מצעים קרמיים כמו אלומיניום ניטריד (AlN) ואלומינה (Al2O3) ממלאים תפקיד קריטי ביישומים בהספק גבוה, בתדר גבוה ובטמפרטורות קיצוניות. תוכלו למצוא אותם מניעים מודולי כוח EV ותקשורת RF מתקדמת שבה הניהול התרמי נותר בלתי ניתן למשא ומתן. עם זאת, בעיית בקרת איכות גדולה פוקדת את התעשייה. פרוטוקולי בדיקה אופטיים סטנדרטיים של FR-4 נכשלים כישלון חרוץ בקרמיקה מתקדמת אלה. רפלקטיביות משטח גבוהה, ניגודיות מתכת נמוכה, ושבריריות חומר ייחודית עיוורת בקלות מכונות בדיקה קונבנציונליות. שימוש בציוד סטנדרטי מוביל בהכרח לפגמים מסוכנים שהוחמצו או למספר עצום של אזעקות שווא.
מדריך זה קובע מסגרת סטנדרטית מבוססת ראיות להערכת ציוד AOI ויכולות הספקים. אנו נעזור לך לאמת באופן יסודי את יכולות המכונה לפני שתתחייב להוצאות הון גדולות או הסכמי מיקור חוץ ארוכי טווח. תלמד בדיוק כיצד לבנות קבוצות בדיקה קפדניות, להגדיר טקסונומיות ברורות של פגמים ולנתח דוחות קבלה סופיים.
מצעים קרמיים דורשים תאורה מרובת זוויות או קואקסיאלית מיוחדת בשל סנוור משטח אגרסיבי וניגודיות מתכת נמוכה.
תהליך אימות מדגם AOI קפדני חייב לכלול תערובת מאוזנת של לוחות 'ידוע-טוב' וספריית פגמים מקיפה 'ידוע-רע'.
דוחות קבלה חייבים לכמת בבירור את ההחלפה בין שיעור בריחה (שליליות כוזבות) ושיעור שיחות כוזבות (חיוביות כוזבות) תוך שימוש במדדי Gage R&R הסטנדרטיים בתעשייה.
פריסת פרוטוקולי בדיקות קבלה מיוחדים חורגת הרבה מעבר לתאימות בסיסית. עלינו לטפל בטבע הקטסטרופלי של כשלים בשטח. מיקרו-פגמים בקרמיקה של נחושת מלוכדת ישירה (DBC) או נחושת מצופה ישירה (DPC) פוגעים באופן פעיל מוליכות תרמית. אם מודול כוח מהפך EV מכיל מיקרו-ריק במתכת המצע שלו, חום לא יכול לברוח ביעילות. המודול הורס את עצמו בסופו של דבר בעומסי שיא. מניעת בריחות שדה יקרות אלה דורשת ציוד מיוחד המותאם לתכונות הפיזיקליות המובהקות של קרמיקה.
המציאות האופטית מכתיבה גישת בדיקה שונה לחלוטין בהשוואה ללוחות אורגניים מסורתיים. לוחות מעגלים מודפסים סטנדרטיים FR-4 כוללים בדרך כלל מסכות הלחמה מט. הם מספקים ניגודיות גבוהה כנגד עקבות נחושת. מצעים קרמיים חסרים את הניגוד הנוח הזה. משטחי אלומינה ואלומיניום ניטריד חשופים יוצרים בוהק עז והשתקפות מרהיבה תחת נורות טבעות LED סטנדרטיות. מצלמות סטנדרטיות מפרשות לא נכון את הבוהק העז הזה כמכנסי גישור או נחושת מיותרת.
החלת כללים סטנדרטיים לבדיקת PCB על קרמיקה בעלת רפלקטיביות גבוהה מעוררת מיד עייפות קיצונית של שיחות שווא. אלגוריתמים סטנדרטיים מבוססי כללים מסמנים מאות פגמים דמיוניים בכל פאנל. לאחר מכן, על המפעילים לבדוק ידנית כל מיקום מסומן. סקירת אינסוף תוצאות כוזבות מתישה במהירות את המפעילים האנושיים. הם הופכים לחוסר רגישות ומאשרים בהכרח פגמים תפקודיים אמיתיים רק כדי לנקות את העומס. קביעת קריטריוני קבלה מיוחדים עוצרת את המעגל המסוכן הזה על ידי הוכחה שהמכונה יכולה להבדיל בין סנוור לא מזיק לבין פגמים ממשיים.
