PCB已经从过去体积庞大、技术过时的“印制线路板”，进步为今天高密度互连（HDI）PCB板和IC衬底（ICS）所采用的细线设计，其制造过程也从手工组装演进为高度自动化的生产。随着制造技术的进一步发展，制造工艺也变得越来越复杂、越来越精良，现在已经能够检查并修复缺陷，避免导致面板报废。如今PCB制造行业面临历史机遇，可利用人工智能（AI）优化生产流程及整个PCB制造设施。
PCB制造通常依赖积累了多年经验的专家，他们非常熟悉并理解制造流程的每一步，知道如何利用专业知识来优化生产并提高良率。但是，人类本身的局限，如错误和疲劳，会阻碍专家们工作进展顺利。操作员错误，或PCB缺陷的误判（即错误警报），都可能因为过度处理而影响良率，甚至损坏PCB本身。如果将AI集成到制造流程中（图1），机器会因为接管某些“学来的”任务而增值，人类专家则可继续承担需要思考和互动的更复杂的任务，同时优化和“训练”人工智能系统。人类与人工智能的结合提升了整体效率和运营，这是AI专家系统的最大机遇。
图1：人工智能可以帮助PCB工厂提高质量。
未来的PCB制造厂将完全集成工业4.0系统，在全局级和制造系统级都拥有人工智能。“全局”级包括整个工厂的所有系统，而不仅仅是单个制造系统。工业4.0提供了自动化和数据交换基础架构，可实现实时生产分析、双向通信和数据共享、可追溯性以及按需数据分析。在任何特定的工厂内，利用从各种制造系统和机器获取的数据，以及通过可追溯性和双向通信等工业4.0机制采集的数据，AI可以改进制造流程。AI通过对海量系统级数据进行分析，优化工厂设置参数并实现最高水平的生产率和良率，使工厂受益。AI分析和自我学习是通过人工神经网络来实现的。真正的全自动工厂将在几年之内建立起来，完全消除人工干预。
这种新的PCB制造模型要求工厂的所有系统完全连接，并采用具有AI的监控和决策机制。目前存在的一些专利和技术挑战限制了PCB工厂实现全自动化，因此现在尽可能地将AI应用在单个系统中，例如自动光学检测（AOI）解决方案。生产设施采用全局AI模型有很多优点，例如可以更可靠地报告PCB缺陷，即“真实缺陷”，通过反馈回路找到问题的根源，并自动修改工厂流程以消除相关缺陷。
AI的子集，包括机器学习和深度学习，将使PCB工厂朝着全自动化的目标迈进。机器学习采用的算法使计算机能够通过已采集并从中学习的数据和示例，来改进任务的性能，而无需进行明确的编程。就PCB制造而言，机器学习可提高良率，改善制造操作和流程，减少人工操作，从而有助于更有效地处理工厂资产、库存和供应链。
深度学习将AI提升到一个更加复杂的层面，在全局工厂系统级十分有用。深度学习类似人类大脑使用多面、多层人工神经网络进行学习、理解和推断的能力。在PCB工厂中，软件专家系统从对采集数据的理解、模式和环境的复杂表达中有效地学习。这种学习成为PCB制造中自动改进流程的基础。
机器学习和深度学习的实现为PCB制造商提供了超越人类理解的能力，换句话说，人工智能系统通过更深入地挖掘人类甚至想不到去开拓的领域，找到新的完善机会。AI专家系统十分高效，它额外使用了一些更复杂的参数，在全局层面监控工厂系统，减少了所需的人类专家数量，提高了效率并获得最佳实践。
从简单的读写功能，到对制造流程参数的高级跟踪，再到最小的PCB单元，在整个PCB制造流程中，工业4.0传感器（从设备端发送数据）和系统可产生全局级数据。制造流程参数可能包括蚀刻、抗蚀剂显影以及化学材料浓缩等。采用深度学习可以对这类数据进行分析，以优化制造方法和参数、识别模式并就流程中所需的更改做出明智的决定。所有这些都可以每天24小时、每周7天不间断自动进行。
