Tôi đã chứng kiến các đội ngũ dành hàng tháng trời “làm AI” trong khi dây chuyền sản xuất vẫn không thể trả lời một câu hỏi cơ bản về truy xuất nguồn gốc mà không cần đến ba người, hai bảng tính và một kỹ sư quy trình kiệt sức phải tính toán bằng đầu óc vào lúc 1 giờ sáng. Đó không phải là vấn đề mô hình. Đó là vấn đề cơ sở hạ tầng. Nó lộn xộn.
Đây là sự thật phũ phàng: kẻ thù đầu tiên của Tối ưu hóa hệ thống chọn và đặt bằng trí tuệ nhân tạo (AI) Không phải là vấn đề về tính toán, nhà cung cấp hay ngân sách—mà là mô hình dữ liệu của chính bạn, vì các ID nguồn cấp dữ liệu thay đổi, các phiên bản chương trình đặt hàng bị ghi đè “chỉ lần này thôi”, mã lỗi AOI có ý nghĩa khác nhau trên các ca làm việc khác nhau, và không ai nhận ra cho đến khi tỷ lệ sản phẩm đạt yêu cầu giảm sút và mọi người bỗng nhiên trở thành chuyên gia kiểm toán pháp y.
Vậy tại sao lại phải đuổi theo nó chứ?
Bởi vì tiềm năng tăng trưởng là có thật. Khi bạn rào lại nó—phạm vi hẹp, kiểm soát thay đổi nghiêm ngặt và kỷ luật nhàm chán. Và các con số về việc áp dụng công nghệ trong ngành cho thấy điều khác: phần lớn mọi người vẫn đứng ngoài lề, điều đó có nghĩa là những thành công (và sai lầm) vẫn đủ rẻ để học hỏi. Năm 2024, nghiên cứu về việc áp dụng sản xuất thông minh của Auburn cho biết 58% Có một số người tham gia khảo sát chỉ ở giai đoạn “nhận thức” hoặc “nghiên cứu”, và chỉ 8% Họ cho biết họ đã đang sử dụng trí tuệ nhân tạo. (eng.auburn.eduĐó không phải là một con số thống kê được thổi phồng. Đó là một khoảng cách đủ rộng để bạn có thể lái một xe đẩy qua.
Và nếu bạn đang chạy Giải pháp dây chuyền sản xuất SMT trọn gói, Bạn đã biết phần khó chịu: đường dây là một hệ thống, không phải một máy móc. Trí tuệ nhân tạo (AI) không “tối ưu hóa máy lắp ráp”. Nó tối ưu hóa Quyết định của bạn—đôi khi tốt hơn直觉，有时却比你最差的操作员在第一天表现还差。.
“Tối ưu hóa đặt và lấy linh kiện bằng trí tuệ nhân tạo” thực sự có nghĩa là gì trong SMT?
Tối ưu hóa quy trình chọn và đặt bằng trí tuệ nhân tạo (AI) không phải là “một robot có khả năng suy nghĩ”. Đó là phần mềm học các mẫu từ dữ liệu CAD/BOM, cài đặt bộ cấp liệu, độ lệch của hệ thống quan sát, nhật ký từ chối và kết quả kiểm tra, sau đó đề xuất các thay đổi để cải thiện các kết quả đo lường được: ít lỗi chọn hơn, ít độ lệch đặt hơn, thời gian chuyển đổi nhanh hơn và ít thời gian ngừng hoạt động không mong muốn hơn.
Bây giờ là phần mà mọi người không muốn nghe: nếu bạn không thể... tham gia Nếu bạn nhập các thông tin sự kiện không chính xác—số seri bo mạch, dấu thời gian, phiên bản chương trình, làn cấp liệu, ID vòi phun—mô hình sẽ vui vẻ “học” những thông tin vô nghĩa và sau đó trả lại cho bạn với một khuôn mặt thản nhiên cùng một điểm tin cậy khá cao.
Điều đó xảy ra. Thường xuyên.
Một lối tắt của kỹ sư — như việc tái sử dụng ID nguồn cấp dữ liệu (feeder ID) giữa các xe đẩy (carts) vì “chúng tôi đang gấp rút” — có thể làm hỏng dữ liệu đào tạo trong nhiều tuần, và mô hình sẽ không phàn nàn; nó chỉ đơn giản là trở nên kỳ lạ và chắc chắn rằng Feeder-12 gây ra các "tombstones" trên mọi công việc chạy sau bữa trưa.
