印刷電路板(PCB)已經從過去體積龐大、技術過時的「印刷線路板」(printed wiring boards),進展為當今在高密度互連(HDI) PCB和IC基底(ICS)等採用的細線(fine-line)設計,其製造過程也從手動組裝演變為高度自動化生產。隨著製造技術的進一步發展,製造流程也變得越來越複雜、越來越精良,現在已經能夠檢查並修復可能導致面板報廢的缺陷。如今,PCB製造產業正面對一個重大的發展機會,可利用人工智慧(AI)最佳化生產流程以及整個PCB製造設施。

PCB製造通常依賴累積了多年知識與經驗的專家,他們非常熟悉並理解製造流程的每一步驟,知道如何利用專業知識來最佳化生產並提高產量 。但是,人類本身的限制,如錯誤和疲勞,都可能妨礙專家所能實現的工作進展。操作人員出錯或是PCB缺陷的誤判(即錯誤警示),都可能因為過度處理而影響產量,甚至損壞PCB本身。如果將AI整合到製造流程中(圖1),機器就會因為接管某些「學習而來」的任務而提高價值,人類專家就能繼續承擔需要思考和互動的更複雜的任務,同時最佳化和「訓練」AI系統。人類與AI的結合提升了整體效率和營運,這就是AI專家系統的最佳機會。

20200116_ai-pcb_NT31P1

圖1:人工智慧可以幫助PCB工廠提高品質。

AI與工業4.0

未來的PCB製造廠將完全整合工業4.0 (Industry 4.0)系統,並且在全域(global)和製造系統層級都配備AI。「全域」層級包括整個工廠的所有系統,而不僅僅是單套製造系統。工業4.0提供了自動化和資料交換基礎架構,可實現即時生產分析、雙向通訊和資料共用、可追溯性以及隨選(on-demand)資料分析。在任何特定的工廠範圍,AI可以利用從各種製造系統和機器獲取的資料,以及透過可追溯性和雙向通訊等工業4.0機制採集的資料,從而改善製造流程。AI可為龐大的系統級資料進行分析、最佳化工廠設置參數以及實現最高度的生產力和產量,從而使得工廠受益。AI分析和自我學習是透過人工神經網路而實現的。預計在未來幾年內,將會消除人類操作員的介入,建立完全自動化的工廠。

這種新的PCB製造模型要求工廠中的所有系統完全互連,並採用AI作為監控和決策機制。然而,目前還存在一些專用技術挑戰,限制了PCB工廠完全自動化,因此盡可能地將AI添加到一些個別系統中,例如自動光學檢測(AOI)解決方案。生產設施向全域AI模型發展具有很多優點,例如更可靠地回報PCB缺陷,即「真實缺陷」,透過反饋迴路找到問題的根源,並自動修改工廠流程,以消除相關的缺陷。

AI的子集,包括機器學習和深度學習,將使PCB工廠朝著全自動化的目標邁進。機器學習採用的演算法讓電腦透過採集資料以及從中體驗並學習而來的資料和示例,改進了任務的性能,而無需執行明確的編程設計。就PCB製造而言,機器學習可提高產量、改善製造操作和流程,以及減少手動操作,同時有助於更有效地處理廠房資產、庫存與供應鏈。

深度學習將AI提升到一個更複雜的層級——在全域工廠系統級十分有用。深度學習的靈感來自於人類大腦採用多方面、多層人工神經網路進行學習、理解和推論的能力。在PCB工廠中,軟體專家系統從對收集資料的理解、模式和情境架構的複雜表達中有效地學習。這種學習形成了PCB製造中自動改善流程的基礎。

機器學習和深度學習的實現為PCB製造商提供了超越人類理解的能力;換句話說,AI系統透過更深入地挖掘甚至探索人類甚至都想不到的領域,找到了新的最佳機會。AI專家系統十分高效,經由額外使用了一些更複雜的參數,在全域層級監控工廠系統,從而減少了所需的人類專家數量、提高效率並達成了最佳實踐。

從簡單的讀寫功能,到對於製造流程參數的先進追蹤,再到最小的PCB單元,在整個PCB製造流程中,採用工業4.0感測器(從設備端發送資料)和系統可在全域層級創造資料。在製造製程中,流程參數可能包括蝕刻、抗蝕劑顯影以及化學材料濃縮等。採用深度學習對這類資料進行分析,以最佳化製造方法和參數、辨識模式並就流程中所需的更改做出明智的決定。所有這些行為都可以每天24小時、每週7天不間斷地自動進行。

