近年来，元宇宙的概念也受到广泛关注，其核心技术“BIGANT”深度融合了Blockchain区块链、Interactivity交互（数字孪生）、Game电子游戏、AI人工智能、Network网络及运算和IoT物联网6项热门技术。这些虚实融合仿真技术CPS（Cyber Physical System，信息物理系统）也被认为是智能制造的核心。事实上，虚实融合仿真技术在几年前就已经在AOI的检修系统中得以运用。

很多PCB企业的AOI检测部门至今仍需填写各类纸质报表，操作人员边操作边记录，再由专职人员录入。一旦出现客诉，需要在大量纸质报表中翻阅，以便查出是哪一天、由谁、在哪些机台上扫描和确认。查找到相应的记录后，还需要在机台上调取相应批次的检测记录重新确认验证，这样的过程烦琐且易出错。如果导入数字化系统，报表的填写和录入、异常记录的追溯、检测记录的确认等过程都将大为简化。从微观上来讲，整个PCB生产大部分是不可视的，采集过程中的每个数据并建立数学模型，即可在搭建的系统中监控数据的变化来解释或预测生产过程的各种现象、问题和变异。为此，需要掌握好数据收集、分析方法及其工具的运用（术），更重要的是还要培养数据化思维（道）。本文将据此对AOI数据进行分析，希望大家能更多地参与挖掘AOI数据甚至是整个PCB工厂数据的价值。

 

1. 数据概述

数据，是指对客观事物的性质、状态以及相互关系等进行记录的物理符号或其组合，不仅包括狭义上的数字，还可以是具有一定意义的文字、字母、数字符号的组合、图像、视频、音频等，也可以是客观事物的属性、数量、位置及其相互关系的抽象表示。

数据之所以产生，是因为人类在实践中发现仅用语言、文字和图形无法精确地描述这个世界。数据之于信息社会的重要性，就像石油之于工业革命。离开数据，就无法实现信息化，也无法构建出平行于物理世界的数字化虚拟世界。

 

1.1. 数据的分类

数据的分类是根据其属性或特征，按照一定的原则和方法进行区分和归类，并建立起一定的分类体系和排列顺序，以便更好地管理和使用数据的过程。通过对数据进行分类（图1），可以更清楚地帮助梳理数据分析处理相关的概念，也有助于理解接下来要讨论的AOI数据可以从哪些维度进行分析、挖掘和应用。有的信息需要在实时数据上处理，而有的信息需要在历史数据上获得：例如缺点分布需要明细数据，良率走势需要汇总数据；不同结构的数据有不同的存储管理方法，从不同数据源获取数据的通信接口协议不同等。

 

图1：数据分类

 

1.2. 数字化和数据化

DIKW模型（图2）既可以帮助我们理解数据（Data）、信息（Information）、知识（Knowledge）和智慧（Wisdom）之间的关系，还会展现数据是如何一步一步转化为信息、知识乃至智慧的。数据可以是数字、文字、图像、符号等，它直接来自事实，可以通过原始的观察或度量来获得。所谓原始数据只是一个相对的概念，数据处理可能包含多个阶段，由一个阶段加工的数据可能是另一个阶段的原始数据。

 

图2：DIKW模型

 

从图2可以看出，数据是该模型中最底层的概念，是形成信息、知识和智慧的源泉。数据化过程就是对客观事物的数量、属性、位置及其相互关系进行抽象表示，以适合在这个领域中用相应的方式进行保存、传递和处理，最终通过智能分析、多维分析、查询追溯，为决策提供有力的数据支撑。如果要给这个模型再增加一层，那就是实体层——通过信息化技术将物理世界的实体重构到数字化世界中，也就是构建一层现实世界与数字化世界映射层。

AOI的检测结果和测量数据作为PCB板的“体检数据”，任何数据的异动将预示着所监控区域的异常。物理世界中，我们无法观测PCB图形转移的每个过程，只有当人、机、料、法、环各项指标都在正常范围内，才能保证生产出正常的PCB产品，任何环节出现异常都将导致产品缺陷。所以，我们需要考虑如何有效率地获取“体检数据”，以及如何监测数据异动、如何建立数据的异动与监控区域的关联关系等问题。

 

