Когда слышишь про 'качественные отчеты АОИ', сразу представляешь толстые папки с графиками. Но на деле ключевое — не объем, а интерпретация данных. Многие до сих пор путают детализацию с полезностью.
Вот пример: в 2019 мы тестировали систему автоматического оптического обнаружения на линии пайки BGA-компонентов. Отчет генерировал 14 параметров, включая смещение относительно паяльной пасты. Но инженеры жаловались — данные есть, а понять, где критичное отклонение, сложно.
Пришлось пересматривать подход. Выяснилось, что важно не просто фиксировать отклонения, а группировать их по типам дефектов. Например, 'отсутствие выводов' и 'непропай' должны быть в разных категориях, даже если визуально похожи.
Кстати, это часто упускают в стандартных решениях. Производители оборудования типа HTGD Intelligent Equipment изначально закладывают шаблоны отчетов, но без адаптации под конкретный техпроцесс они работают лишь на 60%.
Помню, как на заводе в Подмосковье внедряли систему AOI с цветовой индикацией дефектов. Зеленый — норма, красный — брак. Казалось бы, просто. Но операторы начали пропускать 'желтые' состояния — те, что были близки к пороговым значениям.
Пришлось вводить градацию: три оттенка желтого с четкими критериями. Это потребовало доработки ПО, но снизило количество ложных срабатываний на 23%.
Сейчас в отчетах об автоматическом оптическом обнаружении мы всегда добавляем не только цветовую, но и числовую шкалу. Визуализация — это хорошо, но без цифр она часто вводит в заблуждение.
В 2021 работали с линией, где стоял автоматический принтер HTGD. Интересный момент: данные с оптического контроля помогли скорректировать давление ракеля. Оказалось, что при определенной вязкости пасты стандартные настройки давали неравномерное нанесение.
Собрали статистику за месяц — более 5000 плат. Выявили закономерность: при температуре в цехе выше 26°C нужно уменьшать скорость движения ракеля на 8-12%. Без детальных высококачественных отчетов эту зависимость было бы не обнаружить.
Кстати, именно после этого случая мы начали добавлять в отчеты параметры окружающей среды. Казалось бы, мелочь, но она влияет на воспроизводимость результатов.
Самое сложное — не сбор данных, а их фильтрация. Современные системы АОИ выдают до 200 параметров в минуту. Если все это сохранять, через неделю диск заполнится.
Мы выработали правило: хранить сырые данные только для критичных дефектов, а для остальных — усредненные показатели за смену. Экономия места — в 7 раз, без потери полезной информации.
Еще нюанс: timing. Отчеты должны генерироваться без задержек, иначе теряется связь с производственным процессом. В системах от HTGD это реализовано хорошо — данные обновляются в реальном времени.
Недавно столкнулись с проблемой: данные АОИ не стыковались с системой контроля паяльной пасты. Оказалось, разная частота опроса датчиков. Пришлось разрабатывать промежуточный софт для синхронизации.
Это к вопросу о том, что автоматическое оптическое обнаружение не должно быть 'островком'. Данные должны свободно мигрировать между MES, ERP и системами контроля качества.
Кстати, у китайских производителей типа HTGD сейчас хорошие заделы в этом направлении. Их оборудование легко интегрируется в существующие линии, что важно для модернизации производств.
Сейчас экспериментируем с предиктивной аналитикой на основе исторических данных АОИ. Например, можно предсказать износ форсунок дозатора паяльной пасты по изменению параметров нанесения.
Это уже не просто отчеты, а инструмент планирования ТО. Правда, пока точность прогноза не превышает 78% — нужно набирать больше статистики.
Думаю, через пару лет отчеты об автоматическом оптическом обнаружении станут неотъемлемой частью систем предиктивного обслуживания. Главное — не увлечься красивыми графиками и сохранить практическую ценность.
