Üç kişi, iki hesap tablosu ve gece 1“de zihinsel matematik yapan bitkin bir süreç mühendisi olmadan hat hala temel bir izlenebilirlik sorusunu yanıtlayamazken ekiplerin aylarca ”yapay zeka çalışması" yaptığını gördüm. Bu bir tesisat sorunu. Dağınık.
İşte çirkin gerçek: İnsanlığın ilk düşmanı Yapay zeka seçme ve yerleştirme optimizasyonu hesaplama, tedarikçiler veya bütçeler değil, kendi veri modelinizdir, çünkü besleyici kimlikleri kayar, yerleştirme programı sürümlerinin üzerine “sadece bu seferlik” yazılır, AOI kusur kodları farklı vardiyalarda farklı şeyler ifade eder ve verim düşene ve herkes aniden adli muhasebeci olana kadar kimse fark etmez.
Öyleyse neden peşinden koşalım ki?
Çünkü üst taraf gerçek onu çitle çevirdiğinde-Sıkı kapsam, sıkı değişiklik kontrolü ve sıkıcı disiplin. Ve sektörün benimseme rakamları size başka bir şey daha söylüyor: çoğu insan hala kenarda duruyor, bu da kazanımların (ve hataların) hala öğrenilecek kadar ucuz olduğu anlamına geliyor. 2024 yılında Auburn'ün akıllı üretimin benimsenmesi çalışması şöyle diyor 58% katılımcıların sadece “farkındalık” veya “araştırma” düzeyinde olduğunu ve sadece 8% zaten yapay zeka kullandıklarını söyledi. (eng.auburn.edu) Bu abartılı bir istatistik değil. Bu bir besleme arabasını sürebileceğiniz bir boşluk.
Ve eğer koşuyorsanız Anahtar teslim SMT hattı çözümleri, rahatsız edici kısmı zaten biliyorsunuz: hat bir sistemdir, makine değil. Yapay zeka “mounter'ı optimize etmez”. Optimize eder kararlarınız-Bazen içgüdülerinizden daha iyi, bazen de ilk günkü en kötü operatörünüzden daha kötü.
SMT'de “AI seçme ve yerleştirme optimizasyonu” gerçekten ne anlama geliyor?
AI toplama ve yerleştirme optimizasyonu “düşünen bir robot” değildir. CAD/BOM'unuzdan, besleyici kurulumunuzdan, görüş ofsetlerinizden, reddetme günlüklerinizden ve denetim sonuçlarınızdan kalıpları öğrenen ve ardından ölçülebilir sonuçları iyileştiren değişiklikler öneren bir yazılımdır: daha az toplama hatası, daha az yerleştirme ofseti, daha hızlı değişim ve daha az plansız duruş süresi.
Şimdi insanların duymaktan nefret ettiği kısım: eğer katılmak Olaylarınızı doğru bir şekilde (kart serisi, zaman damgası, program sürümü, besleyici şeridi, nozul kimliği) model mutlu bir şekilde saçmalıkları “öğrenecek” ve sonra bunları size düzgün bir yüz ve güzel bir güven puanı ile geri sunacaktır.
Olur böyle şeyler. Sık sık.
Bir mühendis kısayolu - örneğin “acelemiz vardı” diye bir besleyici kimliğini arabalar arasında tekrar kullanmak - haftalarca süren eğitim verilerini zehirleyebilir ve model şikayet etmez; sadece Besleyici-12'nin öğle yemeğinden sonra çalışan her işte mezar taşlarına neden olduğundan garip bir şekilde emin olur.
Makine öğreniminin kuralları yendiği yerler (ve kuralların hala kazandığı yerler)
Ancak... kurallar hala iki yerde kazanıyor ve slayt destenizin ne kadar süslü göründüğü umurumda değil.
Kurallar ne zaman kazanır:
- Uğraştığınız şey sert kısıtlamalar (çarpışma zarfları, nozul açıklığı, bileşen kırılganlığı).
- Uğraştığınız şey fi̇zi̇ksel sinirlar (maksimum hızlanma, kamera görüş alanı, besleyici aralığı, kafa kafaya zamanlama pencereleri).
