چگونه هوش مصنوعی می‌تواند فرآیند تصمیم‌گیری در{0}}PCBA را بهینه کند؟

در صنعت تولید الکترونیک، مرحله آزمایش PCBA یک گام مهم برای اطمینان از کیفیت محصول و کنترل هزینه ها است. با این حال، در مواجهه با محصولات پیچیده‌تر و داده‌های آزمایشی انبوه، مدل‌های سنتی تصمیم‌گیری{1}}اغلب به تجربه مهندسان تکیه می‌کنند که منجر به ناکارآمدی و حساسیت به خطا می‌شود. در اینجا، فناوری هوش مصنوعی (AI) از طریق تجزیه و تحلیل داده‌های قدرتمند و قابلیت‌های تشخیص الگو، فرآیند تصمیم‌گیری{3}}تصمیم‌گیری برای تولید PCBA را متحول می‌کند. با استفاده از هوش مصنوعی، کارخانه‌ها می‌توانند از پاسخ‌های واکنشی به پیش‌بینی‌های فعال تبدیل شوند و کارایی و دقت آزمایش را به طور قابل‌توجهی افزایش دهند.

بدون کمک هوش مصنوعی، تصمیمات آزمایشی در درجه اول به تجزیه و تحلیل دستی بستگی دارد. مهندسان باید به صورت دستی گزارش های آزمایش را بررسی کنند، حالت های خرابی را تجزیه و تحلیل کنند، و تعیین کنند که آیا تنظیمات فرآیند یا دوباره کاری بر اساس تجربه لازم است یا خیر. این رویکرد دارای چندین اشکال مهم است:

حجم بالای داده ها:در تولید انبوه، داده های آزمایشی به طور تصاعدی رشد می کنند. پردازش دستی و تجزیه و تحلیل چنین مجموعه داده های گسترده ای غیرعملی است و منجر به نادیده گرفته شدن مسائل کیفیت می شود.
عدم ثبات به دلیل تجربه فردی:مهندسان مختلف ممکن است نتایج آزمایش یکسانی را متفاوت تفسیر کنند که منجر به تصمیمات متناقض می شود که ثبات کیفیت محصول را به خطر می اندازد.
تاخیر در پاسخگویی و هزینه های بالا:تصمیم‌گیری سنتی اغلب تنها پس از بروز نقص انجام می‌شود که منجر به دوباره کاری و ضایعات قابل توجهی می‌شود و در نتیجه هزینه‌های پردازش PCBA را افزایش می‌دهد.

هوش مصنوعی اساساً از طریق اتوماسیون، بینش‌های مبتنی بر داده و تجزیه و تحلیل پیش‌بینی‌کننده به نقاط درد فوق‌الذکر می‌پردازد.

هوش مصنوعی را می توان برای تجهیزاتی مانندبازرسی نوری خودکار (AOI)و-بازرسی اشعه ایکس (AXI). از طریق الگوریتم های یادگیری عمیق، هوش مصنوعی به طور خودکار عیوب مختلف مانند فضای خالی لحیم کاری، اتصال کوتاه و ناهماهنگی قطعات را شناسایی و طبقه بندی می کند. در مقایسه با بازرسی بصری دستی، هوش مصنوعی تشخیص سریع‌تر، دقت بالاتر و ایمنی در برابر خستگی را ارائه می‌دهد.

از طریق مدل‌های یادگیری ماشینی، هوش مصنوعی می‌تواند به طور خودکار علل اصلی نقص‌های خاص را شناسایی کند. به عنوان مثال، هوش مصنوعی ممکن است کشف کند که اجزای یک دسته خاص با نوع خاصی از نقص اتصال لحیم کاری مرتبط هستند یا غیرعادی هستند.فر مجددپروفیل های دما در یک دوره زمانی خاص منجر به بروز زیاد اتصالات لحیم سرد می شود. این قابلیت کارخانه ها را قادر می سازد تا از «حل مشکلات» به «پیشگیری از مشکلات» روی آورند.

