Optični pregled, AOI in testna oprema
domov » Novice » Blog » Preskušanje sprejemljivosti keramične podlage AOI: vzorci, napake in poročila

Preskušanje sprejemljivosti keramične podlage AOI: vzorci, napake in poročila

Povprašajte

Keramične podlage, kot sta aluminijev nitrid (AlN) in aluminijev oksid (Al2O3), imajo ključno vlogo pri aplikacijah z visoko močjo, visoko frekvenco in ekstremnimi temperaturami. Našli jih boste, da poganjajo napajalne module za električna vozila in vrhunske RF komunikacije, kjer se o upravljanju toplote ni mogoče pogajati. Vendar pa industrijo pesti velik problem nadzora kakovosti. Standardni protokoli za optično pregledovanje FR-4 so na tej napredni keramiki popolnoma neuspešni. Visoka površinska odbojnost, nizek metalizacijski kontrast in edinstvena krhkost materiala zlahka zaslepijo običajne pregledovalne stroje. Uporaba standardne opreme neizogibno vodi do nevarnih zgrešenih okvar ali ogromnega števila lažnih alarmov.

Ta vodnik vzpostavlja standardiziran okvir, ki temelji na dokazih, za ocenjevanje opreme AOI in zmogljivosti prodajalca. Pomagali vam bomo temeljito preveriti zmogljivosti stroja, preden se zavežete k velikim kapitalskim izdatkom ali dolgoročnim pogodbam o zunanjem izvajanju. Naučili se boste natančno strukturirati stroge preskusne serije, definirati jasne taksonomije napak in analizirati končna poročila o sprejemu.

Ključni zaključki

  • Keramične podlage zahtevajo specializirano večkotno ali koaksialno osvetlitev zaradi agresivnega površinskega bleščanja in nizkega metalizacijskega kontrasta.

  • Strog postopek validacije vzorcev AOI mora vključevati uravnoteženo mešanico 'znano dobrih' plošč in obsežno knjižnico napak 'znano-slabo'.

  • Poročila o sprejemu morajo jasno količinsko opredeliti kompromis med stopnjo pobega (lažni negativni rezultati) in stopnjo lažnih klicev (lažni pozitivni rezultati) z uporabo industrijskih standardnih meritev R&R.

Finančni in tehnični primer za specializirana merila sprejemljivosti

Uvajanje specializiranih protokolov za testiranje sprejemljivosti daleč presega osnovno skladnost. Spopasti se moramo s katastrofalno naravo napak na terenu. Mikronapake v keramiki z neposrednim vezanjem bakra (DBC) ali neposredno prevlečenim bakrom (DPC) aktivno ogrožajo toplotno prevodnost. Če inverterski napajalni modul EV vsebuje mikropraznino v metalizirani podlagi, toplota ne more učinkovito odvajati. Modul se sčasoma uniči pri koničnih obremenitvah. Preprečevanje teh dragih pobegov na terenu zahteva posebno opremo, prilagojeno različnim fizikalnim lastnostim keramike.

Optične realnosti narekujejo popolnoma drugačen pristop pregledovanja v primerjavi s tradicionalnimi organskimi ploščami. Standardna tiskana vezja FR-4 so običajno opremljena z mat spajkalno masko. Zagotavljajo visok kontrast proti sledi bakra. Keramične podlage nimajo tega priročnega kontrasta. Gole površine aluminijevega oksida in aluminijevega nitrida ustvarjajo intenzivno bleščanje in zrcalni odsev pod standardnimi obročastimi LED lučmi. Standardne kamere ta močan bleščanje napačno razlagajo kot premostitvene kratke hlače ali tuj baker.

Uporaba standardnih pravil za inšpekcijo PCB na keramiki z visoko refleksijo takoj sproži izjemno lažno utrujenost pri klicu. Standardni algoritmi, ki temeljijo na pravilih, označijo na stotine namišljenih napak na ploščo. Operaterji morajo nato ročno pregledati vsako označeno lokacijo. Pregledovanje neskončnih lažno pozitivnih rezultatov hitro izčrpa človeške operaterje. Postanejo desenzibilizirani in neizogibno odobrijo resnične funkcionalne napake preprosto zato, da počistijo zaostanke. Vzpostavitev posebnih meril sprejemljivosti ustavi ta nevarni krog, tako da dokaže, da stroj lahko razlikuje med neškodljivim bleščanjem in dejanskimi napakami.

