Já vi equipas passarem meses a “fazer IA” enquanto a linha de produção ainda não consegue responder a uma questão básica de rastreabilidade sem três pessoas, duas folhas de cálculo e um engenheiro de processos exausto a fazer contas mentais à uma da manhã. É um problema de canalização. É uma confusão.
Eis a dura verdade: o primeiro inimigo de Otimização da escolha e colocação por IA não é a computação, nem os fornecedores, nem os orçamentos - é o seu próprio modelo de dados, porque as IDs dos alimentadores andam à deriva, as versões do programa de colocação são substituídas “só desta vez”, os códigos de defeito AOI significam coisas diferentes em turnos diferentes e ninguém se apercebe até o rendimento cair e todos se tornarem subitamente contabilistas forenses.
Então, porquê persegui-lo?
Porque o lado positivo é real quando o cercar- âmbito apertado, controlo rigoroso das alterações e disciplina aborrecida. E os números de adoção da indústria dizem-nos outra coisa: a maioria das pessoas ainda está à margem, o que significa que as vitórias (e os erros) ainda são suficientemente baratos para se aprender com eles. Em 2024, o estudo da Auburn sobre a adoção do fabrico inteligente dizia 58% dos inquiridos estavam apenas “conscientes” ou “a investigar”, e apenas 8% disseram que já estavam a utilizar a IA. (pt.auburn.edu) Isso não é uma estatística de propaganda. É uma lacuna pela qual se pode passar com um carrinho de alimentação.
E se estiver a correr soluções de linha SMT chave na mão, Se não for o caso, já sabe a parte incómoda: a linha é um sistema, não uma máquina. A IA não “optimiza o montador”. Ela optimiza as suas decisões-Por vezes melhor do que o seu instinto, por vezes pior do que o seu pior operador no primeiro dia.
O que significa realmente “otimização de escolha e colocação por IA” em SMT
A otimização de recolha e colocação com IA não é “um robô que pensa”. É um software que aprende padrões a partir do seu CAD/BOM, configuração do alimentador, desvios de visão, registos de rejeição e resultados de inspeção e, em seguida, recomenda alterações que melhoram os resultados mensuráveis: menos erros de recolha, menos desvios de colocação, mudanças mais rápidas e menos tempo de inatividade não planeado.
Agora, a parte que as pessoas detestam ouvir: se não consegue juntar-se os seus eventos corretamente - série da placa, carimbo de data/hora, versão do programa, pista do alimentador, identificação do bico - o modelo “aprenderá” alegremente um disparate e depois devolver-lho-á com uma cara séria e uma pontuação de confiança bonita.
Isso acontece. Muitas vezes.
Um atalho de engenharia - como reutilizar um ID de alimentador em todos os carrinhos porque “estávamos com pressa” - pode envenenar semanas de dados de treino, e o modelo não se queixa; apenas fica estranhamente certo de que o Alimentador-12 causa pedras tumulares em todos os trabalhos que são executados depois do almoço.
Onde a aprendizagem automática supera as regras (e onde as regras ainda vencem)
No entanto... as regras continuam a ganhar em dois sítios, e não me interessa o quão elegante é a sua apresentação de diapositivos.
As regras ganham quando:
- Está a lidar com restrições rígidas (envelopes de colisão, folga do bocal, fragilidade do componente).
- Está a lidar com limites físicos (aceleração máxima, campo de visão da câmara, inclinação do alimentador, janelas de cronometragem frente a frente).
A aprendizagem automática ganha quando o sistema é confuso, multifatorial e instável:
- O desempenho do alimentador varia de acordo com o estado da fita, a qualidade da emenda, a humidade, o manuseamento pelo operador e os pequenos pecados que ninguém regista.
- A visão desvia-se com a sujidade da lente e a degradação da iluminação (sim, a lente “está bem”... não está bem).
- “Os ”defeitos de colocação" estão correlacionados com a distribuição do volume de pasta a montante, a deformação da placa, o comportamento térmico - coisas que não se quer modelar à mão.
Então, como é que é uma pilha sã? Normalmente:
- Classificação (prever a probabilidade de falha do pick por alimentador/bico/componente)
- Regressão (prever o desvio de colocação previsto nas condições)
- Camada de otimização (heurística, MILP, por vezes RL se gostar de dor)
- Guarda-corpos (regras + aprovação humana + reversão, sempre)
E olha, o ML leve ainda pode ser útil se parares de tentar ferver o oceano. Um estudo de acesso livre de 2024 sobre uma configuração de recolha e colocação orientada por visão relatou Precisão da MobileNet até 89,9% para o reconhecimento de objectos nos seus testes (com outros modelos leves inferiores). (link.springer.com) Não é a precisão da colocação SMT. Campo de batalha diferente. A mesma lição: alvos estreitos, entradas limpas, resultados mensuráveis.
