Große Elektronikhersteller erwarten bereits von ihren Ausrüstern ausgereifte KI-Tools. Andere wiederum sind vorsichtig, wie sie die Arbeit mit KI optimal gestalten und gleichzeitig deren Potenzial zur Beschleunigung von Arbeitsabläufen und zur Vermeidung menschlicher Fehler ausschöpfen können. Unabhängig davon bietet der Einsatz von KI als Prüfsystem in der SMT-Bestückung zahlreiche bekannte Vorteile, darunter ihre hohe Detailgenauigkeit, konsistente Beurteilung und schnellere Entscheidungsfindung.
Lebenslange Inspektion
: Die Bereitstellung qualifizierter Inspektoren zur Überprüfung von aufgrund von AOI-„Nicht brauchbar“-Bewertungen (NG) zurückgewiesenen Platinen stellt eine bekannte Herausforderung für Elektronikhersteller dar. Die Arbeit ist zwar repetitiv, aber dennoch stressig und erfordert dauerhaft hohe Leistung bei gleichzeitig erheblicher Verantwortung. Ein einziges fehlerhaftes Gerät, das das Werk verlässt, gefährdet den Ruf des Arbeitgebers.
Das Problem für Produktionsleiter besteht darin, dass der typische Ablauf der Mitarbeiterbeteiligung einem bekannten Muster folgt. Ein Prüfer tritt dem Team bei und sammelt Wissen und Erfahrung durch die Analyse einer großen Anzahl von AOI-Bildern, die als OK oder NG gekennzeichnet sind. Mit zunehmender Erfahrung kann die Vertrautheit und die monotone Arbeitsweise zu Ermüdung führen. Häufig erreichen Prüfer ein hohes Kompetenzniveau und suchen dann innerhalb des Unternehmens nach einer anderen Position oder verlassen es sogar ganz. Der Wert ihres Fachwissens, sowohl für das Team als auch für das Unternehmen, geht dadurch verloren.
Manager können diesen Kreislauf durchbrechen, indem sie KI so trainieren, dass sie als stets präsenter, aufmerksamer und engagierter Experte fungiert. Bei korrekter Implementierung kann trainierte KI die Erfahrung von Inspektionsexperten, die bereits im Team gearbeitet haben, effektiv speichern und als Berater fungieren, um zukünftig neue Inspektoren zu unterstützen.
Schulung für den Sekundärbeurteilungsprozess:
Eine Möglichkeit hierfür ist die Integration von KI in die Arbeitsstationen, an denen Prüfer nach der automatisierten optischen Inspektion (AOI) Ausschussteile begutachten. Fälschlicherweise als defekt identifizierte Einheiten können zur Endmontage in die Produktion zurückgeführt werden, während solche mit bestätigten Defekten zur Nachbearbeitung weitergeleitet werden.
Bei der Einführung im Sekundärbeurteilungsprozess wird die KI zunächst als neues Mitglied in das Prüfteam integriert und lernt von den erfahrenen Prüfern des Unternehmens. Nach Eingang des Ausschussteils prüfen die Prüfer die AOI-Daten und -Bilder, um ihre eigene Beurteilung vorzunehmen. Ergibt ihre Entscheidung, dass die AOI einen fälschlicherweise als „Beinahe-fehlerhaft“ (NG) markiert hat, kann die Platine zur Fertigstellung der restlichen Produktionsprozesse freigegeben werden. Die AOI-Bilder und die Entscheidungen der Prüfer werden gespeichert, und der KI-Server nutzt diese gesammelten Daten zum Trainieren von Inspektionsmodellen. Mit dem kontinuierlichen Training anhand der täglich erfassten Daten verbessert sich die Genauigkeit der Modelle, und die KI kann die menschliche Beurteilung bei Echtzeitinspektionen unterstützen.
Durch das Training der Modelle auf diese Weise erreichen diese schnell ein ausreichendes Maß an Sicherheit, um menschliche Prüfer bei ihren Entscheidungen zu unterstützen. Bei der Überprüfung eines Fehlerpunkts kann die „KI-Bewertungsstation“ die Einschätzung der KI mit einem zugehörigen Konfidenzwert anzeigen (siehe Abbildung 1). Diese Unterstützung ist besonders für weniger erfahrene Prüfer wertvoll, da sie sich in schwierigen Fällen auf die KI verlassen können. So können sie ihre Fachkenntnisse verfeinern und gleichzeitig Genauigkeit und Leistung verbessern.
Abbildung 1. Erste Ebene der KI-Unterstützung im sekundären Beurteilungsprozess.
Sobald jedes Modell ein stabiles Konfidenzniveau erreicht hat, was auf eine nahezu perfekte Genauigkeit hindeutet, ist die KI bereit, automatisierte Beurteilungen für spezifische Bauteiltypen und Defekte vorzunehmen. In dieser Phase wird die überlegene Beurteilungsfähigkeit der KI mit den Fähigkeiten des menschlichen Prüfers kombiniert, um einen schnelleren Prozess bei gleichbleibend hoher Genauigkeit und reduzierter Belastung des Bedieners zu gewährleisten.
Wo fängt man an?
