Widziałem zespoły spędzające miesiące na “robieniu AI”, podczas gdy linia wciąż nie może odpowiedzieć na podstawowe pytanie dotyczące identyfikowalności bez trzech osób, dwóch arkuszy kalkulacyjnych i jednego wyczerpanego inżyniera procesu wykonującego matematykę umysłową o 1 w nocy. To problem hydrauliczny. Bałagan.
Oto brzydka prawda: pierwszym wrogiem Optymalizacja wybierania i umieszczania przy użyciu sztucznej inteligencji to nie komputery, dostawcy czy budżety - to twój własny model danych, ponieważ identyfikatory podajników dryfują, wersje programów umieszczania są nadpisywane “tylko ten jeden raz”, kody defektów AOI oznaczają różne rzeczy na różnych zmianach i nikt tego nie zauważa, dopóki wydajność nie spadnie i wszyscy nagle staną się księgowymi sądowymi.
Po co więc za tym gonić?
Ponieważ korzyści są realne kiedy go ogrodzisz-ścisły zakres, ścisła kontrola zmian i nudna dyscyplina. A liczby dotyczące przyjęcia w branży mówią coś jeszcze: większość ludzi wciąż stoi na uboczu, co oznacza, że zwycięstwa (i błędy) są wciąż wystarczająco tanie, aby się na nich uczyć. W 2024 r., według badania Auburn dotyczącego wdrożenia inteligentnej produkcji 58% respondentów było tylko na poziomie “świadomości” lub “badania”, a tylko 8% stwierdziło, że już korzysta ze sztucznej inteligencji. (eng.auburn.eduTo nie jest statystyka hype'u. To luka, przez którą można przejechać wózkiem.
A jeśli prowadzisz Rozwiązania linii SMT pod klucz, Wiesz już, co jest niewygodne: linia to system, a nie maszyna. Sztuczna inteligencja nie “optymalizuje licznika”. Optymalizuje Twoje decyzje-czasem lepiej niż twoje przeczucie, czasem gorzej niż twój najgorszy operator pierwszego dnia.
Co tak naprawdę oznacza “AI pick and place optimization” w SMT?
Optymalizacja AI pick and place nie jest “robotem, który myśli”. Jest to oprogramowanie, które uczy się wzorców na podstawie danych CAD/BOM, konfiguracji podajnika, przesunięć wizyjnych, dzienników odrzutów i wyników kontroli, a następnie zaleca zmiany, które poprawiają wymierne wyniki: mniej błędów kompletacji, mniej przesunięć umieszczania, szybsze zmiany i mniej nieplanowanych przestojów.
Teraz część, której ludzie nienawidzą słyszeć: jeśli nie możesz dołączyć model z radością “nauczy się” bzdur, a następnie zaserwuje je z powrotem z wyprostowaną twarzą i ładnym wynikiem zaufania.
To się zdarza. Często.
Jeden skrót inżynieryjny - taki jak ponowne użycie identyfikatora podajnika w różnych wózkach, ponieważ “spieszyliśmy się” - może zatruć tygodnie danych treningowych, a model nie będzie narzekał; po prostu będzie dziwnie pewny, że Feeder-12 powoduje nagrobki w każdym zadaniu, które działało po obiedzie.
Gdzie uczenie maszynowe pokonuje reguły (i gdzie reguły wciąż wygrywają)
Jednak... zasady nadal wygrywają w dwóch miejscach i nie obchodzi mnie, jak fantazyjnie wygląda twój slajd.
Zasady wygrywają, gdy:
- Masz do czynienia z twarde ograniczenia (obwiednie kolizji, prześwit dyszy, kruchość komponentów).
- Masz do czynienia z ograniczenia fizyczne (maksymalne przyspieszenie, pole widzenia kamery, nachylenie podajnika, okna czasowe head-to-head).
Uczenie maszynowe wygrywa, gdy system jest nieuporządkowany, wieloczynnikowy i dryfujący:
- Wydajność podajnika zależy od stanu taśmy, jakości splotu, wilgotności, obsługi przez operatora i małych grzechów, których nikt nie popełnia.
- Wizja dryfuje wraz z zabrudzeniem obiektywu i rozpadem oświetlenia (tak, obiektyw “jest w porządku”... nie jest w porządku).
