J'ai vu des équipes passer des mois à “faire de l'IA” alors que la ligne ne peut toujours pas répondre à une question de traçabilité de base sans trois personnes, deux feuilles de calcul et un ingénieur de processus épuisé faisant du calcul mental à une heure du matin. C'est un problème de plomberie. C'est le désordre.
Voici l'horrible vérité : le premier ennemi de l'homme est l'homme. Optimisation de la sélection et de l'emplacement par l'IA Ce n'est pas le calcul, ni les fournisseurs, ni les budgets, c'est votre propre modèle de données, car les identifiants des chargeurs dérivent, les versions des programmes de placement sont écrasées “juste pour cette fois”, les codes de défaut AOI ont des significations différentes selon les équipes, et personne ne s'en aperçoit jusqu'à ce que le rendement chute et que tout le monde devienne soudain un comptable judiciaire.
Alors pourquoi le poursuivre ?
Parce que l'avantage est réel lorsque vous le clôturez-Il s'agit d'un champ d'application étroit, d'un contrôle strict des changements et d'une discipline ennuyeuse. Les chiffres relatifs à l'adoption par l'industrie révèlent une autre chose : la plupart des gens restent sur la touche, ce qui signifie que les victoires (et les erreurs) sont encore assez peu coûteuses pour que l'on puisse en tirer des enseignements. En 2024, l'étude Auburn sur l'adoption de la fabrication intelligente indique que 58% des personnes interrogées n'étaient que “sensibilisées” ou “en recherche”, et à peine 8% ont déclaré qu'ils utilisaient déjà l'IA. (eng.auburn.edu) Il ne s'agit pas là d'une stat de battage médiatique. C'est un écart dans lequel on peut faire passer un chariot d'alimentation.
Et si vous êtes en train de courir solutions clés en main pour les lignes SMT, Vous connaissez déjà la partie la plus gênante : la ligne est un système, pas une machine. L'IA n'optimise pas le monteur. Elle optimise vos décisions-Parfois mieux que votre intuition, parfois pire que votre pire opérateur le premier jour.
Ce que signifie réellement “l'optimisation du prélèvement et du placement par l'IA” dans le domaine du SMT
L'optimisation de la préparation de commandes par l'IA n'est pas un “robot qui pense”. Il s'agit d'un logiciel qui apprend des modèles à partir de la CAO/de la nomenclature, de la configuration du chargeur, des décalages de vision, des journaux de rejet et des résultats d'inspection, puis recommande des changements qui améliorent les résultats mesurables : moins d'erreurs de prélèvement, moins de décalages de placement, des changements plus rapides et moins de temps d'arrêt non planifiés.
Maintenant, la partie que les gens détestent entendre : si vous ne pouvez pas rejoindre Si vous avez correctement enregistré vos événements (numéro de série de la carte, horodatage, version du programme, voie d'alimentation, identification de la buse), le modèle se fera un plaisir d“”apprendre" des absurdités et de vous les renvoyer avec un visage impassible et une belle note de confiance.
Cela arrive. Souvent.
Un raccourci d'ingénieur - comme la réutilisation d'un identifiant de chargeur dans plusieurs chariots parce que “nous étions pressés” - peut empoisonner des semaines de données de formation, et le modèle ne s'en plaindra pas ; il sera juste étrangement certain que le chargeur 12 provoque des pierres tombales sur tous les travaux exécutés après le déjeuner.
Où l'apprentissage automatique bat les règles (et où les règles l'emportent encore)
Cependant, les règles gagnent toujours en deux endroits, et je me moque de l'apparence de votre diaporama.
Les règles gagnent quand :
- Vous avez affaire à des contraintes fortes (enveloppes de collision, dégagement de la tuyère, fragilité des composants).
- Vous avez affaire à limites physiques (accélération maximale, champ de vision de la caméra, pas du feeder, fenêtres de chronométrage en tête-à-tête).
