Lehim Pastası İncelemesinde Mekansal-Zamansal Anomali Tespiti için CRRN

1. Giriş ve Genel Bakış

Bu makale, Baskılı Devre Kartı (PCB) üretimi için Yüzey Montaj Teknolojisi'nde (SMT) kritik bir soruna odaklanmaktadır: lehim pastası baskı aşamasındaki hata tespiti. Lehim pastası hacmi için normal dağılımın istatistiksel varsayımlarına dayanan geleneksel inceleme yöntemleri, yazıcı arızaları verileri sistematik olarak yanlı yönlendirdiğinde başarısız olur. Önerilen Konvolüsyonel Tekrarlamalı Yeniden Yapılandırma Ağı (CRRN), yalnızca normal veri kalıplarından öğrenen ve yeniden yapılandırma hatası yoluyla anomalileri tanımlayan yeni bir tek sınıf anomali tespit modelidir. Özellikle, hataların ardışık PCB üretimleri boyunca gelişen mekansal kalıplar olarak ortaya çıktığı Lehim Pastası İncelemesi (SPI) verilerinin mekansal-zamansal doğasını işlemek üzere tasarlanmıştır.

2. Metodoloji: CRRN Mimarisi

CRRN, verimli mekansal-zamansal özellik öğrenimi ve yeniden yapılandırma için tasarlanmış üç temel modülden oluşan özelleştirilmiş bir otokodlayıcıdır.

3. Teknik Detaylar ve Matematiksel Formülasyon

Temel amaç, normal diziler için yeniden yapılandırma kaybını en aza indirmektir. Kayıp fonksiyonu $\mathcal{L}$ tipik olarak orijinal ve yeniden yapılandırılmış diziler arasındaki Ortalama Kare Hata'dır (MSE):

$\mathcal{L} = \frac{1}{T} \sum_{t=1}^{T} \| X_t - \hat{X}_t \|_2^2$

Çıkarım sırasında, $t$ zamanındaki bir kare için bir anomali skoru $A_t$, yeniden yapılandırma hatasına dayalı olarak hesaplanır:

$A_t = \| X_t - \hat{X}_t \|_2^2$

Daha sonra $A_t$'ye bir eşik değeri $\tau$ uygulanarak kare (ve dolayısıyla PCB) normal veya anormal olarak sınıflandırılır. Modelin gücü, eğitim sırasında görmediği kalıpları (yani anomalileri) doğru bir şekilde yeniden yapılandıramamasında yatar.

4. Deneysel Sonuçlar ve Performans

Makale, CRRN'ın standart Otokodlayıcılar (AE), Varyasyonel Otokodlayıcılar (VAE) ve daha basit tekrarlamalı modeller gibi geleneksel modellere üstünlüğünü göstermektedir. Temel sonuçlar şunları içerir:

• Daha Yüksek Anomali Tespit Doğruluğu: CRRN, yazıcı kaynaklı hatalar içeren SPI veri kümelerinde temel modellere kıyasla üstün performans metrikleri (örneğin, F1-skoru, AUC-ROC) elde etmiştir.
• Etkili Anomali Lokalizasyonu: İkili tespitin ötesinde, CRRN yüksek yeniden yapılandırma hatası olan bölgeleri vurgulayarak bir anomali haritası oluşturur. Bu haritanın ayırt edici güce sahip olduğu ve belirli yazıcı hata türlerinin (örneğin, şablon tıkanıklığı, yanlış hizalama) sınıflandırılmasına başarıyla yardımcı olduğu gösterilmiştir.
• Uzun Dizilere Karşı Sağlamlık: ST-Dikkat mekanizmasının, gerçek dünya SMT hatlarında yaygın bir senaryo olan uzun PCB üretimi zamansal dizileri boyunca performansı korumak için çok önemli olduğu kanıtlanmıştır.

