PCB 工厂迎来人工智能时代

PCB 已从过去的大尺寸 “印刷线路板” 发展到如今的高密度互连 (HDI) PCB、IC 载板 (ICS) 等极细线路设计，而相应地，制造流程也从手工组装演变为高度自动化生产。随着制造技术进一步发展，制造流程也愈发复杂精细，包括提高检查能力以及改善导致板材报废的缺陷。如今，PCB 制造业迎来了千载难逢的重大机遇，即利用人工智能 (AI) 来优化生产流程，最终使整个 PCB 制造设施获利。

PCB 制造通常依赖学识深厚、经验丰富的专家。这些专家对制造流程的每一步骤都了如指掌。他们知晓如何利用技术来优化生产和提升良率。但是，诸如失误和疲劳等局限性会限制专家发挥。操作员的失误或对 PCB 缺陷的误判（即“误报”），可能会对良率造成严重影响，甚至可能会因过度处理而影响 PCB 本身。通过将人工智能集成到制造流程中（图 1），可使机器能为那些已经‘学习’过的的任务增加更多价值，而人类专家可在优化和“培训”人工智能系统的同时，继续承担需要思考和互动的更复杂任务。人类与人工智能的结合能够提高整体效率和操作性，并为人工智能专家系统带来绝佳机遇。

图1 人工智能能够帮助PCB 工厂提升品质

人工智能和工业 4.0

未来的 PCB 制造将全面整合工业 4.0 系统，该系统将在整体和制造系统层面采用人工智能。“整体”层面包括整个工厂的所有系统，而不仅仅是单个制造系统。工业 4.0 提供自动化及数据交换基础设施，可以进行实时的生产分析、双向通讯及数据分享、追踪及按需数据分析。在任何特定工厂，人工智能均可利用从各制造系统和机器获取的数据来改进流程，这些数据通过追踪系统、双向通讯等工业 4.0 机制收集。工厂能够从中受益的原因在于，人工智能能够分析大量系统级数据，从而优化工厂设置参数，实现最高的产量和良率水平。人工智能分析和自我学习是通过人工神经网络持续进行的。几年内，势将消除人类操作员的干预，建立全自动化工厂。

这种新的 PCB 制造模式要求所有工厂系统全面连通，并将人工智能应用于监控和决策机制。目前，专利和技术方面的挑战限制了 PCB 工厂实现全自动化。因此，如今在可能的情况下，人工智能会被投入到各个系统中，例如自动光学检测 (AOI) 解决方案。促进生产工厂迈向全局人工智能模式具有诸多优势，其中包括更为可靠的 PCB 缺陷（“真正缺陷”）通知，兼具反馈回路能够确定问题来源并自动修改工厂流程来消除相关缺陷。

机器学习和深度学习等人工智能的子领域将使 PCB 工厂朝向全自动化发展。机器学习能够借助算法，让计算机在无需输入精确程序的情况下，利用数据和已经经历和学习过的案例来提高任务性能。而针对 PCB 制造，机器学习有助于提高良率，改进制造操作和流程，减少手动操作，同时提升处理工厂资产、库存和供应链的效率。

深度学习会将人工智能带到更加复杂的层面，从整体工厂系统层面实现提升。深度学习原理源于人脑利用多方面、多层次的人工神经网络来学习、理解和推断的能力。在 PCB 工厂，软件专家系统能够从所收集到的数据的分析、模式和前后复杂程序中进行高效学习。学习构成 PCB 制造中自动化流程优化的基础。

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范畴的能力；也就是说，人工智能系统可通过深入挖掘，在人类未知的领域发现新的优化机会。人工智能专家系统工作高效，能够通过利用更多更复杂的参数在全局层面上监控工厂系统，从而减少所需的人类专家数量，提高效率，改进最佳实践。