Softwareanwendungen mit solchen Funktionen kommen jetzt auf den Markt und sind äußerst effektiv bei der Erkennung von Schweißfehlern, wie z. B. unzureichender Schweißung oder mangelhafter Benetzung, die bei 2D-AOI-Inspektionen festgestellt werden. Yamaha Robotics hat seine AI Judgement Station-Umgebung entwickelt, mit der Kunden selbstständig KI-Modelle mit ihren eigenen Produktionsdaten erstellen und trainieren können. Nach der Auswahl geeigneter Trainingsmuster können Anwender die Funktionen der Software nutzen, um automatisch KI-Modelle zu generieren und diese anschließend in einem Machine-Learning-Framework mit Daten aus täglichen Inspektionsschichten zu trainieren. Die Genauigkeit kann während des Trainings überprüft werden, um festzustellen, wann sich das Modell stabilisiert hat. Nach der Analyse von ausreichend guten und mindestens 30 fehlerhaften Bildern erreicht das Modell eine Genauigkeit, die menschliche Prüfer bei ihrer visuellen Analyse unterstützt. Dies ist in kurzer Zeit möglich, wobei eine größere Anzahl von Bildern die Genauigkeit weiter verbessert. Nach der Verarbeitung von mehr als 1.000 Bildern kann die Qualität des Modells extrem hoch sein. KI-Bewertungen dauern etwa eine Sekunde pro Inspektion.
KI und OCR:
Ein Bereich, in dem KI bereits zuverlässige, menschenähnliche Beurteilungen ermöglicht und die Arbeitsbelastung des Prüfers effektiv reduziert, ist die optische Zeichenerkennung (OCR). Herkömmliche regelbasierte Bildverarbeitungssysteme können Zeichen mit geringem Kontrast, durch Kratzer oder andere Beschädigungen verdeckte oder von Fremdkörpern bedeckte Zeichen falsch interpretieren. Dies sind häufige Risiken in der Oberflächenmontage und können wichtige Kennzeichnungen wie Bauteilwerte, Datumscodes, Polaritätsmarkierungen und Leiterplattenidentifikation beeinträchtigen (Abbildung 2).
Abbildung 2. KI-OCR kann Markierungen lesen, die andernfalls eine visuelle Bestätigung durch einen Prüfer erfordern würden.
Indem KI auf Basis von Vorwissen Schlussfolgerungen zieht, ähnlich wie Menschen Zeichen auch bei schlechter Lesbarkeit erkennen können, kann sie diese Probleme überwinden. Das Yamaha AI Judgement Station-Paket enthält vortrainierte KI-OCR-Modelle, die sofort einsatzbereit sind – ohne Anpassungen oder zusätzliches Training.
Automatisierte Online-Bewertung:
Mit der zunehmenden Integration von KI in die Unternehmensprozesse und der Zusammenarbeit mit menschlichen Prüfern steigt die Anzahl der Modelle zur Abdeckung verschiedener Komponenten und Fehlertypen stetig an, und das Training erreicht ein hohes Maß an Zuverlässigkeit. Dank dieser Entwicklung benötigen immer weniger automatisierte Prüfungen eine Bestätigung durch einen visuellen Prüfer. Da die Abhängigkeit von menschlicher Expertise abnimmt, kann der sekundäre Bewertungsprozess vollständig automatisiert und schließlich online integriert werden, wie in Abbildung 3 dargestellt.
Abbildung 3. Zweite vollautomatische Auswertung nach dem Training aller KI-Modelle.
Durch die Zusammenarbeit mit menschlichen Sichtprüfern, die Bereitstellung von Anleitungen und die gegebenenfalls erforderliche Delegation von Entscheidungen entspricht dies sowohl proaktiven als auch vorsichtigen Ansätzen bei der Einführung von KI in die Inspektion. Vorsichtigere Anwender können die menschliche Aufsicht beibehalten, um übersehene Fehler und übermäßige Inspektionen im Folgeprozess zu vermeiden und gleichzeitig die Arbeitsbelastung der Prüfer zu reduzieren. Andererseits bieten Lösungen wie Yamahas AI Judgement Station einen Fahrplan zur vollständigen Automatisierung, um selbst die anspruchsvollsten Kundenanforderungen zu erfüllen.
Fazit:
Während Unternehmen weltweit die Möglichkeiten der KI-Nutzung in Fertigungsprozessen erforschen, setzen SMD-Bestücker die Technologie ein, um die Produktivität bei der optischen Inspektion zu steigern. Neben der Unterstützung bei der Erstellung von Modellbibliotheken und der Generierung von Programmen für Online-AOI-Systeme verbessert KI die Inspektion auch durch die Identifizierung fälschlicherweise aussortierter Leiterplatten.
Ein dreistufiger Ansatz, der KI zunächst zur Unterstützung, dann zur Teilautomatisierung und schließlich zur vollständigen Automatisierung des sekundären Bewertungsprozesses einsetzt, schult effektiv einen festangestellten Inspektionsexperten, diese repetitive und anspruchsvolle Aufgabe mit konstant hoher Geschwindigkeit und Genauigkeit zu bewältigen.