L'apprentissage automatique l'emporte lorsque le système est désordonné, multifactoriel et à la dérive :
- Les performances du margeur varient en fonction de l'état de la bande, de la qualité du collage, de l'humidité, de la manipulation par l'opérateur et des petits péchés mignons.
- La vision dérive avec la saleté de l'objectif et la dégradation de l'éclairage (oui, l'objectif “c'est bien”... ce n'est pas bien).
- “Les ”défauts de placement" sont corrélés à des problèmes en amont - distribution du volume de pâte, gauchissement de la carte, comportement thermique - des choses que vous ne voulez pas modéliser à la main.
A quoi ressemble une pile saine ? En général :
- Classification (prédire la probabilité de défaillance du prélèvement en fonction du chargeur, de la buse ou du composant)
- Régression (prédire le décalage de placement prévu dans les conditions)
- Couche d'optimisation (heuristique, MILP, parfois RL si vous aimez la douleur)
- Garde-corps (règles + approbation humaine + retour en arrière, à chaque fois)
Et regardez, le ML léger peut encore être utile si vous arrêtez d'essayer de faire bouillir l'océan. Une étude en accès libre réalisée en 2024 sur un système de prise et de déplacement piloté par la vision a rapporté ce qui suit Précision de MobileNet jusqu'à 89,9% pour la reconnaissance d'objets dans leurs tests (avec d'autres modèles légers plus bas). (link.springer.com) Il ne s'agit pas de la précision du placement SMT. Le champ de bataille est différent. Même leçon : cibles étroites, intrants propres, résultats mesurables.
Les données dont vous avez besoin (et celles que les gens “oublient” de saisir)
Or, c'est là que les projets meurent : les données que vous penser que vous avez ne sont pas les données que vous en fait ont.
Si vous voulez que l'apprentissage automatique fonctionne, vous avez besoin d'une traçabilité au niveau du conseil d'administration, synchronisée dans le temps :
- Version du programme de placement (oui, la version)
- Cartographie de l'ID de l'alimentateur + de la voie + du pas + du numéro de pièce
- ID de la buse, niveau de vide de la buse, codes d'erreur de la buse
- Résultats fiduciaires + décalages de vision par placement
- Sorties de défaut SPI/AOI liées au numéro de série de la carte / à la position du panneau
- Événements de maintenance (changement de buse, entretien du distributeur, nettoyage de la caméra)
Et ne me dites pas que “la maintenance est dans un autre système”. C'est exactement comme cela que l'on se retrouve avec un modèle “prédictif” qui ne prédit rien. Le modèle ne peut pas apprendre ce que vous n'avez pas enregistré.
Les travaux du NIST en 2024 sur la surveillance améliorée par l'IA disent tout haut ce qui est silencieux : la qualité des données et les données réalistes sur les défauts sont le goulot d'étranglement. C'est pourquoi ils ont construit le banc d'essai CROW pour générer des flux haute fidélité avec de vraies bizarreries de fabrication - robots, convoyeurs, caméras d'inspection, capteurs, et injection de défauts. (nist.gov)
Si vous le construisez pour de vrai, placez-le sous votre processus qualité flux de travail et votre plan d'entretien et de pièces détachées. Sinon, il se transforme en un tableau de bord qui est admiré une fois et ignoré pour toujours.
Les algorithmes qui comptent : placement, margeurs et changements de format
Alors, où dépensez-vous votre premier dollar ?
Pas sur un modèle géant de bout en bout. Sauf si vous vous détestez (ou si vous êtes payé à l'heure).
Je mettrais le premier effort dans trois domaines qui rapportent rapidement et qui n'exigent pas que vous réécriviez votre usine.
1) Optimiser la programmation du pick-and-place (ennuyeux, rentable)
Objectif : réduire le temps de changement et les erreurs de l'opérateur.
