Automatyczna kontrola komponentów z zastosowaniem AI

Wstęp

Pomimo krytycznego znaczenia jakości komponentów, producenci elektroniki najczęściej nie prowadzą dokładnych procesów kontroli przyjmowanych do produkcji komponentów, polegając zamiast tego na wieloletniej współpracy z dostawcami. To oparte na zaufaniu podejście zakłada brak błędów, oszustw, podróbek, uszkodzeń lub wad w zakupionych materiałach, bez stosowania dedykowanej technologii do kontroli przychodzących elementów. Defekty komponentów, chociaż często subtelne i ledwo dostrzegalne gołym okiem, mogą mieć jednak poważne konsekwencje, szczególnie w zastosowaniach regulowanych przez surowe normy czy poddawanych wysokim poziomom naprężeń. Nawet najmniejsze niedoskonałości - czy to w tanim kondensatorze, czy w wysokiej klasy jednostce przetwarzającej - mogą wywołać awarię produktu. A awaria produktu najwyższej klasy, spowodowana niezauważoną wadą niepozornego, wartego zaledwie jednego centa komponentu, to źródło wielkiej frustracji.

Defekty komponentów obejmują szeroki zakres problemów, od pęknięć, odwarstwiania się metalizacji po odkształcenia, przebarwienia, pleśń, korozję, wygięte wyprowadzenia czy zdeformowane kulki BGA. Główne normy, takie jak IPC-A-610H i IPC-STD-J-001, dostarczają kompleksowych definicji defektów na zmontowanych płytkach PCB, ustalając podstawę do ich identyfikacji.

Często spotyka błędne przekonanie, że maszyny produkcyjne, takie jak maszyny typu pick-and-place i AOI (Automated Optical Inspection), monitorują również jakość komponentów elektronicznych. Jednak maszyny te przede wszystkim śledzą proces montażu i nie badają samych komponentów pod kątem ewentualnych wad; wykrywają jedynie odchylenia w sposobie rozmieszczenia komponentów. W rezultacie zazwyczaj identyfikowane są tylko wady o znacznej wielkości, co prowadzi do wysokiej tolerancji na błędy.

Firma Cybord (artykuł stanowi tłumaczenie artykułu autorstwa tej firmy AI-Powered Real-Time Inspection for Electronic Component Assembly) opracowała system, który zbiera obrazy z maszyn produkcyjnych i obrabia je za pomocą zaawansowanych algorytmów. Typowa linia produkcyjna przetwarza średnio około miliona komponentów dziennie, co zapewnia olbrzymią masę danych. W ciągu kilku lat Cybord zebrał i przeanalizował około 5 miliardów komponentów - dane zostały zebrane i przetworzone za pośrednictwem platformy w chmurze, zdolnej do zbierania danych z lokalizacji na całym świecie i centralnego przetwarzania danych przy użyciu zasobów w chmurze. Zebrane dane pozwoliły między innymi na opublikowanie danych na temat występowania korozji i problemów z lutowalnością w komponentach pasywnych (https://iconnect007.uberflip.com/i/1440051-smt007-jan2022/87? )

Defekty wyprowadzeń komponentów

Inspekcja wyprowadzeń komponentów ma zasadnicze znaczenie dla zapewnienia zgodności z rygorystycznymi kryteriami IPC-A-610. Wykorzystując algorytmy głębokiego uczenia, opisywana metoda bada każde wyprowadzenie pod kątem uszkodzeń lub odkształceń, takich jak zarysowania, zniekształcenia, łuszczenie i zwarcia, przekraczające 10% średnicy grubości wyprowadzenia. Metoda wykorzystuje głębokie sieci neuronowe, trenowane na milionach przykładów nakierowane na naukę systemu, w jaki sposób wyglądają komponenty w różnych obudowach. Algorytm dzieli obrazy na mapę cech, która jest precyzyjnie dopasowana do normatywnych cech wizualnych każdego komponentu i może zidentyfikować każdy przypadek odchylenia od tej normy. Odchylenie jest najpierw oceniane w celu uchwycenia cech wizualnych, które statystycznie odbiegają od normy w każdym z obiektów mapy cech. Ta metoda uwidacznia odchylenia i umożliwia drugi etap klasyfikacji w celu zidentyfikowania wady.

