Integration intelligenter Klassifikatoren und Prüfmethodiken in die automatische optische Inspektion von Automotive-Produkten in der SMT-Fertigung
Die kontinuierlich zunehmende Miniaturisierung von SMD-Bauelementen sowie die ansteigende Integrationsdichte elektronischer Bauteile auf den Leiterplatten von Automotive-Produkten stellen sowohl für die Fertigungsprozesse als auch deren Qualitätssicherung eine Herausforderung dar. In der Massenproduktion von SMT-Produkten erweisen sich die automatische optische und die röntgentechnische Inspektion als effiziente und robuste Prüfverfahren. Die vorliegende Arbeit befasst sich mit der Synthese von modernen Verfahren aus den Bereichen Machine- und Deep-Learning und der AOI-Technologie. In zwei Hauptforschungsgebieten erfolgt zum einen eine aktive Änderung des AOI-Prozesses mithilfe moderner Deep- und Machine-Learning-Methoden während zum anderen ein Post-AOI-Verifikationsprozess zur Identifikation des Bauteilzustands bei auffälligen AOI-Prüfungen beiträgt. Ein Akquisitionsverfahrens von numerischen, klassenannotierten AOI-Informationen wird unter Berücksichtigung von Anforderungen an die Datenqualität, im Besonderen die Korrektheit, Konsistenz sowie Vollständigkeit der Informationen, entwickelt und vorgestellt. Konventionell angelegte AOI-Prüfpläne erfahren durch eine Parameteranpassung der in den AOI-Prozess integrierten regelbasierten Klassifikation mithilfe von auf Entscheidungsbäumen basierenden Algorithmen (Anchor, Decision Tree, RuleFit, SkopeRules) und der heuristischen Ripper-Methode Verbesserungen des Klassifikationsvermögens von Lötstellen und Bauteilzuständen. Des Weiteren sind Verfahren des Machine-Learning (Support Vector Machine, Varianten des Random Forest), neuronale Netzwerkarchitekturen (TabNet, Multilayer-Perzeptron) sowie Evolutionsmethoden (GANN, MOEFS) in der Lage, tabellarische AOI-Daten zu verarbeiten und effiziente Klassifikatoren zu generieren. Darüber hinaus enthält diese Forschungsarbeit Empfehlungen zur Sicherstellung der Aktualität der Modelle und Implementierungsvorschläge in der SMT-Fertigung.
The continuously increasing miniaturisation of SMD components as well as the increasing integration density of electronic components on the PCBs of automotive products are challenging both the manufacturing processes and their quality assurance. In the mass production of SMT products, automated optical and X-ray inspection prove to be efficient and robust inspection methods. The present work deals with the synthesis of modern methods of machine and deep learning and AOI technology. In two main research areas, on the one hand, an active modification of the AOI process is carried out with the help of modern deep and machine learning methods, while on the other hand, a post-AOI verification process contributes to the identification of the component condition in case of conspicuous AOI inspections. An acquisition procedure of numerical, class-annotated AOI process information is developed and presented under consideration of data quality requirements, in particular the correctness, consistency as well as completeness of the information. Conventionally designed AOI test plans are improved in their ability to classify solder joints and component states by adjusting the parameters of the rule-based classification integrated into the AOI process using decision tree-based algorithms (Anchor, Decision Tree, RuleFit, SkopeRules) and the heuristic ripper method. Furthermore, machine learning methods (Support Vector Machine, variants of Random Forest), neural network architectures (TabNet, Multilayer Perceptron) and evolution methods (GANN, MOEFS) are able to process tabular AOI manufacturing data and generate efficient classifiers. In addition, this research work contains recommendations to ensure the models are up-to-date and implementation suggestions in SMT manufacturing.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved