![]()
在快速发展的PCB制造业，机器学习(Machine Learmning，简称ML)与智能工厂的集成正在迎来行业效率、适应性和竞争力的新时代。本文将探讨ML如何彻底改变智能工厂的各个方面，包括预防性维护、质量控制、生产和库存优化。通过利用数据驱动洞察力和自动化的力量，ML使工厂能够主动解决问题、优化流程并提高产品质量。这项变革性技术不仅能够最大限度地减少停机时间，还为敏捷、经济高效和可持续的制造运营铺平了道路。本文还揭示了ML在智能工厂生态系统中的实际应用、挑战和具有发展前景的未来。
智能工厂通常被定义为：利用尖端技术、自动化和数据驱动流程来优化其运营、提高效率、提高生产力，并可实现更敏捷、更灵活生产的先进制造设施。在智能工厂中，包括机器、设备和系统在内的各种组成，通过物联网(loT)等其它解决方案相互连接并通信，并与中央控制系统互联。依靠这种互连性实现了实时数据的收集、分析与决策，从而达到主动维护、快速适应不断变化的需求并提高产品质量的目的。大多数先进智能工厂的特点，是能够利用人工智能、机器学习、机器人等其它先进技术来简化运营并推动制造过程的创新。在智能工厂中，机器学习(ML)和人工智能(Artificial Intelligence，简称AI)的集成有可能将传统制造流程转变为敏捷、数据驱动并高效的运营。这些技术使工厂能够应对不断变化的需求、降低成本、提高产品质量，最终提高在全球市场的整体竞争力。近年来，PCB工厂一直在逐步适应各种智能工厂的概念，但是这一过程相对缓慢，目前只在最先进、最具前瞻性的公司中得到了有限的发展。此外，PCB行业的智能工厂往往更专注于设备互连和过程数据收集与整合，而数据分析仍主要由人工专家而非人工智能来完成。另一方面，从多个PCB工艺中可以收集到的数据数量和维度之庞大，对于人类的大脑来说过于困难以至于无法处理。而这正是MI和AI最具发挥前景之处，甚至可以超越最优秀的人类专家。以下，是关于ML和AI技术可以为智能PCB工厂提供最显效益的主要领域。一旦来自多个流程的信息被连续输入到中央数据存储库，AI模型就可以分析来自不同传感器和设备的数据，从而预测机器何时可能发生故障。具体可以根据不同的需求来制定规划，比如，通过训练这类模型，来检测传感器读数的不一致或逐渐发生的细微变化，并将这些数据与下游流程的数据并置，从而找出规律。这种涉及大量相互关联变量的多维分析自然更适合AI技术，因为即使在最先进的分析软件(非AI)的帮助下，对于人类来说也是一项不可能完成的任务。而这类任务由AI模型通过无监督学习，特别是通过聚类和降维等技术的应用，在没有明确标签或指导的情况下，也可以挖掘出数据中的模式。简单来说，AI技术可以提供更有效的主动维护，减少停机时间并节省成本。在PCB制造过程中，ML技术可以成为排除故障和鉴别数据驱动问题的宝贵工具。例如，聚类或统计模型等ML算法，可用于识别数据中的异常或异常值，最终通过异常现象发现可能潜在的问题。ML技术也可以应用于确定异常或问题的根本原因，比如相关性分析、因果推断或基于规则的系统。借助于这样的系统，可识别出哪些因素或变量与检测到的异常最密切相关，并引导维护人员找到目标设备，甚至为其提供相应的解决方案。当然，为了实现这种追踪能力，每个在制板都必须携带唯一的标识符，通常是2D代码（数据矩阵代码，即DMC，最常见的代码类型）。并且，在每个生产阶段扫描该代码，使系统能够追溯其生产过程中经过的每台设备。ML和AI技术也正在逐渐融入AOI和AFI/AVI的检测工艺流程之中。最终目标是最大程度上降低，甚至完全取代人工操作员参与缺陷验证的工作量，从而简化AOI工艺流程，使其更具效率且不易出现人为错误。在这类应用中，我们需要运用大量、真实的缺陷图像对AI图像识别模型进行训练，目的是教会它如何将真实缺陷与误报（非关键污染或可接受的工艺变化等）区分开来。总体来说，拥有深度学习神经网络的AI是最适合应用于图像识别的工具，尤其是在光学检测领域。不过，尽管潜力巨大，但在AOI验证周期中实施ML还是面临着不容忽视的技术与概念挑战。“什么是缺陷？”这个看似简单的问题在不同的细分市场，或是不同的PCB制造商之间，甚至在同一家公司内的每个单独作业中，可能都没有相同的答案。况且，由于新工艺、不断变化的终端用户需求以及PCB制造商的其它各种考虑因素缺陷规范经常会随着时间的推移而变化和发展。这意味着一个AI模型或许不足以覆盖所有状况，换言之，AI系统无法精确识别从未接触过的缺陷，也无法有效过滤掉未知类型的误报。我们必须定期用新数据对这些AI模型进行再训练，才能更好地适应当下需求、获得精准的分析结果。