Було опубліковано покроковий посібник із впровадження ШІ в роботу на лініях поверхневого монтажу (SMT), який показує виробникам, як перетворити одну виробничу проблему на вимірюване підвищення виходу придатної продукції.

Чому проєкти ШІ зупиняються на етапі впровадження на заводах електроніки

Виробники електроніки роками гналися за хайпом навколо машинного навчання, часто навчаючи моделі на даних, які ніяк не пов'язані з реальними витратами чи проблемами з якістю. Результатом є завал із прототипів (proofs of concept), які просто лежать на серверах, поки в цехах досі борються з низьким показником виходу придатної продукції з першого проходу (FPY) та високим рівнем браку. Новий посібник змінює цей сценарій: він починається з чіткого рішення — «Визначати одиниці для поглибленої перевірки після AOI, але перед ICT» — і будує модель, результати якої можна оцінити за допомогою існуючих метрик ефективності.

Що стоїть на кону для виробників

Кожна дефектна плата, що пройшла повз контроль, означає витрачені компоненти, додаткові витрати праці на доопрацювання та затримку виходу продуктів на ринок. З іншого боку, модель, яка втрачає точність після зміни постачальника або переїзду заводу, може погіршити показники. Ставлення до алгоритму як до будь-якого іншого обладнання — з калібруванням, моніторингом та технічним обслуговуванням — допомагає зберегти перевагу на користь прибутку.

Вісім кроків, описаних у посібнику

  1. Сформулюйте рішення одним реченням – чітко визначте дію, яку ініціюватиме модель, наприклад: «Визначати одиниці для поглибленої перевірки після AOI, але перед ICT».
  2. Зафіксуйте базовий рівень – зафіксуйте поточний FPY, витрати на брак та час на доопрацювання. Ці цифри стануть мірилом будь-якого покращення, яке забезпечить ШІ.
  3. Об'єднайте ваші дані – пов'яжіть серійні номери в потоках даних SMT та результатах тестування. Додайте зміщення при встановленні, об'єм пасти та температуру оплавлення, щоб модель бачила повну картину процесу.
  4. Включіть історію BOM – зміни розміру компонентів або заміна постачальників впливають на поведінку деталей. Маркування кожної плати версією специфікації матеріалів (BOM) дозволяє моделі вивчати ці нюанси.
  5. Розробіть ознаки процесу – не розглядайте окрему машину ізольовано. Поєднуйте малий об'єм пасти зі зміщенням при встановленні або змінами профілю оплавлення, щоб виявити реальні фактори ризику.
  6. Розділяйте дані за часом, а не випадковим чином – випадковий поділ може призвести до витоку майбутньої інформації в навчальний набір, завищуючи показники успіху. Хронологічний поділ імітує реальне розгортання.
  7. Тестуйте в реальних умовах – перевірте модель на різних сімействах продуктів, налаштуваннях обладнання та партіях матеріалів, щоб забезпечити її надійність.
  8. Використовуйте тіньовий режим – запускайте прогнози паралельно з робочою лінією, не впливаючи на неї. Порівнюйте сповіщення ШІ з фактичними результатами тестування, перш ніж впроваджувати будь-які зміни в процесі.

Як ШІ має доповнювати, а не заміняти існуючий контроль

У посібнику наголошується, що ШІ є партнером інженерів, а не заміною встановленим методам контролю, таким як SPI (інспекція пасти припою) або AOI (автоматична оптична інспекція). Об'єднуючи сигнали з багатьох джерел, алгоритм може виявляти закономірності — наприклад, тонкий зв'язок між об'ємом пасти та зміщенням при встановленні — які людина може пропустити. Агент на базі ШІ також може автоматизувати збір даних і направляти сповіщення відповідальному техніку, але він ніколи не повинен самостійно змінювати межі тестування або рецептури SMT.

Моніторинг та підтримка працездатності моделі

Ефективність моделі знижується, коли змінюються вхідні змінні, наприклад, новий постачальник компонентів або перенесення виробництва на інший завод. Ставтеся до ШІ як до ще однієї одиниці заводського обладнання, яка потребує журналів калібрування, профілактичного обслуговування та визначеного плану виведення з експлуатації.

Контраргумент: ризик надмірної автоматизації

Критики стверджують, що ШІ може стати «чорною скринькою», через що заводи починають довіряти прогнозам, яких вони не розуміють. Наголошення в посібнику на тіньовому режимі та часовому поділі даних безпосередньо вирішує цю проблему, змушуючи проводити перевірку реальністю перед впровадженням будь-якої автоматизації. Проте компанії повинні інвестувати в персонал, здатний інтерпретувати результати роботи моделі та втручатися у разі виникнення аномалій.

На що звернути увагу далі

Висновок: Сфокусований підхід, що ґрунтується на даних і починається з однієї вимірюваної виробничої проблеми, може перетворити ШІ зі спекулятивного проєкту на реальний інструмент підвищення виходу продукції на лініях SMT. Новий посібник надає практичний план; справжнім випробуванням стане дисципліноване виконання та постійний контроль моделей, які він створює.

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