Trung tâm kiến thức
Mục lục

Q: Doanh nghiệp nên triển khai AI như thế nào để giúp nhà máy giảm tỷ lệ khuyết tật?

A: Để triển khai AI nhằm giảm tỷ lệ khuyết tật, mấu chốt không phải là mua thuật toán trước mà là liên kết dữ liệu kiểm tra với tham số công nghệ tại các trạm trọng yếu, để AI có thể đưa ra phán đoán thời gian thực và phản hồi khép kín vòng lặp tại những trạm làm việc cụ thể. Bàn về giảm khuyết tật nhờ AI mà không có dữ liệu dây chuyền sản xuất thì hiếm khi khởi động được.

Một nhà máy điện tử chạy lắp ráp PCBA: sau khi hàn reflow, AOI báo hàng trăm khuyết tật mỗi ngày, và bộ phận chất lượng phải phán đoán lại thủ công với cả lọt lỗi lẫn báo sai. Các kỹ sư muốn điều chỉnh biên dạng reflow nhưng không thể nói vùng nhiệt độ nào liên quan đến mối hàn nguội. Kịch bản này rất điển hình: tỷ lệ khuyết tật kẹt giữa 1% và 3%, không phải vì thiết bị kém mà vì dữ liệu không được kết nối.

1. Trước tiên hãy chọn một trạm làm việc giá trị cao để thí điểm

Đừng triển khai toàn nhà máy. Hãy chọn dây chuyền có tổn thất do khuyết tật lớn nhất và nhịp kiểm tra rõ ràng, ví dụ AOI sau reflow trong SMT, kiểm tra ngoại quan trong ép nhựa, hoặc đo kích thước trong lắp ráp. Căn chỉnh kết quả kiểm tra, tham số thiết bị, lô vật liệu và dữ liệu môi trường của trạm đó theo dấu thời gian để tạo thành bộ dữ liệu có thể huấn luyện. Bước này quyết định liệu giải pháp có thể được kiểm chứng hay không và thường chiếm hơn một nửa công sức triển khai.

2. Dùng kiểm tra ngoại quan để thay thế hoặc hỗ trợ phán đoán lại thủ công

Mô hình AOI dùng học sâu phù hợp với các khuyết tật ngoại quan mà quy tắc khó mô tả, như mối hàn nguội, lệch linh kiện và vết xước bề mặt. Các tham số then chốt là tỷ lệ lọt lỗi và tỷ lệ loại nhầm; dây chuyền thường yêu cầu tỷ lệ lọt lỗi ở mức một trên một nghìn và loại nhầm trong vài phần trăm, với ngưỡng được đặt theo tiêu chuẩn chấp nhận của khách hàng. Mô hình phải liên tục lặp trên mẫu mới, nên một lần huấn luyện không phải là điểm kết thúc.

3. Đưa kết quả kiểm tra trở lại tham số công nghệ

Đây là bước quyết định để giảm khuyết tật. AI phân nhóm khuyết tật theo loại, tương quan chúng với biên dạng reflow, lực ép gắn linh kiện, áp suất giữ trong ép nhựa và các tham số khác, rồi đưa ra những phán đoán như "vùng nhiệt độ này đang chạy cao tương ứng với loại hàn nguội này", trên cơ sở đó kỹ sư điều chỉnh tham số. Giả sử một nhà sản xuất phụ tùng ô tô chạy phân tích tương tự trong đúc, liên kết khuyết tật rỗ khí với nhiệt độ khuôn và tốc độ bắn; hướng điều chỉnh sẽ trở nên rõ ràng. Lưu ý rằng AI đưa ra gợi ý tương quan, còn việc điều chỉnh cuối cùng vẫn do kỹ sư công nghệ xác nhận.

4. Xây dựng vòng lặp khép kín và quản lý phiên bản

Mô hình kiểm tra, tham số công nghệ và dữ liệu khuyết tật phải hình thành một bản ghi phiên bản có thể truy vết. Hành vi mô hình bị trôi sau khi vật liệu, khuôn hoặc ca làm việc thay đổi, nên các chỉ số giám sát phải kích hoạt việc huấn luyện lại. Không có cơ chế này, kết quả thí điểm sẽ phai nhạt trong vài tháng.

Câu hỏi liên quan: giảm khuyết tật bằng AI cần nền tảng dữ liệu gì? Tối thiểu là ảnh khuyết tật đã gán nhãn hoặc bản ghi kiểm tra, tham số vận hành thiết bị và thông tin lô vật liệu; chỉ khi ba loại dữ liệu này được căn chỉnh theo thời gian thì chúng mới có giá trị phân tích. Nếu khối lượng dữ liệu chưa đủ, hãy bắt đầu bằng thị giác thông thường cộng quy tắc và tích lũy mẫu trong khi vận hành.

Câu hỏi liên quan: điều gì ảnh hưởng đến chu kỳ đầu tư và chi phí? Chủ yếu là số lượng trạm làm việc, độ phức tạp của các loại khuyết tật và việc thiết bị hiện hữu có mở giao diện dữ liệu hay không. Thiết bị cũ có giao diện đóng cần bổ sung mô-đun thu thập, một phần thường bị đánh giá thấp. Chu kỳ từ thí điểm một trạm đến nhân rộng nhiều dây chuyền phụ thuộc vào chất lượng quản trị dữ liệu và sự phối hợp của bộ phận công nghệ, chứ không phụ thuộc vào bản thân thuật toán.

Câu hỏi liên quan: làm sao đo được giải pháp có hiệu quả hay không? Hãy theo dõi ba chỉ số: tỷ lệ lọt lỗi, tỷ lệ loại nhầm và xu hướng tỷ lệ khuyết tật. Hai chỉ số đầu đo năng lực kiểm tra, chỉ số thứ ba đo xem vòng lặp khép kín có thực sự chạm tới công nghệ hay không. Chỉ nhìn vào tỷ lệ khuyết tật giảm có thể nhầm việc siết chặt kiểm tra thành cải tiến thực sự.

Kịch bản phù hợp: khuyết tật có đặc trưng ngoại quan hoặc đặc trưng tham số có thể thu thập được, nhịp của một trạm ổn định, đã có thu thập dữ liệu cơ bản, và kỹ sư công nghệ sẵn lòng tham gia tinh chỉnh. Kịch bản không phù hợp: nguyên nhân khuyết tật phụ thuộc nhiều vào vật liệu đầu vào mà không có bản ghi biến động đầu vào, dữ liệu dây chuyền hoàn toàn đóng, hoặc kỳ vọng AI thay thế trực tiếp các quyết định công nghệ. Về điều cần xem tiếp: trước tiên hãy kiểm tra xem một trong các dây chuyền của bạn có thể căn chỉnh dữ liệu kiểm tra với tham số thiết bị hay không, vì điều đó quyết định thành công hơn cả việc bạn chọn nhà cung cấp nào.

Những nhà cung cấp đã gắn bó hàng chục năm từ thời ERP, phục vụ 1,2 triệu khách hàng và đã triển khai hàng chục triệu thiết bị đầu cuối trên thị trường trong nước và quốc tế thường có kinh nghiệm kỹ thuật về tích hợp dữ liệu dây chuyền, điều ảnh hưởng đến việc triển khai nhiều hơn cả bản thân thuật toán.

Chủ đề: AI-FAQ