Nơi trí tuệ nhân tạo vượt trội so với quy tắc (và nơi quy tắc vẫn chiếm ưu thế)
Tuy nhiên… quy tắc vẫn chiếm ưu thế ở hai nơi, và tôi không quan tâm đến việc bản trình chiếu của bạn trông hoa mỹ đến mức nào.
Quy tắc thắng khi:
- Bạn đang đối phó với Yêu cầu bắt buộc (vùng va chạm, khoảng cách vòi phun, độ bền của thành phần).
- Bạn đang đối phó với giới hạn vật lý (tốc độ tối đa, góc nhìn của camera, khoảng cách giữa các bộ cấp liệu, khoảng thời gian đồng bộ giữa các đầu).
Học máy phát huy hiệu quả khi hệ thống phức tạp, đa yếu tố và thay đổi liên tục:
- Hiệu suất của bộ cấp liệu phụ thuộc vào tình trạng băng, chất lượng mối nối, độ ẩm, cách xử lý của người vận hành và những sai sót nhỏ mà không ai ghi chép lại.
- Hệ thống Vision bù đắp cho sự lệch lạc do bụi bẩn trên ống kính và sự suy giảm ánh sáng (đúng vậy, ống kính “nó ổn”... nhưng thực ra không ổn).
- “Lỗi vị trí” có liên quan đến các yếu tố ở giai đoạn trước—phân bố thể tích keo, độ cong của bảng mạch, hành vi nhiệt—những yếu tố mà bạn không muốn mô phỏng thủ công.
Vậy một cấu trúc xếp chồng hợp lý trông như thế nào? Thông thường:
- Phân loại (Dự đoán khả năng thất bại của quá trình chọn lựa theo bộ cấp liệu/vòi phun/bộ phận)
- Hồi quy (Dự đoán độ lệch vị trí dự kiến trong các điều kiện)
- Lớp tối ưu hóa (phương pháp heuristic, MILP, đôi khi RL nếu bạn thích thử thách)
- Hàng rào bảo vệ (Quy tắc + Xác nhận của con người + Khôi phục, mỗi lần)
Và hãy xem, mô hình học máy nhẹ (lightweight ML) vẫn có thể hữu ích nếu bạn ngừng cố gắng làm mọi thứ một lúc. Một nghiên cứu mở truy cập năm 2024 về hệ thống chọn và đặt dựa trên thị giác đã báo cáo. Độ chính xác của MobileNet lên đến 89,91% trên TP3T cho việc nhận dạng đối tượng trong các bài kiểm tra của họ (với các mô hình nhẹ hơn có hiệu suất thấp hơn). (link.springer.comKhông phải độ chính xác của việc đặt linh kiện SMT. Môi trường tác chiến khác nhau. Bài học tương tự: mục tiêu hẹp, dữ liệu đầu vào sạch, kết quả có thể đo lường được.
Dữ liệu bạn cần (và những thông tin mà mọi người thường “quên” thu thập)
Tuy nhiên, đây chính là nơi các dự án thất bại: dữ liệu mà bạn suy nghĩ Dữ liệu mà bạn có không phải là dữ liệu mà bạn thực ra có.
Nếu bạn muốn hệ thống học máy (machine learning) cho quy trình chọn và đặt (pick and place) hoạt động hiệu quả, bạn cần có khả năng theo dõi đồng bộ theo thời gian và theo từng bo mạch (board-level traceability) trên các thành phần sau:
- Phiên bản chương trình thực tập (đúng vậy, phiên bản)
- Mã định danh bộ cấp liệu + làn + khoảng cách + bản đồ số hiệu linh kiện
- Số hiệu vòi phun, chọn mức chân không, chọn mã lỗi
- Kết quả tham chiếu + độ lệch thị giác cho mỗi vị trí
- Kết quả kiểm tra lỗi SPI/AOI được liên kết với số seri bo mạch / vị trí bảng mạch
- Các sự kiện bảo trì (thay vòi phun, bảo dưỡng bộ cấp liệu, vệ sinh camera)
Và xin đừng nói với tôi rằng “việc bảo trì nằm trong hệ thống khác”. Đó chính xác là cách bạn kết thúc với một mô hình “dự đoán” không dự đoán được gì. Mô hình không thể học được những gì bạn không ghi lại.
