KI-Fehlererkennung auf SMT-Linien: False-Call-Kosten senken
Auf Reflow-Baugruppen der Surface-Mount-Technology (SMT) erzwingt IPC-A-610 Class-3-Akzeptanz eine Accept-Rate von 99,7 Prozent. Klassische regelbasierte Automated Optical Inspection (AOI) erreicht das bei einer False-Call-Rate von rund 1,8 Prozent. Jede Fehlmeldung ist eine Bedienerminute. Hier ändert KI die Rechnung.
SMT ist das Heimterritorium der AOI, seit 20 Jahren. Was sich 2024 und 2025 geändert hat: Der limitierende Faktor auf den meisten SMT-Linien hat sich von übersehenen Defekten zu den Kosten von Fehlmeldungen verschoben. Bediener-Zeit für das Review falscher Positive ist der neue Flaschenhals, und KI reduziert sie ohne Abstriche bei der Accept-Rate.
SMT-Defekt-Taxonomie
Fünf Defektklassen dominieren die Reflow-SMT-Nacharbeitslisten. Tombstoning, bei dem eine Seite eines Chipbauteils im Reflow hochgeht. Lötbrücken zwischen benachbarten Pads. Nicht ausreichend Lot, wenn der Kontakt zu wenig Paste bekommt. Schräge Bauteile, bei denen die Bestückung driftet. Fehlende Bauteile, wenn ein Gurtstau das Teil dropped.
Vier weitere tauchen in geringerer Stückzahl, aber höheren Kosten auf: gehobene Anschlüsse an Quad-Flat-Packs (QFPs), Lunker in Ball-Grid-Array-Kontakten (BGA), nur im Röntgen sichtbar, getombstonete 0201- und 01005-Passive und Lotkugeln aus Pasten-Drift.
Warum Fehlmeldungen teurer sind als übersehene Defekte
Ein übersehener Defekt kostet Nacharbeit plus Garantieexposition. Eine Fehlmeldung kostet 30 bis 90 Sekunden Bediener-Review plus möglichen Linienstopp. Bei 3.000 Boards pro Schicht und 1,8 Prozent False-Call-Rate erzeugt die Linie 54 Fehlmeldungen pro Schicht. Jede kostet 60 Sekunden Review. Das sind 54 Bediener-Minuten pro Schicht vermeidbare Arbeit.
Multipliziert über drei Schichten und 250 Betriebstage ergibt die False-Call-Steuer einer Linie rund 675 Bediener-Stunden pro Jahr. Bei 40 Euro pro vollständig belasteter Stunde sind das 27.000 Euro pro Linie pro Jahr, die auf dem Shopfloor liegen.
Wie KI Fehlmeldungen bei gleicher Accept-Rate reduziert
Klassische AOI bewertet jeden Kontakt gegen ein geometrisches Regelset. KI bewertet gegen eine gelernte Repräsentation guter Kontakte. Der praktische Unterschied: KI verarbeitet die Verteilung akzeptabler, aber ungewöhnlicher Kontakte, ohne sie als Defekt zu markieren.
Das Anwendungsmuster ist gut dokumentiert. Peer-Review-Forschung behandelt False-Call-Reduktion als den kanonischen SMT-AOI-Anwendungsfall, und Anbieter-Deployments bestätigen es in der Praxis. Die Siemens-Opcenter-Intelligence-Implementierung in Rastatt berichtet von einer 60-prozentigen Reduktion der manuellen Inspektionszeit und einer 42-prozentigen Steigerung der First-Pass-Yield auf der betreffenden Linie. Zur Illustration: Bewegt sich eine Linie von 1,8 Prozent auf rund 0,4 Prozent False Calls bei gleichbleibender 99,7-Prozent-Accept-Rate, erzeugt eine 3.000-Board-Schicht 12 Fehlalarme statt 54, rund 78 Prozent weniger Bediener-Review-Last bei unveränderter Miss-Rate.
Wie viel Trainingsdaten tatsächlich nötig sind
Weniger, als die meisten Teams erwarten. Für die Top-5-SMT-Defektklassen reichen 500 bis 1.000 gelabelte Beispiele pro Klasse, um klassische AOI zu matchen. Für die schwierigeren vier (gehobene Leitungen, BGA-Lunker, 0201-Tombstoning, Lotkugeln) sind 2.000 bis 5.000 Beispiele pro Klasse typisch.
Die meisten SMT-Werke haben diese Daten bereits in ihren AOI-Logs. Die Arbeit ist das Reinigen und das Ausrichten auf das aktuelle Prozessfenster, nicht das Neuerfassen. Ein Inbetriebnahme-Ingenieur schafft das meist in zwei bis drei Wochen.
Integration in bestehende SMT-Linien
Post-Reflow ist der Slot. Die klassische Inspektionsstation sitzt dort bereits auf den meisten Linien, die KI-Inspektion läuft während der Inbetriebnahme parallel als Second Opinion. Sobald Vertrauen aufgebaut ist, übernimmt KI die Hauptrolle und das regelbasierte System geht in Shadow-Betrieb oder außer Dienst.
Der Integrations-Handshake ist das Manufacturing Execution System (MES) über OPC UA, das offene Kommunikationsprotokoll für Industrieanlagen. Das KI-System veröffentlicht eine Pass-Fail-Aussage plus Confidence-Score pro Kontakt. Das MES speichert beides und füttert das Statistical-Process-Control-Chart (SPC). Die meisten Deployments sind innerhalb einer Woche verdrahtet.
Siehe unseren Begleit-Artikel AOI jenseits der Leiterplatten für den Nicht-SMT-Kontext. Für die breitere Modell-Frage deckt unsere Anomalieerkennungs-Übersicht ab, wann Anomalie-Modelle Defektmodelle schlagen. Die 20 Fertigungs-Use-Cases listen die breitere Kategorie.
Enao Vision liefert eine iPhone-basierte Post-Reflow-Station als Pilot-Deployment für SMT-Linien, die KI evaluieren wollen, ohne ihre AOI rauszureißen. Für SMT- und PCB-Inspektion ist die iPhone-Pro-Reihe die richtige Wahl: Ihre Telekamera hat einen Makro-Modus, der die feinen Details auf 0201- und 01005-Passiven, BGA-Kontakten und Lötstellen auflöst. Wir haben dieses Setup mit Enao Vision im Feld im Einsatz. Die komplette Modell-für-Modell-Übersicht findest du im Beitrag Welches iPhone sollte ich mit Enao verwenden?. False-Call-Reduktion ist die verankerte Return-on-Investment-Metrik (ROI), weil sie jeder Linien-Manager zitieren kann. Modell-Feintuning und Referenzdaten für SMT-spezifische Klassen werden im Community-Slack geteilt.
Die SMT-AOI-Kategorie hat sich ein Jahrzehnt nicht bewegt, weil die Incumbents gut genug waren. KI macht sie nicht obsolet; KI macht sie genauer, indem sie die False-Call-Steuer reduziert, die seit Tag eins die versteckten Kosten der AOI waren.
Wenn du eine SMT-Linie betreibst und vergleichen willst, wie KI-basierte Post-Reflow-Inspektion in der Produktion aussieht, komm in die Enao-Community und bring deine False-Call-Zahlen mit.
Jetzt starten
Möchtest Du sehen, wie Enao Vision auf Deiner Linie funktioniert? Du kannst kostenlos starten mit einem iPhone, das Du schon hast, oder der Community beitreten, um Dich mit anderen Qualitäts- und Produktionsteams auszutauschen, die KI auf den Shopfloor bringen.
