Suchen

Elektronikfertigung Design und Optimierung von Leiterplatten mit KI

| Autor / Redakteur: Jürgen Schreier / Nico Litzel

Auf Leiterplatten interagieren kleinste Bauteile miteinander, wobei Interferenzen ausgeschlossen werden müssen. Das Fraunhofer FIT kann durch KI-Plattformen Leiterplatten optimal designen und überprüfen und so den Aufwand um bis zu 20 Prozent reduzieren.

Firmen zum Thema

Der Entwurf von Leiterplatten beruht bisher auf dem Erfahrungswissen der beteiligten Ingenieure. Deren Designs müssen in Versuchen aufwendig getestet werden.
Der Entwurf von Leiterplatten beruht bisher auf dem Erfahrungswissen der beteiligten Ingenieure. Deren Designs müssen in Versuchen aufwendig getestet werden.
(Bild: gemeinfrei / Pixabay )

Leiterbahnen werden heute so eng und geschickt wie möglich für eine Anwendung geplant, ohne dadurch einen Ausfall zu riskieren. Basis dafür ist bisher das Erfahrungswissen der beteiligten Ingenieure, deren Designs in Versuchen getestet werden müssen. Die Ergebnisse dieser Tests werden zudem nicht stringent dokumentiert, sodass fehleranfällige Designs auch mehrmals Tests durchlaufen. Dieser aufwendige Prozess führt zu hohen Kosten.

Die fertig entwickelten Designs stellen danach hohe Anforderungen an die Produktion. Deshalb wird jede einzelne Leiterplatte überprüft, zumeist über eine automatische optische Inspektion (AOI). Dabei wird über eine Bildanalyse verglichen, ob die Platine so wie geplant produziert wurde, und so technische Fehlstellen detektiert. Dieses Verfahren erzeugt momentan allerdings eine hohe True-Negativ-Rate, d. h., viele funktionierende Platinen werden als fehlerhaft klassifiziert.

Qualitätskontrolle ist bisher sehr aufwendig

Diese müssen dann alle per Hand kontrolliert werden. Dies geschieht sowohl visuell, als auch messtechnisch. Die Überprüfung verursacht wiederum hohe Kosten, denn bei einer zu hohen True-Negativ-Rate werden fehlerfrei Bauteile aussortiert. Bei einer zu kleinen Rate sind die Folgekosten durch den Einsatz von Fehlteilen hoch. Eine optimierte True-Negativ-Rate durch menschliche Kontrolle ist schwierig, da auch menschliche Schwächen einfließen.

Wie ein zukünftiger Überprüfungsprozess aussehen kann, zeigt die Entwicklung des Fraunhofer-Institut für Angewandte Informationstechnik FIT. Eine Kamera macht wie bei einer herkömmlichen AOI-Aufnahmen von gedruckten Leiterplatten. Daraus wird die Entscheidungsqualität von Algorithmen optimiert. Entscheidend ist dabei die Eingabe qualitativ-hochwertiger Trainingsdaten. Dafür füttern zunächst Experten die Module für Machine Learning und Deep Learning mit einer guten Datenauswahl.

Die Plattformen bestehen aus mehreren Modulen: aus Machine Learning, Deep Learning und Künstlicher Intelligenz. Jedes Modul beinhaltet vortrainierte Algorithmen mit verschiedenen Aufgaben. So kann zum Beispiel ein Algorithmus aus der ersten Modulklasse (links) bereits eingehende Daten klassifizieren, als auch aus ihnen Features extrahieren, die wiederum als Input in andere Module fließen.
Die Plattformen bestehen aus mehreren Modulen: aus Machine Learning, Deep Learning und Künstlicher Intelligenz. Jedes Modul beinhaltet vortrainierte Algorithmen mit verschiedenen Aufgaben. So kann zum Beispiel ein Algorithmus aus der ersten Modulklasse (links) bereits eingehende Daten klassifizieren, als auch aus ihnen Features extrahieren, die wiederum als Input in andere Module fließen.
(Bild: Fraunhofer FIT)

Selbstlernend zum optimalen Auswahlprozess

„Diese modulare Bauweise ermöglicht, aneinander gekoppelte Algorithmen einzusetzen, die sich selbst verbessern. Durch laufende automatisierte Kontrollen der Bauteile fließen Daten zurück in den Algorithmus und sind Grundlage für einen Selbstlernprozess im Modul Künstliche Intelligenz“, erläutert Timo Brune, Projektleiter beim Fraunhofer FIT. „Dieses permanente Feedbacksystem verbessert die Datengrundlage und optimiert die True-Negativ-Rate. Dadurch können nach ersten Schätzungen aus der Industrie rund 20 Prozent an Produktionsressourcen eingespart werden.“

Das Training der Module kann der Anwender selbst mit seinen Prozess- und Produktionsdaten übernehmen. Das Unternehmen bleibt so immer im Besitz seiner Daten, die nicht an externe Server geschickt werden müssen. Der „Baukasten“ aus Algorithmen kann in beliebiger Kombination auf spezifische Probleme angewandt werden.

Algorithmen helfen auch beim Design neuer Leiterplatten

Die trainierten Algorithmen lassen sich dann auch bereits beim Design neuer Leiterplatten einsetzen. Die Anordnung von Bauteilen auf der Leiterplatte muss dann nicht mehr im Trial-and-Error-Verfahren kosten- und zeitintensiv erfolgen. Der Algorithmus hilft, aus der Vielzahl möglicher Varianten die mit optimaler Funktionalität vorherzusagen.

Der Ansatz des Fraunhofer FIT, modulare, sich selbst verbessernde Algorithmus-Plattformen für Design und Qualitätskontrolle von Leiterplatten einzusetzen, ist auch für viele weitere elektrische Systeme vorteilhaft. Auch dort werden Prozesse so optimiert, dass Zeit- und Produktionskosten in signifikanter Weise eingespart werden können.

Automated Optical Inspection - eine vielseitige Technologie

Die automatische, optische Inspektion – kurz AOI, auch „automated optical inspection“ – kommt immer dann zum Einsatz, wenn Mess- und Prüfprozesse mit unterschiedlichen Grundvoraussetzungen (z. B. in der Qualitätssicherung, in der Mess- und Prüftechnik) automatisiert werden sollen. AOI-Systeme werden eingesetzt, um

- Positionen zu erkennen: Mit 2D- bzw. 3D-Lageerkennung wird überprüft, ob ein Bauteil exakt platziert ist. Die Positionsdaten werden sodann an die Robotersteuerung übertragen, um das Greifen (Pick + Place) zu ermöglichen.
- Volumen und Formen zu erkennen: Mit der 3D-Inspektion lassen sich Volumen und Form vermessen.
- Oberflächen zu inspizieren: Kratzer, Risse, Lackschäden, Farben und Einschlüsse können ermittelt sowie Relief-Beschriftungen überprüft werden – ebenso geeignet bei Bandware sowie bei gekrümmten und/oder spiegelnden Oberflächen.
- Vollständigkeit zu kontrollieren: Definierte Merkmale können gezählt, Bestückungen kontrolliert, Warenträger überprüft werden.
- Codes zu lesen: Lesen und Validieren verschiedener Codes.

Mit optischen Inspektionssystemen, auch „Machine Vision“ genannt, lassen sich Fehler frühzeitig erkennen und somit der Ausschuss weiter veredelter Produkte maßgeblich reduzieren.

Quelle: esmo automation

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

(ID:46585143)