Makine öğrenimi, sistem dağınık, çok faktörlü ve sürükleyici olduğunda kazanır:
- Besleyici performansı bant durumuna, ekleme kalitesine, neme, operatör kullanımına ve küçük günahlara göre değişir.
- Görüş, lens kiri ve ışık bozulması ile kaymayı dengeler (evet, “iyi” lens... iyi değil).
- “Yerleştirme kusurları”, yukarı akıştaki önemsiz şeylerle (macun hacmi dağılımı, kart eğriliği, termal davranış - elle modellemek istemeyeceğiniz şeyler) ilişkilidir.
Peki aklı başında bir yığın neye benzer? Genelde:
- Sınıflandırma (besleyici/nozul/bileşene göre toplama hatası olasılığını tahmin edin)
- Regresyon (koşullar altında beklenen yerleştirme ofsetini tahmin edin)
- Optimizasyon katmanı (sezgisel yöntemler, MILP, acıdan hoşlanıyorsanız bazen RL)
- Korkuluklar (kurallar + insan onayı + geri alma, her seferinde)
Ve bakın, okyanusu kaynatmaya çalışmayı bırakırsanız hafif makine öğrenimi hala faydalı olabilir. 2024 yılında vizyon güdümlü bir seç ve yerleştir düzeneği üzerine yapılan açık erişimli bir çalışmada 89,9%'ye kadar MobileNet doğruluğu testlerinde nesne tanıma için (diğer hafif modeller daha düşük). (link.springer.com) SMT yerleştirme doğruluğu değil. Farklı bir savaş alanı. Aynı ders: dar hedefler, temiz girdiler, ölçülebilir sonuçlar.
İhtiyacınız olan veriler (ve insanların yakalamayı “unuttuğu” veriler)
Ancak projelerin öldüğü yer de burasıdır. düşünmek sahip olduğunuz veriler Aslında var.
Makine öğreniminin seçilmesini ve işe yaramasını istiyorsanız, zaman senkronize, yönetim kurulu düzeyinde izlenebilirliğe ihtiyacınız vardır:
- Yerleştirme programı sürümü (evet, sürüm)
- Besleyici kimliği + şerit + hatve + parça numarası eşlemesi
- Nozul kimliği, seçim vakum seviyesi, seçim hata kodları
- Fiducial sonuçlar + yerleştirme başına görüş ofsetleri
- Kart seri / panel konumuna bağlı SPI/AOI hata çıkışları
- Bakım etkinlikleri (nozul değişimleri, besleyici servisi, kamera temizliği)
Ve lütfen bana “bakımın başka bir sistemde olduğunu” söylemeyin. İşte tam da bu şekilde hiçbir şey öngörmeyen “öngörücü” bir modele sahip olursunuz. Model sizin kaydetmediğiniz bir şeyi öğrenemez.
NIST'in yapay zeka ile geliştirilmiş izleme konusundaki 2024 çalışması, sessiz kısmı yüksek sesle söylüyor: veri kalitesi ve gerçekçi arıza verileri darboğazdır, bu nedenle gerçek üretim tuhaflıklarıyla (robotlar, konveyörler, denetim kameraları, sensörler ve arıza enjeksiyonu) yüksek doğrulukta akışlar oluşturmak için CROW test yatağını inşa ettiler. (nist.gov)
Eğer bunu gerçekten yapacaksanız süreç kalitesi iş akışı ve senin bakim ve yedek parça plani. Aksi takdirde, bir kez beğenilen ve sonsuza kadar görmezden gelinen bir gösterge panosuna dönüşür.
Önemli olan algoritmalar: yerleştirme, besleyiciler ve değişimler
İlk dolarınızı nereye harcarsınız?
Uçtan uca dev bir modelde değil. Kendinizden nefret etmiyorsanız (ya da saat başına ödeme almıyorsanız) olmaz.
Ben olsam ilk çabayı hızlı geri ödeme yapan ve fabrikanızı yeniden yazmanızı gerektirmeyen üç yere harcardım.
1) Alma ve yerleştirme programlamasını optimize edin (sıkıcı, karlı)
Hedef: değişim süresini ve operatör hatalarını azaltmak.
