در تولید زیرلایه سرامیکی، ناتوانی در تمایز قابل اعتماد بین عیوب ساختاری مهم و ناهنجاری های خوش خیم آرایشی به طور مستقیم حاشیه سود را از بین می برد. الکترونیک مدرن برای اتلاف گرما و هدایت نیرو به پایه های سرامیکی بی عیب و نقص متکی است. طبقه بندی اشتباه علامت سطحی به عنوان ریزترک منجر به ضایعات غیر ضروری می شود. این ردهای نادرست گران قیمت ایجاد می کند. برعکس، از دست دادن یک میکروترک واقعی، خطر شکست میدان فاجعه بار را تحت فشار شدید حرارتی یا مکانیکی به همراه دارد. بخش های با قابلیت اطمینان بالا نمی توانند این پذیرش های نادرست را تحمل کنند.
این راهنما تفاوت های ساختاری بین این ناهنجاری ها را تجزیه می کند. ما روش‌های بازرسی فعلی مورد استفاده در صنعت را ارزیابی می‌کنیم. همچنین یک چارچوب عملی برای انتخاب یک سیستم بازرسی پیدا خواهید کرد. شما یاد می گیرید که چگونه توان عبوری با سرعت بالا را با دقت دقیق متعادل کنید. در نهایت، شما می توانید با حفظ استانداردهای کیفیت دقیق، از محصول خود محافظت کنید.
شدت نقص: ریزترک‌ها یکپارچگی ساختاری را به خطر می‌اندازند و تحت تنش منتشر می‌شوند. علائم سطحی معمولاً مصنوعات کم عمق و آرایشی ناشی از جابجایی یا ابزارآلات هستند.
چالش کنتراست: انعکاس بالا و ساختارهای دانه پیچیده سرامیک ها، بازرسی نوری مبتنی بر قوانین سنتی را مستعد نرخ رد کاذب بالا می کند.
تغییر تکنولوژی: موثر بازرسی ریزترک بستر سرامیکی به طور فزاینده‌ای بر بینایی ماشین مبتنی بر هوش مصنوعی تکیه می‌کند تا مورفولوژی نقص یا آزمایش اولتراسونیک را برای اعتبارسنجی زیرسطحی ارائه دهد.
معیار ارزیابی: معیار موفقیت اولیه برای ارتقای بازرسی، کاهش نرخ بیش از حد کشتار (مثبت کاذب) بدون افزایش نرخ فرار (منفی های کاذب) است.
بخش های تضمین کیفیت با یک عمل متعادل کننده ظریف روبرو هستند. آنها باید هر نقص کشنده ای را بدون دور انداختن محصولات خوب تشخیص دهند. طبقه بندی اشتباه عیوب سرامیکی به شدت بر راندمان تولید شما تأثیر می گذارد. به طور مصنوعی هزینه های هر واحد شما را افزایش می دهد و بازده کلی را کاهش می دهد.
رد زیرلایه های عملکردی کامل به حاشیه سود شما آسیب می رساند. علائم ابزار بی ضرر اغلب هشدارهای نوری خودکار را ایجاد می کنند. خراش های سطحی در نور ضعیف شدید به نظر می رسند. دور انداختن این واحدهای قابل قبول به طور مصنوعی بازده شما را کاهش می دهد. این تسهیلات شما را مجبور می کند تا واحدهای بیشتری را برای برآورده کردن سهمیه تولید کند. این تولید بیش از حد مواد خام اضافی را مصرف می کند. همچنین زمان ارزشمند ماشین و نیروی کار اپراتور را هدر می دهد. نرخ های بیش از حد به طور مستقیم بازده تولید شما را تضعیف می کند.
