ஒரு surface-mount technology (SMT) வரியில் AI-ஐ எவ்வாறு செயல்படுத்துவது என்பதற்கான படிப்படியான வழிகாட்டி வெளியிடப்பட்டுள்ளது. இது உற்பத்தியாளர்கள் ஒரு தனிப்பட்ட உற்பத்திப் பிரச்சனையை எவ்வாறு அளவிடக்கூடிய உற்பத்தித் திறன் (yield) அதிகரிப்பாக மாற்றலாம் என்பதைக் காட்டுகிறது.
மின்னணு தொழிற்சாலைகளில் AI திட்டங்கள் ஏன் முடங்குகின்றன
மின்னணு தயாரிப்பாளர்கள் பல ஆண்டுகளாக machine-learning குறித்த எதிர்பார்ப்புகளைத் துரத்திவிட்டனர், ஆனால் பெரும்பாலும் உண்மையான செலவு அல்லது தரப் பிரச்சனைக்குத் தொடர்பில்லாத தரவுகளைக் கொண்டு மாதிரிகளை (models) பயிற்றுவிக்கின்றனர். இதன் விளைவாக, shop floor-இல் குறைந்த first-pass yield (FPY) மற்றும் அதிக scrap விகிதங்களுடன் போராடிக்கொண்டிருக்கும் அதே வேளையில், பல proofs of concept (PoC) சேவையகங்களில் (servers) முடங்கிக் கிடக்கின்றன. இந்த புதிய வழிகாட்டி அந்தச் சூழலை மாற்றுகிறது: இது "AOI-க்கு பிறகு ஆனால் ICT-க்கு முன்னதாக மேம்படுத்தப்பட்ட ஆய்விற்காக அலகுகளைக் கண்டறியவும்" என்ற தெளிவான முடிவிலிருந்து தொடங்குகிறது மற்றும் தற்போதுள்ள செயல்திறன் அளவீடுகளுடன் ஒப்பிட்டுப் பார்க்கக்கூடிய ஒரு மாதிரியை உருவாக்குகிறது.
உற்பத்தியாளர்களுக்கான முக்கியத்துவம்
ஆய்வில் தப்பித்துச் செல்லும் ஒவ்வொரு குறைபாடுள்ள போர்டும் வீணான கூறுகள் (components), கூடுதல் மறுவேலைத் தேவை (rework labor) மற்றும் தாமதமான தயாரிப்பு வெளியீட்டிற்கு வழிவகுக்கிறது. மாறாக, ஒரு சப்ளையர் மாற்றம் அல்லது தொழிற்சாலை இடமாற்றத்திற்குப் பிறகு ஒரு மாதிரி (model) மாறினால், அது செயல்திறனைக் குறைக்கலாம். அல்காரிதத்தை (algorithm) மற்ற உபகரணங்களைப் போலவே கருதி—அளவீடு செய்தல் (calibrated), கண்காணித்தல் மற்றும் பராமரித்தல்—அதிகரிப்புகளைப் பெறுவதற்கு உதவும்.
வழிகாட்டியில் விவரிக்கப்பட்டுள்ள எட்டு படிகள்
- முடிவை ஒரு வாக்கியத்தில் வரையறுக்கவும் – மாதிரி எந்தச் செயலைத் தூண்டும் என்பதைத் துல்லியமாகக் குறிப்பிடவும், எ.கா., “AOI-க்கு பிறகு ஆனால் ICT-க்கு முன்னதாக மேம்படுத்தப்பட்ட ஆய்விற்காக அலகுகளைக் கண்டறியவும்.”
- உங்கள் அடிப்படை அளவீட்டைப் பதிவு செய்யவும் (baseline) – தற்போதைய FPY, scrap செலவுகள் மற்றும் மறுவேலை நேரத்தைப் பதிவு செய்யவும். இந்த எண்கள் AI வழங்கும் எந்தவொரு முன்னேற்றத்திற்கும் அளவுகோலாக அமையும்.
- உங்கள் தரவுகளை இணைக்கவும் – SMT தரவு ஓட்டங்கள் மற்றும் சோதனை முடிவுகளில் சீரியல் எண்களை (serial numbers) இணைக்கவும். மாதிரி முழுமையான செயல்முறைப் படத்தை see செய்ய, placement offsets, paste volumes மற்றும் reflow temperatures ஆகியவற்றைச் சேர்க்கவும்.
- BOM வரலாற்றைச் சேர்க்கவும் – கூறின் அளவு மாற்றங்கள் அல்லது சப்ளையர் மாற்றங்கள் பாகங்களின் செயல்பாட்டைப் பாதிக்கின்றன. ஒவ்வொரு போர்டையும் அதன் bill-of-materials பதிப்புடன் குறிப்பதன் மூலம் மாதிரி அந்த நுணுக்கங்களைக் கற்றுக்கொள்ள முடியும்.
- செயல்முறை அம்சங்களை வடிவமைக்கவும் – ஒரு இயந்திரத்தை மட்டும் தனித்து நோக்க வேண்டாம். உண்மையான இடர் காரணிகளைக் கண்டறிய, குறைந்த paste volume உடன் placement offsets அல்லது reflow profile மாற்றங்களை இணைக்கவும்.