Công trình nghiên cứu của NIST về giám sát được tăng cường bằng trí tuệ nhân tạo (AI) năm 2024 đã chỉ ra một vấn đề quan trọng: chất lượng dữ liệu và dữ liệu lỗi thực tế là điểm nghẽn chính. Đó là lý do tại sao họ đã xây dựng nền tảng thử nghiệm CROW để tạo ra các luồng dữ liệu có độ chính xác cao với các tình huống bất thường trong sản xuất thực tế - bao gồm robot, băng chuyền, camera kiểm tra, cảm biến và tiêm lỗi.nist.gov)
Nếu bạn đang thực sự xây dựng điều này, hãy để nó dưới xe của bạn. Quy trình chất lượng công việc và của bạn Kế hoạch bảo trì và dự phòng. Nếu không, nó sẽ trở thành một bảng điều khiển chỉ được khen ngợi một lần và sau đó bị bỏ quên mãi mãi.
Các thuật toán quan trọng: vị trí, bộ cấp liệu và quá trình chuyển đổi
Vậy—bạn sẽ chi tiêu đồng tiền đầu tiên của mình ở đâu?
Không phải trên một mô hình end-to-end khổng lồ. Trừ khi bạn tự ghét bản thân (hoặc bạn được trả theo giờ).
Tôi sẽ tập trung nỗ lực ban đầu vào ba lĩnh vực mang lại lợi nhuận nhanh chóng và không yêu cầu bạn phải thay đổi quy trình sản xuất hiện tại.
1) Tối ưu hóa lập trình đặt và lấy (nhàm chán, có lợi nhuận)
Mục tiêu: Giảm thời gian chuyển đổi và sai sót của người vận hành.
Trí tuệ nhân tạo (AI) hoạt động hiệu quả ở đây vì nó có thể đề xuất:
- Cấu hình bộ cấp liệu sử dụng tỷ lệ thành công của các lần chọn trước đó + khoảng cách di chuyển
- Vị trí lắp đặt có rủi ro (khoảng cách hẹp, bộ phận cao, vấn đề về khoảng cách an toàn)
- Bộ vòi phun cho từng dòng sản phẩm
Nhưng bạn cũng phải cung cấp các tính năng nâng cao: quy trình phê duyệt, xem sự khác biệt, và khả năng hoàn tác. Nếu người vận hành không thể thấy những thay đổi đã được thực hiện, họ sẽ không tin tưởng vào nó. Nếu họ không thể hoàn tác, họ sẽ phá hoại nó (một cách âm thầm) lần đầu tiên nó gây ra vấn đề cho họ.
Hướng dẫn qua Hỗ trợ tự động hóa trọn gói Vì vậy, quản trị là điều thực sự cần thiết, không phải là tùy chọn.
2) Đánh giá sức khỏe của các thiết bị cấp liệu (vì các thiết bị cấp liệu có thể không chính xác)
Vấn đề về bộ cấp liệu hiếm khi báo trước. Chúng xuất hiện dưới dạng “thử lại thêm một chút”, “một vài lần ngắn hơn”, “tại sao đầu này lại dừng lại”, và rồi—bùm—thời gian ngừng hoạt động.
ML có thể:
- Phát hiện sớm sự chệch hướng của bộ nạp (tỷ lệ chọn sai tăng, số lần thử lại tăng)
- Xếp hạng các trình cấp dữ liệu theo mức độ rủi ro cho bản dựng tiếp theo
- Đề xuất khung giờ dịch vụ tránh giờ cao điểm.
Nó không hề lộng lẫy. Nó mang lại lợi nhuận.
3) Sự dịch chuyển vị trí + tương quan kiểm tra (nơi sản lượng di chuyển)
Đây chính là điều khiến các nhà quản lý phải chú ý, vì lợi nhuận chính là tiền.
Nhưng bạn không thể có được điều đó miễn phí. Bạn cần chuỗi quy trình: Lượng keo SPI → Hành vi đặt linh kiện → Lỗi AOI → Thời gian sửa chữa → Sản phẩm thoát khỏi quy trình.