- “Wady umiejscowienia” korelują z rozkładem objętości pasty, wypaczeniem płytki, zachowaniem termicznym - rzeczami, których nie chcesz modelować ręcznie.
Jak więc wygląda zdrowy stos? Zazwyczaj:
- Klasyfikacja (przewidywanie prawdopodobieństwa awarii frezu według podajnika/dyszy/komponentu)
- Regresja (przewidywanie oczekiwanego przesunięcia w warunkach)
- Warstwa optymalizacji (heurystyka, MILP, czasami RL, jeśli lubisz ból)
- Barierki ochronne (reguły + ludzkie zatwierdzenie + wycofanie, za każdym razem)
Lekkie ML może być nadal przydatne, jeśli przestaniesz próbować zagotować ocean. W otwartym badaniu z 2024 r. dotyczącym konfiguracji pick-and-place opartej na wizji zgłoszono Dokładność MobileNet do 89,9% dla rozpoznawania obiektów w ich testach (z innymi lekkimi modelami niżej). (link.springer.com) Nie dokładność rozmieszczenia SMT. Inne pole bitwy. Ta sama lekcja: wąskie cele, czyste dane wejściowe, wymierne wyniki.
Potrzebne dane (i rzeczy, których ludzie “zapominają” przechwycić)
Jednak to właśnie tutaj projekty umierają: dane, które myśleć nie są danymi, które faktycznie mieć.
Jeśli chcesz, aby uczenie maszynowe działało, potrzebujesz zsynchronizowanej w czasie identyfikowalności na poziomie zarządu:
- Wersja programu stażowego (tak, wersja)
- Identyfikator podajnika + pas + podziałka + mapowanie numeru części
- Identyfikator dyszy, poziom podciśnienia frezu, kody błędów frezu
- Wyniki Fiducial + przesunięcia wizji na umieszczenie
- Wyjścia defektów SPI/AOI powiązane z pozycją szeregową płyty/panelu
- Zdarzenia konserwacyjne (wymiana dysz, serwis podajnika, czyszczenie kamery)
I proszę, nie mów mi, że “konserwacja jest w innym systemie”. Dokładnie tak kończy się model “predykcyjny”, który niczego nie przewiduje. Model nie może nauczyć się tego, czego nie zarejestrowałeś.
Prace NIST w 2024 r. nad monitorowaniem wspomaganym sztuczną inteligencją mówią głośno: jakość danych i realistyczne dane o usterkach są wąskim gardłem, dlatego zbudowali platformę testową CROW do generowania strumieni o wysokiej wierności z prawdziwymi dziwactwami produkcyjnymi - robotami, przenośnikami, kamerami inspekcyjnymi, czujnikami i wtryskiem usterek. (nist.gov)
Jeśli budujesz to naprawdę, zaparkuj to pod swoim jakość procesu przepływ pracy i twój plan konserwacji i części zamiennych. W przeciwnym razie zamienia się w deskę rozdzielczą, która jest podziwiana raz i ignorowana na zawsze.
Algorytmy, które mają znaczenie: umieszczanie, podajniki i zmiany
Gdzie wydałeś swojego pierwszego dolara?
Nie w gigantycznym modelu end-to-end. Nie, chyba że nienawidzisz siebie (lub płacą ci za godzinę).
Pierwszy wysiłek włożyłbym w trzy miejsca, które szybko się zwracają i nie wymagają przepisywania fabryki.
1) Optymalizacja programowania pick-and-place (nudne, opłacalne)
Cel: skrócenie czasu przezbrojenia i zmniejszenie liczby błędów operatora.
Sztuczna inteligencja radzi sobie tutaj dobrze, ponieważ potrafi rekomendować:
- Układ podajników wykorzystujący historyczne sukcesy + odległość podróży
- ryzykowne umiejscowienie (ciasne nachylenie, wysokie elementy, problemy z prześwitem)
- zestawy dysz na rodzinę produktów
Ale musisz też dostarczyć dorosłe części: przepływ pracy zatwierdzania, widok różnic, wycofywanie. Jeśli operatorzy nie mogą zobaczyć, co się zmieniło, nie będą mu ufać. Jeśli nie będą mogli go wycofać, sabotują go (po cichu) za pierwszym razem, gdy ich poparzy.