Wygięte lub wypaczone wyprowadzenia

Metoda kontroli komponentów oparta na AI doskonale sprawdza się w wykrywaniu problemów z wypaczonymi wyprowadzeniami. Zaawansowane techniki oceny zapewniają, że wszelkie odchylenia wykraczające poza określony próg zostaną oznaczone w celu dalszej oceny. Rysunek 3 przedstawia przykłady wygiętych i wypaczonych wyprowadzeń, których odchylenia przekraczają 10% ich szerokości.

Wygięte wyprowadzenia to stosunkowo poważne wady, które wpływają na dokładność i niezawodność rozmieszczenia na PCB. Algorytm analizuje każde pojedyncze wyprowadzenie jako osobny obiekt, analizując jego poprawność samodzielnie, a następnie w odniesieniu do sąsiednich wyprowadzeń, a na końcu w stosunku do korpusu komponentu. Analiza jest wykonywana w oparciu o głębokie zestawy sieci neuronowych, wytrenowane w celu przechwytywania odchyleń od normy w kształcie wyprowadzeń. Bardziej złożony przypadek deformacji przewodów występuje w przypadku złączy, zwłaszcza tych z wieloma wyprowadzeniami.

Kontrola i kwalifikacja złączy

Kontrola złączy stanowi znaczne wyzwanie ze względu na ich skomplikowane struktury i dużą gęstość wielu wyprowadzeń, co może utrudniać skuteczność konwencjonalnych systemów wizyjnych. Norma IPC-A-610 zawiera szczegółowe kryteria kontroli złączy, skupiając się w szczególności na dwóch głównych typach pinów: pinach złączy krawędziowych i pinach złączy wciskanych (press-fit). Złącza te, zwykle instalowane przy użyciu zautomatyzowanego sprzętu, wymagają skrupulatnej kontroli wizualnej w celu zapewnienia prawidłowego montażu i funkcjonalności.

W przypadku złączy montowanych na linii SMT, obrazowanie dolnej strony w czasie rzeczywistym podczas montażu może być całkiem skuteczne. Jednak złącza często mają wyprowadzenia również na górnej stronie lub pod kątem prostym, które nie są widoczne podczas procesu montażu, co wymaga alternatywnych strategii obrazowania. W przypadku złączy wertykalnych z wyprowadzeniami od góry wykorzystuje się obrazy automatycznej kontroli optycznej (AOI), natomiast złącza kątowe mogą wymagać specjalistycznego systemu wizyjnego, zdolnego do rejestrowania obrazów z różnych kątów.

Kluczowe znaczenie dla skutecznej kontroli złączy ma jakość rejestrowanych obrazów, ponieważ komponenty te zazwyczaj zawierają sekcje oddalone od korpusu, które aby kontrola była skuteczna, muszą być całkowicie widoczne dla algorytmu. Dlatego najbardziej odpowiedni do rejestrowania szczegółowych i kompleksowych obrazów złączy jest system wizualny z optyką podobną do tej stosowanej w systemach AOI. Zapewnia to odpowiednią kontrolę wszystkich elementów złącza, co pozwala na precyzyjne wykrywanie defektów i zwiększa ogólną niezawodność procesu kontroli.

Piny złącza krawędziowego

Piny złącza krawędziowego zapewniają niezawodne połączenie elektryczne. Sekcja 4.3.1 normy IPC-A-610 podkreśla prawidłowe pozycjonowanie rzędu pinów względem powierzchni styku, co musi zapewniać wystarczający prześwit dla narzędzia do ekstrakcji. Jednym z krytycznych defektów zidentyfikowanych w normie jest styk umieszczony nad izolatorem, klasyfikowany jako defekt we wszystkich klasach (1, 2 i 3). System inspekcji oparty AI dokładnie analizuje położenie każdego styku, szybko sygnalizując wszelkie odchylenia.

