AI, elektronik fabrikalarının yüzey montaj hatlarında hayalet kusurların peşinden koşarken harcadıkları süreyi ciddi oranda azaltabilir. Yeni bir adım adım kılavuz, üreticilere Otomatik Optik Muayene (AOI) yanlış alarmlarını sıralayan bir yapay zeka modelini nasıl pilot olarak uygulayacaklarını gösteriyor; böylece denetçilerin gerçek sorunları gizleme olasılığı en yüksek olan görüntülere odaklanmalarına olanak tanıyor.

AOI sistemleri her potansiyel kusuru işaretler, ancak uyarıların çoğu bileşen şeklindeki veya lehim yayılımındaki zararsız varyasyonlardan ibarettir. Denetçiler bu "yanlış alarmları" ayıklamak için dakikalarca vakit kaybederken, gerçek kusurlar bazen sonraki test istasyonlarına kadar sızabilir. Kılavuzun temel varsayımı basittir: Yapay zekayı AOI karar motorunun yerini alması için değil, uyarıları en riskli olanlar en başta görünecek şekilde yeniden sıralamak için kullanın.

Bu sorun neden şimdi önemli

SMT (Yüzey Montaj Teknolojisi) hatları, insan yeniden denetlemesi için çok az alan bırakan hızlarda çalışır. Yanlış alarmlar uyarı akışını domine ettiğinde, operatörler hattı durdurmak, her görüntüyü manuel olarak doğrulamak ve onarım işlemlerini kaydetmek zorunda kalır. Bu darboğaz, işçilik maliyetlerini artırır ve üretim verimliliğini düşürür.

Pilot çerçevesi – fikirden varlığa

  1. Dar ve güvenli bir hedef belirleyin Pilot uygulama sadece AOI uyarılarını sıralamalı, kartları otomatik olarak kabul etmemeli veya reddetmemelidir. Kararı insanın elinde tutmak, modelin sessizce bir kalite ihlaline yol açmamasını garanti eder.

  2. Bir temel (baseline) oluşturun Herhangi bir model veriye dokunmadan önce mevcut metrikleri kaydedin: yanlış alarm oranı, kart başına ortalama denetim süresi, kusur kaçış oranı ve FPY. Bu sayıları iyileştirme için ölçüt olarak kullanın.

  3. Zengin ve bağlantılı veriler toplayın AOI görüntülerini denetçinin kararı, atanan onarım kodu, nihai test sonuçları ve seri numarası, zaman damgası ve makine reçetesi gibi bağlam alanlarıyla birlikte çekin. Veri seti ne kadar zengin olursa, model o kadar nüanslı hale gelir.

  4. Veri kirliliğine karşı önlem alın Mühendislik Değişiklik Emirleri (ECO'lar) genellikle bileşen ayak izlerini veya ped desenlerini değiştirir. ECO öncesi ve sonrası görüntüleri karıştırmak modeli şaşırtarak kötü tahminlere yol açar. Verileri revizyona veya değişiklik tarihine göre segmente edin.

  5. Anlamlı etiketler uygulayın İkili bir "kusur / kusur yok" yerine, "yeniden işleme gerekiyor", "mühendislik incelemesi gerekiyor" veya "kabul edilebilir varyasyon" gibi kategoriler kullanın. Ayrıntılı etiketler, modele her uyarının ciddiyeti hakkında daha net sinyaller verir.

  6. Veriyi doğru şekilde bölün Kayıtları rastgele eğitim ve test setlerine ayırmak, modelin üretimdeki performansından daha iyi görünmesine neden olabilir. Test setinin gerçekten görülmemiş gelecek verileri yansıtması için zaman aralığına veya ürün revizyonuna göre bölün.

  7. Gerçek dünya kullanımıyla doğrulayın Eğitimden sonra bir doğrulama grubunu sıralayın ve gerçek kusurların kaçının listenin en üstteki %20'lik kısmında yer aldığını ölçün. Eğer model gerçek sorunların çoğunu erkenden ortaya çıkarıyorsa, kontrollü bir yaygınlaştırma için hazırdır.

  8. Modeli bir üretim varlığı olarak değerlendirin Her sürümü, eğitim veri setini ve hiper-parametre ayarını, donanım revizyonlarını takip eden aynı değişiklik kontrol sistemine kaydedin. Bu denetim izi, modeli güvenle geri almanıza veya güncellemenize olanak tanır.

  9. Yan yana çalıştırın, yerini almayın Yapay zeka sıralama motorunu mevcut denetim akışıyla paralel olarak devreye alın. Herhangi bir kabul kriterini değiştirmeden önce birkaç hafta boyunca önerilerini insan denetçinin kararlarıyla ve nihai test sonuçlarıyla karşılaştırın.

  10. Ölçeklendirmeden önce yineleyin Başarılı bir pilot uygulama, ucu açık bir deney değil, kontrollü bir süreç değişikliğidir. Model temel metrikleri tutarlı bir şekilde iyileştirdiğinde, metodolojiyi kestirimci bakım veya tedarikçi kalitesi gibi diğer kullanım durumları için yeniden kullanın.

Riskler ve karşı görüşler

  • Veri kalitesi her şeydir – Eksik zaman damgaları veya eksik onarım kodları, düşük performans gösteren gürültülü bir model üretecektir. Disiplinli bir veri toplama rutini tartışmaya kapalıdır.
  • Model kayması (Model drift) – Yeni bileşenler "normal" görüntülerin istatistiksel profilini değiştirir. Aynı değişiklik kontrol süreciyle yönlendirilen düzenli yeniden eğitim, kaymayı azaltır.
  • İnsan denetimindeki yorgunluk – Uyarıları sıralamak, denetçilerin hala birçok görüntüyü incelemesini gerektirir. Eğer sıralama gerçek kusurları gürültüden ayırmıyorsa, beklenen zaman tasarrufu ortadan kalkar. Kart başına denetim süresini sürekli izleyin.

Bir sonraki adımda neye bakmalı

AOI sıralama pilot uygulamasını başarıyla tamamlayan üreticiler, bu modeli kestirimci bakım veya tedarikçi kalitesi gibi diğer kullanım alanlarına genişletebilirler.

Temel Çıkarım: Yapay zeka, SMT hattı verimliliğini yalnızca temiz, versiyon kontrollü verilere dayanan ve gerçek hata oluşumlarına karşı doğrulanmış bir sıralı uyarı sistemiyle birleştiğinde optimize eder. Modeli tek seferlik bir demo olarak değil, bir üretim varlığı olarak ele alın; böylece elde edilen getiri, tekrarlanabilir bir avantaja dönüşür.