ШІ може значно скоротити час, який витрачають заводи електронної промисловості на пошук «фантомних» дефектів на лініях поверхневого монтажу. Новий покроковий план показує виробникам, як запустити пілотну модель ШІ, що ранжує хибні спрацювання автоматичної оптичної інспекції (AOI), дозволяючи інспекторам зосередитися на зображеннях, де найбільш імовірно приховані реальні проблеми.
Системи AOI фіксують кожен потенційний дефект, але більшість сповіщень виявляються нешкідливими відхиленнями у формі компонентів або розподілі припою. Інспектори витрачають час на сортування цих «хибних спрацювань», тоді як справжні дефекти іноді пропускаються до наступних етапів тестування. Основна ідея посібника проста: використовувати ШІ не для заміни механізму прийняття рішень AOI, а для перевпорядкування сповіщень так, щоб найбільш ризиковані з них з'являлися першими.
Чому ця проблема є актуальною зараз
Лінії SMT (технологія поверхневого монтажу) працюють на таких швидкостях, що залишають мало місця для повторної перевірки людиною. Коли хибні спрацювання домінують у потоці сповіщень, оператори змушені зупиняти лінію, вручну перевіряти кожне зображення та реєструвати дії з виправлення. Таке «вузьке місце» збільшує витрати на оплату праці та знижує пропускну здатність.
Структура пілотного проєкту — від ідеї до активу
Визначте вузьку та безпечну мету Пілотний проєкт має лише ранжувати сповіщення AOI, а не автоматично приймати або відхиляти плати. Збереження права прийняття рішення за людиною гарантує, що модель не зможе непомітно спричинити порушення якості.
Встановіть базовий рівень Перш ніж модель почне працювати з даними, зафіксуйте поточні показники: рівень хибних спрацювань, середній час інспекції однієї плати, рівень пропуску дефектів та FPY. Використовуйте ці цифри як орієнтир для покращення.
Збирайте змістовні, пов'язані дані Об'єднуйте зображення AOI з вердиктом інспектора, призначеним кодом ремонту, результатами фінальних тестів та контекстними полями, такими як серійний номер, мітка часу та рецептура машини. Чим багатшим буде набір даних, тим точнішою стане модель.
Захистіться від забруднення даних Замовлення на зміну інженерії (ECO) часто змінюють посадочні місця компонентів або шаблони контактних майданчиків. Змішування зображень до та після ECO заплутує модель, що призводить до неточних прогнозів. Розділяйте дані за ревізією або датою змін.
Використовуйте змістовні мітки Замість бінарного «дефект / немає дефекту» використовуйте такі категорії, як «потрібен доопрацювання», «необхідна інженерна перевірка» або «припустиме відхилення». Детальні мітки дають моделі чіткіші сигнали щодо серйозності кожного сповіщення.
Правильно розділяйте дані Випадкове перемішування записів у навчальні та тестові набори може створити ілюзію кращої роботи моделі, ніж вона покаже в реальних умовах. Розділяйте дані за часовим вікном або за ревізією продукту, щоб тестовий набір дійсно відображав майбутні дані, які модель ще не бачила.
Перевірте на відповідність реальному використанню Після навчання проранжуйте валідаційну партію та виміряйте, скільки справжніх дефектів потрапило у верхні 20% списку. Якщо модель виявляє більшість реальних проблем на початку, вона готова до контрольованого впровадження.
Ставтеся до моделі як до виробничого активу Реєструйте кожну версію, набір навчальних даних та зміну гіперпараметрів у тій самій системі контролю змін, яка відстежує ревізії обладнання. Такий аудиторський слід дозволить вам впевнено відкочувати або оновлювати модель.
Запускайте паралельно, а не замінюйте Розгорніть механізм ранжування ШІ паралельно з існуючим процесом інспекції. Порівнюйте його рекомендації з рішеннями інспектора та результатами фінальних тестів протягом кількох тижнів, перш ніж змінювати будь-які критерії прийняття.
Проводьте ітерації перед масштабуванням Успішний пілотний проєкт — це контрольована зміна процесу, а не безмежний експеримент. Як тільки модель стабільно покращить базові показники, використовуйте цю методологію для інших сценаріїв, таких як прогнозоване технічне обслуговування або контроль якості постачальників.
Ризики та контраргументи
- Якість даних — понад усе – Неповні мітки часу або відсутні коди ремонту призведуть до створення «шумної» моделі з низькою ефективністю. Дисциплінований процес збору даних є обов'язковим.
- Дрейф моделі – Нові компоненти змінюють статистичний профіль «нормальних» зображень. Регулярне перенавчання, що керується тим самим процесом контролю змін, допомагає мінімізувати дрейф.
- Втома оператора – Ранжування сповіщень все одно вимагає від інспекторів перегляду багатьох зображень. Якщо ранжування не відокремлює справжні дефекти від шуму, очікувана економія часу зникне. Постійно контролюйте час інспекції однієї плати.
На що звернути увагу далі
Виробники, які успішно реалізують пілотний проєкт із ранжування AOI, зможуть застосувати цей підхід до інших завдань, таких як прогнозоване технічне обслуговування або контроль якості постачальників.
Головний висновок: ШІ підвищує ефективність лінії SMT лише тоді, коли він інтегрований із системою ранжованих сповіщень, побудованою на чистих даних із контролем версій та перевіреною на відповідність реальним випадкам виникнення дефектів. Ставтеся до моделі як до виробничого активу, а не як до разової демонстрації, — і тоді результатом стане стабільна перевага, яку можна повторювати.