בחירת דוגמאות הבדיקה הנכונות מבטיחה את שלמות ההערכה שלך. אמין אימות מדגם AOI דורש לוחות שנאספו בקפידה המייצגים שונות ייצור רגילה, לא רק 'לוחות מוזהבים'. לוחות מושלמים אינם אומרים לך דבר על מוכנות הייצור האמיתית של המכונה. עליך לאסוף מצעים המציגים שינויי צבע נורמליים בין אצווה לאצווה, וריאציות קלות של גרגירים והבדלי עובי מתכת מותרים.
כדי להגביל במדויק מגבלות זיהוי של מבחני מאמץ, עליך לבנות ספריית פגמים מקיפה של 'ידוע-רע'. אל תסתמך לחלוטין על סימולציות תוכנה תיאורטיות. אתה צריך פגמים פיזיים במארז קצה. מקור או מייצר בכוונה לוחות המכילים שברים בקו שיער, חמצון עדין של נחושת ושבבי קצה מיקרוסקופיים. אנו ממליצים לבצע רצף קפדני בעת הפעלת ההערכה:
הרכיבו חמישים לוחות ייצור סטנדרטיים המציגים סחיפה רגילה של תהליך.
שלב עשרים לוחות פגומים במכוון מהספרייה הידועה והרעה שלך.
מפה את הקואורדינטות המדויקות של כל פגם ידוע לפני הכנסתם למכונה.
הפעל את המנה המעורבת השלמה דרך המכונה באופן עיוור.
לבסוף, קבע תמיד קו בסיס לא מותאם. הכריח את הספק לסרוק את אצווה המדגם המעורבת שלך מספר פעמים באמצעות האלגוריתמים הקרמיים המוגדרים כברירת מחדל, מחוץ לקופסה. רשום את הנתונים הבסיסיים האלה לפני שהם מאפשרים למהנדסים שלהם לשנות את הגדרות התאורה או להתאים את ספי הרגישות. השוואת קו הבסיס הלא אופטימלי מול התוצאות המכוונות הסופיות חושפת כמה הנדסה מותאמת אישית תדרוש למוצר הספציפי שלך להתקדם.
קריטריונים ברורים של מעבר/כשל מונעים ויכוחים יקרים במהלך החתימה הסופית של המכונה. תיעוד סובלנות מדויקות עבור מבחן קבלה AOI של מצע קרמי מיישר את הבטחות הספק ישירות עם מציאות הייצור שלך. אינך יכול לקבל הבטחות מעורפלות בנוגע לאיתור ליקויים. כל אנומליה בודדת חייבת ליפול לקטגוריה מוגדרת בהחלט.
פגמים ברמת המצע דורשים מדדים ספציפיים ביותר. ידוע לשמצה קרמיקה שבירה. תהליכי יצירת פרופילים וסינגולציה בלייזר גורמים לרוב לשיתוב קצה מיקרוסקופי. עליך להגדיר במדויק כמה מיקרון של סתתים נשארים מקובלים לפני כשל בפאנל. יתרה מזאת, המערכת חייבת לזהות מיקרו-סדקים מבניים מבלי לסמן בטעות את גבולות הגרגרים הקרמיים הטבעיים כשריטות. זיהום פני השטח חייב להפעיל אזעקות, אך כתמי מים לא מזיקים עשויים להישאר מקובלים.
פגמי מתכות ומעגלים דורשים גם סף קפדני. חיבורים בצפיפות גבוהה בקרמיקה משתמשים לרוב ברוחב קווים/חללים עדינים. המכונה חייבת למדוד במדויק את קילוף הנחושת, להתחקות אחר חריטת יתר ומכנסי גישור. יישומי RF בתדר גבוה אינם יכולים לסבול אפילו ירידת צוואר מזערית, מכיוון שהם משנים את העכבה. עליך להגדיר בבירור סובלנות פיזית אלה למערכת הראייה.
הטיפול בעמימות נותר החלק הקשה ביותר בהגדרת הטקסונומיה. עליך להפריד חריגות קוסמטיות בלתי מזיקות מפגמים תפקודיים אמיתיים. שינוי צבע נחושת קל עשוי להיראות מכוער אך מתפקד בצורה מושלמת. חמצון חמור, לעומת זאת, מונע קשר תיל תקין במורד הזרם. הטקסונומיה שלך חייבת להכתיב בבירור כיצד האלגוריתם מטפל בהבדלים החזותיים המעורפלים הללו.