Dados de que necessita (e os que as pessoas se “esquecem” de recolher)
No entanto, é aqui que os projectos morrem: os dados que pensar que tem não são os dados que de facto ter.
Se quiser que a aprendizagem automática escolha o local para trabalhar, precisa de uma rastreabilidade sincronizada e a nível da direção:
- Versão do programa de colocação (sim, a versão)
- Mapeamento do ID do alimentador + pista + passo + número de peça
- ID do bico, nível de vácuo do pick, códigos de erro do pick
- Resultados fiduciais + desvios de visão por colocação
- Saídas de defeito SPI/AOI ligadas à série da placa / posição do painel
- Eventos de manutenção (mudanças de bicos, manutenção do alimentador, limpeza da câmara)
E, por favor, não me diga que “a manutenção está noutro sistema”. É exatamente assim que se acaba com um modelo “preditivo” que não prevê nada. O modelo não pode aprender o que não foi registado.
O trabalho de 2024 do NIST sobre monitorização melhorada por IA diz a parte mais silenciosa em voz alta: a qualidade dos dados e os dados de falhas realistas são o estrangulamento, razão pela qual construíram o banco de ensaio CROW para gerar fluxos de alta fidelidade com as esquisitices reais do fabrico - robôs, transportadores, câmaras de inspeção, sensores e injeção de falhas. (nist.gov)
Se está a construir isto a sério, estacione-o debaixo do seu processo qualidade fluxo de trabalho e o seu plano de manutenção e peças sobressalentes. Caso contrário, transforma-se num painel de instrumentos que é admirado uma vez e ignorado para sempre.
Os algoritmos que interessam: colocação, alimentadores e mudanças
Então, onde é que se gasta o primeiro dólar?
Não num modelo gigante de ponta a ponta. A não ser que se odeie a si próprio (ou que esteja a ser pago à hora).
Eu colocaria o primeiro esforço em três sítios que dão retorno rápido e não exigem que reescreva a sua fábrica.
1) Otimizar a programação pick-and-place (aborrecido, rentável)
Objetivo: reduzir o tempo de mudança e os erros do operador.
A IA sai-se bem aqui porque pode recomendar:
- arranjo do alimentador utilizando o sucesso histórico da recolha + distância de viagem
- colocações de risco (inclinação apertada, peças altas, problemas de espaço)
- conjuntos de bicos por família de produtos
Mas também é preciso enviar as partes mais avançadas: fluxo de trabalho de aprovação, visualização de diferenças, reversão. Se os operadores não puderem ver o que mudou, não vão confiar. Se não puderem revertê-lo, sabotá-lo-ão (silenciosamente) da primeira vez que os queimar.
Encaminhar através de apoio à automatização chave na mão a governação é real e não opcional.
2) Pontuação da saúde dos comedouros (porque os comedouros mentem)
Os problemas do alimentador raramente se anunciam. Aparecem como “um pouco mais de tentativas”, “mais algumas curtas”, “porque é que esta cabeça está a fazer uma pausa”, e depois-bang-downtime.
O ML pode:
- detetar precocemente o desvio do alimentador (aumento da taxa de seleção incorrecta, aumento das tentativas)
- classificar os alimentadores por risco para a próxima construção
- sugerir janelas de serviço que evitem picos de atividade
Não é glamoroso. É lucrativo.
3) Desvio de colocação + correlação de inspeção (onde o rendimento se move)
É esta que faz com que os gestores se inclinem para a frente, porque rendimento é dinheiro.
Mas não o obtém de graça. É necessária a cadeia: Volume de pasta SPI → comportamento de colocação → defeitos AOI → tempo de retrabalho → fugas.
E, por vezes, a conclusão é dolorosa: o defeito de “colocação” não é colocação. O comportamento de humedecimento SAC305, o desgaste do estêncil, a deformação da placa e os gradientes térmicos podem simular um problema de colocação. Se o seu modelo culpar sempre a máquina de montagem, vai “otimizar” tornando a máquina mais lenta e a linha pior. Pergunte-me como é que eu sei.
