Optimización automatizada de pruebas y burn-in en manufactura electrónica
La manufactura electrónica termina en la prueba: tests funcionales que verifican que el producto opera, environmental stress screening que expone defectos latentes y burn-in que somete al producto a condiciones elevadas para gatillar fallas de mortalidad infantil. Estos procesos de prueba son esenciales para la confiabilidad, pero consumen un tiempo, equipos y energía considerables.
El enfoque tradicional consiste en someter cada unidad a la misma secuencia de pruebas con la misma duración. La IA habilita un enfoque más inteligente que ajusta las pruebas según el perfil de riesgo de cada unidad.
El compromiso de las pruebas
Más pruebas detectan más defectos pero cuestan más y bajan el throughput. Menos pruebas reducen costo, pero arriesgan despachar productos defectuosos. La estrategia óptima depende de la tasa de defectos a la salida de producción, del costo de una falla en campo frente al costo de la prueba y de la relación entre la duración del test y la probabilidad de detección de defectos.
Para procesos maduros y de alto rendimiento, hacer pruebas exhaustivas en cada unidad es excesivo. La mayoría de las unidades sale buena, y la prueba encuentra muy pocos defectos adicionales. En lanzamientos nuevos o procesos con variabilidad conocida, la prueba a fondo se justifica porque la tasa de defectos es más alta.
Cómo optimiza la IA las pruebas
La optimización de pruebas basada en IA analiza los datos de producción de cada unidad y predice su riesgo de contener un defecto. Las unidades fabricadas bajo condiciones nominales del proceso, con todas las mediciones cerca del centro de la especificación, son de bajo riesgo. Las unidades fabricadas en los bordes de la ventana de proceso, en equipos con mantenimiento reciente o con material de un nuevo lote del proveedor son de mayor riesgo.
A partir de esa evaluación, la IA ajusta el plan de pruebas. Las unidades de bajo riesgo reciben una secuencia abreviada que cubre las funciones más críticas. Las de alto riesgo reciben la secuencia completa, incluyendo burn-in extendido. El efecto global es que el mismo tiempo total de prueba detecta más defectos porque se concentra en las unidades con mayor probabilidad de tener problemas.
Optimización de la duración del burn-in
El burn-in es particularmente apto para optimización por IA porque la relación entre duración y detección de defectos sigue una curva de rendimientos decrecientes. La mayoría de las fallas de mortalidad infantil ocurren en las primeras horas de burn-in. Extender el burn-in de 24 a 48 horas podría detectar solo unas pocas fallas adicionales y duplicar el costo de equipos y energía.
La IA define la duración óptima de burn-in para cada producto y nivel de madurez del proceso. Para un producto maduro con baja tasa de defectos, un burn-in más corto captura prácticamente todas las fallas de mortalidad infantil. Para un producto nuevo, un burn-in más extenso se justifica hasta que el proceso se estabilice.
Límites de prueba adaptativos
La IA también optimiza los límites de prueba, los umbrales de aprobado/rechazado para cada medición. Los límites fijos tradicionales se basan en la especificación del producto. Los límites basados en IA son más estrictos para los parámetros que correlacionan fuertemente con fallas en campo y más laxos para los parámetros que no afectan la confiabilidad. Esto reduce la tasa de falsos rechazos (unidades buenas que reprueban) sin aumentar los escapes (unidades malas que aprueban).
Para más información sobre IA en manufactura electrónica, visite la página de análisis de manufactura de FirmAdapt.