קטגוריית פגמים |
אנומליה ספציפית |
דוגמה לסף עובר/נכשל |
|---|---|---|
שלמות המצע |
צ'יפינג של קצה |
נכשל אם עומק השבב עולה על 50 מיקרון מקצה החיתוך. |
שלמות המצע |
מיקרו-פיצוח |
כשל בכל סדק מתמשך שאורכו עולה על 0.1 מ'מ. |
מתכת |
עקבות צוואר למטה |
נכשל אם רוחב העקבות מצטמצם ביותר מ-15% מהעיצוב הנומינלי. |
מתכת |
פילינג נחושת |
נכשל בכל הפרדה גלויה בין שכבת הנחושת לבסיס הקרמי. |
זיהום פני השטח |
חִמצוּן |
חמצון כהה נכשל באזורי חיבור תיל; להעביר שינוי צבע קל במקום אחר. |
מפרטי החומרה מכתיבים ישירות את ביצועי הבדיקה של חומרים מתקדמים. ארכיטקטורת תאורה משמשת כרכיב החומרה הקריטי ביותר. טבעות LED סטנדרטיות מלמעלה למטה נכשלות באלומינה מבריקה. להביס השתקפות ספקקולרית אינטנסיבית דורשת תצורות חומרה מיוחדות ביותר. בעת הערכת מכונה, חפש את יכולות התאורה הספציפיות הבאות:
תאורה קואקסיאלית: מקרינה אור בניצב מושלם למצע, מבטל צללים ומדגיש משטחים רפלקטיביים שטוחים.
נוריות LED מולטי-ספקטרליות: משתמש באורכי גל שונים (אדום, ירוק, כחול, UV) כדי להדגיש שכבות חומר שונות, כגון זהב מצופה קרמי VS חשוף.
כיפות מרובות זוויות ניתנות לתכנות: מטיל אור מפוזר מזוויות נמוכות שונות כדי לזהות פגמים מוגבהים, קילוף נחושת ושריטות משטח עדינות.
דרישות המצלמה והרזולוציה חייבות להתאים לכללי העיצוב הספציפיים שלך. רזולוציית פיקסלים סטנדרטית של 15 מיקרון אינה יכולה לבחון כראוי מעגלים קרמיים RF בעלי גובה דק. אם תהליך הייצור שלך משתמש ברוחב קו/מרחב מתחת ל-20 מיקרון, אתה זקוק ליכולות רזולוציה אופטית תת-מיקרון. מצלמות סריקת קו ברזולוציה גבוהה בשילוב עם עדשות טלצנטריות מונעות עיוות תמונה בקצוות הפאנל, מה שמבטיח דיוק מדידה עקבי.
עליך להעריך בקפידה טענות אינטגרציה של AI ולמידה עמוקה. ספקים רבים משתמשים בבינה מלאכותית כמילת באזז שיווקית. עם זאת, למידה עמוקה אותנטית משנה באופן עמוק את הבדיקה הקרמית. אלגוריתמים נוקשים מבוססי כללים נאבקים לפרש וריאציות של גרגירי קרמיקה טבעיים. מודלים מודרניים של למידה עמוקה מצטיינים בסיווג הדפוסים החזותיים המעורפלים הללו. הם למעשה מדכאים שיחות שווא על ידי לימוד ההבדלים העדינים בין קו גרגר טבעי לא מזיק לבין מיקרו-סדק קטסטרופלי.
סיכוני יישום מלווים את יכולות ה-AI המתקדמות הללו. למידה עמוקה מציגה עקומת למידה תלולה. אימון רשתות עצביות דורש תקורה משמעותית של נתונים. אם אתה מפעיל קו ייצור בנפח נמוך ובתערובת גבוהה, ייתכן שלא תיצור מספיק דגימות פגומות כדי לאמן את הבינה המלאכותית כראוי. יתר על כן, עיבוד AI כבד יכול להגדיל משמעותית את זמן ניתוח התמונה. עליך לוודא שחומרת המחשוב המשולבת יכולה להתמודד עם העומס האלגוריתמי מבלי לגרום לצווארי בקבוק.
דוח הקבלה הסופי משמש כהוכחה האולטימטיבית שלך לאמינות המכונה. אל תקבל הודעות דוא'ל פשוטות של 'עובר/נכשל'. אתה צריך מחקר מקיף של Gage R&R (חזרות ושחזור). Gage R&R מספק את ההוכחה המתמטית ליציבות המערכת. יכולת החזרה מאשרת שהמכונה נותנת את אותה תוצאה בדיוק כאשר היא סורקת את אותו לוח קרמי עשר פעמים ברציפות. יכולת השחזור מאשרת שהתוצאות נשארות עקביות גם כאשר מפעילים שונים מעמיסים את הפאנלים על פני משמרות שונות.