在系统级，目前在PCB制造车间实现AI已经对生产率和良率产生了明显的影响，AOI过程就是一个例子。在这种情况下，机器学习极大地减少了检测PCB缺陷时的人为错误。比如，PCB缺陷包括短路、断路、过量的铜。自动化检测可以发现微小缺陷，这种缺陷可能是人工检测无法发现的，或者可能由于人为错误而遗漏，它们很自然会导致重复工作。
在不使用AI的传统检测中，例如检测100个面板，通常每个面板会发现20至30个缺陷，其中大约75％都属于误报。由于政策规定所有缺陷必须再次使用手工检查，审查误报缺陷浪费了宝贵的生产时间，增加了对PCB的处理，并且可能导致新的损坏。当操作员疲累、过劳或分心时，可能进一步出现错误分析。
在AOI系统中采用机器学习可以显著减少这类误报，从而减少修复工作（图2）。误报越少，对面板的处理就越少，这本身就会提高良率。此外，AI对缺陷的分类更加一致，并且能够不断改进，而不像人类操作员那样存在一些固有的限制，从而提供更可靠的结果，减少了验证时间。根据Orbotech的内部研究，AOI系统中的AI可以减少误报高达90％。AOI的独特之处在于，其系统收集的数据比其他任何制造解决方案都多，因而非常适合作为AI实施的第一步。同时，AOI室是PCB工厂中劳动最密集的场所，因此在其流程中采用AI受益也最大。对PCB制造商而言，这意味着可以更准确地识别数百万个缺陷并对它们进行分类，从而有可能提高良率并降低成本。
图2：采用AI的AOI可以减少生产车间的验证和人工。
我们以一个AOI系统检查100个面板为例，了解AI在系统级和全局级是如何工作的。在系统级，由机器学习支持的AI可以过滤出被系统分类为短路的误报缺陷。AI系统通过评估多个AOI图像，同时利用对“面板的理解”（即AOI解决方案对面板上的元件及其外观的理解），生成最智能的分类结果。将该信息输入由深度学习驱动的全局AI系统，从系统级解决方案中采集这些数据，并确定那些真正的短路缺陷（需要用额外的蚀刻工艺去除多余的铜）。AI系统利用系统级数据做出全局决策，以调整蚀刻工艺中的面板参数，使将来制造的所有面板上的同类缺陷（如果有的话）减少一些。系统级解决方案之间的互通最终将进一步增强和改善AI的全局级决策能力。
AI在整个行业内快速发展，它在PCB制造中也以同样的速度面临挑战。随着柔性材料的采用以及走线几何形状越来越小，缺陷检测更加困难。液晶聚酰胺（LCP）和改性聚酰胺（MPI）等下一代复合材料给制造商提出了新的挑战，包括图像采集、处理、变形和更细的走线。柔性PCB的材料越复杂，识别出的缺陷就越多，误报也会更多。制造商使用这种复合材料，是为了在确定误报的过程中最大程度地减少对面板的处理。因此，AI的实施将使柔性PCB（图3）这种产品类型大大受益，因为系统将学习以更严格的参数进行制造。
图3：柔性电路为自动光学检测带来新的问题。
在5G应用中，PCB要求更高的制造精度，因而也有可能从人工智能技术中受益良多。5G应用所需的HDI PCB要求更细的线宽，具有直侧壁几何形状和极严格的参数。因此，缺陷检测比以往更加困难，人类专家要有效完成缺陷检测将面临极大的挑战。
这些因素加上其他一些未知的PCB制造挑战，使人工智能驱动工厂成为未来生产的关键。在PCB制造中实现全局级AI应用，若要取得成果还需假以时日。毫无疑问，系统级AI已经实现，它为未来的全自动PCB工厂奠定了基础。
（原文刊登于ASPENCORE旗下EDN网站，参考链接：PCB factories embrace AI。）
本文为《电子技术设计》2020年01月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