منفی های کاذب خطر بسیار جدی تری دارند. میکروترک ها به عنوان متمرکز کننده استرس شدید عمل می کنند. آنها خطرات زیادی را در برنامه های کاربردی با قابلیت اطمینان بالا ایجاد می کنند. قطعات هوافضا و الکترونیک برق EV قطعات بی عیب و نقصی را می طلبند. یک میکروترک شناسایی نشده می تواند باعث شکستگی بستر شود. حتی ممکن است باعث فرار حرارتی در سیستم های باتری شود. چنین خرابی هایی منجر به فراخوان های گسترده محصول می شود. آنها خطرات جدی مسئولیت را معرفی می کنند و برای همیشه به اعتبار برند آسیب می رسانند. عیوب فرار در محیط های تولیدی بدون نقص غیرقابل قبول است.
یک راه حل بازرسی قابل اجرا باید سه معیار مهم را برآورده کند:
سرعت: باید طبقه بندی قابل تکرار را در سرعت های خط تولید ارائه دهد. واحد در ساعت (UPH) نمی تواند کاهش یابد.
دقت: باید به طور مداوم نرخ های بیش از حد را کاهش دهد و در عین حال نرخ فرار را نزدیک به صفر نگه دارد.
انطباق: باید مطابق با استانداردهای کیفیت خاص صنعت باشد. اینها شامل مقررات IPC و MIL-STD است.
تحقق این معیارها مستلزم حرکت فراتر از بازرسی ذهنی انسان است. شما به سیستم های خودکار، قابل تکرار و آگاه به زمینه نیاز دارید.
درک ماهیت فیزیکی این ناهنجاری ها بسیار مهم است. شما نمی توانید بدون این دانش یک هوش مصنوعی آموزش دهید یا یک سیستم نوری را پیکربندی کنید. ریزترک ها و علائم سطحی از فرآیندهای کاملاً متفاوتی منشاء می گیرند. آنها همچنین صفات مورفولوژیکی متمایز را تحت بزرگنمایی نشان می دهند.
ریزترک ها ثبات فیزیکی کل بستر را تهدید می کنند. آنها استحکام دی الکتریک و دوام مکانیکی را به خطر می اندازند.
علل ریشه ای: شوک حرارتی اغلب باعث این شکستگی ها می شود. خنک شدن ناهموار در طول فرآیند تف جوشی باعث ایجاد استرس داخلی می شود. تنش مکانیکی در حین برش یا جداسازی نیز مواد را خرد می کند. برش لیزری تهاجمی می تواند باعث ایجاد شکستگی های ریز در امتداد لبه برش شود.
مشخصات: این عیوب معمولاً عمیق و باریک هستند. آنها اغلب ناهموار به نظر می رسند یا دارای الگوهای شاخه ای هستند. آنها به عمق ماتریس بستر نفوذ می کنند. از آنجایی که شبکه ساختاری را مختل می کنند، پتانسیل بالایی برای انتشار دارند. تحت چرخه حرارتی، یک ریزترک کوچک تا زمانی که زیرلایه شکسته شود، منبسط می شود.
ناهنجاری های آرایشی مشکل ساز به نظر می رسند اما هیچ تهدید عملکردی ندارند. آنها به ساختار داخلی نفوذ نمی کنند.
علل ریشه ای: دست زدن به ساییدگی ها شایع ترین مقصر هستند. زیرلایه ها به تسمه نقاله یا گیره های خودکار ساییده می شوند. اصطکاک ابزار، بقایای فلزی را روی سطح سرامیکی باقی می گذارد. ناهماهنگی های جزئی لعاب یا دوغاب نیز باعث ایجاد تغییر رنگ بصری می شود.
مشخصات: علائم سطحی معمولاً کم عمق و پهن هستند. آنها الگوهای یکنواخت را به جای لبه های دندانه دار نشان می دهند. آنها به شدت به لایه سطح بالایی محدود می شوند. آنها مطلقاً هیچ تأثیری بر استحکام دی الکتریک ندارند. آنها دوام مکانیکی جزء نهایی را تضعیف نمی کنند.
پیاده سازی موثر بازرسی ریزترک بستر سرامیکی شامل غلبه بر موانع فیزیکی قابل توجه است. سرامیک ها در نور بازرسی بسیار متفاوت از فلزات یا پلاستیک ها عمل می کنند. خواص نوری آنها به طور فعال با دوربین های دید استاندارد مبارزه می کند.
