Ein Ansatz zu Qualitätsvorhersage mittels intelligenter SMT-Lötstelleninspektion durch den Einsatz von Maschinellem Lernen

Inhalt:
Die Erfolgsfaktoren des modernen, globalen Wettbewerbs verändern nachhaltig die Rahmenbedingungen der industriellen Fertigung. Die Optimierung des Fertigungsprozesses elektronischer Baugruppen muss gewährleisten, dass diese den Anforderungen für angepasste Strategien und neuer Gestaltungskonzepte insbesondere im Bereich Digitalisierung gerecht werden. Durch die bereits geringen Fehlerraten, welche mittels der hochoptimierten Fertigungs- und Prüfprozesse ermöglicht werden, müssen zukünftige Verbesserungen des Prozesses durch Reduktion nicht-wertschöpfender Prozesse erfolgen, ohne die Fehlerraten dabei zu gefährden. Dies kann durch die gezielte Auswertung von erfassten Betriebs- und Maschinendaten und dem Einsatz Maschineller Lernverfahren erfolgen. Die Elektronikfertigung bietet aufgrund der hohen Standardisierung der Prozesse und der fortgeschrittenen Anlagenvernetzung hohes Anwendungspotenzial für datengetriebene Prozessoptimierung. Der Stand der Technik sieht für verdeckte Lötstellen häufig eine kosten- und zeitintensive Röntgeninspektion vor. Aus der Literatur geht hervor, dass ein Großteil der Fehler der Lötstellen schon durch den Lotpastendruck verursacht wird. Dieser Beitrag beschreibt daher einen Ansatz zur Nutzung der Prüfdaten der Lotpasteninspektion zu Qualitätsvorhersage des Röntgenprozesses. Für das Training des Modells werden die optischen Messwerte als Merkmale, zusammen mit den zugehörigen Qualitätslabeln der Röntgeninspektion verwendet, um einen Zusammenhang zwischen dem Lotpastendruck und dem Qualitätsergebnis der Röntgenprüfung für ein ausgewähltes Produkt herzustellen. Die Ergebnisse wurden anhand verschiedener Metriken evaluiert und hinsichtlich der Übertragbarkeit in die Praxis bewertet.