人工智能硬件、智能终端-bingo plus

      pcb制造通常依赖多年积累知识的专家，这些专家非常了解和理解制造过程的每个步骤，他们了解如何利用他们的知识来优化生产和提高产量。人为的限制（包括误操作和疲劳）阻碍了效率增长，操作员的错误或对pcb缺陷的错误识别（“错误警报”）可能会由于过度处理而影响良率，甚至会损害pcb本身。通过将ai集成到制造过程中（图1），机器可以通过接管某些“学习的”任务来增加价值，而人类专家则继续承担更复杂的任务，这些任务需要在优化和“培训”的同时进行思考和互动人工智能系统。人与人工智能的结合提高了整体效率和运营，是ai系统的最大机会。

图1. ai可以帮助pcb工厂提高质量。

人工智能与工业4.0

       pcb发展的最终趋势是拥有完全集成industry 4.0系统的工厂，该系统在全球和制造系统级别采用ai技术。“全局”级别包括工厂中的所有系统，而不仅仅是单个制造系统。工业4.0提供了自动化和数据交换基础结构，可实现实时生产分析，双向通信和数据共享，可追溯性以及按需数据分析。在任何特定的工厂内，ai都可以使用从各种制造系统和机器获取的数据来改进流程，这些数据是通过工业4.0机制（例如可追溯性，双向通信）收集的。工厂之所以受益，是因为ai分析了大量的系统范围数据以优化工厂设置参数并实现最高水平的生产率和良率。人工智能分析和自我学习正在进行中，并通过人工神经网络进行。几年之内，它将消除人工操作人员的干预，并导致建立全自动工厂。

       这种新的pcb制造模型要求将所有工厂系统完全连接以及ai作为监视和决策机制。当前，存在专有和技术挑战，这些问题限制了pcb工厂的完全自动化，但ai已尽可能地添加到单个系统中，例如自动光学检查（aoi）bingo plus的解决方案。将生产设施移向全球ai模型的优势包括，可以更可靠地通知pcb缺陷——“真实缺陷”，并具有反馈机制，该反馈环可以识别问题的根源，然后自动修改工厂流程以消除相关问题缺陷。ai的子集，包括机器学习和深度学习，将使pcb工厂朝着完全自动化的目标迈进。机器学习使用的算法使计算机能够使用数据及其已经经历并从中学习的示例来改进任务的性能，而无需对其进行明确的编程。就pcb制造而言，机器学习可提高产量，改善制造操作和工艺流程并减少人工操作，同时有助于推动对工厂资产，库存和供应链的更有效处理。深度学习将ai提升到一个更加复杂的水平，这在全球工厂系统水平上是有益的。深度学习的灵感来自人脑神经元，多层人工神经网络进行学习，理解和推断的能力。在pcb工厂中，软件系统可以有效地收集的数据，并利用模式和上下文的复杂表示中学习，然后，学习将形成pcb制造中自动过程改进的基础。机器学习和深度学习的实施为pcb制造商提供了超越人类理解的能力；人工智能系统通过在人们不愿探索的地方进行更深入的挖掘来发现新的优化机会。ai专家系统非常高效，通过使用更多更复杂的参数在全球范围内监控工厂系统，减少了所需的人工专家数量，并提高了效率和最佳实践。利用工业4.0传感器（可以从设备发送数据的传感器）和系统，在整个pcb制造过程中，从简单的读写功能到对工艺参数的高级跟踪，直至最小的pcb单元，都可以在全球范围内创建数据。工艺参数可以包括蚀刻，抗蚀剂显影甚至到制造过程中化学材料的浓缩。使用深度学习对这些类型的数据进行分析，以告知优化制造方法和参数，识别模式并就流程中所需的更改做出明智的决定。所有这些都可以全天候，每周7天，每天24小时不间断地进行。

