AI inaweza kupunguza kwa kiasi kikubwa muda ambao viwanda vya vifaa vya kielektroniki hutumia kutafuta kasoro zisizo halisi kwenye njia zao za surface-mount. Mwongozo mpya wa hatua kwa hatua unaonyesha watengenezaji jinsi ya kufanya majaribio ya modeli ya AI inayopanga (rank) taarifa za uongo za Ukaguzi wa Optika wa Otomatiki (AOI), na kuwaruhusu wakaguzi kuzingatia picha zenye uwezekano mkubwa wa kuficha matatizo ya kweli.
Mifumo ya AOI huashiria kila kasoro inayoweza kutokea, lakini taarifa nyingi hugundulika kuwa ni mabadiliko yasiyo na madhara katika umbo la sehemu (component) au usambazaji wa kulehemu (solder). Wakaguzi hupoteza dakika nyingi kuchuja "taarifa za uongo" hizi, wakati kasoro halisi wakati mwingine hupita na kufika kwenye vituo vya majaribio vya baadaye. Msingi mkuu wa mwongozo huu ni rahisi: tumia AI si badala ya injini ya maamuzi ya AOI, bali ili kupanga upya taarifa zake ili zile zenye hatari zaidi zionekane kwanza.
Kwa nini tatizo hili ni muhimu sasa
Njia za SMT (Surface-Mount Technology) hufanya kazi kwa kasi inayotoa nafasi ndogo sana kwa ukaguzi wa pili wa kibinadamu. Taarifa za uongo zinapozidi katika mtiririko wa taarifa, waendeshaji hulazimika kusimamisha njia, kuhakiki kila picha kwa mkono, na kuandikisha hatua za ukarabati. Kikwazo hicho huongeza gharama za kazi na kupunguza ufanisi wa uzalishaji.
Mwongozo wa majaribio – kutoka wazo hadi rasilimali
Weka lengo finyu na salama Majaribio yanapaswa kupanga tu taarifa za AOI, si kukubali au kukataa bodi moja kwa moja. Kuweka maamuzi mikononi mwa binadamu kunahakikisha kuwa modeli haiwezi kusababisha ukiukaji wa ubora bila kujulikana.
Weka kipimo cha msingi (baseline) Kabla ya modeli yoyote kugusa data, rekodi vipimo vya sasa: kiwango cha taarifa za uongo, muda wa wastani wa ukaguzi kwa kila bodi, kiwango cha kasoro zinazopita, na FPY. Tumia namba hizi kama kipimo cha maendeleo.
Kusanya data tajiri na zilizounganishwa Unganisha picha za AOI pamoja na uamuzi wa mkaguzi, kodi ya ukarabati iliyotolewa, matokeo ya majaribio ya mwisho, na maelezo ya ziada kama vile namba ya utambulisho (serial number), muda (timestamp), na mpangilio wa mashine (machine recipe). Kadiri seti ya data inavyokuwa tajiri, ndivyo modeli inavyokuwa yenye uelewa mpana zaidi.
Linda dhidi ya uchafuzi wa data Maagizo ya Mabadiliko ya Kihandisi (ECOs) mara nyingi hubadilisha umbo la sehemu (component footprints) au mifumo ya pad. Kuchanganya picha za kabla ya ECO na baada ya ECO huchanganya modeli, na kusababisha utabiri mbaya. Gawanya data kwa marekebisho (revision) au kwa tarehe ya mabadiliko.
Tumia lebo zenye maana Badala ya kutumia "kasoro / hakuna kasoro" pekee, tumia kategoria kama vile "ukarabati unahitajika," "mapitio ya kihandisi yanahitajika," au "mabadiliko yanayokubalika." Lebo za kina huipa modeli ishara zilizo wazi zaidi kuhusu ukubwa wa kila taarifa.
Gawanya data kwa njia sahihi Kuchanganya rekodi kiholela katika seti za mafunzo na majaribio kunaweza kufanya modeli ionekane bora kuliko itakavyokuwa wakati wa uzalishaji. Gawanya kwa kipindi cha muda au kwa marekebisho ya bidhaa ili seti ya majaribio iakisi kikweli data za baadaye ambazo hazijajulikana.
Thibitisha dhidi ya matumizi ya ulimwengu halisi Baada ya mafunzo, panga seti ya uhakiki na upime ni kasoro ngapi halisi zinapatikana katika asilimia 20 ya juu ya orodha. Ikiwa modeli itaibua matatizo mengi halisi mapema, iko tayari kwa utekelezaji wa kudhibitiwa.
Chukulia modeli kama rasilimali ya uzalishaji Rekodi kila toleo, seti ya data ya mafunzo, na marekebisho ya hyper-parameter katika mfumo uleule wa udhibiti wa mabadiliko unaofuatilia marekebisho ya vifaa (hardware revisions). Kumbukumbu hii ya ukaguzi inakuwezesha kurudisha nyuma au kusasisha modeli kwa ujasiri.
Endesha sambamba, usibadilishe Weka injini ya upangaji ya AI sambamba na mtiririko wa ukaguzi uliopo. Linganisha mapendekezo yake na maamuzi ya mkaguzi wa kibinadamu na matokeo ya majaribio ya mwisho kwa wiki kadhaa kabla ya kubadilisha vigezo vyovyote vya ukubali.
Rudia mchakato kabla ya kupanua Majaribio yenye mafanikio ni mabadiliko ya mchakato yaliyodhibitiwa, si jaribio lisilo na mwisho. Mara tu modeli inapoboresha vipimo vya msingi mara kwa mara, tumia tena mbinu hiyo kwa matumizi mengine kama vile matengenezo ya utabiri (predictive maintenance) au ubora wa msambazaji.
Hatari na hoja za kinyume
- Ubora wa data ndio muhimu zaidi – Muda (timestamps) usio kamili au kodi za ukarabati zilizokosekana zitazalisha modeli yenye kelele inayofanya kazi vibaya. Utaratibu wa kukusanya data wenye nidhamu hauwezi kujadiliwa.
- Mabadiliko ya modeli (Model drift) – Sehemu mpya hubadilisha wasifu wa kitakwimu wa picha za "kawaida". Kufanya mafunzo upya mara kwa mara, yakiongozwa na mchakato uleule wa udhibiti wa mabadiliko, hupunguza mabadiliko hayo.
- Uchovu wa binadamu katika mchakato (Human-in-the-loop fatigue) – Upangaji wa taarifa bado unahitaji wakaguzi kuchunguza picha nyingi. Ikiwa upangaji hautatofautisha kasoro halisi na kelele, akiba ya muda inayotarajiwa itapotea. Fuatilia mara kwa mara muda wa ukaguzi kwa kila bodi.
Nini cha kufuatilia baadaye
Watengenezaji wanaofanikiwa katika majaribio ya upangaji wa AOI wanaweza kueneza mfumo huo kwa matumizi mengine kama vile matengenezo ya utabiri au ubora wa msambazaji.
Hitimisho: AI huongeza ufanisi wa mstari wa SMT pale tu inapounganishwa na mfumo wa tahadhari uliopangwa kwa kipaumbele, ulioundwa kwa kutumia data safi na iliyodhibitiwa kwa matoleo, na iliyothibitishwa kulingana na kutokea kwa kasoro halisi. Ichuue modeli kama rasilimali ya uzalishaji, na si onyesho la mara moja tu, na matokeo yake yatakuwa faida inayoweza kujirudia.