Maschinelles Lernen in der Elektronikproduktion: Herausforderungen und Anwendungsmöglichkeiten

Abstract:
Aufgrund der fortschreitenden Miniaturisierung sowie zunehmenden Anforderungen an Zuverlässigkeit und Leistung, steigt auch der weitere Optimierungsbedarf in der Oberflächenmontage (SMT). Der erreichte Standard erschwert diese Optimierung jedoch. Der hohe Automatisierungsgrad in der SMT-Produktion und die bereits existierenden großen Mengen an Prozess- und Inspektionsdaten erleichtern die Anwendung von Methoden Künstlicher Intelligenz (KI), wie Maschinellem Lernen (ML) und Computer Vision. Um Stillstandszeiten von Anlagen zu reduzieren, die Qualitätskontrolle zu verbessern und Werkzeuge zur Prozessanpassungen zu integrieren, können datenbasierte Verfahren nicht triviale Zusammenhänge von Prozess- und Anlagenparametern erkennen. Dieses Paper gibt eine Übersicht von ML-basierten Modellen, ihren Vor- und Nachteilen, sowie Grenzen in der Elektronikproduktion. Des Weiteren wird eine Literaturübersicht zu bereits veröffentlichten Forschungsansätzen vorgestellt. Diese werden in Abhängigkeit zu ihren Anwendungsfeldern und ihrer Relevanz zur Prozessoptimierung in verschiedene Kategorien unterteilt. Im letzten Teil des Papers werden Anwendungsfälle und die damit verbundenen Herausforderungen betrachtet. Diese schließen bedarfsorientierte Reinigungen von Maschinen, Vorhersagemodelle für Fehler und Klassifizierung von Defekten sowie deren Ursachen mit ein. Die zugehörige Auswertung fokussiert den Aufwand der Modellimplementierung, Möglichkeiten für anlagen- und linienübergreifende Kommunikation und einen Vergleich mit etablierter statistischer Prozesskontrolle. Aufbauend wird die Einsatzmöglichkeit der ML-Modelle für den entsprechenden Anwendungsfall in der Elektronikproduktion bewertet.