עליך לתעד בשקיפות את המטריצה של חיובי כוזב לעומת שלילי כוזב. כל מערכת בדיקה עושה פשרות. אם תהדק את הספים כדי לתפוס כל מיקרו-סדק זעיר (הפחתת שליליות כוזבות), בהכרח תסמן חלקיקי אבק לא מזיקים נוספים (הגדלת תוצאות חיוביות שגויות). הדוח חייב לשרטט את האחוז המדויק הזה. הערה: ספק שטוען 0% בריחות ו-0% שיחות שווא על קרמיקה מורכבת הוא בלתי סביר מבחינה סטטיסטית. דרשו לראות את הנתונים הגולמיים המגבים את טענותיהם.
אימות זמן המחזור נשאר קריטי ביותר. מכונה שתופסת 100% מהפגמים אך לוקחת חמש דקות לסרוק פאנל בודד אינה מחזיקה ערך בייצור המוני. ודא שהציוד עומד ביעדים הדרושים ליחידות לשעה (UPH) מבלי להקריב את דיוק הזיהוי הבסיסי שלו. במהלך הבדיקה, הפעל את המכונה במהירות המותירה המרבית שלה וודא שקצב הבריחה אינו עולה באופן מלאכותי עקב טשטוש המצלמה או פיגור עיבוד.
לבסוף, ודא יכולת מעקב איתנה של נתונים. ייצור אינטליגנטי מודרני דורש זרימת נתונים חלקה. ודא שהמערכת יכולה לייצא תמונות פגומות ברזולוציה גבוהה באופן מיידי. עליו לתאם נתוני תיבת תוחמת ולתאם מפות בצורה חלקה לתוך פלטפורמות ה-MES (Manufacturing Execution System) או ERP הקיימות שלך. אינטגרציה אמינה מאפשרת למנועי בקרת תהליכים סטטיסטית (SPC) במורד הזרם לזהות מגמות תשואה שליליות לפני שהן מסלימות לאירועי גרוטאות מסיביים.
ההיגיון האחרון שלך ברשימה הקצרה צריכה להסתמך לחלוטין על ראיות אמפיריות. לעולם אל תרכוש או תתקשר לציוד בדיקה קרמי המבוסס על דפי מפרט מבריקים בלבד. קרמיקה מציגה אתגרים אופטיים ייחודיים שאלגוריתמי PCB סטנדרטיים פשוט לא יכולים להתגבר עליהם. על ידי שימוש בקבוצות בדיקה מובנות, טקסונומיות קפדניות של פגמים ומדדי Gage R&R קפדניים, אתה מגן על קו הייצור שלך מפני בריחות קטסטרופליות משדה ועייפות מפעיל.
הצעד הבא המיידי שלך הוא לדרוש הדגמה חיה ומתועדת. הכריח את הספק להשתמש בדגימות מצע קרמי ספציפיות שלך, כולל לוחות טובים וגם פגמים במארז הקצוות. אל תאפשר להם לבדוק באמצעות לוחות הדגמה מותאמים מראש משלהם. דרשו מהם לספק דוח סטטיסטי מקיף המוכיח שהמערכת שלהם יכולה לעמוד ביעדי ה-UPH הנדרשים שלכם תוך שמירה על שיעור שיחות שווא מקובל.
ת: לא. צילום רנטגן (AXI) נדרש לגילוי חללים נסתרים במפרקי הלחמה או באמצעות מילוי. עם זאת, בדיקה אופטית נשארת חובה בהחלט עבור זיהוי פגמים במשטח במהירות גבוהה, זיהוי שריטות ומדידות עקבות. שתי הטכנולוגיות משלימות, אינן ניתנות להחלפה.
ת: למרות שהיא תלויה מאוד במורכבות המוצר, מערכת מכוונת היטב המשתמשת בלמידה עמוקה על קרמיקה מכוונת בדרך כלל לפחות מ-3-5% קריאות שווא. הגדרות ראשוניות עשויות להתחיל הרבה יותר גבוה עד שהאלגוריתמים ילמדו את שונות הייצור הספציפית שלך.
ת: בהתאם למורכבות של טקסונומיית הפגמים ודרישות ההכשרה של AI, שלב אימות מתאים נמשך בדרך כלל בין 2 עד 4 שבועות. זה מאפשר מספיק זמן לבדיקות איטרטיביות, ריצות דגימות פיזיות וכיוונון אלגוריתמי הכרחי.
