فحص الجودة بالذكاء الاصطناعي لتجميع لوحات الدوائر المطبوعة: اكتشاف عيوب اللحام بسرعة 200 وحدة في الدقيقة

يعمل الفحص البصري الآلي التقليدي (AOI) لتجميع لوحات الدوائر المطبوعة من خلال مقارنة كل وصلة لحام بمكتبة من القواعد المبرمجة. إذا كان ارتفاع الشريحة بين X وY، وزاوية التبلل بين A وB، تجتاز الوصلة الفحص. المشكلة هي أن تجميعات لوحات الدوائر المطبوعة أصبحت أكثر كثافة، والمكونات أصبحت أصغر (المكونات السلبية 0201 بحجم 0.6 مم × 0.3 مم)، وتنوع الأشكال الهندسية المقبولة للوصلات توسع إلى ما يتجاوز قدرة الأنظمة القائمة على القواعد على التعامل معه بكفاءة.

أخبرني مصنّع تعاقدي في غوادالاخارا أنهم كانوا يقضون 3.5 ساعات لكل منتج جديد في برمجة نظام AOI التقليدي لديهم، ومع ذلك كانوا يسجلون معدل إنذارات كاذبة بنسبة 6% على حزم QFN ذات الخطوة الدقيقة. بعد التحول إلى نظام قائم على الذكاء الاصطناعي، انخفض وقت البرمجة إلى حوالي 40 دقيقة لكل منتج جديد، وانخفض معدل الإنذارات الكاذبة إلى 1.8%.

كيف يختلف نظام AOI القائم على الذكاء الاصطناعي عن نظام AOI التقليدي

يستخدم نظام AOI التقليدي خوارزميات فحص مبرمجة مسبقاً: مطابقة الأنماط للتحقق من وجود المكونات، والقياس البُعدي لدقة التموضع، وتحليل السطوع/التباين لجودة اللحام. يحتاج كل نوع مكون وحزمة إلى مجموعة خاصة من معلمات الفحص، وتحتاج هذه المعلمات إلى تعديل عند تغيير تركيبة معجون اللحام أو ملف إعادة التدفق أو حتى تشطيب سطح لوحة الدوائر المطبوعة.

تستبدل الأنظمة القائمة على الذكاء الاصطناعي معظم هذه الخوارزميات المضبوطة يدوياً بنماذج تعلم عميق مدربة على صور موسومة لوصلات لحام جيدة ومعيبة. يتعلم النموذج شكل وصلات اللحام المقبولة لكل نوع مكون من الأمثلة بدلاً من القواعد الصريحة. وهذا يجعل النظام أكثر مرونة بطبيعته، لأن التغيير الطفيف في مظهر الوصلة الذي قد يطلق إنذاراً كاذباً في نظام قائم على القواعد يكون ضمن التوزيع المُتعلَّم للوصلات المقبولة.

البنى العصبية المستخدمة هي عادةً متغيرات من YOLO (لاكتشاف المكونات وتحديد مواقعها) مدمجة مع شبكات ResNet أو شبكات تصنيف مشابهة (لتصنيف جودة كل وصلة على حدة). تستخدم بعض الأنظمة نهجاً من مرحلتين حيث تكتشف المرحلة الأولى الوصلات الفردية وتقصها، والمرحلة الثانية تصنف كل وصلة على أنها مقبولة أو معيبة مع تحديد نوع العيب.

أنواع العيوب ومعدلات الاكتشاف

جسر اللحام (الاتصالات غير المقصودة بين الوسادات المتجاورة) هو أسهل عيب يمكن للذكاء الاصطناعي اكتشافه، مع معدلات اكتشاف تتجاوز باستمرار 99%. البصمة البصرية مميزة وعواقب عدم اكتشاف الجسر خطيرة (قصر كهربائي)، لذلك يتم تدريب النماذج مع تركيز قوي على فئة هذا العيب.

اللحام غير الكافي ووصلات اللحام الباردة أكثر صعوبة. الفرق بين وصلة مقبولة بالحد الأدنى ووصلة باردة يمكن أن يكون دقيقاً، خاصة على الحزم بدون أطراف مثل QFN وBGA حيث تكون الوصلة مخفية جزئياً تحت جسم المكون. تحقق أنظمة الذكاء الاصطناعي معدلات اكتشاف تتراوح بين 93% و97% لهذه العيوب، مقارنة بـ 85% إلى 90% لنظام AOI التقليدي.

التقبير (حيث يقف مكون سلبي على طرفه) يتم اكتشافه جيداً بواسطة كل من أنظمة الذكاء الاصطناعي والأنظمة التقليدية لأن الفرق البصري كبير. تظل عيوب الرأس في الوسادة على حزم BGA صعبة للفحص البصري من أي نوع، حيث يكون العيب بين الكرة والوسادة وغير مرئي من الأعلى. لا يزال فحص الأشعة السينية مطلوباً لفحص BGA الشامل.

