수동 부품 제조업체는 현재 수동 품질 관리 비용 증가로 인해 심각한 문제에 직면해 있습니다. 사람의 육안 검사에 의존하면 대량 생산이 진행되는 동안 심각한 병목 현상이 발생합니다. 운영자의 피로는 일관되지 않은 정렬로 이어지며, 이는 궁극적으로 브랜드 평판에 해를 끼칩니다. 서미스터 생산에는 최종 포장 전에 엄격한 외관과 치수 검증이 필요합니다. 전기적 기능이 장기적인 기계적 안정성을 보장하지 않기 때문에 NTC와 PTC 서미스터 모두 물리적 검증이 필요합니다. 부품이 고객에게 배송되기 전에 공장 현장의 물리적 결함을 찾아내야 합니다.
이 기사는 생산 관리자와 품질 엔지니어를 위한 의사 결정 단계 평가 가이드 역할을 합니다. 우리는 이 특수 기계가 생산 라인에서 어떤 일을 하는지 정확히 탐구할 것입니다. 자동화된 비전 시스템의 구현 현실을 이해하게 됩니다. 또한 특정 시설 요구 사항에 적합한 자동화 기계를 평가하는 방법도 간략하게 설명합니다.
결함 범위: 서미스터 AOI 기계는 전기 테스트에서 놓친 표면 결함, 코팅 불일치 및 단자 기형을 특별히 격리합니다.
허위 호출 관리: 고급 외관 감지 AOI 장비의 정의 지표는 높은 결함 포착률과 낮은 허위 거부(과잉) 비율의 균형을 맞추는 능력입니다.
라인 통합: 최신 시스템은 단순한 오프라인 샘플링에서 인라인 검사로 전환하여 사이클 시간을 저하시키지 않고 Matsuba 부품과 같은 복잡한 형상에 적응합니다.
공급업체 평가: 최종 후보는 순수한 이론적 처리 속도보다 광학 해상도, 알고리즘 유연성(AI 대 규칙 기반) 및 통합 지원을 우선시해야 합니다.
전기 테스트는 기본 구성 요소 기능을 쉽게 검증합니다. 그러나 기능 테스트로는 미세한 물리적 결함을 발견할 수 없습니다. 전기 테스트에서는 미세 균열, 에폭시 공극 및 미묘한 납 산화가 누락됩니다. 이러한 숨겨진 결함은 부품이 열 순환을 겪을 때 조기 현장 고장을 일으키는 경우가 많습니다. 또한 고객이 자동화된 PCB 채우기를 시도할 때 다운스트림 어셈블리 문제를 유발합니다. 이러한 기계적 위험을 격리하려면 전용 비전 시스템이 필요합니다.
최신 육안 검사 시스템은 여러 가지 중요한 검사를 동시에 처리합니다. 기계적 무결성을 보장하기 위해 밀리초 안에 구성요소를 스캔합니다. 이러한 기능은 세 가지 주요 탐지 영역으로 분류할 수 있습니다.
코팅 및 캡슐화 검증
서미스터는 안정적인 에폭시 또는 유리 캡슐화에 의존합니다. 카메라는 서미스터 헤드의 기포, 칩 또는 고르지 않은 코팅을 식별합니다. 거품이 수분을 잡아줍니다. 습기로 인해 결국 내부 단락이 발생합니다. 고르지 않은 코팅은 센서의 열 응답 시간을 변경합니다. 고속 카메라는 캡슐화가 부품을 균일하게 덮고 있는지 확인합니다.
리드 및 단자 검사
구부러진 핀은 PCB 삽입 수율을 파괴합니다. 시스템은 미크론 수준의 정확도로 피치와 스팬을 측정합니다. 구부러지거나 산화되거나 변형된 와이어 리드를 즉시 감지합니다. 납 산화는 리플로우 동안 적절한 솔더 습윤을 방지합니다. 시각적 시스템은 산화와 관련된 변색을 식별하여 포장하기 전에 불량 부품을 분리합니다.