Izvajanje strogega protokola preverjanja vzorcev AOI

Izbira pravih vzorcev za testiranje zagotavlja celovitost vaše ocene. Zanesljiv Validacija vzorca AOI zahteva skrbno izbrane plošče, ki predstavljajo običajno proizvodno varianco, ne le 'zlate plošče'. Popolne plošče vam ne povedo ničesar o resnični pripravljenosti stroja za proizvodnjo. Zbrati morate substrate, ki kažejo običajne barvne premike od serije do serije, manjše variacije zrn in dovoljene razlike v debelini metalizacije.

Če želite natančno določiti meje zaznavanja stresnih testov, morate sestaviti obsežno knjižnico napak 'znano-slabo'. Ne zanašajte se v celoti na teoretične simulacije programske opreme. Potrebujete fizične robne napake. Pridobite ali namensko izdelajte plošče, ki vsebujejo lasne zlome, subtilno oksidacijo bakra in mikroskopske drobce robov. Priporočamo, da pri izvajanju vrednotenja sledite strogemu zaporedju:

  1. Sestavite petdeset standardnih proizvodnih plošč, ki prikazujejo običajni procesni zamik.

  2. Integrirajte dvajset namenoma pomanjkljivih plošč iz vaše znane slabe knjižnice.

  3. Preslikajte natančne koordinate vsake znane napake, preden jih vstavite v stroj.

  4. Celotno mešano serijo na slepo poženite skozi stroj.

Končno, vedno določite neoptimizirano izhodišče. Prisilite prodajalca, da večkrat skenira vašo serijo mešanih vzorcev z uporabo svojih privzetih keramičnih algoritmov. Zabeležite te osnovne podatke, preden dovolite njihovim inženirjem, da prilagodijo nastavitve osvetlitve ali prilagodijo pragove občutljivosti. Primerjava neoptimiziranega izhodišča s končnimi prilagojenimi rezultati razkrije, koliko inženiringa po meri bo potreboval vaš določen izdelek za naprej.

Opredelitev taksonomije napak za preskus sprejemljivosti keramične podlage AOI

Jasna merila za sprejem/neuspeh preprečijo drage argumente med končno odjavo stroja. Dokumentiranje natančnih toleranc za Preskus sprejemljivosti keramičnega substrata AOI uskladi obljube prodajalca neposredno z realnostjo vaše proizvodnje. Ne morete sprejeti nejasnih obljub glede odkrivanja napak. Vsaka posamezna anomalija mora spadati v strogo določeno kategorijo.

Napake na ravni substrata zahtevajo zelo specifične meritve. Keramika je znana kot krhka. Postopki laserskega profiliranja in singulacije pogosto povzročijo mikroskopsko drobljenje robov. Natančno morate določiti, koliko mikronov ostružkov ostane sprejemljivih, preden plošča odpove. Poleg tega mora sistem zaznati strukturne mikrorazpoke, ne da bi napačno označil naravne meje keramičnih zrn kot praske. Površinska kontaminacija mora sprožiti alarme, vendar lahko neškodljive vodne lise ostanejo sprejemljive.

Metalizacija in okvare vezja prav tako zahtevajo stroge pragove. Medsebojne povezave visoke gostote na keramiki pogosto uporabljajo tanke črte/širine prostora. Stroj mora natančno izmeriti luščenje bakra, sledi čezmernega jedkanja in premostitvenih kratkih spojin. Visokofrekvenčne RF aplikacije ne morejo tolerirati niti manjših sledov, saj spremenijo impedanco. Te fizične tolerance za sistem vida morate jasno opredeliti.

Ravnanje z dvoumnostjo ostaja najtežji del definicije taksonomije. Ločiti morate neškodljive kozmetične anomalije od resničnih funkcionalnih napak. Rahlo bakreno obarvanje je lahko videti grdo, vendar deluje odlično. Huda oksidacija pa preprečuje pravilno vezavo žice v smeri toka. Vaša taksonomija mora jasno narekovati, kako algoritem obravnava te dvoumne vizualne razlike.

Standardizirana kategorizacija napak za tehnično validacijo

Kategorija napake

Specifična anomalija

Primer praga uspešno/neuspešno

Celovitost substrata

Odrobljanje robov

Ne uspe, če globina odrezka presega 50 mikronov od rezalnega roba.

Celovitost substrata

Mikrorazpoke

Odrešite neprekinjeno razpoko, daljšo od 0,1 mm.