أخطاء قطبية المكونات حالة مثيرة للاهتمام. يتحقق نظام AOI التقليدي من القطبية بالبحث عن علامات محددة (أشرطة الكاثود على الثنائيات، مؤشرات الدبوس 1 على الدوائر المتكاملة). يمكن لأنظمة الذكاء الاصطناعي تعلم القطبية من المظهر العام للمكون، مما يكتشف الحالات التي تكون فيها العلامات باهتة أو غير محاذاة أو محجوبة ببقايا التدفق.

المفاضلات بين السرعة والدقة

بسرعة 200 وحدة في الدقيقة على خط SMT عالي الحجم، يمتلك نظام الفحص حوالي 300 ميلي ثانية لكل لوحة. بالنسبة للوحة تحتوي على 2,000 وصلة لحام، فهذا يعني 0.15 ميلي ثانية لكل وصلة لالتقاط الصورة وتحليلها. تحقق الأنظمة الحديثة ذلك من خلال مزيج من كاميرات المسح الخطي عالية السرعة (100 كيلوهرتز أو أسرع)، والاستدلال المُسرَّع بوحدة معالجة الرسومات، وبنى النماذج الفعالة المصممة لسرعة الاستدلال بدلاً من الدقة القصوى.

الدقة مهمة. يعمل نظام فحص التصنيع النموذجي لمكونات SMT القياسية (0402 وأكبر) بدقة 15 إلى 20 ميكرومتر لكل بكسل. بالنسبة للمكونات ذات الخطوة الدقيقة (حزم BGA بخطوة 0.4 مم، المكونات السلبية 0201)، تحتاج الدقة إلى أن تكون 7 إلى 10 ميكرومتر لكل بكسل، مما يتطلب إما كاميرات بدقة أعلى أو تمريرات متعددة بمجالات رؤية متداخلة. الدقة الأعلى تقلل الإنتاجية، لذلك هناك مفاضلة هندسية بين تفاصيل الفحص وسرعة الخط.

متطلبات بيانات التدريب

يتطلب التدريب الأولي لنظام AOI القائم على الذكاء الاصطناعي مجموعة بيانات كبيرة. يبدأ التطبيق النموذجي بـ 50,000 إلى 200,000 صورة موسومة لوصلات لحام تغطي نطاق أنواع المكونات وفئات العيوب التي سيواجهها النظام. يستغرق جمع مجموعة البيانات هذه من الإنتاج من 2 إلى 4 أسابيع، حسب حجم وتنوع المنتجات.

يستخدم التحسين المستمر للنموذج حلقة تغذية راجعة. عندما يتجاوز مراجع بشري قرار الذكاء الاصطناعي (بقبول قطعة رفضها الذكاء الاصطناعي، أو اكتشاف عيب فاته الذكاء الاصطناعي)، تُغذى تلك البيانات مرة أخرى في مجموعة التدريب. على مدى 3 إلى 6 أشهر، تتحسن دقة النموذج على مزيج المنتجات المحدد بشكل ملموس، وعادةً ما يكتسب 1 إلى 2 نقطة مئوية في معدل الاكتشاف مع خفض معدل الإنذارات الكاذبة إلى النصف.

تساعد تقنيات تعزيز البيانات (تدوير الصور، وضبط السطوع والتباين، ومحاكاة ظروف إضاءة مختلفة) في توسيع مجموعة بيانات التدريب الفعالة، لكن بيانات الإنتاج الحقيقية من الخط الفعلي، بزوايا الكاميرا المحددة وإعداد الإضاءة وخصائص معجون اللحام، تنتج دائماً نتائج أفضل من البيانات الاصطناعية.

الأثر الاقتصادي

المقارنة المباشرة للتكلفة بين نظام AOI التقليدي والقائم على الذكاء الاصطناعي متكافئة تقريباً على مستوى الأجهزة (كلاهما يستخدم كاميرات وإضاءة مماثلة). يظهر الفرق في وقت البرمجة (تخفيض بنسبة 60% إلى 80%)، ومعدل الإنذارات الكاذبة (تخفيض بنسبة 50% إلى 70%)، ومعدل الإفلات (العيوب المشحونة للعملاء، عادةً تخفيض بنسبة 30% إلى 50%).

بالنسبة لمصنّع تعاقدي يشغّل 50 تجميعة مختلفة للوحات دوائر مطبوعة سنوياً، يمكن لتوفير وقت البرمجة وحده أن يبرر الانتقال. بتوفير 3 ساعات لكل إدخال منتج جديد مضروبة في 50 منتجاً، يعني ذلك 150 ساعة سنوياً من وقت الهندسة المُحرَّر، بقيمة تقريبية تتراوح بين 15,000 و22,000 دولار حسب التكلفة المحملة للمهندس.

لتخفيض الإنذارات الكاذبة تأثير يصعب قياسه لكنه حقيقي بنفس القدر على إرهاق المشغلين وثقتهم في النظام. عندما يرى المشغلون إنذارات كاذبة كثيرة جداً، يبدأون في الموافقة الآلية على الرفض، مما يُبطل الغرض من الفحص. الحفاظ على معدل الإنذارات الكاذبة أقل من 2% يحافظ على انخراط المشغلين ويضمن حصول العيوب الحقيقية على الاهتمام المناسب.