Piny press-fit

Aby zapewnić zarówno prawidłowy styk elektryczny, jak i stabilność mechaniczną, piny złączy press-fit muszą zachować precyzyjne wyrównanie, wysokość i ogólną integralność. Biorąc pod uwagę naprężenia mechaniczne, którym te elementy podlegają podczas instalacji, do wykrycia wszelkich odkształceń lub odchyleń niezbędna jest dokładna inspekcja.

W punkcie 4.3.2 norma IPC-A-610 określa, że ​​piny wygięte o ponad 50% grubości pinu są klasyfikowane jako wady. System AI, dzięki swoim modelom głębokiego uczenia, jest zdolny rozpoznać nawet niewielkie odchylenia w ustawieniu pinów, automatycznie oznaczając te, które przekraczają dopuszczalny próg. Innym krytycznym defektem są skręcone piny, które zagrażają funkcjonalności złącza. System AI identyfikuje takie odkształcenia, zapewniając, że wszystkie piny pozostają prawidłowo zorientowane. Ponadto mierzona jest wysokość każdego pinu, porównując ją z określonymi tolerancjami w celu wykrycia pinów, które są niezgodne ze specyfikacją.

Integralność mechaniczna i funkcjonalność złączy

Poza określonymi kryteriami dotyczącymi styków krawędziowych i wciskanych, sekcja 9.5 IPC-A-610 podkreśla znaczenie utrzymania integralności mechanicznej i funkcjonalności obudowy złącza. Defekty takie jak zadziory, pęknięcia i odkształcenia, które wpływają na integralność mechaniczną lub funkcjonalność obudowy, we wszystkich klasach są uważane za wady krytyczne. System inspekcji AI może wykryć te problemy, automatycznie odrzucając wszelkie złącza, które nie spełniają norm mechanicznych. Inną powszechną wadą są piny wygięte poza środek o ponad 25% ich grubości lub średnicy, co system AI precyzyjnie mierzy, aby zapewnić zgodność z rygorystycznymi wymaganiami IPC-A-610.

Korozja

System oparty na AI może też wykrywać korozję i pozostałości na powierzchniach metalowych, zapewniając zgodność z normami czystości i wyglądu powierzchni IPC-A-610.

Czystość – FOD (Foreign Object Debris)

IPC-A-610 kładzie duży nacisk na czystość, szczególnie w odniesieniu do obcych szczątków (FOD). Proponowana metoda ocenia komponenty pod kątem zanieczyszczenia, identyfikując i oznaczając wszelkie szczątki lub pozostałości przekraczające limity ustalone w sekcjach 10.6.2 i 10.6.3 IPC-A-610. Krytycznym aspektem wykrywania zanieczyszczeń jest ustalenie źródła zanieczyszczeń, a nie tylko ich rozmiaru lub bezpośredniego ryzyka, jakie mogą stwarzać (np. zwarcie). Nawet niewielkie zanieczyszczenia mogą się przesuwać i gromadzić, co może doprowadzić do znacznych uszkodzeń. Głównym celem jest ustalenie, czy zanieczyszczenia pochodzą z wewnątrz maszyny P&P, uszkodzeń wyprowadzeń komponentów na szpuli czy też zanieczyszczenia podczas przechowywania lub transportu materiału.

