Pengujian Otomatis dan Optimalisasi Burn-In untuk Manufaktur Elektronik

Manufaktur elektronik berakhir dengan pengujian: pengujian fungsional yang memverifikasi produk berfungsi, environmental stress screening yang mengungkap cacat laten, dan burn-in yang menjalankan produk dalam kondisi tinggi untuk memicu kegagalan kematian dini. Proses pengujian ini penting untuk keandalan produk tetapi menghabiskan waktu, peralatan, dan energi yang signifikan.

Pendekatan tradisional adalah menundukkan setiap unit pada urutan pengujian yang sama untuk durasi yang sama. AI memungkinkan pendekatan yang lebih cerdas yang menyesuaikan pengujian berdasarkan profil risiko setiap unit.

Trade-off Pengujian

Lebih banyak pengujian menangkap lebih banyak cacat tetapi biayanya lebih tinggi dan memperlambat throughput. Lebih sedikit pengujian mengurangi biaya tetapi berisiko mengirimkan produk yang cacat. Strategi pengujian yang optimal bergantung pada tingkat cacat yang keluar dari produksi, biaya kegagalan lapangan versus biaya pengujian, dan hubungan antara durasi pengujian dan probabilitas deteksi cacat.

Untuk proses produksi yang matang dan beryield tinggi, pengujian ekstensif pada setiap unit adalah berlebihan. Sebagian besar unit baik, dan pengujian menemukan sangat sedikit cacat tambahan. Untuk pengenalan produk baru atau proses dengan variabilitas yang diketahui, pengujian menyeluruh dibenarkan karena tingkat cacat lebih tinggi.

Bagaimana AI Mengoptimalkan Pengujian

Optimalisasi pengujian berbasis AI menganalisis data produksi untuk setiap unit dan memprediksi risikonya mengandung cacat. Unit yang diproduksi dalam kondisi proses nominal dengan semua pengukuran dalam pusat spesifikasi adalah berisiko rendah. Unit yang diproduksi di tepi jendela proses, pada peralatan dengan pemeliharaan baru-baru ini, atau dengan material dari lot pemasok baru lebih berisiko tinggi.

Berdasarkan penilaian risiko ini, AI menyesuaikan rencana pengujian. Unit berisiko rendah mendapatkan urutan pengujian yang disingkat yang mencakup fungsi paling kritis. Unit berisiko tinggi mendapatkan urutan pengujian penuh termasuk burn-in yang diperpanjang. Efek keseluruhannya adalah bahwa total waktu pengujian yang sama menangkap lebih banyak cacat karena terkonsentrasi pada unit yang paling mungkin memiliki masalah.

Optimalisasi Durasi Burn-In

Burn-in sangat dapat dioptimalkan oleh AI karena hubungan antara durasi dan deteksi cacat mengikuti kurva diminishing returns. Sebagian besar kegagalan kematian dini terjadi pada jam-jam pertama burn-in. Memperpanjang burn-in dari 24 menjadi 48 jam mungkin hanya menangkap sedikit kegagalan tambahan sambil menggandakan biaya peralatan dan energi.

AI menentukan durasi burn-in optimal untuk setiap produk dan tingkat kematangan proses. Untuk produk matang dengan tingkat cacat rendah, burn-in yang lebih pendek pada dasarnya menangkap semua kegagalan kematian dini. Untuk produk baru, burn-in yang lebih lama dibenarkan sampai proses stabil.

Batas Pengujian Adaptif

AI juga mengoptimalkan batas pengujian, ambang lulus/gagal untuk setiap pengukuran. Batas tetap tradisional ditetapkan berdasarkan spesifikasi produk. Batas berbasis AI lebih ketat untuk parameter yang berkorelasi kuat dengan kegagalan lapangan dan lebih longgar untuk parameter yang tidak memengaruhi keandalan. Ini mengurangi tingkat false failure (unit baik yang gagal pengujian) tanpa meningkatkan escapes (unit buruk yang lulus pengujian).

Untuk informasi lebih lanjut tentang AI di manufaktur elektronik, kunjungi halaman analisis manufaktur FirmAdapt.