زیرلایه های آلومینا و نیترید آلومینیوم بسیار بازتابنده هستند. آنها دارای ساختارهای پیچیده و کریستالی دانه هستند. این مواد نور فرود را به طور غیر قابل پیش بینی پراکنده می کنند. این پراکندگی غیرقابل پیش بینی باعث ایجاد سایه های خشن در سراسر سطح می شود. این سایه ها به راحتی خطوط تیره ترک های واقعی را تقلید می کنند. برعکس، درخشش بیش از حد عیوب کم عمق را به طور کامل از بین می برد. چراغ های حلقه استاندارد معمولاً روی این مواد خراب می شوند. برای نفوذ در تابش خیره کننده به نور پیشرفته نیاز دارید.
ریزترک های خط مو فاقد تمایز بصری هستند. آنها اغلب دقیقاً همان مقادیر خاکستری را با مرزهای دانه های سرامیکی اطراف به اشتراک می گذارند. بازرسی اپتیکال خودکار سنتی (AOI) بر قوانین کنتراست پیکسلی تکیه دارد. اگر یک پیکسل تیره تر از آستانه باشد، سیستم یک نقص را نشان می دهد. از آنجایی که مرزهای دانه و ریزترک‌ها سطوح تاریکی مشابهی دارند، الگوریتم‌های مبتنی بر قانون شکست می‌خورند. آنها ابزارهای استاندارد تشخیص لبه را شکست می دهند و باعث ایجاد اسپک های رد نادرست عظیم می شوند.
ریزترک های مرحله اولیه فوق العاده کوچک هستند. آنها ممکن است فقط چند میکرون عرض داشته باشند. تشخیص این ناهنجاری ها نیاز به اپتیکی با وضوح بسیار بالا دارد. با این حال، دوربین های با وضوح بالا به طور ذاتی میدان دید (FOV) را کاهش می دهند. یک FOV کوچکتر به این معنی است که دوربین باید عکس های بیشتری بگیرد تا یک زیرلایه را بپوشاند. این امر زمان بازرسی را به شدت کاهش می دهد. تعادل تشخیص سطح میکرون با تولید با سرعت بالا همچنان یک چالش مهندسی اولیه است.
انتخاب تکنولوژی بازرسی مناسب موفقیت شما را تعیین می کند. سیستم های مختلف انواع مختلفی از ناهنجاری ها را هدف قرار می دهند. شما باید انتخاب فناوری خود را با الزامات کیفیت خاص خود هماهنگ کنید.
مقایسه فن آوری های بازرسی سرامیک
تکنولوژی |
نقاط قوت اولیه |
محدودیت های کلیدی |
بهترین حالت استفاده |
|---|---|---|---|
AOI سنتی |
سرعت بالا، تنظیم آسان قوانین، مقرون به صرفه. |
ردهای نادرست زیاد در عیوب با کنتراست کم. |
تشخیص عیوب فاحش یا عدم وجود فلز. |
هوش مصنوعی / یادگیری عمیق |
درک متنی، علائم را از شکاف ها متمایز می کند. |
به مجموعه داده های قوی و زمان آموزشی نیاز دارد. |
بازرسی سطح درون خطی با دقت بالا. |
اولتراسونیک (SAM) |
حفره های داخلی پنهان و ترک های عمیق زیرسطحی را تشخیص می دهد. |
توان عملیاتی کند، اغلب به جفت آب نیاز دارد. |
نمونه برداری دسته ای آفلاین یا تجزیه و تحلیل شکست. |
AOI سنتی در بررسی های پایه با سرعت بالا برتر است. برای تشخیص عیوب فاحش بهتر است. شما باید از آن برای یافتن لایه های فلزی سازی گم شده یا تراشه های لبه بزرگ استفاده کنید. با این حال محدودیت های شدیدی دارد. AOI کاملاً بر قوانین کنتراست پیکسلی سفت و سخت متکی است. اغلب علائم سطحی بی ضرر را با ریزترک های کشنده اشتباه می گیرد. این سردرگمی تولیدکنندگان را مجبور می‌کند تا بررسی‌های ثانویه دستی را اجرا کنند. اپراتورهای انسانی باید هر قسمت رد شده را دوبار بررسی کنند که باعث کند شدن کل تأسیسات می شود.