Và đôi khi kết luận lại đau lòng: lỗi “đặt linh kiện” không phải do việc đặt linh kiện. Hành vi thấm ướt của SAC305, mài mòn khuôn in, cong vênh bảng mạch và gradient nhiệt đều có thể gây ra hiện tượng giống như lỗi đặt linh kiện. Nếu mô hình của bạn luôn đổ lỗi cho máy đặt linh kiện, bạn sẽ “tối ưu hóa” bằng cách làm chậm máy và làm hỏng dây chuyền sản xuất. Hãy hỏi tôi làm sao tôi biết.
Một bảng đơn giản mà bạn có thể trình bày trong cuộc họp.
| Mục tiêu tối ưu hóa | Dữ liệu cần thiết | Loại mô hình điển hình | Chỉ số KPI cần theo dõi | Chế độ hỏng hóc phổ biến |
|---|---|---|---|---|
| Phân công máy cấp liệu + bố trí làn đường | Lịch sử cấp liệu, lỗi chọn, khoảng cách di chuyển | Xếp hạng + Bộ tối ưu hóa heuristic | Thời gian thiết lập, số lần thử lại | Sự ánh xạ sai giữa bộ phận và bộ cấp liệu |
| Lựa chọn vòi phun | Đường kính vòi phun, xu hướng chân không, loại thành phần | phân loại | Lựa chọn sai, hư hỏng linh kiện | Bỏ qua sự mài mòn của vòi phun/chu kỳ làm sạch |
| Bù trừ lệch tâm | Điểm tham chiếu, độ lệch, trạng thái camera | hồi quy | Độ lệch vị trí, Lỗi dịch chuyển AOI | Sự chênh lệch thời gian / Kết hợp thời gian không chính xác |
| Bảo trì dự đoán | Cảnh báo, dòng điện, chân không, mã lỗi | Phát hiện bất thường + mô hình dự đoán tuổi thọ | Thời gian ngừng hoạt động không mong muốn (phút) | “Các sự kiện bảo trì” không được ghi lại một cách nhất quán. |
| Phòng ngừa lỗi chuyển đổi | So sánh chương trình, hành động của người vận hành | Quy tắc + Phát hiện bất thường | Hiệu suất sản xuất lần đầu sau khi chuyển đổi | Không có quy trình làm việc của con người / Không có khả năng hoàn tác |
Và nếu bạn muốn một tín hiệu tổng quan cho thấy đây không chỉ là những lời quảng cáo của nhà cung cấp, hãy xem hướng đầu tư. NIST đã ban hành một NOFO về Ngày 22 tháng 7 năm 2024 cho một viện sản xuất tập trung vào trí tuệ nhân tạo (AI) mới của Hoa Kỳ, dự kiến Lên đến $70 triệu trong vòng năm năm.. (nist.govĐiều đó không giải quyết được vấn đề của bạn. Tuy nhiên, nó cho bạn biết nơi mà các nhà đầu tư tổ chức cho rằng trí tuệ nhân tạo (AI) trong lĩnh vực sản xuất đang hướng tới.
Câu hỏi thường gặp
Làm thế nào để sử dụng trí tuệ nhân tạo (AI) để tối ưu hóa lập trình chọn và đặt?
Sử dụng trí tuệ nhân tạo (AI) để tối ưu hóa lập trình đặt và lấy linh kiện có nghĩa là đào tạo các mô hình trên dữ liệu CAD, danh sách vật liệu (BOM), cài đặt bộ cấp liệu, nhật ký hình ảnh và dữ liệu theo dõi thời gian chu kỳ của bạn. Nhờ đó, phần mềm sẽ đề xuất các gán bộ cấp liệu, vị trí lấy linh kiện bằng vòi phun, đường dẫn chuyển động và các bước chuyển đổi sao cho đạt được mục tiêu CPH (số lượng linh kiện đặt được mỗi giờ) đồng thời vẫn nằm trong giới hạn độ chính xác đặt linh kiện và khả năng xử lý linh kiện. Bắt đầu với chế độ “chỉ đề xuất”, yêu cầu sự phê duyệt của kỹ sư và ghi lại liệu mỗi thay đổi có giúp cải thiện hay làm giảm hiệu suất.
Mô hình học máy chọn và đặt cần những dữ liệu gì?