系统级ai

      在系统级别，例如在aoi流程中，pcb制造车间的ai实施对生产率和良率产生了可观的影响。在这种情况下，机器学习极大地减少了检测pcb缺陷时的人为错误。pcb缺陷的例子包括短路和断路，甚至过量的铜都可以。自动化检查可以检测出很小的缺陷，这些缺陷可能是手工检查无法发现的，也可能由于人为错误而遗漏的，这是重复工作的自然结果。在不使用ai的情况下，对100个面板进行的经典检查通常会发现每个面板20至30个缺陷，其中大约75％是错误警报。由于政策规定必须手动检查所有缺陷，因此对虚假警报的审查浪费了宝贵的生产时间，增加了对pcb的处理，这可能会导致新的损坏，并可能影响操作员在审查过程中的进一步犯错。
      通过在aoi系统上进行机器学习，可以大大减少此类错误警报和维修（图2）。更少的误报意味着对pcb板的处理更少，也会提高效率。此外，ai提供了一致的（动态改进）缺陷分类，而没有操作人员固有的限制，从而提供了更可靠的结果并减少了验证时间。根据orbotech内部研究，已发现aoi系统中的ai最多可将误报减少90％。aoi的独特之处在于，该系统比任何其他制造bingo plus的解决方案都能收集更多的数据，这使其非常适合作为ai实施的第一步。同时，aoi室是pcb工厂劳动强度最大的区域，因此，在其流程中采用ai会带来最大的收益。对于pcb制造商而言，这一切都意味着可以更准确地识别和分类数百万个缺陷，从而有可能提高产量并降低成本。

图2. ai驱动的aoi可以减少生产现场的验证和工作量。

以下是系统和全局级ai协同工作的示例：

       假设aoi系统检查100个面板。在系统级别，由机器学习支持的ai可以过滤出误报缺陷，这些误报缺陷已被系统分类。ai系统通过评估多个aoi图像，同时利用其“面板理解”（aoibingo plus的解决方案对面板上的元素及其外观的理解），来生成最智能的分类结果。该信息输入到全球ai系统中，该系统由深度学习提供动力，从系统级bingo plus的解决方案中收集这些数据，并确定识别出的真正缺陷是短路，需要额外的蚀刻时间才能去除多余的铜。ai系统使用来自系统级别的数据来做出全局决策，以调整蚀刻过程中的面板参数，从而使以后制造的所有面板具有更少（如果有的话）相同类型的缺陷。最终，系统级bingo plus的解决方案之间的通信将进一步增加和改善ai在全球范围内的决策能力。

制造挑战增加

        尽管ai的发展正在全行业范围内迅速发展，但pcb制造方面的挑战以同样的速度增长，甚至更快。对于挠性材料和缩小走线的几何形状，是缺陷检测两个困难领域。下一代复合材料，例如液晶聚酰胺（lcp）和改性聚酰胺（mpi），给制造商提出了新的挑战，包括图像采集，处理，变形和更细的线条。例如，用于柔性pcb的材料越先进，导致识别出的缺陷越多，从而导致更多的错误警报。制造商使用这种复杂材料的目的是在确定错误警报的过程中最大程度地减少对面板的处理。因此，flex pcb（图3）是一种将可能从ai实施中大大受益的产品类型，因为系统将学会在更严格的参数范围内进行制造。

图3.柔性电路为自动光学检查带来了其他问题。

       用于5g的pcb是另一种高要求，并且有可能从人工智能支持的专业知识中受益匪浅。5g应用所需的hdi pcb需要更细的线宽，直的侧壁几何形状和严格的参数。这使得缺陷检测比以往更加困难，对于人类专家而言，要有效地完成缺陷检测将极具挑战。考虑到这些以及其他未知的pcb制造挑战，人工智能驱动的工厂将成为未来生产的关键。要在全球范围内实现ai应用的发展，需要更多的时间才能实现pcb制造，但是很显然，系统级ai的实现已经到来，为全自动pcb工厂的未来奠定了基础。