L'IA est performante dans ce domaine parce qu'elle peut recommander :
- Arrangement de l'alimentation en fonction du succès historique de la cueillette et de la distance à parcourir
- les placements à risque (pas serré, parties hautes, problèmes de dégagement)
- jeux de buses par famille de produits
Mais vous devez aussi livrer les parties adultes : workflow d'approbation, vue des différences, retour en arrière. Si les opérateurs ne peuvent pas voir ce qui a changé, ils n'auront pas confiance. S'ils ne peuvent pas revenir en arrière, ils le saboteront (discrètement) la première fois qu'il les brûlera.
L'acheminer par soutien à l'automatisation clé en main la gouvernance est donc réelle et non facultative.
2) Évaluation de la santé des mangeoires (parce que les mangeoires mentent)
Les problèmes d'alimentation s'annoncent rarement d'eux-mêmes. Ils se manifestent par “un peu plus de tentatives”, “quelques courts-circuits supplémentaires”, “pourquoi cette tête fait-elle une pause”, puis par un temps d'arrêt brutal.
ML peut :
- détection précoce de la dérive de l'alimentateur (augmentation du taux de mauvais prélèvement, augmentation du nombre de tentatives)
- classer les mangeoires par risque pour la prochaine construction
- suggérer des fenêtres de service qui évitent les périodes de pointe
Ce n'est pas prestigieux. C'est rentable.
3) Dérive de placement + corrélation d'inspection (là où le rendement se déplace)
C'est celui qui fait pencher les gestionnaires vers l'avant, car le rendement, c'est de l'argent.
Mais elle n'est pas gratuite. Vous avez besoin de la chaîne : Volume de pâte SPI → comportement de placement → défauts AOI → temps de reprise → évasions.
Et parfois, la chute est douloureuse : le défaut de “placement” n'en est pas un. Le comportement de mouillage de SAC305, l'usure du pochoir, le gauchissement de la carte et les gradients thermiques peuvent tous simuler un problème de placement. Si votre modèle accuse à chaque fois le monteur, vous “optimiserez” en ralentissant la machine et en détériorant la ligne. Demandez-moi comment je le sais.
Une table simple que vous pouvez défendre lors d'une réunion
| Objectif d'optimisation | Données requises | Modèle type | ICP à surveiller | Mode de défaillance commun |
|---|---|---|---|---|
| Affectation des alimentations + tracé des voies | historique de l'alimentation, erreurs de prélèvement, distance de déplacement | classement + optimiseur heuristique | temps de préparation, tentatives de sélection | mauvaise correspondance entre la pièce et l'alimentateur |
| Sélection des buses | ID de la buse, tendances du vide, types de composants | classification | erreurs de prélèvement, dommages aux composants | ignorer les cycles d'usure/nettoyage des buses |
| Compensation de la vision | les repères, les décalages, l'état de la caméra | régression | décalage de placement, défauts de décalage AOI | dérive temporelle / mauvaises jointures d'horodatage |
| Maintenance prédictive | alarmes, courants, vide, codes d'erreur | détection des anomalies + modèles de survie | minutes de temps d'arrêt non planifié | “Les ”événements de maintenance" ne sont pas enregistrés de manière cohérente |
| Prévention des erreurs de changement de format | différences de programmes, actions des opérateurs | règles + détection des anomalies | Rendement au premier passage après le passage à l'euro | pas de flux de travail humain / pas de retour en arrière |
Et si vous voulez un signal “global” indiquant qu'il ne s'agit pas d'un simple bavardage entre vendeurs, regardez l'orientation du financement. Le NIST a publié un NOFO le 22 juillet 2024 pour un nouvel institut Manufacturing USA axé sur l'IA, anticipant ainsi l'avenir de l'industrie manufacturière américaine. jusqu'à $70 millions sur cinq ans. (nist.gov) Cela ne règle pas le problème des mangeoires. Mais cela vous indique où les investisseurs institutionnels pensent que l'IA manufacturière se dirige.
FAQ
Comment utilisez-vous l'IA pour optimiser la programmation des prélèvements et des placements ?