Mô hình học máy cho quy trình đặt linh kiện cần dữ liệu dòng đồng bộ theo thời gian: tọa độ đặt linh kiện, ID bộ cấp liệu, ID vòi phun, kết quả tham chiếu, độ lệch hình ảnh, mã từ chối, lỗi AOI và sự kiện bảo trì; nếu không có sự liên kết này, mô hình chỉ học được tiếng ồn và sẽ tự tin đề xuất các thao tác trông có vẻ thông minh nhưng sẽ làm giảm năng suất của bạn. Nếu bạn không thể truy vết lỗi đến số seri bo mạch và phiên bản chương trình, hãy khắc phục vấn đề đó trước tiên.
Phần mềm AI nào là tốt nhất cho ứng dụng pick and place?
Phần mềm AI tốt nhất cho quy trình “pick and place” thường không phải là một sản phẩm duy nhất; đó là sự kết hợp giữa công cụ tối ưu hóa của nhà cung cấp máy móc, một lớp phân tích có thể kết hợp dữ liệu SPI/AOI và nhật ký đặt linh kiện, cùng với quy trình quản lý để ngăn chặn các đề xuất sai trước khi chúng đến dây chuyền sản xuất. Hãy chọn bộ giải pháp phù hợp với mức độ trưởng thành về khả năng truy xuất nguồn gốc của bạn, chứ không phải là bản demo hoa mỹ nhất.
Trí tuệ nhân tạo (AI) có thể giảm thiểu hiện tượng tombstoning và sự sai lệch không?
Trí tuệ nhân tạo (AI) chỉ có thể giảm thiểu các lỗi đặt linh kiện như hiện tượng ‘tombstoning’, lệch vị trí và lượng hàn không đủ khi bạn liên kết hành vi đặt linh kiện với chất lượng in ấn ở giai đoạn trước và tín hiệu kiểm tra ở giai đoạn sau, vì nhiều lỗi "đặt linh kiện" ban đầu xuất phát từ vấn đề thể tích keo hàn, động học thấm ướt trong hợp kim SAC305 hoặc biến dạng linh kiện - chứ không phải do chuyển động XY của robot. Nếu dữ liệu SPI của bạn bị thiếu hoặc nhiễu, kết quả của bạn cũng sẽ bị nhiễu.
Cơ chế hoạt động của bảo trì dự đoán trên máy đặt và lấy linh kiện thông minh là gì?
Bảo trì dự đoán cho máy đặt và lấy linh kiện sử dụng dữ liệu từ cảm biến và mẫu nhật ký — sự thay đổi mức chân không, lỗi lấy linh kiện của vòi phun, lỗi lấy linh kiện của bộ cấp liệu, đỉnh dòng điện trục, xu hướng nhiệt độ — để ước tính xác suất của khoảng thời gian có thể xảy ra sự cố. Điều này giúp bạn bảo trì máy khi rủi ro tăng cao thay vì theo lịch trình cố định, từ đó tránh được các sự cố ngừng hoạt động bất ngờ trong giai đoạn sản xuất cao điểm. Hãy xem đây là việc đánh giá rủi ro, không phải là dự đoán tương lai.
Làm thế nào để tránh “vùng đất chết của AI pilot” trong quá trình lắp ráp SMT?
Trong quá trình lắp ráp SMT, “AI pilot purgatory” xảy ra khi các đội phát triển mô hình dựa trên dữ liệu phòng thí nghiệm sạch, bỏ qua các trường hợp biên phức tạp trên dây chuyền sản xuất và không triển khai các bước cuối cùng: MLOps, giao diện người dùng cho nhà điều hành, kiểm soát thay đổi và khôi phục. Điều này có nghĩa là hệ thống chỉ là một bảng điều khiển mà không ai tin tưởng và các chỉ số KPI về vị trí không được cải thiện. Hãy triển khai các rào cản an toàn và trách nhiệm trước, sau đó mới triển khai mô hình.
Kết luận
Nếu bạn đang cố gắng biến tối ưu hóa chọn và đặt AI thành hiện thực (không chỉ là một bản trình bày), hãy bắt đầu với phạm vi và kỷ luật dữ liệu. Chúng tôi có thể giúp bạn xác định phương pháp phù hợp cho loại dây chuyền sản xuất của bạn—mẫu thử, hỗn hợp hoặc tốc độ cao—rồi đóng gói nó thành một quy trình làm việc vận hành mà đội ngũ của bạn thực sự có thể sử dụng. Xem Các trường hợp khách hàng từ các đường dây thực tế và kết nối thông qua chúng tôi Trang liên hệ Khi bạn sẵn sàng thảo luận chi tiết.
