Productivity Optimization
Produktivitätssteigerung
Beschreibung
Die Qualitätskontrolle mittels Automatischer Optischer Inspektion
von Lötstellen führt zu einer Vielzahl an Pseudofehlern, die eine manuelle Nachprüfung mit sich ziehen. Des Weiteren ist das Einstellen und Optimieren von Testroutinen sehr zeitaufwändig von einem Experten durchzuführen und muss für jede Baugruppe individuell modifiziert werden. Der klassischen regelbasierten Kriterien zur Identifikation von fehlerhaften Lötstellen sowie die Notwendigkeit den Fehlerschlupf auf ein Minimum zu reduzieren erschweren den Prozess. Es soll Künstliche Intelligenz eingesetzt werden, um Pseudofehler direkt an der Anlage zu reduzieren.
Herausforderung
Der Anteil an defekten Lötstellen ist im Verhältnis zu intakten Lötstellen sehr gering, zum Teil nur 10 ppm. Auch wenn dies aus Sicht der Produktion selbverständlich wünschenswert ist, erschwert es das Training von KI-Modellen. Weiterhin treten viele Pseudofeher bei Lötstellen auf, die im Grenzbereich liegen, also keine klassischen Anomalien sind. Eine weitere Herausforderung ist die Anforderung keinen Fehlerschlupf zu verursachen, also intakt bewertete Lötstellen, die jedoch defekt sind.
Lösungsansatz
Um in der Modellentwicklung den stark unausgeglichenen Datensätzen entgegenzurwirken, werden die Datensätze mit synthetischen Daten, die ebenfalls mit KI (Deep Generative Modellen) erzeugt werden, angereichert. Für eine einfache Umsetzung wird eine Edge Device an das AOI-System angeschlossen.
Technische Spezifikationen
- AOI System: Vi Pro Premium
- Edge Device: Jetson Nano
Dateninfrastruktur
- ResNet zur Klassifikation der Lötstellen
- Unterschiedliche Deep Generative Modelle für die Erzeugung synthetischer Daten
Data Analytics & KI-Methode
- Daten werden automatisch oder bei gesetzten Triggern in die Datenbank geschrieben
- Die Daten werden genutzt, um verschiedene Modelle zu trainieren
- Modellarchitekturen: Long Short-Term Memory Networks (LSTM), Transformer Networks, hybride Modelle
Ergebnis
- Pseudofehleranteil kann um bis zu 50% reduziert werden, ohne den Fehlerschlupf zu erhöhen.
- Ausführung des Modelle direkt an der Anlage über eine GUI mit Hilfe eines Edge Devices möglich
- Keine MLOps Pipeline
Für weitere Infos zu unseren Demonstratoren kontaktieren Sie bitte:
