PCB 工廠迎來人工智慧時代

PCB 已從過去的大尺寸「印刷線路板」發展到如今的高密度互連 (HDI) PCB、IC 載板 (ICS) 等極細線路設計，而相應地，製造流程也從手工組裝演變為高度自動化生產。隨著製造技術進一步發展,製造流程也愈發複雜精細，包括提高檢查能力以及改善導致板材報廢的缺陷。如今，PCB 製造業迎來了千載難逢的重大機遇，即利用人工智慧(AI) 來優化生產流程，最終使整個PCB製造設施獲利。

PCB 製造通常依賴學識深厚、經驗豐富的專家。這些專家對製造流程的每一步驟都瞭若指掌。他們知曉如何利用技術來優化生產和提升良率。但是，諸如失誤和疲勞等局限性會限制專家發揮。操作員的失誤或對 PCB 缺陷的誤判 (即"誤報")，可能會對良率造成嚴重影響，甚至可能會因過度處理而影響 PCB 本身。通過將人工智慧集成到製造流程中 (圖 1)，可使機器能為那些已經『學習』過的的任務增加更多價值，而人類專家可在優化和"培訓"人工智慧系統的同時，繼續承擔需要思考和互動的更複雜任務。人類與人工智慧的結合能夠提高整體效率和操作性，並為人工智慧專家系統帶來絕佳機遇。

图1 人工智慧能夠幫助PCB 工廠提升品質

人工智慧和工業 4.0

未來的 PCB 製造將全面整合工業 4.0 系統，該系統將在整體和製造系統層面採用人工智慧。"整體"層面包括整個工廠的所有系統，而不僅僅是單個製造系統。工業 4.0 提供自動化及數據交換基礎設施，可以進行即時的生產分析、雙向通訊及數據分享、追蹤及按需數據分析。在任何特定工廠，人工智慧均可利用從各製造系統和機器獲取的數據來改進流程，這些數據通過追蹤系統、雙向通訊等工業 4.0 機制收集。工廠能夠從中受益的原因在於人工智慧能夠分析大量系統級數據，從而優化工廠設置參數，實現最高的產量和良率水準。人工智慧分析和自我學習是通過人工神經網路持續進行的。幾年內，勢將消除人類操作員的干預，建立全自動化工廠。

這種新的 PCB 製造模式要求所有工廠系統全面連通，並將人工智慧應用於監控和決策機制。目前，專利和技術方面的挑戰限制了PCB工廠實現全自動化。因此，如今在可能的情況下，人工智慧會被投入到各個系統中，例如自動光學檢測 (AOI) 解決方案。促進生產工廠邁向全域人工智慧模式具有諸多優勢，其中包括更為可靠的PCB缺陷 ("真正缺陷") 通知，兼具反饋回路能夠確定問題來源並自動修改工廠流程來消除相關缺陷。

機器學習和深度學習等人工智慧的子領域將使 PCB 工廠朝向全自動化發展。機器學習能夠藉助演演演算法，讓計算機在無需輸入精確程序的情況下，利用數據和已經經歷和學習過的案例來提高任務性能。而針對 PCB 製造，機器學習有助於提高良率，改進製造操作和流程，減少手動操作，同時提升處理工廠資產、庫存和供應鏈的效率。

深度學習會將人工智慧帶到更加複雜的層面，從整體工廠系統層面實現提升。深度學習原理源於人腦利用多方面、多層次的人工神經網路來學習、理解和推斷的能力。在 PCB 工廠，軟體專家系統能夠從所收集到的數據的分析、模式和前後複雜程式中進行高效學習。學習構成 PCB 製造中自動化流程優化的基礎。

機器學習和深度學習的實施為 PCB 製造商提供了超越人類理解範疇的能力。也就是說，人工智慧系統可通過深入挖掘，在人類未知的領域發現新的優化機會。人工智慧專家系統工作高效，能夠通過利用更多更複雜的參數在全域層面上監控工廠系統，從而減少所需的人類專家數量，提高效率，改進最佳實踐。

借助工業 4.0 感測器 (可從設備發送數據) 和系統，可在整個 PCB 製造流程中從全域層面創建數據，從簡單的讀寫能力到先進的流程參數追蹤，再到最小的 PCB 單元。流程參數可包括製造流程中的蝕刻、抗蝕劑顯影和化學材料的濃度。利用深度學習針對這些類型的數據進行分析，從而優化製造方法和參數，識別模式，並針對流程中所需的更改做出明智的決策。所有這些均可全天候全自動進行。

系統級人工智慧

在系統層面，當前 PCB 製造車間的人工智慧實施為製造流程的生產率和良率帶來了可觀的影響，就比如 AOI 流程。在這種情況下，機器學習能夠大幅減少檢測 PCB 缺陷時的人為錯誤。PCB 缺陷包括短路、斷路或微量殘銅。自動化檢測能夠檢測到細微缺陷，這些缺陷可能無法通過手動檢測發現，或者可能由於人為錯誤而遺漏，而這都是重複性工作的自然結果。

在不使用人工智慧的情況下，對 100 片板進行常規檢測通常會發現每塊板材約有 20-30 個缺陷，而其中將近 75% 可能是誤報。由於規定必須手動複檢所有缺陷，因此複檢誤報不僅浪費了寶貴的生產時間，而且增加了PCB的生產流程，這又可能導致新的損耗，並增加操作員在複檢期間進一步錯誤分析的可能性，因為操作員可能疲勞、過度勞累或分心。

而 AOI 系統採用的是機器學習，可使諸如此類的誤報和修復工作得以大幅減少 (圖 2)。更少的誤報意味著更少的面板處理工作，這本身將提高良率。此外，人工智慧提供了一致的 (且動態改進的)缺陷分類，而不受操作員固有的限制，從而提供了更為可靠的結果，並減少了確認時間。基於奧寶科技內部研究，AOI 系統中的人工智慧可減少高達 90% 的誤報。AOI 系統的獨特之處在於其收集到的數據多於任何其他生產程式，這使得它非常適合作為人工智慧實施的首項準備工作。與此同時，AOI 車間是 PCB 工廠中工作力最密集的區域，因此，在其流程中採用人工智慧將大有助益。對於 PCB 製造商來說，這一切意味著可以更準確地識別和分類數百萬個缺陷，並提高良率和降低成本。

图 2 AOI系統中的人工智慧可以減少驗證,節省產線人力

整體層面和系統層面人工智慧協作

以下是系統和整體層面人工智慧協作的示例：假設一台AOI將檢測 100 片板，在整體層面，由機器學習驅動的人工智慧會過濾掉被系統歸類為短路的誤報缺陷。人工智慧系統通過評估多個 AOI 圖像，同時利用其「全板學習認知功能」 (AOI 解決方案對PCB板各要素及其線路設計的認知) 生成最為智慧的分類結果。由深度學習驅動的人工智慧系統可從系統級解決方案中收集相關數據，而這些資訊將被送入人工智慧系統，從而確定所識別到的真正缺陷為短路，需要額外的蝕刻時間去除殘銅。人工智慧系統將藉助系統級數據做出整體決策，以調整蝕刻流程中的板材參數，從而盡量避免未來生產的所有面板中出現同類缺陷。最終，系統級解決方案之間的溝通將進一步增強和提高人工智慧在整體層面的決策能力。

製造挑戰攀升

儘管人工智慧在整個行業內迅速發展，但 PCB 製造方面的挑戰幾乎正以同樣的速度增長。缺陷檢測愈發困難的兩個主要領域是柔性材料和線路微小化。新一代複雜材料，如液晶聚醯胺 (LCP) 和改性聚醯胺 (MPI)，給製造商帶來了新的挑戰，包括圖像採集、處理、變形和更精細的線條。例如，用於柔性 PCB 的更為複雜的材料會導致更多的缺陷被識別，從而導致更多的誤報。對於這類複雜材料的處理，製造商希望在確定錯誤警報的過程中盡量減少對板材的處理。因此，柔性 PCB (圖 3) 可能會從人工智慧實施中獲得巨大優勢，因為系統將學會在更嚴格的參數下生產。