L'utilisation de l'IA pour optimiser la programmation des opérations de prélèvement et de placement implique de former des modèles à partir de votre propre CAO, de votre nomenclature, de la configuration des chargeurs, des journaux de vision et des traces de temps de cycle, afin que le logiciel suggère des affectations de chargeurs, des choix de buses, des trajectoires de mouvement et des étapes de changement qui atteignent le CPH cible tout en restant dans les limites de la précision de placement et de la manipulation des composants. Commencez par le mode “recommandation uniquement”, exigez l'approbation de l'ingénieur et enregistrez si chaque changement a été bénéfique ou néfaste.
De quelles données un modèle de sélection et de placement par apprentissage automatique a-t-il besoin ?
Un modèle d'apprentissage automatique pour la sélection et le placement a besoin de données de ligne synchronisées dans le temps : coordonnées de placement, identifiants d'alimentation, identifiants de buse, résultats des repères, décalages de vision, codes de rejet, défauts AOI et événements de maintenance ; sans ce lien, le modèle ne fait qu'apprendre le bruit et recommandera en toute confiance des mouvements qui paraissent intelligents mais qui brisent votre rendement. Si vous ne pouvez pas tracer les défauts jusqu'au numéro de série de la carte et à la version du programme, corrigez d'abord cela.
Quel est le meilleur logiciel d'IA pour le pick and place ?
Le “meilleur logiciel d'IA pour le prélèvement et le placement” n'est généralement pas un produit unique ; c'est la combinaison de l'optimiseur de votre fournisseur de machines, d'une couche d'analyse qui peut joindre les journaux SPI/AOI et de placement, et d'un flux de travail de gouvernance qui arrête les mauvaises recommandations avant qu'elles n'atteignent la ligne de production. Choisissez la pile qui correspond à votre maturité en matière de traçabilité, et non la démo la plus sophistiquée.
L'IA peut-elle réduire le "tombstoning" et le "skew" ?
L'IA ne peut réduire les défauts de placement tels que le tombstoning, le skew et l'insuffisance de soudure que si vous reliez le comportement de placement à la qualité d'impression en amont et aux signaux d'inspection en aval, car de nombreux défauts de placement commencent par des problèmes de volume de pâte, de dynamique de mouillage dans les alliages SAC305 ou de gauchissement de la pièce, et non par le mouvement XY du robot. Si vos données SPI sont manquantes ou bruyantes, vos résultats le seront également.
Comment fonctionne la maintenance prédictive sur une machine intelligente de prélèvement et de placement ?
La maintenance prédictive des machines de prélèvement et de placement utilise les modèles de capteurs et de journaux - dérive du niveau de vide, erreurs de prélèvement des buses, erreurs d'alimentation, pics de courant d'axe, tendances de température - pour estimer la probabilité d'une fenêtre de défaillance, de sorte que vous entretenez la machine lorsque le risque augmente plutôt que selon un calendrier et que vous évitez les arrêts surprises pendant les pics de production. Il s'agit d'une évaluation des risques et non d'une prédiction.
Comment éviter le “purgatoire du pilote IA” dans l'assemblage SMT ?
Dans l'assemblage SMT, le “purgatoire des pilotes d'IA” se produit lorsque les équipes construisent un modèle sur des données de laboratoire propres, ignorent les cas marginaux désordonnés de l'atelier et n'expédient jamais le dernier kilomètre : MLOps, interface utilisateur, contrôle des changements et retour en arrière, ce qui signifie que le système reste un tableau de bord auquel personne ne fait confiance et que vos indicateurs clés de performance en matière de placement ne bougent pas. Expédiez d'abord les garde-fous et la propriété, puis expédiez les modèles.
Conclusion
Si vous essayez de faire de l'optimisation de la sélection et du placement de l'IA une réalité (et non une diapositive), commencez par définir le champ d'application et la discipline des données. Nous pouvons vous aider à définir la bonne approche pour votre type de ligne - prototype, mixte ou à grande vitesse - puis à l'intégrer dans un flux de travail opérationnel que votre équipe utilisera réellement. Voir cas de clients sur des lignes réelles et contactez-nous par l'intermédiaire de notre page de contact lorsque vous serez prêt à parler de sujets spécifiques.
