti banyak imej. Jika penyusunan tidak memisahkan kecacatan sebenar daripada gangguan (noise), penjimatan masa yang diharapkan akan hilang. Pantau masa pemeriksaan setiap papan secara berterusan.
Apa yang perlu diperhatikan seterusnya
Pengilang yang berjaya melaksanakan rintis penyusunan semula AOI boleh meluaskan corak ini kepada kes penggunaan lain seperti penyelenggaraan ramalan atau kualiti pembekal.
Rumusan: AI meningkatkan kecekapan talian SMT hanya apabila ia digabungkan dengan sistem amaran berperingkat yang dibina berasaskan data yang bersih, mempunyai kawalan versi, dan disahkan berdasarkan kejadian kecacatan sebenar. Anggap model tersebut sebagai aset pengeluaran, bukan sekadar demonstrasi sekali guna, dan hasilnya akan menjadi kelebihan yang boleh diulang.