PCB从大№型且过时的“印刷线△路板”到当今在高密度互连（HDI）PCB，IC基板（ICS）等上的细线设计的演进，已经经历了从手动组装到制造的过程。高〖度自动化的生产。 随着制造技术的进一步发展，工艺变得更加复杂和复杂，包括能够检查和整形曾经会导致面板报废的缺陷的♀能力。 现在，PCB制造行业正在出现一个重要的机会，可【以利用人工智能（AI）并优化生产流程，并最终优化整个PCB制造设施。

PCB制造通常依赖多年积累知识的专家。 这些专家非常了解和理解∴制造过程的每个步骤。 他们了解如何利用自己的知识来优化生产和提高产量。 人为的限制（包括错误和疲劳）阻碍了这◥些专家的成就。 操作员的√错误或对PCB缺陷的错误识别（“错误警报”）可能会由于过度处理而影响良率，甚至会损害⊙PCB本身。 通过将AI集成到※制造过程中（ 图1 ），机器可以通过接管某些“学到的”任务来增加价值，而人类专家继续承担更复杂的任务，这些任务需要在优化▆和“训练” AI系统的同时进行思考和互动。 人■与人工智能的这种结合提高了整体效率和运营，是AI专家系统的最大机会。

图1  AI可以帮助PCB工厂提高质量。

人工智能与工〗业4.0
PCB制造的未来是拥有完全集成的Industry 4.0系统的工厂，该系统在全球和制造系统级别具有AI。 “全局”级别包括工厂中的所有系统，而不仅仅是单个ω　制造系统。 工业4.0提供了自动化和数据↓交换基础结构，可实现实时生】产分析，双向通信和数据共享，可追溯性以及按需数据分析。 在任何〗特定的工厂中，AI都可以使用◎从各种制造系统和机器获取的数据来改进流程，这些数据是通过工业4.0机制（例如可追溯性，双向通信）收集的。 工厂︾之所以受益，是因为AI分析了大量系统范围的数据以优化工厂设置＠ 参数并实现最高水平的生产率和良率。 人工智能分析和自我学习正在进行中，并通过人工神经网络进行。 几年之内，它将消除人工操作人员的干々预，并导致建立全自动工厂。

这种新的PCB制造模型的要求将包括所有工厂系统的完全连接以及AI作为监视和决策机制。 当前，存在专有和技术█挑战，这些问题≡限制了PCB工厂的完全自动化，因此，如今，尽可能将AI添加到单个系统中，例如自动光学检查（AOI）解决方案。 将生产设施〇转移到全球AI模式的优ㄨ势包括，可以更可靠地通知PCB缺陷-“真实缺陷”，并具有反馈回路的巨大优势，该反馈回路可以识别问题的根源，然后自←动修改工厂流程以消除相关问题缺陷。

AI的子集，包括机器学习和深度学习，将使PCB工厂朝着完全自动化的目标迈进。 机器学习使用的算法使计算机能够使用数据及其已经经历和学习的示例来改进任务的性能，而无→需对其进行明确的编程。 就PCB制造而言，机器学习可提高产量，改善制造操作和工艺流程，减少人工操作，同时有助于推动对工々厂资产，库存和供应链的更有效处理。

深度学习ξ　将AI提升到一个更加复杂的水平-这在全球工厂系统水平上是有益的。 深度学习的灵感来自人脑使用多层面，多层人工神经♀网络进行学习，理解和推断的能力。 在PCB工厂中，软件专家系统可以有效地从收集的数据的见解，模式和上下文的复杂表示中学习。 然后，学习◥将形成PCB制造中自动过程改进的基础。

机器学习和深︼度学习的实施为PCB制造商提供了超越人类理解的能力； 也就是说，人工智能系统通过在人们甚至不愿探索的地方进行更深入的挖掘来发现新的∮优化机会。 AI专家系统非常高效，通过使用更多更复杂的参数在全球范围内监控工厂系统，减少了所需的专№家人数，并提高了效率和最佳实践ㄨ。

使用Industry 4.0传感器（可▃以从设备发送数据的传感器）和系统，在整个PCB制造过程中，在全球范围内创建数据，从简单的读取和写入功能到对最小的PCB单元的过程参数的高级跟踪。 工艺参数可以包括蚀刻◥，抗蚀剂显影以及制造过程中化学材料的浓缩。 使用深度学习对这些类型的数据进行分析，以告知优化制造方法和参数，识别模式并就流程中⊙所需的更改做出明智的决定。 所有这些都可以全天候，每周7天，每天24小时不间断地进行。

