Projektbeschreibung
In der Elektronikproduktion werden bereits die Einzelprozesse durch Inspektionsschritte überwacht. Bisher werden allerdings die Daten nicht zur Prozessverbesserung eingesetzt. Hierbei sollen technische Lösungen entwickelt werden, die auf Basis verschiedener Design-of-Experiments in der Lage sind, auf Störungen des Regelkreises zu reagieren. Ein Beispiel wäre dabei die Kombination aus Schablonendruckprozess und der Lotpasteninspektion. Dieser Regelkreis soll dabei in einem vergleichbaren Aufbau zunächst die Bestückautomaten mit dem AOI zusammenführen und im nächsten Schritt die AOIs mit der Lötanlage kombinieren. Anschließend sollen die Regelkreise miteinander kombiniert werden, um somit einen maschinenübergreifenden Regelkreis zu generieren. Dieser würde in der Lage sein, auf sich ändernde Umgebungsbedingungen zu reagieren und somit die Qualität der SMT-Linie zu steigern. Hierfür wird ein, in Abstimmung mit den IT Richtlinien und existierender Software-Landschaft, zu definierendes Analytics Tooleingesetzt werden, welches bei der Auswertung der Daten und der Ermittlung von Korrelationen unterstützt. Besonders für kleine und mittelständische Unternehmen variiert die Stückzahl und Art der zu produzierenden Leiterplatten sehr stark und es müssen kontinuierlich neue Produkte in die Produktion mit aufgenommen werden. Heutzutage ist es entscheidend die Zeit bis zur fehlerfreien Produktion der Baugruppen zu minimieren.
Die Elektronikproduktion verfügt über ausreichende prozessüberwachende Schritte zur Datenakquise. Dabei werden neben den Inspektionsschritten auch die Bearbeitungsschritte mit Daten protokolliert, sodass zu jeder Zeit nachvollzogen werden kann, mit welchen Maschinenparametern eine Baugruppe produziert wurde. Bisher werden diese Daten allerdings rückblickend verwendet. Eine vorausschauende Nutzung der Daten soll ermöglicht werden. Dazu muss ein künstliches maschinelles Gedächtnis z. B. in Form einer SQL- Datenbank erzeugt werden, welches die Bauteile mit den entsprechenden Parametern und Qualitätsergebnissen speichert. Das heißt konkret eine Lebenslauferfassung eines jeden Produkts und wie diese Parameter bereits in vorherigen Produktionen auf Grund qualitativer Verbesserungen angepasst wurden. Als Beispiel kann hier die Bestückkraft oder -Geschwindigkeit bzw. die Rakel und Lotpasten Informationen beim Druckprozess genannt werden, die mit Erfahrungswerten abgeglichen werden können. Hierfür ist neben dem maschinellen Gedächtnis auch eine künstliche Intelligenz erforderlich, welche die Informationen über die Bauteile des Neuproduktes und die Erfahrungswerte kombiniert. Hier sollen Open Source basierende Lernalgorithmen eingesetzt werden.
Ein weiterer wichtiger Baustein für die Flexibilisierung der SMT-Produktion ist die Einbindung von Lieferantendaten. Dabei sind insbesondere Lieferanten der Komponenten und der Leiterplatten relevant. Durch die Qualitätsdaten der Lieferanten soll bereits a priori Einfluss auf den Prozess genommen werden. So könnte zum Beispiel das AOI bereits wissen, dass es bei der jetzt zu verbauenden Charge an Bauteilen zu veränderte Reflektionen kommt. Das SPI wüsste beispielsweise, dass die Schichtdicke der Leiterbahnen auf der Leiterplatte etwas geringer ist und es dadurch zu veränderter Volumen der Lotpastendepots kommt. Durch die zusätzliche Einbindung dieser Daten in den Anlauf von Neuprodukten können Prozessparameter initial optimiert eingestellt und somit die Qualitätskosten und Anlaufzeit reduziert werden. Eine weitere positive Veränderung würde über die verbesserte Traceability generiert werden, da neben den Prozessparametern auch direkt die Qualitätsdaten der Lieferanten integriert wären und somit in Falle eines Feldausfalls in die Analyse mit aufgenommen würden.
