Die elektronische Revolution der Lebens- und Arbeitswelten wäre ohne sie kaum möglich: Leiterplatten bilden die Basis, auf der kleinste Bauteile miteinander interagieren. Da die Anwendungen zahlreicher und komplexer werden, nehmen die Anforderungen an Design und Qualitätssicherung zu – so müssen etwa Interferenzen ausgeschlossen und eine elektromagnetische Verträglichkeit gewährleistet werden.

Leiterbahnen werden so eng und geschickt wie möglich für eine Anwendung geplant, ohne dadurch einen Ausfall zu riskieren. Basis dafür ist bisher das Erfahrungswissen der beteiligten Ingenieure, deren Designs in Versuchen getestet werden müssen. Die Ergeb­nisse daraus werden zudem nicht stringent dokumentiert, sodass fehleranfällige De­signs auch mehrmals Tests durchlaufen. Dieser aufwändige Prozess führt zu hohen Kosten.

Modulare, sich selbst verbessernde Algorithmus-Plattfor¬men für Design und Qualitätskontrolle von Leiterplatten.

Die modularen Plattformen bestehen aus Machine Learning, Deep Learning und Künstlicher Intelligenz. So kann zum Beispiel ein Algorithmus aus der ersten Modulklasse (links) bereits eingehende Daten klassifizieren, als auch aus ihnen Features extrahieren, die wiederum als Input in andere Module fließen. Fraunhofer FIT

Hoher Aufwand in der Qualitätskontrolle

Die fertig entwickelten Designs stellen hohe Anforderungen an die Produktion. Daher wird jede einzelne Leiterplatte überprüft, zumeist über eine Automatische Opti­sche Inspektion (AOI). Dabei wird über eine Bildanalyse verglichen, ob die Platine so wie geplant produziert wurde, und so technische Fehlstellen detek­tiert. Dieses Verfahren erzeugt momentan allerdings eine hohe True-negativ-Rate, das heißt viele funktionierende Platinen werden als fehlerhaft klassifiziert.

Diese müssen dann alle per Hand kontrolliert werden. Dies erfolgt vi­suell sowie messtechnisch. Die Überprüfung verursacht wiederum hohe Kosten, denn bei ei­ner zu hohen True-negativ-Rate werden fehlerfreie Bauteile aussortiert. Bei einer zu klei­nen Rate sind die Folgekosten durch den Einsatz von Fehlteilen hoch. Eine optimierte True-negativ-Rate durch menschliche Kontrolle ist schwierig, da auch menschliche Schwä­chen einfließen.

Selbstlernend zum optimalen Auswahlprozess

Wie ein zukünftiger Überprüfungsprozess aussehen kann, zeigt die Entwicklung des Fraunhofer FIT. Eine Kamera macht wie bei einer herkömmlichen AOI-Aufnahmen von ge­druckten Leiterplatten. Daraus wird die Entscheidungsqualität von Algorithmen opti­miert. Entscheidend ist dabei die Eingabe qualitativ-hochwertiger Trainingsdaten. Dafür füttern Experten die Module für Ma­chine Learning und Deep Learning mit einer guten Datenauswahl.

„Diese modulare Bauweise ermöglicht es, aneinander gekoppelte Algorithmen einzuset­zen, die sich selbst verbessern. Durch laufende, automatisierte Kontrollen der Bauteile fließen Daten zurück in den Algorithmus und sind Grundlage für einen Selbstlernpro­zess im Modul KI“, so Timo Brune, Projektleiter beim Fraunhofer FIT. „Das permanente Feedbacksystem verbessert die Datengrundlage und optimiert die True-negativ-Rate. So lassen sich nach ersten Schätzungen aus der Industrie rund 20 Prozent Produktionsressourcen einsparen.“ Das Training der Module kann der Anwender selbst mit seinen Prozess- und Produkti­onsdaten übernehmen. Das Unternehmen bleibt so immer im Besitz seiner Daten und müssen nicht etwa an ex­terne Server geschickt werden. Der Baukasten aus Algorith­men ist in be­liebiger Kombination auf spezifische Probleme anwendbar.

Das Training der Module kann der Anwender selbst mit seinen Prozess- und Produkti­onsdaten übernehmen. Das Unternehmen bleibt so immer im Besitz seiner Daten, die nicht etwa an ex­terne Server geschickt werden müssen. Der Baukasten aus Algorith­men kann in be­liebiger Kombination auf spezifische Probleme angewandt werden.

Intelligente Entwicklung neuer Bauteile

Die trainierten Algorithmen lassen sich dann auch beim Design neuer Leiterplat­ten einsetzen. Die Anordnung von Bauteilen auf der Leiterplatte muss dann nicht mehr im Trial-and-Error-Verfahren kosten- und zeitintensiv erfolgen. Der Algorithmus hilft, aus der Vielzahl möglicher Varianten die mit optimaler Funktionalität vorherzusagen.

Dieser Ansatz ist auch für viele weitere elektrische Systeme vorteil­haft. Auch dort wer­den Prozesse so optimiert, dass Zeit- und Produktionskosten ein­gespart werden können.