마킹 및 색상 코딩
많은 수동 부품은 식별을 위해 컬러 밴드나 작은 영숫자 인쇄를 사용합니다. 비전 시스템은 이러한 표시를 검증합니다. 엄격한 가독성과 정확성을 위해 색상 밴드를 확인합니다. 희미한 인쇄 또는 잘못된 색상 순서는 즉시 거부를 유발합니다.
현대의 공급망은 포괄적인 감사 추적을 요구합니다. 고품질 외관 감지 AOI 장비는 모든 결함 데이터를 디지털화합니다. 거부된 모든 부품의 이미지를 캡처하고 특정 실패 모드를 기록합니다. 이 데이터는 ISO 및 IATF 규정 준수에 필요한 엄격한 추적성을 제공합니다. 자동차 및 의료 분야에서는 이러한 수준의 데이터 로깅이 필요합니다. 결함을 디지털화함으로써 품질 팀은 업스트림 성형 또는 침지 공정에 대한 근본 원인 분석을 수행할 수 있습니다.
표준 평면 SMD 검사는 비교적 간단한 프로세스입니다. 평평한 부품은 컨베이어 벨트에 완벽하게 고정되어 있습니다. 복잡한 3D 부품 검사는 완전히 다른 엔지니어링 과제를 제시합니다.
기존 평판 카메라는 이상한 형태의 부품을 검사할 때 제대로 작동하지 않습니다. 와이어 리드 서미스터는 3차원 깊이를 가지고 있습니다. 그들은 평평하게 앉아 있지 않습니다. 전문화 Matsuba 부품 AOI 장비는 이러한 섬세하고 특정한 형상을 아름답게 처리합니다. 이러한 시스템은 맞춤형 핸들링 트레이와 정밀한 인덱싱 메커니즘을 사용합니다. 기계적 응력을 유발하지 않고 와이어 리드 또는 맞춤형 단자 구성요소를 안정화합니다. 카메라는 고르지 않은 표면에서 정확한 초점 심도를 유지하여 부피가 큰 머리와 얇은 와이어 리드를 동시에 캡처합니다.
표준 평면 조명으로는 굴곡이 심한 유리 표면을 검사할 수 없습니다. 표준 조명은 엄청난 눈부심을 유발합니다. 다중 각도 조명은 이러한 특정 문제를 해결합니다. 고급 기계는 다양한 조명 배열을 순서대로 배열하여 그림자를 제거하고 곡선 서미스터 헤드와 금속 핀의 반사를 정규화합니다.
동축 조명: 평평한 반사 표면을 강조하여 표면 긁힘을 확인합니다.
낮은 각도 조명: 텍스처 전체에 그림자를 드리워 가장자리 칩과 미세 균열을 강조합니다.
돔 조명: 부드러운 간접 조명을 제공하여 광택 유리 캡슐의 거친 눈부심을 제거합니다.
시스템은 이러한 조명을 빠르게 연속적으로 펄스합니다. 카메라는 다양한 조명 조건에서 여러 프레임을 캡처합니다. 그런 다음 소프트웨어는 이러한 이미지를 병합하여 구성 요소의 완전한 기하학적 프로파일을 형성합니다.
올바른 기계를 선택하려면 구조화된 접근 방식이 필요합니다. 특정 하드웨어 기능을 원하는 생산 결과에 직접 매핑해야 합니다. 마케팅 사양만을 토대로 기계를 구매하지 마십시오.
분해능과 사이클 시간
메가픽셀이 높은 카메라는 작은 미세 균열을 쉽게 감지합니다. 그러나 25메가픽셀 이미지를 처리하는 것은 5메가픽셀 이미지를 처리하는 것보다 밀리초 더 오래 걸립니다. 이 지연 시간에 시간당 구성 요소 20,000개를 곱하면 라인 병목 현상이 빠르게 나타납니다. 필수 UPH(시간당 단위)에 대한 적절한 지점을 평가해야 합니다. 허용 범위가 사소한 외관상의 흠집을 허용하는 경우에는 저해상도, 고속 카메라를 사용하여 처리량을 최대화할 수 있습니다.