另一方面，如何确定两个相互竞争指标，过滤率和逃逸率之间的最佳折衷，也是一项重要的挑战。过滤率：AI消除的真实误报率;逃逸率，也称为错杀率或假阴性率：被AI模型错误分类并过滤为误报的真实缺陷错失率;过滤率越高，逃逸的缺陷就越多，反之亦然。解决这一问题的正确方法，是采取单纯经济分析的方式，权衡验证设备、人力成本与逃逸率导致良率降低的成本，并做出取舍。最后一个挑战，是目前存在的一种代理两难困境，即PCB制造商削减成本的动机与终端用户对高质量的追求之间存在的利益冲突。如果新技术有可能对产品质量产生负面影响，那么终端用户便可能拒绝供应商通过使用新技术来削减成本。这一点不足为奇，因为产品质量才是终端用户的首要选择，这就是为什么，终端用户可能不愿意接受供应商实施的任何可能危及该目标的ML。从另一方面来看，PCB制造商也需要赢利。尽管他们可能面临来自客户的阻力（尤其是那些具有强大议价能力的客户），也还是需要利用技术节省成本，并将其直接转化为更高的利润率。最后，AI的开发和实施还面临着实际及技术挑战，其中最重要的，是在开发可行性模型的过程中，收集并处理所需大量、高质量的预分类（标记）数据。PCB制造商提供的数据可能杂乱无章，尤其是在分类精确性方面。因此，AI开发人员将必须花费大量精力对数据进行清理和重新分类，使其适用于AI模型训练的目的。这是一个耗时的过程，也经常会导致一些低质量的数据被丢弃。综上所述，在AOI流程中，采用AI技术的成败主要取决于：如何获得逃逸率和整体过滤率之间的最佳平衡，是否能够定期用新的相关数据重新训练AI模型，解决精确缺陷规范的问题；如何解决PCB制造商与其客户之间的代理两难困境。ML可以显著地增强PCB生产流程的优化，包括生产计划和调度以及库存管理。例如，ML模型可以通过分析历史销售数据、市场发展趋势和其它相关因素，更精确地预测未来需求而这些信息将有助于PCB制造商设定生产目标。ML算法可以通过考虑机器可用性、劳动力能力和作业特性(如复杂性和所需工艺流程以及原材料可用性）等因素来优化资源分配以创建高效的生产工艺路线和计划。例如，我们开发的AI模型可以帮助用户通过生产流程确定最佳生产工艺路线，甚至细分到特定设备，从而最大限度地提高效率和产量，同时最大幅度地减少生产时间和成本。在庞大的历史数据库中，AI模型通过学习可以获取每台设备在不同作业类型下的性能，及其对整体缺陷类型和缺陷率的影响。智能工厂推行和实施，面临的最大实际挑战之一，是难以从流程和机器中收集到可靠且一致的数据。原因主要来源于两个方面：· 一些设备缺乏连接性，特别是老款的机器，数据的收集虽然仍然可行，但是会非常艰难；一些情况下，我们可以通过安装专用传感器，以无线传输相关数据的方式来解决连接不足的问题。在其它情况下，可以使用专用的软件直接从用户界面获取信息，并通过以太网或蓝牙将其发送到中央数据库。通用格式和协议的缺乏，基本上意味着来自不同过程的数据必须先转换为某种类型的通用格式，才能被使用，才能根据相关特征和数据维度被“缝合”在一起。此外，也有一些设备制造商故意阻碍外部用户访问和共享其数据，试图将他们的客户锁定在该公司产品和解决方案的生态系统之中。在这种情况下，他们会拒绝连接，或者对数据进行加密以防止第三方读取。康代选择了相反的方式。我们利用SDK（软件开发工具包）确保用户安全、可靠地访问我们系统生成的所有数据，以及数据库中保存的数据。如此，其它用户（如第三方开发人员或客户的IT工程师）也能够充分获取并利用AOI或AVI/AFI系统提供的广泛可操作信息。毫无疑问，无论如何AI都将改变我们日常生活的方方面面，而这个进程已经开始。就在几年前，像ChatGPT这样的技术还被认为是科幻小说，但现在每个人都可以使用。每个行业，包括PCB制造行业，都存在被ML和AI技术改变的巨大潜力。一旦上述挑战得到解决，我们未来还能期待什么呢？一种可能性，AI系统会接管更多关于如何管理PCB制造运营的日常决策工作，甚至可以优化每台设备；如果再与材料搬运自动化相结合，这种系统有可能将PCB制造自动化提升到前所未有的水平。基于AI的智能制造解决方案，将能够通过自动调整流程的各个部分来自行解决质量问题，重新规划生产流程以最大限度地提高产量，并优化设备和材料的使用，仅在少数特殊情况下依靠人工操作。一旦AI能够控制和优化PCB制造的所有要素，从报价和CAD到制造和质量检测，智能工厂将真正实现智能化，迎来创新和技术进步的新时代！欢迎扫码关注我们的微信公众号
“PCB007中文线上杂志”
点击阅读原文即可获取完整杂志内容。
![]()