سیستم های هوش مصنوعی نشان دهنده یک جهش عظیم به جلو هستند. آنها برای دقت بالا بهترین هستند علامت سطح سرامیکی تشخیص آنها به راحتی مورفولوژی های ترک پیچیده را از خراش های خوش خیم تشخیص می دهند. مدل های یادگیری عمیق از شبکه های عصبی آموزش دیده بر روی مجموعه داده های تصویر طبقه بندی شده استفاده می کنند. آنها زمینه بصری را مانند یک بازرس انسانی درک می کنند. آنها الگوی انشعاب یک ترک را در مقابل کشیدن مستقیم علامت ابزار تشخیص می دهند. آنها این تحلیل را با سرعت ماشین انجام می دهند. محدودیت اصلی آماده سازی داده ها است. شما به یک مجموعه داده قوی و دارای برچسب مناسب نیاز دارید. شما باید نمونه هایی از عیوب واقعی و تغییرات قابل قبول را برای آموزش موثر به مدل ارائه دهید.
آزمایش غیر مخرب اولتراسونیک (NDT) زیر سطح به نظر می رسد. برای تشخیص حفره های داخلی بهتر است. SAM لایه لایه شدن و ریزترک های زیرسطحی را برای دوربین های نوری کاملاً نامرئی می یابد. امواج صوتی با فرکانس بالا را به ماتریس سرامیکی می فرستد و پژواک ها را اندازه گیری می کند. در حالی که بسیار دقیق است، محدودیت های عمده ای دارد. SAM معمولاً بسیار کندتر از روش های نوری است. اغلب نیاز به غوطه ور کردن بستر در آب دارد.
خرید یک سیستم بازرسی پیشرفته تنها قدم اول است. شما باید آن را به طور یکپارچه در جریان کاری موجود خود ادغام کنید. ارزیابی فروشندگان مستلزم بررسی ادعاهای بازاریابی گذشته است. شما باید بر واقعیت های استقرار عملی تمرکز کنید.
فضا در یک خط تولید همیشه پرمخاطب است. ارزیابی کنید که آیا راه حل جدید می تواند بر روی تجهیزات جابجایی موجود نصب شود یا خیر. آیا آرایه های دوربین می توانند بالای نوار نقاله های فعلی شما قرار بگیرند؟ اگر نه، به یک سلول بازرسی مستقل نیاز دارید. سلول های مستقل فضای بیشتری را اشغال می کنند. آنها همچنین برای بارگیری و تخلیه زیرلایه ها به کنترلرهای رباتیک اضافی نیاز دارند. این ردپای و الزامات رسیدگی را در جدول زمانی ارتقاء خود لحاظ کنید.
راه حل های هوش مصنوعی نیاز به مدیریت مداوم دارند. قابلیت استفاده نرم افزار فروشنده را از نزدیک ارزیابی کنید. آیا تیم QA موجود شما می تواند مدل ها را آموزش داده و به روز کند؟ شما نباید نیازی به استخدام یک دانشمند داده اختصاصی داشته باشید. بهترین سیستم ها رابط های بصری و بدون کد ارائه می دهند. آنها به مهندسان با کیفیت اجازه می دهند تا عیوب روی صفحه را برجسته کرده و فوراً مدل را دوباره آموزش دهند. به دنبال فروشندگانی باشید که از یادگیری انتقالی استفاده می کنند. این تکنیک به تصاویر بسیار کمتری برای خط مقدم خط تولید جدید نیاز دارد.
