نظارت بر فرایند ساخت برد الکتریکی با هوش مصنوعی
به گزارش کارگروه فناوری اطلاعات سایبربان؛ پس از اختراع «بردهای الکتریکی یا مدار چاپی» (PCB) در چندین دهه قبل انقلاب بزرگی در زندگی انسان‌ها اتفاق افتاد. بردهای الکتریکی، بستری هستند که اجزای الکتریکی روی آن‌ها قرار گرفته و با یکدیگر تعامل می‌کنند. این قطعات امروزه در طیف گسترده‌ای از تجهیزات به کار گرفته شده و وظایف پیچیده‌ای را انجام می‌دهند. به همین به صورت روزافزون استانداردهای سخت‌گیرانه‌تری برای حصول اطمینان از نوع طراحی و کیفیت آن‌ها به وجود می‌آید. برای مثال جلوگیری از هرگونه تداخل الکتریکی و اطمینان از سازگاری الکترومغناطیسی این قطعات بسیار مهم است.
پژوهشگران بخش فناوری اطلاعات کاربردی موسسه فرانهوفر (Fraunhofer Institute for Applied Information Technology FIT) به تازگی اعلام کردند که یک به منظور بهینه‌سازی طراحی و آزمایش بردهای الکتریکی یک هوش مصنوعی ماژولار توسعه داده‌اند. این دستاورد می‌تواند هزینه‌های نهایی انجام فرایند طراحی را تا 20 درصد کاهش بدهد.
زمانی که یک برد الکتریکی برای یک کاربرد تازه طراحی می‌شود، باید دقت شود که بهترین استفاده از فضای در دسترس صورت گرفته و اجزا تا حد امکان بدون خطا در کنار یکدیگر قرار می‌گیرند. در حال حاضر این فرایند تا حد زیادی به تجربه مهندسان بستگی داشته و پس از آن باید به منظور حصول اطمینان از عملکرد صحیح در شرایط واقعی آزمایش صورت گیرد. از طرفی نتایج به دست آمده به طور دقیق مستند نمی‌شوند و به همین دلیل تمام مراحل به طور مرتب تکرار شده و هزینه‌ها افزایش پیدا می‌کند.
بردهای الکتریکی به علت پیچیدگی ذاتی که دارند باید با دقت بسیار بالا تولید شوند و به همین دلیل پس تکمیل فرآیند با یک حسگر نوری خودکار (AOI) مورد بازرسی قرار می‌گیرند. این حسگر با استفاده از روش‌های تحلیل تصویر صحت فرایند طراحی را مورد تأیید قرار می‌دهد. با وجود این ابزارهای امروزی هشدارهای کاذب بسیاری را به وجود می‌آورند و بردهای الکتریکی را به صورتی نادرست طبقه‌بندی می‌کنند.
بردهایی که معیوب تشخیص داده می‌شوند باید توسط اپراتور انسانی از همه جهت دوباره بازبینی شوند که فرآیندی زمان‌بر است. در نتیجه نرخ بالا و غیرقابل‌قبول هشدارهای کاذب زمان و هزینه بسیاری را هدر خواهد داد. از طرفی اگر میزان هشدارها بسیار پایین باشد، قطعات معیوب وارد چرخه تولید می‌شوند؛ بنابراین به یک نرخ هشدار کاذب مناسب نیاز پیدا می‌شود.
موسسه فراهنهور برای رفع مشکل بالا یک هوش مصنوعی توسعه داده است که با استفاده از دوربین به ثبت تصاویر بردها می‌پردازد، این تصاویر بهبود تصمیم‌گیری الگوریتم‌ها کمک می‌کند. از طرفی ماژول‌های یادگیری ماشینی و یادگیری عمیق این بستر پیش از استفاده توسط حجم عظیمی از داده‌های مناسب آموزش می‌بینند.
تیمو برونی (Timo Brune)، مدیر پروژه فرانهوفر گفت:
طراحی ماژولار به این معنا است که ما می‌توانید انواع مختلفی از الگوریتم‌ها را به کار گرفته و نتیجه کار را بهبود بدهیم. داده‌های به دست آمده از بازرسی خودکار قطعات به الگوریتم‌ها بازگردانده می‌شوند. این مسئله به پایه‌ای برای فرایند خودآموزی هوش مصنوعی تبدیل می‌شود. این بازخوردهای پیوسته پایگاه داده را بهبود می‌دهد و نرخ هشدارهای کاذب را کاهش خواهد داد.
پژوهشگران توضیح دادند کاربران می‌توانند از خودشان نیز ماژول‌های هوش مصنوعی را آموزش بدهند. این کار بر پایه داده‌هایی که از تولیدات خودشان به دست می‌آید انجام می‌گیرد. این موضوع نشان می‌دهد شرکت‌ها توانایی کنترل داده‌ها خود را داشته و نیازی نیست اطلاعات را به سرورهای خارجی ارسال کنند. به علاوه امکان ترکیب الگوریتم‌ها برای رفع یک مشکل خاص توسط کاربر وجود دارد.
