一份关于如何在表面贴装技术 (SMT) 线路上应用 AI 的逐步指南已经发布，它向制造商展示了如何将单一的生产问题转化为可衡量的良率提升。
为什么电子工厂的 AI 项目会停滞不前
电子制造商多年来一直追逐机器学习的热潮，但训练模型所用的数据往往无法映射到实际的成本或质量问题上。其结果是，大量的概念验证 (PoC) 项目堆积在服务器中，而生产车间仍在为低直通率 (FPY) 和高报废率而苦恼。这份新指南改变了这一局面：它从一个明确的决策开始——“识别在 AOI 之后但 ICT 之前需要加强复检的单元”——并构建一个可以根据现有性能指标进行评估的模型。
制造商面临的风险与机遇
每一个漏检的缺陷电路板都意味着组件的浪费、额外的返修人工以及产品发布的延迟。相反，如果模型在供应商变更或工厂搬迁后发生漂移，可能会导致性能下降。将算法视为任何其他设备一样——进行校准、监控和维护——有助于确保收益的持续性。
指南中列出的八个步骤
- 用一句话定义决策 – 精确指出模型将触发的具体动作，例如：“识别在 AOI 之后但 ICT 之前需要加强复检的单元。”
- 记录基准数据 – 记录当前的 FPY、报废成本和返修时间。这些数字将成为衡量 AI 所带来任何改进的标尺。
- 整合数据 – 将 SMT 数据流和测试结果中的序列号关联起来。引入贴装偏移、锡膏量和回流焊温度，使模型能够看到完整的工艺全貌。
- 包含 BOM 历史记录 – 组件尺寸的变化或供应商的更换都会影响零件的行为。为每块电路板标记其物料清单 (BOM) 版本，可以让模型学习这些细微差别。
- 设计工艺特征 – 不要孤立地观察单台机器。将低锡膏量与贴装偏移或回流焊曲线偏移相结合，以挖掘真实的风险因素。
- 按时间而非随机分割数据 – 随机分割可能会将未来的信息泄露到训练中，从而虚增成功率。按时间顺序分割可以模拟真实世界的部署情况。
- 在真实条件下进行测试 – 在不同的产品系列、机器设置和材料批次中验证模型，以确保其稳健性。
- 使用影子模式 – 在不影响生产线运行的情况下，在实时生产线旁运行预测。在决定进行任何工艺变更之前，将 AI 的警报与实际测试结果进行对比。
AI 应如何增强而非取代现有检测
该指南强调，AI 是工程师的伙伴，而不是 SPI（锡膏检测）或 AOI（自动光学检测）等既定检查手段的替代品。通过合并来自多个信号源的信息，算法可以揭示人类可能会忽略的模式——例如锡膏量与贴装偏移之间的微妙相互作用。AI 驱动的代理还可以自动收集数据并将警报路由给负责的技术人员，但它绝不能擅自更改测试限值或 SMT 工艺参数。
监控与维护模型健康度
当上游变量发生变化时（例如更换了新的组件供应商或将生产转移到不同的工厂），模型性能会下降。应将 AI 视为另一种需要校准日志、预防性维护和明确退役计划的工厂设备。
反方观点：过度自动化的风险
批评者认为，AI 可能变成一个“黑盒”，导致工厂盲目信任他们无法理解的预测。指南对影子模式和基于时间的数据分割的坚持，直接回应了这一担忧，在任何自动化措施生效之前强制进行现实检查。尽管如此，公司必须投资于能够解读模型输出并在出现异常时进行干预的人员。
后续关注点
核心要点： 一种从单一、可衡量的生产问题开始的、专注且数据驱动的方法，可以将 AI 从一个投机性的项目转变为 SMT 车间中切实提高良率的工具。这份新指南提供了一个实用的蓝图；真正的考验在于对所创建模型的严谨执行和持续管理。
Source: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0