Uma mesa simples que pode defender numa reunião
| Objetivo de otimização | Dados necessários | Tipo de modelo típico | KPI a observar | Modo de falha comum |
|---|---|---|---|---|
| Atribuição de alimentadores + disposição das faixas | histórico de alimentação, erros de recolha, distância de deslocação | classificação + optimizador heurístico | tempo de configuração, tentativas de seleção | mapeamento errado de peça para alimentador |
| Seleção do bocal | ID do bocal, tendências de vácuo, tipos de componentes | classificação | picadas erradas, danos nos componentes | ignorar os ciclos de desgaste/limpeza dos bicos |
| Compensação da visão | fiduciais, desvios, estado da câmara | regressão | desvio de colocação, defeitos de deslocação AOI | desvio de tempo / junções de carimbos de data/hora incorrectos |
| Manutenção preventiva | alarmes, correntes, vácuo, códigos de erro | deteção de anomalias + modelos de sobrevivência | minutos de inatividade não planeada | “eventos de manutenção” não registados de forma consistente |
| Prevenção de erros de comutação | diferenças de programas, acções de operadores | regras + deteção de anomalias | rendimento na primeira passagem após a mudança | sem fluxo de trabalho humano / sem reversão |
E se quisermos um sinal “geral” de que não se trata apenas de conversa de vendedor, vejamos a direção do financiamento. O NIST emitiu uma NOFO sobre 22 de julho de 2024 para um novo instituto Manufacturing USA centrado na IA, antecipando até $70 milhões em cinco anos. (nist.gov) Isso não resolve o problema dos alimentadores. Mas diz-nos para onde o dinheiro institucional pensa que se dirige a IA industrial.
FAQ
Como é que utiliza a IA para otimizar a programação de recolha e colocação?
Utilizar a IA para otimizar a programação de recolha e colocação significa treinar modelos no seu próprio CAD, BOM, configuração do alimentador, registos de visão e traços de tempo de ciclo para que o software sugira atribuições de alimentador, escolhas de bicos, percursos de movimento e passos de mudança que atinjam o CPH alvo, mantendo-se dentro da precisão de colocação e dos limites de manuseamento de componentes. Comece com o modo “apenas recomendação”, exija a aprovação do engenheiro e registe se cada alteração ajudou ou prejudicou.
De que dados necessita um modelo de seleção e colocação de aprendizagem automática?
Um modelo de recolha e colocação com aprendizagem automática necessita de dados de linha sincronizados com o tempo: coordenadas de colocação, IDs de alimentador, IDs de bocal, resultados fiduciais, desvios de visão, códigos de rejeição, defeitos AOI e eventos de manutenção; sem essa ligação, o modelo apenas aprende o ruído e recomendará com confiança movimentos que parecem inteligentes e que quebram o seu rendimento. Se não for possível rastrear os defeitos até à série da placa e à versão do programa, corrija isso primeiro.
Qual é o melhor software de IA para recolha e colocação?
O “melhor software de IA para pick and place” normalmente não é um único produto; é a combinação do optimizador do seu fornecedor de máquinas, uma camada analítica que pode juntar SPI/AOI e registos de colocação, e um fluxo de trabalho de governação que impede más recomendações antes de chegarem à linha. Escolha a pilha que corresponde à sua maturidade de rastreabilidade, não a demonstração mais sofisticada.
Pode a IA reduzir o tombstoning e o skew?
A IA pode reduzir os defeitos de colocação, como tombstoning, skew e solda insuficiente, apenas quando liga o comportamento de colocação à qualidade de impressão a montante e aos sinais de inspeção a jusante, porque muitas falhas de ‘colocação’ começam por ser problemas de volume de pasta, dinâmica de humedecimento em ligas SAC305 ou empenamento de peças - e não o movimento XY do robô. Se os seus dados SPI estiverem em falta ou forem ruidosos, os seus resultados também serão ruidosos.
Como é que a manutenção preditiva funciona numa máquina inteligente de recolha e colocação?
A manutenção preditiva para máquinas de recolha e colocação utiliza padrões de sensores e registos - desvio do nível de vácuo, erros de recolha de bicos, erros de alimentação, picos de corrente no eixo, tendências de temperatura - para estimar a probabilidade de uma janela de falha, de modo a que a manutenção da máquina seja efectuada quando o risco aumenta e não de acordo com um calendário e a evitar paragens inesperadas durante os picos de construção. Trate-o como uma pontuação de risco, não como uma adivinhação.
Como é que se evita o “purgatório do piloto de IA” na montagem SMT?
Na montagem de SMT, o “purgatório do piloto de IA” acontece quando as equipas constroem um modelo com base em dados de laboratório limpos, ignoram os casos extremos confusos do chão de fábrica e nunca enviam a última milha: MLOps, interface do operador, controlo de alterações e reversão, o que significa que o sistema continua a ser um painel em que ninguém confia e os seus KPIs de colocação não se movem. Envie primeiro os guardrails e a propriedade, depois envie os modelos.
Conclusão
Se está a tentar tornar a otimização da seleção e colocação de IA real (e não um slide), comece com o âmbito e a disciplina de dados. Podemos ajudá-lo a mapear a abordagem certa para o seu tipo de linha - protótipo, misto ou de alta velocidade - e, em seguida, agrupá-la num fluxo de trabalho operacional que a sua equipa irá realmente utilizar. Veja casos de clientes de linhas reais e contacte-nos através do nosso página de contacto quando estiveres pronto para falar de pormenores.
