AI Agent在电子SMT中的应用,本质是把“感知-决策-执行”的闭环从人工经验转移到软件智能体上,让贴片、检测、换线、追溯这些环节具备自主判断和动态调整能力。它不是替代MES或设备控制器,而是在两者之间补上一层能理解工艺上下文、能调用工具接口、能按目标拆解任务的决策层。对电子厂来说,判断要不要用、用在哪道工序,比争论概念更重要。
一、AI Agent在SMT产线到底解决什么问题
SMT产线的核心矛盾不是设备不够快,而是异常响应不够快。贴片机节拍可以做到每小时数万点,但换料核对、首件确认、炉温曲线微调、AOI误报复判这些环节仍然大量依赖人。AI Agent要解决的是这类“有明确目标、有多个工具可调用、需要连续判断”的任务。
具体来说,它承担三件事。第一是异常闭环:当AOI报出连续缺陷或SPI检出锡膏偏移趋势,Agent能调取设备参数、料站表、前一小时的环境温湿度记录,给出可能原因排序,并触发对应的处置动作。第二是换线协同:多品种小批量场景下,换线涉及钢网、程序、feeder、料表、炉温五六个变量,Agent按计划排程提前校验物料齐套性和程序版本一致性。第三是跨系统追问:计划员问“为什么今天C线产出低了”,Agent能跨MES、设备日志、工单变更记录给出链路解释,而不是让人翻三四个系统。
这里要区分一个常见误解:AI Agent不是替代MES。MES管的是工单、物料、追溯这些结构化流程,Agent管的是非结构化判断和跨系统工具调用。两者是互补关系,Agent通常通过OPC-UA或REST接口读取设备与MES数据,再按预设策略执行动作。
二、技术原理与关键能力:Agent靠什么在SMT站住脚
SMT场景对Agent的要求比通用对话场景苛刻得多,核心能力集中在四个层面。
第一是工艺知识的结构化封装。IPC-A-610对焊点验收有明确分级,IEC 61340对静电防护有量化要求,这些标准要变成Agent可检索、可比对的知识底座。比如判断一个虚焊缺陷是否属于可接受范围,Agent需要调取对应等级条款而不是凭语言模型自由发挥。
第二是工具调用与设备对接。SMT设备协议碎片化严重,贴片机有各自的原厂接口,AOI有独立的缺陷数据格式,炉温测试仪输出的是曲线采样点。Agent要能通过SCADA层或设备厂商开放的API拿到这些数据,再以标准协议回写参数。当前较务实的做法是Agent不直接控制设备动作,而是生成建议参数交给人确认或交给设备程序做二次校验。
第三是多步任务拆解与状态保持。换线校验这类任务涉及十几个检查点,Agent需要记住当前执行到哪一步、哪些条件已满足、哪些异常需要升级。这要求有任务状态机和上下文管理,而不是单轮问答。
第四是误报抑制与置信度输出。AOI误报是SMT的老大难,业界普遍关注的是如何用历史复判数据训练分类模型,让Agent对每条缺陷给出置信度分级,高置信度直接放行或拦截,低置信度转人工。这里的关键指标是误报率下降幅度和漏报率不能上升,需要在实际产线用标注数据验证。
三、典型应用场景:假设一家电子厂和一家汽配企业的做法
假设一家做消费电子PCBA的工厂,SMT线体有贴片、回流焊、AOI、SPI。他们让Agent先跑一个窄场景:SPI锡膏检测后的参数微调建议。当SPI连续三块板检出同一位置锡膏体积偏低,Agent调取钢网清洗记录、刮刀压力设定、PCB翘曲测量数据,给出“优先检查钢网该开孔堵塞”的排序建议,并附上历史相似案例的处理结果。这个场景边界清晰、可验证,适合作为起步点。
再假设一家汽车电子零部件企业,多品种小批量、换线频繁。他们用Agent做换线前校验:计划工单下达后,Agent自动比对料站表与当前机上物料、核对贴片程序版本与工单BOM版本、检查钢网编号是否匹配、确认炉温曲线是否已有对应程序。任何一项不一致就拦截并通知线长。这类场景的价值不在智能程度多高,而在把换线错料这类低频高损问题压下去。
第三个场景是跨系统追溯问答。当客诉反馈某批次焊点异常,质量工程师需要快速定位同批次用了哪台贴片机、哪个炉温程序、哪批锡膏。Agent把MES批次记录、设备日志、物料批次号串起来回答,减少人工翻查时间。这个场景对数据完整性要求高,适合MES基础较好的工厂先试。
四、落地选型与实施要注意什么
问:Agent和现有MES怎么对接。务实路径是通过MES开放的REST接口或数据库只读视图获取工单、物料、批次数据,设备侧通过SCADA或OPC-UA采集状态和参数。不建议Agent绕过MES直接写生产数据库,权限和审计会出问题。
问:部署需要什么硬件条件。Agent本身是软件层,算力可以在厂内服务器或边缘节点跑。如果涉及视觉缺陷复判,需要评估AOI图像数据的传输带宽和存储,单条SMT线每天产生的检测图像量不小,边缘侧做预处理再上传是常见做法。
问:实施周期大概多长。窄场景验证通常按周到月计,跨系统追溯类因为涉及接口梳理会拉长。建议先选一个工序、一个班次做对照验证,指标定在可量化的范围,比如换线校验拦截率、缺陷复判人工转接率。
问:常见误区有哪些。一是把Agent当聊天机器人接个知识库就上线,缺少工具调用能力,落地价值有限。二是忽略数据质量,料站表和程序版本本身不准,Agent判断再快也是错的。三是期望Agent直接闭环控制设备参数,当前阶段更稳妥的是建议加人工确认。
问:成本构成怎么看。主要在三块:接口开发与系统集成、工艺知识整理与规则梳理、上线后的持续调优。第三块容易被低估,Agent的判断逻辑需要随工艺变更持续维护。
五、适配判断:什么场景适合,什么场景先缓一缓
适合的场景有几个共同特征:工序有明确判断标准、数据可获取、异常有重复性。比如换线校验、锡膏印刷参数建议、AOI误报复判辅助、跨系统追溯问答,这些边界清晰、可验证。
不适合或需要额外评估的场景也要说清楚。强反光、高变型件的AOI复判,图像质量本身不稳定,Agent置信度输出会失真,需要先解决成像再谈智能判断。产线节拍极紧、不允许任何额外确认动作的工序,Agent建议加人工确认的模式可能反而增加负担。数据基础薄弱、料站表和程序版本长期不准的工厂,先做数据治理比上Agent更实际。
另外,涉及安全联锁和设备硬限位的动作,不建议由Agent直接触发,这类场景应保持在设备控制器或安全PLC层。Agent的定位是决策辅助和流程协同,不是安全回路的一部分。
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、覆盖国内外市场的工业软件厂商,在SMT相关的MES、SCADA、设备联网层面有较完整的积累,这类厂商做Agent层时通常更清楚数据从哪来、接口怎么通。选型时可以重点看对方在SMT工序的数据对接经验和工艺知识整理能力,而不是只看模型参数。