Оценка отклонений технических параметров продукции от заданных значений при производстве радиоэлектронной аппаратур

Рассматриваются вопросы, связанные с производством радиоэлектронной аппаратуры (РЭА), в частности печатных плат, а именно несоответствие заявленным некоторых характеристик отдельных изделий. Брак при производстве РЭА трудно обнаружить, что зачастую требует ее перевыпуска, при этом ужесточение допусков ведет к избыточным издержкам производства. Обсуждается актуальная проблема оценки требований к изделию и их подбора, при котором обеспечивается работоспособность изделия и не происходит избыточной отбраковки. Рассмотрен сквозной процесс проектирования и производства радиоэлектронной аппаратуры с применением вероятностных характеристик. Предложена методика оценки корректности требований к выпускаемой продукции на примере основных этапов проектирования и производства печатных плат. При этом данные, полученные на этапах производства, используются для корректировки полей допуска характеристик и параметров изделия на этапах проектирования и технологической подготовки производства, что позволяет сократить затраты на обеспечение требований к качеству продукции. Представлен модельный расчет на примере операции трафаретной печати паяльной пастой.

1. Крюков А. В. Применение многокритериального подхода для повышения качества деталей из состава изделий РЭБ // Радиотехника. 2022. Т. 86, № 5. С. 80–87. DOI: 10.18127/j00338486-202205-10.

2. Ng W. L. et al. Progress and opportunities for machine learning in materials and processes of additive manufacturing // Advanced Materials. 2024. Vol. 36, N 34. P. 2310006. DOI: 10.1002/adma.202310006.

3. Chen Y. -L., Sacchi S., Dey B., Blanco V., Halder S., Leray P., De Gendt S. Exploring Machine Learning for Semiconductor Process Optimization: A Systematic Review // IEEE Trans. on Artificial Intelligence. 2024. Vol. 5, N 12. P. 5969–5989, DOI: 10.1109/TAI.2024.3429479.

4. Duan G., Wang H., Liu Z., Chen Y. -W. A Machine Learning-Based Framework for Automatic Visual Inspection of Microdrill Bits in PCB Production // IEEE Trans. on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 2012. Vol. 42, N 6. P. 1679–1689. DOI: 10.1109/TSMCC.2012.2216260.

5. Легашов В. Г. Технологические основы гибких автоматических производств. Л.: Машиностроение, 1985. 175 с.

6. Сольницев Р. И. Лекции по информационным технологиям в проектировании и производстве киберфизических систем: Учеб. пособие. СПб: Изд-во СПбГЭТУ „ЛЭТИ“, 2023. 95 с.

7. Качество продукции. Статистические методы управления качеством. Регулирование технологических процессов методом группировки: Рекомендации ВНИИ по нормализации в машиностроении. М.: ВНИИНмаш, 1978. 29 с.

8. Сольницев Р. И., Коршунов Г. И., Зайцев П. С. Контроль качества киберфизических систем по плотностям распределения вероятностей случайных функций как критериальных характеристик // Стандарты и качество. Ч. II. Контроль качества продукции. 2023. № 08. С. 23–27; № 09. С. 59–63.

9. Chen I.-C., Hwang R.-C., Huang H.-C. PCB Defect Detection Based on Deep Learning Algorithm // Processes. 2023. N 11(3). P. 775. DOI: 10.3390/pr11030775.

10. Bhattacharya A., Cloutier S. G. End-to-end deep learning framework for printed circuit board manufacturing defect classification // Scientific Reports. 2022. Vol. 12, N 1, iss. 12559. DOI: 10.1038/s41598-022-16302-3.

11. Mirzaei M. Automating fault detection and quality control in PCBs: A machine learning approach to handle imbalanced data: Extended Absract of Candidate’s Thesis. Concordia Univ., 2023.

12. Ghelani H. Advanced AI Technologies for Defect Prevention and Yield Optimization in PCB Manufacturing // Intern. Journal of Engineering and Computer Science. 2024. Iss. 13(10). P. 26534–26550. DOI: 10.18535/ijecs/v13i10.4924.

13. Ghelani H. Harnessing AI for Visual Inspection: Developing Environmentally Friendly Frameworks for PCB Quality Control Using Energy-Efficient Machine Learning Algorithms // Intern. Journal of Advanced Engineering Technologies and Innovations. 2021. Vol. 1, iss. 4. P. 146–154.

14. Pereira A. G., Barbosa G. F., Filho M. G., Shiki S. B., Silva A. L. Quality Control in Extrusion-Based Additive Manufacturing: A Review of Machine Learning Approaches // IEEE Trans. on Cybernetics. 2025. Vol. 55, N 6. P. 2522–2534. DOI: 10.1109/TCYB.2025.3558515.

15. Benedek C. Detection of soldering defects in Printed Circuit Boards with Hierarchical Marked Point Processes // Pattern Recognition Letters. 2011. Vol. 32, iss. 13. P. 1535–1543. DOI: 10.1016/j.patrec.2011.06.006.

16. Danilevich S., Karpovich A., Danilevich K. Syntheses of effective techniques of complex testing of technical products // Proc. of the 6th Intern. Conf. on Actual Problems of Electronic Instrument Engineering. IEEE, 2002. P. 118–121.

17. IPC 9850. Оценка характеристик оборудования для установки компонентов поверхностного монтажа. Bannockburn, Il: IPC, 2002.

18. Лукьященко В. И., Терпиловский А. Н. Об учете предварительной информации при оценке надежности сложных систем // О надежности сложных технических систем: Сб. М.: Сов. радио. 1966. С. 263–275.