Когда слышишь 'автоматический оптический контроль', многие представляют просто камеру, которая фотографирует платы. Но на деле это целая философия производства, где оператор становится не 'смотрящим на дефекты', а интерпретатором технологических процессов. В HTGD мы прошли путь от базовых систем до комплексных решений, и главный урок — нельзя доверять контроль алгоритмам без человеческого опыта.
Помню наши первые испытания в 2015 году с системой HTGD-AOI-8S. Тогда мы наивно полагали, что достаточно выставить чувствительность по мануалу и система сама найдёт все паяльные мостики. Реальность оказалась жестче — на платах с шагом выводов 0.3mm система выдавала 47% ложных срабатываний из-за бликов от бессвинцового припоя.
Пришлось разрабатывать собственные фильтры шумов, комбинируя анализ текстуры паяльной маски и тепловую карту паяных соединений. Интересно, что именно тогда родилась наша методика калибровки под разные типы паяльных паст — сейчас это стандарт для всех установок HTGD.
Кстати, о паяльных пастах — их реология оказалась критичным фактором, который редко учитывают в спецификациях. Мы обнаружили, что для паст с содержанием серебра выше 3% требуется коррекция цветовых фильтров в синем спектре. Без этого даже отличный оператор автоматического оптического обнаружения не видит поднятия выводов микросхем.
Самая распространённая иллюзия — что AOI заменяет оператора. На деле автоматизация лишь смещает фокус внимания человека с рутинного осмотра на анализ исключений. В HTGD мы всегда настаиваем на трёхнедельном адаптационном периоде, когда технологи и операторы совместно настраивают пороги обнаружения.
В 2019 году был показательный случай на производстве контроллеров для автомобильной электроники. Клиент жаловался на пропуск холодных паек, хотя система была настроена по всем стандартам. Оказалось, проблема в комбинации матовой паяльной маски и специфического освещения — пришлось разрабатывать гибридную схему подсветки с переменным углом падения.
Ещё один нюанс — температурный дрейф оптики. Летом при +35°C в цехе мы фиксировали смещение калибровки на 2-3 микрона, что критично для компонентов 0201. Пришлось встроить температурную компенсацию в систему рекалибровки.
Сейчас в наших последних моделях, например HTGD-AOI-12X, используется комбинированный анализ — кроме стандартного 2D, добавлен псевдо-3D по технологии структурированной подсветки. Но это породило новую проблему — операторы стали слепо доверять 'объёмному изображению', хотя это всего лишь математическая реконструкция.
Научились определять пределы detection rate для разных классов компонентов. Для BGA-корпусов стабильно получаем 99.3% при ложных срабатываниях не более 0.7%, а вот для QFN с открытым термоподом показатели хуже — около 97.8%. Разработали специальную методику контроля по теням от боковой подсветки.
Интересный эффект заметили при работе с flex-платами — из-за колебаний гибкой основы стандартные алгоритмы давали сбои. Пришлось вводить поправку на механические напряжения, используя эталонные метки не только для позиционирования, но и для коррекции геометрических искажений.
Наша философия — отличный оператор автоматического оптического обнаружения должен быть не изолированным островком, а частью цифрового контура. Ещё в 2016 году мы начали синхронизацию данных между принтером паяльной пасты, установкой компонентов и AOI. Это позволило реализовать предиктивную аналитику дефектов.
Например, если принтер паяльной пасты HTGD-G500 показывает отклонение в дозировании на 3%, а монтажник фиксирует смещение компонентов на 0.1mm, система AOI автоматически ужесточает параметры контроля для этих координат. Обратная связь работает в реальном времени через наш облачный анализатор GDK-Cloud.
Кстати, о монтажнике — часто забывают, что данные с AOI должны возвращаться не только технологу, но и оператору компонентовщика. Мы сделали систему цветовых маркеров — если дефект повторяется в одной позиции, подсвечивается именно ячейка в питателе, а не просто координата на плате.
Сейчас все увлеклись нейросетями, но на практике глубинное обучение даёт эффект только при огромных объёмах однотипной продукции. Для мелкосерийного производства гибкие правила остаются практичнее. Наша система HTGD-AOI-Expert использует гибридный подход — базовые алгоритмы плюс адаптивные нейросети для специфичных дефектов.
Реальное ограничение — скорость обработки сложных изображений. Для плат с плотностью монтажа выше 150 компонентов на дюйм2 время цикла анализа превышает 7 секунд, что тормозит всю линию. Приходится идти на компромиссы, например, проверять только критические зоны в режиме реального времени, а полный контроль делать выборочно.
Интересное направление — мультиспектральный анализ. Экспериментируем с ИК-диапазоном для обнаружения микротрещин в керамических компонентах, но пока стабильность оставляет желать лучшего. Видимо, потребуется ещё год-два доработок.
Главный вывод за 12 лет работы — не бывает идеального AOI. Есть сбалансированная система, где возможности оборудования дополняются опытом персонала. Наш отличный оператор автоматического оптического обнаружения в HTGD — это не конкретная модель, а симбиоз техники, программного обеспечения и человеческой экспертизы.
Сейчас мы движемся к предиктивным системам, где AOI становится источником данных для предотвращения дефектов, а не просто их констатации. Но основа остаётся прежней — понимание физики процессов пайки и монтажа. Без этого даже самая продвинутая оптика бесполезна.
P.S. Кстати, наш сайт https://www.gdk-smt.ru обновлён — добавили раздел с практическими кейсами по настройке AOI для разных типов производств. Там есть реальные данные, а не маркетинговые обещания.