نرم‌افزار نمی‌تواند عکس‌برداری بد را برطرف کند. اگر نقص در عکس خام نامرئی باشد، هوش مصنوعی نمی تواند آن را پیدا کند. این واقعیت را زودتر بپذیرید. اطمینان حاصل کنید که فروشنده نورپردازی تخصصی متناسب با سطوح سرامیکی را مشخص کرده است. در مورد نور ساختاری چند زاویه بپرسید. برای برجسته کردن لبه‌های ترک، نور تاریک فیلد را درخواست کنید. برای صاف کردن تابش انعکاسی، نور کواکسیال را درخواست کنید. قبل از اینکه نرم افزار تصویر را تجزیه و تحلیل کند، سخت افزار باید جداسازی نوری ایجاد کند.
هرگز یک سیستم بازرسی را از برگه مشخصات استاندارد خریداری نکنید. یک اثبات دقیق مفهوم (PoC) را طلب کنید. نمونه های تولیدی خود را برای فروشنده ارسال کنید. به طور خاص، قطعات لبه را برای آنها ارسال کنید. زیرلایه‌های دقیقی را که از نظر تاریخی بازرسان انسانی شما را گیج می‌کنند، بگنجانید. اگر سیستم خودکار بتواند سخت ترین قطعات شما را به درستی طبقه بندی کند، تولید عادی را به راحتی انجام می دهد. یک PoC فیزیکی تنها راه برای تایید قابلیت واقعی است.
تمایز بین ریزترک انتهایی و علامت سطحی خوش خیم دیگر یک گلوگاه پایدار نیست. لازم نیست به بازرسی آهسته و ذهنی انسانی تکیه کنید.
ارتقاء به سیستم های بازرسی پیشرفته و آگاه از زمینه، بخش QA شما را متحول می کند. QA را از یک مرکز هزینه سنتی به یک مکانیسم فعال حفاظت از بازده تغییر می دهد.
بینایی ماشین مبتنی بر هوش مصنوعی با موفقیت خواص نوری پیچیده سرامیک‌ها را هدایت می‌کند و نرخ بیش از حد کشتار را به شدت کاهش می‌دهد.
نرخ های رد کاذب فعلی خود را فوراً بررسی کنید. مقدار محصول خوبی را که روزانه دور می اندازید، تعیین کنید.
برای ترتیب دادن ارزیابی نمونه، با فروشندگان بازرسی تخصصی مشورت کنید. از این داده های پایه برای محاسبه ROI بالقوه خود به طور دقیق استفاده کنید.
پاسخ: اپتیک‌های با وضوح بالا همراه با هوش مصنوعی می‌توانند ترک‌هایی را تا 5 تا 20 میکرون تشخیص دهند. دستیابی به این امر مستلزم کنترل دقیق بر میدان دید است. همچنین برای ایجاد کنتراست لازم در امتداد لبه های ترک، نیاز به تنظیمات نورپردازی تخصصی، مانند روشنایی میدان تاریک دارد.
پاسخ: خیر. بینایی ماشین کاملاً برای عیوب سطحی و نزدیک به سطح است. کاملاً متکی به نور منعکس شده است. تست اولتراسونیک (SAM) برای تشخیص حفره‌های داخلی عمیق یا ناهنجاری‌های ساختاری زیرسطحی پنهان در زیر لایه سرامیکی مات کاملاً مورد نیاز است.
پاسخ: فروشندگان اغلب از تکنیک هایی مانند یادگیری انتقال یا تولید داده های مصنوعی برای غلبه بر کمبود تصویر استفاده می کنند. علاوه بر این، بسیاری از سیستم های مدرن مدل های تشخیص ناهنجاری را بر اساس یادگیری بدون نظارت مستقر می کنند. این مدل‌ها فقط به تصاویر زیرلایه‌های 'خوب' نیاز دارند تا هرگونه انحراف غیرمنتظره را با موفقیت علامت‌گذاری کنند.
ج: بله. زبری سطح بالا باعث ایجاد نویز نوری قابل توجهی در نور استاندارد می شود. غلبه بر این امر مستلزم نورپردازی چند جهته برای از بین بردن سایه ها است. شما همچنین به الگوریتم های یادگیری عمیق نیاز دارید که به طور خاص آموزش داده شده باشند تا بافت طبیعی زیرلایه را نادیده بگیرند و در عین حال ناهنجاری های واقعی را برجسته کنند.
