![对准:从原始数据到智能制造 对准:从原始数据到智能制造](https://iconnect007.com/application/files/2617/0106/7098/Andrew_Kelley_300.jpg)
虽然之前的工业革命引入了工厂、批量生产和计算机控制系统,但工业4.0的出现和智能工厂的概念开创了PCB制造的新时代。从分离的工艺发展成为涵盖自动数据采集、实时数据分析、工艺可视化、自主控制和自校正工艺的集成系统是PCB行业的宏伟目标。
行业专家断言,那些不参与实现这一宏伟目标的公司将迅速落后于这个时代,然而,这场革命给制造业带来的模式转变使许多工厂经理想知道在哪里以及如何开始实施这一转变。现实情况是,智能工厂的实施并不是一种一刀切的方法,公司需要调整现有的系统、工艺和基础设施,以逐步接纳这种转变。
在PCB制造厂,有大量的设计及生产数据,这些数据以多种不同的格式保存在许多不同的点。有机会将这些信息与从制造工艺中实时收集的数据结合起来,以提供智能分析、衍生行动和控制,并立即用于整个制造过程链。很少有公司会从零开始实施智能制造。关键是了解如何调整现有系统、流程和基础设施,使其达到智能工厂的要求。专注于制造关键方面的逐步实施将会很快实现收益。因此,实施的智能制造解决方案应该是模块化、可扩展和灵活的。该方法使企业能建立概念验证,利用现有设备,并加强其基础设施,无需构建全新的工厂。要成功地踏上这段旅程,利用数据力量并将其转化为可操作的信息和知识至关重要。
图1:可以逐步实施智能工厂
数据的重要性
智能工厂的基础是用数据建立的,PCB制造工艺中使用的大多数设备要么生成数据,要么使用数据。虽然这些数据是战略资产,但数据的价值不在于数据本身,而在于从其分析中得出的信息、见解和行动措施。如果不获取这些数据,就不可能获得做出改进产品和工艺的决策所需的信息。
大多数制造商都在整理其工艺中的数据,但由于存在以下各种障碍和限制,许多制造商未能意识到他们所收集数据的真正潜力:
- 碎片化数据
- 重复的数据
- 相同数据的本地化变体
- 难以获得及时精确的信息
- 由管理报告而非制造要求驱动数据使用
此外,企业内部的孤立思维特点是不同工艺之间沟通不畅,注重纵向而非横向沟通,加剧了这些问题,导致合作和信息共享有限。这可能导致技术和工程专业知识的利用不足。
连接数据集成
要创建智能工厂,建立强大的数据集成、机器网络和自动化数据采集系统至关重要。必须可以通过工厂网络从远程系统访问数据,无论是通过有线还是无线网络。监测系统应该实时采集数据,消除对手动数据传输的依赖。数据集成的这种转变不仅仅是IT范围的行动,也是制造运营的根本转变。
从一开始就需要通过设计端到端的操作数据流,以审核可用数据和所需数据。工程和制造专家的参与是必要的,因为只有那些了解数据的人才能增加价值。仔细审查当前的制造工艺和程序,通过考虑错误会产生负面影响的潜在情况,鉴定自动化将消除风险的差距和机会。确定目前不可用的任何所需数据,并采取必要步骤提供这些数据。
智能工厂的目标是采集、整理、集成和了解工艺数据,在适当的环境中实时获得正确的数据,以便尽快做出明智的决策和行动。集成制造系统将为人员、生成数据的工艺与使用数据的人员之间提供连接。
在智能制造领域,使整个工厂的数据无缝且可用至关重要。这就需要创建去中心化的“数据高速公路”,在其中,人类和机器既可以访问数据,也可以为数据作出贡献,使数据能够流向需要的地方。
PCB工厂中通常有两条这样的数据高速公路:
- 生产数据:提供工艺消耗的数据,包括物料清单、CAM数据和NC钻孔程序
- 工艺数据:提供工艺产生的数据,包括产品测量、过程和环境监控