Metalizacija

Trace Neck-down

Ne uspe, če se širina sledi zmanjša za več kot 15 % nominalne zasnove.

Metalizacija

Bakreni piling

Med bakreno plastjo in keramično podlago ne sme biti nobene vidne ločitve.

Površinska kontaminacija

Oksidacija

Neuspešna temna oksidacija v območjih spajanja žice; prenesti svetlo razbarvanje drugam.

Vrednotenje strojne opreme in algoritemskih zmogljivosti za specializiran optični pregled

Ocenjevanje strojne in algoritemske zmogljivosti AOI

Specifikacije strojne opreme neposredno narekujejo učinkovitost pregledovanja naprednih materialov. Arhitektura osvetlitve služi kot najbolj kritična komponenta strojne opreme. Standardni LED-obročki od zgoraj navzdol ne delujejo na sijajni aluminijev oksid. Premagovanje intenzivnega zrcalnega odboja zahteva visoko specializirane konfiguracije strojne opreme. Pri ocenjevanju stroja bodite pozorni na te posebne zmožnosti osvetlitve:

  • Koaksialna osvetlitev: projicira svetlobo popolnoma pravokotno na podlago, odpravlja sence in poudarja ravne odsevne površine.

  • LED z več spektri: uporablja različne valovne dolžine (rdeča, zelena, modra, UV) za poudarjanje različnih plasti materiala, kot je izpostavljena keramika VS prevlečeno zlato.

  • Programabilne kupole z več koti: oddaja razpršeno svetlobo iz različnih nizkih kotov za prepoznavanje dvignjenih napak, luščenja bakra in subtilnih površinskih prask.

Zahteve glede kamere in ločljivosti se morajo ujemati z vašimi posebnimi pravili oblikovanja. Standardna ločljivost slikovnih pik 15 mikronov ne more ustrezno pregledati finih RF keramičnih vezij. Če vaš proizvodni proces uporablja širine črt/presledkov pod 20 mikronov, potrebujete zmožnosti optične ločljivosti pod mikronsko. Visokoločljive kamere za črtno skeniranje v kombinaciji s telecentričnimi lečami preprečujejo popačenje slike na robovih plošče in zagotavljajo dosledno natančnost meritev.

Skrbno morate oceniti trditve o integraciji umetne inteligence in globokega učenja. Mnogi prodajalci uporabljajo AI kot trženjsko modno besedo. Vendar pristno poglobljeno učenje temeljito spremeni pregled keramike. Togi algoritmi, ki temeljijo na pravilih, težko razlagajo naravne variacije keramičnih zrn. Sodobni modeli globokega učenja so odlični pri razvrščanju teh dvoumnih vizualnih vzorcev. Učinkovito zatrejo lažne klice tako, da se naučijo subtilnih razlik med neškodljivo naravno zrnato linijo in katastrofalno mikrorazpoko.

Te napredne zmogljivosti umetne inteligence spremljajo tveganja pri izvajanju. Globoko učenje uvaja strmo krivuljo učenja. Usposabljanje nevronskih mrež zahteva precejšnjo količino podatkov. Če poganjate proizvodno linijo z majhnim obsegom in visoko mešanico, morda ne boste ustvarili dovolj okvarjenih vzorcev za pravilno usposabljanje AI. Poleg tega lahko težka obdelava AI znatno podaljša čas analize slike. Zagotoviti morate, da lahko vgrajena računalniška strojna oprema prenese algoritemsko obremenitev brez povzročanja ozkih grl.

Strukturiranje in analiza končnega poročila o prevzemu

Končno poročilo o prevzemu služi kot vaš končni dokaz o zanesljivosti stroja. Ne sprejmite preprostih e-poštnih sporočil s povzetkom 'uspešno/neuspešno'. Potrebujete celovito študijo Gage R&R (ponovljivost in obnovljivost). Gage R&R zagotavlja matematični dokaz stabilnosti sistema. Ponovljivost potrjuje, da stroj daje popolnoma enak rezultat, ko desetkrat zapored skenira isto keramično ploščo. Ponovljivost potrjuje, da rezultati ostajajo dosledni, tudi če različni operaterji nalagajo plošče v različnih izmenah.