알고리즘 접근법
소프트웨어가 실제 검사를 주도합니다. 기존 규칙 기반 알고리즘이나 딥러닝 비전 모델을 선택할 수 있습니다. 규칙 기반 시스템은 엄격한 기하학적 매개변수에 의존합니다. 리드 피치 측정에 탁월합니다. 딥 러닝 모델은 미묘한 코팅 변형과 같은 주관적인 표면 결함을 찾는 데 탁월합니다. AI는 레진 색상의 허용 가능한 변화를 이해하므로 거짓 긍정을 대폭 줄입니다.
표: 알고리즘 접근 방식 비교
특징 |
규칙 기반 알고리즘 |
딥러닝(AI) 비전 |
|---|---|---|
설정 시간 |
간단한 형상의 경우 빠름 |
더 긴 훈련 시간 필요 |
결함 유연성 |
엄격한; 예상치 못한 차이로 인해 실패함 |
미묘한 변화에 대한 높은 적응력 |
최고의 응용 프로그램 |
엄격한 치수 측정(리드 스팬) |
주관적인 외관 불량(코팅 색상) |
허위 통화율 |
복잡한 반사 표면에서는 더 높음 |
최적화 후 대폭 감소 |
핸들링 메커니즘
기계가 구성요소를 이동하는 방식이 중요합니다. 시스템은 중력 공급 트랙, 테이프 및 릴 메커니즘 또는 맞춤형 인덱싱 다이얼을 사용합니다. 중력 트랙은 빠른 속도를 제공하지만 깨지기 쉬운 유리 코팅이 깨질 위험이 있습니다. 인덱싱 다이얼은 부드럽고 정밀한 핸들링을 제공하지만 비용이 더 많이 듭니다. 선택한 처리 시스템은 업스트림 및 다운스트림 흐름과 일치해야 합니다. 검사 과정에서 서미스터에 기계적 손상을 주어서는 안 됩니다.
공장 현장에 자동화된 비전 시스템을 배포하는 데는 항상 장애물이 따릅니다. 생산 직원이 원활하게 채택할 수 있도록 이러한 문제를 조기에 예상해야 합니다.
많은 공급업체에서는 플러그 앤 플레이 단순성을 약속합니다. 실제로 광학 검사에는 인내와 조정이 필요합니다. 공장 환경에는 진동, 주변광 변화, 먼지 등의 변수가 발생합니다.
새로운 AOI 장비는 초기에 높은 거부율을 보이는 경우가 많습니다. 시스템은 미세한 비기능적 이상을 감지하므로 완벽하게 양호한 부품을 거부합니다. 우리는 이것을 과잉 단계라고 부릅니다. 검사 임계값을 최적화하려면 전용 튜닝 기간이 필요합니다. 운영자는 소프트웨어에 어떤 외관상 결함이 허용되는지 가르쳐야 합니다.
강력한 결함 라이브러리를 구축하는 데는 시간이 걸립니다. 단순히 기계를 켜고 완벽함을 기대할 수는 없습니다. 시스템에 수천 개의 예시를 제공해야 합니다.
허용 가능한 차이를 설정하기 위해 알려진 양호한 구성 요소의 기준선을 스캔합니다.
특정 결함(균열, 기포, 구부러진 리드)이 있는 알려진 불량 구성 요소를 소개합니다.
다양한 수지 색상(예: 검은색 대 녹색 에폭시)에 따라 조명 강도를 조정합니다.
파일럿 배치를 실행하고 거부된 모든 부품을 수동으로 검토하여 알고리즘을 미세 조정합니다.