Yapay zeka burada iyi iş çıkarıyor çünkü tavsiye edebiliyor:
- geçmiş seçim başarısı + seyahat mesafesi kullanılarak besleyici düzenlemesi
- riskli yerleşimler (dar saha, yüksek parçalar, açıklık sorunları)
- ürün ailesi başına nozul setleri
Ancak yetişkinlere yönelik kısımları da göndermelisiniz: onay iş akışı, fark görünümü, geri alma. Operatörler neyin değiştiğini göremezlerse, ona güvenmezler. Geri alamazlarsa, ilk kez başlarını yaktığında (sessizce) sabote edeceklerdir.
Şuradan yönlendirin anahtar tesli̇m otomasyon desteği̇ Yani yönetişim gerçektir, isteğe bağlı değildir.
2) Besleyici sağlık puanlaması (çünkü besleyiciler yalan söyler)
Besleyici sorunları nadiren kendini belli eder. “Biraz daha yeniden deneme”, “birkaç kısa devre daha”, “bu kafa neden duraklıyor” ve ardından patlama zamanı olarak ortaya çıkarlar.
ML yapabilir:
- besleyici sapmasını erken tespit etme (artan yanlış toplama oranı, artan yeniden denemeler)
- bir sonraki yapı için besleyicileri riske göre sıralayın
- yoğun çalışmalardan kaçınan hizmet pencereleri önerin
Göz alıcı değil. Karlı bir iş.
3) Yerleştirme kayması + denetim korelasyonu (verimin hareket ettiği yer)
Bu, yöneticilerin öne eğilmesine neden olan şeydir, çünkü getiri paradır.
Ama bunu bedavaya alamazsınız. Zincire ihtiyacınız var: SPI macun hacmi → yerleştirme davranışı → AOI hataları → yeniden işleme süresi → kaçışlar.
Bazen de işin can alıcı noktası acı vericidir: “yerleştirme” hatası yerleştirme değildir. SAC305 ıslatma davranışı, şablon aşınması, levha eğrilmesi ve termal gradyanlar, bir yerleştirme sorununu taklit edebilir. Modeliniz her seferinde montajcıyı suçlarsa, makineyi yavaşlatarak ve hattı daha kötü hale getirerek “optimize” edersiniz. Nereden bildiğimi sorun.
Bir toplantıda savunabileceğiniz basit bir masa
| Optimizasyon hedefi | Gerekli veriler | Tipik model tipi | İzlenecek KPI | Ortak arıza modu |
|---|---|---|---|---|
| Fider ataması + şerit düzeni | besleyici geçmişi, seçim hataları, seyahat mesafesi | sıralama + sezgisel iyileştirici | kurulum süresi, tekrar denemeleri seç | yanlış parça-besleyici eşlemesi |
| Nozul seçimi | nozul kimliği, vakum eğilimleri, bileşen türleri | sınıflandırma | yanlış seçmeler, bileşen hasarı | nozul aşınmasını/temizlik döngülerini göz ardı etme |
| Vizyon ofset telafisi | referanslar, ofsetler, kamera durumu | regresyon | yerleştirme ofseti, AOI kaydırma kusurları | zaman kayması / kötü zaman damgası birleşimleri |
| Kestirimci bakım | alarmlar, akımlar, vakum, hata kodları | anomali tespiti + hayatta kalma modelleri | planlanmamış kesinti dakikaları | “bakım olayları” sürekli olarak kaydedilmiyor |
| Değişim hatası önleme | program farklılıkları, operatör eylemleri | kurallar + anomali tespiti | değişimden sonra ilk geçiş verimi | insan iş akışı yok / geri alma yok |
Bunun sadece satıcı gevezeliği olmadığına dair bir “büyük resim” sinyali istiyorsanız, finansman yönüne bakın. NIST bir NOFO yayınladı 22 Temmuz 2024 Yapay zeka odaklı yeni bir Manufacturing USA enstitüsü için Beş yıl içinde $70 milyona kadar. (nist.gov) Bu, besleyicilerinizi düzeltmez. Kurumsal paranın yapay zeka üretiminin nereye gittiğini düşündüğünü size söyler.
SSS
Alma ve yerleştirme programlamasını optimize etmek için yapay zekayı nasıl kullanıyorsunuz?
