Projektbeschreibung

Die fortschreitende Miniaturisierung von elektronischen Bauelementen stellt immer höhere Anforderungen an den Lotpastendruck, die Bestückung und den Lötprozess innerhalb von SMT-Fertigungslinien. Dank der bereits großen Mengen an vorhandenen Messdaten bieten sich auf maschinellen Lernverfahren basierende Modelle an, um die Prozesse selbst, sowie die Qualität der elektronischen Baugruppen zu verbessern. Weiteres Optimierungspotential liegt in der Reduzierung von Stillstandszeiten der einzelnen Anlagen.

Das Forschungsprojekt „Distributive Machine Learning in Electronics Production (D-LEAP)“ beschäftigt sich mit der Nutzung der bereits vorhandenen Messdaten, um diese Anwendungsfälle mit Hilfe von ML-Modellen lösen zu können. Es sollen intelligente Instandhaltungsstrategien, beispielweise für die Reinigung der Anlagen, entwickelt werden. Außerdem soll mit Hilfe der Modelle die Möglichkeit geschaffen werden, Prozessparameter anlagen- und linienübergreifend anpassen zu können, um die Qualität von Folgeprozessen zu erhöhen. Ein weiterer Aspekt liegt auf der Ermittlung der Qualität gefertigter Baugruppen. Beim Großteil der detektierten Fehler handelt es sich in der Elektronikproduktion um Pseudofehler. Daher benötigen als fehlerhaft detektierte Baugruppen noch weiterer Überprüfung. Auch dieser Prüfungsaufwand soll durch die besseren Vorhersagen mit Hilfe des entwickelten ML-Modells reduziert werden.

Ein besonderes Augenmerk soll auf die Nutzung aller Inspektionsdaten (SPI, AOI, AXI) für das Anlernen der Modelle gelegt werden, sodass auch Defektursprünge möglichst genau bestimmt werden können. Des Weiteren sollen Verknüpfungen der Anwendungsfälle untersucht werden. So kann eine abnehmende Qualität der Baugruppen beispielsweise für eine Wartung der Anlagen genutzt werden.