Было опубликовано пошаговое руководство по внедрению ИИ на линиях поверхностного монтажа (SMT), которое показывает производителям, как превратить одну производственную проблему в измеримый рост выхода годной продукции.

Почему ИИ-проекты буксуют на предприятиях электроники

Производители электроники годами гнались за хайпом вокруг машинного обучения, часто обучая модели на данных, которые никак не связаны с реальными проблемами стоимости или качества. В результате накапливается масса прототипов (PoC), которые пылятся на серверах, пока в цехах по-прежнему борются с низким выходом годной продукции с первого предъявления (FPY) и высоким уровнем брака. Новое руководство меняет этот подход: оно начинается с четкого решения — «выявлять изделия для углубленной проверки после AOI, но до ICT» — и выстраивает модель, эффективность которой можно оценить по существующим показателям производительности.

Что стоит на кону для производителей

Каждая дефектная плата, прошедшая проверку незамеченной, означает потерю компонентов, дополнительные трудозатраты на доработку и задержку выпуска продукции. И наоборот, модель, показатели которой снижаются после смены поставщика или переноса производства, может ухудшить общие результаты. Отношение к алгоритму как к любому другому оборудованию — с калибровкой, мониторингом и техническим обслуживанием — помогает сохранить баланс в пользу прибыли.

Восемь шагов, описанных в руководстве

  1. Сформулируйте решение одним предложением – четко определите действие, которое будет инициировать модель, например: «Выявлять изделия для углубленной проверки после AOI, но до ICT».
  2. Зафиксируйте базовые показатели – запишите текущий FPY, стоимость брака и время на доработку. Эти цифры станут эталоном для оценки любого улучшения, которое обеспечит ИИ.
  3. Объедините данные – свяжите серийные номера в потоках данных SMT и результатах тестирования. Подтяните данные о смещении компонентов, объеме пасты и температурах оплавления, чтобы модель видела полную картину процесса.
  4. Учитывайте историю BOM – изменения размеров компонентов или смена поставщиков влияют на поведение деталей. Привязка каждой платы к версии спецификации материалов (BOM) позволит модели учитывать эти нюансы.
  5. Проектируйте признаки процесса – не рассматривайте работу отдельного станка в изоляции. Сочетайте низкий объем пасты со смещением компонентов или изменениями профиля оплавления, чтобы выявить реальные факторы риска.
  6. Разделяйте данные по времени, а не случайным образом – случайное разделение может привести к утечке информации из будущего в обучающую выборку, завышая показатели успеха. Хронологическое разделение имитирует условия реальной эксплуатации.
  7. Тестируйте в реальных условиях – проверяйте модель на различных семействах продуктов, настройках оборудования и партиях материалов, чтобы обеспечить ее надежность.
  8. Используйте «теневой режим» – запускайте прогнозы параллельно с работающей линией, не влияя на нее. Сравнивайте оповещения ИИ с фактическими результатами тестов, прежде чем вносить какие-либо изменения в процесс.

Как ИИ должен дополнять, а не заменять существующие проверки

В руководстве подчеркивается, что ИИ — это партнер инженеров, а не замена установленным проверкам, таким как SPI (инспекция паяльной пасты) или AOI (автоматическая оптическая инспекция). Объединяя сигналы из нескольких источников, алгоритм может выявлять закономерности — например, тонкое взаимодействие между объемом пасты и смещением компонентов, — которые человек может упустить. ИИ-агент также может автоматизировать сбор данных и направлять оповещения ответственному технику, но он никогда не должен самостоятельно изменять пределы тестирования или технологические карты SMT.

Мониторинг и поддержание работоспособности модели

Эффективность модели снижается при изменении входящих параметров, таких как новый поставщик компонентов или перенос производства на другой завод. Относитесь к ИИ как к еще одной единице заводского оборудования, которой требуются журналы калибровки, профилактическое обслуживание и четкий план вывода из эксплуатации.

Контраргумент: риск чрезмерной автоматизации

Критики утверждают, что ИИ может стать «черным ящиком», из-за чего заводы начнут доверять прогнозам, которые они не понимают. Настаивание руководства на использовании теневого режима и хронологического разделения данных напрямую решает эту проблему, заставляя проводить проверку реальностью перед внедрением любой автоматизации. Тем не менее, компании должны инвестировать в персонал, способный интерпретировать результаты работы модели и вмешиваться при появлении аномалий.

На что обратить внимание в дальнейшем

Итог: Целенаправленный подход, основанный на данных и начинающийся с одной конкретной, измеримой производственной проблемы, может превратить ИИ из спекулятивного проекта в реальный инструмент повышения выхода годной продукции на линии SMT. Новое руководство предлагает практический план действий; настоящим испытанием станет дисциплинированное исполнение и постоянное сопровождение создаваемых им моделей.

Источник: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0