Lehim Pastası İncelemesinde Mekansal-Zamansal Anomali Tespiti için CRRN

İçindekiler

1. Giriş ve Genel Bakış

Bu makale, Baskılı Devre Kartı (PCB) üretimi için Yüzey Montaj Teknolojisi'nde (SMT) kritik bir zorluğu ele almaktadır: lehim pastası baskı aşamasında yazıcı hatalarının neden olduğu anomalilerin tespiti. Lehim Pastası İncelemesi (SPI) gibi geleneksel denetim yöntemleri, lehim pastası hacimlerinin normal dağılımını varsayan istatistiksel eşiklere dayanır. Yazıcı arızaları veri dağılımını sistematik olarak yanlı yönlendirdiğinde bu yaklaşım başarısız olur. Önerilen çözüm, Konvolüsyonel Tekrarlamalı Yeniden Yapılandırma Ağı (CRRN)'dır; yalnızca normal veri kalıplarından öğrenen ve yeniden yapılandırma hatası aracılığıyla anomalileri tanımlayan bir sınıflı anomali tespit modelidir. Temel yenilik, ardışık SPI verilerinden mekansal-zamansal anomali kalıplarını ayrıştırma yeteneğinde yatar ve basit eşiklemenin ötesine geçerek normal süreç davranışının öğrenilmiş bir temsiline ulaşır.

2. Metodoloji ve Mimari

CRRN, mekansal-zamansal dizi verileri için tasarlanmış özelleştirilmiş bir konvolüsyonel tekrarlamalı otokodlayıcıdır (CRAE). Mimarisi, hem mekansal özellikleri (örn., bir ped üzerindeki lehim pastası şekli) hem de zamansal bağımlılıkları (örn., ardışık kartlar veya pedler arasındaki kalıplar) yakalamak üzere uyarlanmıştır.

2.1 CRRN Mimarisi Genel Bakış

Ağ üç ana bileşenden oluşur:

1. Mekansal Kodlayıcı (S-Kodlayıcı): Konvolüsyonel katmanlar kullanarak tek tek giriş karelerinden (örn., tek bir SPI ölçüm anlık görüntüsü) mekansal özellikleri çıkarır.
2. Mekansal-Zamansal Kodlayıcı-Kod Çözücü (ST-Kodlayıcı-Kod Çözücü): Dizileri işleyen çekirdek modüldür. Zamansal dinamikleri ve uzun menzilli bağımlılıkları modellemek için birden fazla Konvolüsyonel Mekansal-Zamansal Bellek (CSTM) bloğu ve bir ST-Dikkat mekanizması içerir.
3. Mekansal Kod Çözücü (S-Kod Çözücü): Mekansal-zamansal gizli temsilden, devrik konvolüsyonlar kullanarak giriş dizisini yeniden yapılandırır.

Model yalnızca normal SPI veri dizileri üzerinde eğitilir. Çıkarım sırasında, yüksek bir yeniden yapılandırma hatası, öğrenilen normal kalıptan bir sapmayı gösterir ve potansiyel bir anomali sinyali verir.

2.2 Konvolüsyonel Mekansal-Zamansal Bellek (CSTM)

CSTM, mekansal-zamansal kalıpları verimli bir şekilde çıkarmak için geliştirilmiş yeni bir birimdir. Konvolüsyonel işlemleri, tekrarlamalı bir bellek yapısına entegre eder; Konvolüsyonel LSTM'ye (ConvLSTM) benzer ancak belirli görev için optimize edilmiştir. Hücre durumunu $C_t$ ve gizli durumunu $H_t$, konvolüsyonel kapılar kullanarak günceller ve zaman içinde mekansal korelasyonları korumasına izin verir: $$i_t = \sigma(W_{xi} * X_t + W_{hi} * H_{t-1} + b_i)$$ $$f_t = \sigma(W_{xf} * X_t + W_{hf} * H_{t-1} + b_f)$$ $$C_t = f_t \odot C_{t-1} + i_t \odot \tanh(W_{xc} * X_t + W_{hc} * H_{t-1} + b_c)$$ $$o_t = \sigma(W_{xo} * X_t + W_{ho} * H_{t-1} + b_o)$$ $$H_t = o_t \odot \tanh(C_t)$$ Burada $*$ konvolüsyonu, $\odot$ ise eleman bazında çarpımı ifade eder.

2.3 Mekansal-Zamansal Dikkat (ST-Dikkat)

Uzun dizilerdeki kaybolan gradyan problemini ele almak için bir ST-Dikkat mekanizması tasarlanmıştır. Kod çözücünün, yalnızca son adıma değil, tüm zaman adımları boyunca ilgili kodlayıcı durumlarına "dikkat etmesine" izin vererek, ST-Kodlayıcı'dan ST-Kod Çözücü'ye bilgi akışını kolaylaştırır. Bu, yazıcı performansındaki kademeli sapma gibi üretim sürecindeki uzun vadeli bağımlılıkları yakalamak için çok önemlidir.