Grafik Açıklaması: Varsayımsal bir performans grafiği, CRRN'ın AUC-ROC eğrisinin, özellikle endüstriyel uygulamalar için kritik olan düşük yanlış pozitif oranlarında, AE, VAE ve LSTM tabanlı otokodlayıcıların eğrilerinin önemli ölçüde üzerinde olduğunu gösterir.

5. Analiz Çerçevesi ve Vaka Çalışması

Senaryo: Bir PCB montaj hattında aralıklı lehim köprüsü oluşmaktadır. Geleneksel SPI eşikleme yöntemi, kaymış bir dağılım nedeniyle birçok pedi "aşırı" olarak işaretlediği için kök nedeni tespit edememektedir.

CRRN Uygulaması:

1. Eğitim Aşaması: CRRN, bilinen iyi yazıcı çalışma dönemlerinden alınan birkaç haftalık SPI hacim haritası verisi üzerinde eğitilir.
2. Çıkarım ve Tespit: Canlı üretim sırasında CRRN, PCB dizisini işler. Yüksek genel anomali skoruna sahip belirli bir PCB'yi işaretler.
3. Kök Neden Analizi: İşaretlenen PCB için oluşturulan anomali haritası, kartın bir ekseni boyunca rastgele izole pedler değil, yüksek hataya sahip mekansal olarak bitişik bir kalıp gösterir.
4. Teşhis: Bu mekansal kalıp, pastayı düzensiz uygulayan bir yazıcı sıyırıcı bıçağı aşınması hatasının karakteristiğidir. Bakım ekibi bıçağı değiştirmesi için uyarılır ve daha fazla hatalı parti önlenir.

6. Gelecekteki Uygulamalar ve Araştırma Yönleri

• Çapraz Alan Adaptasyonu: CRRN çerçevesini Endüstri 4.0'taki diğer mekansal-zamansal anomali tespit görevlerine uygulamak; örneğin döner makinelerde titreşim analizi, elektronik montajda termal görüntüleme veya montaj hattı güvenliği için video gözetimi.
• Dijital İkizlerle Entegrasyon: CRRN'ı SMT hattının dijital ikizi içinde gerçek zamanlı simülasyon ve reçeteleyici analitik için bir anomali tespit modülü olarak gömme.
• Az Örnekli veya Yarı Denetimli Öğrenme: CRRN'ı, bilinen kritik hatalar için tespit özgüllüğünü artırmak amacıyla az sayıda etiketli anomali örneğini dahil edecek şekilde geliştirme.
• Açıklanabilirlik Geliştirme: ST-Dikkat ağırlıklarını ve anomali haritalarını tesis mühendisleri için daha yorumlanabilir hale getirmek için, muhtemelen dikkat odaklarını yazıcının belirli fiziksel bileşenlerine bağlayarak yöntemler geliştirme.
• Kenar Dağıtımı: Modeli, düşük gecikmeli, yerinde anomali tespiti için SPI makinesi içindeki kenar cihazlarına dağıtım için optimize etme.

7. Kaynaklar

1. Yoo, Y.-H., Kim, U.-H., & Kim, J.-H. (Yıl). Lehim Pastası İncelemesinde Mekansal-Zamansal Anomali Tespiti için Konvolüsyonel Tekrarlamalı Yeniden Yapılandırma Ağı. IEEE Transactions on Cybernetics.
2. Hochreiter, S., & Schmidhuber, J. (1997). Uzun Kısa Süreli Bellek. Neural Computation.
3. Vaswani, A., vd. (2017). Dikkat Tek İhtiyacınız Olan Şeydir. Advances in Neural Information Processing Systems.
4. Zhao, Y., vd. (2017). Videolarda Anomali Tespiti için Mekansal-Zamansal Yığılmış Otokodlayıcılar. Pattern Recognition.
5. Uluslararası Elektronik Üretim Girişimi (iNEMI) SMT teknoloji trendleri ve hata analizi raporları.

8. Uzman Analizi ve Eleştirel İnceleme