- தரவை சீரற்ற முறையில் பிரிக்காமல், காலவரிசைப்படி பிரிக்கவும் – சீரற்ற பிரிவுகள் (random splits) எதிர்காலத் தகவல்களைப் பயிற்சியில் (training) கசியச் செய்து, வெற்றிக் குறியீடுகளைத் தவறாக உயர்த்தக்கூடும். ஒரு காலவரிசைப் பிரிப்பு (chronological split) நிஜ உலகச் செயல்பாட்டைப் பிரதிபலிக்கும்.
- நிஜமான சூழலில் சோதிக்கவும் – உறுதித்தன்மையை (robustness) உறுதிப்படுத்த பல்வேறு தயாரிப்பு குடும்பங்கள், இயந்திர அமைப்புகள் மற்றும் மெட்டீரியல் லாட்டுகள் (material lots) மூலம் மாதிரியைச் சரிபார்க்கவும்.
- shadow mode-ஐப் பயன்படுத்தவும் – நேரடி வரியில் எந்த மாற்றத்தையும் ஏற்படுத்தாமல் கணிப்புகளை (predictions) இயக்கவும். செயல்முறை மாற்றங்களைச் செய்வதற்கு முன், AI-ன் எச்சரிக்கைகளை உண்மையான சோதனை முடிவுகளுடன் ஒப்பிட்டுப் பார்க்கவும்.
AI எவ்வாறு ஏற்கனவே உள்ள ஆய்வுகளை மாற்றாமல், மேம்படுத்த வேண்டும்
AI என்பது பொறியாளர்களுக்கு ஒரு கூட்டாளி என்றும், SPI (solder paste inspection) அல்லது AOI (automated optical inspection) போன்ற நிறுவப்பட்ட சோதனைகளுக்குப் மாற்றல்ல என்றும் வழிகாட்டி வலியுறுத்துகிறது. பல ஆதாரங்களில் இருந்து வரும் சிக்னல்களை இணைப்பதன் மூலம், மனிதர்களால் கவனிக்கப்படாமல் போகக்கூடிய நுணுக்கமான தொடர்புகளை—எடுத்துக்காட்டாக, paste volume மற்றும் placement offset இடையேயான தொடர்பு—அல்காரிதத்தால் வெளிப்படுத்த முடியும். ஒரு AI-চালিত ஏஜென்ட் தரவு சேகரிப்பைத் தானியக்கமாக்கி, பொறுப்பான தொழில்நுட்ப வல்லுநருக்கு எச்சரிக்கைகளை அனுப்பவும் முடியும், ஆனால் அது சோதனை வரம்புகளையோ (test limits) அல்லது SMT ரெசிபிக்களையோ (recipes) தானாகவே மாற்றக்கூடாது.
மாதிரியின் ஆரோக்கியத்தைக் கண்காணித்தல் மற்றும் பராமரித்தல்
புதிய கூறு விற்பனையாளர் அல்லது தயாரிப்பை வேறு தொழிற்சாலைக்கு மாற்றுவது போன்ற upstream மாறிகள் மாறும்போது மாதிரியின் செயல்திறன் குறைகிறது. AI-ஐ அளவீட்டுப் பதிவுகள் (calibration logs), தடுப்புப் பராமரிப்பு (preventive maintenance) மற்றும் வரையறுக்கப்பட்ட நீக்கத் திட்டம் (decommissioning plan) தேவைப்படும் மற்றொரு தொழிற்சாலை உபகரணமாகவே கருதவும்.
எதிர் கருத்து: அதிகப்படியான தானியக்கமாக்கலின் ஆபத்து
AI ஒரு 'black box' ஆக மாறிவிடக்கூடும் என்றும், இதனால் தொழிற்சாலைகள் தாங்கள் புரிந்து கொள்ளாத கணிப்புகளை நம்பக்கூடும் என்றும் விமர்சகர்கள் வாதிடுகின்றனர். வழிகாட்டி shadow mode மற்றும் கால அடிப்படையிலான தரவுப் பிரிவுகளை வலியுறுத்துவது அந்த கவலையை நேரடியாகத் தீர்க்கிறது, இது எந்தத் தானியக்கமாக்கலும் நடைமுறைக்கு வருவதற்கு முன் ஒரு உண்மைச் சரிபார்ப்பைக் கட்டாயமாக்குகிறது. இருப்பினும், நிறுவனங்கள் மாதிரி வெளியீடுகளைப் புரிந்துகொண்டு, அசாதாரணங்கள் தோன்றும் போது தலையிடக்கூடிய பணியாளர்களை உருவாக்க முதலீடு செய்ய வேண்டும்.
அடுத்து கவனிக்க வேண்டியவை
முக்கியக் கருத்து: ஒரு ஒற்றை, அளவிடக்கூடிய உற்பத்திப் பிரச்சனையில் தொடங்கும் ஒரு கவனம் செலுத்திய, தரவு சார்ந்த அணுகுமுறை, AI-ஐ ஒரு யூகத் திட்டத்திலிருந்து SMT தளத்தில் உண்மையான உற்பத்தியை மேம்படுத்தும் கருவியாக மாற்ற முடியும். புதிய வழிகாட்டி ஒரு நடைமுறைத் திட்டத்தை வழங்குகிறது; அதன் உண்மையான சோதனை, உருவாக்கப்பட்ட மாதிரிகளின் ஒழுக்கமான செயல்படுதல் மற்றும் தொடர்ச்சியான மேலாண்மை ஆகியவற்றில் இருக்கும்.
ஆதாரம்: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0