Улучшение ИИ для печатных плат

Без печатных плат никогда бы не было революции электроники. Печатная плата – это платформа, на которой мельчайшие электронные компоненты взаимодействуют друг с другом. Сегодня печатные платы встречаются во все большем количестве все более сложных приложений и электроники. Это привело к все более строгим требованиям в отношении дизайна и обеспечения качества. Например, крайне важно избегать любых электрических помех и обеспечивать электромагнитную совместимость. Институт прикладных информационных технологий им. Фраунгофера FIT разработал модульную платформу искусственного интеллекта для оптимизации проектирования и тестирования печатных плат, тем самым сократив требуемые затраты на целых 20 процентов.

При проектировании печатной платы для нового приложения необходимо максимально эффективно использовать доступное пространство и располагать компоненты как можно ближе друг к другу без риска отказа. В настоящее время этот процесс в значительной степени опирается на опыт инженеров, чьи конструкции затем должны быть испытаны в реальных испытаниях. Еще одним осложнением является то, что результаты не документированы строго, а это означает, что подверженные ошибкам конструкции подвергаются повторному тестированию, что приводит к увеличению затрат.

Высокие затраты на обеспечение качества

Учитывая их сложную конструкцию, печатные платы должны быть изготовлены в соответствии с чрезвычайно строгими техническими требованиями. По этой причине каждая завершенная печатная плата подвергается, по меньшей мере, автоматическому оптическому контролю (AOI). При этом используются методы анализа изображений, чтобы определить, что печатная плата была изготовлена ​​в соответствии с конструкцией и, следовательно, не имеет технических дефектов. Однако в настоящее время этот метод генерирует высокий уровень ложных отрицательных результатов, то есть, многие полнофункциональные печатные платы ошибочно классифицируются как дефектные.

Эти предположительно дефектные платы должны быть проверены еще раз вручную, визуально или с помощью измерительного оборудования. Другими словами, неприемлемо высокий уровень ложных отрицательных результатов означает, что исправные печатные платы отклоняются, а затем требуют повторной проверки, что, в свою очередь, приводит к более высоким затратам. С другой стороны, если этот показатель слишком низок, последующие расходы высоки в результате попадания дефектных компонентов в цепочку поставок. Трудно достичь идеального истинного положительного/ложного отрицательного показателя, основанного на человеческом осмотре, поскольку человеческие ошибки также входят в уравнение.

Оптимальный выбор на основе методов самообучения

Fraunhofer FIT теперь показывает, как может выглядеть процесс будущих проверок. Как и в обычном автоматическом оптическом контроле (AOI), камера записывает изображения печатной платы. Это улучшает качество решений, принимаемых алгоритмами. Здесь крайне важно, чтобы модули обеспечивались высококачественными данными обучения. Изначально модули для машинного обучения и глубокого обучения снабжены хорошим набором данных.

“Модульная конструкция означает, что мы можем использовать несколько алгоритмов, которые непрерывно улучшают их собственную производительность. Данные, сгенерированные в результате непрерывной автоматической проверки компонентов, возвращаются обратно к алгоритму. Это затем обеспечивает основу для процесса самообучения модулем искусственного интеллекта”, – объясняет Тимо Бруне, руководитель проекта Fraunhofer FIT. – “Эта постоянная обратная связь улучшает базу данных и оптимизирует истинный отрицательный показатель. Ранние оценки отрасли показывают, что это может сократить использование производственных ресурсов примерно на 20 процентов”.

Пользователи могут обучать модули самостоятельно, на основе своих собственных процессов и производственных данных. Это означает, что компании сохраняют контроль над своими собственными данными и не обязаны отправлять их, например, на внешний сервер. Этот инструментарий алгоритмов можно комбинировать по желанию для применения к конкретным задачам.

Интеллектуальный дизайн новых компонентов

После обучения алгоритмы также можно использовать для разработки новых печатных плат. Это завершает длительную и дорогостоящую процедуру проб и ошибок, при которой компоненты располагаются на плате, пока не будет найдена оптимальная конфигурация. Вместо этого алгоритм помогает предсказать, какая конфигурация из множества вариантов обеспечивает наилучшую функциональность.

Приложение на печатной плате является лишь одним из примеров того, где модульная, самоусиливающаяся платформа алгоритмов может улучшить дизайн и гарантировать качество. Фактически, этот подход от Fraunhofer FIT может быть применен ко многим другим электрическим системам. Здесь также можно оптимизировать процессы, чтобы добиться значительной экономии времени и производственных затрат.

По материалам Techxplore