این نشان‌دهنده پیشرفته‌ترین کاربرد هوش مصنوعی در تصمیم‌گیری-است. با ایجاد مدل‌های پیش‌بینی‌کننده، هوش مصنوعی می‌تواند از داده‌های تولید در زمان واقعی برای پیش‌بینی نقص‌های بالقوه در PCBA در طول تولید استفاده کند. به عنوان مثال، زمانی که پارامترها در یک مرحله فرآیند خاص شروع به انحراف از مقادیر عادی می کنند، هوش مصنوعی می تواند بلافاصله هشدارهایی را صادر کند و مهندسان را قادر می سازد تا قبل از تشدید مشکلات مداخله کنند. این کنترل پیش بینی به طور قابل توجهی کار مجدد و ضایعات را کاهش می دهد و به طور قابل توجهی بازده کلی تولید PCBA را بهبود می بخشد.

پیاده‌سازی تصمیم‌گیری بهینه‌شده هوش مصنوعی به یک رویکرد سیستماتیک نیاز دارد.

جمع آوری و ادغام داده ها:ابتدا، یک پلت فرم داده متمرکز ایجاد کنید تا داده های آزمایشی را از مراحل مختلف تولید و تجهیزات ادغام کنید.
توسعه الگوریتم و آموزش مدل:توسعه و آموزش مدل های هوش مصنوعی بر اساس داده های جمع آوری شده. این امر مستلزم همکاری بین مهندسان متخصص هوش مصنوعی و کارشناسان حوزه است.
بسته-بازخورد حلقه:توصیه‌های تصمیم‌گیری هوش مصنوعی را با فرآیندهای تولید واقعی یکپارچه کنید تا یک سیستم حلقه بسته-تشکیل شود. به عنوان مثال، زمانی که هوش مصنوعی مشکلات احتمالی را پیش‌بینی می‌کند، سیستم می‌تواند به طور خودکار پارامترهای تجهیزات را تنظیم کند یا دستورالعمل‌ها را برای اپراتورها ارسال کند.

کیفیت داده ها:عملکرد مدل هوش مصنوعی به شدت به کیفیت داده بستگی دارد. داده های نادرست یا ناقص منجر به تصمیم گیری های اشتباه می شود.
سرمایه گذاری اولیه:پیاده سازی یک پلت فرم هوش مصنوعی نیازمند سرمایه گذاری اولیه قابل توجهی از جمله تجهیزات سخت افزاری و توسعه نرم افزار است.
کمبود استعداد:متخصصان چند رشته‌ای که هم در فناوری هوش مصنوعی و هم دانش تولید الکترونیک مسلط هستند نسبتاً کمیاب هستند.

با ادغام هوش مصنوعی در فرآیندهای تصمیم گیری در تست PCBA، کارخانه ها می توانند از عملیات مبتنی بر تجربه به عملیات مبتنی بر داده تبدیل شوند. قابلیت‌های هوش مصنوعی در تشخیص هوشمند، تجزیه و تحلیل علت ریشه‌ای و کنترل پیش‌بینی به طور قابل‌توجهی کارایی و دقت تست را در پردازش PCBA افزایش می‌دهد. این امر اساساً هزینه های تولید را کاهش می دهد و کارخانه ها را برای استفاده از فرصت ها در موج آینده تولید هوشمند قرار می دهد.

news-1-1

شرکت فناوری نئودن ژجیانگ، با مسئولیت محدود، که در سال 2010 تأسیس شد، یک تولید کننده حرفه ای متخصص در دستگاه انتخاب و مکان SMT، اجاق گاز، دستگاه چاپ شابلون، خط تولید SMT و سایر محصولات SMT است. ما تیم تحقیق و توسعه و کارخانه خود را داریم، با بهره گیری از تحقیق و توسعه با تجربه غنی خود، تولید خوب آموزش دیده، شهرت زیادی از مشتریان در سراسر جهان به دست آوردیم.

ما معتقدیم که افراد و شرکای بزرگ NeoDen را به یک شرکت بزرگ تبدیل می‌کنند و تعهد ما به نوآوری، تنوع و پایداری تضمین می‌کند که اتوماسیون SMT برای همه علاقه‌مندان در همه جا قابل دسترسی است.