前端工程将数据驱动到生产数据高速公路,供生产工艺使用,而在工艺中收集的数据则被驱动到工艺数据高速公路,供工艺工程师和管理报告使用。这些数据流通常是单向的,在工艺之间几乎没有数据直接传输,而在工艺之间需传输数据的情况下,通常使用纸质传输文件。工艺也很难将有意义的数据发送回生产数据高速公路,因为采集的原始数据无法直接使用。这些原始数据需要转化为智能制造信息。
将数据开发为可操作的制造信息
工艺数据是一组事实,是观察或测量的结果,但信息来自对数据的排列或解释,以提供有意义的结果。没有信息就有数据是可能的,但没有数据就不可能得到信息。
对准控制问题表明需要将原始数据开发成智能制造解决方案。控制对准的典型方法包括试生产批次、剖面分析、比例因子查找表、X射线/视觉钻孔优化器和坐标测量设备,所有这些都会在分析或理解有限的情况下产生大量断开连接的数据。
考虑到其中选项之一,X射线钻孔工艺是对准控制的关键数据源。如果有效使用,它会收集与在制板内各个层上测量目标特征位置相关的坐标数据。然而,钻孔设备不能直接使用该坐标数据来校正在制板内各层的比例误差或错位。钻孔设备需要NC程序来指示每个待钻孔的位置,而不是内层目标的位置。然而,利用分析,可以将测量信息转换为线性缩放、偏移、旋转,甚至非线性转换参数,这些参数可以用于修改NC程序,以最佳地拟合所测量在制板并实现终端客户所需的公差。钻孔设备可以使用这些参数在线修改NC程序,或者可以在在制板到达钻孔设备之前离线生成修改后的NC程序。
X射线钻孔设备可以通过在在制板内钻定位孔,在钻孔设备上进行光学对准,直接影响了钻孔设备的发展,但如何确定这些孔的位置?X射线钻孔设备无法获得在制板每层上每个孔的孔环公差,然后提供加权到在制板关键层的补偿位置。要分别针对每块在制板进行调整,才能进行钻孔,这将会导致失去批量生产的效率,因为必须在钻孔设备上对每个在制板进行光学对准,从而无法使用多轴钻孔设备同时钻若干块在制板。
为了确定应用于钻孔程序的最佳补偿,需要来自生产数据管道的额外数据。这些数据可用于鉴别孔环限制可施加补偿的关键层和特征,如果单组补偿参数不能适用于所有在制板,则智能制造系统将能够识别批次内可以一起钻孔的在制板组,以获得最大效率。
然后,所有这些改进数据都可以自动推送到生产数据高速公路中,为下一个工艺做好准备,但如果工艺无法唯一识别每块在制板,则这些数据的使用将受到限制。可以通过应用机器可读的二维码来实现,允许在在制板到达时自动设置工艺。
从数据中学习
数据代表观察或测量得出的原始事实。信息是为了提供有意义的结果而排列或解释的数据,而知识是已经被理解并可用于做出决策的信息。通过在数据中添加解释和具体情况,数据可以转化为有意义的信息,最终转化为知识。
智慧是运用知识采取行动的能力。在智能制造系统中,数据经采集和分析可提供可操作的见解,并将纠正措施发送至生产数据高速公路。然而,重要的是要理解,并非所有数据都会导致正确的措施,不正确的数据可能会导致不正确的决策。
正如比尔·盖茨所说:“商业中使用的任何技术的第一条规则是,应用于高效运营的自动化会放大效率。第二条规则是应用于低效运营的自动化将放大低效。”
图2:仅仅依靠描述性和诊断性数据已经太晚,此时生产问题已经发生
数据质量和完整性
为了成功实施智能工厂,建立稳健的数据质量和完整性框架对于降低与现有运营流程相关的风险至关重要。数据的不一致和不精确会迅速削弱信任,导致对所使用的信息失去信心。
数据的价值与其质量有着内在的联系,如果没有适当的数据质量保证,其潜力仍有待发掘。此外,当数据不能可靠地集成时,企业往往被迫再去依靠传统方法和机构知识,从而削弱了管理良好的数据所提供的创新和效率的潜力。
大量数据在没有经过必要验证的情况下进入项目和报告中并不罕见。