2. AOI数据

对于AOI这个具体的工艺环节，我们可以提出以下问题：

• AOI的数据包括哪些？
• AOI的数据如何分类？
• AOI的数据如何进行数字化和数据化？

AOI工序的数据在整个PCB制造和运营数据中占比非常大，尤其是产品的品质数据。AOI作为单机检测设备，在PCB制作过程中应用于蚀刻后整个图形转移结果的检测，以及激光钻孔在不同阶段的测量和检测。表1列出了大部分AOI数据，主要分为产品数据和设备数据两大类。与其他PLC或PC控制的生产设备不同，企业的SCADA数据采集与监视控制系统只通过工业通信协议采集生产设备的工艺参数和状态数据，除关联板子的二维码信息外，极少采集产品数据。

AOI也是PC控制，作为PCB制造过程中品质监控的关键设备，其数据主要来自产品和设备工艺参数，而对设备运行状态数据关注较少。AOI的原始数据都是以自有格式的文件或日志等方式分布式地存储在各机台中，设备厂商将这些数据以结构化（Oracle、MySQL及SQLServer等）或半结构化（CSV、XML及Json等）的方式来存储和集中管理。

数字化转型、数字孪生或智能化工厂中，通常按产品、设备和工厂运营逐级实施。PCB板是物理世界中的实体，CAM资料的Stackup叠构图（图3）是数字系统的实例，产品的数据是在扫描和确认过程中作为其特征属性被赋予PCB实例对象，包括生产时间、生产设备编号、操作人员以及产品的二维码等基本信息，尤其产品的缺陷信息。如此便可构建出SUM（报废单元管理系统，Scrapped Units Mapping）、DMS（缺点分布系统，Defects Mapping System）等AOI常用品质监控和管理系统。再关联上设备的工艺参数和运行状态，即可为MES（制造执行系统）提供数据来管理和调度AOI的生产过程。同时也可以为MES系统的质量管理模块提供大量数据，从而打通从AOI到MES再到ERP各信息系统的数据流通。

 

图3：PCB叠构图

 

2.1.AOI的数据架构

企业ERP、SCM、MES和CRM等常用系统的架构，大体都是底层的数据采集、中间层的数据转换和顶层的数据应用，各信息系统间的数据也需要互相共享和集成。即便是庞大的信息系统，也是由各式各样的小功能模块或子系统构建而成。AOI的数据架构也是由三大部分组成：

① 底层为源数据，即AOI设备上的原始数据，主要包括AOI料号叠构数据（PCB叠构图、检测单元）、检测参数、检测结果、测量结果、缺点信息以及设备状态数据等，其他工序的数据也可以在此集成。这些原始数据经过处理、转换和分析，可转换成有用的信息和知识，为顶层产品质量监控和预测提供依据，以实现AOI应有之功效。

② 中间层，由数据的ETL（Extract Transform and Load）提取、转换和加载组成，为保证数据能在不同系统模块间顺畅流转，数据接口非常重要。

③ 顶层，由各数据应用的功能模块组成，如常见的追溯系统、E-Mapping、SUM以及各种报表系统。

 

2.2.AOI数据接口

在不同系统、平台间，数据要顺畅流通，数据接口至关重要，也是智能化工厂规划前期讨论较多的内容。在工业数据中，存在非常多的异构数据（即不同结构的数据），异构主要表现在4个层面：

① 计算机体系：来源于不同体系结构的计算机，如：PC、PLC或嵌入式系统。

② 接口协议类型：数据收集的接口协议类型不同，有基于PC的接口协议，如API、SDK、WebService、DBLink等；有基于PLC的Modbus、Profibus等；还有工业领域常用的通讯协议OPC-UA、SECS-GEM等。

③ 操作系统：数据的存储来源于不同的操作系统，如Windows、Linux等。

④ 存储方式：数据的存储方式不同，有关系型数据库组织的结构化数据，如：MySQL、Oracle、SQL Server等；也有半结构化数据，如XML、CSV、Json以及日志文件等；更有一些独特的加密格式的数据。

 

为采集产品质量数据，企业的CIM（Computer Integrated Manufacturing）计算机集成制造系统服务端只需兼容不同数据库接口类型，大多数开发环境已集成了主流数据库的接口驱动程序。而实现EAP设备自动化程序功能，则需在设备端和服务端定制开发通信协议，如SECS-GEM、Web-Services等。AOI的数据原本分散地存放在设备上，格式各异，早期是以文件形式进行转换和传输。因产品的精细度越来越高，传统操作流程无法适应产品的高要求，加之终端客户对可追溯粒度更细，甚至要求产品制造过程中的关键数据对其可视，以数据库管理系统为基础的AOI数字化系统应运而生。