系统级AI
在系统级，例如在AOI流程中，当前在PCB制造车间的AI实施对生产率和良率产生了可观的影响。 在这种』情况下，机器学习极大地减少了检测PCB缺陷时的人为错误。 PCB缺陷的例子包括短路和断路，甚至过量的〓铜。 自动检查可以检测出非常小的缺陷，这些缺陷↘可能是手工检查无法发现的，也可能由于人为错误而遗漏的，这是重复工作的自然结果。

在不使用AI的情况下，对100个面板进行的经典检查通常会■发现每个面板20至30个缺陷，其中大约75％是错误警报。 由于政策规定必须手动检查所有▽缺陷，因此对虚假警报的审查浪费了宝贵的生产时间，增加了对PCB的处理，这可能会导致新的损坏，并为操作员在审查过程中进行≡进一步的虚假分析提供了可能。感到疲倦，劳累或◣分心。

通过在AOI系统上进行机器学习，可以大大减少此类错误警报和维修（ 图2） 较少的误报意味着〇对面板的处理更少，这本身会↑提高产量。 此外，AI提供了一致的（动态改进）缺陷分类，而没有操作人员固有的限制，从而提供了更可靠的结果并减少了验证时间。 根据Orbotech内部研究，已发现AOI系统中的AI最多可将错误警报减少90％。 AOI在某种▂程度上是独一无二的，因为该系∞统比任何其他制造解决方案都可以收集更多的数据，这使其非常适合作为AI实▲施的第一步。 同时，AOI室是PCB工厂劳动强度最大的区域，因此，在其々流程中采用AI会带来最大的收益。 对于PCB制造商。

图2  AI驱动的AOI可以减少生产现场的验证和工作量。

全局和系统级AI协同工作
以下是一个在系统和全局级◥别上都在起作用的AI的示例：假设AOI系统检查↙了100个面板。 在系统级别，由机器学习支持的AI可以过滤出误报缺陷，这些误报缺陷已⌒被系统归类为短裤。 AI系统通过评估多个AOI图像，同时利用其“面板理解”（AOI解决方案对面板上的元素及其外观的理解），来生成最智√能的分类结果。 该信息输︼入到全球AI系统中，该系统由深度学习提供支持，从系统级解决方案中收集这些数据，并确定识别出的真正缺陷是短路，需要∮额外的蚀刻时间才能去除多余的铜。 AI系统使用来自系统级别的数据来做出全局√决策，以调整蚀刻过程中的面板参数，从而使以后制造的所有面板具有更少（如果有的话）相同类型的缺陷∞。 最终，系统级解决方案之间的通信将进一步增加和改善AI在全球范围内的决策能力。

制造挑战不断增加
尽管AI的发展正在全行业范围╱内迅速发展，但PCB制造的挑战至少以同样的速度增长，甚至没有那么快。 对于挠性材料和缩小的走线几何形状，缺陷检测越来越困难的两个主要领域。 下一代Ψ复合材料，例如液晶聚酰胺（LCP）和改性聚酰胺（MPI），给制造商提出了新的挑战，包括图像采集，处理，变形和更细的线条。 例如，用于柔性PCB的材料越先进，导致识别▓出的缺陷越多，从而导致更多的错误警报。 制造商使用这种复杂材料的目的是在确定错误警报的过程中最大程度地减少对面板的处理。 柔性PCB（ 图3  ）， 这是一种可能会从AI实施中大※大受益的产品类型，因为系统将学会在更严格的参数范围内进行制造。

图3 柔性电路为自动光学检查带来了∑其他问题。

用于5G的PCB是另一种要求比当前要求更高的制造精度的应用，并且有可能从人工智能支持的专业知识中受益匪浅。 5G应用所ζ需的HDI PCB要求更细的线◣宽，直的侧壁几何形状和严格的参数。 这使得缺陷检测比以往更加困难，并且对于人类专家而言，要有效地完成缺陷检测将极具挑战。

考虑到这些以及其他未知的PCB制造挑战，人工智能驱动的工厂ω将成为未来生产的关键。 要在全球范围内实现AI应用的发展，需要更多的时间才能实现PCB制造，但是很显然，系统级AI的实现已经到来，这为全自动PCB工厂的未来奠定了基础。