KI-Fehlererkennung auf SMT-Linien: False-Call-Kosten senken
IPC-A-610 Class-3-Akzeptanz auf Reflow-SMT-Baugruppen erzwingt eine Accept-Rate von 99,7 Prozent. Klassische regelbasierte 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 hoheren Kosten auf: gehobene Anschlüsse an QFPs, Lunker in BGA-Kontakten nur im Röntgen sichtbar, getombstonete 0201- und 01005-Passive und Lotkugeln aus Pasten-Drift. KI-Modelle erkennen die ersten fünf so gut wie klassische AOI und fangen die nächsten vier zu Raten, die klassische AOI nicht hält.
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.
Veröffentlichte Feldzahlen aus KI-augmentierten AOI-Deployments zeigen False-Call-Raten, die von 1,8 Prozent auf rund 0,4 Prozent fallen, während die 99,7 Prozent Accept-Rate erhalten bleibt. Das sind 40 Fehlalarme pro Schicht statt 54 auf einer typischen Linie, oder eine 22-Prozent-Reduktion der 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 MES über OPC UA. Das KI-System veröffentlicht eine Pass-Fail-Aussage plus Confidence-Score pro Kontakt. Das MES speichert beides und füttert das SPC-Chart. 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. False-Call-Reduktion ist die verankerte ROI-Metrik, 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.