系統級AI

在系統級,目前在PCB製造廠房實現AI已經對生產力和產能帶來了顯著的影響,AOI過程就是一個例子。在此應用案例中,機器學習極大地減少了檢測PCB缺陷時的人為錯誤。例如PCB缺陷,包括短路、斷路或過量的銅。自動化檢測可以發現微小的缺陷,這種缺陷可能是人眼檢測無法發現的,或者可能由於人為錯誤而遺漏,這些很自然地都會導致重複工作。

在未使用AI的傳統檢測中,例如檢測100個面板,通常每個面板會發現20至30個缺陷,其中大約75%都屬於誤報。由於政策規定所有缺陷都必須再次透過人工檢查,這種誤報缺陷的重新審查浪費了寶貴的生產時間,增加了處理PCB的程序,由此可能導致新的損壞。而當操作員疲憊、過勞或分心時,還可能進一步出現錯誤分析。

在AOI系統中採用機器學習可以顯著減少這類誤報,從而減少修復工作(圖2)。誤報越少,意味著需要對面板的處理就越少,這本身就會提高產能。此外,AI對缺陷的分類更加一致,並且能夠不斷改進,而不像人類操作員那樣存在一些固有的限制,從而提供了更可靠的結果,以及減少驗證時間。根據Orbotech的內部研究,AOI系統中的AI有助於減少誤報高達90%。AOI的獨特之處在於其系統收集的資料比其他任何製造解決方案都多,因而非常適合作為AI實作的第一步。同時,AOI室是PCB工廠中勞力最密集之處,因此在其流程中採用AI的好處也最多。對於PCB製造商而言,這意味著可以更準確地辨識並分類數百萬個缺陷,從而可能更大幅提高產量並降低成本。

20200116_ai-pcb_NT31P2

圖2:採用AI的AOI可以減少生產車間的驗證和人力。

全域級AI和系統級AI協同工作

為了瞭解AI在系統級和全域級如何運作,我們以一個AOI系統檢查100個面板為例。在系統級,由機器學習支援的AI可以篩選出被系統分類為「短路」的誤報缺陷。AI系統透過評估多個AOI影像,同時利用對「面板的理解」(AOI解決方案對面板上的元件及其外觀的理解),產生最智慧的分類結果。

將該資訊饋入由深度學習驅動的全域AI系統,從系統級解決方案中收集這些資料,並確定那些真正的短路缺陷(需要額外的蝕刻以移除多餘的銅)。

AI系統利用系統級資料做出全域決策,以調整蝕刻製程中的面板參數,讓未來在製造面板製造時減少產生(如果有的話)這種相同類型的缺陷。系統級解決方案之間的互通最終將進一步增強和改善AI的全域級決策能力。

製造挑戰日趨嚴峻

AI在整個產業快速發展的同時,也以同樣的速度為PCB製造帶來挑戰。隨著軟性材料的採用以及走線幾何越來越小,缺陷檢測變得更加困難。液晶高分子(LCP)和聚亞醯胺(MPI)等下一代複合材料也為製造商帶來了新的挑戰,包括影像擷取、處理、變形和更細的走線。例如,軟性PCB的材料越複雜,所能辨識出的缺陷就越多,誤報也會更多。製造商使用這種複雜材料的目的,是為了盡可能地減少處理面板被確定為誤報的過程。因此,AI的實施將使軟性PCB (圖3)這種產品類型大幅受益,因為系統將學習以更嚴格的參數進行製造。

20200116_ai-pcb_NT31P3

圖3:軟性電路為自動光學檢測帶來了新的挑戰。

針對5G應用中,PCB要求更高的製造精度,因而也可能從AI技術中受益良多。5G應用所需的HDI PCB要求更細的線寬、直側壁幾何以及極其嚴格的參數。這使得缺陷檢測比以往更加困難,極度挑戰人類專家有效完成任務的能力。

由於這些因素加上其他一些未知的PCB製造挑戰,使得以AI為導向的工廠成為未來生產的關鍵。在PCB製造中實現全域級AI應用還需假以時日,才能取得成果。無疑地,系統級AI已經實現,並為未來的全自動PCB工廠奠定了基礎。

(參考原文:PCB factories embrace AI,by Meny Gantz)

本文同步刊登於電子技術設計雜誌2020年1月號