Alma ve yerleştirme programlamasını optimize etmek için yapay zekayı kullanmak, modelleri kendi CAD, BOM, besleyici kurulumu, görüntü kayıtları ve döngü süresi izleri üzerinde eğitmek anlamına gelir, böylece yazılım, yerleştirme doğruluğu ve bileşen işleme sınırları içinde kalırken hedef CPH'ye ulaşan besleyici atamaları, nozül seçimleri, hareket yolları ve değiştirme adımları önerir. “Yalnızca tavsiye” moduyla başlayın, mühendis onayı isteyin ve her değişikliğin işe yarayıp yaramadığını kaydedin.
Bir makine öğrenimi seçme ve yerleştirme modeli hangi verilere ihtiyaç duyar?
Makine öğrenimli bir alma ve yerleştirme modeli, zaman senkronize hat verilerine ihtiyaç duyar: yerleştirme koordinatları, besleyici kimlikleri, nozul kimlikleri, referans sonuçları, görüş ofsetleri, reddetme kodları, AOI hataları ve bakım olayları; bu bağlantı olmadan, model sadece gürültüyü öğrenir ve akıllı görünen ve veriminizi düşüren hareketleri güvenle önerir. Hataları bir kart serisine ve program sürümüne kadar izleyemiyorsanız, önce bunu düzeltin.
Seçme ve yerleştirme için en iyi yapay zeka yazılımı hangisidir?
“Alma ve yerleştirme için en iyi yapay zeka yazılımı” genellikle tek bir ürün değildir; makine tedarikçinizin optimize edicisinin, SPI/AOI ve yerleştirme günlüklerini birleştirebilen bir analiz katmanının ve kötü önerileri hatta ulaşmadan önce durduran bir yönetişim iş akışının birleşimidir. En süslü demoyu değil, izlenebilirlik olgunluğunuza uyan yığını seçin.
Yapay zeka mezar taşlarını ve çarpıklığı azaltabilir mi?
Yapay zeka, tombstoneing, skew ve yetersiz lehim gibi yerleştirme hatalarını ancak yerleştirme davranışını yukarı akış baskı kalitesi ve aşağı akış denetim sinyallerine bağladığınızda azaltabilir, çünkü birçok ‘yerleştirme’ hatası, robotun XY hareketi değil, macun hacmi sorunları, SAC305 alaşımlarında ıslatma dinamikleri veya parça eğriliği olarak başlar. SPI verileriniz eksik veya gürültülüyse, sonuçlarınız da gürültülü olacaktır.
Akıllı bir alma ve yerleştirme makinesinde kestirimci bakım nasıl çalışır?
Alma ve yerleştirme makineleri için kestirimci bakım, bir arıza penceresinin olasılığını tahmin etmek için sensör ve günlük modellerini (vakum seviyesi kayması, nozul alma hataları, besleyici yanlış seçimleri, eksen akımı artışları, sıcaklık eğilimleri) kullanır, böylece makineye takvim yerine risk arttığında bakım yaparsınız ve en yoğun üretimler sırasında sürpriz duruşlardan kaçınırsınız. Bunu falcılık gibi değil, risk puanlaması gibi ele alın.
SMT montajında “AI pilot arafından” nasıl kaçınırsınız?
SMT montajında, ekipler temiz laboratuvar verileri üzerine bir model oluşturduklarında, dağınık atölye kenar durumlarını atladıklarında ve son mili asla göndermediklerinde “AI pilot arafı” meydana gelir: MLOps, operatör kullanıcı arayüzü, değişiklik kontrolü ve geri alma, sistemin kimsenin güvenmediği bir gösterge tablosu olarak kalması ve yerleştirme KPI'larınızın hareket etmemesi anlamına gelir. Önce korkulukları ve sahipliği gönderin, sonra modelleri gönderin.
Sonuç
Yapay zeka seçim ve yerleştirme optimizasyonunu gerçek (bir slayt değil) hale getirmeye çalışıyorsanız, kapsam ve veri disiplini ile başlayın. Hat türünüz (prototip, karma veya yüksek hızlı) için doğru yaklaşımı belirlemenize ve ardından bunu ekibinizin gerçekten kullanacağı operasyonel bir iş akışına dönüştürmenize yardımcı olabiliriz. Bkz. gerçek hatlardan müşteri vakaları ve bizim aracılığımızla ulaşın iletişim sayfası Ayrıntıları konuşmaya hazır olduğunuzda.