2.3.AOI的数据应用

谈及数据的应用，数据可视化首当其冲，如品质报表按不同维度和粒度的展示，以及缺点分布按分析目的来生成图示图表等。

BI（Business Intelligence）商业智能报表系统

用来帮助企业更好地利用数据提高决策质量的技术集合，是从大量的数据中钻取信息与知识的过程。简单讲就是业务、数据、数据价值应用的过程。BI是一套完整的解决方案，可以将来自企业的不同业务系统（如ERP、CRM、OA、BPM等）的数据，以数据仓库技术为基础，提取有用的数据进行整合清洗，在保证数据正确性的同时，进行数据分析和处理，并利用合适的查询和分析工具快速、准确地为企业提供报表展现与分析，为企业提供决策支持。

E-Mapping缺点分布图

此概念最初仅应用于IC载板厂，因单元小且数量多，加上线路细密，无法手动标识或修理，必须通过检修软件进行打标并生成相应的打标文件，即E-Mapping系统的输出。随着PCB产品技术的不断更迭，为了解决多用户、多应用共享数据的要求，AOI也引入了数据库管理系统，以丰富AOI数据的管理，包括SUM报废单元管理系统、DMS（Defects Mapping system）缺点分布展示系统等。SUM系统可以进行报废单元管理，提高缺点确认效率，输出的数据也可用于激光打标设备。DMS系统则可从缺陷类型、批次等维度显示缺陷的分布情况。

SPC分析

用统计的方法管理和控制制程能力，其理论基础是根据模型特征建立预防控制机制，通过减少变差来稳定产品质量。戴明理论中有个重要点：

稳定的过程→稳定的变差→可预测的过程性能，大多数变差可通过简单的统计图发现。

根据AOI的测量数据和缺陷数据实时地生成控制图，更容易及时发现特殊原因所致的质量不稳定。AOI的激光孔测量、图形转移中缺点的检测，与其他二次元、三次元设备的抽测/抽检不同。AOI的测量是针对整板几十万甚至几百万的激光孔，缺陷的检测也是全检，所以前工序制程变差很容易在AOI的检测结果中显现，同时也体现了大数据时代的思维变革——近似的准确优于精确的错误。

AI智能缺陷分类

从传统的实物板子确认，到VVS虚拟确认站，再到虚实结合的确认系统，AI智能元素被逐步加入。预留了人工智能接口，训练模型在不断优化，一旦测试结果达到要求，AI智能即可随时集成落地。未来操作人员可戴上VR/AR眼镜，在PCB制造的元宇宙中体验AOI的缺点分类。如需追溯，也只要在系统中调取异常批次号，即可在虚拟系统中确认。按数字孪生成熟度模型评价，当前的智能缺点分类系统已处于“虚实共生”阶段，同时也实现了缺点分类过程的稳定高效。

当前的应用主要从AOI的测量结果、缺陷分类信息、缺点位置信息以及产品类型信息等维度来挖掘AOI数据价值，将数据、信息转换成品质控制的知识和智慧。当然，还可以从AOI数据中获取到更多有价值的信息，如AOI所监控的工序的保养周期是欠保养（品质得不到保证）还是过保养（资源浪费），或是通过分析AOI的缺点形态或位置分布来精准定位前工序变差，缺点的图片数据中还有更多的信息等待我们去挖掘。

 

AOI数据架构

 

3. 结语

仅在讨论AOI数据的对接中，我们就遇到各种数据异构、数据接口和数据共享的问题需要解决和开发。各大PCB厂商都根据自身发展模式由自己的IT团队自主开发CIM计算机集成制造系统，要么设备不具备通讯接口，要么设备老旧，功能扩展有限，或者设备程序加密，限制数据流通，没有统一的通讯协议标准。原来以文件系统为基础的数据共享方式，因数据格式复杂，且分散在不同的文件中，存在数据冗余严重、数据查询和管理不方便等不利因素，而数据库管理系统恰好可以解决这些问题，且能够保证数据共享的安全性。未来企业将会部署数据云，所有的数据将以统一的格式集中管理和应用。

本文通过对AOI数据的初步探讨，希望能在利用数据分析模型挖掘AOI数据价值提供一些参考。按照《制造业数字化转型路线图（2021）》的“海星”象限图中提到的“单点应用→局部优化→体系融合→生态重构”的路线来促进整个PCB制造的数字化转型，并希望通过纵向和横向集成整合PCB行业的数据和信息，构建起数字化生态系统，搭建PCB行业的元宇宙。

 

欢迎扫码关注我们的微信公众号

“PCB007中文线上杂志”

点击这里即可获取完整杂志内容。

#PCB  #制造工艺与管理  #康代  #AOI  #数据  #简析  #AI  #SPC