Trasa przez Wsparcie automatyzacji pod klucz Tak więc zarządzanie jest realne, a nie opcjonalne.
2) Ocena stanu podajników (ponieważ podajniki kłamią)
Problemy z podajnikiem rzadko dają o sobie znać. Pojawiają się jako “jeszcze trochę prób”, “jeszcze kilka spięć”, “dlaczego ta głowica się zatrzymuje”, a potem - bang-downntime.
ML może:
- wczesne wykrywanie dryfu podajnika (rosnąca liczba błędnych pobrań, rosnąca liczba ponownych prób)
- ranking podajników według ryzyka dla następnej kompilacji
- sugerowanie okien serwisowych, które pozwalają uniknąć szczytowych obciążeń
To nie jest efektowne. Jest opłacalne.
3) Dryf umieszczenia + korelacja inspekcji (gdzie zmienia się wydajność)
To jest ten, który sprawia, że menedżerowie pochylają się do przodu, ponieważ zysk to pieniądze.
Ale nie dostaniesz go za darmo. Potrzebny jest łańcuch: Ilość pasty SPI → zachowanie podczas umieszczania → defekty AOI → czas przeróbki → ucieczki.
A czasami puenta jest bolesna: wada “rozmieszczenia” nie jest rozmieszczeniem. Zachowanie zwilżania SAC305, zużycie szablonu, wypaczenie płyty i gradienty termiczne mogą udawać problem z rozmieszczeniem. Jeśli Twój model za każdym razem obwinia montażystę, będziesz “optymalizować”, spowalniając maszynę i pogarszając jakość linii. Zapytaj mnie, skąd to wiem.
Prosty stół, którego można bronić podczas spotkania
| Cel optymalizacji | Wymagane dane | Typowy typ modelu | KPI, które należy obserwować | Wspólny tryb awarii |
|---|---|---|---|---|
| Przydział podajników + układ pasów ruchu | Historia podajnika, błędy wyboru, odległość podróży | ranking + optymalizator heurystyczny | czas konfiguracji, ponawianie wyboru | nieprawidłowe mapowanie części do podajnika |
| Wybór dyszy | ID dyszy, trendy podciśnienia, typy komponentów | klasyfikacja | błędne kopnięcia, uszkodzenie komponentów | ignorowanie zużycia/cykli czyszczenia dysz |
| Kompensacja kompensacji wizji | punkty odniesienia, przesunięcia, stan kamery | regresja | przesunięcie położenia, wady przesunięcia AOI | Dryft czasowy / złe połączenia znaczników czasu |
| Konserwacja predykcyjna | alarmy, prądy, podciśnienie, kody błędów | Wykrywanie anomalii + modele przetrwania | minut nieplanowanego przestoju | “Zdarzenia serwisowe” nie są konsekwentnie rejestrowane |
| Zapobieganie błędom przełączania | różnice programowe, działania operatora | reguły + wykrywanie anomalii | Wydajność pierwszego przejścia po zmianie | brak ludzkiego przepływu pracy / brak możliwości wycofania |
A jeśli chcesz mieć “duży obraz” sygnału, że nie jest to tylko paplanina sprzedawców, spójrz na kierunek finansowania. NIST wydał NOFO na 22 lipca 2024 r. dla nowego instytutu Manufacturing USA skoncentrowanego na sztucznej inteligencji, przewidując do $70 milionów w ciągu pięciu lat. (nist.govTo nie naprawi twoich podajników. Mówi ci, dokąd zmierzają pieniądze instytucjonalne, które uważają, że produkcja sztucznej inteligencji zmierza.
FAQ
Jak wykorzystać sztuczną inteligencję do optymalizacji programowania pick and place?
Wykorzystanie sztucznej inteligencji do optymalizacji programowania pick and place oznacza szkolenie modeli w oparciu o własne dane CAD, BOM, konfigurację podajników, dzienniki wizyjne i ślady czasu cyklu, dzięki czemu oprogramowanie sugeruje przypisania podajników, wybór dysz, ścieżki ruchu i etapy przełączania, które osiągają docelową CPH przy zachowaniu dokładności umieszczania i limitów obsługi komponentów. Zacznij od trybu “tylko zalecane”, wymagaj zatwierdzenia przez inżyniera i rejestruj, czy każda zmiana pomogła, czy zaszkodziła.
