Yüzey montaj teknolojisi (SMT) hattında yapay zekayı işe koşmak için adım adım bir kılavuz yayınlandı; bu kılavuz üreticilere tek bir üretim sorununu nasıl ölçülebilir bir verim artışına dönüştürebileceklerini gösteriyor.

Elektronik fabrikalarında yapay zeka projeleri neden duraklıyor?

Elektronik üreticileri yıllardır makine öğrenmesi popülerliğinin peşinden koşuyor ve genellikle modelleri gerçek bir maliyet veya kalite sorununa karşılık gelmeyen verilerle eğitiyor. Sonuç; üretim sahası düşük ilk geçiş verimi (FPY) ve yüksek hurda oranlarıyla mücadele etmeye devam ederken, sunucularda bekleyen bir dizi kavram kanıtlama (PoC) çalışması oluyor. Yeni kılavuz bu senaryoyu tersine çeviriyor: Net bir kararla başlıyor—“AOI sonrası ancak ICT öncesi gelişmiş inceleme için birimleri belirle”—ve mevcut performans metriklerine göre değerlendirilebilecek bir model inşa ediyor.

Üreticiler için riskler ve kazanımlar

Denetimden kaçan her kusurlu kart; israf edilen bileşenler, ekstra yeniden işleme iş gücü ve geciken ürün lansmanları anlamına gelir. Aksine, bir tedarikçi değişikliği veya fabrika taşınması sonrası sapma gösteren bir model, performansı düşürebilir. Algoritmayı kalibre edilen, izlenen ve bakımı yapılan diğer tüm ekipmanlar gibi ele almak, dengenin kazanımlar lehine korunmasına yardımcı olur.

Kılavuzda belirtilen sekiz adım

  1. Kararı tek bir cümleyle tanımlayın – Modelin tetikleyeceği tam eylemi belirleyin, örneğin: “AOI sonrası ancak ICT öncesi gelişmiş inceleme için birimleri belirle.”
  2. Temel değerinizi kaydedin – Mevcut FPY, hurda maliyetleri ve yeniden işleme süresini kaydedin. Bu sayılar, yapay zekanın sağladığı her türlü iyileştirme için ölçüt olacaktır.
  3. Verilerinizi birleştirin – SMT veri akışları ve test sonuçları arasındaki seri numaralarını birbirine bağlayın. Modelin tüm süreç resmini görebilmesi için yerleşim sapmalarını (placement offsets), pasta hacimlerini ve yeniden akış (reflow) sıcaklıklarını sürece dahil edin.
  4. BOM geçmişini dahil edin – Bileşen boyutu değişiklikleri veya tedarikçi değişiklikleri parça davranışını etkiler. Her kartı malzeme listesi (BOM) versiyonuyla etiketlemek, modelin bu incelikleri öğrenmesini sağlar.
  5. Süreç özellikleri tasarlayın – Tek bir makineye tek başına bakmayın. Gerçek risk faktörlerini ortaya çıkarmak için düşük pasta hacmini yerleşim sapmalarıyla veya yeniden akış profili kaymalarıyla birleştirin.
  6. Veriyi rastgele değil, zamana göre bölün – Rastgele bölmeler, gelecekteki bilgilerin eğitime sızmasına ve başarı puanlarının yapay olarak yükselmesine neden olabilir. Kronolojik bir bölme, gerçek dünyadaki uygulamayı taklit eder.
  7. Gerçek koşullarla test edin – Dayanıklılığı sağlamak için modeli farklı ürün aileleri, makine kurulumları ve malzeme partileri üzerinde doğrulayın.
  8. Gölge modunu (shadow mode) kullanın – Tahminleri, canlı hattı etkilemeden hattın yanında çalıştırın. Herhangi bir süreç değişikliğine karar vermeden önce yapay zekanın uyarılarını gerçek test sonuçlarıyla karşılaştırın.

Yapay zeka mevcut denetimlerin yerini almak yerine onları nasıl desteklemeli?

Kılavuz, yapay zekanın mühendislerin bir ortağı olduğunu; SPI (lehim pastası denetimi) veya AOI (otomatik optik denetim) gibi yerleşik kontrollerin bir ikamesi olmadığını vurguluyor. Algoritma, birden fazla kaynaktan gelen sinyalleri birleştirerek, insanların gözden kaçırabileceği pasta hacmi ile yerleşim sapması arasındaki ince etkileşim gibi kalıpları ortaya çıkarabilir. Yapay zeka destekli bir ajan, veri toplamayı da otomatikleştirebilir ve uyarıları sorumlu teknisyene yönlendirebilir; ancak test limitlerini veya SMT reçetelerini asla kendi başına değiştirmemelidir.

Model sağlığını izleme ve sürdürme

Yeni bir bileşen tedarikçisi veya üretimin farklı bir tesise taşınması gibi üst süreç değişkenleri değiştiğinde model performansı düşer. Yapay zekayı; kalibrasyon kayıtlarına, önleyici bakıma ve tanımlanmış bir devre dışı bırakma planına ihtiyaç duyan başka bir fabrika ekipmanı gibi ele alın.

Karşı görüş: Aşırı otomasyon riski

Eleştirmenler, yapay zekanın bir "kara kutu" haline gelebileceğini ve fabrikaların anlamadıkları tahminlere güvenmesine yol açabileceğini savunuyor. Kılavuzun gölge mod ve zamana dayalı veri bölme konusundaki ısrarı, herhangi bir otomasyon devreye girmeden önce bir gerçeklik kontrolü yaparak bu endişeyi doğrudan gideriyor. Yine de şirketler, model çıktılarını yorumlayabilecek ve anomaliler ortaya çıktığında müdahale edebilecek personele yatırım yapmalıdır.

Sırada ne var?

Özetle: Tek bir ölçülebilir üretim sorunuyla başlayan odaklanmış ve veri odaklı bir yaklaşım, yapay zekayı spekülatif bir projeden SMT sahasında somut bir verim artırma aracına dönüştürebilir. Yeni kılavuz pratik bir taslak sunuyor; asıl sınav, oluşturulan modellerin disiplinli bir şekilde uygulanmasında ve sürekli yönetiminde olacaktır.

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