借助工业 4.0 传感器（可从设备发送数据）和系统，可在整个 PCB 制造流程中从全局层面创建数据，从简单的读写能力到先进的流程参数追踪，再到最小的 PCB 单元。流程参数可包括制造流程中的蚀刻、抗蚀剂显影和化学材料的浓度。利用深度学习针对这些类型的数据进行分析，从而优化制造方法和参数，识别模式，并针对流程中所需的更改做出明智的决策。所有这些均可全天候全自动进行。

System-level AI

系统级人工智能

在系统层面，当前 PCB 制造车间的人工智能实施为制造流程的生产率和良率带来了可观的影响，就比如 AOI 流程。在这种情况下，机器学习能够大幅减少检测 PCB 缺陷时的人为错误。PCB 缺陷包括短路、断路或微量残铜。自动化检测能够检测到细微缺陷，这些缺陷可能无法通过手动检测发现，或者可能由于人为错误而遗漏，而这都是重复性工作的自然结果。

在不使用人工智能的情况下，对 100 片板进行常规检测通常会发现每块板材约有 20-30 个缺陷，而其中将近 75% 可能是误报。由于规定必须手动复检所有缺陷，因此复检误报不仅浪费了宝贵的生产时间，而且增加了PCB 的生产流程，这又可能导致新的损耗，并增加操作员在复检期间进一步错误分析的可能性，因为操作员可能疲劳、过度劳累或分心。

而 AOI 系统采用的是机器学习，可使诸如此类的误报和修复工作得以大幅减少（图 2）。更少的误报意味着更少的面板处理工作，这本身将提高良率。此外，人工智能提供了一致的（且动态改进的）缺陷分类，而不受操作员固有的限制，从而提供了更为可靠的结果，并减少了确认时间。基于奥宝科技内部研究，AOI 系统中的人工智能可减少高达 90% 的误报。AOI 系统的独特之处在于，其收集到的数据多于任何其他生产程序，这使得它非常适合作为人工智能实施的首项准备工作。与此同时，AOI 车间是 PCB 工厂中劳动力最密集的区域，因此，在其流程中采用人工智能将大有助益。对于 PCB 制造商来说，这一切意味着可以更准确地识别和分类数百万个缺陷，并提高良率和降低成本。

图 2 AOI 系统中的人工智能可以减少验证，节省产线人力

整体层面和系统层面人工智能协作

以下是系统和整体层面人工智能协作的示例：假设一台AOI将检测 100 片板，在整体层面，由机器学习驱动的人工智能会过滤掉被系统归类为短路的误报缺陷。人工智能系统通过评估多个 AOI 图像，同时利用其“全板学习认知功能”（AOI 解决方案对PCB板各要素及其线路设计的认知）生成最为智能的分类结果。由深度学习驱动的人工智能系统可从系统级解决方案中收集相关数据，而这些信息将被送入人工智能系统，从而确定所识别到的真正缺陷为短路，需要额外的蚀刻时间去除残铜。人工智能系统将借助系统级数据做出整体决策，以调整蚀刻流程中的板材参数，从而尽量避免未来生产的所有面板中出现同类缺陷。最终，系统级解决方案之间的沟通将进一步增强和提高人工智能在整体层面的决策能力。

制造挑战攀升

尽管人工智能在整个行业内迅速发展，但 PCB 制造方面的挑战几乎正以同样的速度增长。缺陷检测愈发困难的两个主要领域是柔性材料和线路微小化。新一代复杂材料，如液晶聚酰胺 (LCP) 和改性聚酰胺 (MPI)，给制造商带来了新的挑战，包括图像采集、处理、变形和更精细的线条。例如，用于柔性 PCB 的更为复杂的材料会导致更多的缺陷被识别，从而导致更多的误报。对于这类复杂材料的处理，制造商希望在确定误报的过程中尽量减少对板材的处理。因此，柔性 PCB（图 3）可能会从人工智能实施中获得巨大优势，因为系统将学会在更严格的参数下生产。