稳健的过程控制从一开始就至关重要,以确保数据质量,而不是纠正错误。必须对测量设备进行维护和校准,以防止采集的数据中出现干扰信息或偏移。应监测和控制设备周围的环境,以防止温度或湿度的变化反映在采集的数据中。
应通过使用已知标准的日常检查监测数据质量的变化,统计控制应确定何时需要维护或校准,而不是等待预定的时间表。
测量系统分析将通过验证数据差异是由于被测产品的实际差异,而不是由于测量方法或设备操作员导致的变化,来确定测量工艺的精度和精密度。至关重要的是,无论谁在完成设置,机器都要为每个批次进行一致设置。应使用量具R&R方法检查重复性和再现性。
丰富数据
在PCB制造设施中,大量的设计和制造数据分散在不同的位置,并以各种格式存储。通过组合来自多个来源的数据,可以获得额外的信息,这将有助于我们了解工艺。
将测量数据与设计信息相结合,例如孔环和铜上钻孔,可以判定产品是否符合要求,或者是否需要更改工艺参数以提高良率和产品长期可靠性。
整合来自多个来源的相关数据可以增强我们对工艺和材料的了解。将内层缩放因子与测量的缩放误差相结合,可以确定构建中每个芯材的总材料移动量并对其进行补偿。
通过比较多个批次和产品中材料的总移动量,可以确定由工艺或材料变化引起的意外行为。
用工程专业知识补充数据可以将数据转换为动态知识库。如果能回答为什么会发生意外行为,那么就能真正丰富数据。
智能工厂的机器学习
PCB工厂产生的大量数据要求自动化系统智能灵活。技术发展路线图只会朝着更复杂的方向发展,同时产品生命周期会缩短,从而导致更多品种的产品组合。这反过来又增加了所涉及的变量数量,并显著增加了材料、工艺和产品设计的潜在组合数量。
获取为每个可能的组合提供经验数据所需的数据量是不可行的。一般制造商将使用多种树脂系统进行制造,每种树脂系统都有许多芯材厚度和结构、半固化片玻璃布和树脂含量。即使是最简单的产品,也可以在不考虑铜厚度、铜图形或加工路线的情况下,快速产生数千万种可能的组合。
技术能力的提高将对潜在材料和工艺组合的数量产生重大影响:层数的增加、层压循环次数的增加和材料组合的增加会导致更多可能的组合,而行业对它们的行为知之甚少。
单凭历史数据永远无法提供所需的所有答案,当没有可用数据时,工厂会向相关的“专家”寻求建议。专家将借鉴过去的经验或启动DOE程序,为将要发生的事情提供最佳估计。但人类专家不是7×24小时都能找到的,甚至可能会带着他们的知识离开。多个专家可能会有相互矛盾的意见,使想要快速了解信息的决定变得不可能。为了改进,已经开发了计算机化专家,从简单的电子表格到更复杂的基于规则的系统。
动态决策需要用自学习系统取代专家系统。专家系统可以使用一组复杂的规则来做出决策,但这些规则通常是固定的,没有人为干预就不会改变。考虑到前面讨论的可能的产品和工艺排列的数量,不可能开发涵盖每种情况的规则。智能制造需要自身的嵌入式智能。
机器学习可以用于开发明确规则解决问题很难或不可行之处。由于以下3个主要因素,自主学习系统正在制造领域成为现实:
- 最新一代生产设备的数据可用性
- 改进了机器学习和算法
- 功能更强大的计算机
机器学习使自学习系统能够随着不断变化的制造环境而适应和发展。
图3:可提供主动、自适应控制和监控的案例数据流
结论
PCB行业的智能工厂革命取决于对原始数据的有效利用。数据本身不是目的,而是构建智能制造解决方案的基础。通过实施强大的数据质量框架,拥抱机器学习,培养数据驱动决策的文化,行业可以实现其效率、质量和盈利的目标,同时解决对准控制等复杂问题。迈向智能工厂的旅程正在进行中,但它是由数据、信息、知识、智慧以及最终的决定性行动引导的。和所有的旅程一样,它从决定你想去哪个方向并迈出第一步开始。
更多内容可点击这里查看,文章发表于《PCB007中国线上杂志》23年12月号,更多精彩原创内容,欢迎关注“PCB007中文线上杂志”公众号。