Jakich danych potrzebuje model uczenia maszynowego?
Model pick and place oparty na uczeniu maszynowym wymaga zsynchronizowanych w czasie danych linii: współrzędnych umieszczenia, identyfikatorów podajników, identyfikatorów dysz, wyników fiducial, przesunięć wizyjnych, kodów odrzutów, defektów AOI i zdarzeń konserwacyjnych; bez tego powiązania model po prostu uczy się szumu i będzie pewnie zalecał ruchy, które wyglądają na inteligentne i niszczą wydajność. Jeśli nie możesz prześledzić usterek do numeru seryjnego płytki i wersji programu, najpierw to napraw.
Jakie jest najlepsze oprogramowanie AI do wybierania i umieszczania?
“Najlepsze oprogramowanie AI do kompletacji i rozmieszczania” zwykle nie jest pojedynczym produktem; jest to połączenie optymalizatora dostawcy maszyny, warstwy analitycznej, która może łączyć dzienniki SPI/AOI i rozmieszczania, oraz przepływu pracy zarządzania, który zatrzymuje złe rekomendacje, zanim dotrą do linii. Wybierz stos, który pasuje do Twojej dojrzałości w zakresie identyfikowalności, a nie najbardziej fantazyjne demo.
Czy sztuczna inteligencja może zmniejszyć tombstoning i skew?
Sztuczna inteligencja może zmniejszyć liczbę defektów związanych z rozmieszczeniem, takich jak tombstoning, przekrzywienie i niewystarczająca ilość lutowia, tylko wtedy, gdy połączysz zachowanie związane z rozmieszczeniem z jakością druku i sygnałami kontroli, ponieważ wiele błędów związanych z ‘rozmieszczeniem’ zaczyna się od problemów z objętością pasty, dynamiką zwilżania w stopach SAC305 lub wypaczeniem części - a nie ruchem robota XY. Jeśli brakuje danych SPI lub są one zaszumione, wyniki również będą zaszumione.
Jak działa konserwacja zapobiegawcza w inteligentnej maszynie typu pick and place?
Konserwacja predykcyjna maszyn typu pick and place wykorzystuje wzorce czujników i dzienników - dryf poziomu podciśnienia, błędy pobierania dysz, błędne pobrania podajnika, skoki prądu osi, trendy temperaturowe - w celu oszacowania prawdopodobieństwa wystąpienia okna awarii, dzięki czemu serwisujesz maszynę, gdy ryzyko wzrasta, a nie zgodnie z kalendarzem, i unikasz niespodziewanych przestojów podczas szczytowych produkcji. Traktuj to jak ocenę ryzyka, a nie wróżenie z fusów.
Jak uniknąć “czyśćca pilota AI” w montażu SMT?
W przypadku montażu SMT “czyściec pilotażowy AI” ma miejsce, gdy zespoły budują model na czystych danych laboratoryjnych, pomijają nieporządne przypadki brzegowe na hali produkcyjnej i nigdy nie wysyłają ostatniej mili: MLOps, interfejs użytkownika operatora, kontrola zmian i wycofywanie, co oznacza, że system pozostaje pulpitem nawigacyjnym, któremu nikt nie ufa, a wskaźniki KPI dotyczące rozmieszczenia nie zmieniają się. Najpierw dostarczaj poręcze i własność, a następnie modele.
Wnioski
Jeśli chcesz, aby optymalizacja AI pick and place stała się rzeczywistością (a nie slajdem), zacznij od zakresu i dyscypliny danych. Pomożemy Ci zmapować odpowiednie podejście dla Twojego typu linii - prototypowej, mieszanej lub szybkiej - a następnie przekształcić je w operacyjny przepływ pracy, z którego Twój zespół będzie faktycznie korzystał. Zobacz Przypadki klientów z rzeczywistych linii i skontaktować się z nami za pośrednictwem strona kontaktowa kiedy będziesz gotowy, aby porozmawiać o konkretach.
