Một hướng dẫn từng bước về việc đưa AI vào vận hành trên dây chuyền công nghệ dán bề mặt (SMT) đã được đăng tải, chỉ cho các nhà sản xuất cách biến một vấn đề sản xuất đơn lẻ thành một sự gia tăng năng suất có thể đo lường được.

Tại sao các dự án AI thường bị đình trệ trong các nhà máy điện tử

Các nhà sản xuất điện tử đã theo đuổi sự cường điệu về học máy trong nhiều năm, nhưng thường huấn luyện các mô hình dựa trên dữ liệu không bao giờ liên quan đến các vấn đề thực tế về chi phí hoặc chất lượng. Kết quả là một danh sách dài các bản thử nghiệm khái niệm (proofs of concept) nằm im trên máy chủ, trong khi xưởng sản xuất vẫn phải vật lộn với tỷ lệ đạt ngay từ lần đầu (FPY) thấp và tỷ lệ phế phẩm cao. Bản hướng dẫn mới đã thay đổi kịch bản đó: nó bắt đầu bằng một quyết định rõ ràng—“Xác định các đơn vị cần kiểm tra tăng cường sau AOI nhưng trước ICT”—và xây dựng một mô hình có thể được đánh giá dựa trên các chỉ số hiệu suất hiện có.

Những rủi ro đối với các nhà sản xuất

Mỗi bảng mạch lỗi lọt qua khâu kiểm tra đồng nghĩa với việc lãng phí linh kiện, tốn thêm nhân công sửa chữa và trì hoãn việc ra mắt sản phẩm. Ngược lại, một mô hình bị sai lệch sau khi thay đổi nhà cung cấp hoặc chuyển nhà máy có thể làm giảm hiệu suất. Việc coi thuật toán như bất kỳ thiết bị nào khác—được hiệu chuẩn, giám sát và bảo trì—sẽ giúp duy trì sự cân bằng có lợi cho việc gia tăng lợi nhuận.

Tám bước được nêu trong hướng dẫn

  1. Xác định quyết định trong một câu – Chỉ rõ hành động chính xác mà mô hình sẽ kích hoạt, ví dụ: “Xác định các đơn vị cần kiểm tra tăng cường sau AOI nhưng trước ICT.”
  2. Ghi lại mức cơ sở (baseline) – Ghi lại FPY hiện tại, chi phí phế phẩm và thời gian sửa chữa. Những con số này sẽ trở thành thước đo cho bất kỳ sự cải thiện nào mà AI mang lại.
  3. Kết nối dữ liệu của bạn – Liên kết số sê-ri giữa các luồng dữ liệu SMT và kết quả kiểm tra. Thu thập các thông số về độ lệch vị trí đặt linh kiện (placement offsets), thể tích kem hàn (paste volumes) và nhiệt độ reflow để mô hình có cái nhìn toàn diện về quy trình.
  4. Bao gồm lịch sử BOM – Thay đổi kích thước linh kiện hoặc thay đổi nhà cung cấp sẽ ảnh hưởng đến hành vi của linh kiện. Việc gắn mỗi bảng mạch với phiên bản danh mục vật tư (BOM) tương ứng sẽ giúp mô hình học được những sắc thái đó.
  5. Thiết kế các đặc trưng quy trình (process features) – Đừng chỉ nhìn vào một máy đơn lẻ một cách tách biệt. Hãy kết hợp thể tích kem hàn thấp với độ lệch vị trí đặt linh kiện, hoặc sự thay đổi cấu hình reflow, để làm nổi bật các yếu tố rủi ro thực sự.
  6. Chia dữ liệu theo thời gian, không chia ngẫu nhiên – Việc chia ngẫu nhiên có thể làm rò rỉ thông tin tương lai vào quá trình huấn luyện, làm thổi phồng điểm số thành công. Việc chia theo trình tự thời gian sẽ mô phỏng việc triển khai trong thế giới thực.
  7. Kiểm tra với các điều kiện thực tế – Xác thực mô hình trên các dòng sản phẩm, thiết lập máy và lô vật liệu khác nhau để đảm bảo tính mạnh mẽ (robustness).
  8. Sử dụng chế độ chạy song song (shadow mode) – Chạy các dự đoán song song với dây chuyền thực tế mà không gây ảnh hưởng đến nó. So sánh các cảnh báo của AI với kết quả kiểm tra thực tế trước khi thực hiện bất kỳ thay đổi quy trình nào.

Cách AI nên bổ trợ, chứ không phải thay thế, các quy trình kiểm tra hiện có

Bản hướng dẫn nhấn mạnh rằng AI là đối tác của các kỹ sư, chứ không phải là sự thay thế cho các bước kiểm tra đã được thiết lập như SPI (kiểm tra kem hàn) hoặc AOI (kiểm tra quang học tự động). Bằng cách hợp nhất các tín hiệu từ nhiều nguồn, thuật toán có thể tiết lộ các quy luật—chẳng hạn như sự tương tác tinh vi giữa thể tích kem hàn và độ lệch vị trí đặt linh kiện—mà con người có thể bỏ lỡ. Một tác nhân (agent) dựa trên AI cũng có thể tự động hóa việc thu thập dữ liệu và gửi cảnh báo đến kỹ thuật viên chịu trách nhiệm, nhưng nó không bao giờ được tự ý thay đổi các giới hạn kiểm tra hoặc các công thức (recipes) SMT.

Giám sát và duy trì sức khỏe của mô hình

Hiệu suất của mô hình sẽ giảm sút khi các biến số đầu vào thay đổi, chẳng hạn như có nhà cung cấp linh kiện mới hoặc chuyển sản xuất sang một nhà máy khác. Hãy coi AI như một thiết bị nhà máy khác cần có nhật ký hiệu chuẩn, bảo trì phòng ngừa và một kế hoạch ngừng hoạt động được xác định rõ ràng.

Quan điểm đối lập: rủi ro của việc tự động hóa quá mức

Các nhà phê bình lập luận rằng AI có thể trở thành một "hộp đen", khiến các nhà máy tin tưởng vào các dự đoán mà họ không hiểu rõ. Việc bản hướng dẫn nhấn mạnh vào chế độ chạy song song (shadow mode) và chia dữ liệu theo thời gian đã trực tiếp giải quyết mối lo ngại đó, buộc phải có một bước kiểm chứng thực tế trước khi bất kỳ sự tự động hóa nào được áp dụng. Tuy nhiên, các công ty vẫn phải đầu tư vào đội ngũ nhân viên có khả năng diễn giải kết quả đầu ra của mô hình và can thiệp khi có các điểm bất thường xuất hiện.

Điều cần lưu ý tiếp theo

Bài học rút ra: Một cách tiếp cận tập trung, dựa trên dữ liệu, bắt đầu từ một vấn đề sản xuất đơn lẻ và có thể đo lường được có thể biến AI từ một dự án mang tính suy đoán thành một công cụ cải thiện năng suất hữu hình trên sàn SMT. Bản hướng dẫn mới cung cấp một bản thiết kế thực tế; bài kiểm tra thực sự sẽ nằm ở việc thực thi kỷ luật và sự quản lý liên tục các mô hình mà nó tạo ra.

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