電子機器の製造は、テストで締めくくられます。製品が動作することを確認する機能テスト、潜在的な欠陥を顕在化させる環境ストレススクリーニング、そして初期故障を引き起こすために高負荷条件下で製品を動作させるバーンインです。これらのテストプロセスは製品の信頼性に不可欠ですが、多大な時間、設備、エネルギーを消費します。
従来のアプローチでは、すべてのユニットに対して同じテストシーケンスを同じ時間だけ実施していました。AIは、各ユニットのリスクプロファイルに基づいてテストを調整する、よりスマートなアプローチを可能にします。
テストにおけるトレードオフ
テストを増やせばより多くの欠陥を検出できますが、コストが増加し、生産能力が低下します。テストを減らせばコストは削減できますが、欠陥のある製品を出荷するリスクが高まります。最適なテスト戦略は、製造ラインから出てくる時点での欠陥率、市場故障のコスト対テストコスト、そしてテスト時間と欠陥検出確率の関係に左右されます。
成熟した高歩留まりの生産プロセスでは、すべてのユニットに対する徹底的なテストは過剰です。ほとんどのユニットは良品であり、追加のテストで検出される欠陥はごくわずかです。新製品の立ち上げや既知のばらつきがあるプロセスでは、欠陥率が高いため、徹底的なテストが正当化されます。
AIによるテストの最適化
AIベースのテスト最適化では、各ユニットの製造データを分析し、欠陥を含むリスクを予測します。ノミナルなプロセス条件下で製造され、すべての測定値が仕様の中心付近にあるユニットは低リスクです。プロセスウィンドウの端で製造されたユニット、最近メンテナンスされた装置で製造されたユニット、新しいサプライヤーロットの材料を使用したユニットは、より高いリスクとなります。
このリスク評価に基づき、AIはテスト計画を調整します。低リスクのユニットには、最も重要な機能をカバーする短縮版のテストシーケンスを実施します。高リスクのユニットには、延長されたバーンインを含む完全なテストシーケンスを実施します。全体としての効果は、同じ総テスト時間で、問題が発生する可能性が最も高いユニットに集中することで、より多くの欠陥を検出できる点にあります。
バーンイン時間の最適化
バーンインは、所要時間と欠陥検出の関係が逓減曲線に従うため、AIによる最適化に特に適しています。初期故障のほとんどは、バーンインの最初の数時間で発生します。バーンインを24時間から48時間に延長しても、追加で検出できる故障はごくわずかな一方、設備とエネルギーのコストは2倍になってしまいます。
AIは、各製品とプロセスの成熟度レベルに対する最適なバーンイン時間を決定します。欠陥率が低い成熟製品では、より短いバーンインで初期故障のほぼすべてを捕捉できます。新製品では、プロセスが安定するまで、より長いバーンインが正当化されます。
適応的なテスト基準
AIは、各測定の合否しきい値であるテスト基準も最適化します。従来の固定基準は、製品仕様に基づいて設定されます。AIベースの基準では、市場故障と強く相関するパラメータには厳しい基準を、信頼性に影響しないパラメータには緩い基準を設定します。これにより、漏れ(テストを通過する不良品)を増やすことなく、誤検出率(テストで不合格となる良品)を低減できます。
電子機器製造におけるAIの活用についての詳細は、FirmAdapt製造業分析ページをご覧ください。