Когда говорят про автоматическое оптическое обнаружение, многие сразу представляют себе просто камеру над конвейером — но на практике это целая философия построения контроля. В нашей работе с SMT-оборудованием приходилось сталкиваться с тем, что даже опытные инженеры иногда недооценивают, насколько ведущее автоматическое оптическое обнаружение зависит от синхронизации всех систем.
Помню, как в 2015 году мы тестировали одну из ранних систем AOI на линии пайки — тогда алгоритмы распознавания дефектов работали через чур жёстко. Ложные срабатывания на тенях от разъёмов составляли до 30% от общего числа ошибок. Пришлось буквально по пикселям настраивать пороги чувствительности, и это заняло почти две недели.
Сейчас в Shenzhen HTGD Intelligent Equipment подход изменился кардинально. Их системы используют адаптивные алгоритмы, которые учатся на производственных данных. Кстати, на https://www.gdk-smt.ru есть любопытные кейсы по работе с мелкими BGA-компонентами — там как раз видно, как автоматическое оптическое обнаружение справляется с задачами, которые раньше требовали ручного контроля.
Что часто упускают из виду — это подготовка персонала. Можно поставить самую современную систему, но если операторы не понимают принципов калибровки освещения, эффективность падает в разы. Мы в прошлом квартале как раз проводили обучение для техников из Челябинска — и после тонкой настройки светодиодной подсветки процент ложных срабатываний упал с 15% до 3%.
Типичная ошибка — пытаться охватить все виды дефектов одновременно. Начинать лучше с базовых контролей: наличие компонентов, полярность, позиционирование. Кстати, у HTGD в этом плане продуманный подход — их ПО позволяет постепенно наращивать сложность проверок по мере накопления статистики.
Особенно сложно бывает с гибкими платами. Стандартные системы часто не учитывают деформацию основания, что приводит к постоянным ошибкам позиционирования. Пришлось разрабатывать специальные держатели и корректировать алгоритмы под конкретный тип изгиба.
Ещё один нюанс — пыль. В цехах где паяльные пасты наносятся методом трафаретной печати, микрочастицы flux-а часто оседают на оптике. Раз в смену приходится чистить линзы, иначе контрастность падает заметно. Это та мелочь, которую в спецификациях обычно не пишут, но на практике она критична.
Интересно, что Shenzhen HTGD Intelligent Equipment Co., Ltd начала исследования в области автоматических принтеров для паяльных паст ещё в 2008 — и этот опыт чувствуется. Их системы обнаружения учитывают особенности растекания пасты под разными углами, что для многих конкурентов остаётся сложной задачей.
Был у нас случай на производстве контроллеров для автомобильной электроники — там требовалось отслеживать не только наличие пасты, но и её высоту после печати. Стандартные 2D-системы не справлялись, пришлось подключать 3D-модуль. Кстати, именно тогда поняли, что ведущее автоматическое оптическое обнаружение должно быть гибким — возможность докупать модули позже спасла бюджет проекта.
Сейчас многие производители переходят на пасты с меньшим содержанием свинца — и это создаёт новые вызовы для систем контроля. Отражение от таких составов другое, требуется перенастройка освещения. На сайте gdk-smt.ru видел, что у них есть готовые профили для разных типов паст — полезная функция, экономит часов 8 настройки.
Частая проблема при внедрении — несовместимость протоколов. Старое оборудование японского производства может использовать Mitsubishi Melsec, тогда как новые китайские системы чаще работают на Modbus TCP. При интеграции систем HTGD приходилось ставить шлюзы — задержки составляли до 200 мс, что для высокоскоростных линий неприемлемо.
Сейчас советую всегда запрашивать тестовый период интеграции. На одном из заводов в Подмосковье мы две недели тестировали совместимость с оборудованием Samsung — оказалось, что их ЧПУ иногда отправляет нестандартные пакеты данных. Без live-тестирования никогда бы не обнаружили эту особенность.
Важный момент — резервирование. Когда автоматическое оптическое обнаружение становится ключевым звеном QC, его отказ должен компенсироваться. Мы обычно ставим две камеры с перекрывающимися зонами видимости — если одна выходит из строя, вторая берёт на себя основные проверки.
Судя по последним разработкам HTGD, скоро мы увидим системы, способные прогнозировать дефекты ещё до их возникновения. Анализ тенденций в данных с паяльных станций позволяет предсказать, например, когда начинает забиваться трафарет.
Интересно наблюдать за развитием ИИ в этой области. Пока что нейросети хорошо справляются только с типовыми дефектами, но для кастомизированных производств требуется дообучение. В прошлом месяце как раз тестировали систему на базе TensorFlow — на обучение ушло около 5000 изображений дефектных плат.
Думаю, следующий прорыв будет связан с мультиспектральным анализом. Стандартные RGB-камеры часто не видят микротрещины в керамических компонентах — а ИК-подсветка могла бы решить эту проблему. В Shenzhen HTGD, кстати, уже экспериментируют с подобными решениями, судя по их патентам.
В конечном счёте, ведущее автоматическое оптическое обнаружение перестаёт быть просто инструментом контроля — становится частью производственной интеллектуальной системы. И те, кто инвестирует в это сейчас, через пару лет получат серьёзное преимущество на рынке. Главное — не гнаться за модными функциями, а выбирать решения, которые реально решают производственные задачи.