산업 환경에서는 광학 선명도가 급격히 저하됩니다. 카메라 렌즈에 먼지가 쌓입니다. 길 잃은 에폭시가 트랙 핸들링에 달라붙습니다. 엄격한 유지 관리 가정을 개략적으로 설명해야 합니다. 렌즈 청소, 트랙 정렬, 먼지 제거는 일상의 필수품입니다. 물리적 유지 관리를 무시하면 시간이 지남에 따라 거짓 거부율이 꾸준히 높아집니다.
자본 지출을 정당화하려면 명확한 성공 지표가 필요합니다. 장비가 실질적인 생산 이점을 제공한다는 것을 입증해야 합니다.
성공적인 배포는 실제로 어떤 모습일까요? 업계 모범 사례는 엄격한 무결점 탈출율을 목표로 합니다. 결함이 있는 부품이 고객에게 전달되어서는 안 됩니다. 동시에 최적화 후 2% 미만의 잘못된 호출 비율을 목표로 해야 합니다. 또한 성공적인 출시를 통해 수동 검사 인건비를 30% 절감할 수 있습니다. 근본 원인 분석과 같은 더 높은 가치의 작업에 인간 검사관을 재할당할 수 있습니다.
시연 중에는 표준 공급업체 테스트 부품을 수락하지 마십시오. 공급업체는 자신의 깨끗한 샘플에 맞게 데모 기계를 완벽하게 조정합니다.
절대 최악의 생산 샘플을 사용하여 개념 증명(POC) 테스트를 요청하세요.
경계선에 있는 외관상 결함이 있는 부분을 포함하여 AI의 뉘앙스를 테스트하세요.
데모 중에 소프트웨어 유용성을 면밀히 평가하십시오.
스스로에게 물어보십시오. 현재 라인 운영자가 임계값을 쉽게 조정할 수 있습니까? 아니면 인터페이스에 전담 비전 엔지니어가 필요합니까? 고급 기계는 직관적이고 조작자 친화적인 인터페이스를 갖추고 있어야 합니다.
공급업체에 문의하기 전에 특정 결함 파레토 차트를 계획하세요. 고객 불만이 가장 많이 발생하는 결함이 무엇인지 정확히 파악하십시오. 정확한 UPH 요구사항을 정의하세요. 기준 데이터를 이해하면 더 나은 일치 프로세스가 보장됩니다. 철저한 준비를 통해 가장 적합한 것을 선택할 수 있습니다. 서미스터 AOI 장비 . 특정 생산 라인을 위한
자동화된 광학 시스템은 품질 관리 패러다임을 완전히 변화시킵니다. 주관적인 인간 샘플링에서 벗어나 객관적이고 확장 가능한 100% 검사로 전환합니다. 이러한 전환은 브랜드 평판을 보호하고 비용이 많이 드는 고객의 다운스트림 조립 실패를 방지합니다.
최고의 장비 선택은 광학 정밀도와 실용적인 자재 취급 사이의 균형을 세심하게 조정하는 것입니다. 유연한 조명, 직관적인 AI 소프트웨어, 부드러운 인덱싱 메커니즘을 제공하는 시스템에 우선순위를 두세요. 유지보수가 적고 적응력이 뛰어난 기계에 중점을 두어 장기적인 라인 안정성과 일관된 제품 품질을 보장합니다.
A: 아니요. AOI는 외관 및 기계적 결함을 감지합니다. 포괄적인 품질 보증을 위해 전기 테스트(저항, B 값)와 쌍을 이루어야 합니다.
A: 제품에 대한 의존도가 높지만 업계 표준은 일반적으로 최적화 후 잘못된 호출 비율을 2~3% 미만으로 목표로 하며 결함 탈출율은 엄격하게 0%입니다.
A: 고급 시스템은 AI 비전 모델과 결합된 프로그래밍 가능한 다중 스펙트럼 또는 다중 각도 조명을 활용하여 반사를 정규화하고 광학 눈부심으로부터 실제 결함을 격리합니다.