Utrata metalizacji, delaminacja i łuszczenie

Utrata metalizacji to poważny defekt zidentyfikowany przez normy IPC-A-610. Inspekcja oparta na AI wykrywa nieprawidłowości w pokryciu metalizacją, zapewniając funkcjonalność i niezawodność komponentów zgodnie z wymogami sekcji 9.1 i 9.3 normy IPC-A-610. W niektórych przypadkach uszkodzenie metalizacji jest główną przyczyną obcych zanieczyszczeń (FOD). Utrata metalizacji sugeruje osłabienie połączenia między warstwą metaliczną a korpusem komponentu, co poza FOD, niekorzystnie wpływa również na lutowność i zwiększa wskaźniki awaryjności podczas produkcji. Chociaż proces lutowania może tymczasowo zabezpieczyć połączenie podczas faz produkcji i testowania, strukturalna słabość komponentu zagraża długoterminowej niezawodności styku.

Montaż do góry nogami

Wykrywanie komponentów zamontowanych do góry nogami jest ważnym aspektem kontroli jakości, zgodnie z opisem w sekcji 8.3.2.9.2 IPC-A-610. Proponowany algorytm AI sygnalizuje wszelkie niezgodne konfiguracje montażu, zapewniając zgodność ze standardami IPC-A-610. Podczas gdy odwrócone komponenty mogą być dopuszczalne w niektórych przypadkach, najczęściej jednak wymagają znacznych przeróbek, a istniejące metody testowe mogą nie sygnalizować problemów, ponieważ ich funkcjonalność wydaje się niezmieniona.

Wykrywanie problemów z współpłaszczyznowością za pomocą metody inspekcji opartej na AI

Koplanarność (współpłaszczyznowość) w komponentach elektronicznych, zwłaszcza w pinach złączy i komponentach z wyprowadzeniami, jest krytycznym parametrem, który zapewnia niezawodne połączenia lutowane. Współplanarność odnosi się do stanu, w którym wszystkie wyprowadzenia lub piny elementów leżą w tej samej płaszczyźnie, co jest niezbędne do jednorodności lutowania podczas montażu. Norma IPC-A-610 określa rygorystyczne wymagania dotyczące współplanarności w różnych typach wyprowadzeń. Sekcje 8.3.5.8, 8.3.6.9 czy 8.3.7.8 określają, że wszystkie wyprowadzenia elementów muszą być wyrównane, aby zapobiec jakimkolwiek zakłóceniom w tworzeniu akceptowalnego połączenia lutowniczego, co jest kluczowe dla integralności funkcjonalnej zespołów elektronicznych.

Wykrywanie problemów ze współplanarnością przy użyciu tradycyjnych metod może być trudne, szczególnie dlatego, że widok od spodu, zwykle używany podczas zautomatyzowanego procesu montażu, nie jest odpowiedni do wykrywania niewspółosiowych wyprowadzeń. Jednak metoda inspekcji oparta na sztucznej inteligencji wykorzystuje zaawansowane algorytmy obrazowania i głębokie sieci neuronowe, pozwalające przezwyciężyć te wyzwania. System AI wykorzystuje technikę, w której analizuje kształty geometryczne wyprowadzeń uchwycone z perspektywy dolnej strony. W idealnie koplanarnym układzie, gdy są oglądane prostopadle do kamery, wyprowadzenia wyglądają jak prostokątne kształty. Jednak każde odchylenie od tej koplanarności powoduje, że przewody przechylają się w górę lub w dół, zmieniając ich kształt w trapez i wpływając na ich podlegającą pomiarowi długość na uchwyconym obrazie. Takie odchylenie w geometrii jest krytycznie ważne, ponieważ wskazuje na potencjalny problem z koplanarnością.

Algorytm głębokiej sieci neuronowej jest specjalnie szkolony do rozpoznawania standardowego prostokątnego kształtu normalnych, koplanarnych wyprowadzeń. Gdy jednak wyprowadzenie ma zmieniony, trapezoidalny kształt lub wykazuje nieregularną długości, algorytm wykrywa te anomalie, oznaczając je w celu dalszej inspekcji.

Źródło: AI-Powered Real-Time Inspection for Electronic Component Assembly, Eyal Weiss, Ph.D., © Cybord ltd.

Zapraszamy na TEK.day Gdańsk, 11 września 2025. Zapisz się tutaj!

Zdjecie tytułowe: Jabil