国产亚洲精品国产福利在线观看,色综合久久久久久久久五月,国产999视频,大片免费看大片费看大片

PCB制造通常依賴積累了多年經驗的專家，他們非常熟悉并理解制造流程的每一步，知道如何利用專業知識來優化生產并提高良率。但是，人類本身的局限，如錯誤和疲勞，會阻礙專家們工作進展順利。操作員錯誤，或PCB缺陷的誤判（即錯誤警報），都可能因為過度處理而影響良率，甚至損壞PCB本身。如果將AI集成到制造流程中，機器會因為接管某些“學來的”任務而增值，人類專家則可繼續承擔需要思考和互動的更復雜的任務，同時優化和“訓練”人工智能系統。人類與人工智能的結合提升了整體效率和運營，這是AI專家系統的最大機遇。

未來的PCB制造廠將完全集成工業4.0系統，在全局級和制造系統級都擁有人工智能。“全局”級包括整個工廠的所有系統，而不僅僅是單個制造系統。工業4.0提供了自動化和數據交換基礎架構，可實現實時生產分析、雙向通信和數據共享、可追溯性以及按需數據分析。在任何特定的工廠內，利用從各種制造系統和機器獲取的數據，以及通過可追溯性和雙向通信等工業4.0機制采集的數據，AI可以改進制造流程。AI通過對海量系統級數據進行分析，優化工廠設置參數并實現最高水平的生產率和良率，使工廠受益。AI分析和自我學習是通過人工神經網絡來實現的。真正的全自動工廠將在幾年之內建立起來，完全消除人工干預。

這種新的PCB制造模型要求工廠的所有系統完全連接，并采用具有AI的監控和決策機制。目前存在的一些專利和技術挑戰限制了PCB工廠實現全自動化，因此現在盡可能地將AI應用在單個系統中，例如自動光學檢測（AOI）解決方案。生產設施采用全局AI模型有很多優點，例如可以更可靠地報告PCB缺陷，即“真實缺陷”，通過反饋回路找到問題的根源，并自動修改工廠流程以消除相關缺陷。

AI的子集，包括機器學習和深度學習，將使PCB工廠朝著全自動化的目標邁進。機器學習采用的算法使計算機能夠通過已采集并從中學習的數據和示例，來改進任務的性能，而無需進行明確的編程。就PCB制造而言，機器學習可提高良率，改善制造操作和流程，減少人工操作，從而有助于更有效地處理工廠資產、庫存和供應鏈。

深度學習將AI提升到一個更加復雜的層面，在全局工廠系統級十分有用。深度學習類似人類大腦使用多面、多層人工神經網絡進行學習、理解和推斷的能力。在PCB工廠中，軟件專家系統從對采集數據的理解、模式和環境的復雜表達中有效地學習。這種學習成為PCB制造中自動改進流程的基礎。

機器學習和深度學習的實現為PCB制造商提供了超越人類理解的能力，換句話說，人工智能系統通過更深入地挖掘人類甚至想不到去開拓的領域，找到新的完善機會。AI專家系統十分高效，它額外使用了一些更復雜的參數，在全局層面監控工廠系統，減少了所需的人類專家數量，提高了效率并獲得最佳實踐。

從簡單的讀寫功能，到對制造流程參數的高級跟蹤，再到最小的PCB單元，在整個PCB制造流程中，工業4.0傳感器（從設備端發送數據）和系統可產生全局級數據。制造流程參數可能包括蝕刻、抗蝕劑顯影以及化學材料濃縮等。采用深度學習可以對這類數據進行分析，以優化制造方法和參數、識別模式并就流程中所需的更改做出明智的決定。所有這些都可以每天24小時、每周7天不間斷自動進行。

在系統級，目前在PCB制造車間實現AI已經對生產率和良率產生了明顯的影響，AOI過程就是一個例子。在這種情況下，機器學習極大地減少了檢測PCB缺陷時的人為錯誤。比如，PCB缺陷包括短路、斷路、過量的銅。自動化檢測可以發現微小缺陷，這種缺陷可能是人工檢測無法發現的，或者可能由于人為錯誤而遺漏，它們很自然會導致重復工作。

在不使用AI的傳統檢測中，例如檢測100個面板，通常每個面板會發現20至30個缺陷，其中大約75％都屬于誤報。由于政策規定所有缺陷必須再次使用手工檢查，審查誤報缺陷浪費了寶貴的生產時間，增加了對PCB的處理，并且可能導致新的損壞。當操作員疲累、過勞或分心時，可能進一步出現錯誤分析。

在AOI系統中采用機器學習可以顯著減少這類誤報，從而減少修復工作（圖2）。誤報越少，對面板的處理就越少，這本身就會提高良率。此外，AI對缺陷的分類更加一致，并且能夠不斷改進，而不像人類操作員那樣存在一些固有的限制，從而提供更可靠的結果，減少了驗證時間。根據Orbotech的內部研究，AOI系統中的AI可以減少誤報高達90％。AOI的獨特之處在于，其系統收集的數據比其他任何制造解決方案都多，因而非常適合作為AI實施的第一步。同時，AOI室是PCB工廠中勞動最密集的場所，因此在其流程中采用AI受益也最大。對PCB制造商而言，這意味著可以更準確地識別數百萬個缺陷并對它們進行分類，從而有可能提高良率并降低成本。

我們以一個AOI系統檢查100個面板為例，了解AI在系統級和全局級是如何工作的。在系統級，由機器學習支持的AI可以過濾出被系統分類為短路的誤報缺陷。AI系統通過評估多個AOI圖像，同時利用對“面板的理解”（即AOI解決方案對面板上的元件及其外觀的理解），生成最智能的分類結果。將該信息輸入由深度學習驅動的全局AI系統，從系統級解決方案中采集這些數據，并確定那些真正的短路缺陷（需要用額外的蝕刻工藝去除多余的銅）。AI系統利用系統級數據做出全局決策，以調整蝕刻工藝中的面板參數，使將來制造的所有面板上的同類缺陷（如果有的話）減少一些。系統級解決方案之間的互通最終將進一步增強和改善AI的全局級決策能力。

AI在整個行業內快速發展，它在PCB制造中也以同樣的速度面臨挑戰。隨著柔性材料的采用以及走線幾何形狀越來越小，缺陷檢測更加困難。液晶聚酰胺（LCP）和改性聚酰胺（MPI）等下一代復合材料給制造商提出了新的挑戰，包括圖像采集、處理、變形和更細的走線。柔性PCB的材料越復雜，識別出的缺陷就越多，誤報也會更多。制造商使用這種復合材料，是為了在確定誤報的過程中最大程度地減少對面板的處理。因此，AI的實施將使柔性PCB這種產品類型大大受益，因為系統將學習以更嚴格的參數進行制造。