3. Teknik Detaylar ve Matematiksel Formülasyon

Eğitim hedefi, giriş dizisi $X = \{x_1, x_2, ..., x_T\}$ ile yeniden yapılandırılmış dizi $\hat{X} = \{\hat{x}_1, \hat{x}_2, ..., \hat{x}_T\}$ arasındaki yeniden yapılandırma kaybını en aza indirmektir; genellikle Ortalama Kare Hata (MSE) kullanılır: $$\mathcal{L}_{recon} = \frac{1}{T} \sum_{t=1}^{T} \| x_t - \hat{x}_t \|^2$$ Yeni bir dizi için anomali skoru daha sonra bu yeniden yapılandırma hatası olarak tanımlanır. Bir diziyi normal veya anormal olarak sınıflandırmak için bir eşik (genellikle normal verilerden oluşan bir doğrulama kümesi üzerinde deneysel olarak belirlenir) uygulanır.

4. Deneysel Sonuçlar ve Performans

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

• Daha Yüksek Anomali Tespit Doğruluğu: CRRN, gerçek dünya SPI veri kümelerinde temel modellere kıyasla üstün performans metrikleri (örn., F1-skoru, AUC-ROC) elde etti.
• Etkili Anomali Ayrıştırma: Model, bir PCB içindeki hatalı pedleri konumlandıran, yorumlanabilir teşhisler sağlayan bir "anomali haritası" oluşturur. Bu harita, ikincil bir yazıcı hatası sınıflandırma görevi aracılığıyla doğrulandı ve yüksek ayırt edici güç gösterdi.
• Uzun Dizilere Karşı Sağlamlık: ST-Dikkat mekanizması, diğer modellerin başarısız olduğu uzun zamansal bağlamlarda etkili öğrenmeyi sağladı.

Grafik Açıklaması: Varsayımsal bir çubuk grafik, CRRN'nin SPI veri kümesi üzerinde anomali tespiti için Eğri Altındaki Alan (AUC) açısından AE, VAE ve LSTM-AE'yi geride bıraktığını gösterir.

5. Analiz Çerçevesi ve Vaka Çalışması

Çerçeve Uygulaması (Kod Dışı Örnek): Bir SPP şablonunun zamanla kademeli olarak tıkanmaya başladığı bir senaryoyu düşünün. Geleneksel bir SPI, yalnızca ped hacimleri statik bir eşiğin altına düştüğünde pedleri işaretleyebilir. Ancak CRRN, tüm pedler için SPI ölçümlerinin dizisini işler. Kart genelinde ve zaman içinde ped hacimleri arasındaki normal korelasyonu öğrenir. Kademeli tıkanma, ince, mekansal olarak ilişkili bir sapma getirir (örn., belirli bir bölgedeki pedler tutarlı bir düşüş eğilimi gösterir). CRRN'nin CSTM'i bu mekansal-zamansal kalıp sapmasını yakalar ve yeniden yapılandırma hatası, tek tek pedler sabit eşiği aşmadan önce yükselir, böylece öngörülü bakıma olanak tanır. ST-Dikkat mekanizması, mevcut anomaliyi, sapmanın başladığı saatler öncesinden gelen kodlayıcı durumlarına bağlamaya yardımcı olur.

6. Gelecekteki Uygulamalar ve Araştırma Yönleri

• Çok Modlu Anomali Tespiti: CRRN'yi diğer sensörlerden gelen verilerle (örn., görüntüleme sistemleri, yazıcıdaki basınç sensörleri) bütünsel bir fabrika dijital ikizi için entegre etmek.
• Az Örnekle/Sıfır Örnekle Anomali Öğrenimi: Modeli, minimum etiketli örnekle yeni, görülmemiş hata türlerini tanıyacak şekilde uyarlamak, belki meta-öğrenme teknikleri kullanarak.
• Kenar Dağıtımı: CRRN'yi, anlık geri bildirim ve kontrol sağlamak için üretim hattı içindeki kenar cihazlarında gerçek zamanlı çıkarım için optimize etmek.
• Üretken Karşıt Olgusal Açıklamalar: Kod çözücüyü, anormal girişlerin "düzeltilmiş" normal versiyonlarını oluşturmak için kullanmak, operatörlere kartın nasıl görünmesi gerektiğine dair net bir görsel sağlamak.

7. Referanslar

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. Goodfellow, I., vd. (2014). Üretken Çekişmeli Ağlar. Advances in Neural Information Processing Systems.
3. Vaswani, A., vd. (2017). Dikkat Tek İhtiyacınız Olan Şeydir. Advances in Neural Information Processing Systems.
4. Zhu, J.-Y., vd. (2017). Döngü-Tutarlı Çekişmeli Ağlar Kullanarak Eşleştirilmemiş Görüntüden Görüntüye Çeviri. IEEE International Conference on Computer Vision (ICCV).
5. Uluslararası Elektronik Üretim Girişimi (iNEMI) SMT teknoloji trendleri raporları.

8. Uzman Analizi ve Eleştirel İnceleme