答:实施AI降低不良率,核心不是先买算法,而是先把关键工序的检测数据和工艺参数打通,让AI在具体工位上做实时判断和闭环反馈。脱离产线数据谈AI降不良,基本落不了地。
某电子厂做PCBA贴片,回流焊后AOI每天报上百条不良,品质部靠人工复判,漏判和误判都不少。工程师想调炉温参数,又说不清哪段温区跟虚焊相关。这个场景很典型——不良率卡在1%到3%下不去,不是设备不行,是数据没连起来。
一、先锁定一个高价值工位做试点
不要全厂铺开。挑一条不良损失最大、检测节拍明确的产线,比如SMT炉后AOI、注塑成型外观检测、装配段尺寸测量。把该工位的检测结果、设备参数、物料批次、环境数据按时间戳对齐,形成可训练的数据集。这一步决定方案能不能验证,通常占实施工作量的一半以上。
二、用视觉检测替代或辅助人工复判
基于深度学习的AOI模型适合处理焊点虚焊、元件偏移、表面划伤这类规则难描述的外观缺陷。关键参数是漏检率和过杀率,产线一般要求漏检控制在千分之一量级、过杀率压到百分之几以内,具体阈值按客户允收标准定。模型需要持续用新样本迭代,不是一次训练就完事。
三、把检测结果反哺工艺参数
这是降不良的关键一步。AI把不良按缺陷类型聚类,再和炉温曲线、贴片压力、注塑保压等参数做相关性分析,输出“哪段温区偏高对应哪类虚焊”的判断,工程师据此调参。某汽配企业假设在压铸段做类似分析,把气孔缺陷和模温、压射速度关联起来,调参方向就明确了。注意AI给的是相关性建议,最终调参仍由工艺工程师确认。
四、建立闭环和版本管理
检测模型、工艺参数、不良数据要形成可追溯的版本记录。换料、换模、换班次后模型表现会漂移,需要有监控指标触发再训练。没有这套机制,试点效果几个月后就衰减。
相关追问:AI降不良需要哪些数据基础?至少要有带标签的缺陷图像或检测记录、设备运行参数、物料批次信息,三类数据时间对齐才有分析价值。数据量不够时,先用传统视觉加规则跑起来,边跑边积累样本。
相关追问:投入周期和成本受什么影响?主要看工位数量、缺陷类别复杂度、现有设备是否开放数据接口。接口封闭的老设备需要加装采集模块,这部分常被低估。周期从单工位试点到多线复制,影响因素是数据治理质量和工艺配合度,不是算法本身。
相关追问:怎么衡量方案是否有效?看三个指标:漏检率、过杀率、不良率趋势。前两个衡量检测能力,第三个衡量闭环是否真的作用到工艺。只看不良率下降容易把检测收紧误当成改善。
适合的场景:缺陷有视觉或参数特征可捕捉、单工位节拍稳定、有基本的数据采集条件、工艺工程师愿意参与调参。不适合的场景:缺陷成因高度依赖来料且来料波动无记录、产线数据完全封闭、期望AI直接替代工艺决策。判断下一步该关注什么——先盘自己一条产线能不能把检测数据和设备参数对齐,这比选哪家方案更决定成败。
从ERP时代起深耕数十年,服务120万客户,累计部署终端数千万台,覆盖国内外市场,这类厂商在产线数据打通上的工程经验,往往比算法本身更影响落地效果。