Pregledno morate dokumentirati lažno pozitivno proti lažno negativni matriki. Vsak nadzorni sistem sklepa kompromise. Če poostrite pragove, da ujamete vsako drobno mikro razpoko (s čimer zmanjšate lažno negativne rezultate), boste neizogibno označili več neškodljivih prašnih delcev (povečanje lažno pozitivnih rezultatov). Poročilo mora narisati ta natančen odstotek kompromisa. Opomba: Prodajalec, ki trdi, da je 0 % pobegov in 0 % lažnih klicev na kompleksni keramiki, je statistično malo verjeten. Zahtevajte ogled neobdelanih podatkov, ki podpirajo njihove trditve.

Preverjanje časa cikla ostaja zelo kritično. Stroj, ki ujame 100 % napak, vendar potrebuje pet minut za skeniranje ene plošče, nima vrednosti v masovni proizvodnji. Zagotovite, da oprema izpolnjuje vaše zahtevane cilje enot na uro (UPH), ne da bi pri tem žrtvovali njeno osnovno natančnost zaznavanja. Med preskušanjem zaženite stroj pri njegovi največji nazivni hitrosti in preverite, da stopnja uhajanja ni umetno skokovita zaradi zamegljenosti kamere ali zakasnitve obdelave.

Na koncu preverite zanesljivo sledljivost podatkov. Sodobna inteligentna proizvodnja zahteva nemoten pretok podatkov. Preverite, ali lahko sistem takoj izvozi slike napak v visoki ločljivosti. Usklajevati mora podatke omejevalnih okvirjev in zemljevide neopazno v vaše obstoječe platforme MES (Manufacturing Execution System) ali ERP. Zanesljiva integracija omogoča nadaljnjim motorjem za statistični nadzor procesov (SPC), da prepoznajo negativne trende donosa, preden prerastejo v množične odpadke.

Zaključek

Vaša končna logika ožjega izbora bi se morala v celoti zanašati na empirične dokaze. Nikoli ne kupujte in ne najemajte opreme za pregledovanje keramike samo na podlagi sijajnih listov s specifikacijami. Keramika predstavlja edinstvene optične izzive, ki jih standardni algoritmi PCB preprosto ne morejo premagati. Z uporabo strukturiranih testnih serij, strogih taksonomij napak in strogih meritev R&R Gage zaščitite svojo proizvodno linijo pred katastrofalnimi pobegi na terenu in utrujenostjo operaterja.

Vaš takojšnji naslednji korak zahteva dokumentirano predstavitev v živo. Prisilite prodajalca, da uporabi vaše specifične vzorce keramične podlage, vključno z dobrimi ploščami in napakami na robovih. Ne dovolite jim, da testirajo z lastnimi vnaprej optimiziranimi predstavitvenimi ploščami. Od njih zahtevajte, da zagotovijo izčrpno statistično poročilo, ki dokazuje, da lahko njihov sistem doseže vaše zahtevane cilje UPH, hkrati pa ohrani sprejemljivo stopnjo lažnih klicev.

pogosta vprašanja

V: Ali lahko rentgenski pregled nadomesti AOI za keramične podlage?

O: Ne. Rentgen (AXI) je potreben za odkrivanje skritih praznin v spajkah ali prek polnil. Vendar pa optični pregled ostaja strogo obvezen za hitro odkrivanje površinskih napak, identifikacijo prask in merjenje sledi. Obe tehnologiji se dopolnjujeta, nista zamenljivi.

V: Kakšna je sprejemljiva stopnja lažnih klicev za keramični AOI?

O: Čeprav je zelo odvisen od kompleksnosti izdelka, dobro nastavljen sistem, ki uporablja globoko učenje na keramiki, običajno cilja na manj kot 3–5 % lažnih klicev. Začetne nastavitve se lahko začnejo veliko višje, dokler se algoritmi ne naučijo vaše specifične proizvodne variance.

V: Kako dolgo naj traja standardna faza validacije AOI?

O: Ustrezna faza validacije običajno traja 2 do 4 tedne, odvisno od kompleksnosti vaše taksonomije napak in zahtev glede usposabljanja za AI. To omogoča dovolj časa za iterativno testiranje, fizične vzorčne izvedbe in potrebno algoritemsko nastavitev.

Kontaktni podatki

Telefon: +86-512-5792-3620  
 E-pošta: info@ptcstress.com
 Naslov: No.581, Hengchangjing Road, Zhoushi Town, Kunshan City, Jiangsu Province, 215337, Kitajska

Sledite nam

Imate vprašanja? Kontaktirajte nas za pomoč.

Hitre povezave

Avtorske pravice © 2026 Suzhou PTC Optical Instrument Co., Ltd. Vse pravice pridržane.   苏ICP备19051399号-2