AI może znacząco skrócić czas, który fabryki elektroniki poświęcają na tropienie pozornych wad na swoich liniach montażu powierzchniowego. Nowy, szczegółowy plan działania pokazuje producentom, jak przeprowadzić pilotaż modelu AI, który klasyfikuje fałszywe alarmy systemów automatycznej inspekcji optycznej (AOI), pozwalając inspektorom skupić się na obrazach, w których najprawdopodobniej kryją się rzeczywiste problemy.

Systemy AOI zgłaszają każdą potencjalną wadę, ale większość alertów okazuje się niegroźnymi różnicami w kształcie komponentu lub rozpływie spoiwa. Inspektorzy marnują minuty na sortowanie tych „fałszywych alarmów”, podczas gdy prawdziwe wady czasem umykają i trafiają do późniejszych stacji testowych. Główne założenie przewodnika jest proste: użyj AI nie po to, aby zastąpić silnik decyzyjny AOI, ale aby zmienić kolejność alertów tak, aby te najbardziej ryzykowne pojawiały się jako pierwsze.

Dlaczego ten problem jest teraz istotny

Linie SMT (Surface-Mount Technology) pracują z prędkościami, które pozostawiają niewiele miejsca na ponowną inspekcję ludzką. Gdy fałszywe alarmy dominują w strumieniu powiadomień, operatorzy muszą zatrzymać linię, ręcznie zweryfikować każdy obraz i zarejestrować czynności naprawcze. To wąskie gardło zwiększa koszty pracy i obniża przepustowość.

Ramy pilotażu – od pomysłu do zasobu

  1. Zdefiniuj wąski, bezpieczny cel Pilotaż powinien jedynie klasyfikować alerty AOI, a nie automatycznie akceptować lub odrzucać płytki. Pozostawienie decyzji w rękach człowieka gwarantuje, że model nie wprowadzi po cichu naruszenia jakości.

  2. Ustal punkt odniesienia (baseline) Zanim jakikolwiek model dotknie danych, zarejestruj obecne metryki: wskaźnik fałszywych alarmów, średni czas inspekcji jednej płytki, wskaźnik ucieczki wad oraz FPY. Użyj tych liczb jako miary postępu.

  3. Zbierz bogate, powiązane dane Połącz obrazy AOI z werdyktem inspektora, przypisanym kodem naprawy, wynikami końcowych testów oraz polami kontekstowymi, takimi jak numer seryjny, znacznik czasu i receptura maszyny. Im bogatszy zestaw danych, tym bardziej precyzyjny będzie model.

  4. Chroń przed zanieczyszczeniem danych Zlecenia zmian inżynieryjnych (ECO) często zmieniają obrysy komponentów lub wzory padów. Mieszanie obrazów sprzed i po wprowadzeniu ECO wprowadza model w błąd, prowadząc do błędnych przewidywań. Segmentuj dane według rewizji lub daty zmiany.

  5. Zastosuj znaczące etykiety Zamiast binarnego podziału „wada / brak wady”, użyj kategorii takich jak „wymagana naprawa”, „wymagana weryfikacja inżynieryjna” lub „akceptowalna różnica”. Szczegółowe etykiety dają modelowi wyraźniejsze sygnały dotyczące powagi każdego alertu.

  6. Podziel dane we właściwy sposób Losowe mieszanie rekordów w zestawy treningowe i testowe może sprawić, że model będzie wyglądał lepiej, niż będzie w rzeczywistości podczas produkcji. Podziel dane według okna czasowego lub rewizji produktu, aby zestaw testowy naprawdę odzwierciedlał nieznane przyszłe dane.

  7. Zweryfikuj w warunkach rzeczywistych Po przeszkoleniu modelu, przeprowadź ranking na partii walidacyjnej i zmierz, ile rzeczywistych wad znajdzie się w górnych 20% listy. Jeśli model wcześnie wykrywa większość realnych problemów, jest gotowy do kontrolowanego wdrożenia.

  8. Traktuj model jako zasób produkcyjny Loguj każdą wersję, zestaw danych treningowych i każdą zmianę hiperparametrów w tym samym systemie kontroli zmian, który śledzi rewizje sprzętowe. Taki ślad audytowy pozwala na bezpieczne wycofanie lub aktualizację modelu.

  9. Uruchom równolegle, nie zastępuj Wdróż silnik rankingu AI równolegle z istniejącym procesem inspekcji. Przez kilka tygodni porównuj jego rekomendacje z decyzjami ludzkiego inspektora i wynikami końcowych testów, zanim zmienisz jakiekolwiek kryteria akceptacji.

  10. Iteruj przed skalowaniem Udany pilotaż to kontrolowana zmiana procesu, a nie eksperyment bez ograniczeń. Gdy model będzie konsekwentnie poprawiał metryki bazowe, wykorzystaj tę metodologię w innych zastosowaniach, takich jak utrzymanie predykcyjne (predictive maintenance) lub kontrola jakości u dostawców.

Ryzyka i kontrargumenty

  • Jakość danych jest kluczowa – Niekompletne znaczniki czasu lub brak kodów naprawy spowodują powstanie „szumiącego” modelu o niskiej wydajności. Dyscyplina w zbieraniu danych jest niepodważalna.
  • Dryft modelu – Nowe komponenty zmieniają profil statystyczny „normalnych” obrazów. Regularne dotrenowywanie modelu, prowadzone zgodnie z tym samym procesem kontroli zmian, łagodzi skutki dryftu.
  • Zmęczenie operatora (human-in-the-loop) – Ranking alertów wciąż wymaga od inspektorów przeglądania wielu obrazów. Jeśli ranking nie oddzieli prawdziwych wad od szumu, oczekiwane oszczędności czasu znikną. Należy stale monitorować czas inspekcji jednej płytki.

Co dalej?

Producenci, którzy skutecznie przeprowadzą pilotaż rankingu AOI, mogą rozszerzyć ten schemat na inne zastosowania, takie jak utrzymanie predykcyjne lub kontrola jakości u dostawców.

Podsumowanie: AI zwiększa wydajność linii SMT tylko wtedy, gdy stanowi nadbudowę dla systemu rangowanych alertów, opartego na czystych, wersjonowanych danych i zweryfikowanego pod kątem rzeczywistego występowania wad. Traktuj model jako aktywo produkcyjne, a nie jednorazową demonstrację, a uzyskane korzyści staną się powtarzalną przewagą.